CN113899746A - 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 - Google Patents

一种基于dic的钢结构疲劳裂纹扩展形态测量方法 Download PDF

Info

Publication number
CN113899746A
CN113899746A CN202111160148.8A CN202111160148A CN113899746A CN 113899746 A CN113899746 A CN 113899746A CN 202111160148 A CN202111160148 A CN 202111160148A CN 113899746 A CN113899746 A CN 113899746A
Authority
CN
China
Prior art keywords
crack
target
steel structure
crack propagation
dic
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.)
Pending
Application number
CN202111160148.8A
Other languages
English (en)
Inventor
程斌
李得睿
向升
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.)
Jiangsu Wendong Measurement And Control Technology Co ltd
Shanghai Jiaotong University
Original Assignee
Jiangsu Wendong Measurement And Control Technology Co ltd
Shanghai Jiaotong University
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 Jiangsu Wendong Measurement And Control Technology Co ltd, Shanghai Jiaotong University filed Critical Jiangsu Wendong Measurement And Control Technology Co ltd
Priority to CN202111160148.8A priority Critical patent/CN113899746A/zh
Publication of CN113899746A publication Critical patent/CN113899746A/zh
Pending legal-status Critical Current

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
    • G01N21/8851—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
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30136—Metal

Abstract

本发明提供一种基于DIC的钢结构疲劳裂纹扩展形态测量方法，包括：采集一组记录钢结构疲劳裂纹扩展形态变化过程的数字图像序列；对所述数字图像序列进行图像处理，获得具备拓扑结构的裂纹扩展位移场；对所述裂纹扩展位移场进行裂纹扩展形态提取，还原钢结构疲劳裂纹的动态扩展过程。相对于传统人工定性目测法，本发明能够定量测得钢结构疲劳裂纹的扩展形态，实现高精度、智能化的疲劳裂纹实时监测，可节省人力和物力，提升疲劳裂纹测量的效率与精度。

Description

一种基于DIC的钢结构疲劳裂纹扩展形态测量方法
技术领域
本发明涉及图像处理与钢结构疲劳裂纹测量领域，具体地，涉及一种基于数字图像相关(Digital Image Correlation,DIC)的钢结构疲劳裂纹扩展形态测量方法，可广泛应用于焊接钢面板、钢节点等涉及钢结构疲劳裂纹测量的领域。
背景技术
随着土木工程技术领域的不断发展，钢结构工程构件因其自重轻、整体效率高、跨越能力强、抗震性能好等优点，被广泛应用于国内外结构工程，已成为大型工程结构的主要构件种类之一。与此同时，国内外大量钢结构工程，尤其是在桥梁工程中，都已发现了不同程度的疲劳裂纹，需要对这些裂纹的影响进行定量评估并在此基础上制定养护维修策略，以确保工程的安全正常运营，其中疲劳裂纹检测监测是最重要的基础工作，裂纹实测数据是否全面及准确，直接关系到评估结果的正确性以及养护维修对策的有效性。
钢结构的疲劳开裂模式具有多样性，细观疲劳裂纹多出现在焊缝、开孔等局部区域，且裂纹在反复荷载作用下具有开合“呼吸”特征，传统的疲劳裂纹检测及监测技术手段较为落后，现有的人工目测、射线检测、磁粉检测、液体渗透检测等钢结构裂纹探测方法尚未达到全覆盖、精细化、智能化的要求，无法为钢结构疲劳性能评估及管养对策制定提供准确数据，已成为钢结构基础设施安全保障的“卡脖子”问题之一。
发明内容
针对现有技术中的缺陷，本发明提出一种基于数字图像相关(Digital ImageCorrelation,DIC)的钢结构疲劳裂纹扩展形态测量方法，该方法原理清晰、性能稳定、扩展性好，能够精确还原疲劳裂纹的开裂形态及动态扩展过程。
根据本发明的一个方面，提供一种基于DIC的钢结构疲劳裂纹扩展形态测量方法，包括：
采集一组记录钢结构疲劳裂纹扩展形态变化过程的数字图像序列；
对所述数字图像序列进行图像处理，获得具备拓扑结构的裂纹扩展位移场；
对所述裂纹扩展位移场进行裂纹扩展形态提取，得到钢结构疲劳裂纹的动态扩展过程。
优选地，所述数字图像序列由工业相机按照一定采集帧率(不低于0.1fps)拍摄得到，其包括的数字图像数量不低于两张。
优选地，所述数字图像序列进行图像处理，获得具备拓扑结构的裂纹扩展位移场，包括：
S101，在数字图像内生成目标点阵；
S102，所述目标点阵生成拓扑结构；
S103，对所述目标点阵内的目标点运用DIC，进行钢结构疲劳裂纹进行位移场测量，得到具备拓扑结构的裂纹扩展位移场。
优选地，所述101，在数字图像内生成目标点阵，包括：
在数字图像内规划一个包含完整裂纹扩展的多边形目标区域(Regionofinterest,ROI)；
所述ROI由包含有限个顶点的顶点集合组成，找到ROI四个极外围点，以四个极外围点为界，构建所述ROI的外包矩形；
优选地，在生成目标点阵的过程中，以射线法判断该目标点是否在ROI区域内，若在，则采用该目标点，否则，舍弃该目标点。
优选地，所述S102,目标点阵生成拓扑结构，包括：
按照目标点阵的先后生成顺序，从0标号开始，以累加的方式赋予每个目标点为一的标号。
对每一个目标点，运用行扫描的方式，依次找到在上下左右四个方向上与之距离为生成步长的四个相邻目标点，并记录四个相邻目标点的标号；
对于边界处的目标点，其某方向上缺失相邻目标点，将该缺失点标号记为负数。
优选地，所述S103，对所述目标点阵内的目标点运用DIC，进行钢结构疲劳裂纹进行位移场测量，得到具备拓扑结构的裂纹扩展位移场，包括：
对每一个目标点进行位移测量，得到每一个目标点在时域内的位移时程曲线；
在空域内得到每一个时间节点即每一帧图像内的位移场，所述位移场在空域内的排列方式源自目标点阵，所述位移场具有与目标点阵相同的拓扑结构。
优选地，对所述裂纹扩展位移场使用裂纹扩展形态提取算法，得到钢结构疲劳裂纹的扩展形态，包括：
S201，通过零均值归一化互相关(Zero-mean normalized cross correlation,ZNCC)计算得到相关度RZNCC，界定裂纹为粗裂纹或细裂纹；
S202，若界定为细裂纹，使用DIC应变场算法，提取得到细裂纹的裂纹扩展形态；
S203，若界定为粗裂纹，使用零均值归一化互相关算法，提取得到粗裂纹的裂纹扩展形态；
S204，组合每一帧图像获得的裂纹扩展形态，得到时域内的裂纹扩展形态动态扩展过程。
优选地，所述S201,通过零均值归一化互相关(Zero-mean normalizedcrosscorrelation,ZNCC)计算得到相关度RZNCC，界定裂纹为粗裂纹或细裂纹，包括：
对目标点阵内每一个目标点运行DIC算法，计算其ZNCC系数RZNCC，计算公式为
Figure BDA0003289837270000031
式中，f(x,y)与g(x',y')分别为做互相关运算的引用图像子集与匹配图像子集，S代表全区域求和，fm＝∑Sf(x,y)/M2，gm＝∑Sg(x',y')/M2；
设定阈值a，将RZNCC大于a的目标点设为生点，将RZNCC小于a的目标点设为灭点；
若有目标点通过RZNCC阈值而判别为灭点，则认为此条裂纹为粗裂纹，否则为细裂纹。
优选地，所述S202，若界定为细裂纹，使用DIC应变场算法，提取得到细裂纹的动态细观扩展形态，包括：
采用基于正则化平滑的有限单元应变计算方法，处理所述具有拓扑结构的裂纹扩展位移场，得到裂纹扩展应变场；
扫描检测裂纹扩展应变场得到细裂纹应力峰值区域，识别得到位于疲劳裂纹扩展区域边界处的目标点；
将边界处的目标点按照横向坐标排序组合后，得到两条由离散点组成的线段，各对应疲劳裂纹扩展边界的上边界与下边界，即获得裂纹双链；
将裂纹双链拟合得到裂纹扩展形态；
所述S203，若界定为粗裂纹，使用零均值归一化互相关算法，提取得到粗裂纹的动态细观扩展形态，包括：
确定生点、灭点各自的一区域，定义两区域的交界处为生灭边界，通过搜索识别目标点阵的生灭信息，将位于生灭边界上的目标点排列组合为粗裂纹的裂纹双链；
将裂纹双链拟合得到裂纹扩展形态。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明采用了图像处理的方式，并创新研发的DIC算法提取得到数字图像内的钢结构疲劳裂纹扩展形态。
(2)相对于传统疲劳裂纹测量技术，本发明能够精确测量钢结构疲劳裂纹的扩展形态，革新了现阶段钢结构疲劳裂纹测量技术。
(3)本发明可广泛用于钢结构疲劳试验，为钢结构疲劳裂纹扩展的机理性研究提供新方式，也可用于钢结构工程中的疲劳裂纹扩展监测。本发明可弥补人工检测法的诸多不足，实现疲劳裂纹扩展形态的高精度实时监测，由此节省大量人力物力，极大提升疲劳裂纹测量的效率与精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是本发明所提供的一实施例的一种基于DIC的钢结构疲劳裂纹扩展形态测量方法的流程图；
图2是本发明提供的一优选具体实施例的部分实施步骤的流程图；
图3是本发明提供的一优选具体实施例的DIC位移场测量结果；
图4是本发明提供的一优选具体实施例的实际疲劳裂纹形态提取结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明提供一实施例，一种基于DIC的钢结构疲劳裂纹扩展形态测量方法，包括：采集一组记录钢结构疲劳裂纹扩展形态变化过程的数字图像序列；对数字图像序列进行图像处理算法，获得具备拓扑结构的裂纹扩展位移场；对裂纹扩展位移场进行裂纹扩展形态提取算法，得到钢结构疲劳裂纹的动态扩展过程。
本发明上述实施例中，数组图像序列由工业相机按照一定采集帧率拍摄得到。
本发明上述实施例中，图像处理算法用于处理一组记录有钢结构疲劳裂纹扩展形态变化过程的数字图像序列，该图像处理算法可在数字图像内生成具备拓扑结构的目标点阵，对点阵内各目标点运用DIC，进而对数字图像序列内的钢结构疲劳裂纹进行位移场测量，得到具备拓扑结构的裂纹扩展位移场测量结果。DIC是目前较为成熟的光测力学技术，其基于数字图像内的物体表面随即纹理测试得到物体表面的形变过程。
本发明上述实施例中，裂纹扩展形态提取算法，该算法可基于细裂纹位移场，运用DIC应变场算法，提取得到细裂纹扩展位移场；该算法可基于粗裂纹位移场，运用零均值归一化互相关(Zero-mean normalized cross correlation,ZNCC)算法，提取得到细裂纹扩展位移场提取得到粗裂纹的动态细观扩展形态。
为了更好的还原裂纹动态扩展过程，本发明提供一优选实施例。参照图1，为实施例的一种基于DIC的钢结构疲劳裂纹扩展形态测量方法，包括：
S100，读取数字图像序列；
S200，运行图像处理算法；
S300，生成拓扑DIC位移场；
S400，运行裂纹扩展形态提取算法；
S500，生成单帧图像的疲劳裂纹静态形态；
S600，判断图像序列是否读取结束。如否，则重复S100-S500；若是，则进入S700；
S700，还原裂纹动态扩展过程。
为了更好的执行S200运行图像处理算法，本发明提供一个较优实施例，通过图像处理算法以固定步长在一定范围内生成目标点阵。
具体地，首先在数字图像内规划一个多边形区域，该多边形目标区域(Region ofinterest,ROI)形状任意，原则上须完整包含裂纹扩展的图像区域。该ROI由包含有限个顶点的顶点集合组成，找到ROI四个极外围点，以四个极外围点为界，构建该ROI的外包矩形。进一步，在该外包矩形内部，以一定的步长(1-1000像素)。生成过程为，以外包矩形左上角为起始点，按照一定的像素间距(步长)，以从左到右，从上到下的顺序，生成目标点阵。ROI边界由离散点集构成，极外围点为横坐标或纵坐标在ROI边界点集内为极值的点，这样的点一般有四个。
目标点阵的生成过程中，以射线法判断该目标点是否在ROI区域内，若在，则采用该目标点，否则，舍弃该目标点。最终，生成一个完整的目标点阵。
目标点阵内每一个目标点都具备唯一的标号，已知该目标点阵内某一个目标点的标号，通过拓扑结构，可查找到与该目标点相邻的所有目标点的标号。
基于上述实施例，执行S300，使得上述实施例图像处理算法生成的目标点阵具备拓扑结构。
具体地，按照目标点的先后生成顺序，从0标号开始，以累加的方式赋予每个目标点唯一的标号，获得的标号为0、1、2、3、4、5……依次类推。标号赋值完成后，开始生成拓扑结构，具体地，对于某一个目标点，运用行扫描的方式，依次找到在上下左右四个方向上与之距离为生成步长的四个相邻目标点，特别地，对于边界处的目标点，其某方向上缺失相邻目标点，将该缺失点标号记为负数。对每一个目标点均记录相邻点标号后，即完成了拓扑结构的生成。
图像处理算法运用DIC对每一个目标点进行位移测量，得到每一个目标点在时域内的位移时程曲线，从而在空域内得到每一个时间节点也即每一帧图像内的位移场，由于该位移场在空域内的排列方式源自目标点阵，所以该位移场具有与目标点阵相同的拓扑结构。
基于上述实施例生成的拓扑DIC位移场，本发明提供一个优选实施例执行S400和S500，能够获得较优的单帧图像的疲劳裂纹静态形态。
具体地，裂纹扩展形态提取算法，通过DIC应变算法计算得到细裂纹扩展应变场。进一步的，可采用一种基于正则化平滑的有限单元应变计算方法(Regularization-aidedFinite element strain calculation method,RFE)，通过处理前述具有拓扑结构的位移场，从而计算得到裂纹扩展应变场。RFE算法包括以下过程：
S1，运用传统的有限单元理论，基于裂纹扩展位移场计算得到裂纹扩展应变场
Figure BDA0003289837270000061
Figure BDA0003289837270000062
第i行第j列的目标节点处通过单元位移应变关系得到原始应变，假设该原始应变
Figure BDA0003289837270000063
该假设代表原始应变场
Figure BDA0003289837270000064
为真实应变场εi,j与噪声ni,j的叠加，且噪声符合高斯分布。
S2，在目标点阵内某目标点处，建立如下能量公式：
Figure BDA0003289837270000065
式中，εi-1,j、εi+1,j、εi,j-1、εi,j+1分别为与目标节点相邻的上下左右四个目标点的原始应变结果，μ为平滑系数。
S3，采用牛顿迭代法求得目标εi,j，即
Figure BDA0003289837270000071
式中，k为迭代次数，
Figure BDA0003289837270000072
为式，
Figure BDA0003289837270000073
为式的二阶导数，即
Figure BDA0003289837270000074
为一个常数。
S4，不断进行迭代，当满足
Figure BDA0003289837270000075
条件时，迭代终止。
将迭代得到的εi,j作为有效结果参与其余目标点的正则化平滑迭代计算过程。
裂纹扩展形态提取算法通过扫描检测裂纹扩展应变场得到细裂纹应力峰值区域，通过扫描应力峰值区域，得到疲劳裂纹扩展区域，从而识别得到位于疲劳裂纹扩展区域边界处的目标点，将边界处目标点按照横向坐标排序组合后，得到两条由离散点组成的线段，各对应疲劳裂纹扩展边界的上边界与下边界，本发明将这两条裂纹扩展线段统称为裂纹双链。
裂纹扩展形态提取算法通过零均值归一化互相关(Zero-mean normalized crosscorrelation,ZNCC)算法，得到粗裂纹的裂纹双链。具体地，对目标点阵内每一个目标点运行DIC算法时，计算其ZNCC系数RZNCC，计算公式为
Figure BDA0003289837270000076
式中，f(x,y)与g(x',y')分别为做互相关运算的引用图像子集与匹配图像子集，S代表全区域求和，fm＝∑Sf(x,y)/M2，gm＝∑Sg(x',y')/M2。每一个目标点均有相对应的RZNCC，设定一个阈值a，一般令a＝0.8-0.9。将RZNCC大于a的目标点设为生点，将RZNCC小于a的目标点设为灭点，则生灭点各自为一区域，这两区域的交界处为生灭边界，通过搜索识别目标点阵的生灭信息，将位于生灭边界上的目标点排列组合为粗裂纹的裂纹双链。
裂纹扩展形态提取算法通过所设RZNCC阈值判断该裂纹为细裂纹或粗裂纹，具体地，若有目标点通过RZNCC阈值而判别为灭点，则认为此条裂纹为粗裂纹，进而按照粗裂纹的提取算法得到裂纹双链，否则，按照细裂纹的提取算法得到裂纹双链。通过裂纹双链拟合得到精确的裂纹扩展形态。
基于上述实施例获得的裂纹双链，执行S600和S700，即通过对数字图像序列内每一帧图像均运行图像处理算法与裂纹扩展形态提取算法，得到时域内的裂纹扩展形态动态变化结果。
本实施例可广泛应用于实验室与实际工程当中，以满足钢结构疲劳裂纹测量的全覆盖、精细化、智能化测量需求，打破钢结构疲劳性能评估技术的瓶颈，进一步为钢结构基础设施的安全提供重要保障。
为了验证上述基于DIC的钢结构疲劳裂纹扩展形态测量方法各个实施例的可行性和检测相应效果，本发明提供一个较优的具体实施例。本具体实施例，提供一组实验室内十字焊接节点试件的疲劳裂纹形态测量结果。
该十字焊接节点试件通过疲劳试验机进行加载，试验机将50-350kN的循环荷载通过顶部工装施加于十字形试件上，加载频率为2Hz，直至十字形试件发生疲劳断裂，试验结束。该十字焊接节点疲劳试验共计进行了10余个小时，采用工业相机持续记录了十字焊接节点试件的整个加载过程。试验开始前，需要对试件表面进行散斑制备，一般可采用装有速干墨汁的高压喷壶对试件表面进行喷洒，实现人工散斑制备。
图3为十字形试件的DIC位移场测量结果，通过云图方式将位移场进行了可视化，可以看出，试件开裂前的云图结果两极分化明显，意味着此时的微裂纹宽度变化已被DIC测得并蕴含在位移场测量结果中，进一步依据DIC位移场处理结果，进行疲劳裂纹的形态提取。
本具体实施例包括以下过程：
(1)基于图像处理算法在图像序列内目标图像生成具备拓扑结构目标点阵，运用DIC对目标点阵内每一个目标点进行位移测量，进而得到位移场测量结果。
(2)对DIC位移场进行后处理，确立疲劳裂纹离散生灭边界。
首先基于一个周期后的ZNCC生灭边界检测结果，判断粗裂纹的出现区域，而细裂纹的生灭边界由应变场峰值区域确立。生灭边界确立后，即可进行疲劳裂纹形态提取。
(3)将离散边界进行内推，得到与实际疲劳裂纹吻合度良好的离散双链。实施流程如图2所示，具体为：读取目标点i，查找点i相邻的5点，基于最小二乘法相邻点进行直线拟合，计算出直线的法向，将目标点沿着法向内推，直至对所有目标点完成内推。
(4)拟合离散双联，得到疲劳裂纹解析解，即疲劳裂纹扩展形态。
(5)整合所有图像序列内单帧数字图像的疲劳裂纹静态测量结果，在时域内形成疲劳裂纹动态扩展测量结果。
图4为本发明测量得到的十字焊接节点试件疲劳裂纹形态动态扩展结果。可以看到，随着裂纹的不断扩展，本发明可精确测得疲劳裂纹的长度动态扩展过程、宽度动态扩展过程以及精细化的扩展边界形态。
本发明不对数字图像以及数字图像采集设备做具体要求，但凡能够应用于DIC技术的图像及采集设备，均可应用于本算法。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。

Claims (10)

1.一种基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，包括：
采集一组记录钢结构疲劳裂纹扩展形态变化过程的数字图像序列；
对所述数字图像序列进行图像处理，获得具备拓扑结构的裂纹扩展位移场；
对所述裂纹扩展位移场进行裂纹扩展形态提取，还原钢结构疲劳裂纹的动态扩展过程。
2.根据权利要求1所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述数字图像序列进行图像处理，获得具备拓扑结构的裂纹扩展位移场，包括：
S101，在数字图像内生成目标点阵；
S102，所述目标点阵生成拓扑结构；
S103，对所述目标点阵内的目标点运用DIC，进行钢结构疲劳裂纹进行位移场测量，得到具备拓扑结构的裂纹扩展位移场。
3.根据权利要求2所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述S101，在数字图像内生成目标点阵，包括：
在数字图像内确定一个包含完整裂纹扩展的多边形目标区域ROI；
找到所述ROI四个极外围点，以四个极外围点为界，构建所述目标区域ROI的外包矩形；
在所述外包矩形内部，以固定的步长，生成目标点阵。
4.根据权利要求3所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述生成目标点阵的过程为：以外包矩形左上角为起始点，按照像素间距，以从左到右，从上到下的顺序生成目标点阵。
5.根据权利要求3所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，在生成目标点阵的过程中，以射线法判断该目标点是否在目标区域ROI区域内，若在，则采用该目标点，否则，舍弃该目标点。
6.根据权利要求2所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述S102,目标点阵生成拓扑结构，包括：
按照目标点阵的先后生成顺序，从0标号开始，以累加的方式赋予每个目标点为一的标号；
对每一个目标点，运用行扫描的方式，依次找到在上、下、左、右四个方向上与之距离为生成步长的四个相邻目标点，并记录四个相邻目标点的标号；
对于边界处的目标点，其某方向上缺失相邻目标点，将该缺失点标号记为负数。
7.根据权利要求2所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述S103,对所述目标点阵内的目标点运用DIC进行钢结构疲劳裂纹进行位移场测量，得到具备拓扑结构的裂纹扩展位移场，包括：
对每一个目标点进行位移测量，得到每一个目标点在时域内的位移时程曲线；
在空域内得到每一个时间节点即每一帧图像内的位移场，所述位移场在空域内的排列方式源自目标点阵，所述位移场具有与目标点阵相同的拓扑结构。
8.根据权利要求1所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，对所述裂纹扩展位移场使用裂纹扩展形态提取算法，得到钢结构疲劳裂纹的扩展形态，包括：
S201，通过零均值归一化互相关计算得到相关度RZNCC，界定裂纹为粗裂纹或细裂纹；
S202，若界定为细裂纹，使用DIC应变场算法，提取得到细裂纹的裂纹扩展形态；
S203，若界定为粗裂纹，使用零均值归一化互相关算法，提取得到粗裂纹的裂纹扩展形态；
S204，组合每一帧图像获得的裂纹扩展形态，得到时域内的裂纹扩展形态动态扩展过程。
9.据权利要求8所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述S201,通过零均值归一化互相关计算得到相关度RZNCC，界定裂纹为粗裂纹或细裂纹，包括：
对目标点阵内每一个目标点运行DIC算法，计算其ZNCC系数RZNCC，计算公式为
Figure FDA0003289837260000021
式中，f(x,y)与g(x',y')分别为做互相关运算的引用图像子集与匹配图像子集，S代表全区域求和，fm＝∑Sf(x,y)/M2，gm＝∑Sg(x',y')/M2；
设定阈值a，将RZNCC大于a的目标点设为生点，将RZNCC小于a的目标点设为灭点；
若有目标点通过RZNCC阈值而判别为灭点，则认为此条裂纹为粗裂纹，否则为细裂纹。
10.据权利要求8所述的基于DIC的钢结构疲劳裂纹扩展形态测量方法，其特征在于，所述S202，若界定为细裂纹，使用DIC应变场算法，提取得到细裂纹的裂纹扩展形态，包括：
采用基于正则化平滑的有限单元应变计算方法，处理所述具有拓扑结构的裂纹扩展位移场，得到裂纹扩展应变场；
扫描检测裂纹扩展应变场得到细裂纹应力峰值区域，识别得到位于疲劳裂纹扩展区域边界处的目标点；
将边界处的目标点按照横向坐标排序组合后，得到两条由离散点组成的线段，各对应疲劳裂纹扩展边界的上边界与下边界，即获得裂纹双链；
将裂纹双链拟合得到裂纹扩展形态；
所述S203，若界定为粗裂纹，使用零均值归一化互相关算法，提取得到粗裂纹的裂纹扩展形态，包括：
确定生点、灭点各自的一区域，定义两区域的交界处为生灭边界，通过搜索识别目标点阵的生灭信息，将位于生灭边界上的目标点排列组合为粗裂纹的裂纹双链；
将裂纹双链拟合得到裂纹扩展形态。
CN202111160148.8A 2021-09-30 2021-09-30 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 Pending CN113899746A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111160148.8A CN113899746A (zh) 2021-09-30 2021-09-30 一种基于dic的钢结构疲劳裂纹扩展形态测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111160148.8A CN113899746A (zh) 2021-09-30 2021-09-30 一种基于dic的钢结构疲劳裂纹扩展形态测量方法

Publications (1)

Publication Number Publication Date
CN113899746A true CN113899746A (zh) 2022-01-07

Family

ID=79189809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111160148.8A Pending CN113899746A (zh) 2021-09-30 2021-09-30 一种基于dic的钢结构疲劳裂纹扩展形态测量方法

Country Status (1)

Country Link
CN (1) CN113899746A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329977A (zh) * 2023-11-28 2024-01-02 中国飞机强度研究所 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005156223A (ja) * 2003-11-21 2005-06-16 Toshiba Corp き裂進展特性評価方法およびシステム
US20100116062A1 (en) * 2007-07-27 2010-05-13 Mitsubishi Heavy Industries, Ltd. Crack-propagation prediction method and program
CN102692188A (zh) * 2012-05-08 2012-09-26 浙江工业大学 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法
US8479588B1 (en) * 2009-10-29 2013-07-09 University Of South Florida Method for crack and fracture modeling in directed surfaces
CN103944970A (zh) * 2014-04-01 2014-07-23 上海交通大学 一种正交异性钢桥面板疲劳裂纹远程监测系统和方法
JP2014157038A (ja) * 2013-02-14 2014-08-28 Toyota Motor Corp 被測定物の疲労き裂の自動計測装置およびプログラム
KR101492336B1 (ko) * 2013-09-24 2015-02-11 서울여자대학교 산학협력단 금속품의 크랙 자동 검출 시스템 및 그 검출 방법
CN104867130A (zh) * 2015-04-21 2015-08-26 浙江工业大学 一种基于裂纹图像子区灰度均值的自适应分割方法
CN105092597A (zh) * 2015-09-14 2015-11-25 广东电网有限责任公司电力科学研究院 一种硬塑材料表面的裂纹检测方法
CN105842062A (zh) * 2016-06-02 2016-08-10 江西洪都航空工业集团有限责任公司 一种裂纹扩展实时监测装置及方法
CN105959367A (zh) * 2016-04-27 2016-09-21 王�华 用于桥梁智能健康监测系统的链状拓扑无线通信系统
JP2017072517A (ja) * 2015-10-08 2017-04-13 西日本高速道路エンジニアリング四国株式会社 コンクリートの表面ひび割れの検出方法
CN110009606A (zh) * 2019-03-22 2019-07-12 北京航空航天大学 一种基于图像识别的裂纹扩展动态监测方法及装置
EP3556576A1 (en) * 2018-04-18 2019-10-23 Bridgestone Europe NV/SA Process and system for the detection of defects in a tyre
CN110779937A (zh) * 2019-10-11 2020-02-11 上海航天精密机械研究所 一种铸件产品内部缺陷智能检测装置
CN110926942A (zh) * 2019-11-19 2020-03-27 西安理工大学 Abaqus中铁轨滚动接触疲劳裂纹的数值分析方法
CN110992346A (zh) * 2019-09-17 2020-04-10 浙江工业大学 一种基于dip和dicm的疲劳裂纹长度在线检测方法
WO2020191972A1 (zh) * 2019-03-28 2020-10-01 深圳中凯剑无损检测设备科技有限公司 一种超声检测缺陷定性系统和定性方法
CN111751211A (zh) * 2020-06-30 2020-10-09 中国科学院地质与地球物理研究所 一种岩石压裂缝网拓扑结构刻画方法

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005156223A (ja) * 2003-11-21 2005-06-16 Toshiba Corp き裂進展特性評価方法およびシステム
US20100116062A1 (en) * 2007-07-27 2010-05-13 Mitsubishi Heavy Industries, Ltd. Crack-propagation prediction method and program
US8479588B1 (en) * 2009-10-29 2013-07-09 University Of South Florida Method for crack and fracture modeling in directed surfaces
CN102692188A (zh) * 2012-05-08 2012-09-26 浙江工业大学 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法
JP2014157038A (ja) * 2013-02-14 2014-08-28 Toyota Motor Corp 被測定物の疲労き裂の自動計測装置およびプログラム
KR101492336B1 (ko) * 2013-09-24 2015-02-11 서울여자대학교 산학협력단 금속품의 크랙 자동 검출 시스템 및 그 검출 방법
CN103944970A (zh) * 2014-04-01 2014-07-23 上海交通大学 一种正交异性钢桥面板疲劳裂纹远程监测系统和方法
CN104867130A (zh) * 2015-04-21 2015-08-26 浙江工业大学 一种基于裂纹图像子区灰度均值的自适应分割方法
CN105092597A (zh) * 2015-09-14 2015-11-25 广东电网有限责任公司电力科学研究院 一种硬塑材料表面的裂纹检测方法
JP2017072517A (ja) * 2015-10-08 2017-04-13 西日本高速道路エンジニアリング四国株式会社 コンクリートの表面ひび割れの検出方法
CN105959367A (zh) * 2016-04-27 2016-09-21 王�华 用于桥梁智能健康监测系统的链状拓扑无线通信系统
CN105842062A (zh) * 2016-06-02 2016-08-10 江西洪都航空工业集团有限责任公司 一种裂纹扩展实时监测装置及方法
EP3556576A1 (en) * 2018-04-18 2019-10-23 Bridgestone Europe NV/SA Process and system for the detection of defects in a tyre
CN110009606A (zh) * 2019-03-22 2019-07-12 北京航空航天大学 一种基于图像识别的裂纹扩展动态监测方法及装置
WO2020191972A1 (zh) * 2019-03-28 2020-10-01 深圳中凯剑无损检测设备科技有限公司 一种超声检测缺陷定性系统和定性方法
CN110992346A (zh) * 2019-09-17 2020-04-10 浙江工业大学 一种基于dip和dicm的疲劳裂纹长度在线检测方法
CN110779937A (zh) * 2019-10-11 2020-02-11 上海航天精密机械研究所 一种铸件产品内部缺陷智能检测装置
CN110926942A (zh) * 2019-11-19 2020-03-27 西安理工大学 Abaqus中铁轨滚动接触疲劳裂纹的数值分析方法
CN111751211A (zh) * 2020-06-30 2020-10-09 中国科学院地质与地球物理研究所 一种岩石压裂缝网拓扑结构刻画方法
JP6926352B1 (ja) * 2020-06-30 2021-08-25 中国科学院地質與地球物理研究所Ｉｎｓｔｉｔｕｔｅ Ｏｆ Ｇｅｏｌｏｇｙ Ａｎｄ Ｇｅｏｐｈｙｓｉｃｓ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ Ｏｆ Ｓｃｉｅｎｃｅｓ 岩石破砕によって展開する岩石の割れ目ネットワークのトポロジー構造を描写する方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329977A (zh) * 2023-11-28 2024-01-02 中国飞机强度研究所 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法
CN117329977B (zh) * 2023-11-28 2024-02-13 中国飞机强度研究所 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法

Similar Documents

Publication Publication Date Title
Ni et al. Zernike‐moment measurement of thin‐crack width in images enabled by dual‐scale deep learning
Ali et al. Subsurface damage detection of a steel bridge using deep learning and uncooled micro-bolometer
Wang et al. Autonomous damage segmentation and measurement of glazed tiles in historic buildings via deep learning
Potenza et al. A robotics and computer-aided procedure for defect evaluation in bridge inspection
Jahanshahi et al. A new methodology for non-contact accurate crack width measurement through photogrammetry for automated structural safety evaluation
Li et al. Long-distance precision inspection method for bridge cracks with image processing
CN109886939B (zh) 基于张量投票的桥梁裂缝检测方法
Truong-Hong et al. Framework for bridge inspection with laser scanning
CN104458755A (zh) 一种基于机器视觉的多类型材质表面缺陷检测方法
CN114677362B (zh) 基于改进YOLOv5的表面缺陷检测方法
CN113899746A (zh) 一种基于dic的钢结构疲劳裂纹扩展形态测量方法
Li et al. A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces
Dong et al. Corrosion detection and evaluation for steel wires based on a multi-vision scanning system
Asjodi et al. Spatial analysis of damage evolution in cyclic-loaded reinforced concrete shear walls
Bruno et al. Decay detection in historic buildings through image-based deep learning
Truong-Hong et al. Documentation of bridges by terrestrial laser scanner
CN113421236B (zh) 基于深度学习的建筑墙面渗漏水表观发育状况预测方法
CN113420670A (zh) 基于高分遥感输变电线路迁改环水保监管方法
Marin et al. Automated masonry crack detection with faster R-CNN
Shin et al. Defect-detection model for underground parking lots using image object-detection method
O'Byrne et al. Texture analysis based detection and classification of surface features on ageing infrastructure elements
Vijayan et al. A survey on surface crack detection in concretes using traditional, image processing, machine learning, and deep learning techniques
CN113865487B (zh) 一种基于结构表面位移场的疲劳裂纹扩展实时监测方法
Xu et al. Intelligent corrosion detection and rating based on faster region-based convolutional neural network
De Filippo et al. AI-powered inspections of facades in reinforced concrete buildings

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