CN113748311B - 涡轮发动机叶片缺陷自动检测系统的训练方法 - Google Patents

涡轮发动机叶片缺陷自动检测系统的训练方法 Download PDF

Info

Publication number
CN113748311B
CN113748311B CN202080031441.1A CN202080031441A CN113748311B CN 113748311 B CN113748311 B CN 113748311B CN 202080031441 A CN202080031441 A CN 202080031441A CN 113748311 B CN113748311 B CN 113748311B
Authority
CN
China
Prior art keywords
image
sub
intensity
platform
blade
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202080031441.1A
Other languages
English (en)
Other versions
CN113748311A (zh
Inventor
赫琳娜·沃罗比耶娃
西尔文·皮卡德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran SA
Original Assignee
Safran SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Safran SA filed Critical Safran SA
Publication of CN113748311A publication Critical patent/CN113748311A/zh
Application granted granted Critical
Publication of CN113748311B publication Critical patent/CN113748311B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Machine Tool Sensing Apparatuses (AREA)
  • Image Processing (AREA)

Abstract

一种用于训练用于自动检测涡轮发动机叶片(2)缺陷的系统(1)的方法，所述系统包括用于接收叶片的平台(3)、至少一个图像采集装置(4)、发光强度可以变化的至少一个光源(5)、至少一个移动装置(6)，所述移动装置被配置为相对于所述至少一个图像采集装置(4)移动所述平台(3)或相对于所述平台(3)移动所述至少一个图像采集装置(4)，以及处理单元(7)，所述处理单元被配置为接收所采集的图像，并将其与以下信息项相关联，所述信息项与所述至少一个光源(5)的发光强度和在图像采集期间所述平台(3)相对于所述至少一个图像采集装置(4)的相对位置有关。

Description

涡轮发动机叶片缺陷自动检测系统的训练方法
技术领域
本发明涉及航空航天部件(例如涡轮机叶片)的无损检测。
背景技术
涡轮发动机叶片的检查，以检测表面缺陷，如小凹痕、粗糙度、多余材料或某些地方缺少材料，通常由运营客户完成。
进行这种检查的一个可能的方法是把要检查的叶片放在支架上，对其进行照明并以良好的分辨率进行拍照。基于这些照片，然后有必要确定叶片表面是否存在缺陷。灰度照片足以检测前面提到的缺陷类型。
然而，在拍摄可用于获得灰度照片的照片方面出现了若干问题，灰度照片可以用来比较和检测叶片表面的任何缺陷。
首先，被检查的叶片通常具有镜面和纹理涂层。因此，如果以足够的强度照射叶片以使某些涂层细节在叶片的一部分上可见，则叶片的其他部分有曝光过度的风险，并且所获得的图像上的相应部分将无法使用。此外，由涂层纹理形成的浮雕使得确定最佳照明变得困难甚至不可能(图像中的附近像素将具有不同的行为)。
其次，某些叶片(例如涡轮机叶片)具有复杂曲率。因此，如果涡轮机叶片被照亮，叶片的某些部分将处于阴影中，这将导致所获得图像上的相应部分变得不可用。此外，考虑到叶片的曲率存在于叶片的所有部分，不可能使用掠光技术。
第三，叶片的涂层可能略有不同。这意味着在相同的照明和面向图像采集装置的相同位置的情况下，叶片将以不同的方式出现在图像上，可能在图像上的同一个地方被照得太亮，也可能被照得不够。
第四，即使有精确的定位系统，精度也永远无法达到总精度。这导致在面向图像采集装置的理论上相同的位置处采集的不同叶片的图像不会严格相同，从而导致定位中的噪声。这种偏移放大了前面提到的问题。
此外，以足够分辨率拍摄以查看缺陷的叶片图像通常是灰度图像，即像素取0到255之间的整数值，并且具有相当混乱的叶片纹理，表面外观不均匀，这意味着可用区域包含许多不同的像素值，其范围从0到255。术语“可用区域”是指未被模糊的区域，该区域被照亮的方式使缺陷可见。
在每个采集的图像上划定可用区域是相当容易的，每个采集的图像对应于叶片面对图像采集装置的给定姿势，并且可用区域是未被模糊的区域，并且可以以正确的方式调整照明，即不会过度曝光，也不会太暗。但是，对于给定的照片，由于叶片的几何结构和镜面反射，所有可用区域的最佳照明将不尽相同。此外，如上所述，给定区域和给定姿势的最佳照明从一个叶片到另一个叶片不一定相同。因此，可用区域的照明不是可以手动设置的参数。
已知一种检查物体表面缺陷的方法，其中在一种或不同照明下拍摄物体的照片，然后选择可能有缺陷的一个或多个图像。对图像进行整体检查，以确定其是否具有非常明亮的区域或处于阴影中(这些区域随后是缺陷的特征)，并以这样的方式看到预定义的缺陷特征。图像可以与参考图像进行比较。在该方法中，无论其照明条件如何，所有图像都要经过第一处理步骤，并使用第一过滤器来消除不包含任何缺陷的图像。接下来的其他步骤是迭代地消除越来越多的图像。
然而，在对缺陷进行任何过滤之前，连续处理图像以仅保留具有用于缺陷检测任务的最佳照明的图像，这在缺陷检测的总处理中代表了相当大的时间成本。具体来说，结果是缺陷检测任务的计算时间更长。
此外，每次已知方法都完整地处理图像。
已知的还有一种用于检查具有曲率的物体的方法。在这种方法中，使用两个光源以产生面向物体的光，称为“明场照明”，以及掠过物体的光，称为“暗场照明”。这些光源可以相对于物体移动。然后根据从这两个视点采集的图像执行检查以寻找缺陷。
然而，对于具有复杂曲率的物体，沿着水平方向和垂直方向连续变化一样多，将有必要增加光源的不同位置以相对于每个小区域成直角。
以与先前方法相当相似的方式，已知一种方法，其中相对于要检查的表面成精确角度定位的两个光源沿扫描线移动，以捕获子图像并重构要检查的最终图像。在这种方法中，因此不需要使用不同的光强度。因为入射角是最佳的，所以使用的发光强度已经是最佳的。
然而，这种方法对于复杂物体曲率将是无效的，因为将需要使用过多数量的不同扫描线。
发明内容
本发明旨在提供一种在给定区域内选择最佳照明的自动方法，以便通过学习方法自动控制涡轮发动机叶片的表面，更具体地说，提供一种用于训练用于自动检测涡轮发动机叶片缺陷的系统的方法，该系统包括用于接收叶片的平台。
根据本发明的主题，提供了一种用于训练用于自动检测涡轮发动机叶片缺陷的系统的方法，该系统包括用于接收叶片的平台、至少一个图像采集装置、发光强度可以变化的至少一个光源、至少一个移动装置，所述移动装置被配置为相对于所述至少一个图像采集装置移动所述平台或相对于所述平台移动所述至少一个图像采集装置，以及处理单元，所述处理单元被配置为接收所采集的图像，并将其与以下信息项相关联：所述信息项与所述至少一个光源的发光强度和在图像采集期间所述平台相对于所述至少一个图像采集装置的相对位置有关。
根据一般特征，对于具有已经识别出的表面缺陷的一组叶片中的每个待研究叶片，该训练方法包括以下步骤：
-在待研究叶片上限定可用区域，
-对于所述平台相对于所述至少一个图像采集装置的每个单独的相对位置，产生所述叶片的可用区域的多个采集图像，一个相同相对位置的每个采集图像以不同的发光强度生成，
-将可用区域的每个图像从一个采集的图像划分为子区域的多个图像，
-确定多对像素强度边界，每对包括最小强度和最大强度，
-对于每一对边界：
a.确定包含在子区域的每个图像中的像素数量，其强度介于该对边界的最小强度和最大强度之间，然后
b.在给定的相对位置为每个子区域选择单个图像，所选图像对应于包含最多像素的图像，其强度介于该对边界的所述最小和最大强度之间，然后
c.通过分类卷积神经网络检查给定相对位置的每个子区域以检测是否存在任何缺陷，然后
d.检查分类卷积神经网络所做的检测，以确定检测到的缺陷是真的还是假的，以及
e.在所有给定相对位置的基础上，计算可用区域内给定的一对边界的检测效率，检测效率取决于已证明检测的数量与错误检测的数量之比，
-选择具有最佳检测效率的一对边界。
根据本发明的方法包括有效的预处理，使得能够从在不同发光强度下在相同位置采集的图像中选择子区域，所述子区域稍后将用于检测异常。该预处理首先包括根据包含在不同最小和最大边界对中的像素数量配置子区域。在仅进行一次的调整阶段期间，以这样的方式选择最佳边界对，以便为稍后将在处理线中使用的检测算法提供最佳可能的性能。在生产线阶段，相对于调整时设置的终端直接选择最佳子区域，这很快，并且可以不增加检测中要测试的子区域的数量。
因此，本发明提供了一种用于训练自动检测系统的方法，使得由所述系统实现的检测方法在对缺陷进行任何过滤之前，仅保持对于缺陷检测任务具有最佳照明的图像，因此，可以节省缺陷检测任务的计算时间。
此外，本发明规定了独立处理图像的区域，而不一定是整个图像。
此外，该方法可以避免光源相对于物体以特定角度重新定位。只要某个区域的亮度足够且使用其中一种强度，图像就可用。
通过本发明，可以在光源的单个位置照亮大面积，这使得可以加工具有复杂曲率的叶片，而无需增加光源的不同位置的数量以找到相对于每个小面积的直角。
因此，可以选择所选择的一对边界，以便能够针对每个子区域，从以不同强度采集的不同可利用图像中选择单个图像，以期将来的训练步骤或使用用于自动检测叶片缺陷的系统。
根据训练方法的第一方面，如果在步骤b中，至少两个图像包括相同数量的像素，则所选子区域的图像是其像素强度的平均值最接近127.5的强度的图像。
根据训练方法的第二方面，该方法还可以包括基于这些采集的图像生成附加图像，所述附加图像可以在强度图像之外使用。
根据训练方法的第三方面，对于平台相对于所述至少一个图像采集装置的每个单独相对位置，使用的不同强度是相同的。
根据训练方法的第四方面，从所研究叶片的可用区域的所有子区域中，可以使用与存在缺陷的子区域一样多的无缺陷子区域。
因此，可以不使用某些子区域，以便有缺陷和无缺陷的子区域数量相同。如果有缺陷的子区域较少，就有可能从所有可利用的无缺陷子区域中随机选择与有缺陷子区域相同数量的无缺陷子区域。如果无缺陷的子区域较少，就有可能从所有可利用的有缺陷子区域中随机选择与无缺陷子区域相同数量的有缺陷子区域。也可以选择其他数量的子区域。对于训练方法的这个方面，可以逐叶片进行，也可以所有叶片一起进行。
在本发明的另一主题中，提供了一种用于自动检测涡轮发动机叶片缺陷的系统，该系统包括用于接收叶片的平台、至少一个图像采集装置、至少一个光源，其发光强度可以变化，至少一个移动装置，其被配置为相对于所述至少一个图像采集装置移动所述平台或相对于所述平台移动所述至少一个图像采集装置，以及处理单元，其被配置为接收所采集的图像，并将其与以下信息项相关联，所述信息项与所述至少一个光源的发光强度和在图像采集期间所述平台相对于所述至少一个图像采集装置的相对位置有关，对于每个采集的图像，针对每个所述相对位置，以所述至少一个光源的发光强度拍摄多个采集的图。
根据本发明的一般特征，处理单元被配置为在叶片上定义可用区域，将来自可用区域的采集的图像划分为多个子区域，并对每个子区域进行处理。
根据自动检测系统的一个方面，为了处理每个子区域，处理单元可以被配置为仅从基于来自采集的图像生成的多个附加图像中选择单个子区域图像，该选择按照以下步骤使用预定义的边界对进行：
a.确定包含在子区域的每个图像中的像素数量，其强度介于该对边界的最小强度和最大强度之间，然后
b.在给定的相对位置为每个子区域选择单个图像，所选图像对应于包含最多像素的图像，其强度介于该对边界的所述最小和最大强度之间。
附图说明
图1是根据本发明实施方式的用于自动检测涡轮发动机叶片缺陷的系统的示意图。
图2示出了根据本发明的实施方式的用于训练图1的自动检测涡轮发动机叶片缺陷的系统的方法的流程图。
具体实施方式
图1示意性地表示用于自动检测涡轮发动机叶片缺陷的系统。
用于自动检测涡轮发动机叶片2缺陷的系统1包括其上放置有待研究叶片2的可移动平台3、固定摄像机4和发光强度可以变化的固定光源5。叶片2垂直抵靠在平台3上。换句话说，叶片2包括叶根22、叶身24和叶尖26，叶身24在叶根22和叶尖26之间延伸，叶根22以这样的方式搁置在平台3上，使得叶身24在与叶根22抵靠在其上的平台3的表面正交的方向上延伸，所述正交方向对应于竖直方向。
在图1所示的实施方式中，平台3是可移动的并且可以相对于相机4和光源5移动，由于包括在平台3中的移动装置6，这两者都保持在固定位置。为了采集叶片2周围的图像，平台3可以围绕旋转轴线自转并垂直和水平移动。
检测系统1还包括耦合到平台3、相机4和光源5的处理单元7。处理单元7被配置为接收由相机4发送的采集图像，并将其与在图像采集期间与光源5的发光强度和平台的位置相关的信息相关联。
图2示意性地表示由系统实施的训练方法的流程图，该系统用于自动检测图1中涡轮发动机叶片的缺陷，以在未知叶片上进行缺陷搜索期间优化其操作。
为了训练检测系统1，使用一组已知叶片，其缺陷已知且已记录在处理单元7中。
对于叶片组中要研究的每个叶片，训练方法执行以下步骤。
在第一步骤200中，调整相机4、光源5和平台3以采集图像，使得能够通过可用区域覆盖整个叶片2。在这样采集的每个图像上，划定可用区域。
在接下来的步骤210中，对于平台3的每个位置，使用相机4采集叶片2的每个可用区域的多个图像，平台3的一个相同位置的每个图像以光源5的不同发光强度采集。检测系统1可以被配置为针对每个位置采集相同数量的图像，例如针对平台3的一个相同位置采集二十个图像，每个采集的图像有不同的强度。因此，对于平台3的每个位置，有二十个左右要研究的叶片2的可用区域的采集图像，每个图像有不同的强度，即二十个不同的发光强度。
在接下来的步骤220中，由相机4采集的每个图像被发送到处理单元，该处理单元将采集的图像划分为多个子区域的图像。
在接下来的步骤230中，输入像素强度的多对边界，每一对边界包括一个最小强度和一个最大强度。
然后，在步骤240中，通过对每一对边界执行以下步骤来确定最有效的一对边界。
在第一子步骤241中，对于一个子区域的每个图像，确定图像中包含的、强度在该对边界的最小强度和最大强度之间的像素数量。
然后，在第二子步骤242中，从平台3的一个给定位置的同一子区域的不同图像中选择单个图像，这些不同图像以不同的发光强度拍摄。所选择的图像对应于包含最多像素的图像，其强度介于所述一对边界的最小和最大强度之间。如果至少有两个图像包含相同数量的像素，则所选子区域的图像是像素强度的平均值最接近于127.5强度的图像。
然后，在第三子步骤243中，对于平台3的每个位置，使用分类卷积神经网络对每个子区域进行检查，以检测是否存在任何缺陷。
然后，在第四子步骤244中，将分类卷积神经网络进行的检测与定位叶片的已知缺陷的记录表进行比较，以确定检测到的缺陷是真实的还是虚假的。
然后，在第五子步骤245中，然后针对可用区域上的给定边界对计算检测效率，采用平台3的所有位置。检测效率取决于已验证检测数与错误检测数的比率。
最后，在步骤250中，选择具有最佳检测效率的一对边界。
因此，本发明提供了一种用于训练用于自动检测涡轮发动机叶片缺陷的系统的方法，该系统包括用于接收叶片的平台，以通过学习方法自动控制涡轮发动机叶片的表面。

Claims (5)

1.一种用于训练用于自动检测涡轮发动机叶片(2)缺陷的系统(1)的方法，所述系统包括用于接收叶片的平台(3)、至少一个图像采集装置(4)、发光强度可以变化的至少一个光源(5)、至少一个移动装置(6)，所述移动装置被配置为相对于所述至少一个图像采集装置(4)移动所述平台(3)或相对于所述平台(3)移动所述至少一个图像采集装置(4)，以及处理单元(7)，所述处理单元被配置为接收所采集的图像，并将其与以下信息项相关联，该信息项与所述至少一个光源(5)的发光强度和在图像采集期间所述平台(3)相对于所述至少一个图像采集装置(4)的相对位置有关，对于具有已经识别出的表面缺陷的一组叶片中的每个待研究叶片(2)，所述训练方法包括以下步骤：
-在所述叶片上限定可用区域(200)，
-对于所述平台相对于所述至少一个图像采集装置的每个单独的相对位置，产生(210)所述叶片的可用区域的多个采集图像，一个相同相对位置的每个采集图像以不同的发光强度生成，
-将所述可用区域的每个图像从一个采集的图像划分(220)为子区域的多个图像，
-确定(230)多对像素强度边界，每对包括最小强度和最大强度，
-对于每一对边界：
a.对于可用区域的每个子区域，确定(241)包含在所述子区域的每个图像中的像素数量，所述像素的强度介于所述一对边界的最小强度和最大强度之间，然后
b.对于每个给定的相对位置，对于所述相对位置的每个子区域，选择(242)单个图像，所选图像对应于包含最多像素的图像，所述像素的强度介于所述一对边界的最小强度和最大强度之间，然后
c.对于每个给定的相对位置，对于每个子区域，通过分类卷积神经网络检查(243)所述子区域的每个相应的选定图像，以检测是否存在任何缺陷，然后
d.检查(244)分类卷积神经网络所做的检测，以确定检测到的缺陷是真的还是假的，以及
e.在所有给定相对位置的基础上，计算(245)可用区域内给定的一对边界的检测效率，所述检测效率取决于已证明检测的数量与错误检测的数量之比，
-选择(250)具有最佳检测效率的一对边界。
2.根据权利要求1所述的方法，其中，如果在步骤b中，至少两个图像包括相同数量的像素，则所选子区域的图像是其像素强度的平均值最接近127.5的强度的图像。
3.根据权利要求1或2所述的方法，还包括基于这些采集的图像生成附加图像，所述附加图像可以在强度图像之外使用。
4.根据权利要求中1或2所述的方法，其中，对于所述平台相对于所述至少一个图像采集装置的每个单独相对位置，使用的不同强度是相同的。
5.根据权利要求中1或2所述的方法，其中，从所研究叶片的可用区域的所有子区域中选择与具有缺陷的子区域一样多的没有缺陷的子区域。
CN202080031441.1A 2019-04-30 2020-04-03 涡轮发动机叶片缺陷自动检测系统的训练方法 Active CN113748311B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1904579A FR3095710B1 (fr) 2019-04-30 2019-04-30 Procédé d’entraînement d’un système de détection automatique de défaut d’une aube d’une turbomachine
FRFR1904579 2019-04-30
PCT/EP2020/059551 WO2020221550A1 (fr) 2019-04-30 2020-04-03 Procede d'entrainement d'un systeme de detection automatique de defaut d'une aube d'une turbomachine

Publications (2)

Publication Number Publication Date
CN113748311A CN113748311A (zh) 2021-12-03
CN113748311B true CN113748311B (zh) 2023-01-17

Family

ID=67875625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080031441.1A Active CN113748311B (zh) 2019-04-30 2020-04-03 涡轮发动机叶片缺陷自动检测系统的训练方法

Country Status (5)

Country Link
US (1) US11906444B2 (zh)
EP (1) EP3963283B1 (zh)
CN (1) CN113748311B (zh)
FR (1) FR3095710B1 (zh)
WO (1) WO2020221550A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3095710B1 (fr) * 2019-04-30 2022-01-07 Safran Procédé d’entraînement d’un système de détection automatique de défaut d’une aube d’une turbomachine
CN114199888A (zh) * 2021-11-15 2022-03-18 江苏大学 一种用于涡轮外观缺陷的自动检测线
US11847799B2 (en) * 2022-02-28 2023-12-19 Logitech Europe S.A. Color matching system for product manufacturing
CN116109637B (zh) * 2023-04-13 2023-12-26 杭州深度视觉科技有限公司 基于视觉的涡轮增压器叶轮外观缺陷检测的系统及其方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109030498A (zh) * 2018-07-13 2018-12-18 华中科技大学 一种叶片刀纹及表面缺陷的视觉检测装置及方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2653361A1 (fr) * 1989-10-25 1991-04-26 Snecma Outillage de retouche d'aubes de rotor d'une turbomachine et procede de retouche utilisant cet outillage.
US5686669A (en) * 1996-02-29 1997-11-11 Monitoring Technology Corporation Apparatus and method for analyzing the condition and performance of turbomachines by processing signals representing rotor motion
FR2907707B1 (fr) * 2006-10-26 2009-01-30 Snecma Sa Procede de fabrication d'une aube temoin en materiau composite
US8042412B2 (en) * 2008-06-25 2011-10-25 General Electric Company Turbomachinery system fiberoptic multi-parameter sensing system and method
US8862433B2 (en) * 2010-05-18 2014-10-14 United Technologies Corporation Partitioning of turbomachine faults
CH704127A1 (de) * 2010-11-24 2012-05-31 Alstom Technology Ltd Verfahren zum beeinflussen, insbesondere dämpfen bzw. unterdrücken von während des betriebes auftretenden mechanischen schwingungen in einer turbomaschinenschaufel, turbomaschinenschaufel zur durchführung des verfahrens sowie piezoelektrisches dämpfungselement zum einbau in eine solche turbomaschinenschaufel.
US9569397B2 (en) * 2012-07-12 2017-02-14 General Electric Company Methods and systems for maintenance of turbomachinery
US9194250B1 (en) * 2014-05-07 2015-11-24 General Electric Company Embedded wireless sensors for turbomachine component defect monitoring
US9818242B2 (en) * 2014-12-16 2017-11-14 University Of Southern California Gas turbine engine anomaly detections and fault identifications
US10666927B2 (en) * 2017-03-15 2020-05-26 Baker Hughes, A Ge Company, Llc Method and device for inspection of an asset
DE102017207667A1 (de) * 2017-05-08 2018-11-08 Siemens Aktiengesellschaft Verfahren zum Instandhalten einer Strömungsmaschine
TWI628414B (zh) * 2017-06-29 2018-07-01 峰安車業股份有限公司 影像檢測裝置以及影像檢測方法
US11542820B2 (en) * 2017-12-06 2023-01-03 General Electric Company Turbomachinery blade and method of fabricating
FR3095710B1 (fr) * 2019-04-30 2022-01-07 Safran Procédé d’entraînement d’un système de détection automatique de défaut d’une aube d’une turbomachine

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109030498A (zh) * 2018-07-13 2018-12-18 华中科技大学 一种叶片刀纹及表面缺陷的视觉检测装置及方法

Also Published As

Publication number Publication date
EP3963283A1 (fr) 2022-03-09
WO2020221550A1 (fr) 2020-11-05
FR3095710A1 (fr) 2020-11-06
US20220215522A1 (en) 2022-07-07
EP3963283B1 (fr) 2023-09-20
FR3095710B1 (fr) 2022-01-07
US11906444B2 (en) 2024-02-20
CN113748311A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113748311B (zh) 涡轮发动机叶片缺陷自动检测系统的训练方法
EP1995553B1 (en) System and method for identifying a feature of a workpiece
EP3388781B1 (en) System and method for detecting defects in specular or semi-specular surfaces by means of photogrammetric projection
EP3418726A1 (en) Defect detection apparatus, defect detection method, and program
US20110298901A1 (en) Method for the non-destructive inspection of a mechanical part
US7355692B2 (en) System and method for inspecting electrical circuits utilizing reflective and fluorescent imagery
US11181483B2 (en) Adaptive diffuse illumination systems and methods
JP6922539B2 (ja) 表面欠陥判定方法および表面欠陥検査装置
US20170270651A1 (en) System and method for enhancing visual inspection of an object
CN112033965B (zh) 基于差分图像分析的3d弧形表面缺陷检测方法
US10746667B2 (en) Fluorescent penetrant inspection system and method
JP6371044B2 (ja) 表面欠陥検査装置および表面欠陥検査方法
JP4618502B2 (ja) 蛍光探傷装置および蛍光探傷方法
JP4739044B2 (ja) 外観検査装置
WO2012122542A2 (en) Intelligent airfoil component surface imaging inspection
JP2017040600A (ja) 検査方法、検査装置、画像処理装置、プログラム及び記録媒体
CN113192015A (zh) 基于深度信息的表面缺陷检测方法和系统
CA2638415A1 (en) Patterned wafer defect inspection system and method
WO2004083901A2 (en) Detection of macro-defects using micro-inspection inputs
CN111879789A (zh) 金属表面缺陷检测方法及系统
JP4618501B2 (ja) 蛍光探傷装置および蛍光探傷方法
WO2004072628A1 (ja) 欠陥検査装置及びその方法
JP2011174896A (ja) 撮像装置及び撮像方法
Shreya et al. Design of machine vision system for high speed manufacturing environments
CN107860933B (zh) 基于数字图像的纺织品中纤维含量的自动检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant