CN114894642B - 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 - Google Patents

一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 Download PDF

Info

Publication number
CN114894642B
CN114894642B CN202210774131.XA CN202210774131A CN114894642B CN 114894642 B CN114894642 B CN 114894642B CN 202210774131 A CN202210774131 A CN 202210774131A CN 114894642 B CN114894642 B CN 114894642B
Authority
CN
China
Prior art keywords
crack
scale
length
data set
test
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
CN202210774131.XA
Other languages
English (en)
Other versions
CN114894642A (zh
Inventor
龙湘云
姜潮
余萌晨
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202210774131.XA priority Critical patent/CN114894642B/zh
Publication of CN114894642A publication Critical patent/CN114894642A/zh
Application granted granted Critical
Publication of CN114894642B publication Critical patent/CN114894642B/zh
Priority to PCT/CN2023/090176 priority patent/WO2024001467A1/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
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/32—Investigating strength properties of solid materials by application of mechanical stress by applying repeated or pulsating forces
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明提出了一种基于深度学习的疲劳裂纹扩展速率测试装置和方法，包括一种双尺度快速‑区域卷积神经网络以准确度量裂纹长度，克服了传统柔度法、电位法难以适应于非标准试样的缺点，可用于任意几何尺寸的非标准试件裂纹扩展长度追踪。该方法首先通过相机采集不同尺度的裂纹数据集；其次，利用Faster‑RCNN对裂纹数据集进行训练；再次，构建全局和局部双尺度快速卷积神经网络，预测整个载荷循环周次下的裂纹长度；最后，融合断裂力学获取疲劳裂纹扩展速率与裂纹尖端应力强度因子的关系。本发明可实现对任意几何尺寸的非标准试件裂纹长度度量和扩展速率测试，对疲劳裂纹扩展试验过程中的裂纹长度进行实时自动化测量，并对裂纹扩展速率进行测试。

Description

一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
技术领域
本发明涉及材料疲劳强度技术领域，主要涉及一种基于深度学习的疲劳裂纹扩展速率测试方法及装置。
背景技术
疲劳裂纹扩展速率测试是疲劳裂纹扩展寿命预测的重要组成部分，对结构疲劳寿命评估和损伤容限设计具有重要意义。
疲劳裂纹扩展速率测试目标在于确定裂纹扩展速率与裂纹尖端应力强度因子的关系。裂纹扩展速率测试方法主要包括三个步骤：对含预制裂纹试件的循环加载；获取裂纹长度随循环周次增长的变化关系；根据弹性断裂力学将裂纹扩展速率表达为应力强度因子的函数。试验过程中对裂纹长度的准确测量非常重要，其直接影响了裂纹扩展速率测量的精度。经典的裂纹长度测量方法包括目测法和非目测法。目测法主要使用依靠螺纹传动的低倍显微镜，在试验过程中通过人工读取表面裂纹长度，会受到操作者的疲劳度、责任心和经验等因素的影响，无法实现自动测量裂纹长度随循环周次的变化规律，难以满足重复性、大批量的试验测试要求。非目测法技术大多数可实现自动化，但均依赖于特定几何尺寸试样的相关标定曲线。因此，这些技术大多基于国家标准试件进行裂纹扩展速率测试。然而，现有装备中许多关键构件难以加工成标准试件，如直升机尾传动轴，其加工成型后即为较薄的弯曲管轴试件，无法从中截取出符合国家标准的试样。针对类似的非标准试验，柔度法、电位法等均难以适应于非标准试样的几何变化，而目测法会受到操作者的疲劳度、责任心和经验等因素的影响，且难以满足重复性、大批量的试验测试要求。而现有常用的裂纹长度度量装置裂纹扩展引伸计(COD规)仅适用于标准试件，难以测量几何形状不符合标准规范的非标准试件的裂纹长度。
随着人工智能技术的发展，深度学习方法由于可以自动提取特征且可被集成于移动装置中实现自动化的特点，已在成功应用于语音识别、计算机视觉等领域。卷积神经网络作为深度学习的重要代表之一，被大量用于裂纹的探测，但研究工作均集中于识别裂纹。少量工作基于卷积神经网络针对裂纹长度的度量进行了研究，但主要针对尺寸较大的宏观建筑裂纹进行有效度量。对于疲劳裂纹扩展测试而言，其裂纹尺寸较小，这类方法的度量精度仍然难以满足要求。因而，针对疲劳裂纹扩展问题，利用人工智能技术，发展相适应的新一代疲劳裂纹扩展速率测试方法和装置非常必要，有望实现对疲劳裂纹速率的智能化实时监测，突破传统方法和装置难以适应于非标准试件疲劳裂纹扩展测试的难题。
发明内容
本发明提供一种基于深度学习的疲劳裂纹扩展速率测试装置，所述疲劳裂纹扩展速率测试装置包括采集单元、处理单元和显示单元；
所述采集单元用于获取被测试件的图片；
所述显示单元用于展示裂纹检测结果，在裂纹试件图片中显示出裂纹的位置并输出检测到的裂纹长度；
所述处理单元用于加载双尺度裂纹试件数据集、双尺度识别模块和疲劳裂纹扩展速率与应力强度因子关系拟合模块；
所述双尺度裂纹试件数据集包括全局尺度数据集和局部尺度数据集，所述全局尺度数据集存储试件裂纹扩展试验中全景图像，所述局部尺度数据集储试件裂纹扩展试验中仅包含裂纹信息的图像；
所述双尺度识别模块包括全局尺度识别模块和局部尺度识别模块；所述全局尺度识别模块通过所述全局尺度数据集进行训练，用于识别长裂纹的位置和长度，或短裂纹的初步检测结果；所述局部尺度识别模块通过所述局部尺度数据集进行训练，用于识别短裂纹的位置和长度；
所述疲劳裂纹扩展速率与应力强度因子关系拟合模块用于获取任意裂纹试件在裂纹扩展路径上的应力强度因子，构建裂纹扩展速率与应力强度因子的函数。
更进一步地，所述全局尺度模型和局部尺度模型均采用Faster-RCNN网络，所述Faster-RCNN网络包括基础CNN网络、RPN网络和Fast-RCNN网络；
所述基础CNN网络采用对数据集进行特征图提取，基础CNN网络分别连接RPN网络和Fast-RCNN网络；
所述RPN网络训练过程中，RPN网络同时与双尺度裂纹试件数据集连接获取标注信息，为生成建议框；
所述Fast-RCNN网络包括RoI池化层和全连接层，分别连接基础CNN网络和RPN网络；基于基础CNN网络的特征图和RPN网络的建议框，由建议框包围的特征被称为生成感兴趣的区域；所述区域进一步被输入到RoI池化层提取预设大小的特征向量；所述特征向量被送入全链接层，通过全连接层对图像中的目标进行分类，确定裂纹边界框的中心坐标，以及它们的高度和宽度。
更进一步地，所述双尺度识别模块依据输出的图像中裂纹像素尺寸，通过预设的像素与真实尺寸关系计算裂纹长度。
更进一步地，所述疲劳裂纹扩展速率与应力强度因子关系拟合模块的疲劳裂纹扩展速率与应力强度因子的函数可表达如下：
da/dN＝C(ΔK)m
其中，C和m为裂纹扩展常数，ΔK为应力强度因子变化幅值；
在常幅载荷F下，应力强度因子随裂纹扩展长度a而变化的关系可表达如下：
K＝(F/BW1/2)×f(a/W)
式中：
Figure BDA0003725876420000041
式中F为加载力，B为试样厚度，W为试样标距段长度，a为裂纹长度，f为与试样几何尺寸相关形状因子，k0，k1，k2，k3和k4为待定系数。
还提供了一种基于深度学习的疲劳裂纹扩展速率测试方法，所述疲劳裂纹扩展速率测试方法包括以下步骤：
步骤1，采集训练用试件照片，构建双尺度裂纹试件数据集；
步骤2，通过双尺度裂纹试件数据集对双尺度识别模块进行训练；
步骤3，实时获取待测试件图片，并通过训练后的双尺度识别模块判断是否存在裂纹和裂纹长度；
步骤4，通过不同载荷循环周次下的疲劳裂纹长度，获得裂纹扩展速率随裂纹长度的关系。
更进一步地，在步骤3中，还包括以下步骤：
步骤31，在裂纹扩展试验中采用摄像头进行拍摄，进行数据集的收集工作；
步骤32，将数据集中全局图片输入全局尺度模型中判断被测试件是否产生裂纹，若为长裂纹全局尺度模型计算裂纹长度；
步骤33，若为短裂纹，生成裂纹局部图像输入局部尺度模型，计算裂纹长度。
更进一步地，在步骤32中，若裂纹长度大于6mm，则判定为长裂纹，否则为短裂纹。
本发明达到的有益效果是：
本发明的目的是对传统疲劳裂纹扩展速率测试方法难以适应于非标准试样的几何变化，且难以满足重复性、大批量的试验测试要求等问题，提出了一种基于深度学习的疲劳裂纹长度度量和扩展速率测试方法和装置，可方便快捷地实现对裂纹长度的实时测量以及对裂纹扩展速率的测试。该方法克服了传统柔度法、电位法等难以适应于非标准试样的不足，可实现对任意几何尺寸的非标准试件裂纹长度度量和扩展速率测试，对疲劳裂纹扩展试验过程中的裂纹长度进行实时自动化测量，并对裂纹扩展速率进行测试。
本发明的方法通过发展一种新颖的双尺度Faster R-CNN实现对不同循环周次下的裂纹进行自动化识别和准确度量，克服了传统单尺度Faster R-CNN在短裂纹预测精度不足的问题。
本发明提出的双尺度检测方法能够对裂纹扩展全过程中拍摄的任意图片或视频进行裂纹长度自动化度量，并且不论是裂纹扩展初期的短裂纹还是裂纹扩展中后期的长裂纹，均可实现高精度度量，弥补了传统单尺度网络在短裂纹检测精度低的不足。
附图说明
图1为一种基于深度学习的疲劳裂纹扩展速率测试装置中双尺度识别模块的框架示意图；
图2为一种基于深度学习的疲劳裂纹扩展速率测试装置的结构示意图；
图3为一种基于深度学习的疲劳裂纹扩展速率测试方法中管轴的非标准裂纹扩展试件尺寸及其模型示意图；
图4为一种基于深度学习的疲劳裂纹扩展速率测试方法中全局尺度和局部尺度数据集示例示意图；
图5为一种基于深度学习的疲劳裂纹扩展速率测试方法中全局尺度裂纹在训练过程中训练损失和验证损失随训练次数的变化图；
图6为一种基于深度学习的疲劳裂纹扩展速率测试方法中局部尺度裂纹在训练过程中训练损失和验证损失随训练次数的变化图；
图7为一种基于深度学习的疲劳裂纹扩展速率测试方法中裂纹检测示意图；
图8为一种基于深度学习的疲劳裂纹扩展速率测试方法中裂纹长度随循环周次变化图。
具体实施方式
下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。
本发明提供了一种基于深度学习的疲劳裂纹扩展速率测试装置，包括采集单元、处理单元和显示单元。
采集单元是高清摄像头或单反相机，采集单元设置在正对拉扭组合疲劳试验系统中试件处，用于获取试件图片。
处理单元是本地计算机或云端计算服务器，用于加载双尺度裂纹试件数据集、双尺度识别模块和疲劳裂纹扩展速率与应力强度因子关系拟合模块。
双尺度裂纹试件数据集是将试件固定在拉扭组合疲劳试验系统(MTS)上进行疲劳循环加载试验过程中，通过单反相机在疲劳裂纹扩展试验全过程进行图像数据采集得到，用于对全局尺度Faster R-CNN识别模块和局部尺度Faster R-CNN识别模块进行训练和测试。
双尺度裂纹试件数据集包括全局尺度数据集和局部尺度数据集。全局尺度数据集用于训练和测试全局尺度Faster R-CNN识别模块；全局尺度数据集中图片在试件裂纹扩展试验中使用普通相机进行拍摄得到的全景图像；在数据集中随机选取50％的图像作为训练集，33.3％的图像作为验证集，剩下16.7％的图像作为测试集。局部尺度数据集是对全局尺度数据集的训练集和验证集中对含有短裂纹的图像进行局部裁剪处理，去掉裂纹之外的夹具等环境信息，仅包含位于图像中间的裂纹信息的图像构成；在数据集中随机选取60％的图像作为训练集，剩下40％的图像作为验证集。
双尺度识别模块包括全局尺度识别模块和局部尺度识别模块，用于基于神经网络技术对图片中存在的裂纹进行自动化识别，识别出裂纹所在的位置。
全局尺度识别模块通过全局尺度长裂纹数据集模型对裂纹图片进行全局尺度的检测，检测出图片中长裂纹的位置，或短裂纹的初步检测结果。当图像上裂纹尺寸相对较长，通过全局尺度识别模块能够对裂纹的长度进行准确度量。然而，当图像上裂纹长度相对较短，由于输入图片通过缩放后局部小裂纹信息容易被忽略，导致仅使用全局尺度识别模块进行短裂纹长度度量的结果存在较大误差。
局部尺度识别模块通过局部尺度短裂纹数据集模型对裂纹图片进行局部尺度的检测，形成短裂纹的精确检测结果，检测出图片中短裂纹的位置和裂纹长度。
如附图1所示，双尺度识别模块包含全局尺度模型和局部尺度模型。全局尺度模型和局部尺度模型均采用Faster-RCNN网络，Faster-RCNN网络包括基础CNN网络、RPN网络(Region proposal network)和Fast-RCNN网络(Fast region-based convolutionalnetwork)。
基础CNN网络采用对数据集进行特征图提取，基础CNN网络分别连接RPN网络和Fast-RCNN网络，由于RPN和Fast R-CNN共享了基础CNN进行特征提取，通过Faster RCNN可输入图片进行快速处理。
在RPN网络训练过程中，RPN网络同时与双尺度裂纹试件数据集连接获取标注信息，为生成建议框，空间窗口在特征图上滑动，并在每个窗口生成多个锚定框；这些锚定框将通过目标分类层区分是对象和背景，通过回归层提供带有维度信息的边界框，例如中心坐标(x和y)和框大小(宽度和高度)；最终，RPN可提供裂纹可能存在位置的建议框和分数。
Fast-RCNN网络包括RoI池化层和全连接层(FCL)，分别连接基础CNN网络和RPN网络；基于基础CNN网络的特征图和RPN网络的建议框，由建议框包围的特征被称为生成感兴趣的区域(RoIs)；这些RoIs进一步被输入到RoI池化层，应用最大池化操作从每个RoI中提取预设大小的特征向量；这些特征向量被送入全链接层，通过Softmax分类层对图像中的目标进行分类，同时通过回归层确定裂纹边界框的中心坐标，以及它们的高度和宽度。
双尺度识别模块依据输出的图像中裂纹像素尺寸，通过预设的像素与真实尺寸关系计算裂纹长度。
下一步将短裂纹局部视域框输入到局部尺度模型中继续进行检测，分别经过基础CNN网络、RPN、RoI池化层以及全连接层，最后输出图片中裂纹长度检测结果。与传统的单尺度Faster R-CNN目标检测网络结构相比，该双尺度网络结构通过串联全局尺度和局部尺度模型，将全局尺度模型的检测结果自动化进行长度判定，若网络判断为短裂纹，则继续通过局部尺度模型进行长度检测与度量。
疲劳裂纹扩展速率与应力强度因子关系拟合模块主要用于获取任意裂纹试件在裂纹扩展路径上的应力强度因子，构建裂纹扩展速率与应力强度因子的函数。
疲劳裂纹扩展速率与应力强度因子关系拟合模块通过上述双尺度Faster R-CNN获取不同载荷循环周次下的疲劳裂纹长度，可进一步获得裂纹扩展速率随裂纹长度a的关系，即da/dN～a曲线关系。在现已疲劳裂纹扩展测试方法中，裂纹扩展速率函数的构建通常针对标准裂纹扩展试件。以下将给出一种能同时适应标准和非标准的裂纹扩展速率函数构建方法。根据Paris速率公式，疲劳裂纹扩展速率与应力强度因子的函数可表达如下：
da/dN＝C(ΔK)m (1)
其中C和m为裂纹扩展常数，ΔK为应力强度因子变化幅值。在常幅载荷F下，应力强度因子随裂纹扩展长度a而变化的关系可表达如下：
K＝(F/BW1/2)×f(a/W) (2)
式中：
Figure BDA0003725876420000101
式中F为加载力，B为试样厚度，W为试样标距段长度，a为裂纹长度，f为与试样几何尺寸相关形状因子，k0，k1，k2，k3和k4为待定系数。对于非标准试样，待定系数需结合三维断裂力学进行拟合。通过三维裂纹扩展进行模拟，计算应力强度因子K随裂纹扩展长度a的关系，结合公式(2)和(3)，可拟合得到待定系数k0，k1，k2，k3和k4。将公式(2)和(3)带入公式(1)，结合da/dN～a曲线关系，即可拟合得到疲劳裂纹扩展速率常数C和m。
显示单元是显示器或触摸电容屏，显示单元用于展示裂纹检测结果，在裂纹试件图片中显示出裂纹的位置并输出检测到的裂纹长度。
如附图2所示，在一种实施例中，疲劳裂纹扩展速率测试装置由树莓派4B开发板、搭载35mm长焦镜头的HQ Camera摄像头、7寸电容屏、装置整体外壳、树莓派电源线、Type-C线组成。开发板放置在外壳的内部，外壳前部安装了HQ Camera摄像头，摄像头上辅助安装了长焦镜头方便调节装置放在试件不同距离位置时进行调焦拍摄，外壳后部安装了7寸的触摸电容屏，方便进行触摸操作和查看裂纹测试结果，树莓派电源线接口和Type-C线接口分别在外壳的左右两侧，连接上电源后装置即可启动，可设置装置连接有线或无线网，连接云端服务器进行计算，提升计算速度。装置通过摄像头对裂纹试件进行拍照或录制视频，在本地或云端服务器进行计算，最终在屏幕上显示出裂纹长度度量的结果。
同时，本发明还提供了一种基于深度学习的疲劳裂纹扩展速率测试方法，该疲劳裂纹扩展速率测试方法包括以下步骤：
步骤1，采集训练用试件照片，构建双尺度裂纹试件数据集；
步骤2，通过双尺度裂纹试件数据集对双尺度识别模块进行训练；
步骤3，实时获取待测试件图片，并通过训练后的双尺度识别模块判断是否存在裂纹和裂纹长度；
步骤4，通过不同载荷循环周次下的疲劳裂纹长度，获得裂纹扩展速率随裂纹长度的关系。
在步骤1中，通过采集单元采集拉扭组合疲劳试验系统中试件处，对试件在实验中各阶段进行拍照，去掉拍摄图像中无法识别裂纹的模糊图像以及无裂纹等无效图像后，共得到4479张有效的原始图像，每张原始图像的尺寸为6000×4000以此建立裂纹数据集。将4479张原始图像作为全局尺度数据集，在数据集中随机选取50％的图像作为训练集，33.3％的图像作为验证集，剩下16.7％的图像作为测试集。全局尺度数据集中，训练集图片2240张，验证集1493张，测试集746张。在训练集和验证集中对含有短裂纹的图像进行局部裁剪处理得到1000×800、650×170大小的图像，作为局部尺度数据集。局部尺度数据集中共有1181张局部尺度图像，其中随机选取训练集图片708张，验证集图片473张。全局尺度的原始图像包含实验过程中试件和环境的信息，裁剪后得到的局部尺度图像去掉裂纹之外的夹具等环境信息，仅包含位于图像中间的裂纹信息。试验采用的设备为拉扭组合疲劳试验系统(MTS)，将试件固定在MTS上进行疲劳循环加载，试验过程中在模型训练阶段用单反相机进行图像数据采集，在测试阶段将训练好的网络集成于树莓派设备端对试件裂纹进行实时识别和度量，形成裂纹长度度量装置，裂纹图像均以试件充满整个屏幕为宜。
在步骤2中，具体的，以全局尺度数据集中一张6000×4000大小的图片为例对双尺度网络结构进行说明，全局尺度模型采用ResNet-50网络作为基础CNN进行特征提取网络，提取大小为57×38×1024的特征图，该特征图将被作为输入进一步提供给到RPN中，以获得裂纹可能所在区域的建议框。Fast CNN从基础CNN获取特征图，从RPN获取的建议框。由建议框包围的特征被称为生成感兴趣的区域(RoIs)。这些RoIs进一步被输入到RoI池化层，应用最大池化操作从每个RoI中提取14×14×1024固定大小的特征向量。这些向量被送入全连接层，通过Softmax分类层对图像中的目标进行分类，同时通过回归层确定裂纹边界框的中心坐标，以及它们的高度和宽度。考虑到裂纹扩展测试中通常为直裂纹，为提高效率，裂纹的长度直接取为检测框的宽度。
对局部尺度模型的训练方式与全局尺度模型的训练方式相同，将局部尺度数据集输入到局部尺度模型中继续进行检测，分别经过基础CNN网络、RPN网络、RoI池化层以及全连接层，确定裂纹边界框的中心坐标，以及它们的高度和宽度。
在步骤3中，还包括以下步骤：
步骤31，在裂纹扩展试验中采用摄像头进行拍摄，进行数据集的收集工作；
步骤32，将数据集中全局图片输入全局尺度模型中判断被测试件是否产生裂纹，若为长裂纹全局尺度模型计算裂纹长度；
在预测过程中，将采集到的被测试件全局图片被输入到全局尺度模型中，输出初步检测结果，若裂纹长度大于6mm，则判定为长裂纹，度量结束，输出识别到的裂纹长度和位置。
步骤33，若为短裂纹，生成裂纹局部图像输入局部尺度模型，计算裂纹长度。
若裂纹长度小于6mm，则判定为小裂纹，在全局尺度模型识别的裂纹框基础上进行裁剪，在全局尺度模型预测裂纹的检测边框基础上，将检测边框的长和宽都扩大100像素，扩大后的检测边框将形成新的局部视野边框，并基于此对原图进行裁剪，形成新的局部图像。然后，将裁剪之后的局部图像输入到局部尺度模型进行短裂纹长度的度量，从而实现对整个循环周次下的不同长度裂纹的准确预测。
在步骤4中，通过上述双尺度Faster R-CNN获取不同载荷循环周次下的疲劳裂纹长度，可进一步获得裂纹扩展速率随裂纹长度a的关系，即da/dN～a曲线关系。在现已疲劳裂纹扩展测试方法中，裂纹扩展速率函数的构建通常针对标准裂纹扩展试件。以下将给出一种能同时适应标准和非标准的裂纹扩展速率函数构建方法。根据Paris速率公式，疲劳裂纹扩展速率与应力强度因子的函数可表达如下：
da/dN＝C(ΔK)m (4)
其中C和m为裂纹扩展常数，ΔK为应力强度因子变化幅值。在常幅载荷F下，应力强度因子随裂纹扩展长度a而变化的关系可表达如下：
K＝(F/BW1/2)×f(a/W) (5)
式中：
Figure BDA0003725876420000141
式中F为加载力，B为试样厚度，W为试样标距段长度，a为裂纹长度，f为与试样几何尺寸相关形状因子，k0,k1,k2,k3和k4为待定系数。对于非标准试样，待定系数需结合三维断裂力学进行拟合。通过三维裂纹扩展进行模拟，计算应力强度因子K随裂纹扩展长度a的关系，结合公式(5)和(6)，可拟合得到待定系数k0,k1,k2,k3和k4。将公式(5)和(6)带入公式(4)，结合da/dN～a曲线关系，即可拟合得到疲劳裂纹扩展速率常数C和m。
通过以上提出的方法，可实现对任意几何尺寸的非标准试样的裂纹扩展速率测试，尤其是给出的双尺度Faster R-CNN可实现整个载荷循环周次下裂纹长度的自动识别和准确度量，弥补了现有目测法、柔度法等的不足，丰富了裂纹扩展速率测试方法体系。
如附图3所示，在一种实施例中，传动轴为通过挤压强化工艺后形成的管轴部件，其管壁是弯曲的曲面。因其厚度较薄，难以被加工符合现有疲劳裂纹扩展速率标准测试方法所需求的平面试件。若将曲面试件碾平成平面试件，将引起残余应力、材料硬化等现象发生，导致碾平后的试件难以反应原试件的真实疲劳特性。本发明将在标准CT紧凑拉伸试件的基础上，给出一种非标准裂纹扩展试件设计的思路。为了适应于MTS疲劳试验机的夹具以及量程范围等，非标准裂纹扩展试件的尺寸设计仍然参照标准CT紧凑拉伸试件。该试件的长度为W＝63.5mm，裂纹缺口长度为a0＝7mm，厚度为1.8mm。试件的裂纹总长度为裂纹缺口长度与肉眼观测到的表面裂纹长度之和。切割后的试件外表面尺寸与标准CT试件尺寸一致，其孔洞和缺口的切割方向沿管轴径向方向。对于其它非标准试件，建议将试件的二维投影保持与标准CT试件尺寸一致，切割方向垂直于该二维投影。
如附图4所示，在裂纹扩展试验中采用普通相机拍摄，进行数据集的收集工作。本发明通过5次裂纹扩展试验中收集到管轴试件裂纹扩展不同时期的图像作为裂纹数据集，数据集中的图片以试件充满整张照片为宜。实验过程中共收集到4479张有效裂纹图像，其中当图像上裂纹的长度a小于6mm时判定为短裂纹。表1给出了各数据集中的图像数量和尺寸。全局尺度裂纹数据集由所有有效裂纹图像构成，且被分为训练集2240张，验证集1493张，测试集746张。局部尺度裂纹数据集通过对全局尺度训练集和验证集中的短裂纹图像进行局部截取得到，截取时只保留有裂纹部分的图像。为了对局部尺度裂纹集进行数据增强，对原图局部截取了2种不同大小的尺寸，因此局部裂纹数据集中共有2种不同尺寸的图片，分别为1000×800和650×170，数据集中共有1181张局部截取之后的局部尺度图片和对应的标注，包含训练集708张，验证集473张。因此，在双尺度数据集中共有4479+1181＝5660张图片，其中训练集2948张，验证集1966张，测试集746张。这些数据集将被用于训练、验证和测试提出的双尺度Faster R-CNN模型。
表1各数据集中的图片数量及尺寸
Figure BDA0003725876420000161
如附图5-6所示，基于Faster R-CNN算法对上述全局尺度和局部尺度数据集进行训练，得到全局尺度模型1和局部尺度模型2。在训练过程中，全局尺度数据集和局部尺度数据集将分别通过Faster R-CNN进行训练。总的训练次数为30次，采用梯度下降法进行优化。由附图5-6验证损失图可以看出，局部尺度和全局尺度均在第5次训练之后损失函数趋于收敛，因此设定总训练次数为5次。
通过测试集对训练好的模型进行测试，在双尺度Faster R-CNN模型中输入测试图像可得到图像中裂纹的长度和位置。在预测过程中所用到的测试图像均与上述训练集和验证集图片不相同。另外，测试得到的长度为图像中裂纹所占的像素点长度，若需得到裂纹真实的长度，还需依据测试图片的标尺，将裂纹的像素点长度换算为真实裂纹长度。在此次模型测试试验中，1mm长度对应测试图片中68个像素点。
在预测过程中，首先需要度量的新图片被输入到全局尺度模型中，输出初步检测结果，若裂纹长度大于6mm，则判定为长裂纹，度量结束，输出识别到的裂纹长度和位置；若裂纹长度小于6mm，则判定为短裂纹，在全局尺度模型识别的裂纹框基础上进行裁剪，并将裁剪之后的图片输入到局部尺度模型中再次进行识别，输出识别到的短裂纹长度和位置。
如附图7所示，当一张新的裂纹图片被输入到双尺度裂纹检测模型后，可在图像上检测出裂纹，并给出裂纹的真实长度。从图中可以看出，不管是短裂纹还是长裂纹，本发明方法预测的结果与真实结果具有较好的一致性。
最终，测试集中共有746张图片通过提出的双尺度Faster R-CNN进行预测，裂纹长度误差在5％以内的准确率为98.79％，3％以内的准确率为91.82％。测试集中有短裂纹图像197张，分别经过全局单尺度Faster R-CNN模型和双尺度Faster R-CNN模型进行裂纹度量。如表2所示，当采用全局单尺度模型进行识别和度量时，裂纹长度误差在5％以内的准确率为81.72％，3％以内的准确率为22.84％。当采用双尺度模型进行识别和度量时，裂纹长度误差在5％以内的准确率为96.44％，3％以内准确率为86.29％。从结果可发现，通过提出的双尺度Faster R-CNN模型，短裂纹的长度预测精度和准确率均有显著提高。因此，双尺度Faster R-CNN模型不仅能够识别全局尺度的长裂纹，也能准确检测出局部尺度的短裂纹。
表2短裂纹长度预测误差分析
Figure BDA0003725876420000171
此外，将上述训练的深度学习模型集成在树莓派电脑集成微处理器端，开发出裂纹长度度量装置对另一个新的试件进行疲劳裂纹长度度量。在试验过程中，装置能够对裂纹进行实时检测，并用长方形框给出裂纹所在位置。在进行管轴试件的裂纹扩展试验时，用双尺度Faster R-CNN裂纹检测模型对不同循环周次下的裂纹图像都进行检测和度量。如附图8所示，给出了记录的裂纹长度结果，其中蓝色的点表示标注的裂纹数据，红色的点表示预测的裂纹数据。从图中能看出裂纹长度的预测值与标注值的误差较小，验证了本发明双尺度Faster R-CNN模型的度量精度和可泛化性。由于在裂纹扩展试验中，不能保证每次拍摄的图像恰好为此循环周次下裂纹张开最大的图像，因此在记录长度时，建议记录短时间内多次识别的最长裂纹长度值。
通过三维疲劳裂纹扩展分析可得到传动轴试件的等效应力强度因子随裂纹扩展长度的变化规律。将该应力强度因子和裂纹长度关系带入公式(3)中，通过回归拟合即可得到未知参数为k0＝1.20、k1＝-0.7129，k2＝0.9463、k3＝-5.184、k4＝4.9，根据上述测试预测得到的裂纹长度随载荷循环周次的关系，结合Paris疲劳裂纹扩展速率模型，即可得到该尾传动轴的疲劳裂纹扩展速率常数为C＝1.5977e-10和m＝4.4505。由此可见，本发明提出的方法不仅能实现裂纹扩展速率的自动化预测，同时适应于非标准裂纹扩展试件的疲劳裂纹扩展速率测试。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。

Claims (6)

1.一种基于深度学习的疲劳裂纹扩展速率测试装置，其特征在于，所述疲劳裂纹扩展速率测试装置包括采集单元、处理单元和显示单元；
所述采集单元用于获取被测试件的图片；
所述显示单元用于展示裂纹检测结果，在裂纹试件图片中显示出裂纹的位置并输出检测到的裂纹长度；
所述处理单元用于加载双尺度裂纹试件数据集、双尺度识别模块和疲劳裂纹扩展速率与应力强度因子关系拟合模块；
所述双尺度裂纹试件数据集包括全局尺度数据集和局部尺度数据集，所述全局尺度数据集存储试件裂纹扩展试验中全景图像，所述局部尺度数据集储试件裂纹扩展试验中仅包含裂纹信息的图像；
所述双尺度识别模块包括全局尺度识别模块和局部尺度识别模块；所述全局尺度识别模块通过所述全局尺度数据集进行训练，用于识别长裂纹的位置和长度，或短裂纹的初步检测结果；所述局部尺度识别模块通过所述局部尺度数据集进行训练，用于识别短裂纹的位置和长度；
所述疲劳裂纹扩展速率与应力强度因子关系拟合模块用于获取任意裂纹试件在裂纹扩展路径上的应力强度因子，构建裂纹扩展速率与应力强度因子的函数；
所述全局尺度识别模块和局部尺度识别模块均采用Faster-RCNN网络，所述Faster-RCNN网络包括基础CNN网络、RPN网络和Fast-RCNN 网络；
所述基础CNN网络采用对数据集进行特征图提取，基础CNN网络分别连接RPN网络和Fast-RCNN 网络；
所述RPN网络训练过程中，RPN网络同时与双尺度裂纹试件数据集连接获取标注信息，为生成建议框；
所述Fast-RCNN 网络包括RoI 池化层和全连接层，分别连接基础CNN网络和RPN网络；基于基础CNN网络的特征图和RPN网络的建议框，由建议框包围的特征被称为生成感兴趣的区域；所述区域进一步被输入到RoI 池化层提取预设大小的特征向量；所述特征向量被送入全链接层，通过全连接层对图像中的目标进行分类，确定裂纹边界框的中心坐标，以及它们的高度和宽度。
2.根据权利要求1所述疲劳裂纹扩展速率测试装置，其特征在于，所述双尺度识别模块依据输出的图像中裂纹像素尺寸，通过预设的像素与真实尺寸关系计算裂纹长度。
3.根据权利要求1所述疲劳裂纹扩展速率测试装置，其特征在于，所述疲劳裂纹扩展速率与应力强度因子关系拟合模块的疲劳裂纹扩展速率与应力强度因子的函数可表达如下：
Figure QLYQS_1
其中，
Figure QLYQS_2
和m为裂纹扩展常数，
Figure QLYQS_3
为应力强度因子变化幅值；
在常幅载荷F下，应力强度因子随裂纹扩展长度
Figure QLYQS_4
而变化的关系可表达如下：
Figure QLYQS_5
式中：
Figure QLYQS_6
式中F为常幅载荷，B为试样厚度，W为试样标距段长度，
Figure QLYQS_7
为裂纹扩展长度，f为与试样几何尺寸相关形状因子，
Figure QLYQS_8
,
Figure QLYQS_9
,
Figure QLYQS_10
,
Figure QLYQS_11
和
Figure QLYQS_12
为待定系数。
4.一种基于权利要求1-3中任一项所述深度学习的疲劳裂纹扩展速率测试装置的疲劳裂纹扩展速率测试方法，其特征在于，所述疲劳裂纹扩展速率测试方法包括以下步骤：
步骤1，采集训练用试件照片，构建双尺度裂纹试件数据集；
步骤2，通过双尺度裂纹试件数据集对双尺度识别模块进行训练；
步骤3，实时获取待测试件图片，并通过训练后的双尺度识别模块判断是否存在裂纹和裂纹长度；
步骤4，通过不同载荷循环周次下的疲劳裂纹长度，获得裂纹扩展速率随裂纹长度的关系。
5.根据权利要求4所述疲劳裂纹扩展速率测试装置，其特征在于，在步骤3中，还包括以下步骤：
步骤31，在裂纹扩展试验中采用摄像头进行拍摄，进行数据集的收集工作；
步骤32，将数据集中全局图片输入全局尺度模型中判断被测试件是否产生裂纹，若为长裂纹全局尺度模型计算裂纹长度；
步骤33，若为短裂纹，生成裂纹局部图像输入局部尺度模型，计算裂纹长度。
6.根据权利要求5所述疲劳裂纹扩展速率测试装置，其特征在于，在步骤32中，若裂纹长度大于6mm，则判定为长裂纹，否则为短裂纹。
CN202210774131.XA 2022-07-01 2022-07-01 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置 Active CN114894642B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210774131.XA CN114894642B (zh) 2022-07-01 2022-07-01 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
PCT/CN2023/090176 WO2024001467A1 (zh) 2022-07-01 2023-04-24 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210774131.XA CN114894642B (zh) 2022-07-01 2022-07-01 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

Publications (2)

Publication Number Publication Date
CN114894642A CN114894642A (zh) 2022-08-12
CN114894642B true CN114894642B (zh) 2023-03-14

Family

ID=82730365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210774131.XA Active CN114894642B (zh) 2022-07-01 2022-07-01 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

Country Status (2)

Country Link
CN (1) CN114894642B (zh)
WO (1) WO2024001467A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114894642B (zh) * 2022-07-01 2023-03-14 湖南大学 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
CN117332688B (zh) * 2023-09-27 2024-04-16 中国石油大学(华东) 随机荷载作用下x80管道钢疲劳裂纹扩展预测方法及系统
CN117554218B (zh) * 2024-01-12 2024-03-22 苏交科集团股份有限公司 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法
CN117907582B (zh) * 2024-03-19 2024-05-17 上海强华实业股份有限公司 基于工业视觉的石英参数测量评估系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181492A (zh) * 2015-07-23 2015-12-23 中国科学院力学研究所 一种表面强化构件疲劳裂纹扩展速率的测定方法
CN107389478A (zh) * 2017-06-22 2017-11-24 上海工程技术大学 一种基于小波包分析的材料疲劳寿命的预测方法
CN107818562A (zh) * 2017-10-23 2018-03-20 广东电网有限责任公司东莞供电局 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN113065224A (zh) * 2021-03-05 2021-07-02 天津大学 基于图像识别的深海管道裂纹扩展监测与可靠性评估方法
CN113806868A (zh) * 2021-09-17 2021-12-17 湖南大学 一种直升机尾传动轴抗弹击损伤容限分析方法
CN114066867A (zh) * 2021-11-23 2022-02-18 沈阳建筑大学 一种基于深度学习的裂纹扩展痕迹缺失区域的分割方法
CN114066891A (zh) * 2022-01-17 2022-02-18 北京市建设工程质量第一检测所有限责任公司 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质
CN114509506A (zh) * 2021-12-28 2022-05-17 南京航空航天大学 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7623973B1 (en) * 2008-05-05 2009-11-24 Gm Global Technology Operations, Inc. Methods and systems to predict fatigue life in aluminum castings
US10846566B2 (en) * 2016-09-14 2020-11-24 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN109615010B (zh) * 2018-12-13 2020-11-10 济南大学 基于双尺度卷积神经网络的中药材识别方法及系统
CN109615574B (zh) * 2018-12-13 2022-09-23 济南大学 基于gpu和双尺度图像特征比对的中药识别方法及系统
CN112229585B (zh) * 2020-09-18 2022-07-08 长沙理工大学 基于人工智能与声发射技术的裂缝损伤定位方法以及系统
US20220092856A1 (en) * 2020-09-22 2022-03-24 Bentley Systems, Incorporated Crack detection, assessment and visualization using deep learning with 3d mesh model
CN113607546A (zh) * 2021-08-10 2021-11-05 西北工业大学 一种裂纹测量方法
CN114894642B (zh) * 2022-07-01 2023-03-14 湖南大学 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181492A (zh) * 2015-07-23 2015-12-23 中国科学院力学研究所 一种表面强化构件疲劳裂纹扩展速率的测定方法
CN107389478A (zh) * 2017-06-22 2017-11-24 上海工程技术大学 一种基于小波包分析的材料疲劳寿命的预测方法
CN107818562A (zh) * 2017-10-23 2018-03-20 广东电网有限责任公司东莞供电局 一种干式空心并联电抗器风道绝缘包封层裂纹在线检测方法
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN113065224A (zh) * 2021-03-05 2021-07-02 天津大学 基于图像识别的深海管道裂纹扩展监测与可靠性评估方法
CN113806868A (zh) * 2021-09-17 2021-12-17 湖南大学 一种直升机尾传动轴抗弹击损伤容限分析方法
CN114066867A (zh) * 2021-11-23 2022-02-18 沈阳建筑大学 一种基于深度学习的裂纹扩展痕迹缺失区域的分割方法
CN114509506A (zh) * 2021-12-28 2022-05-17 南京航空航天大学 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法
CN114066891A (zh) * 2022-01-17 2022-02-18 北京市建设工程质量第一检测所有限责任公司 基于深度学习的墙体裂缝识别评判方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沥青混合料预缺口试件直接拉伸疲劳损伤分析;周志刚等;《中国公路学报》;20130131(第01期);第30-37页 *

Also Published As

Publication number Publication date
CN114894642A (zh) 2022-08-12
WO2024001467A1 (zh) 2024-01-04

Similar Documents

Publication Publication Date Title
CN114894642B (zh) 一种基于深度学习的疲劳裂纹扩展速率测试方法及装置
CN109886939B (zh) 基于张量投票的桥梁裂缝检测方法
CN110736748A (zh) 免疫组化核浆染色切片诊断方法及系统
CN111612846A (zh) 基于U-net CNN图像识别和像素标定的混凝土裂缝宽度测定方法
CN110782440B (zh) 一种作物籽粒性状测量方法
CN110517265A (zh) 一种产品表面缺陷的检测方法、装置及存储介质
CN108664970A (zh) 一种快速目标检测方法、电子设备、存储介质及系统
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN108445010A (zh) 自动光学检测方法及装置
CN108335310B (zh) 一种便携式粒形粒度检测方法及系统
CN116152697A (zh) 一种混凝土结构裂缝的三维模型测量方法及相关装置
CN116524313A (zh) 基于深度学习和多模态图像的缺陷检测方法及相关装置
CN116612176A (zh) 一种轧制棒线材剪切废料尺寸的测量方法和装置
CN113763384B (zh) 工业质检中的缺陷检测方法、缺陷检测装置
CN113538411A (zh) 一种绝缘子缺陷检测方法及装置
CN113569679A (zh) 测量断裂伸长率的方法、装置和系统
CN117934404A (zh) 一种石材表面缺陷检测方法及系统
CN113538412A (zh) 一种航拍图像的绝缘子缺陷检测方法及装置
CN116091506B (zh) 一种基于yolov5的机器视觉缺陷质检方法
CN108765391A (zh) 一种基于深度学习的平板玻璃异物影像分析方法
CN117308881A (zh) 一种隧道检修道盖板倾斜角度的检测装置和检测方法
CN116721083A (zh) 一种检测电力设备瑕疵的背夹及其检测方法
CN115931870A (zh) 一种产品环境效应表观损伤特征采集装置及评价方法
Frangione et al. Multi-step approach for automated scaling of photogrammetric micro-measurements
CN114677331A (zh) 基于灰度图像和深度数据融合的管材缺陷检测方法及装置

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