CN115615986A - 用于检查物体的方法 - Google Patents
用于检查物体的方法 Download PDFInfo
- Publication number
- CN115615986A CN115615986A CN202210816426.9A CN202210816426A CN115615986A CN 115615986 A CN115615986 A CN 115615986A CN 202210816426 A CN202210816426 A CN 202210816426A CN 115615986 A CN115615986 A CN 115615986A
- Authority
- CN
- China
- Prior art keywords
- attribute
- image
- inspection image
- inspection
- pixel
- 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.)
- Pending
Links
Images
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
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/564—Depth or shape recovery from multiple images from contours
-
- 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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/2513—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object with several lines being projected in more than one direction, e.g. grids, patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
一种用于检查物体的方法,该方法包括确定包括物体的第一检查图像和第一指定的第一检查包。该方法包括确定指示包括物体的第二检查图像和第二指定的第二检查包的数据。该方法包括基于物体的第一检查图像、物体的一个或多个属性映射和第一指定来确定物体的第一属性。该方法包括基于物体的第二检查图像、物体的一个或多个属性映射和第二指定来确定物体的第二属性。该方法包括显示第一属性和第二属性,或显示指示第一属性与第二属性的比较的数据。
Description
技术领域
本公开涉及一种用于检查物体的方法,例如一种用于使用视觉图像记录装置检查燃气涡轮发动机部件的方法。
背景技术
检查物体的已知方法包括使用视觉图像记录装置(例如相机)来生成一个或多个检查图像以及使用物体的3D模型。以这种方式,这些已知的检查方法通常需要访问物体的3D模型以完成检查。
附图说明
在参考附图的说明书中阐述了针对本领域普通技术人员的完整且可行的公开,包括其最佳模式,其中:
图1A是根据本公开的示例性实施例的物体的三维(3D)模型和虚拟视觉图像记录装置的立体图。
图1B是根据本公开的示例性实施例的图1A的物体的3D模型和虚拟视觉图像记录装置的立体图。
图1C是根据本公开的示例性实施例的图1A的物体的3D模型和虚拟视觉图像记录装置的立体图。
图2是根据本公开的示例性实施例的引导图像像素阵列的一部分。
图3A是根据本公开的示例性实施例的显示图2的引导图像像素的多个像素属性的表。
图3B是根据本公开的示例性实施例的显示图2的引导图像像素的像素属性的表。
图4是根据本公开的示例性实施例的用于确定引导图像像素的一个或多个像素属性的算法的视觉描绘。
图5是根据本公开的示例性实施例的用于确定引导图像像素的像素属性的算法的视觉描绘。
图6是根据本公开的示例性实施例的用于确定引导图像像素的像素属性的算法的视觉描绘。
图7是根据本公开的示例性实施例的用于确定引导图像像素的像素属性的算法的视觉描绘。
图8是描绘根据本公开的示例性实施例的图1A的物体的3D模型的简化图像。
图9是示出根据本公开的示例性实施例的用于确定像素属性和创建3D模型的简化图像的方法的流程图。
图10是根据本公开的示例性实施例的物体的检查图像。
图11是根据本公开的示例性实施例的图10的检查图像的简化图像。
图12是根据本公开的示例性实施例的图10的检查图像的检查图像像素阵列。
图13是根据本公开的示例性实施例的用于估计物体的取向的方法。
图14是示出根据本公开的示例性实施例的用于确定物体的属性的方法的流程图。
图15是根据本公开的示例性实施例指定的具有图12的检查图像像素阵列的一部分的检查图像。
图16是根据本公开的示例性实施例指定的具有图12的检查图像像素阵列的一部分的检查图像。
图17是根据本公开的示例性实施例指定的具有图12的检查图像像素阵列的一部分的检查图像。
图18是示出根据本公开的示例性实施例的用于确定物体的属性的方法的流程图。
图19是示出根据本公开的示例性实施例的用于存储物体的检查包的方法的流程图。
图20是示出根据本公开的示例性实施例的用于将物体的第一属性与物体的第二属性进行比较的方法的流程图。
图21是根据本公开的示例性实施例的计算系统的框图。
图22是根据本公开的示例性实施例的检查系统的框图。
具体实施方式
现在将详细参考本公开的当前实施例,其一个或多个示例在附图中示出。详细描述使用数字和字母标号来指代附图中的特征。附图和描述中的相似或类似的标号已用于指代本公开的相似或类似部分。
本文使用词语“示例性”来表示“用作示例、实例或说明”。本文描述为“示例性”的任何实施方式不一定被解释为优于或好于其他实施方式。此外,除非另有明确说明,否则本文描述的所有实施例都应视为示例性的。
除非本文另有说明,否则术语“联接”、“固定”、“附接到”等既指直接联接、固定或附接,也指通过一个或多个中间部件或特征的间接联接、固定或附接。
如本文所用,术语“第一”、“第二”和“第三”可以互换使用以将一个部件与另一个部件区分开,并且不旨在表示各个部件的位置或重要性。
除非上下文另有明确规定,否则单数形式“一”、“一个”和“该”包括复数引用。
如在整个说明书和权利要求书中使用的,近似语言被应用于修饰可以允许变化而不会导致与其相关的基本功能发生改变的任何定量表示。因此,由诸如“约”、“大约”和“基本上”的术语修饰的值不限于指定的精确值。在至少一些情况下,近似语言可以对应于用于测量该值的仪器的精度,或用于构造或制造部件和/或系统的方法或机器的精度。例如,近似语言可以指在1%、2%、4%、10%、15%或20%的裕度内。这些近似裕度可应用于单个值、限定数值范围的任一端点或两个端点、和/或端点之间的范围的裕度。
在此以及在整个说明书和权利要求书中,范围限制被组合和互换,除非上下文或语言另有说明,否则此类范围被识别并包括其中包含的所有子范围。例如,本文公开的所有范围都包括端点,并且端点可以相互独立地组合。
本公开的发明人已经发现能够在不访问物体的3D模型的情况下检查物体可能是有益的。改进的检查方法将在部件检查领域受到欢迎。
根据本文所述的一个或多个实施例,提供了一种用于检查物体的方法。该方法包括从确定取向确定物体的引导图像数据,引导图像数据包括引导图像像素阵列和引导图像像素阵列中的至少一个引导图像像素的像素属性。该方法还包括接收指示检查图像的检查图像数据。该方法还包括将检查图像数据与引导图像数据相关联,并且基于引导图像数据和相关联的检查图像数据来确定物体的属性。基于引导图像数据和相关联的检查图像数据来确定物体的属性具有若干益处。
第一,例如在已经确定物体的引导图像数据之后,基于引导图像数据和相关联的检查图像数据来确定物体的属性可以使得可以在不使用物体的3D模型的情况下检查物体。例如,并且如将更详细描述的,针对物体的确定取向,可以从3D模型确定引导图像数据。一旦确定了引导图像数据,就不再需要3D模型来确定物体的属性。因此,如果确定了引导图像数据,则可以在不使用、查看或共享物体的3D模型的情况下检查物体。
在不使用、查看或共享物体的3D模型的情况下检查物体具有若干益处。例如,3D模型内的信息可能是不期望向第三方(例如正在检查物体的用户)披露的专有信息。此外,某些国家可能有出口合规法律,其可能禁止在没有出口许可证的情况下将3D模型出口到国外。然而,共享引导图像数据是可以接受的,引导图像数据是与物体的3D模型相关的信息。
第二,基于引导图像数据和相关联的检查图像数据来确定物体的属性可以减少执行物体的检查的时间量。例如,已知的检查方法包括将检查图像叠加到3D模型上,并手动匹配检查图像和3D模型之间的特征。这种直接与3D模型进行叠加、比较和匹配可能非常耗时。因此,基于引导图像数据和相关联的检查图像数据来确定物体的属性可以减少执行检查的时间量。
根据本文所述的一个或多个实施例,提供了一种用于检查物体的方法。该方法包括确定检查图像数据,检查图像数据包括检查图像像素阵列,其中检查图像像素阵列中的每个检查图像像素具有与其相关联的像素属性。该方法还包括接收与检查图像像素阵列中的检查图像像素的连续段相关联的用户输入。该方法还包括基于与检查图像像素阵列中的检查图像像素的连续段相关联的像素属性来确定物体的属性。基于与与检查图像像素阵列中的检查图像像素的连续段相关联的所接收的用户输入相关联的像素属性来确定物体的属性具有许多益处。
第一,基于与与检查图像像素阵列中的检查图像像素的连续段相关联的所接收的用户输入相关联的像素属性来确定物体的属性可以具有将物体的属性与阈值进行比较的能力的益处。例如,所接收的用户输入可以与物体上的特征相关联。在一些示例中,该特征可以是对物体的损坏,例如物体上的裂缝或碎屑,或物体上的涂层的剥落位置。因此,测量特征以确定它是否在可接受范围内可以是有益的。例如,一定长度以下的裂缝是可以接受的。但是,超过一定长度的裂缝可能需要修复或更换物体。
第二,基于与与检查图像像素阵列中的检查图像像素的连续段相关联的所接收的用户输入相关联的像素属性来确定物体的属性可以具有跟踪和比较不同物体之间的某些特征(例如对物体的损坏)的位置或测量的能力的益处。例如,物体可以是转子叶片并且用户输入可以与转子叶片上的裂缝相关联。所确定的物体属性可以是裂缝的长度和转子叶片上的裂缝的位置。在检查其他转子叶片的一个或多个其他检查事件中,用户输入也可以与转子叶片上的裂缝相关联,并且所确定的物体属性也可以是转子叶片上的裂缝的长度和裂缝的位置。可以分析不同转子叶片上的裂缝尺寸和裂缝位置以确定趋势。例如,可以执行确定转子叶片上的裂缝的最可能位置的分析。
根据本文描述的一个或多个实施例,提供了一种用于检查物体的方法。该方法包括调用第一检查包,该第一检查包包括物体的第一检查图像和第一指定。该方法还包括接收指示第二检查包的数据,第二检查包包括物体的第二检查图像和第二指定。该方法还包括接收、调用、或接收和调用物体的一个或多个属性映射。该方法还包括基于物体的第一检查图像、物体的一个或多个属性映射以及第一指定来确定物体的第一属性。该方法还包括基于物体的第二检查图像、物体的一个或多个属性映射以及第二指定来确定物体的第二属性。该方法还包括显示第一属性和第二属性和/或将第一属性与第二属性进行比较。
在某些方面,该方法包括接收或调用第一属性映射以及接收或调用第二属性映射。在这种情况下,该方法可以基于第一属性映射来确定物体的第一属性,并且类似地,可以基于第二属性映射来确定物体的第二属性。
在某些方面,该方法包括接收或调用第二属性映射。在这种情况下,该方法可以基于第二属性映射来确定物体的第一属性,并且类似地,可以基于第二属性映射来确定物体的第二属性。
该方法还包括显示或比较第一属性与第二属性。显示或比较第一属性与第二属性具有若干益处。
第一,显示或比较第一属性与第二属性可以使得可以在不使用物体的3D模型的情况下检查物体。例如,第一属性是基于物体的第一或第二属性映射来确定,并且第二属性是类似地基于物体的第一或第二属性映射来确定。针对物体的确定取向,可以从3D模型确定第一属性映射和第二属性映射。一旦确定了第一和/或第二属性映射,就不再需要3D模型来确定物体的第一属性或第二属性。
在不使用、查看或共享物体的3D模型的情况下检查物体具有若干益处。例如,3D模型内的信息可能是不期望向第三方(例如正在检查物体的用户)披露的专有信息。此外,某些国家可能具有出口合规法律,其可能禁止在没有出口许可证的情况下将3D模型出口到国外。但是,共享像素属性是可以接受的,这是与物体的3D模型相关的信息。
第二,显示或比较第一属性与第二属性可以减少执行物体的检查的时间量。例如,已知的检查方法包括将检查图像叠加到3D模型上,并手动匹配检查图像和3D模型之间的特征。这种直接与3D模型进行叠加、比较和匹配可能非常耗时。因此,由于第一属性和第二属性是基于物体的第一属性映射或物体的第二属性映射而不是3D模型来确定的,因此将第一属性与第二属性进行比较可以减少执行检查的时间量。
第三,显示或比较第一属性与第二属性可以允许随时间测量物体上的特征。在一些示例中,该特征可以是对物体的损坏,例如物体上的裂缝或碎屑,或物体上的涂层的剥落位置。因此,测量特征的尺寸以确定它是否在可接受范围内可能是有益的。例如,一定长度以下的裂缝是可以接受的。此外,在两个不同时间点(例如相隔至少三个月和最多相隔20年的两个不同时间点)测量特征可能是有益的,以确定该特征是否正在生长并预测该特征何时将生长到超过可接受的尺寸。在又一个示例中,可以在不同的物体上测量和比较特征(诸如裂缝),从而可以执行趋势分析。例如,分析数据以确定最可能的裂缝位置或最可能的裂缝尺寸可能是有用的。
第四,在一些示例中,确定物体的第一属性和物体的第二属性都是基于物体的第二属性映射。这可以确保第一属性与第二属性的同类比较。当确定第一属性映射的算法不同于确定第二属性映射的算法时,这可能很重要。因为算法可能由于算法的优化或改进而随时间改变,所以第一属性映射可能与第二属性映射不同。因为第一属性映射可能与第二属性映射不同,所以利用物体的第二属性映射(使用第一检查图像和第一指定)重新确定第一属性以确保与第二属性的同类比较可能是有益的。值得注意的是,在这种情况下,不需要3D模型。
参考附图,其中相同的数字在所有附图中指示相同的元件,图1A提供了根据本公开的示例性实施例的物体100的三维(3D)模型200(也称为“计算机模型”)和虚拟视觉图像记录装置230的立体图。如本文所用,“物体”可以是部件、部件的一部分、包括多个部件的组件、或组件的一部分。尽管在图中示出为黑白图,但是应该理解,3D模型200可以是阴影3D模型(例如具有灰度颜色方案的3D模型200),以提供附加的视觉细节,例如部件的曲率。在一个示例中,可以通过使用3D建模软件来创建3D模型200。例如,3D模型200可以用计算机辅助设计(CAD)软件创建。在另一个示例中,3D模型200可以通过3D扫描真实世界物体(例如控制物体)来创建。控制物体可以是具有已知尺寸和/或质量的样本。虚拟视觉图像记录装置230可以代表任何合适的成像装置,包括能够捕获静止或移动图像的任何光学传感器,例如相机。合适类型的相机可以是CMOS相机、CCD相机、数码相机、摄像机或能够捕获图像的任何其他类型的装置。进一步设想可以利用管道镜相机或内窥镜相机。此外,视觉图像记录装置可以是单目相机或双目相机。
3D物体100可以以“姿态(pose)”定位在虚拟视觉图像记录装置230的前方。更具体地,3D物体100可以定位在确定取向上。如本文所用,“取向”是指物体100的物理位置。例如,“取向”可以指一个物体100相对于另一个物体100的相对位置。例如,如参考图1A所使用的,确定取向是指3D物体100相对于虚拟视觉图像记录装置230的相对物理位置。替代地或附加地,“取向”可以指六个自由度的定位——X轴上的位置(喘振)、Y轴上的位置(摇摆)、Z轴上的位置(起伏)、X轴上的倾斜(滚动)、Y轴上的倾斜(俯仰)和Z轴上的倾斜(偏航)。
参考图1B,根据本公开的示例性实施例提供了物体100的3D模型200和图1A的虚拟视觉图像记录装置230的立体图。如图所示,可以从与虚拟视觉图像记录装置230相关联的位置投射多条射线235。尽管描绘了虚拟视觉图像记录装置230,但是应当理解,不需要虚拟视觉图像记录装置230。例如,可以从相对于物体100处于特定位置的特定点232投射射线235。
参考图1C,根据本公开的示例性实施例提供了物体100的3D模型200和图1A的虚拟视觉图像记录装置230的立体图。投射到物体100上的多条射线235(图1B)创建引导图像像素251的阵列,引导图像像素阵列250。每个引导图像像素251是由射线235创建的物体100的表面的细分。应该理解的是,为了清楚起见,每个引导图像像素251的尺寸在图中被夸大了。例如,引导图像像素251的尺寸范围可以从约0.05毫米到约5毫米。
如在该视图中所见,引导图像像素251中的至少一些,并且有时引导图像像素251中的全部可以是不规则形状,使得它们具有任何形状和尺寸的边和角度。此外,在引导图像像素阵列250的引导图像像素251之间,边和角度的形状以及尺寸可以不同。例如,每个引导图像像素251的形状可以取决于对应射线235投射到其上的物体100的表面的位置和形状。
参考图2,根据本公开的示例性实施例提供引导图像像素阵列250的一部分。引导图像像素阵列250可以包括多个引导图像像素251。尽管在该视图中仅示出了九个引导图像像素251,但引导图像像素阵列250可以包括任意数量的引导图像像素251。例如,引导图像像素阵列250可以包括多于五十万个引导图像像素251,例如多于一百万个引导图像像素251,例如多于两百万个引导图像像素251,以及最多一亿个引导图像像素251。引导图像像素阵列250内的引导图像像素251的数量可以取决于多种因素,例如用户偏好、计算能力、屏幕分辨率、物体100的尺寸、射线235的投射位置和/或射线235的数量。
引导图像像素阵列250内的每个引导图像像素251可以具有与其相邻的另一个引导图像像素251,该另一个引导图像像素251是相邻引导图像像素253。相邻引导图像像素253是与另一个引导图像像素251共享公共边的引导图像像素251。例如,在图2的示例中,作为引导图像像素B2(列、行位置)的引导图像像素251'具有八个相邻引导图像像素253:A1、A2、A3、B1、B3、C1、C2和C3(列、行位置)。
参考图3A,根据本公开的示例性实施例提供了显示图2的引导图像像素251'的多个像素属性252的表260。特别地,对于图3A的实施例,表260是图2中位置B2处的引导图像像素251'的多个像素属性252。可以确定引导图像像素阵列250内的引导图像像素251中的至少一个的一个或多个像素属性252。在一些示例中,可以确定引导图像像素阵列250内的每个引导图像像素251的一个或多个像素属性252。如本文所用,“属性映射”是指物体100的引导图像像素阵列250内的引导图像像素251中的至少一个的一个或多个像素属性252。可以通过例如决定、计算、估计或测量来确定像素属性252。如将更详细解释的,像素属性252可以是与引导图像像素251相关的信息。例如,像素属性252可以是尺寸、距离、位置、特征、颜色、表面倾斜度、分类、阈值、临界等。当像素属性252是距离时,该距离可以是欧几里得距离或测地距离。当像素属性252是距离或尺寸时,测量、计算或估计可以考虑3D物体100的拓扑。举几个示例,像素属性252可以是数值、文本值、二进制值、定量值、定性值、分类值、符号值或其组合。在一些示例中,引导图像像素251的像素属性252可能不可用或不存在。例如,当像素属性252不可用或不存在时,像素属性252可以表示为“0”或“Nan”。尽管本文描述了为每个引导图像像素251确定像素属性,但是应当理解,这不一定是这种情况。可以为仅包括单个引导图像像素的任何组引导图像像素251确定像素属性。还应当理解,可以为引导图像像素的子集确定像素属性,并且这样的引导图像像素不需要相邻。
在该示例中,像素属性252是一组距离263。该组距离可以是从引导图像像素251到相邻引导图像像素253的距离。距离263可以通过计算、估计或测量来确定。在该示例中,距离263是从位置B2处的引导图像像素251'的中心到每个相邻引导图像像素253(位置A1-A3、B1、B3和C1-C3处的像素)的中心。因此,在图3A的实施例中,位置B2处的引导图像像素251'的像素属性252包括八个距离。
参考图3B,根据本公开的示例性实施例提供了显示图2的位置B2处的引导图像像素251'的附加像素属性252的表260。在该示例中,物体100是燃气涡轮发动机的转子叶片,并且引导图像像素251'的像素属性252可以包括其他信息或数据。引导图像像素251'的面积、表面倾斜度和表面颜色可以包括在像素属性252中。射线235到引导图像像素251'的中心的角度和长度可以包含在像素属性252中。此外,关于引导图像像素251'是否包括转子叶片的冷却孔以及引导图像像素251'的位置的信息可以包括在像素属性252中。例如,当物体100是燃气涡轮发动机的转子叶片时,该位置可以分类为前缘、后缘、翼型件、平台等。其他计算、估计或测量也可以包括在像素属性252中。例如,在该示例中,从引导图像像素251'的各个位置到引导图像像素251'的其他各个位置的距离包括在像素属性252中。尽管仅提供了可以包括在引导图像像素属性252中的数据的几个示例,但是应当理解,其他数据可以包括在引导图像像素属性252中。例如,每个拐角的角度、射线235到每个拐角的角度、射线235到每个边的中间的角度、距每个拐角的距离263等。
参考图4,根据本公开的示例性实施例提供了用于确定引导图像像素251的一个或多个像素属性252的算法259的视觉描绘。如本文所用,“算法”是指实现特定目标的指令集。例如,可以有多种方式来实现确定一个引导图像像素251和另一个引导图像像素251之间的距离的目标。实现确定引导图像像素251之间的距离的目标的算法可以是关于如何确定引导图像像素251之间的距离的特定指令集。
仍然参考图4,像素属性252可以是一组距离263,其可以如所提及的那样被确定。例如,该组距离263可以是从引导图像像素251到其相邻引导图像像素253的距离263。在图4的示例中,计算、估计或测量从引导图像像素251的中心到每个相邻引导图像像素253的距离263。表示为从引导图像像素251的中心到相邻引导图像像素253的中心的直线的距离可以作为数值存储在表260(例如图3A或图3B的表260)中。
参考图5,根据本公开的示例性实施例提供了用于确定引导图像像素251的像素属性252的算法259的视觉描绘。更具体地,根据本公开的示例性实施例提供了用于确定一组距离263的算法259。在该示例中,可以计算、估计或测量从引导图像像素251的中心到相邻引导图像像素253的最近区域的距离263。这可以对每个相邻引导图像像素253重复以确定一组距离263。表示为从引导图像像素251的中心到相邻引导图像像素253的最近区域的直线的距离263可以作为数值存储在表260(例如图3A或图3B的表)中。
参考图6,根据本公开的示例性实施例提供了用于确定引导图像像素251的像素属性252的算法259的视觉描绘。更具体地,根据本公开的示例性实施例提供了用于确定一组距离263的算法259。在该示例中,可以通过制作从第一相邻引导图像像素253a的边或拐角的中间,通过引导图像像素251,并到第二相邻引导图像像素253b的边或拐角的中间的直线来计算、估计或测量从引导图像像素251的第一相邻引导图像像素253a到第二相邻引导图像像素253b的距离263。这可以针对每个相邻引导图像像素253重复以确定一组距离。像素属性252是表示为行进通过引导图像像素251的直线的距离263,像素属性252可以作为数值存储在表260(例如图3A或图3B的表)中。
参考图7,根据本公开的示例性实施例提供了用于确定引导图像像素251的像素属性252的算法259的视觉描绘。更具体地,根据本公开的示例性实施例提供了用于确定一组距离263的算法259。在该示例中,可以通过制作从第一相邻引导图像像素253a到引导图像像素251的中心的最短直线路径,并且然后制作从引导图像像素251的中心到第二相邻引导图像像素253b的最短直线路径来计算、估计或测量从引导图像像素251的第一相邻引导图像像素253a到第二相邻引导图像像素253b的距离263。这可以针对每个相邻引导图像像素253重复以确定一组距离。像素属性252是表示为行进通过引导图像像素251的直线的距离263,像素属性252可以作为数值存储在表260(例如图3A或图3B的表)中。
如将从下文的讨论中进一步理解的,一个或多个上述算法259可以用于响应于与检查图像像素的连续段相关联的用户输入选择来确定检查图像上的距离或面积。然而,值得注意的是,为了利用引导图像的引导图像像素251的像素属性252,检查图像可能需要与引导图像相关联,以便相应于用户输入而使用引导图像像素251的像素属性252。下文更详细地描述了这些方面。
现在参考图8,根据本公开的示例性实施例提供了描绘图1A的物体100的3D模型200的简化图像210。如图所示,简化图像210可以是3D模型200在确定取向上的二维(2D)线条图。在其他示例中,简化图像210是真实地描绘3D模型200的2D图像。例如,简化图像210可以是2D灰度图像或2D彩色图像。在至少一个示例中,简化图像210是使其看起来是物体的照片的图像。例如,简化图像210可以具有与物体的照片相同或类似的外观、风格、颜色、阴影等。简化图像210可以仅描绘关键特征220。关键特征220可以是最相关和/或突出的特征。例如,并且参考图8的示例,其提供了图1A的转子叶片的3D模型200的简化图像210,简化图像210可以包括表示外周边220a、尖端220b的形状、叶片平台220c的形状和燕尾根端220d的线。但是,可以表示其他特征,例如冷却孔。如将更详细解释的,创建简化图像210可以帮助确定物体100的取向和关联像素属性252。
参考图9,根据本公开的示例性实施例提供了用于确定像素属性252和创建3D模型200的简化图像210的方法300。方法300可以包括在确定取向上创建物体100的3D模型200的步骤310。方法300可以包括创建引导图像像素阵列250的步骤320。方法300可以包括确定引导图像像素阵列250中的至少一个引导图像像素251的像素属性252(属性映射)的步骤330。属性可以包括但不限于尺寸属性、面积属性、深度信息等。方法300可以包括在确定取向上创建3D模型200的简化图像210的步骤340。在一些示例中,方法300不包括步骤340。如将进一步解释的,可以用3D模型代替3D模型200的简化图像210来执行其他方法的步骤。此外,步骤340的时序不受何时执行方法300的其他步骤的时序的影响。
方法300可以重复多次。例如,针对3D模型200的各种确定取向执行方法300可能是有益的。例如,方法300可以重复高达两百次(例如五十到一百五十次),每次都针对3D模型200的不同确定取向。因此,对于3D模型200的每个确定取向,可以确定引导图像像素阵列250中的至少一个引导图像像素251的一个或多个像素属性252。此外,对于3D模型200的每个确定取向,可以在确定取向上创建物体100的3D模型200的简化图像210。如稍后将解释的,确定取向可以与3D模型200、3D模型200的简化图像210或检查图像相关联。
各种确定取向中的每一个的确定取向可以略微变化。例如,各种确定取向可以在X轴、Y轴和/或Z轴上变化高达2mm,和/或在X轴、Y轴和Z轴上倾斜2度以内。
参考图10,根据本公开的示例性实施例提供物体100的检查图像400。检查图像400可以是物体100的图片,在该示例中,物体100是真实世界物体。检查图像可以用视觉图像记录装置(例如前面描述的视觉图像记录装置230)产生。可以生成指示检查图像的检查图像数据。检查图像数据可以包括检查图像400、捕获日期(生成检查图像400的日期或日期和时间)、周期数、操作小时数、生成检查图像400的位置、被检查物体100的标识、生成检查图像400时正在操作视觉图像记录装置的用户的标识、生成检查图像400时视觉图像记录装置的定位等。
视觉图像记录装置可以是检查工具组件的部件。检查工具组件可以帮助操作员在期望取向拍摄照片。因此,可以在期望取向拍摄图片(诸如图10的图片)。然而,由于各种因素,可能存在与视觉图像记录装置相关的图像取向的变化。各种因素可以是公差(例如部件公差、组装公差和安装公差),和/或检查工具组件中的机械磨损。这样,物体100相对于视觉图像记录装置的实际取向可能偏离期望取向。
在一些示例中,可以创建检查图像400的“流”,例如真实世界物体的图片。例如,当真实世界物体是燃气涡轮发动机的转子叶片时,其上安装有转子叶片的转子系统可以旋转,同时用管道镜相机拍摄一系列图片来创建图片流。在一些情况下,检查工具组件可以包括安装结构,该安装结构被构造为将管道镜相机安装到燃气涡轮发动机并通过管道镜开口(或其他开口),以促进管道镜相机从相同发动机的多次检查之间的一致位置和取向,以及从相同或类似型号的不同发动机的多次检查之间的一致位置和取向拍摄部件(例如,转子叶片)的图片。
如将更详细解释的,可以选择最接近匹配3D模型200的取向或3D模型200的简化图像210的图片,以用于进一步分析。
在一些示例中,可以校正图片。例如,可以针对任何光学畸变校正图片,以解决视觉图像记录装置和/或检查工具组件的透镜和制造变化。附加地或替代地,可以校正图片以解决图片中的物体的取向相对于3D模型200或3D模型200的简化图像210的取向的相对较小的不一致性。
参考图11,根据本公开的示例性实施例提供了图10的检查图像400的简化图像410。在该示例中,简化图像410被显示为线条图,并且物体100是燃气涡轮发动机的转子叶片。在其他示例中,物体100的简化图像410可以是2D灰度图像或2D彩色图像。例如,简化图像410可以是物体100的照片。
简化图像410可以描绘关键特征420。关键特征420可以是最相关和/或突出的特征。例如,关键特征420可以是简化图像的外周边420a、尖端420b的形状、叶片平台420c、或转子叶片与相邻转子叶片的邻接部420d。然而,可以表示其他特征,例如非限制性示例中的冷却孔。
过滤器(诸如Canny边缘检测过滤器或Sobel过滤器)可以应用于图片以帮助提取关键特征420。然而,其他机器学习(诸如基于深度学习的分割技术)可用于提供最突出特征的学习表示。
参考图12,根据本公开的示例性实施例提供了图10的检查图像400的检查图像像素阵列450。如图所示,物体100的检查图像400可以细分为检查图像像素451,创建检查图像像素阵列450。在另一个示例中,物体100的简化图像410可以细分为检查图像像素451的阵列,形成检查图像像素阵列450。应当理解,为了清楚起见,图中每个检查图像像素451的尺寸被夸大了。每个检查图像像素451可以是任何尺寸,并且在检查图像像素阵列450内可以有任何数量的检查图像像素451。检查图像像素451的数量和/或每个检查图像像素451的尺寸可以取决于检查图像400的尺寸和/或分辨率。如将更详细解释的,检查图像像素阵列450和/或检查图像像素451可以与引导图像像素阵列250和/或引导图像像素251相关联。
参考图13,根据本公开的示例性实施例提供了用于估计物体100的取向的方法500。方法500可以包括获得物体100(例如图10的物体100)的检查图像400的步骤510。方法500可以包括创建检查图像400的简化图像410(例如图11的简化图像410)的步骤520。方法500可以包括估计物体100的取向的步骤530。在至少一个示例中,方法500包括步骤510、520和530。在其他示例中,方法500不包括步骤520,但包括步骤510和530。
可以通过将物体100的检查图像400或简化图像410输入到姿态恢复回归中来估计物体100的取向,姿态恢复回归可以是机器学习网络,例如深度学习网络。该网络可以用合成数据进行训练,并且可以基于物体100的2D检查图像400和/或检查图像400的简化图像410来估计真实世界物体的取向。合成数据可以是具有已知外部数据的多个训练图像。例如,合成数据可以是具有已知确定取向的多个训练图像。训练图像可以是简化图像210,其可以是真实地描绘3D模型200的2D图像或仅示出3D模型200的关键特征220的2D图像。在一些示例中,训练图像是使其看起来是检查图像400的图像。例如,训练图像可以具有与检查图像400相同或类似的外观、风格、颜色、阴影等。
可以通过将物体100的检查图像400或物体100的简化图像410与3D模型200的简化图像210进行“匹配”来估计物体100的取向。例如,如所提到的,可以创建3D模型200的许多简化图像210,每个都以不同的、确定的取向描绘3D模型200。简化图像410或检查图像400可以与3D模型200的一个或多个简化图像210进行比较。可以由人或由计算系统选择与3D模型200的简化图像210最佳匹配的3D模型200的简化图像210。然后可以估计物体100的取向与所选简化图像的3D模型200的确定取向相同或类似。例如,物体100的估计取向可以被估计在所选简化图像的3D模型200的确定取向的特定公差内。例如,特定公差可以在X轴、Y轴和Z轴上3mm以内,并且在X轴、Y轴和Z轴上倾斜5度以内。当3D模型200的确定取向是基于控制物体的3D扫描时,由于3D扫描机器固有的潜在公差和/或控制物体的公差,可以考虑附加公差。
在至少一个示例中,检查图像400或检查图像400的简化图像410可以变换。检查图像400或检查图像400的简化图像410可以变换以校正3D模型200的简化图像210与检查图像400或检查图像400的简化图像410之间的残差。变换可以包括线性和旋转偏移、缩放、剪切、捏/打孔、失真、墓碑校正(tombstone correction)等。变换可以减小检查图像400的简化图像410和3D模型200的简化图像210之间的差异,或者可以减小检查图像400和3D模型的简化图像210之间的差异。变换可以在与3D模型200的简化图像210匹配之前或之后发生。
可以生成变换数据以记录为减少3D模型200的简化图像210与检查图像400或检查图像400的简化图像410之间的残差而进行的变换的量和位置。例如,变换数据可以是描述变换的定量值和/或定性值。变换数据可以包括六自由度取向变换。变换数据可以包括指示检查图像400相对于与物体100的引导图像数据相关联的确定取向的信息。例如,变换数据可以包括指示为减小3D模型200的简化图像210与检查图像400或检查图像400的简化图像410之间的差异而进行的六自由度取向校正的信息。
生成变换数据具有若干益处。例如,检查图像400或后续检查图像400(例如第二检查图像400)可以在以后的日期或时间使用变换数据进行变换。此外,可以使用变换数据来变换引导图像数据。
从物体100的3D模型200创建的像素属性252可以与检查图像400相关联。像素属性252可以基于检查图像400(变换的或未变换的)、检查图像400的简化图像410(变换的或未变换的)、检查图像400的估计取向或其组合来相关联。
例如,如前所述,可以通过将物体100的检查图像400或物体100的简化图像410与3D模型200的简化图像210匹配来确定检查图像400的取向。3D模型200的匹配简化图像210可以具有相关联的引导图像像素阵列250,引导图像像素251中的每一个具有一个或多个像素属性252。引导图像像素阵列250连同它们的像素属性252可以与物体100的检查图像400或物体100的简化图像410相关联。更具体地,3D模型200的简化图像210的至少一个引导图像像素251可以与物体100的检查图像400或物体100的简化图像410的至少一个检查图像像素451相关联。
在一些示例中,引导图像像素251和检查图像像素451之间的关联比为1:1。然而,在另一个示例中,存在不均匀的比率,使得关联比不是1:1的比率。例如,多于一个的引导图像像素251可以与一个检查图像像素451相关联。在另一示例中,多于一个的检查图像像素451可以与一个检查图像像素451相关联。与3D模型200的简化图像210的分辨率相比,用于生成检查图像450的视觉图像记录装置的更高分辨率或更低分辨率可能会导致不均匀的比率。
存在将3D模型200的简化图像210的引导图像像素251与物体100的检查图像400或物体100的简化图像410相关联的各种方式。例如,引导图像像素251可以“映射”到对应检查图像像素451。例如,可以生成3D模型200的简化图像210的每个引导图像像素251的边界的X、Y坐标。可以生成检查图像400的每个检查图像像素451的边界的X、Y坐标。因为检查图像400或简化图像410可以与3D模型200的简化图像210“匹配”,所以检查图像400的X、Y坐标可以与3D模型200的简化图像210的X、Y坐标匹配。实际上,检查图像400可以与3D模型200的简化图像210的引导图像像素251“重叠”。因此,每个引导图像像素251可以映射到对应检查图像像素451,或与对应检查图像像素451相关联。
应当注意,检查图像像素451可以具有与相关联的引导图像像素251不同的尺寸。例如,相对于物体100,引导图像像素251可以大于检查图像像素451。因此,两个或更多个检查图像像素451可以与引导图像像素251相关联。
在另一个示例中,3D模型200的简化图像210的引导图像像素251被“转移”到检查图像400上。关于每个引导图像像素251的边界的信息可以存储在检查图像400内。例如,可以将关于每个引导图像像素251的边界的信息存储为检查图像400的元数据。
在又一示例中,可以创建将检查图像400的X、Y坐标与3D模型200的简化图像210的对应引导图像像素251相关的表260。
一旦3D模型200的简化图像210的引导图像像素251与物体100的图像或物体100的简化图像210相关联,则每个引导图像像素251的像素属性252还可以与物体100的图像或物体100的简化图像210相关联。例如,因为每个引导图像像素251可以具有对应的像素属性252,所以引导图像像素251连同它们的像素属性252可以与物体100的图像或物体100的简化图像210相关联。
参考图14,根据本公开的示例性实施例提供了用于确定物体100的属性的方法600。方法600包括从确定取向确定物体100的引导图像数据的步骤610。引导图像数据可以包括引导图像像素阵列250和引导图像像素阵列250中的至少一个引导图像像素251的像素属性252(属性映射)。引导图像数据还可以包括物体100的3D模型200的简化图像210。如前所述,可以从物体100的3D模型200创建物体100的3D模型200的引导图像像素251、像素属性252和简化图像210。
方法600包括接收或确定指示检查图像400的检查图像数据的步骤620。检查图像数据可以包括物体100的检查图像400、物体100的简化图像410、物体100的估计取向、检查图像像素阵列450或其组合。
方法600包括将检查图像数据与引导图像数据相关联的步骤630。如所解释的,存在将3D模型200的简化图像210的引导图像像素251与物体100的图像或物体100的简化图像410相关联的各种方式。
方法600包括基于引导图像数据和相关联的检查图像数据来确定物体100的属性的步骤640。如所解释的,一旦3D模型200的简化图像210的引导图像像素251与物体100的图像或物体100的简化图像410相关联,则每个引导图像像素251的像素属性252还可以与物体100的图像或物体100的简化图像410相关联。例如,引导图像像素阵列中的每个引导图像像素251的像素属性252可以与检查图像像素451的阵列中的对应检查图像像素451相关联。
更具体地,物体100的一个或多个属性可以基于引导图像数据和检查图像像素阵列450中的每个检查图像像素451的相关联的检查图像数据来确定。因此,可以确定物体100的一个或多个属性。物体100的一个或多个属性可以是任何信息,包括但不限于尺寸、距离、位置、特征、颜色、表面倾斜度、分类、质量、关键性等。当属性是距离时,该距离可以是欧几里得距离或测地距离。当属性是距离或尺寸时,测量、计算或估计可以解释物体的拓扑。举几个示例,该属性可以是数值、文本值、二进制值、定量值、定性值、分类值、符号值或其组合。其他计算、估计或测量也可以是物体的属性。
参考图15,根据本公开的示例性实施例提供了具有指定的图12的检查图像像素阵列450的一部分700的检查图像400。在该示例中,已指定检查图像像素阵列450的七个检查图像像素451。检查图像像素451可以由用户指定。例如,用户可以用外围装置指定一个或多个检查图像像素451。外围装置可以是触摸屏、触控笔、鼠标、滚球等。
检查图像400和检查图像像素阵列450可以通过外围装置显示给用户。外围装置可以是可以向用户显示图像的计算系统的辅助装置。例如,外围装置可以是计算机监视器并且可以是触摸屏监视器。
用户可以指定检查图像像素阵列450的检查图像像素451的连续段710。如本文所用,“连续段”是指检查图像像素阵列450内的多个检查图像像素451,其被指定且邻近至少一个其他指定的检查图像像素。如本文所用,“指定”是指由用户或计算系统指定的检查图像像素阵列450的检查图像像素451的连续段710。例如,用户可以通过绘制线720来指定一个或多个检查图像像素451,如图所示。用户绘制的线720也可以通过外围装置显示给用户。用户可以绘制直线、曲线、没有特定几何形状或轮廓的线或其组合。可以指定线720穿过的检查图像像素451,从而创建检查图像像素的线性连续段710。检查像素的线性连续段710可以表示曲线或直线720。在线720垂直或平行于X轴的区域中,线720可以指定检查图像像素阵列450的一个像素宽或一个像素高的部分。在线720相对于X轴倾斜或成锐角的区域中,线720可以指定检查图像400的至少两个像素宽或至少两个像素高、或一个像素宽和一个像素高的部分。例如,在线720与X轴成30度角的区域中,线720可以指定一个像素高和五个像素宽的部分。作为另一示例,在线720与X轴成四十五度角的区域中,线720可以指定一个像素宽和一个像素高的部分,使得该部分内的像素的拐角具有相邻拐角。可以使用抗锯齿方法来说明用户指定的子像素插值。例如,抗锯齿方法可以用于改善检查图像像素阵列450的检查图像像素451的连续段710的外观。
在另一个示例中,计算系统可以指定检查图像像素阵列450的检查图像像素451的连续段710。例如,可以通过机器学习教导计算系统分析检查图像400以识别某些关键特征。这些关键特征可以被自动指定。
用户可以指定检查图像像素451的连续闭合段710'。例如,一个或多个检查图像像素451可以通过绘制部分或完全包围检查图像400的区域的线720'来指定。可以自动指定被线720'部分或完全包围的检查图像400的区域,从而创建检查图像像素451的闭合段710'。
参考图16,根据本公开的示例性实施例提供了具有指定的图12的检查图像像素阵列450的一部分700的检查图像400。检查图像像素451可以与图15的示例实施例相同或类似地被指定。然而,在该示例中,检查图像像素阵列450不显示给用户。
参考图17,根据本公开的示例性实施例提供了具有指定的图12的检查图像像素阵列450的一部分700的检查图像400。检查图像像素451可以与图15的示例实施例相同或类似地被指定。然而,在该示例中,检查图像像素阵列450和检查图像像素阵列450的指定部分700都没有显示给用户。
参考图18,根据本公开的示例性实施例提供了用于确定物体100的属性的方法800。如上所述,方法800可以包括方法300的一个或多个步骤。例如,方法800可以包括在确定取向上创建物体100的3D模型200的步骤310。方法800可以包括创建引导图像像素阵列250的步骤320。方法800可以包括确定引导图像像素阵列250中的至少一个引导图像像素251的像素属性252的步骤330。方法800可以包括在确定取向上创建3D模型200的简化图像410的步骤340。
可以多次重复步骤310、320、330和340。例如,针对3D模型200的各种确定取向执行这些步骤可能是有益的。例如,方法300可以重复高达一万次(例如高达五千次,例如高达一千次,例如高达两百次),每次针对3D模型200的不同确定取向。因此,对于3D模型200的每个确定取向,可以确定引导图像像素阵列250中的至少一个引导图像像素251的一个或多个像素属性252。此外,对于3D模型200的每个确定取向,可以在确定取向上创建物体100的3D模型200的简化图像210。各种确定取向中的每一个的确定取向可以仅略微变化。例如,各种确定取向可以仅在X轴、Y轴和/或Z轴上变化高达2mm,和/或在X轴、Y轴和Z轴上倾斜2度以内。
方法800可以包括方法500的一个或多个步骤,如上所述。例如,方法800可以包括获得物体100(例如图10的物体100)的检查图像400的步骤510。方法800可以包括创建检查图像400的简化图像410(例如图11的简化图像410)的步骤520。方法800可以包括估计物体100的取向的步骤530。如所解释的,可以通过将物体100的图像或物体100的简化图像410与3D模型200的简化图像210进行“匹配”来估计物体100的取向。
方法800可以包括方法600的一个或多个步骤,如上所述。例如,方法800可以包括从确定取向确定物体100的引导图像数据的步骤610。引导图像数据可以包括引导图像像素阵列250和引导图像像素阵列250中的至少一个引导图像像素251的像素属性252。如前所述,引导图像像素251和像素属性252可以从物体100的3D模型200创建。
方法800可以包括接收或确定指示检查图像400的检查图像数据的步骤620。检查图像数据可以包括物体100的检查图像400、物体100的简化图像410、物体100的估计取向、检查图像像素阵列450或其组合。
方法800可以包括将检查图像数据与引导图像数据相关联的步骤630。如所解释的,存在将3D模型200的简化图像210的引导图像像素251与物体100的图像或物体100的简化图像410相关联的各种方式。
方法800可以包括基于引导图像数据和相关联的检查图像数据来确定物体100的属性的步骤640。如所解释的,一旦3D模型200的简化图像210的引导图像像素251与物体100的图像或物体100的简化图像410相关联,则每个引导图像像素251的像素属性252还可以与物体100的图像或物体100的简化图像410相关联。例如,引导图像像素阵列中的每个引导图像像素251的像素属性252可以与检查图像像素阵列450中的对应检查图像像素451相关联。
方法800可以包括接收与检查图像像素阵列450中的检查图像像素451的连续段相关联的用户输入(指定)的步骤810。如所解释的,用户可以用外围装置指定一个或多个检查图像像素451。
方法800可以包括基于与检查图像像素阵列450中的检查图像像素451的连续段相关联的像素属性252来确定物体100的属性的步骤820。如参考步骤640所解释的,可以基于引导图像数据和检查图像像素阵列450中的每个检查图像像素451的相关联检查图像数据来确定物体100的一个或多个属性。因此,物体100的一个或多个属性可以基于用户指定的一个或多个检查图像像素451来确定。
物体100的一个或多个属性可以是与检查图像像素451的连续段相关的任何信息。例如,一个或多个属性可以是尺寸、距离、位置、特征、颜色、表面倾斜度、分类、质量、关键性等。当属性是距离时,该距离可以是欧几里得距离或测地距离。当属性是距离或尺寸时,测量、计算或估计可以解释物体的拓扑。举几个示例,该属性可以是数值、文本值、二进制值、定量值、定性值、分类值、符号值或其组合。其他计算、估计或测量也可以是物体的属性。
在至少一个示例中,用户可以指定表示物体的特征的检查图像像素451的连续段710。物体100的特征可以是物体100的用户感兴趣的任何部分。例如,该特征可以是燃气涡轮发动机叶片的冷却孔位置。在其他示例中,该特征可以是在检查图像400中对用户可见的物体100的损坏。更具体地,该特征可以是物体上的裂缝、物体上的碎屑或物体上的涂层的剥落位置。
在至少一个示例中,用户可以用线720“追踪”物体100的检查图像400(例如燃气涡轮发动机的检查图像400)上的裂缝。可以指定线穿过的检查图像像素451。因此,可以确定关于裂缝的各种信息和数据。例如,可以确定裂缝的长度。简要参考图4至图7中提供的示例,可以确定一组距离263。距离263可以是从引导图像像素251到其相邻引导图像像素253的距离263。这些距离263可以与检查图像像素451相关联。为了确定裂缝的长度,针对连续段中的每个指定像素,确定指定像素和相邻指定像素之间的距离263。然后将每个指定像素与相邻指定像素之间的距离263相加以确定裂缝的总长度。
在至少一个示例中,用户可以选择物体100的检查图像400(例如燃气涡轮发动机转子叶片的检查图像400)上的区域,用线720指定检查图像像素451的闭合段710'。因此,可以确定关于该区域的各种信息和数据。例如,可以确定该区域的总面积。简要参考图3B中提供的示例,引导图像像素251的像素属性252可以是引导图像像素251的面积。引导图像像素属性252可以与检查图像像素451相关联。因此,引导图像像素属性252(例如像素的面积)可以与指定像素相关联。为了确定检查图像像素451的指定闭合段710'的面积,将闭合段710'内的每个指定像素的面积相加。
方法800可以包括向用户提供与物体的属性相对应的指示。例如,基于引导图像数据和相关联的检查图像数据的物体100的属性可以通过计算系统的外围装置(诸如计算机监视器)显示给用户。在另一个示例中,基于与检查图像像素阵列450中的检查图像像素451的连续段相关联的像素属性252的物体100的属性可以通过计算系统的外围装置(诸如计算机监视器)显示给用户。作为另一个示例,关于物体的属性是否超过阈值的指示可以通过计算系统的外围装置显示给用户。例如,物体的第一属性可以是指定的长度,其可以对应于物体上的裂缝的长度。物体的第二属性可以是物体上的裂缝的长度的阈值。如果裂缝的长度超过阈值,则可以向用户显示裂缝的长度超过阈值的指示。如果裂缝的长度不超过阈值,则可以向用户显示裂缝的长度在可接受公差内的指示。
在又一个示例中,物体的第一属性可以是指定的长度,其可以对应于物体100上的裂缝的长度。物体的第二属性可以是指定的位置,其可以对应于物体100上的裂缝的位置。物体100的第三属性可以是物体上的对应位置处的裂缝的长度的阈值。如果裂缝的长度超过对应位置的阈值,则可以向用户显示裂缝的长度超过阈值的指示。如果裂缝的长度不超过阈值,则可以向用户显示裂缝的长度在可接受公差内的指示。以这种方式,物体100的一个或多个属性(例如指定的位置和长度)可以与另一个属性(例如指定的位置处的裂缝的长度的阈值)进行比较。比较的结果可以显示给用户。
在又一个示例中,物体100的第一属性可以是物体100上的特征(例如裂缝)的第一尺寸,并且物体100的第二属性可以是物体100上的特征的第二尺寸。可以将物体100上的特征的第一尺寸与物体100上的特征的第二尺寸进行比较,以基于物体100上的特征的第一尺寸和物体100上的特征的第二尺寸来确定物体上的特征的生长。可以将物体100上的特征的生长与阈值进行比较。可以显示关于物体100上的特征的生长是否超过阈值的指示。
除了向用户提供对应于物体的属性的指示之外,还可以向用户显示其他信息,例如关于物体100的属性何时将超过阈值的预测。
物体的一些属性(例如阈值)可以存储在属性映射以外的位置中。例如,物体的一个或多个属性可以存储在计算系统的存储器装置中。
方法800可以包括响应于确定物体100的属性而启动物体100的维护动作。例如,如果物体100的属性(例如裂缝的尺寸、碎屑或剥落位置)超过阈值,则可以启动物体100的维护动作。可以考虑其他因素以响应于确定物体100的属性来确定是否启动物体100的维护动作。例如,当物体100是燃气涡轮发动机的转子叶片时,可以考虑下一次安排的维修或大修事件之间的时间长度。如果预计物体100的属性(例如裂缝的长度)可能会在下一次安排的维修或大修事件之前增长到超过阈值,则可以启动物体100的维护动作。“维护动作”可以是可基于物体100的操作参数安排的物体100的检查。例如,当物体100是燃气涡轮发动机的部件时,检查可以基于推力限制、温度限制、时间限制、循环限制等。在一些示例中,“维护动作”可以是对部件施加的操作限制。例如,当物体100是燃气涡轮发动机的部件时,物体100可以被降级,使得降低物体的额定推力,这可以降低其上安装有燃气涡轮发动机的飞行器的起飞和/或爬升的额定推力功率。“维护动作”也可以是材料订购动作(采购更换部件)、大修安排动作、预防性维护动作或维修动作。
参考图19,根据本公开的示例性实施例提供了用于存储物体100的检查包的方法900。方法900可以类似于方法800并且可以包括方法300、500、600。然而,在该示例中,方法900包括存储第一检查包的步骤830,该第一检查包包括物体100的检查图像400和与检查图像像素阵列450中的检查图像像素451的连续段710相关联的用户输入(指定)。第一检查包还可以包括使用第一算法的引导图像像素阵列250中的至少一个引导图像像素251的一个或多个像素属性252(属性映射)、和/或变换数据、和/或确定取向。第一检查包可以存储在计算系统上。
存储检查包的益处之一是基于与检查图像像素阵列450中的检查图像像素451的连续段710相关联的像素属性确定物体100的属性的步骤820可以使用第二算法、第二属性映射或第二名称来重新确定。例如,算法可能会随时间而改变,这也可能会改变属性映射,并且用于指定的方法可能会随时间而改变,这也可能会改变物体100的属性。由于指定算法或方法的优化或改进,指定算法或方法可以发生变化。因此,基于较新的第二算法、较新的第二属性映射或较新的第二指定方法来重新确定物体100的过去属性可以是有用的。这可以确保物体100、物体100的属性或物体100的随时间的特征的同类比较(使用相同算法、属性映射或指定进行比较),这将更详细地解释,即使用于确定属性映射的算法发生变化或指定的方法发生变化。
在至少一个示例中,代替存储物体100的检查包或除了存储物体100的检查包之外,可以存储其他检查数据。例如,检查数据可以包括指定、物体100的估计取向或基于指定的物体100的属性。
参考图20,根据本公开的示例性实施例提供了用于将物体100的第一属性与物体100的第二属性进行比较的方法1000。方法1000可以包括调用第一检查包的步骤1010,第一检查包包括物体100的第一检查图像400和第一指定。第一检查图像400包还可以包括物体100的第一属性映射。如参考图19和方法900所述,第一检查包可以存储在计算系统上。因此,稍后可以从计算系统中检索第一检查包。方法1000可以包括步骤1015,接收、调用或接收和调用物体100的一个或多个属性映射。步骤1015可以包括接收或调用第一属性映射,以及接收或调用第二属性映射。
方法1000可以包括接收指示第二检查包的数据的步骤1020,第二检查包包括物体100的第二检查图像400和第二指定。如参考方法500的步骤510所述,可以获得物体100的检查图像400。如参考方法800的步骤810所述,可以接收与检查图像像素阵列450中的检查图像像素451的连续段710相关联的用户输入(指定)。
步骤1020还可以包括向用户显示来自第一检查包的第一指定。第一指定可以覆盖在第二检查包的第二检查图像上。将第一指定覆盖在第二检查图像上可以为用户提供提示、引导或指示,这可以帮助用户进行检查。
方法1000可以包括基于物体的第一检查图像400、物体的一个或多个属性映射和第一指定来确定物体100的第一属性的步骤1030。如参考方法800的步骤820所述,物体100的属性可以基于包括属性映射和指定的引导图像数据来确定。方法1000可以包括基于物体的第二检查图像400、物体的一个或多个属性映射和第二指定来确定物体100的第二属性的步骤1040。如简要提到的,用于确定属性映射的算法可以随时间而改变。因此,基于相同属性映射来确定物体100的第一属性和物体100的第二属性可能是有益的。然而,在其他示例中,基于不同属性映射来确定物体100的第一属性和物体100的第二属性可能是有益的。
方法1000可以包括将第一属性与第二属性进行比较的步骤1050。将第一属性与第二属性进行比较可以包括确定物体100上的特征之间的差异。例如,将第一属性与第二属性进行比较可以包括确定物体100上的特征的生长。如所提到的,该特征可能是在检查图像400中对用户可见的物体100的损坏。在一些示例中,该特征可以是物体100上的裂缝、物体100上的碎屑或物体100上的涂层的剥落位置。因此,将第一属性与第二属性进行比较可以包括确定裂缝的生长或变化、碎屑或涂层的剥落。
在一些示例中,第一检查图像400限定第一捕获日期,并且第二检查图像400限定第二捕获日期。第二捕获日期可以在第一捕获日期之后。例如,第二捕获日期可以比第一捕获日期晚至少一个月(例如晚至少六个月,例如晚至少一年,例如晚至少三年),并且比第一捕获日期晚最多二十年(例如晚高达十五年,例如晚高达十年,例如晚高达五年)。在至少一个示例中,第一检查图像400限定第一使用相关度量(例如小时数或周期数),并且第二检查图像400限定第二使用相关度量。第二使用相关度量可以大于第一使用相关度量。例如,第二使用相关度量可以比第一使用相关度量大至少十个周期(例如大至少二十个周期,例如大至少五十个周期,例如大至少一百个周期,例如大至少一千个周期),并且大最多一千个周期(例如大高达五百个周期,例如大高达一百个周期)。
在一些示例中,定期确定裂缝、碎屑或涂层的剥落的生长或变化可能是有益的。例如,当物体100是用于燃气涡轮发动机的转子叶片时,当安排其上安装有转子叶片的发动机进行维护或检查时,比较属性(诸如转子叶片上的裂缝的长度)可能是有益的。
在一些示例中,确定物体100的第一属性包括确定接近第二捕获日期的物体100的第一属性。例如,可以在比第一捕获日期更靠近第二捕获日期的日期(即“确定日期”)上确定物体100的第一属性。如所提到的,当先前使用较旧算法来确定物体的属性时,基于较新算法重新确定物体100的属性以便可以进行同类比较可能是有益的。因此,物体100的第一属性可以具有比第一捕获日期更靠近第二捕获日期的确定日期。
参考图21,根据本公开的示例性实施例提供了可以用于实施本公开的方法和系统的计算系统2000的框图。计算系统2000可以用于实施检查系统3000(图22),如本文将描述的。然而,应当理解,计算系统2000是用于实施本文描述的检查系统和其他计算元件的合适计算系统的一个示例。
如图所示,计算系统2000可以包括一个或多个计算装置2005。一个或多个计算装置2005可以包括一个或多个处理器2015和一个或多个存储器装置2020。一个或多个处理器2015可以包括任何合适的处理装置,例如微处理器、微控制器、集成电路、逻辑装置或其他合适的处理装置。一个或多个存储器装置2020可以包括一个或多个计算机可读介质,包括但不限于非暂时性计算机可读介质、RAM、ROM、硬盘驱动器、闪存驱动器或其他存储器装置。一个或多个存储器装置2020可以包括远程存储装置或互联网存储装置,例如云存储装置。
一个或多个存储器装置2020可以存储可由一个或多个处理器2015访问的信息,包括可以由一个或多个处理器2015执行的计算机可读指令2025。计算机可读指令2025可以是当由一个或多个处理器2015执行时使一个或多个处理器2015进行操作的任何指令集。计算机可读指令2025可以是用任何合适的编程语言编写或者可以用硬件实施的软件。在一些实施例中,计算机可读指令2025可以由一个或多个处理器2015执行以使一个或多个处理器2015进行操作,例如控制检查系统的操作,和/或一个或多个计算装置2005的任何其他操作或功能。
存储器装置2020可以进一步存储可以由处理器2015访问的数据2030。例如,数据2030可以包括如本文所述的像素属性252、引导图像像素阵列250、变换数据等。根据本公开的示例实施例,数据2030可以包括一个或多个表(例如表260)、函数、算法(例如算法259)、图像(例如简化图像210和410)、方程式等。
一个或多个计算装置2005还可以包括用于例如与系统的其他部件通信的通信接口2040。通信接口2040可以包括用于与一个或多个网络接口的任何合适部件,包括例如发射器、接收器、端口、控制器、天线或其他合适部件。
本文讨论的技术参考了基于计算机的系统、由基于计算机的系统采取的动作、发送到基于计算机的系统的信息以及来自基于计算机的系统的信息。本领域的普通技术人员将认识到,基于计算机的系统的固有灵活性允许在部件之间和部件之中对任务和功能进行多种可能的构造、组合和划分。例如,本文讨论的方法和处理可以使用单个计算装置或多个组合工作的计算装置来实施。数据库、存储器、指令和应用可以在单个系统上实施,也可以分布在多个系统上。分布式部件可以按顺序或并行操作。
参考图22,提供了根据本公开的示例性实施例的检查系统3000的框图。检查系统3000可以包括一个或多个计算装置2005、一个或多个外围装置3010和一个或多个视觉图像记录装置3020。如所提到的,外围装置3010可以是用户可以用来指定检查图像400的一个或多个检查图像像素451的装置。外围装置3010可以是触摸屏、触控笔、鼠标、滚球等。此外,如上所述,外围装置3010可以是可以向用户显示图像的装置。例如,外围装置3010可以是计算机监视器并且可以是触摸屏监视器。
如上所述,视觉图像记录装置3020可以是相机,例如管道镜相机或内窥镜相机。视觉图像记录装置3020可以是单目相机或双目相机。与双目相机相比,使用单目相机可以有利于降低成本和复杂性,并提高可靠性和准确性。此外,尽管未描绘,但视觉图像记录装置3020也可以是检查工具组件的部件。检查工具组件可以帮助操作员在期望取向拍摄照片。
尽管本公开已周期性地提及燃气涡轮发动机,但应理解,所描述的方法可用于检查其他装置(例如风力涡轮、汽车、氢发动机、蒸汽发动机等)上的物体。
该书面描述使用示例来公开本公开,包括最佳模式,并且还使本领域的任何技术人员能够实践本公开,包括制造和使用任何装置或系统以及进行任何结合的方法。本公开的专利范围由权利要求限定,并且可以包括本领域技术人员想到的其他示例。如果这些其他示例包括与权利要求的字面语言没有区别的结构元件,或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件,则这些其他示例意图落入权利要求的范围内。
进一步方面由以下条项的主题提供:
1.一种用于检查物体的方法,所述方法包括:确定包括所述物体的第一检查图像和第一指定的第一检查包;确定指示包括所述物体的第二检查图像和第二指定的第二检查包的数据;接收、调用或接收和调用所述物体的一个或多个属性映射;基于所述物体的所述第一检查图像、所述物体的所述一个或多个属性映射和所述第一指定来确定所述物体的第一属性;基于所述物体的所述第二检查图像、所述物体的所述一个或多个属性映射和所述第二指定来确定所述物体的第二属性;以及显示所述第一属性和所述第二属性,或显示指示所述第一属性与所述第二属性的比较的数据。
2.根据任何前述条项所述的方法,其中,接收、调用或接收和调用所述物体的一个或多个属性映射包括:接收或调用第一属性映射;以及接收或调用第二属性映射;其中,确定所述物体的所述第一属性包括基于所述物体的所述第一检查图像、所述物体的所述第一属性映射和所述第一指定来确定所述物体的所述第一属性;并且其中,确定所述物体的所述第二属性包括基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
3.根据任何前述条项所述的方法,其中,接收、调用或接收和调用所述物体的一个或多个属性映射包括:接收或调用第二属性映射;其中,确定所述物体的所述第一属性包括基于所述物体的所述第一检查图像、所述物体的所述第二属性映射和所述第一指定来确定所述物体的所述第一属性;并且其中,确定所述物体的所述第二属性包括基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
4.根据任何前述条项所述的方法,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,其中确定所述物体的所述第一属性包括确定接近所述第二捕获日期的所述物体的所述第一属性。
5.根据任何前述条项所述的方法,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,并且其中所述第二捕获日期在所述第一捕获日期之后。
6.根据任何前述条项所述的方法,其中,所述第二捕获日期比所述第一捕获日期晚至少六个月,并且比所述第一捕获日期晚最多15年。
7.根据任何前述条项所述的方法,其中,确定所述物体的所述第一属性包括确定接近所述第二捕获日期的所述物体的所述第一属性。
8.根据任何前述条项所述的方法,其中,所述第一属性指示所述物体上的特征,其中所述第二属性也指示所述物体上的所述特征,并且其中,显示指示所述第一属性与所述第二属性的比较的数据包括显示指示所述物体上的所述特征的生长的数据。
9.根据任何前述条项所述的方法,其中,所述特征是裂缝。
10.根据任何前述条项所述的方法,其中,所述第一指定是检查图像像素阵列中的检查图像像素的第一连续段,所述第二指定是所述检查图像像素阵列中的检查图像像素的第二连续段,其中所述检查图像像素的第一连续段中的检查图像像素也在所述检查图像像素的第二连续段中。
11.根据任何前述条项所述的方法,包括:显示指示所述第一属性与所述第二属性的比较的数据,所述第一属性是所述物体上的特征的第一尺寸,并且所述第二属性是所述物体上的所述特征的第二尺寸,其中显示指示所述第一属性与所述第二属性的比较的数据包括基于所述物体上的所述特征的所述第一尺寸和所述物体上的所述特征的所述第二尺寸来确定所述物体上的所述特征的生长;以及将所述物体上的所述特征的所述生长与阈值进行比较。
12.根据任何前述条项所述的方法,包括如果所述物体上的所述特征的所述生长超过所述阈值,则显示指示。
13.根据任何前述条项所述的方法,包括如果所述物体上的所述特征的所述生长超过所述阈值,则启动所述物体的维护动作。
14.一种检查系统,包括计算系统,所述计算系统被构造为:确定包括所述物体的第一检查图像和第一指定的第一检查包;确定指示包括所述物体的第二检查图像和第二指定的第二检查包的数据;接收、调用或接收和调用所述物体的一个或多个属性映射;基于所述物体的所述第一检查图像、所述物体的所述一个或多个属性映射和所述第一指定来确定所述物体的第一属性;基于所述物体的所述第二检查图像、所述物体的所述一个或多个属性映射和所述第二指定来确定所述物体的第二属性;以及显示所述第一属性和所述第二属性,或将所述第一属性与所述第二属性进行比较。
15.根据任何前述条项所述的检查系统,其中,所述计算系统被构造为:接收或调用第一属性映射;以及接收或调用第二属性映射;基于所述物体的所述第一检查图像、所述物体的所述第一属性映射和所述第一指定来确定所述物体的所述第一属性;并且基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
16.根据任何前述条项所述的检查系统,其中,所述计算系统被构造为:接收或调用第二属性映射;基于所述物体的所述第一检查图像、所述物体的所述第二属性映射和所述第一指定来确定所述物体的所述第一属性;并且基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
17.根据任何前述条项所述的检查系统,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,其中所述计算系统被构造为确定接近所述第二捕获日期的所述物体的所述第一属性。
18.根据任何前述条项所述的检查系统,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,并且其中所述第二捕获日期在所述第一捕获日期之后。
19.根据任何前述条项所述的检查系统,其中,所述第一属性指示所述物体上的特征,其中所述第二属性也指示所述物体上的所述特征,并且其中所述计算系统被构造为通过将所述第一属性与所述第二属性进行比较来确定所述物体上的所述特征的生长。
20.根据任何前述条项所述的检查系统,其中,所述第一指定是检查图像像素阵列中的检查图像像素的第一连续段,所述第二指定是所述检查图像像素阵列中的检查图像像素的第二连续段,其中所述检查图像像素的第一连续段中的检查图像像素也在所述检查图像像素的第二连续段中。
Claims (10)
1.一种用于检查物体的方法,其特征在于,所述方法包括:
确定包括所述物体的第一检查图像和第一指定的第一检查包;
确定指示包括所述物体的第二检查图像和第二指定的第二检查包的数据;
接收、调用或接收和调用所述物体的一个或多个属性映射;
基于所述物体的所述第一检查图像、所述物体的所述一个或多个属性映射和所述第一指定来确定所述物体的第一属性;
基于所述物体的所述第二检查图像、所述物体的所述一个或多个属性映射和所述第二指定来确定所述物体的第二属性;以及
显示所述第一属性和所述第二属性,或显示指示所述第一属性与所述第二属性的比较的数据。
2.根据权利要求1所述的方法,其特征在于,其中,接收、调用或接收和调用所述物体的一个或多个属性映射包括:
接收或调用第一属性映射;以及
接收或调用第二属性映射;
其中,确定所述物体的所述第一属性包括基于所述物体的所述第一检查图像、所述物体的所述第一属性映射和所述第一指定来确定所述物体的所述第一属性;并且
其中,确定所述物体的所述第二属性包括基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
3.根据权利要求1所述的方法,其特征在于,其中,接收、调用或接收和调用所述物体的一个或多个属性映射包括:
接收或调用第二属性映射;
其中,确定所述物体的所述第一属性包括基于所述物体的所述第一检查图像、所述物体的所述第二属性映射和所述第一指定来确定所述物体的所述第一属性;并且
其中,确定所述物体的所述第二属性包括基于所述物体的所述第二检查图像、所述物体的所述第二属性映射和所述第二指定来确定所述物体的所述第二属性。
4.根据权利要求3所述的方法,其特征在于,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,其中确定所述物体的所述第一属性包括确定接近所述第二捕获日期的所述物体的所述第一属性。
5.根据权利要求1所述的方法,其特征在于,其中,所述第一检查图像限定第一捕获日期,其中所述第二检查图像限定第二捕获日期,并且其中所述第二捕获日期在所述第一捕获日期之后。
6.根据权利要求5所述的方法,其特征在于,其中,所述第二捕获日期比所述第一捕获日期晚至少六个月,并且比所述第一捕获日期晚最多15年。
7.根据权利要求5所述的方法,其特征在于,其中,确定所述物体的所述第一属性包括确定接近所述第二捕获日期的所述物体的所述第一属性。
8.根据权利要求1所述的方法,其特征在于,其中,所述第一属性指示所述物体上的特征,其中所述第二属性也指示所述物体上的所述特征,并且其中,显示指示所述第一属性与所述第二属性的比较的数据包括显示指示所述物体上的所述特征的生长的数据。
9.根据权利要求8所述的方法,其特征在于,其中,所述特征是裂缝。
10.根据权利要求1所述的方法,其特征在于,其中,所述第一指定是检查图像像素阵列中的检查图像像素的第一连续段,所述第二指定是所述检查图像像素阵列中的检查图像像素的第二连续段,其中所述检查图像像素的第一连续段中的检查图像像素也在所述检查图像像素的第二连续段中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/373,925 | 2021-07-13 | ||
US17/373,925 US20230018554A1 (en) | 2021-07-13 | 2021-07-13 | Method for inspecting an object |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115615986A true CN115615986A (zh) | 2023-01-17 |
Family
ID=83229002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210816426.9A Pending CN115615986A (zh) | 2021-07-13 | 2022-07-12 | 用于检查物体的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230018554A1 (zh) |
EP (1) | EP4120190A1 (zh) |
CN (1) | CN115615986A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230016982A1 (en) * | 2021-07-13 | 2023-01-19 | General Electric Company | Method for inspecting an object |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011114541A1 (de) * | 2011-09-30 | 2013-04-04 | Lufthansa Technik Ag | Endoskopiesystem und korrespondierendesVerfahren zur Untersuchung von Gasturbinen |
US8867787B2 (en) * | 2012-11-15 | 2014-10-21 | General Electric Company | Turbine inspection system, computer program product and method of inspecting |
US10878556B2 (en) * | 2018-01-19 | 2020-12-29 | United Technologies Corporation | Interactive semi-automated borescope video analysis and damage assessment system and method of use |
WO2020110576A1 (ja) * | 2018-11-27 | 2020-06-04 | キヤノン株式会社 | 情報処理装置 |
US20210312702A1 (en) * | 2019-01-22 | 2021-10-07 | Fyusion, Inc. | Damage detection from multi-view visual data |
-
2021
- 2021-07-13 US US17/373,925 patent/US20230018554A1/en active Pending
-
2022
- 2022-07-01 EP EP22182589.6A patent/EP4120190A1/en active Pending
- 2022-07-12 CN CN202210816426.9A patent/CN115615986A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230018554A1 (en) | 2023-01-19 |
EP4120190A1 (en) | 2023-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679497B (zh) | 视频面部贴图特效处理方法及生成系统 | |
JP5953842B2 (ja) | 画像検査方法および検査領域設定方法 | |
RU2680765C1 (ru) | Автоматизированное определение и обрезка неоднозначного контура документа на изображении | |
US7889193B2 (en) | Method of and system for determining a data model designed for being superposed with an image of a real object in an object tracking process | |
US9251582B2 (en) | Methods and systems for enhanced automated visual inspection of a physical asset | |
US9942535B2 (en) | Method for 3D scene structure modeling and camera registration from single image | |
CN108961144B (zh) | 图像处理系统 | |
TWI526982B (zh) | 區域分割方法、電腦程式產品及檢查裝置 | |
US7016527B2 (en) | Method for processing image data and modeling device | |
Lallensack et al. | Photogrammetry in ichnology: 3D model generation, visualisation, and data extraction | |
US20020094134A1 (en) | Method and system for placing three-dimensional models | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
US20220309708A1 (en) | System and method for automated estimation of 3d orientation of a physical asset | |
US20220327684A1 (en) | Method and device for detecting mechanical equipment parts | |
EP4120190A1 (en) | Method for inspecting an object | |
EP4123578A1 (en) | Method for inspecting an object | |
TWM565860U (zh) | 智慧工程資訊系統 | |
CN114612393A (zh) | 一种基于单目视觉的反光零件位姿估计方法 | |
CN113888572A (zh) | 一种视觉的平面孔测量方法 | |
WO2019053468A1 (en) | DAMAGE REPAIR AND DETECTION SYSTEM | |
EP4120189A1 (en) | Method for inspecting an object | |
CN113379899B (zh) | 一种建筑工程工作面区域图像自动提取方法 | |
WO2023102637A1 (en) | Interactive visualizations for industrial inspections | |
CN110163962A (zh) | 一种基于Smart 3D倾斜摄影技术输出实际地形等高线的方法 | |
JPH09204532A (ja) | 画像認識方法および画像表示方法 |
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 |