CN114487014B - 一种红外无损检测的缺陷几何特征提取方法 - Google Patents
一种红外无损检测的缺陷几何特征提取方法 Download PDFInfo
- Publication number
- CN114487014B CN114487014B CN202210092133.0A CN202210092133A CN114487014B CN 114487014 B CN114487014 B CN 114487014B CN 202210092133 A CN202210092133 A CN 202210092133A CN 114487014 B CN114487014 B CN 114487014B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- infrared
- nondestructive testing
- entropy
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 42
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000009792 diffusion process Methods 0.000 claims abstract description 36
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 230000002950 deficient Effects 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000001066 destructive effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 239000000523 sample Substances 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明的目的在于提供一种红外无损检测的缺陷几何特征提取方法，属于红外无损检测技术领域。该方法考虑了热扩散对图像分割造成的影响，基于双阈值将待检测的红外图像分割成黑、灰、白三种情况，分别对应无缺陷、热扩散影响和有缺陷三部分，然后再利用形态学边缘检测获取缺陷几何特征，实现在考虑热扩散影响下的缺陷几何特征的准确提取，具有准确率高的优势。
Description
技术领域
本发明属于红外无损检测技术领域，具体涉及一种红外无损检测的缺陷几何特征提取方法。
背景技术
红外无损检测具有检测速度快、非接触和通用性强等优势，从而被广泛应用于涂层脱粘检测、金属裂纹以及各种设备内部缺陷检测中。缺陷的几何特征大小决定着设备是否能够正常工作以及使用寿命等。因此，准确获取缺陷的几何特征有着至关重要的意义。红外无损检测的原理是利用设备内部有缺陷和无缺陷处的传热差异，导致设备表面温度不一样，从而判断设备内部缺陷的大小。
根据雷柯夫所著“热传导理论”可知：材料在传热过程中实际上存在横向的热扩散和纵向的热传导两个过程。但目前红外无损检测研究中都是忽略热的横向扩散，仅考虑了纵向热传导。例如：哈尔滨工业大学的唐庆菊在其博士论文“SiC涂层缺陷的脉冲红外热波无损检测关键技术研究”以及电子科技大学冯琪智在其硕士论文“基于红外热成像的复合材料无损检测研究”中，得出了以下结论：当在材料的某一位置存在一个缺陷时，由于空气缺陷的传热系数远小于涂层材料，因此导致传热受阻，热波同时在缺陷上表面进行反向传播。这种结果导致有缺陷的涂层表面会存在热波的累积，使表面温度理论上高于非缺陷位置，从而根据这种方式可以检测出缺陷的几何特征。但上述结论是在忽略热的横向扩散的情况下得出的。
同时，目前对红外无损检测图像进行缺陷的几何特征提取的方式主要有两种，第一种是使用传统的经典边缘检测算子来识别红外无损检测图像中的缺陷，但该方法存在两方面的问题，一方面是识别出的边缘是不连续点和折线的组合，这与实际的缺陷边缘不符合；另一方面是识别的缺陷比较模糊，显示缺陷的边缘能力不足，该方法的检测结果如图1所示；第二种是采用形态学边缘检测方法，该方法能够克服经典边缘检测算子存在的问题，检测出的边缘具有连通、平滑和清晰等优点，因此，形态学边缘检测被广泛应用于红外无损检测的几何特征提取中，该方法的检测结果如图2所示。但是，由于实际过程中热的横向扩散是存在的，传统形态学边缘检测容易将热扩散区域误判为缺陷区域，而实际上缺陷区域要比检测出的区域小。根据形态学边缘检测原理可知，发生误判的原因在于传统形态学边缘检测的第一步是图像单阈值分割，将红外无损检测图像分割成黑白两部分。在原理上，这是契合是否存在缺陷的两种情况，然而，在缺陷检测现实过程中，这种忽略热扩散的影响误差较大，会导致单阈值分割发生误判。当然，近年来针对单阈值分割的改进方案也有许多研究，例如魏晓慧教授在“基于蜂群单阈值分割的SRC板材缺陷分类方法”一文中提出了改进的蜂群单阈值分割方法，增强了求解阈值的搜索能力。但是，从改进单阈值的角度解决热扩散导致的分割误判问题，存在优化阈值困难，求解阈值繁琐等问题。
因此，如何在考虑热扩散的情况下准确获取缺陷的几何特征就成为红外无损检测图像处理时迫切需要解决的问题。
发明内容
针对背景技术所存在的问题，本发明的目的在于提供一种红外无损检测的缺陷几何特征提取方法。该方法考虑了热扩散对图像分割造成的影响，基于双阈值将待检测的红外图像分割成黑、灰、白三种情况，分别对应无缺陷、热扩散影响和有缺陷三部分，然后再利用形态学边缘检测获取缺陷几何特征，实现在考虑热扩散影响下的缺陷几何特征的准确提取，具有准确率高的优势。
为实现上述目的，本发明的技术方案如下：
一种红外无损检测的缺陷几何特征提取方法，包括以下几个步骤：
步骤1.对获取的红外无损检测图像采用基于遗传算法的最大熵法双阈值分割，具体过程为：
步骤1.1.设定阈值S1和S2，且S1<S2；
步骤1.2.计算红外无损检测图像的整体熵值；
步骤1.3.采用遗传算法求解步骤1.2中红外无损检测图像整体熵值最大时S1和S2的具体数值，并基于阈值将图像划分为有缺陷区域、热扩散区域和无缺陷区域；
步骤2.利用形态学边缘检测对双阈值分割后的图像进行二次分割，具体过程为：
步骤2.1.根据图像像素值的大小定位缺陷膨胀白色区域，然后腐蚀无关孔，即通过腐蚀操作去掉一些边缘上多余的孔，使边缘更加连贯；
步骤2.2.去除图像中面积过小肯定不是缺陷的杂点；
步骤2.3.进行骨架提取，然后进行边缘识别，即可得到所需的缺陷区域。
进一步地，步骤1.2的具体计算过程为：
红外无损检测图像的灰度级为L，计算出图像像素灰度级的直方图，单阈值为T的图像其熵值为：
其中，pi为直方图中第i个灰度出现的概率；
设红外无损检测图像划分为A、B和C三个区域，对应阈值为S1和S2，且S1＜S2，给定如下公式：
则可以得三类概率分布为：
根据上式可以得到A、B和C三个区域的熵：
则可以得到此时图像的熵为：
进一步地，步骤1.3中采用遗传算法求解红外无损检测图像整体熵值最大时S1和S2的值的具体过程包括编码、种群规模、计算适应度函数、选择操作、异操作、交叉操作和终止准则。
进一步地，步骤2.2中缺陷膨胀白色区域的像素值大小一般为255。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.在考虑热扩散影响下，红外无损检测的表面实际上对应着三种状态，缺陷区域、热扩散区域和无缺陷区域；其中，热扩散区域也属于无缺陷区域，因此会对检测结果造成影响。本发明方法使用双阈值进行图像分割，可以将图像分割成黑、灰、白三种情况，分别对应无缺陷、热扩散影响和有缺陷三部分，然后利用形态学边缘检测，获取有缺陷区域的缺陷几何特征；即本发明方法在考虑热扩散影响下也能够准确获取缺陷的几何特征。
2.本发明在寻找红外无损检测图像整体熵值最大时对应的两个阈值时，由于在寻找最优解也就是最佳阈值的求取过程中需要遍历所有像素，这使得需要运算的数据量很大，因此本发明方法借鉴遗传算法来进行阈值的求取，从而能够对全局信息髙效利用，具有较快的处理速率。
附图说明
图1为现有技术中几种传统的经典边缘检测算子的检测结果图；
其中，(a)为红外无损检测图像，(b)为Prewitt算子检测结果，(c)为Roberts算子检测结果，(d)为Sobel算子检测结果，(e)为Laplacian算子检测结果，(f)为Canny算子检测结果。
图2为传统形态学三角形缺陷几何特征提取结果；
(a)为红外无损检测图像，(b)为几何特征提取结果图。
图3为矩形缺陷样品图和该样品的红外无损检测图像；
其中，(a)为矩形缺陷样品，(b)为缺陷几何特征检测原始图(红外无损检测图像)。
图4为三角形形缺陷样品图和该样品的红外无损检测图像；
其中，(a)为三角形缺陷样品，(b)为缺陷几何特征检测原始图。
图5为本发明整体流程图。
图6为本发明矩形缺陷几何特征提取方法的提取结果；
其中，(a)为原始图，(b)为双阈值分割示意图，(c)为几何特征提取结果图。
图7为本发明三角形缺陷几何特征提取方法的提取结果；
其中，(a)为原始图，(b)为双阈值分割示意图，(c)为几何特征提取结果图。
图8为本发明实施例2和对比例量化几何特征结果对比图；
其中，(a)和(b)为本发明算法提取几何特征后量化结果；(c)、(d)为传统形态学提取几何特征后量化结果。
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，下面结合实施方式和附图，对本发明作进一步地详细描述。
一种红外无损检测的缺陷几何特征提取方法，主要包括两个步骤：对获取的红外无损检测图像采用基于遗传算法的最大熵法双阈值分割，采用形态学边缘检测对双阈值分割后得到图像进行二次分割，即可提取缺陷几何特征。在这个方法中，双阈值分割的提出主要考虑了横向热扩散对缺陷几何特征提取造成的影响。
横向热扩散的影响根据材料的传热原理可以得到：
其中，ρ是材料的密度，CT是材料的比热容，KT是材料的热传导系数，Q为外界提供的致热功率。将公式1中进行修正，可得到：
由此可见，材料在传热过程中实际上存在横向的热扩散和纵向的热传导两个过程。目前，在红外无损检测的研究中，均不考虑热扩散过程，即
在这种情况下，红外检测中的图像只有两种状态，即有缺陷和无缺陷。因此，现有技术均利用单阈值分割，将红外检测图像分割成黑白。但实际上，热扩散是存在的，即
温度在沿着纵向方向传递时，同时也会在横向发生温度的扩散。这种扩散现象会影响缺陷信号几何特征的精确识别，而且无论采用什么致热方式，这种热扩散是无法避免的，因此只能采取图像处理的方法去解决该问题。
在考虑横向热扩散影响下，红外无损检测的表面实际上对应着三种状态，缺陷区域、热扩散区域和无缺陷区域；其中，热扩散区域也属于无缺陷区域，会对检测结果造成影响，因此，本发明提出双阈值进行图像分割，将原始红外图像分割成黑、灰、白三种情况，能够直接检测出不含热扩散区域的缺陷区域，因此使得图像处理结果更准确。
本发明提供一种考虑热扩散影响的双阈值缺陷几何特征提取方法，解决了热扩散影响带来的阈值误判问题，其流程示意图如图5所示，具体包括以下步骤：
步骤1.对获取的红外无损检测图像采用基于遗传算法的最大熵法双阈值分割，具体过程为：
步骤1.1.设定阈值S1和S2，基于阈值将图像划分为有缺陷区域、热扩散区域和无缺陷区域；
步骤1.2.分别计算步骤1.1中三种区域的熵值，并得到红外无损检测图像整体熵值，具体过程为：
给定图像灰度级为L，计算出图像直方图，那么其单阈值为T的图像其熵的测量值为:
其中:pi为直方图中第i个灰度出现的概率，设图像分为有缺陷、热扩散区域和无缺陷区域，阈值为S1＜S2，给定如下公式:
则可以得三类概率分布为：
根据上式可以得到区域A、B和C的熵：
则可以得到此时图像的熵为：
步骤1.3.采用遗传算法求解步骤1.2中红外无损检测图像整体熵值(公式7)最大时S1和S2的值，即：
具体步骤为：
步骤1.3.1.编码：由于图像灰度值在0-255之间，双阈值分割需要16位二进制，前8位为第一个阈值，后8位为第二个阈值；
步骤1.3.2.种群规模参数设定：初始化种群为随机产生的，始化种群数量设置为20，最大繁殖代数设置为200；
步骤1.3.3.计算种群适应度：将最大熵函数(8)式作为适应度函数，计算各个个体适应度；
步骤1.3.4.进行选择处理：利用轮盘赌法对个体选择，产生0-1的随机数，使用适应度比例法对个体进行选择，选出优秀基因个体，其中，基因为两个阈值的编码；
步骤1.3.5.进行变异处理，用于跳出局部最优解：采用双点交叉法，随机产生两个交叉点分别前8位和后8位，交叉长度为1位至7位不等，交叉概率为0.8；
步骤1.3.6.进行交叉处理：采用二进制编码方式，按位取反，每一位都有变异可能，变异概率取0.03；
步骤1.3.7.终止准则：当连续两次迭代的群体适应度函数的最高值未发生变化，则它为图像总熵函数的最优解，输出此时对应的用于对图像进行分割的双阈值；否则转步骤1.3.4继续进行种群的进化；
步骤2.利用形态学边缘检测提取缺陷几何特征，具体过程为：
步骤2.1.利用步骤1得到的双阈值中较大的阈值对双阈值分割的图像进行二次分割；
步骤2.2.定位步骤2.1得到的二次分割图像中缺陷膨胀白色区域并腐蚀无关孔；
步骤2.3.去除图像中面积过小肯定不是缺陷的杂点；
步骤2.4.进行骨架提取，然后进行边缘识别，即可得到所需的缺陷区域。
实施例1
利用本发明方法对图3和图4所示矩形缺陷和三角形缺陷的红外原始图进行处理，利用步骤1得到矩形缺陷红外图像的双阈值为185和204，三角形缺陷红外图像的双阈值为115和189；然后利用步骤2形态学边缘检测结果如图6、图7所示，其中，图(a)为原始检测图，图(b)为基于遗传算法的最大熵双阈值分割后的结果，图(c)为在图(b)的基础上形态学边缘检测的结果。
为量化分析本发明算法检测结果的准确度，对矩形缺陷几何特征量化分析，在样品材料中实际模拟的矩形缺陷几何大小为：15.4mm×15.2mm，面积为：S＝234.08mm2，利用本发明提取的几何特征为：水平最大距离为17.26mm，垂直最大距离为15.17mm，将识别出的边缘几何特征填充后得到面积大小为：226.8mm2，识别错误率为4.6％，如图8(a)、(b)所示，(a)是求解的水平最大长度和垂直最大宽度；(b)是填充后求解的面积大小。利用传统形态学边缘提取的几何特征为：水平最大距离为：21.68mm，垂直最大距离为18.65mm，将识别出的边缘几何特征填充后得到面积大小为：276.23mm2，如图8(c)、(d)所示，识别错误率为32.4％，错误率降低了20％以上。因此，本发明缺陷几何特征提取方法对红外无损检测图像的处理精度有较大的提升。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。
Claims (3)
1.一种红外无损检测的缺陷几何特征提取方法，其特征在于，包括以下步骤：
步骤1.对获取的红外无损检测图像采用基于遗传算法的最大熵法双阈值分割，具体过程为：
步骤1.1.设定阈值S1和S2，且S1<S2；
步骤1.2.计算红外无损检测图像的整体熵值，具体计算过程为：
红外无损检测图像的灰度级为L，计算出图像像素灰度级的直方图，单阈值为T的图像其熵值为：
其中，pi为直方图中第i个灰度出现的概率；
设红外无损检测图像划分为A、B和C三个区域，对应阈值为S1和S2，且S1＜S2，给定如下公式：
则可以得三类概率分布为：
A:
B:
C:
根据上式可以得到A、B和C三个区域的熵：
则可以得到此时图像的熵为：
步骤1.3.采用遗传算法求解步骤1.2中红外无损检测图像整体熵值最大时S1和S2的具体数值，并基于阈值将图像划分为有缺陷区域、热扩散区域和无缺陷区域；
步骤2.利用形态学边缘检测对双阈值分割后的图像进行二次分割，具体过程为：
步骤2.1.根据图像像素值的大小定位缺陷膨胀白色区域，然后腐蚀无关孔；
步骤2.2.去除图像的杂点；
步骤2.3.进行骨架提取，然后进行边缘识别，即可得到所需的缺陷区域。
2.如权利要求1所述的缺陷几何特征提取方法，其特征在于，步骤1.3中采用遗传算法求解红外无损检测图像整体熵值最大时S1和S2的值的具体过程包括编码、种群规模、计算适应度函数、选择操作、异操作、交叉操作和终止准则。
3.如权利要求1所述的缺陷几何特征提取方法，其特征在于，步骤2.1中缺陷膨胀白色区域的像素值大小为255。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210092133.0A CN114487014B (zh) | 2022-01-26 | 2022-01-26 | 一种红外无损检测的缺陷几何特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210092133.0A CN114487014B (zh) | 2022-01-26 | 2022-01-26 | 一种红外无损检测的缺陷几何特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114487014A CN114487014A (zh) | 2022-05-13 |
| CN114487014B true CN114487014B (zh) | 2023-05-09 |
Family
ID=81474983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210092133.0A Active CN114487014B (zh) | 2022-01-26 | 2022-01-26 | 一种红外无损检测的缺陷几何特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114487014B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115406933A (zh) * | 2022-07-21 | 2022-11-29 | 电子科技大学 | 一种基于微波热成像的吸波涂层内部缺陷检测装置及方法 |
| CN116645364B (zh) * | 2023-07-18 | 2023-10-27 | 金乡县金沪合金钢有限公司 | 一种基于图像数据的合金钢铸件气孔缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158702A (zh) * | 2007-10-30 | 2008-04-09 | 电子科技大学 | 基于终端短路法的介质材料高温复介电常数测量方法 |
| WO2012135952A1 (en) * | 2011-04-05 | 2012-10-11 | The Governing Council Of The University Of Toronto | Systems and methods for thermophotonic dynamic imaging |
| WO2016199890A1 (ja) * | 2015-06-10 | 2016-12-15 | 国立大学法人名古屋大学 | 配向同定装置、配向同定方法および分布同定装置 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108387609A (zh) * | 2018-01-19 | 2018-08-10 | 重庆大学 | 一种无损检测的方法、装置、设备可读存储介质 |
| CN108955608A (zh) * | 2018-05-18 | 2018-12-07 | 云南电网有限责任公司电力科学研究院 | 绝缘子表面rtv涂层涂覆效果评估方法、装置及系统 |
| RU2761863C1 (ru) * | 2021-05-25 | 2021-12-13 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Способ неразрушающей диагностики дефектов сквозного металлизированного отверстия печатной платы |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7220966B2 (en) * | 2003-07-29 | 2007-05-22 | Toyota Motor Manufacturing North America, Inc. | Systems and methods for inspecting coatings, surfaces and interfaces |
| US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
| US11587250B2 (en) * | 2021-06-21 | 2023-02-21 | University Of Electronic Science And Technology Of China | Method for quantitatively identifying the defects of large-size composite material based on infrared image sequence |
-
2022
- 2022-01-26 CN CN202210092133.0A patent/CN114487014B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101158702A (zh) * | 2007-10-30 | 2008-04-09 | 电子科技大学 | 基于终端短路法的介质材料高温复介电常数测量方法 |
| WO2012135952A1 (en) * | 2011-04-05 | 2012-10-11 | The Governing Council Of The University Of Toronto | Systems and methods for thermophotonic dynamic imaging |
| WO2016199890A1 (ja) * | 2015-06-10 | 2016-12-15 | 国立大学法人名古屋大学 | 配向同定装置、配向同定方法および分布同定装置 |
| CN108387609A (zh) * | 2018-01-19 | 2018-08-10 | 重庆大学 | 一种无损检测的方法、装置、设备可读存储介质 |
| CN108198181A (zh) * | 2018-01-23 | 2018-06-22 | 电子科技大学 | 一种基于区域分割和图像融合的红外热图像处理方法 |
| CN108955608A (zh) * | 2018-05-18 | 2018-12-07 | 云南电网有限责任公司电力科学研究院 | 绝缘子表面rtv涂层涂覆效果评估方法、装置及系统 |
| RU2761863C1 (ru) * | 2021-05-25 | 2021-12-13 | Федеральное государственное бюджетное учреждение науки Институт радиотехники и электроники им. В.А. Котельникова Российской академии наук | Способ неразрушающей диагностики дефектов сквозного металлизированного отверстия печатной платы |
Non-Patent Citations (1)
| Title |
|---|
| 基于蜂群单阈值分割的SRC板材缺陷分类方法;魏晓慧 等;《沈阳工业大学学报》;第第39卷卷(第第03期期);第292-298页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114487014A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658387B (zh) | 电力列车的受电弓碳滑板缺陷的检测方法 | |
| CN114487014B (zh) | 一种红外无损检测的缺陷几何特征提取方法 | |
| Shi et al. | Automatic road crack detection using random structured forests | |
| CN106251361A (zh) | 一种钢轨表面缺陷图像自适应分割方法 | |
| CN111650204A (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
| CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN109215009B (zh) | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 | |
| CN106468677A (zh) | 一种脉冲涡流热成像中缺陷的自动分割方法 | |
| CN114372955A (zh) | 一种基于改进神经网络的铸件缺陷x射线图自动识别法 | |
| CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
| CN114897806A (zh) | 缺陷检测方法、电子设备及计算机可读存储介质 | |
| CN109120230B (zh) | 一种太阳能电池片el图像检测和缺陷识别方法 | |
| CN101995412B (zh) | 一种鲁棒的玻璃划伤缺陷检测方法及其装置 | |
| CN111369516A (zh) | 基于红外图像识别的变压器套管发热缺陷检测方法 | |
| CN112529884A (zh) | 一种基于压痕特征图像识别的焊点质量评价方法 | |
| CN114299059A (zh) | 一种热轧带钢表面未分类铸坯划伤缺陷的判定方法 | |
| Zhu et al. | Multi-classification recognition and quantitative characterization of surface defects in belt grinding based on YOLOv7 | |
| CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
| CN117292113A (zh) | 一种基于深度学习的混凝土裂缝动态扩展实时监测方法 | |
| CN110349119A (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| Zhu et al. | A surface fatal defect detection method for magnetic tiles based on semantic segmentation and object detection: IEEE ITAIC (ISSN: 2693-2865) | |
| Yang et al. | Automatic inspection system for defects of printed art tile based on texture feature analysis | |
| CN113537236A (zh) | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 | |
| CN118096717A (zh) | 一种基板led的缺陷检测方法 | |
| CN115018792A (zh) | 基于计算机视觉技术的拉深件起皱检测方法 |
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 |