CN114627121A - 一种结构构件应力检测方法、装置、设备及介质 - Google Patents
一种结构构件应力检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114627121A CN114627121A CN202210525742.0A CN202210525742A CN114627121A CN 114627121 A CN114627121 A CN 114627121A CN 202210525742 A CN202210525742 A CN 202210525742A CN 114627121 A CN114627121 A CN 114627121A
- Authority
- CN
- China
- Prior art keywords
- reference points
- structural member
- preset direction
- acquiring
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000005259 measurement Methods 0.000 claims abstract description 87
- 238000000034 method Methods 0.000 claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 11
- 230000005291 magnetic effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000002441 X-ray diffraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005330 Barkhausen effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20081—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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请公开了一种结构构件应力检测方法，涉及计算机技术领域，该方法包括：利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；利用物理信息神经网络模型，并基于第一显微图像获取预设方向上的若干测量基准点，然后基于第二显微图像获取若干目标基准点；根据预设方向上的若干测量基准点和若干目标基准点获取结构构件在预设方向上的若干原始应变值，并基于若干原始应变值获取预设方向上的目标应变值；基于物理信息神经网络模型中的结构构件对应的物理属性参数，并利用目标应变值获取所述结构构件在所述预设方向上的目标应力值。通过上述方法能够快速地检测多种材料的结构构件的应力状态。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种结构构件应力检测方法、装置、设备及介质。
背景技术
当前，钢构件和混凝土材料在制备、加工和使用过程中都会产生应力，而钢构件和混凝土结构是建筑、桥梁和油气管道中最常见的结构形式，在工程实践中得到了广泛的应用。另外，结构的关键受力构件和部件在施工、运行和维护期间会受到荷载、材料特性和环境变化的影响，如果实际应力状态与设计应力不一致，使用应力达到甚至超过设计极限，这可能会对工程结构的安全构成威胁，因此，结构的安全对设备正常工作和人员生命安全具有重要影响，另外，对使用过程中结构的性能进行现场检测评估是保证其安全使用的重要手段。现阶段针对在役结构使用性能的检测主要包括应力检测、变形检测、焊缝质量检测等，而应力检测是安全评估的重中之重。
传统检测结构应力的方法根据检测时是否会对检测对象造成损伤分为有损检测和无损检测两类检测方法。有损方法主要是有钻孔法、环芯法、开槽法和剥层应变法等，但这些方法都会对检测对象造成损坏，而大多实际需要检测的结构是不允许被损坏的，因此无损检测受到越来越多的关注。无损检测方法主要有电学检测法（电阻式应变检测法和振弦式应变检测法）、X射线衍射法、磁学检测法（巴克豪森噪声法和金属磁记忆检测法）、超声波法等。然而，常规的无损检测技术存在很多缺点。第一，一般的无损检测主要针对结构关键部位进行检测，很难反应金属结构整体的应力状况，特别是对于外形尺寸很大的钢结构，有些重要测量点大型设备难以到达，既增加了作业难度，也对检测人员的安全造成威胁；第二，采用常规的应力检测方法检测所耗时间较长，不利于对正常作业要求较高的场所；第三，一些常规的应力检测方法仅适用于具有铁磁属性的钢铁结构，如金属磁记忆检测方法等，不能满足同时适用于大多数结构应力检测的要求。
综上所述，如何提供一种能够快速、准确地检测各种材料的结构构件的应力状态的结构构件应力检测方法。
发明内容
有鉴于此，本发明的目的在于提供一种结构构件应力检测方法，能够快速、准确地检测各种材料的结构构件的应力状态。其具体方案如下：
第一方面，本申请公开了一种结构构件应力检测方法，包括：
利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；
利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；
根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；
基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。
可选的，所述利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像，包括：
利用内部安装有显微镜的图像采集装置获取结构构件在加载前的原始显微图像，并利用所述物理信息神经网络模型中的网络预处理模型对所述原始显微图像进行灰度处理以得到原始灰度图像；
利用所述网络预处理模型判断所述结构构件中所述原始灰度图像对应的构件表面是否存在表观缺陷；
如果存在表观缺陷，则提供更换所述结构构件的拍摄位置的提示信息；
如果不存在表观缺陷，则将所述原始显微图像作为加载前的第一显微图像，并获取加载后的第二显微图像。
可选的，所述利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点，包括：
将所述原始灰度图像作为所述第一显微图像对应的第一灰度图像，并利用所述网络预处理模型对所述第二显微图像进行灰度处理得到第二灰度图像；
从所述第一灰度图像中获取预设方向上的若干测量基准点，然后从所述第二灰度图像中获取与所述若干测量基准点分别对应的若干目标基准点。
可选的，所述根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，包括：
计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，并计算与所述测量基准点分别对应的两个所述目标基准点之间在所述预设方向上的第二实际距离；
计算所述第一实际距离与所述第二实际距离之间的差值，然后根据所述差值和所述第一实际距离得到原始应变值。
可选的，所述计算与所述测量基准点分别对应的两个所述目标基准点在所述预设方向上的第二实际距离，包括：
判断与所述测量基准点分别对应的两个所述目标基准点之间的连接方向与所述预设方向是否一致；
如果所述两个目标基准点之间的连接方向与所述预设方向一致，则直接计算所述两个目标基准点之间的第三实际距离，并将所述第三实际距离作为在所述预设方向上的所述第二实际距离；
如果所述两个目标基准点之间的连接方向与所述预设方向不一致，则计算所述两个目标基准点之间第三实际距离，并对所述第三实际距离进行分解得到在所述预设方向上的所述第二实际距离。
可选的，所述计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，包括：
计算所述预设方向上的任意两个所述测量基准点之间的第一像素距离，并利用预设公式基于所述第一像素距离计算第一实际距离。
可选的，所述结构构件应力检测方法，还包括：
当所述结构构件在所述预设方向上的所述目标应变值不小于预设应变阈值时，重新选取所述若干测量基准点和所述若干目标基准点计算新应变值；
若所述新应变值不小于所述预设应变阈值，则利用所述物理信息神经网络模型中的所述结构构件对应的应力应变曲线获取所述结构构件对应的真实应力值，并基于所述真实应力值以及安全等级阈值判定所述结构构件的危险等级。
第二方面，本申请公开了一种结构构件应力检测装置，包括：
图像获取模块，用于利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；
基准点获取模块，用于利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；
应变值获取模块，用于根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；
应力值获取模块，用于基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获得所述结构构件在所述预设方向上的目标应力值。
第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述公开的结构构件应力检测方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的结构构件应力检测方法。
可见，本申请利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。由上可知，本申请利用显微镜获取显微图像，可以捕捉结构构件的微小变形，实现准确测量；本申请仅需拍摄一次加载前后的构件表面的显微图像，就可以实现对显微镜视野内任意方向上的应力检测，方便高效；本申请利用物理信息神经网络模型利用测量基准点以及目标基准点计算应变值，更加快捷方便，精度和准确度更高；本申请利用物理信息神经网络模型中各种材料的结构构件的物理属性参数将相应的应变值转化为应力值，能够适用于各种材料的结构构件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种结构构件应力检测方法流程图；
图2为本申请提供的一种无线连接的应力检测系统示意图；
图3为本申请提供的一种有线连接的应力检测系统示意图；
图4为本申请提供的一种具体的结构构件应力检测方法流程图；
图5为本申请提供的一种三维受力构件示意图；
图6为本申请提供的一种结构构件应力检测装置结构图；
图7为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
当前常规的无损检测技术存在很多缺点。第一，一般的无损检测主要针对结构关键部位进行检测，很难反应金属结构整体的应力状况，特别是对于外形尺寸很大的钢结构，有些重要测量点大型设备难以到达，既增加了作业难度，也对检测人员的安全造成威胁；第二，采用常规的应力检测方法检测所耗时间较长，不利于对正常作业要求较高的场所；第三，一些常规的应力检测方法仅适用于具有铁磁属性的钢铁结构，如金属磁记忆检测方法等，不能满足同时适用于大多数结构应力检测的要求。
为了克服上述问题，本申请提供了一种结构构件应力检测方案，能够快速、准确地检测各种材料的结构构件的应力状态。
参见图1所示，本申请实施例公开了一种结构构件应力检测方法，该方法包括：
步骤S11：利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像。
本申请实施例中，现有的无损检测方法主要有电学检测法（电阻式应变检测法和振弦式应变检测法）、X射线衍射法、磁学检测法（巴克豪森噪声法和金属磁记忆检测法）、超声波法等，然而，电学检测法只能检测结构的应力增量而无法检测结构的实际应力状态；磁学检测法只能用于检测铁磁性材料；X射线衍射法设备昂贵，对检测环境要求相对较高；超声波法可以测量结构的表面应力和内应力，所需的测量仪器携带方便，灵敏度高。但是，超声波法对探头与构件表面的耦合关系要求较高，对于某些特殊构件，精度可能无法保证。因此，本申请提出了一种结构构件应力检测方法。
本申请实施例中，首先进行图像采集装置的安装，图像采集装置主要由一个放大倍率极高的光学显微镜和感光元件以及照明装置组装而成。在组装图像采集装置之前，还需要采用显微镜专用的标定装置对显微镜的放大倍率进行校准，首先测量在成像清晰时显微镜的物镜镜头中心点与标定板板面的距离，从而确定物镜的物距大小
，同时，测量在成像清晰时，所成图像的高和宽的像素值
和
，以及显微镜观察的视野大小，即成像的高和宽在现实世界里的真实值
和
，另外，还需要获取显微镜的物镜焦距和显微镜的目镜焦距。需要指出的是，因为显微镜在成像时感光元件与目镜的距离保持不变，因此可以同时保持目镜与物镜的距离不变，同时其视野大小也是固定的，也即成像的高和宽在现实世界里的真实值是不变的，所成图像的高和宽的像素值也是不变的。对所述显微镜完成校准之后，将显微镜封装在一个固定装置里构成图像采集装置，同时在图像采集装置与支架连接处安装拍摄云台，保持拍摄的稳定性，防止振动影响显微镜的拍摄质量。为了满足便携式要求，显微镜采用高敏感性感光元件与电脑相连，连接方式可以是有线连接也可以是无线连接，电脑可以实时显示显微镜拍摄的画面。在获取显微图像时，图像采集装置采集的图像的长或宽需要与结构构件平行，这样方便后期对构件的应力进行计算。需要指出的是，可以通过对装置标记标识点来纠正显微镜相对于构件的位置关系，以保证图像的长或宽与结构构件平行。需要指出的是，在对结构构件进行加载的前后，需保持图像采集装置的稳定，不能移动位置。图像采集装置与电脑相连，拍摄的图片或者视频，可以通过无线或者有线装置实时传输到电脑上，具体的， 实际的应力检测系统，包括电脑和图像采集装置，如图2和图3所示，分别为无线连接和有线连接的应力检测系统，图2和图3中包括电脑服务器及便携式电脑，都可用于组成应力检测系统，图2和图3中，标明的感光元件、显微镜和照明装置构成了图像采集装置，另外，拍摄云台用于保持拍摄的稳定性，防止振动影响显微镜的拍摄质量。
本申请实施例中，首先利用内部安装有显微镜的图像采集装置获取结构构件在加载前的原始显微图像，并利用所述物理信息神经网络模型中的网络预处理模型对所述原始显微图像进行灰度处理以得到原始灰度图像；利用所述网络预处理模型判断所述结构构件中所述原始灰度图像对应的构件表面是否存在表观缺陷；如果存在表观缺陷，则提供更换所述结构构件的拍摄位置的提示信息；如果不存在表观缺陷，则将所述原始显微图像作为加载前的第一显微图像，并获取加载后的第二显微图像。
本申请实施例中，需要预先构建物理信息神经网络模型，具体的，利用深度学习网络构建物理信息神经网络模型，构建模型时，需要将应力应变关系加入到模型中，同时按照不同的材料进行分类，加入与应力应变关系相关的物理属性参数，如弹性模量，泊松比等，另外，将每种材料的应力应变曲线也输入到模型中。需要指出的是，不同材料的结构构件对应的物理属性参数不同。需要指出的是，物理信息神经网络是基于物理信息的神经网络（Physics-informed Neural Networks，PINN），是一类用于解决有监督学习任务的神经网络，它不仅尽力遵循训练数据样本的分布规律，而且遵守由偏微分方程描述的物理定律。与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因此能用更少的数据样本学习得到更具泛化能力的模型。
需要指出的是，在进行物理信息神经网络模型的构建的过程中，要同时在物理信息神经网络模型中构建一个网络预处理模型。
步骤S12：利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向。
本申请实施例中，获取到加载前的第一显微图像和加载后的第二显微图像之后，将所述原始灰度图像作为所述第一显微图像对应的第一灰度图像，并利用所述网络预处理模型对所述第二显微图像进行灰度处理得到第二灰度图像；从所述第一灰度图像中获取预设方向上的若干测量基准点，然后从所述第二灰度图像中获取与所述若干测量基准点分别对应的若干目标基准点。
本申请实施例中，从所述第一灰度图像中获取预设方向上的若干测量基准点的具体过程为：从第一灰度图像中选取出若干特征最明显的特征点，也即灰度值大于预设灰度值的特征点作为第一特征点，然后根据所述第一特征点和预设方向获取若干测量基准点。需要指出的是，所述测量基准点的数量由用户指定，测量基准点的数量越多，测量结果越精确，但测量速度会变慢。需要指出的是，预设方向也是用户提前设定的，在平面受力构件中，所述预设方向为一个正应变方向，在三维受力构件中，所述预设方向为不同的两个正应变方向，另外由于正应变对应的应力方向与所述正应变方向平行，因此所述预设方向也可认为与应力方向平行。
需要指出的是，可以对若干测量基准点进行自动编号，以区分所述若干测量基准点。
本申请实施例中，在获取到若干测量基准点之后，物理信息神经网络模型可以从第二灰度图像中获取与若干测量基准点的特征相匹配的目标基准点。需要指出的是，采用改进的SIFT（Scale-invariant feature transform，尺度不变特征变换）算法来获取目标基准点，也即SIFT-BRISK（Scale-invariant feature transform- Binary RobustInvariant Scalable Keypoints）算法；SIFT-BRISK算法提取的特征点不仅对图像尺度、背景、亮度变化具有鲁棒性，而且具有快速BRISK（Binary Robust Invariant ScalableKeypoints）算法的优点。具体的，首先构建高斯尺度空间，也即高斯金字塔，以便对第二灰度图像进行尺度空间的极值检测以得到第二特征点，然后基于所述第二特征点对测量基准点进行定位以确定所述测量基准点在第二灰度图像中所在的区域，确定所述区域中的第三特征点，然后根据特征方向以及快速BRISK算法对第三特征点的描述，从所述第三特征点中找到与所述测量基准点对应的目标基准点，然后找到所有测量基准点对应的目标基准点以获得若干目标基准点。
步骤S13：根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值。
本申请实施例中，在计算目标应变值时，若存在目标应变值对应的切应变，可以根据实际情况判断是否需要计算所述切应变对应的应变值。
本申请实施例中，若所述原始应变值为一个则直接将所述原始应变值作为目标应变值，若所述原始应变值不为一个，则计算所述原始应变值的平均值作为所述预设方向上的目标应变值。
步骤S14：基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。
本申请实施例中，利用物理信息神经网络模型中的所述结构构件对应的物理属性参数，和应力应变关系计算目标应力值，具体的，物理信息神经网络模型会自动识别结构构件的材料类别，如果识别有误，则用户可自行输入所述结构构件的材料类别，从而进行应力计算。如果物理信息神经网络模型的数据库中有该材料类别的物理属性参数，那么可以直接进行应力计算，如果没有该材料类别的物理属性参数，用户可以选择添加该材料类别的物理属性参数，并且可以保存添加的所述物理属性参数，方便下一次使用。
本申请实施例中，如果是平面受力构件，已知其一点的应变可以直接求出其应力，若需要计算平面受力构件的应力状态，则需要获取两组不同的加载前第一显微图像和加载后第二显微图像进行两次计算。需要指出的是，两组不同的加载前后的显微图像为相邻的且平行的。对于三维受力构件，需要获取三组不同的加载前第一显微图像和加载后第二显微图像进行三次计算以分别测量其各个方向上的应变，得到含有未知数个数和方程数相等的方程组，进而得到其真实的应力状态。需要指出的是，三组不同的加载前后的显微图像为相互垂直的。
本申请实施例中，当所述结构构件在所述预设方向上的所述目标应变值不小于预设应变阈值时，重新选取所述若干测量基准点和所述若干目标基准点计算新应变值；若所述新应变值不小于所述预设应变阈值，则利用所述物理信息神经网络中的所述结构构件对应的应力应变曲线获取所述结构构件对应的真实应力值，并基于所述真实应力值以及安全等级阈值判定所述结构构件的危险等级。如果新应变值不小于预设应变阈值则说明结构构件的应变超出了弹性极限，认为构件发生了弹塑性变形。
需要指出的是，在计算新应变值时，可以选取更多的测量基准点和目标基准点，并取所有测量值的平均值作为新应变值，以增加结果的准确性。所述应力应变曲线可以是根据设计值得出的应力应变曲线，也可以是根据试验值得出的应力应变曲线。在判断出所述结构构件的危险等级之后，判断所述结构构件是否已经失效和是否已经失去承载能力。
本申请实施例中，在加载过程中还可以拍摄加载过程的显微视频，后期对加载过程的显微视频进行提取关键图像处理，提取加载过程中的关键图像，然后输入物理信息神将网络模型进行计算，从而可以绘制出荷载曲线以及应力应变曲线。
本申请实施例中，对于需要连续监测应力的结构构件，可以在第一次拍摄时在图像采集装置的位置做固定的标记，以后只需在相同的位置采集相应的显微图像即可，这样就实现了对于结构构件应力状态的连续监测。
可见，本申请利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。由上可知，本申请利用显微镜获取显微图像，可以捕捉结构构件的微小变形，实现准确测量；本申请仅需拍摄一次加载前后的构件表面的显微图像，就可以实现对显微镜视野内任意方向上的应力检测，方便高效；本申请利用物理信息神经网络模型利用测量基准点以及目标基准点计算应变值，更加快捷方便，精度和准确度更高；本申请利用物理信息神经网络模型中各种材料的结构构件的物理属性参数将相应的应变值转化为应力值，能够适用于各种材料的结构构件；本申请可以实现对应力状态的连续监测，也可以对超出弹性极限的构件判定危险等级，并判定构件是否失效。
参见图4所示，本申请实施例公开了一种具体的结构构件应力检测方法，该方法包括：
步骤S21：利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像。
其中，关于步骤S21的更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
步骤S22：利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向。
其中，关于步骤S22的更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
步骤S23：计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，并计算与所述测量基准点分别对应的两个所述目标基准点之间在所述预设方向上的第二实际距离。
本申请实施例中，首先计算所述预设方向上的任意两个所述测量基准点之间的第一像素距离，并计算与所述测量基准点分别对应的两个所述目标基准点之间的第三像素距离，并利用预设公式计算所述第一像素距离对应的第一实际距离以及所述第三像素距离对应的第三实际距离，然后基于所述第三实际距离确定所述第二实际距离，具体的，判断与所述测量基准点分别对应的两个所述目标基准点之间的连接方向与所述预设方向是否一致；如果所述两个目标基准点之间的连接方向与所述预设方向一致，则直接计算所述两个目标基准点之间的第三实际距离，并将所述第三实际距离作为在所述预设方向上的所述第二实际距离；如果所述两个目标基准点之间的连接方向与所述预设方向不一致，则计算所述两个目标基准点之间第三实际距离，并对所述第三实际距离进行分解得到在所述预设方向上的所述第二实际距离。需要指出的是，分解过程是首先通过像素距离计算实际距离，然后对实际距离进行分解。
需要指出的是，通过像素距离计算实际距离的所述预设公式为：
其中，
为一组所述测量基准点或一组所述目标基准点的实际距离；
为所述显微镜在成像清晰时的换算物距，
为所述显微镜在成像清晰时物镜的镜头中心点与所述结构构件之间的距离，
为所述显微镜在成像清晰时所述物镜的成像与目镜的镜头中心点的距离；
为所述显微镜的换算焦距，为显微镜的物镜焦距与显微镜的目镜焦距之和；
为显微图像的实际高度；
为所述显微图像的实际宽度；
为所述显微图像的像素高度，
为所述显微图像的像素宽度；
为一组所述测量基准点或一组所述目标基准点的像素距离。
需要指出的是，当所述两个目标基准点之间的连接方向与所述预设方向一致时，只存在与所述预设方向一致的正应变，不存在与正应变对应的切应变，当所述两个目标基准点之间的连接方向与所述预设方向不一致时，存在与所述预设方向一致的正应变，也存在与正应变对应的切应变；此时，可根据实际情况选择是否计算所述切应变的应变值。需要指出的是，切应变可以通过两个目标基准点之间的连接方向与预设方向的角度变化值来表征。需要指出的是，每一个预设方向的正应变对应一个切应变。
需要指出的是，当存在切应变并且需要计算切应变时，可以对上述第三实际距离进行分解得到在所述预设方向上的所述第二实际距离；然后利用目标公式计算切应变的应变值；
需要指出的是，所述目标公式为：
式中，
表示对上述第三实际距离进行分解得到的在所述预设方向上的所述第二实际距离，
表示上述第三实际距离，
为切应变。
步骤S24：计算所述第一实际距离与所述第二实际距离之间的差值，然后根据所述差值和所述第一实际距离得到原始应变值，以得到在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值。
本申请实施例中，具体的，计算出测量基准点在预设方向上的第一实际距离和目标基准点在预设方向上的第二实际距离之后，计算所述第一实际距离与所述第二实际距离之间的差值，然后根据所述差值和所述第一实际距离得到原始应变值，以得到在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值。
本申请实施例中，若所述原始应变值为一个则直接将所述原始应变值作为目标应变值，若所述原始应变值不为一个，则计算所述原始应变值的平均值作为所述预设方向上的目标应变值。另外，若目标方向上所述切应变的应变值为一个，则直接作为所述切应变的最终应变值，若所述切应变的应变值不为一个，则计算所有所述切应变的应变值的平均值作为所述切应变的最终应变值。
步骤S25：基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。
本申请实施例中，物理信息神将网络模型中保存了应力应变关系，和各种材料的结构构件的物理属性参数。具体的，基于图5中三维受力构件的应力应变关系的公式为：
式中，
表示构件的弹性模量，
表示构件的泊松比，
表示正应变，
表示切应变，
表示正应力，
表示切应力，角标的
表示具体的应变方向。
可见，本申请利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，并计算与所述测量基准点分别对应的两个所述目标基准点之间在所述预设方向上的第二实际距离；计算所述第一实际距离与所述第二实际距离之间的差值，然后根据所述差值和所述第一实际距离得到原始应变值，以得到在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。由此可见，本申请利用显微镜获取显微图像，可以捕捉结构构件的微小变形，实现准确测量；本申请仅需拍摄一次加载前后的构件表面的显微图像，就可以实现对显微镜视野内任意方向上的应力检测，方便高效；本申请利用物理信息神经网络模型利用测量基准点以及目标基准点计算应变值，更加快捷方便，精度和准确度更高；本申请利用物理信息神经网络模型中各种材料的结构构件的物理属性参数将相应的应变值转化为应力值，能够适用于各种材料的结构构件。
参见图6所示，本申请实施例公开了一种结构构件应力检测装置，包括：
图像获取模块11，用于利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；
基准点获取模块12，用于利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；
应变值获取模块13，用于根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；
应力值获取模块14，用于基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获得所述结构构件在所述预设方向上的目标应力值。
其中，关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本申请利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。由上可知，本申请利用显微镜获取显微图像，可以捕捉结构构件的微小变形，实现准确测量；本申请仅需拍摄一次加载前后的构件表面的显微图像，就可以实现对显微镜视野内任意方向上的应力检测，方便高效；本申请利用物理信息神经网络模型利用测量基准点以及目标基准点计算应变值，更加快捷方便，精度和准确度更高；本申请利用物理信息神经网络模型中各种材料的结构构件的物理属性参数将相应的应变值转化为应力值，能够适用于各种材料的结构构件。
进一步的，本申请实施例还提供了一种电子设备，图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、输入输出接口24、通信接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任意实施例公开的结构构件应力检测方法的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口25能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口24，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储器22作为可以包括作为运行内存的随机存取存储器和用于外部内存的存储用途的非易失性存储器，其上的存储资源包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制源主机上电子设备20上的各硬件设备以及计算机程序222，操作系统221可以是Windows、Unix、Linux等。计算机程222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的结构构件应力检测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
本实施例中，所述输入输出接口24具体可以包括但不限于USB接口、硬盘读取接口、串行接口、语音输入接口、指纹输入接口等。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的结构构件应力检测方法。
关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
这里所说的计算机可读存储介质包括随机存取存储器(Random Access Memory，RAM)、内存、只读存储器(Read-Only Memory，ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、磁碟或者光盘或技术领域内所公知的任意其他形式的存储介质。其中，所述计算机程序被处理器执行时实现前述结构构件应力检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的结构构件应力检测方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种结构构件应力检测方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种结构构件应力检测方法，其特征在于，包括：
利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；
利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；
根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；
基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获取所述结构构件在所述预设方向上的目标应力值。
2.根据权利要求1所述的结构构件应力检测方法，其特征在于，所述利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像，包括：
利用内部安装有显微镜的图像采集装置获取结构构件在加载前的原始显微图像，并利用所述物理信息神经网络模型中的网络预处理模型对所述原始显微图像进行灰度处理以得到原始灰度图像；
利用所述网络预处理模型判断所述结构构件中所述原始灰度图像对应的构件表面是否存在表观缺陷；
如果存在表观缺陷，则提供更换所述结构构件的拍摄位置的提示信息；
如果不存在表观缺陷，则将所述原始显微图像作为加载前的第一显微图像，并获取加载后的第二显微图像。
3.根据权利要求2所述的结构构件应力检测方法，其特征在于，所述利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点，包括：
将所述原始灰度图像作为所述第一显微图像对应的第一灰度图像，并利用所述网络预处理模型对所述第二显微图像进行灰度处理得到第二灰度图像；
从所述第一灰度图像中获取预设方向上的若干测量基准点，然后从所述第二灰度图像中获取与所述若干测量基准点分别对应的若干目标基准点。
4.根据权利要求1所述的结构构件应力检测方法，其特征在于，所述根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，包括：
计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，并计算与所述测量基准点分别对应的两个所述目标基准点之间在所述预设方向上的第二实际距离；
计算所述第一实际距离与所述第二实际距离之间的差值，然后根据所述差值和所述第一实际距离得到原始应变值。
5.根据权利要求4所述的结构构件应力检测方法，其特征在于，所述计算与所述测量基准点分别对应的两个所述目标基准点在所述预设方向上的第二实际距离，包括：
判断与所述测量基准点分别对应的两个所述目标基准点之间的连接方向与所述预设方向是否一致；
如果所述两个目标基准点之间的连接方向与所述预设方向一致，则直接计算所述两个目标基准点之间的第三实际距离，并将所述第三实际距离作为在所述预设方向上的所述第二实际距离；
如果所述两个目标基准点之间的连接方向与所述预设方向不一致，则计算所述两个目标基准点之间第三实际距离，并对所述第三实际距离进行分解得到在所述预设方向上的所述第二实际距离。
6.根据权利要求4所述的结构构件应力检测方法，其特征在于，所述计算所述预设方向上的任意两个所述测量基准点之间的第一实际距离，包括：
计算所述预设方向上的任意两个所述测量基准点之间的第一像素距离，并利用预设公式基于所述第一像素距离计算第一实际距离。
7.根据权利要求1至6任一项所述的结构构件应力检测方法，其特征在于，还包括：
当所述结构构件在所述预设方向上的所述目标应变值不小于预设应变阈值时，重新选取所述若干测量基准点和所述若干目标基准点计算新应变值；
若所述新应变值不小于所述预设应变阈值，则利用所述物理信息神经网络中的所述结构构件对应的应力应变曲线获取所述结构构件对应的真实应力值，并基于所述真实应力值以及安全等级阈值判定所述结构构件的危险等级。
8.一种结构构件应力检测装置，其特征在于，包括：
图像获取模块，用于利用内部安装有显微镜的图像采集装置获取结构构件在加载前的第一显微图像和加载后的第二显微图像；
基准点获取模块，用于利用物理信息神经网络模型，并基于所述第一显微图像获取预设方向上的若干测量基准点，然后基于所述第二显微图像获取与所述若干测量基准点分别对应的若干目标基准点；其中，所述预设方向为正应变方向；
应变值获取模块，用于根据所述预设方向上的所述若干测量基准点和对应的所述若干目标基准点获取所述结构构件在所述预设方向上的若干原始应变值，并基于所述若干原始应变值获取所述预设方向上的目标应变值；
应力值获取模块，用于基于所述物理信息神经网络模型中的所述结构构件对应的物理属性参数，并利用所述目标应变值获得所述结构构件在所述预设方向上的目标应力值。
9.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的结构构件应力检测方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的结构构件应力检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210525742.0A CN114627121B (zh) | 2022-05-16 | 2022-05-16 | 一种结构构件应力检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210525742.0A CN114627121B (zh) | 2022-05-16 | 2022-05-16 | 一种结构构件应力检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627121A true CN114627121A (zh) | 2022-06-14 |
| CN114627121B CN114627121B (zh) | 2022-08-09 |
Family
ID=81906935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210525742.0A Active CN114627121B (zh) | 2022-05-16 | 2022-05-16 | 一种结构构件应力检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627121B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
| CN118150327A (zh) * | 2023-10-19 | 2024-06-07 | 贵州安大航空锻造有限责任公司 | 高温合金环锻件坯料拉伸性能的智能检测方法、装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109883333A (zh) * | 2019-03-14 | 2019-06-14 | 武汉理工大学 | 一种基于图像特征识别技术的非接触位移应变测量方法 |
| CN112525694A (zh) * | 2020-12-01 | 2021-03-19 | 浙江瑞邦科特检测有限公司 | 一种非破坏性的植筋拉拔试验检测结构及方法 |
| CN214149164U (zh) * | 2020-10-26 | 2021-09-07 | 大连理工大学 | 一种显微视觉应变传感器 |
| US20210278330A1 (en) * | 2020-03-06 | 2021-09-09 | California Institute Of Technology | Quantification of Shear Stress Field Using Tuft Visualization and Deep Learning |
-
2022
- 2022-05-16 CN CN202210525742.0A patent/CN114627121B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109883333A (zh) * | 2019-03-14 | 2019-06-14 | 武汉理工大学 | 一种基于图像特征识别技术的非接触位移应变测量方法 |
| US20210278330A1 (en) * | 2020-03-06 | 2021-09-09 | California Institute Of Technology | Quantification of Shear Stress Field Using Tuft Visualization and Deep Learning |
| CN214149164U (zh) * | 2020-10-26 | 2021-09-07 | 大连理工大学 | 一种显微视觉应变传感器 |
| CN112525694A (zh) * | 2020-12-01 | 2021-03-19 | 浙江瑞邦科特检测有限公司 | 一种非破坏性的植筋拉拔试验检测结构及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 梁振宁: "《非固定相机数字散斑相关方法形变测量研究》", 《中国优秀博硕士学位论文数据库(博士)信息科技辑》 * |
| 陆至彬 等: "《基于物理信息神经网络的传热过程物理场代理模型的构建》", 《化工学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116518868A (zh) * | 2023-07-05 | 2023-08-01 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
| CN116518868B (zh) * | 2023-07-05 | 2023-08-25 | 深圳市海塞姆科技有限公司 | 基于人工智能的变形测量方法、装置、设备及存储介质 |
| CN118150327A (zh) * | 2023-10-19 | 2024-06-07 | 贵州安大航空锻造有限责任公司 | 高温合金环锻件坯料拉伸性能的智能检测方法、装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627121B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114627121B (zh) | 一种结构构件应力检测方法、装置、设备及介质 | |
| Bayar et al. | A novel study for the estimation of crack propagation in concrete using machine learning algorithms | |
| CN113252700B (zh) | 一种结构裂缝检测方法、设备及系统 | |
| Fu et al. | An optical approach to structural displacement measurement and its application | |
| JP6240206B2 (ja) | 変位場およびひずみ場の測定方法、および、材料試験機 | |
| Havaran et al. | Extracting structural dynamic properties utilizing close photogrammetry method | |
| KR20200133585A (ko) | 미소압흔 주변에 디지털 화상적합기술을 적용하여 재료물성치와 응력상태를 측정하는 장치 및 방법 | |
| JP6795562B2 (ja) | 検査装置及び機械学習方法 | |
| CN110470738A (zh) | 基于振动响应差比函数的结构损伤识别方法 | |
| JP2020042668A (ja) | 検査装置及び機械学習方法 | |
| Desai | Small-strain measurement in bridge connections using the digital image correlation (DIC) technique | |
| Dahl et al. | Planar strain measurements on wood specimens | |
| JP6356579B2 (ja) | 渦電流探傷装置および渦電流探傷方法 | |
| CN117589109A (zh) | 石英中心托盘制作工艺的质量检测与控制方法 | |
| CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
| KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
| JP3312298B2 (ja) | 応力拡大係数の計測方法 | |
| KR20240064037A (ko) | 피로 테스트를 통해 물체의 표면 결함 및 브레이크 디스크의 크랙을 인공 지능에 의해 식별 및 특성화하는 방법 | |
| Gulgec et al. | Uncertainty quantification in digital image correlation for experimental evaluation of deep learning based damage diagnostic | |
| Huang Peng et al. | Reliability estimation for aluminum alloy welded joint with automatic image measurement of surface crack growth | |
| Łątka et al. | Contactless method of measuring displacement in the study of brick prisms | |
| Katam et al. | SVM-assisted damage identification in cantilever steel beam using vibration-based method | |
| Alkady et al. | A Novel Framework for the Dynamic Characterization of Civil Structures Using 3D Terrestrial Laser Scanners | |
| Alazawi et al. | Crack detection and geometry measurements using digital image processing | |
| Ramana et al. | The Health Monitoring Prescription by Novel Method |
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 |