CN114324599A - 基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 - Google Patents
基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 Download PDFInfo
- Publication number
- CN114324599A CN114324599A CN202210010766.2A CN202210010766A CN114324599A CN 114324599 A CN114324599 A CN 114324599A CN 202210010766 A CN202210010766 A CN 202210010766A CN 114324599 A CN114324599 A CN 114324599A
- Authority
- CN
- China
- Prior art keywords
- debonding
- unit
- honeycomb
- area
- scan
- 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.)
- Granted
Links
Images
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,包括:获取蜂窝夹层板的空气耦合超声C扫图;根据所述空气耦合超声C扫图上峰值点与蜂窝结构中蜂结点的对应关系,对C扫图上蜂窝六边形单元进行重构;根据所述重构六边形单元内所有像素点灰度值总和,将所有六边形单元模糊聚类为三类:完全脱粘单元、部分脱粘单元、非脱粘单元;基于所述部分脱粘单元内的像素点灰度值总和及单元位置,确定部分脱粘单元内部的脱粘区域位置及面积;对完全脱粘单元总面积及部分脱粘单元中的脱粘区域面积进行求和得到脱粘区域总面积。该方法将脱粘区域的边缘确定精确到了蜂窝六边形内部,实现了对脱粘面积的准确定量。
Description
技术领域
本发明涉及复合材料超声无损检测领域,尤其涉及一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法。
背景技术
蜂窝夹层板一般是由两块碳纤维薄板与轻质蜂窝芯粘接固化而成,因其具有高比强度、高比刚度、优秀的降噪隔热能力被广泛地应用在航空航天领域,例如:飞行器及卫星结构本体的制造中。中空的蜂窝芯使得蜂窝夹层板在冲击或者交变载荷下易出现蒙皮-芯脱粘损伤。这将损害结构的完整性和安全性,削弱结构的承载能力,留下事故隐患。脱粘面积的准确定量对维修及更换蜂窝夹层板十分重要。
针对蜂窝夹层板脱粘的无损检测技术包括:红外热成像、敲击共振法、X射线检测及超声波检测等。红外热成像主要用于检测近表面缺陷。敲击共振法通过结构固有频率的改变来检测缺陷,可以快速检测结构的整体健康状态,但对脱粘的准确定量十分依靠复杂的算法及检测人员的经验;X射线很难达到脱粘的在线检测,限制了其发展。超声波检测中应用最广泛的是超声C扫描,其根据超声波幅值的变化来确定脱粘的位置及大小,并且可以用C扫图的形式直观地展现出来。近年来,空气耦合超声C扫描以其完全非接触的优点,可以简单快速的完成大面积扫描,被越来越多地应用在复合材料的无损检测中。但是空气耦合超声中的低频段激励信号会降低超声波的横向分辨率,进而导致接收信号信噪比及C扫图像分辨率的降低。
作为二维周期性结构,蜂窝夹层板的空气耦合C扫图像上会出现周期排列的模糊边界,这将会干扰传统的图像处理方法中的阈值选取及边界识别,导致利用传统图像处理方法确定的脱粘区域都是由完整的蜂窝单元构成,即确定的脱粘区域边缘无法精确到蜂窝单元内部,使得缺陷的定位及尺寸评估出现错误。
发明内容
本发明提供了一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,本发明对不同类型的脱粘,根据C扫图出现的峰值规律,重构出与蜂窝结构相对应的六边形单元,并利用重构的六边形单元内的像素点灰度值总和确定单元内脱粘面积,本发明将脱粘区域边缘精确到单元内部,准确对不同类型、不同尺寸的脱粘进行定量,评估蜂窝夹层板的受损程度,及时提出修补方案,避免安全事故的发生,详见下文描述:
一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,所述方法包括:
获取蜂窝夹层板的空气耦合超声C扫图;根据所述空气耦合超声C扫图上峰值点与蜂窝结构中蜂结点的对应关系,对C扫图上蜂窝六边形单元进行重构;
根据所述重构六边形单元内所有像素点灰度值总和,将所有六边形单元模糊聚类为三类:完全脱粘单元、部分脱粘单元、非脱粘单元;
基于所述部分脱粘单元内的像素点灰度值总和及单元位置,确定部分脱粘单元内部的脱粘区域位置及面积;
对完全脱粘单元总面积及部分脱粘单元中的脱粘区域面积进行求和得到脱粘区域总面积。
其中,所述根据所述空气耦合超声C扫图上峰值点与蜂窝结构中蜂结点的对应关系,对C扫图上蜂窝六边形单元进行重构具体为:
根据六边形紧密连接规律,在行、列上重构六边形单元形成六边形阵列并表示在C扫图像上。
进一步地,所述根据所述重构六边形单元内所有像素点灰度值总和,将所有六边形单元模糊聚类为三类:完全脱粘单元、部分脱粘单元、非脱粘单元具体为:
计算重构蜂窝六边形单元中所有像素点的灰度值总和,记为重构蜂窝六边形单元的幅值总和,按照重构蜂窝六边形单元的幅值总和大小,利用模糊聚类算法将所有重构蜂窝六边形单元分为三类,其中聚类中心最大类包含的单元为非脱粘单元;聚类中心第二大类包含的单位为部分脱粘单元;聚类中心最小类包含的单元为完全脱粘单元。
其中,所述基于所述部分脱粘单元内的像素点灰度值总和及单元位置,确定部分脱粘单元内部的脱粘区域位置及面积具体为:
将完全脱粘单元表示在C扫图上,所有的完全脱粘单元形成一个整体,所有的部分脱粘单元分散在整体的四周,判断部分脱粘单元的哪侧与整体接触,接触的一侧为部分脱粘单元内部脱粘区域的起始边,脱粘区域的大小根据部分脱粘单元的幅值总和下降的比例确定。
本发明提供的技术方案的有益效果是:
1、本发明利用空气耦合超声检测系统对蜂窝夹层板进行扫描,可达到完全非接触、无污染地对蜂窝夹层板中的脱粘损伤进行检测;
2、本发明基于蜂窝芯中的蜂窝孔及蜂窝壁对超声纵波的不同衰减作用,利用C扫图中明显的峰值分布进行六边形单元重构,对C扫图质量要求不高,适用于空气耦合超声检测中低频激励导致分辨率降低的C扫图像;
3、本发明根据重构六边形单元内像素点的灰度值总和对单元进行分类,区分不同脱粘程度的重构六边形单元,再对部分脱粘单元内的脱粘区域进行划分,将整体脱粘边缘的识别精确到单元内部;
4、本发明设计科学合理,将C扫图的边缘识别转化为对重构六边形单元的处理,与基于阈值确定或边界识别的传统图像处理方法相比,此方法十分适用于周期性结构。
附图说明
图1为基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法的流程图;
图2为蜂窝夹层板空耦C扫实现系统的结构示意图;
图3为基于峰值点的单元重构原理图;
图4为三种单元示意及部分脱粘单元定位分割示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,参见图1,该方法包括以下步骤:
1)利用空气耦合超声检测系统获取蜂窝夹层板的空气耦合超声C扫图;
其中,空气耦合超声检测系统为本领域技术人员所公知,本发明实施例对此不做赘述。
2)基于蜂窝夹层板的空气耦合超声C扫图,分析蜂窝芯中蜂窝孔、蜂窝壁及蜂窝结点对超声的衰减作用,确定C扫图中不同级别灰度值表示的结构,利用C扫图中峰值点与蜂窝结点的对应关系,对蜂窝六边形单元进行重构;
3)计算重构蜂窝六边形单元中所有像素点的灰度值总和,记为重构蜂窝六边形单元的幅值总和,按照重构蜂窝六边形单元的幅值总和大小,利用模糊聚类算法将所有重构蜂窝六边形单元分为三类,其中聚类中心最大类包含的单元为非脱粘单元,即此类重构蜂窝六边形单元中不存在脱粘区域;聚类中心第二大类包含的单位为部分脱粘单元,即此类重构蜂窝六边形单元中一部分是脱粘区域,聚类中心最小类包含的单元为完全脱粘单元,即此类重构蜂窝六边形单元完全脱粘;
4)确定部分脱粘单元内部脱粘区域的具体位置及面积大小,将完全脱粘单元表示在C扫图上,所有的完全脱粘单元形成一个整体,而所有的部分脱粘单元分散在整体的四周,判断部分脱粘单元的哪侧与整体接触,接触的一侧为部分脱粘单元内部脱粘区域的起始边,脱粘区域的大小根据部分脱粘单元的幅值总和下降的比例确定;
5)计算所有完全脱粘单元的脱粘面积,并与所有部分脱粘单元中确定的脱粘区域面积求和得到脱粘总面积。
而且,上述步骤1)中的C扫图是通过对蜂窝夹层板进行空气耦合超声穿透法C扫描获得,每个扫描区域边长为80mm,扫描步距为0.5mm,所有扫描位置点接收到的幅值形成扫描区域的C扫图像。
而且,蜂窝芯由周期排列的六边形单元构成,每个单元包括蜂窝孔、蜂窝壁及蜂窝结点,超声纵波主要从蜂窝壁传递至对面,当扫描至蜂窝结点时,较多的超声纵波可以传递至对面被接收探头接收,此处扫描点信号幅值较大,反应到C扫图上的对应像素点的灰度值高,所以C扫图像会出现规律排列的峰值点,这些峰值点即为蜂窝六边形单元顶点。由于C扫图分辨率的降低,六边形单元的边界并不是清晰可见,需要通过峰值点的分布对六边形单元进行重构。
其中,基于峰值点对蜂窝六边形单元进行重构的方法如下:
首先找到C扫图像中左上角第一个灰度值最大的点即第一个峰值点,记其坐标为(x0,y0),画出y0行上所有像素点的灰度变化图,峰值点的规律排列使得所画的灰度变化图也会出现等间隔的峰值,相邻峰值点间距为l,则重构的第一个六边形中心坐标O表达式为重构的六边形边长a为
之后,根据六边形紧密连接规律,在行、列上重构六边形单元形成六边形阵列并表示在C扫图像上。
而且,每个重构单元内所有像素点的灰度值总和AIt,表达式为:
AIt=∑p∈IAp (1)
其中:
p表示属于单元I内的像素点;
Ap表示像素点p处的灰度值。
由于脱粘对超声纵波的阻碍,脱粘存在导致扫描点接受信号幅值减小,进而导致对应像素点灰度值减小,则存在脱粘的单元其灰度值总和会减小,基于单元的灰度值总和,利用K-means模糊聚类将所有单元分为三类,具体做法为:
在所有单元的灰度值总和中选取三个数值作为三类的初始中心C1、C2、C3,计算任一单元I的灰度值总和到这三个初始中心的欧式距离:
比较单元I的三个欧式距离,将这个单元分到其距离最近的中心所在类,标记为:
labelI=arg min{Ek} (3)
1≤k≤3
其中:
labelI表示单元I的类别;
将每一类的中心更新为此类包含的所有灰度值总和的平均值:
其中:
qk表示第k类中单元的个数。
计算并比较其他单元与类中心的欧式距离,将单元分到对应的类中。重复操作至三个聚类中心不再变化,分类结束。
聚类中心的值代表了此类中单元的灰度值总和水平,聚类中心最大的类包含的单元为非脱粘单元,聚类中心最小的类为完全脱粘单元,聚类中心在三者之间的是部分脱粘单元。
而且,在C扫图上分别标记完全脱粘单元和非脱粘单元,所有的完全脱粘单元形成一个整体,完全脱粘单元所形成整体的中心记为OC,部分脱粘单元分布在整体的四周,第j个部分脱粘单元的中心记为Oj,通过判断向量OCOj与水平右方向的夹角θ来判断此部分脱粘单元在完全脱粘单元所形成整体的哪一侧,第j个部分脱粘单元与整体接触的一侧为此部分脱粘单元内部脱粘区域的起始边,此部分脱粘单元内部的脱粘区域面积与总面积之比等于此部分脱粘单元的幅值总和下降比DI:
其中:
AN为非脱粘单元的灰度值总和;
Aj为第j个部分脱粘单元的灰度值总和;
AC为完全脱粘单元的灰度值总和。
对确定的部分脱粘单元内部的脱粘区域进行填充,至此完成C扫图像上脱粘部分的表示。
其中:
n为完全非脱粘单元的个数;
部分脱粘单元中脱粘总面积S2为:
其中:
m为完全非脱粘单元的个数;
整体脱粘面积S为:
S=S1+S2 (8)
综上所述,本发明实施例利用C扫图上明显的峰值分布进行单元重构及脱粘定量,对图像质量要求不高,适用于空气耦合超声中低频激励C扫图像模糊特点,与基于阈值确定或边界识别的传统图像处理方法相比,本方法更加适用于具有较多边界的二维周期性蜂窝结构。
下面以一具体实施例进行说明:
以本方法实现某预置四种不同类型脱粘的蜂窝夹层板的空气耦合穿透法超声C扫脱粘面积定量为实例,步骤如下:
1、蜂窝夹层板由两张厚度为1mm的碳纤维蒙皮及中间的铝制蜂窝芯粘接固化而成,板厚为21mm,长600mm,宽300mm,在蒙皮与蜂窝芯之间放置直径为30mm的聚四氟乙烯薄膜来模拟夹杂脱粘,空气耦合超声探头放置在蜂窝板两侧,同步运动完成对脱粘区域的扫描,每个扫描区域边长为80mm,扫描步距为0.5mm,所有扫描位置接收信号的幅值形成扫描区域的C扫灰度图;
2、像素点的灰度值越高,其在C扫图中越靠近白色,手动找到C扫图左上角第一个峰值点,其坐标为(9,22),利用Y=22这一行所有像素点灰度值变化确定峰值平均间距17.48个像素点,则第一个重构六边形的中心坐标为(17.74,27.05),重构六边形的边长为10.10个像素点,将六边形阵列表示在C扫图上;
3、计算所有单元内的像素点灰度值总和,利用K-means模糊聚类对所有单元进行分类,得到的完全脱粘单元聚类中心为159.08,非脱粘单元聚类中心为104.85;
4、计算所有部分脱粘单元的幅值总和下降比例DI,根据像素比例系数得到重构六边形边长为5.05mm,并利用S1计算公式与S2计算公式分别计算两部分面积为463.79mm2和286.67mm2,根据总面积S=S1+S2得到结果760.45mm2;
5、脱粘的直径为30mm,则其实际面积为706.5,采用本方法计算得到的脱粘面积与实际面积误差为6.22%,本方法能将检测难度大的夹杂型脱粘在C扫图上准确表示出来,并且能够对其脱粘面积作准确计算。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,其特征在于,所述方法包括:
获取蜂窝夹层板的空气耦合超声C扫图;根据所述空气耦合超声C扫图上峰值点与蜂窝结构中蜂结点的对应关系,对C扫图上蜂窝六边形单元进行重构;
根据所述重构六边形单元内所有像素点灰度值总和,将所有六边形单元模糊聚类为三类:完全脱粘单元、部分脱粘单元、非脱粘单元;
基于所述部分脱粘单元内的像素点灰度值总和及单元位置,确定部分脱粘单元内部的脱粘区域位置及面积;
对完全脱粘单元总面积及部分脱粘单元中的脱粘区域面积进行求和得到脱粘区域总面积。
3.根据权利要求1所述的一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,其特征在于,所述根据所述重构六边形单元内所有像素点灰度值总和,将所有六边形单元模糊聚类为三类:完全脱粘单元、部分脱粘单元、非脱粘单元具体为:
计算重构蜂窝六边形单元中所有像素点的灰度值总和,记为重构蜂窝六边形单元的幅值总和,按照重构蜂窝六边形单元的幅值总和大小,利用模糊聚类算法将所有重构蜂窝六边形单元分为三类,其中聚类中心最大类包含的单元为非脱粘单元;聚类中心第二大类包含的单位为部分脱粘单元;聚类中心最小类包含的单元为完全脱粘单元。
4.根据权利要求1所述的一种基于周期重构的蜂窝夹层板脱粘面积超声C扫定量方法,其特征在于,所述基于所述部分脱粘单元内的像素点灰度值总和及单元位置,确定部分脱粘单元内部的脱粘区域位置及面积具体为:
将完全脱粘单元表示在C扫图上,所有的完全脱粘单元形成一个整体,所有的部分脱粘单元分散在整体的四周,判断部分脱粘单元的哪侧与整体接触,接触的一侧为部分脱粘单元内部脱粘区域的起始边,脱粘区域的大小根据部分脱粘单元的幅值总和下降的比例确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010766.2A CN114324599B (zh) | 2022-01-05 | 2022-01-05 | 基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210010766.2A CN114324599B (zh) | 2022-01-05 | 2022-01-05 | 基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114324599A true CN114324599A (zh) | 2022-04-12 |
CN114324599B CN114324599B (zh) | 2023-06-27 |
Family
ID=81024006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210010766.2A Active CN114324599B (zh) | 2022-01-05 | 2022-01-05 | 基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114324599B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5447069A (en) * | 1993-06-29 | 1995-09-05 | The Aerospace Corporation | Apparatus and method for ultrasonically measuring the Poisson's ratio of thin layers |
JP2003344330A (ja) * | 2002-05-28 | 2003-12-03 | Matsushita Electric Works Ltd | 内部空間を有する板材の形状欠陥検査方法及び装置 |
CN106770667A (zh) * | 2016-12-22 | 2017-05-31 | 中航复合材料有限责任公司 | 一种检测复合材料结构筋条区的超声可视化成像方法 |
CN109115872A (zh) * | 2017-06-22 | 2019-01-01 | 航天特种材料及工艺技术研究所 | 一种粘接质量的超声检测方法 |
CN109283253A (zh) * | 2018-11-28 | 2019-01-29 | 燕山大学 | 一种基于超声原理轻质陶瓷基多孔复合材料缺陷检测方法 |
CN109596707A (zh) * | 2018-12-07 | 2019-04-09 | 中航复合材料有限责任公司 | 一种基于位置-超声信号的蜂窝夹层结构检测方法 |
CN109813758A (zh) * | 2019-02-28 | 2019-05-28 | 西安交通大学 | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 |
CN110411948A (zh) * | 2018-04-30 | 2019-11-05 | 波音公司 | 使用激光超声来检测结构的系统和方法 |
CN113418965A (zh) * | 2021-06-18 | 2021-09-21 | 深圳格通无线科技有限公司 | 一种工程结构健康监测方法 |
-
2022
- 2022-01-05 CN CN202210010766.2A patent/CN114324599B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5447069A (en) * | 1993-06-29 | 1995-09-05 | The Aerospace Corporation | Apparatus and method for ultrasonically measuring the Poisson's ratio of thin layers |
JP2003344330A (ja) * | 2002-05-28 | 2003-12-03 | Matsushita Electric Works Ltd | 内部空間を有する板材の形状欠陥検査方法及び装置 |
CN106770667A (zh) * | 2016-12-22 | 2017-05-31 | 中航复合材料有限责任公司 | 一种检测复合材料结构筋条区的超声可视化成像方法 |
CN109115872A (zh) * | 2017-06-22 | 2019-01-01 | 航天特种材料及工艺技术研究所 | 一种粘接质量的超声检测方法 |
CN110411948A (zh) * | 2018-04-30 | 2019-11-05 | 波音公司 | 使用激光超声来检测结构的系统和方法 |
CN109283253A (zh) * | 2018-11-28 | 2019-01-29 | 燕山大学 | 一种基于超声原理轻质陶瓷基多孔复合材料缺陷检测方法 |
CN109596707A (zh) * | 2018-12-07 | 2019-04-09 | 中航复合材料有限责任公司 | 一种基于位置-超声信号的蜂窝夹层结构检测方法 |
CN109813758A (zh) * | 2019-02-28 | 2019-05-28 | 西安交通大学 | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 |
CN113418965A (zh) * | 2021-06-18 | 2021-09-21 | 深圳格通无线科技有限公司 | 一种工程结构健康监测方法 |
Non-Patent Citations (2)
Title |
---|
LINGYU YU 等: "Core–skin debonding detection in honeycomb sandwich structures through guided wave wavefield analysis", JOURNAL OF INTELLIGENT MATERIAL SYSTEMS AND STRUCTURES * |
张慧 等: "空气耦合电容式微超声换能器设计", 声学学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN114324599B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Ultrasonic Lamb wave tomography in structural health monitoring | |
US8131107B2 (en) | Method and system for identifying defects in NDT image data | |
Posilović et al. | Flaw detection from ultrasonic images using YOLO and SSD | |
CN113643275B (zh) | 一种基于无监督流形分割的超声波缺陷检测方法 | |
CN110243923B (zh) | 基于交流电磁场的腐蚀缺陷可视化成像及评估方法 | |
US20230061816A1 (en) | Air-coupled Ultrasonic Detection Method and Device Based on Defect Probability Reconstruction Algorithm | |
CN111521691B (zh) | 一种基于时间反转加权分布的复合材料Lamb波损伤成像方法 | |
Cheng et al. | Automatic defect depth estimation for ultrasonic testing in carbon fiber reinforced composites using deep learning | |
Chen et al. | Evolutionary strategy-based location algorithm for high-resolution Lamb wave defect detection with sparse array | |
CN117011292A (zh) | 一种复合板表面质量快速检测方法 | |
Yuan et al. | Automatic recognition and positioning of wheel defects in ultrasonic B-Scan image using artificial neural network and image processing | |
CN111652252A (zh) | 一种基于集成学习的超高速撞击损伤的定量识别方法 | |
Zhang et al. | A skin-core debonding quantitative algorithm based on hexagonal units reconstruction for air-coupled ultrasonic C-scan images of honeycomb sandwich structure | |
US8412470B2 (en) | Change mapping for structural health monitoring | |
Li et al. | Intelligent damage recognition of composite materials based on deep learning and ultrasonic testing | |
Peng et al. | Automatic 3D image based finite element modelling for metallic foams and accuracy verification of digital volume correlation | |
CN114324599B (zh) | 基于周期重构的蜂窝夹层板脱粘面积超声c扫定量方法 | |
CN117686589A (zh) | 一种基于超声导波的复合材料脱层缺陷检测方法 | |
O'Byrne et al. | Texture analysis based detection and classification of surface features on ageing infrastructure elements | |
CN111624251A (zh) | 一种应用于大型板壳结构的智能兰姆波缺陷定位方法 | |
Sun et al. | Automated quality characterization for composites using hybrid ultrasonic imaging techniques | |
Wu et al. | Internal Defects Detection Method of the Railway Track Based on Generalization Features Cluster | |
Voon et al. | Gradient-based Hough transform for the detection and characterization of defects during nondestructive inspection | |
Guo et al. | Delamination Depth Evaluation in Near-Surface of GFRP Laminates Based on RQA-MKLSVM Model | |
Liu et al. | Manifold learning and segmentation for ultrasonic inspection of defects in polymer composites |
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 |