CN115096891B - 一种航空发动机叶片智能检查方法 - Google Patents
一种航空发动机叶片智能检查方法 Download PDFInfo
- Publication number
- CN115096891B CN115096891B CN202210592361.4A CN202210592361A CN115096891B CN 115096891 B CN115096891 B CN 115096891B CN 202210592361 A CN202210592361 A CN 202210592361A CN 115096891 B CN115096891 B CN 115096891B
- Authority
- CN
- China
- Prior art keywords
- blade
- engine
- image
- intelligent inspection
- blades
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 239000000523 sample Substances 0.000 claims description 57
- 230000006378 damage Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000008021 deposition Effects 0.000 claims description 2
- 208000014674 injury Diseases 0.000 claims description 2
- 238000007790 scraping Methods 0.000 claims description 2
- 230000008733 trauma Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001839 endoscopy Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
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
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10068—Endoscopic 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biochemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及计算机智能图像识别技术领域，具体是一种航空发动机叶片智能检查方法，其具体步骤如下：S1、建立发动机的标准样片数据库；S2、发动机叶片智能化检查；S3、鉴定发动机叶片的缺陷类型；通过提供这种计算机图像识别技术，替代人工检查航空发动机叶片是否满足要求，以达到防止人眼检查航空发动机叶片长时间重复工作，产生疲劳出现人为差错导致错检、漏检的情况，本发明仅需要通过3‑5片的采样，直接定出合格的样片，后面的叶片和合格的叶片进行对比，判断是否合格，缩短检查时间，提高生产效率。
Description
技术领域
本发明涉及计算机智能图像识别技术领域，具体是一种航空发动机叶片智能检查方法。
背景技术
现阶段航空发动机叶片的检查方法是利用工业内窥镜通过光纤探头，深入到发动机内部再通过人眼观察外部的工业内窥镜屏幕对叶片的外形进行检查。首先需要检查人员凭借长期工作的经验，从工业内窥镜的屏幕中识别到叶片的特征，再进行判别叶片是否是缺陷。由于航空发动机叶片数量多、面积广、曲面大仅利用人眼逐一检查难免人员分配紧张，并且发动机叶片的检查，只能在人眼的配合下进行一级一级地检查，工作效率较低(检查一台发动机需要45min～60min)，随着不断的重复性工作和时间增加，检查人员疲劳(尤其是人眼的疲劳)，导致精力下降，容易造成错认、漏认的情况，最终导致检查质量下降。
如中国专利申请号为202010674099.9的基于深度学习的飞机发动机叶片表面缺陷检测方法中，包括：采集飞机发动机叶片图像，手工标注包含表面缺陷的图像，构建表面缺陷图像数据集；对表面缺陷图像数据集进行预处理，所述预处理包括去噪和图像增强；构建用于检测缺陷标签与缺陷类别的深度卷积缺陷检测网络，采用预处理后的表面缺陷图像数据集对深度卷积缺陷检测网络进行训练；其中，所述深度卷积缺陷检测网络采用并行的ResNet网络和DenseNet网络同时对输入的叶片图像进行特征提取，将提取得到的两个特征在对应位置上叠加进行特征融合，再结合融合后的特征进行缺陷分类，但是需要大量的数据库进行对比，速度慢，效率低。
发明内容
为了解决上述问题，本发明提出一种航空发动机叶片智能检查方法。
一种航空发动机叶片智能检查方法，其具体步骤如下：
S1、建立发动机的标准样片数据库：
S11、视频图像采集：将工业内窥镜探头插入发动机内腔，工业内窥镜探头插入时由专用夹具固定在指定位置，使探头对准叶片规定位置不动，工业内窥镜实时采集发动机叶片的拍摄视频信息，通过HDMI视频传输线传送给检测系统的计算机，检测系统对视频图像进行视频图像采集；
S12、图像信息缓存：采用多内存块轮转存储的机制，保证视频图像采集的实时性和连续性；
S13、图像信息预处理：检测系统从图像缓存区读取图像后，首先进行图像去噪、图像增强类图像预处理，然后对图像中的发动机叶片边缘进行检测和提取，便于后续计算机的识别；
S14、叶片位置判定：由于采集图像时，发动机叶片是运动的，根据发动机叶片位置对视频图像进行筛选，检测叶片处于指定位置时的图像进行存储，为后续的识别基础；
S15、叶片区域分割：由于发动机叶片是连续旋转的，当在图像某个区域设置掩膜后，每个叶片都会周期性地进入该区域，系统将提取进入该区域的所有叶片图像，而忽略不在该区域的叶片图像；
S16、表面光斑过滤：在程序中由光斑识别程序，通过图像的对比度变化进行识别，当发动机叶片表面出现光斑时，计算机会自动通过声光告警，操作者通过调整工业内窥镜的照度大小，消除发动机叶片表面上的光斑；
S17、判断采集的叶片信息是否符合标准：判断叶片信息是否符合标准的方法，是判断3～5个发动机叶片是否一致，也就是说，3～5个发动机叶片的图像信息一致能够认定这些叶片都是标准叶片；
S18、建立标准样片数据库：对符合标准的样片数据存档建立数据库，为后续发动机叶片智能化检查奠定基础；
S2、发动机叶片智能化检查：
S21、重复执行步骤S1的S11-S16；
S22、叶片损伤识别：对采集的发动机叶片信息通过与标准样片数据库进行对比；
S23、输出结果：将检查后的结论输出，对有问题的发动机叶片进行标注；
S3、鉴定发动机叶片的缺陷类型：由于发动机叶片存在缺陷的类型较多，为了识别，需要通过计算机的事先学习，使其具备缺陷类型的辨别能力，具体为：
S31、样本库：采集已有发动机损伤叶片的图形信息，建立样本库；
S32、YOLOV3算子：利用YOLOV3使用卷积层。使其成为一个全卷积网络；
S33、损伤识别建模：通过YOLOV3算子建立损伤识别数据模型，为后续损伤的发动机叶片类型奠定基础。
所述的步骤S15中，当发动机叶片边缘轮廓进入掩膜区即判定叶片处于指定位置，此时对叶片检测区域进行图像分割，由于发动机叶片的大小、形状类都是一致的，能够准确地获得每个叶片检测区域。
所述的步骤S16中的表面光斑过滤就是出现光斑时计算机会发出警告，过滤光斑。
所述的步骤S17在认为发动机叶片在损坏后，损坏的几个叶片一模一样，通过该办法判定标准样片是否符合要求，如果不满足要求，再获取发动机叶片进行判断，直到满足要求为止。
所述的步骤S18在发动机叶片检查3～5片后随即停止。
所述的步骤S22中，如果两者数据相同，说明刚采集的发动机叶片为合格；如果两者数据不相同，说明刚采集的发动机叶片为不合格，并对信息不相同处进行标定，便于后续检查人员识别。
所述的步骤S3的缺陷类型有：裂纹、缺口、压坑、撕裂、烧伤、叶尖卷边、掉块、烧穿、弯曲、凸起即鼓包、沉积物、连续击伤、重叠、刮或刻痕、腐蚀、积碳、断裂类。
本发明的有益效果是：通过提供这种计算机图像识别技术，替代人工检查航空发动机叶片是否满足要求，以达到防止人眼检查航空发动机叶片长时间重复工作，产生疲劳出现人为差错导致错检、漏检的情况，本发明仅需要通过3-5片的采样，直接定出合格的样片，后面的叶片和合格的叶片进行对比，判断是否合格，缩短检查时间，提高生产效率。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程结构示意图；
图2为本发明的智能检查连接结构示意图；
附图标记：1、被检测的航空发动机；2、叶片；3、工业内窥镜上的探头；4、工业内窥镜探杆；5、工业内窥镜固定座；6、数据传输电缆；7、计算机一；8、计算机二。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面对本发明进一步阐述。
如图1所示，一种航空发动机叶片智能检查方法，其具体步骤如下：
S1、建立发动机的标准样片数据库：
S11、视频图像采集：将工业内窥镜探头插入发动机内腔，工业内窥镜探头插入时由专用夹具固定在指定位置，使探头对准叶片规定位置不动，工业内窥镜实时采集发动机叶片的拍摄视频信息，通过HDMI视频传输线传送给检测系统的计算机，检测系统对视频图像进行视频图像采集；
S12、图像信息缓存：采用多内存块轮转存储的机制，保证视频图像采集的实时性和连续性；
S13、图像信息预处理：检测系统从图像缓存区读取图像后，首先进行图像去噪、图像增强类图像预处理，然后对图像中的发动机叶片边缘进行检测和提取，便于后续计算机的识别；
S14、叶片位置判定：由于采集图像时，发动机叶片是运动的，根据发动机叶片位置对视频图像进行筛选，检测叶片处于指定位置时的图像进行存储，为后续的识别基础，能够提高叶片损伤的识别率；
S15、叶片区域分割：由于发动机叶片是连续旋转的，当在图像某个区域设置掩膜后，每个叶片都会周期性地进入该区域，系统将提取进入该区域的所有叶片图像，而忽略不在该区域的叶片图像；
S16、表面光斑过滤：在程序中由光斑识别程序，通过图像的对比度变化进行识别，当发动机叶片表面出现光斑时，计算机会自动通过声光告警，操作者通过调整工业内窥镜的照度大小，消除发动机叶片表面上的光斑；
S17、判断采集的叶片信息是否符合标准：判断叶片信息是否符合标准的方法，是判断3～5个发动机叶片是否一致，也就是说，3～5个发动机叶片的图像信息一致能够认定这些叶片都是标准叶片；
S18、建立标准样片数据库：对符合标准的样片数据存档建立数据库，为后续发动机叶片智能化检查奠定基础；
S2、发动机叶片智能化检查：
S21、重复执行步骤S1的S11-S16；
S22、叶片损伤识别：对采集的发动机叶片信息通过与标准样片数据库进行对比；
S23、输出结果：将检查后的结论输出，对有问题的发动机叶片进行标注；
S3、鉴定发动机叶片的缺陷类型：由于发动机叶片存在缺陷的类型较多，为了识别，需要通过计算机的事先学习，使其具备缺陷类型的辨别能力，具体为：
S31、样本库：采集已有发动机损伤叶片的图形信息，建立样本库；
S32、YOLOV3算子：利用YOLOV3使用卷积层。使其成为一个全卷积网络；
S33、损伤识别建模：通过YOLOV3算子建立损伤识别数据模型，为后续损伤的发动机叶片类型奠定基础。
通过提供这种计算机图像识别技术，替代人工检查航空发动机叶片是否满足要求，以达到防止人眼检查航空发动机叶片长时间重复工作，产生疲劳出现人为差错导致错检、漏检的情况，本发明仅需要通过3-5片的采样，直接定出合格的样片，后面的叶片和合格的叶片进行对比，判断是否合格，缩短检查时间，提高生产效率。
所述的步骤S11是由于使用工业内窥镜在对发动机叶片进行检查时使用点光源，使得叶片的图片有光斑导致问题叶片而难以识别的问题，在图像采集后再进行后期图像增强技术，即增加采集图像后的对比度，消除图像中的光斑，使得采集后的叶片图像的边界更加清晰，更便于计算机识别。
所述的步骤S12是由于目前的计算机硬件技术的限制，采集的庞大发动机叶片图像信息无法在计算机缓存中存储，为了保证视频图像采集的实时性和连续性，采用了多内存块轮转存储的机制，使得计算机图像识别得以顺利进行。
利用叶片上的某一特征点或特征线对采集视频中的叶片进行定位，也就是说当采集到的视频图像中叶片上的特征点或特征线到达某一特定位置后，计算机方截取视频中的图像，从而实现每一个截取视频中的图像都在屏幕中相同位置上截取的，实现每一个叶片在屏幕中都在相同位置定位，奠定图像对比的基础。
所述的步骤S13是由于发动机内腔的环境很恶劣，比如背景复杂、光照不足类，检测系统从图像缓存区读取图像后，需要进行图像去噪、图像增强类图像预处理。
所述的步骤S15中，当发动机叶片边缘轮廓进入掩膜区即判定叶片处于指定位置，此时对叶片检测区域进行图像分割，由于发动机叶片的大小、形状类都是一致的，能够准确地获得每个叶片检测区域。
所述的步骤S16中的表面光斑过滤就是出现光斑时计算机会发出警告，过滤光斑。
所述的步骤S17在认为发动机叶片在损坏后，损坏的几个叶片一模一样，通过该办法判定标准样片是否符合要求，如果不满足要求，再获取发动机叶片进行判断，直到满足要求为止；通过预先规定对图像进行分割、特征匹配等预处理操作，完成在采集图像中，能够对图像进行深度学习，掌握同一级叶片(3～5片)的几何形状是否一样，如果片与片之间的几何形状完全一样，如果不一样，就另外再取3～5片，通过这几片建立一个标准的图像模型，以此为标准模型为基础，再逐一对后面的叶片进行对比，找出与不同之处进行标记和识别，从而筛选出有问题的叶片。实现该方案的前提是，要作到采集同一级转子上每个叶片的图像位置要求一致，只有这样才能进行后续的逐一对比。
同一级转子上的叶片不可能都有损坏并且损坏的外形还都一模一样，基于该假设，研制的图像识别系统，对图像进行分割、特征匹配类预处理操作，再通过采集到同一级转子上的叶片图形信息后3～5片进行学习，之后确定标准图片数据模型，如果不一样，另外再取3片～5片，通过这些片叶片数据建立一个该级转子的叶片标准图片数据模型；以此标准图片数据模型为标准再逐一对该级后面的叶片进行逐一对比，如果发现找出叶片数据与叶片标准图片数据模型有不相符，即发现了问题的叶片，实现对叶片的智能检查。
所述的步骤S18在发动机叶片检查3～5片后随即停止。
所述的步骤S22中，如果两者数据相同，说明刚采集的发动机叶片为合格；如果两者数据不相同，说明刚采集的发动机叶片为不合格，并对信息不相同处进行标定，便于后续检查人员识别。
为了能够满足各叶片在图中的相同位置进行采样，采取的方案是：利用叶片上分割出的特征点或特征曲线线进行定位，也就是说当叶片上的特征点或特征曲线到达图像上预先规定的某一特定位置后，图像采集算法计算机方采取图像，使得满足各叶片在图中的相同位置进行采样，为后续的图像对比奠定基础。在同一位置获取图片后再利用YOLO v3图像检测算法对每一个叶片与标准样片进行图像对比，对检查的叶片与标准样片进行对比，对于不同于之处进行特殊标记，也便于后期检查人员查找，找到问题叶片不合格的位置，完成对叶片的的检查。
所述的步骤S3的缺陷类型有：裂纹、缺口、压坑、撕裂、烧伤、叶尖卷边、掉块、烧穿、弯曲、凸起即鼓包、沉积物、连续击伤、重叠、刮或刻痕、腐蚀、积碳、断裂类，进一步查找增广缺陷图像的方式，可以参考的思路是采用对抗神经网络的方法，根据已经存在的缺陷进行进一步的学习和训练，完成对航空发动机叶片缺陷的识别，提高系统的鲁棒性。
对于较大的叶片，采用沿径向多次定位分割的方法采集图像，之后再对采集后的图像进行识别。识别后利用计算机软件虚拟地将分割后的航空发动机叶片组合对接成原来的形式。
最后通过不同颜色的图线框区分叶片的损环程度，比如损坏较小的地方用绿色图线框标出，损坏中等的地方用黄色图线框标出，损坏较大的地方用红色图线框标出，检测人员可以通过不同的颜色图线框能够迅速鉴别出叶片损坏的程度。
本发明的数据库只是鉴别叶片损伤的类型是弯曲还是掉块，特点是首先确定叶片是否合格，之后再进行鉴别不合格的类型。
在生产实践过程中判断叶片是否合格是十分重要的。
被检测航空发动机叶片在地面驱动旋转时，通过固定在发动机上的工业内窥镜固定座上的工业内窥镜探杆和侧向探头逐一录制每一个叶片的图像，将采集后的视频图像采集到图像算法计算机中，利用在图像算法计算机内部的检查判断软件首先将采集3～5片确定标准样片，然后再对视频图样通过特征点或线进行定位，最后根据标准样片与采集的实时样片进行对比得出检查结果，在采集图像及结果计算机显示器输出，从而完成航空发动机叶片的智能检查工作。
通过上述程序，当计算机检查发动机叶片时，首先通过标准样片数据库识别是否有缺陷，之后立即通过YOLOV3算子对该缺陷进行识别，区分出是什么样的缺陷提供给检查人员，最后，将检查结论输出，实现发动机叶片智能化检查。
如图2所示，在智能检查连接结构中，被检测的航空发动机1固定在外接的发动机台架上；
将工业内窥镜探杆4通过发动机的内窥镜探孔，该孔是发动机制造时专门为工业内窥镜检查时用的，深入到发动机内部，工业内窥镜探杆4是钢管制成，钢管内有工业内窥镜的侧向探头，即：工业内窥镜的光纤镜头；
检查者将工业内窥镜的侧向探头对准被检测的发动机叶片2处，再通过调整工业内窥镜探杆4改变工业内窥镜镜头的角度以获得最佳的被检测叶片的图像；
通过固定工业内窥镜固定座5将工业内窥镜探杆4固定在航空发动机的壳体上；
这时转动发动机转子，转子上的叶片2就会随之转动，工业内窥镜会采集被检测发动机叶片2的图像，即叶片的视频图像,；
该图像信息通过HDMI数据传输电缆传到检查计算机二中即：图像采集)；在截取采集视频信息的每一个叶片2的图像时，为了确保每一个叶片2在图片中都在相同的位置，在计算机二8的软件中有一个叶片位置判定软件模块，该软件模块是通过发动机叶片上的特征点进行定位，使得在截取采集视频信息的每一个叶片2的图像时，截取的每一个发动机叶片2在图片上都是相同的位置，只有这样才能进行后续的图像对比判断智能化识别；另外，采集的图像同步在计算机二8的屏幕输出，即检查者可以通过计算机一7屏幕看到检查时发动机叶片的实时画面；
与此同时计算机内部通过软件将发动机叶片2检查后的图像几乎同步输出，并对有问题的发动机叶片2的问题之处用不同颜色的框线标出，也就是说在检查计算机的屏幕上有检查发动机叶片的实时画面和检查后对有问题叶片进行标出的检测画面，即输出两个画面,，只是检查画面比实时画面延迟几个毫秒，，检查者可以随意打开或关闭实时画面和检查画面；
检查结束后，计算机的后台利用样本库利用YOLOV3算子技术，再对检查中出现问题的叶片2进行问题类型确定，问题究竟是：裂纹、缺口、压坑、撕裂、烧伤、叶尖卷边、掉块、烧穿、弯曲、凸起即鼓包、沉积物、连续击伤、重叠、刮或刻痕、腐蚀、积碳、断裂类中的那一类，同时，系统自动生成一个检测报告文本，检查者只要对照检测报告对问题叶片进行再次确认，即完成这台发动机叶片的最终检查。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种航空发动机叶片智能检查方法，其特征在于：其具体步骤如下：
S1、建立发动机的标准样片数据库：
S11、视频图像采集；
S12、图像信息缓存：采用多内存块轮转存储的机制，保证视频图像采集的实时性和连续性；
S13、图像信息预处理：检测系统从图像缓存区读取图像后，首先进行图像去噪、图像增强类图像预处理，然后对图像中的发动机叶片边缘进行检测和提取，便于后续计算机的识别；
S14、叶片位置判定：由于采集图像时，发动机叶片是运动的，根据发动机叶片位置对视频图像进行筛选，检测叶片处于指定位置时的图像进行存储，为后续的识别基础；
S15、叶片区域分割：由于发动机叶片是连续旋转的，当在图像某个区域设置掩膜后，每个叶片都会周期性地进入该区域，系统将提取进入该区域的所有叶片图像，而忽略不在该区域的叶片图像；
S16、表面光斑过滤；
S17、判断采集的叶片信息是否符合标准：判断叶片信息是否符合标准的方法，是判断3～5个发动机叶片是否一致，也就是说，3～5个发动机叶片的图像信息一致能够认定这些叶片都是标准叶片；
S18、建立标准样片数据库：对符合标准的样片数据存档建立数据库，为后续发动机叶片智能化检查奠定基础；
S2、发动机叶片智能化检查：
S21、重复执行步骤S1的S11-S16；
S22、叶片损伤识别：对采集的发动机叶片信息通过与标准样片数据库进行对比；
S23、输出结果：将检查后的结论输出，对有问题的发动机叶片进行标注；
S3、鉴定发动机叶片的缺陷类型。
2.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S11中，将工业内窥镜探头插入发动机内腔，工业内窥镜探头插入时由专用夹具固定在指定位置，使探头对准叶片规定位置不动，工业内窥镜实时采集发动机叶片的拍摄视频信息，通过HDMI视频传输线传送给检测系统的计算机，检测系统对视频图像进行视频图像采集。
3.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S15中，当发动机叶片边缘轮廓进入掩膜区即判定叶片处于指定位置，此时对叶片检测区域进行图像分割，由于发动机叶片的大小、形状类都是一致的，能够准确地获得每个叶片检测区域。
4.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S16中的表面光斑过滤就是出现光斑时计算机会发出警告，过滤光斑。
5.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S16中，在程序中由光斑识别程序，通过图像的对比度变化进行识别，当发动机叶片表面出现光斑时，计算机会自动通过声光告警，操作者通过调整工业内窥镜的照度大小，消除发动机叶片表面上的光斑。
6.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S17在认为发动机叶片在损坏后，损坏的几个叶片一模一样，通过该办法判定标准样片是否符合要求，如果不满足要求，再获取发动机叶片进行判断，直到满足要求为止。
7.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S18在发动机叶片检查3～5片后随即停止。
8.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S22中，如果两者数据相同，说明刚采集的发动机叶片为合格；如果两者数据不相同，说明刚采集的发动机叶片为不合格，并对信息不相同处进行标定，便于后续检查人员识别。
9.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S3的缺陷类型有：裂纹、缺口、压坑、撕裂、烧伤、叶尖卷边、掉块、烧穿、弯曲、凸起即鼓包、沉积物、连续击伤、重叠、刮或刻痕、腐蚀、积碳、断裂类。
10.根据权利要求1所述的一种航空发动机叶片智能检查方法，其特征在于：所述的步骤S3中，由于发动机叶片存在缺陷的类型较多，为了识别，需要通过计算机的事先学习，使其具备缺陷类型的辨别能力，具体为：
S31、样本库：采集已有发动机损伤叶片的图形信息，建立样本库；
S32、YOLOV3算子：利用YOLOV3使用卷积层，使其成为一个全卷积网络；
S33、损伤识别建模：通过YOLOV3算子建立损伤识别数据模型，为后续损伤的发动机叶片类型奠定基础。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592361.4A CN115096891B (zh) | 2022-05-28 | 2022-05-28 | 一种航空发动机叶片智能检查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210592361.4A CN115096891B (zh) | 2022-05-28 | 2022-05-28 | 一种航空发动机叶片智能检查方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115096891A CN115096891A (zh) | 2022-09-23 |
| CN115096891B true CN115096891B (zh) | 2024-05-07 |
Family
ID=83288670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210592361.4A Active CN115096891B (zh) | 2022-05-28 | 2022-05-28 | 一种航空发动机叶片智能检查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115096891B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115254652B (zh) * | 2022-09-27 | 2022-12-09 | 常州兆庚新材料有限公司 | 风力发电叶片芯材铺设检测设备 |
| CN116256376B (zh) * | 2023-05-12 | 2023-08-15 | 深圳杰泰科技有限公司 | 发动机的内部缺陷检测方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景（北京）科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
| CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
| EP3786620A1 (de) * | 2019-08-29 | 2021-03-03 | Lufthansa Technik AG | Verfahren und computerprogrammprodukt zur automatisierten defektdetektion bei einer triebwerks-boroskopie |
| WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8781209B2 (en) * | 2011-11-03 | 2014-07-15 | United Technologies Corporation | System and method for data-driven automated borescope inspection |
-
2022
- 2022-05-28 CN CN202210592361.4A patent/CN115096891B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3786620A1 (de) * | 2019-08-29 | 2021-03-03 | Lufthansa Technik AG | Verfahren und computerprogrammprodukt zur automatisierten defektdetektion bei einer triebwerks-boroskopie |
| CN111696075A (zh) * | 2020-04-30 | 2020-09-22 | 航天图景（北京）科技有限公司 | 一种基于双光谱图像的风机叶片缺陷智能检测方法 |
| CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
| WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于无人机图像的风力发电机叶片缺陷识别;仇梓峰;王爽心;李蒙;;发电技术;20180630(第03期);全文 * |
| 航空发动机叶片实时成像自动检测技术研究;周正干, 赵胜, 安振刚;机械工程学报;20050415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115096891A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115096891B (zh) | 一种航空发动机叶片智能检查方法 | |
| CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN110646425B (zh) | 一种烟叶在线辅助定级方法及系统 | |
| CN103868935A (zh) | 基于计算机视觉的烟支外观质量检测方法 | |
| CN109580652A (zh) | 一种电池极片质量检测方法、电子设备及存储介质 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| CN113325001A (zh) | 一种铜箔表面外观瑕疵自动分辨检测设备及检测方法 | |
| CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
| CN117078661B (zh) | 一种高空作业车结构件生产质量智能检测方法 | |
| WO2021046726A1 (zh) | 用于检测机械设备零部件的方法和装置 | |
| CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN112967221A (zh) | 一种盾构管片生产与拼装信息管理系统 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN216525503U (zh) | 一种基于机器视觉的碳纤维预浸料表面缺陷在线检测装置 | |
| CN111208148A (zh) | 一种挖孔屏漏光缺陷检测系统 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| CN111105413B (zh) | 一种智能火花塞外观缺陷检测系统 | |
| CN113962929A (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
| CN112964732A (zh) | 一种基于深度学习的丝饼缺陷视觉检测系统及方法 | |
| CN108705689B (zh) | 大口径精密光学晶体表面微缺陷修复用自动对刀工艺方法 | |
| CN115255567B (zh) | 一种基于频域和时频域特征的焊偏实时检测方法及系统 | |
| CN116309475A (zh) | 自动检测滚筒齿座焊接质量的机器视觉检测方法 | |
| CN114663763A (zh) | 一种基于数字孪生的飞机蒙皮装配质量检测方法 |
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 |