CN116399874B - 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 - Google Patents
剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 Download PDFInfo
- Publication number
- CN116399874B CN116399874B CN202310670648.9A CN202310670648A CN116399874B CN 116399874 B CN116399874 B CN 116399874B CN 202310670648 A CN202310670648 A CN 202310670648A CN 116399874 B CN116399874 B CN 116399874B
- Authority
- CN
- China
- Prior art keywords
- defect
- size
- speckle interference
- phase diagram
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 263
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000001066 destructive effect Effects 0.000 title description 5
- 238000005305 interferometry Methods 0.000 title description 5
- 238000010008 shearing Methods 0.000 claims abstract description 120
- 238000013135 deep learning Methods 0.000 claims abstract description 81
- 238000010587 phase diagram Methods 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 238000003384 imaging method Methods 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000009659 non-destructive testing Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008014 freezing Effects 0.000 claims description 12
- 238000007710 freezing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003672 processing method Methods 0.000 claims description 9
- 238000010257 thawing Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 10
- 239000002131 composite material Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation 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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
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 Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种剪切散斑干涉无损检测缺陷尺寸的方法和程序产品,方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数;通过系统畸变系数对物体内部缺陷所对应的相位图进行校正;通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;通过系统参数,将缺陷尺寸换算成真实物理尺寸。本发明能够解决现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题,实现缺陷的快速检测和高精度尺寸自动测量。
Description
技术领域
本发明涉及光学无损检测技术领域,尤其涉及一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品。
背景技术
激光剪切散斑干涉技术是一种非接触、全场的光学变形测量方法,被广泛用于变形测量、无损检测等领域。
传统的阈值分割方法将激光剪切散斑干涉缺陷图像进行二值分割,将缺陷部分更直观的呈现。
为了测量缺陷尺寸,目前常常使用人工经验判断的方法,该方法在每次获取剪切散斑干涉缺陷图像后,将缺陷部分与实物对比,通过人工经验对缺陷尺寸进行判断。
本申请发明人在实现本发明实施例技术方案的过程中,至少发现现有技术中存在如下技术问题:
虽然传统的阈值分割方法能够将剪切散斑干涉缺陷图像二值化,但是该方法需要选择合适的阈值,不能过大或者过小。而且传统的图像分割技术,如数字图像处理中常用的边缘检测方法,将其运用于激光剪切散斑干涉缺陷图像,其检测效果难以将缺陷部分较好的分割,并进行尺寸的计算测量。所以,传统的阈值分割方法的检测分割速率和分割精度都难以满足缺陷尺寸的测量要求。
虽然人工经验判断的方法能对缺陷尺寸进行测量,但其主观判断和迟滞性阻碍了缺陷尺寸的高精度和快速测量,无法实现缺陷尺寸自动测量。
综上,现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差。
发明内容
本发明实施例提供一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品,解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题。
本发明实施例一方面提供了一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,所述方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数;通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正;通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;通过所述系统参数,将所述缺陷尺寸换算成真实物理尺寸。
可选的,所述通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:对有内部缺陷的物体进行加载,令所述物体的内部缺陷在表面产生变形;通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像,获得所述物体内部缺陷所对应的相位图。
可选的,在所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:通过所述剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;使用所述缺陷图像数据集,训练所述深度学习分割模型。
可选的,所述训练所述深度学习分割模型,具体包括:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结所述特征提取网络,对所述深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;解冻所述特征提取网络,改变所述冻结训练周期、所述批量规模和所述学习率。
可选的,所述使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过所述剪切散斑干涉检测成像装置,获得所述圆形矩阵标定板图像;通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径;基于所述圆心和所述半径,通过标定算法获得所述系统参数和所述系统畸变系数。
可选的,在所述通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径之后,还包括:根据所有圆心之间的平均距离,计算剪切量。
可选的,所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行二值分割,得到所述物体内部缺陷所在的位置和像素尺寸;遍历校正后的所述物体内部缺陷所对应的相位图,计算缺陷总像素个数;基于所述物体内部缺陷像素尺寸和所述剪切量,获得剪切部分的计算面积;基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值,获得所述缺陷尺寸。
另一方面,本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸方法的步骤。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,所述方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数;通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正;通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;通过所述系统参数,将所述缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正,减少剪切散斑干涉检测成像装置本身的影响,真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型,深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图,根据分割后的物体内部缺陷所对应的相位图,能够快速地获得高精度的缺陷尺寸,解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题,实现缺陷的快速检测和高精度尺寸自动测量。
进一步,所述通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:对有内部缺陷的物体进行加载,令所述物体的内部缺陷在表面产生变形;通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像,获得所述物体内部缺陷所对应的相位图。物体内部缺陷包括脱粘、气泡、分层、裂纹等,通过热辐射、负气压、振动等加载方式对物体加载后,物体内部有缺陷的地方会在表面产生异常变形,通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像,能够间接反映出物体内部缺陷。
再进一步,在所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:通过所述剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;使用所述缺陷图像数据集,训练所述深度学习分割模型。使用一系列经典缺陷所对应的相位图作为缺陷图像数据集,缺陷图像数据集中包含各种各样的经典缺陷,能够提高深度学习分割模型对缺陷的检测和分割能力。
又进一步,所述训练所述深度学习分割模型,具体包括:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结所述特征提取网络,对所述深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;解冻所述特征提取网络,改变所述冻结训练周期、所述批量规模和所述学习率。能够训练生成深度学习分割模型。
更进一步,所述使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过所述剪切散斑干涉检测成像装置,获得所述圆形矩阵标定板图像;通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径;基于所述圆心和所述半径,通过标定算法获得所述系统参数和所述系统畸变系数。使用圆形矩阵标定板,能够准确地获得系统参数和系统畸变系数。
还进一步,在所述通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径之后,还包括:根据所有圆心之间的平均距离,计算剪切量。能够准确地获得剪切量。
再进一步,所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行二值分割,得到所述物体内部缺陷所在的位置和像素尺寸;遍历校正后的所述物体内部缺陷所对应的相位图,计算缺陷总像素个数;基于所述物体内部缺陷像素尺寸和所述剪切量,获得剪切部分的计算面积;基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值,获得所述缺陷尺寸。能够通过深度学习分割模型获得缺陷尺寸。
附图说明
图1为本发明一实施例中剪切散斑干涉无损检测缺陷尺寸的方法的流程图;
图2为本发明一实施例中使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数的方法流程图;
图3为本发明一实施例中剪切部分的计算面积求解示意图;
图4为本发明一实施例中提取圆形矩阵标定板图像中的特征点的步骤图;
图5为本发明一实施例中缺陷图像数据集示意图;
图6为本发明一实施例中圆检测算法提取圆形图案的特征点的示意图;
图7为本发明一实施例中深度学习分割模型的二值分割示意图。
具体实施方式
本发明实施例提供一种剪切散斑干涉无损检测缺陷尺寸的方法、设备、介质和程序产品,解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题。
本发明一实施例的技术方案为解决上述的问题,总体思路如下:
一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数;通过系统畸变系数对物体内部缺陷所对应的相位图进行校正;通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;通过系统参数,将缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正,减少剪切散斑干涉检测成像装置本身的影响,真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型,深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图,根据分割后的物体内部缺陷所对应的相位图,能够快速地获得高精度的缺陷尺寸,解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题,实现缺陷的快速检测和高精度尺寸自动测量。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。显然,本发明所描述的实施例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。
本发明实施例中的剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型。深度学习分割模型可为预先训练生成的。当然,在具体应用中,可根据实际需求,在需要检测缺陷尺寸时,训练生成深度学习分割模型,本发明不作限制。下面,以内部具有缺陷的复合材料板为例进行说明。
请参考图1,对本发明实施例中剪切散斑干涉无损检测缺陷尺寸的方法进行详细的描述。
步骤101:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;
步骤102:使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数;
步骤103:通过系统畸变系数对物体内部缺陷所对应的相位图进行校正;
步骤104:通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;
步骤105:通过系统参数,将缺陷尺寸换算成真实物理尺寸。
当启动剪切散斑干涉无损检测缺陷尺寸的系统时,开始执行步骤101:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图。
步骤101在具体实施过程中,例如:将周边全夹紧的复合材料板置于剪切散斑干涉检测成像装置的光路中,调节剪切散斑干涉检测成像装置的镜头,对复合材料板进行清晰成像,获得复合材料板内部缺陷所对应的相位图。
在获得物体内部缺陷所对应的相位图之后,开始执行步骤102:使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。
步骤102在具体实施过程中,例如:由于剪切散斑干涉检测成像装置的成像图像为两幅错位图像的叠加,常规的棋盘格标定板会导致图像的混叠而不能准确提取角点,为此,本发明使用圆形矩阵标定板,以获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。
在获得系统参数和系统畸变系数之后,开始执行步骤103:通过系统畸变系数对物体内部缺陷所对应的相位图进行校正。
步骤103在具体实施过程中,例如:应用张正友相机标定法对剪切散斑干涉检测成像装置的畸变进行校正,将系统畸变系数代入畸变图像校正算法中,畸变图像校正算法对物体内部缺陷所对应的相位图进行校正,获得校正后的物体内部缺陷所对应的相位图。
在校正物体内部缺陷所对应的相位图之后,开始执行步骤104:通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸。
步骤104在具体实施过程中,例如:使用深度学习模型,对校正后的物体内部缺陷所对应的相位图进行二值分割,根据分割后的物体内部缺陷所对应的相位图,计算得到缺陷尺寸。
在获得缺陷尺寸之后,开始执行步骤105:通过系统参数,将缺陷尺寸换算成真实物理尺寸。
步骤105在具体实施过程中,例如:在缺陷尺寸中代入系统参数,将缺陷尺寸换算成真实物理尺寸。
为了令物体内部有缺陷的地方在表面产生异常变形,通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像,能够间接反映出物体内部缺陷,步骤101的通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:对有内部缺陷的物体进行加载,令物体的内部缺陷在表面产生变形;通过剪切散斑干涉检测成像装置对物体的内部缺陷在表面产生变形进行成像,获得物体内部缺陷所对应的相位图。
继续沿用上一实施例,在具体实施过程中,例如:复合材料板的内部缺陷包括脱粘、气泡、分层、裂纹等,通过热辐射、负气压、振动等加载方式对复合材料板进行加载,令物体内部有缺陷的地方在表面产生异常变形。将周边全夹紧的复合材料板置于剪切散斑干涉检测成像装置的光路中,调节剪切散斑干涉检测成像装置的镜头,对复合材料板内部缺陷在表面产生的异常变形进行清晰成像,获得复合材料板内部缺陷所对应的相位图。
为了提高深度学习分割模型对缺陷的检测和分割能力,在步骤103的通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:通过剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;使用缺陷图像数据集,训练深度学习分割模型。
在具体实施过程中,例如:制作300块包含多种典型缺陷的复合材料板,依次将复合材料板置于剪切散斑干涉检测成像装置的光路中,调节剪切散斑干涉检测成像装置的镜头,依次对复合材料板进行清晰成像,获得300张经典缺陷所对应的相位图,图像大小2048×1536,灰度图单通道。将300张经典缺陷所对应的相位图作为缺陷图像数据集,如图5所示。使用缺陷图像数据集,训练深度学习分割模型。可随机选取其中250张作为训练集,剩余50张作为测试集。训练集用作深度学习分割模型训练,测试集用作深度学习分割模型测试。
训练深度学习分割模型,搭建适合的硬件和软件环境是首要条件,本发明使用Windows10的64位操纵系统,该系统搭载Intel Core i7-10870H处理器,NVIDIA GeForceRTX 3060 显卡和32G内存,由python3.8和pytorch1.9.0搭建框架。为提高训练深度学习分割模型的速度,配置了cuda和cudnn来调用GPU参与训练。
为了训练生成深度学习分割模型,前述步骤中的训练深度学习分割模型具体包括:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结特征提取网络,对深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;解冻特征提取网络,改变冻结训练周期、批量规模和学习率。
在具体实施过程中,例如:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,特征提取网络为深度学习分割网络的主干。训练过程分为两个阶段,分别是冻结(Freeze)阶段和解冻(UnFreeze)阶段。
在冻结阶段,深度学习分割网络的主干被冻结,特征提取网络不发生改变,占用显存较小,仅对深度学习分割网络进行微调,其中冻结训练周期(Freeze_Epoch)为50轮,批量规模(Freeze_batch_size)为2,学习率(Freeze_lr)为0.0001。
在解冻阶段,深度学习分割网络的主干不被冻结,特征提取网络会发生改变,占用显存较大,深度学习分割网络所有的参数都会发生改变,其中解冻训练周期(UnFreeze_Epoch)为100,批量规模(UnFreeze_batch_size)为2,学习率(UnFreeze_lr)为0.00001。
为了使用圆形矩阵标定板,准确地获得系统参数和系统畸变系数,步骤102的使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过剪切散斑干涉检测成像装置,获得圆形矩阵标定板图像;通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径;基于圆心和半径,通过标定算法获得系统参数和系统畸变系数。
如图2所示,在具体实施过程中,例如:设计与制作圆形矩阵标定板;将圆形矩阵标定板置于剪切散斑干涉检测成像装置的光路中,多角度摆放圆形矩阵标定板,调节剪切散斑干涉检测成像装置的镜头,在不同角度对复合材料板进行清晰成像,拍摄一定数量的圆形矩阵标定板图像;如图6所示,提取圆形矩阵标定板图像中的特征点;求解理想无畸变情况下剪切散斑干涉检测成像装置的内参数;应用最小二乘求出实际的径向畸变系数;综合内外参数和径向畸变系数,使用极大似然估计和优化估计提升估计精度;获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数。
由于在剪切散斑干涉检测成像装置中,图像为两个像的叠加,并且包含散斑噪声,导致传统圆检测算法失效。如图4所示,为精确提取圆形图案的圆心和半径,首先运用高斯滤波方法滤除圆形矩阵标定板图像中的剪切散斑点,第二步运用 Sobel算子对圆形矩阵标定板图像进行边缘提取,第三步运用开运算去除圆形矩阵标定板图像中剩余的毛刺,最后利用圆形霍夫变换查找圆形矩阵标定板图像中所有的圆,设定合适的度量值获得所需圆的精确检测。获得所有圆检测后,得到每个圆的圆心坐标,并作为标志角点代入标定算法,从而得到相机的内参矩阵A,表达如下:
其中,A为相机内参矩阵,(u 0,v 0)为像主点坐标,,/>则是把焦距/>的量纲转换为像素数:
其中,为焦距,/>和/>为像元尺寸。
通常只关注影响最大的径向畸变,标定完成后获得系统畸变系数k。将系统畸变系数k代入以下公式,以完成畸变校正。
其中,(u,v)是理想无畸变的像素坐标,(,/>)是实际畸变后的像素坐标,(/>,/>)代表主点坐标,(x,y)是理想无畸变的连续图像坐标。
为了准确地获得剪切量,在通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径之后,还包括:根据所有圆心之间的平均距离,计算剪切量。
在具体实施过程中,例如:在标定过程中,提取圆形矩阵标定板上圆形图案的圆心,利用圆心的像素坐标得到两个圆心之间的像素距离:
其中,为圆心的序列数,/>和/>为相邻的两个圆心对应的像素坐标,对多个圆心像素距离进行拟合:
其中,为拟合后的圆心像素距离,n为像素距离个数,/>为对应的圆心像素距离。
得到像素与真实物理尺寸的比值
其中,d为真实物理尺寸。
剪切量为重叠圆的圆心坐标之间的距离,可根据所有重叠圆的圆心之间的平均距离来计算剪切量。剪切量δ计算表达如下:
其中,和/>是两个重叠圆的圆心像素坐标,m为重叠圆的圆心距离的个数。
为了能够通过深度学习分割模型获得缺陷尺寸,步骤104的通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行二值分割,得到物体内部缺陷所在的位置和像素尺寸;遍历校正后的物体内部缺陷所对应的相位图,计算缺陷总像素个数;基于物体内部缺陷像素尺寸和剪切量,获得剪切部分的计算面积;基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;基于缺陷总像素个数、剪切部分的计算面积、像素与真实物理尺寸的比值,获得缺陷尺寸。
在具体实施过程中,例如:通过深度学习分割模型,对校正后的复合材料板内部缺陷所对应的相位图进行二值分割,得到复合材料板内部缺陷所在的位置和像素尺寸。这种分割方法基于深度学习分割模型自动进行。深度学习分割网络主要可分为三个部分,分别为特征提取网络、拼接网络和扩张网络。
其中,特征提取网络是一个收缩网络,通过四个下采样对校正后的复合材料板内部缺陷所对应的相位图尺寸进行减小,同时提取校正后的复合材料板内部缺陷所对应的相位图的浅层特征信息。
在扩张网络中,通过四个上采样,使校正后的复合材料板内部缺陷所对应的相位图尺寸变大,并提取校正后的复合材料板内部缺陷所对应的相位图的深层特征信息;且在上采样的过程中,通过拼接操作,融合了左边的浅层特征信息。
拼接网络有四个拼接操作,以此融合浅层和深层的特征信息。
假设校正后的复合材料板内部缺陷所对应的相位图大小为W×H,为方便训练,需要在传入训练前将校正后的复合材料板内部缺陷所对应的相位图进行尺寸压缩操作,假设压缩后的输入图片的尺寸为m×n。然后进入特征提取网络,卷积块有两个3×3卷积操作(×表示卷积操作),后面会有一个2×2的最大池化层,并且每个卷积层后面的下采样操作都通过ReLu激活函数进行;每次下采样都会增加一个特征通道数。在扩张网络过程中,每一次上采样都会有一个2×2卷积层,同时特征通道数缩小为原来的一半,并且每一步上采样都会通过拼接操作融合来自收缩网络的特征信息,然后执行带有ReLu激活函数的两个3×3卷积运算,最后再经过1×1卷积层输出缺陷分割图像。
如图3所示,在进行缺陷分割操作后,可对缺陷分割部分的像素进行提取计算,获得缺陷分割部分的长l和宽h,并基于剪切量δ,获得剪切部分的计算面积。对于剪切部分的面积S δ可做近似处理,计算图中矩形部分面积,将矩形部分面积作为剪切部分的计算面积。
基于圆心之间的像素距离,得到像素与真实物理尺寸的比值b。
基于缺陷总像素个数a、剪切部分的计算面积δh、像素与真实物理尺寸的比值b,获得缺陷尺寸S。
采用本发明实施例中剪切散斑干涉无损检测缺陷尺寸的方法,对图7中三个相同尺寸大小的剪切散斑干涉缺陷进行检测,测量结果如下表所示。
通过比较上表中缺陷面积的测量值与实际值,可知相对误差在6%以内。使用圆形矩阵标定板的标定算法能够精确提取特征点,深度学习分割模型能够实现剪切散斑干涉缺陷尺寸的高精度自动测量。
本发明另一实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。
本发明另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。
本发明另一实施例提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现剪切散斑干涉无损检测缺陷尺寸的方法的步骤。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,方法包括:通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数;通过系统畸变系数对物体内部缺陷所对应的相位图进行校正;通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸;通过系统参数,将缺陷尺寸换算成真实物理尺寸。本发明能够对物体内部缺陷所对应的相位图进行校正,减少剪切散斑干涉检测成像装置本身的影响,真实地还原物体内部的缺陷。本发明只需要将校正后的物体内部缺陷所对应的相位图输入至深度学习分割模型,深度学习分割模型能够精确地分割校正后的物体内部缺陷所对应的相位图,根据分割后的物体内部缺陷所对应的相位图,能够快速地获得高精度的缺陷尺寸,解决了现有的剪切散斑干涉无损检测缺陷尺寸的方法测量效果差的技术问题,实现缺陷的快速检测和高精度尺寸自动测量。
进一步,通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:对有内部缺陷的物体进行加载,令物体的内部缺陷在表面产生变形;通过剪切散斑干涉检测成像装置对物体的内部缺陷在表面产生变形进行成像,获得物体内部缺陷所对应的相位图。物体内部缺陷包括脱粘、气泡、分层、裂纹等,通过热辐射、负气压、振动等加载方式对物体加载后,物体内部有缺陷的地方会在表面产生异常变形,通过剪切散斑干涉检测成像装置对表面产生的异常变形进行成像,能够间接反映出物体内部缺陷。
再进一步,在通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:通过剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;使用缺陷图像数据集,训练深度学习分割模型。使用一系列经典缺陷所对应的相位图作为缺陷图像数据集,缺陷图像数据集中包含各种各样的经典缺陷,能够提高深度学习分割模型对缺陷的检测和分割能力。
又进一步,训练深度学习分割模型,具体包括:深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结特征提取网络,对深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;解冻特征提取网络,改变冻结训练周期、批量规模和学习率。能够训练生成深度学习分割模型。
更进一步,使用圆形矩阵标定板,获得剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过剪切散斑干涉检测成像装置,获得圆形矩阵标定板图像;通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径;基于圆心和半径,通过标定算法获得系统参数和系统畸变系数。使用圆形矩阵标定板,能够准确地获得系统参数和系统畸变系数。
还进一步,在通过图像处理方法提取圆形矩阵标定板图像中圆形图案的圆心和半径之后,还包括:根据所有圆心之间的平均距离,计算剪切量。能够准确地获得剪切量。
再进一步,通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过深度学习分割模型,对校正后的物体内部缺陷所对应的相位图进行二值分割,得到物体内部缺陷所在的位置和像素尺寸;遍历校正后的物体内部缺陷所对应的相位图,计算缺陷总像素个数;基于物体内部缺陷像素尺寸和剪切量,获得剪切部分的计算面积;基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;基于缺陷总像素个数、剪切部分的计算面积、像素与真实物理尺寸的比值,获得缺陷尺寸。能够通过深度学习分割模型获得缺陷尺寸。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种剪切散斑干涉无损检测缺陷尺寸的方法,应用于一剪切散斑干涉无损检测缺陷尺寸的系统,其特征在于,所述剪切散斑干涉无损检测缺陷尺寸的系统具有一深度学习分割模型,所述方法包括:
通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图;
使用圆形矩阵标定板,获得所述剪切散斑干涉检测成像装置的系统参数和系统畸变系数,具体包括:通过所述剪切散斑干涉检测成像装置,获得所述圆形矩阵标定板图像;通过图像处理方法提取所述圆形矩阵标定板图像中圆形图案的圆心和半径;根据所有圆心之间的平均距离,计算剪切量;基于所述圆心和所述半径,通过标定算法获得所述系统参数和所述系统畸变系数;
通过所述系统畸变系数对所述物体内部缺陷所对应的相位图进行校正;
通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸,具体包括:通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行二值分割,得到所述物体内部缺陷所在的位置和像素尺寸;遍历校正后的所述物体内部缺陷所对应的相位图,计算缺陷总像素个数;基于物体内部缺陷像素尺寸和所述剪切量,获得剪切部分的计算面积;基于圆心之间的像素距离,得到像素与真实物理尺寸的比值;基于所述缺陷总像素个数、所述剪切部分的计算面积、所述像素与真实物理尺寸的比值,获得所述缺陷尺寸;
通过所述系统参数,将所述缺陷尺寸换算成真实物理尺寸。
2.如权利要求1所述的方法,其特征在于,所述通过剪切散斑干涉检测成像装置,获得物体内部缺陷所对应的相位图,具体包括:
对有内部缺陷的物体进行加载,令所述物体内部缺陷在表面产生变形;
通过所述剪切散斑干涉检测成像装置对所述物体的内部缺陷在表面产生变形进行成像,获得所述物体内部缺陷所对应的相位图。
3.如权利要求1所述的方法,其特征在于,在所述通过所述深度学习分割模型,对校正后的所述物体内部缺陷所对应的相位图进行分割,获得缺陷尺寸之前,还包括:
通过所述剪切散斑干涉检测成像装置,将一系列经典缺陷所对应的相位图作为缺陷图像数据集;
使用所述缺陷图像数据集,训练所述深度学习分割模型。
4.如权利要求3所述的方法,其特征在于,所述训练所述深度学习分割模型,具体包括:
深度学习分割网络分为特征提取网络、拼接网络和扩张网络,冻结所述特征提取网络,对所述深度学习分割网络进行微调,设定冻结训练周期、批量规模和学习率;
解冻所述特征提取网络,改变所述冻结训练周期、所述批量规模和所述学习率。
5.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670648.9A CN116399874B (zh) | 2023-06-08 | 2023-06-08 | 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310670648.9A CN116399874B (zh) | 2023-06-08 | 2023-06-08 | 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116399874A CN116399874A (zh) | 2023-07-07 |
CN116399874B true CN116399874B (zh) | 2023-08-22 |
Family
ID=87018366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310670648.9A Active CN116399874B (zh) | 2023-06-08 | 2023-06-08 | 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116399874B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6040900A (en) * | 1996-07-01 | 2000-03-21 | Cybernet Systems Corporation | Compact fiber-optic electronic laser speckle pattern shearography |
JP2004094438A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Xerox Co Ltd | 画像検査装置およびプログラム |
CN109142522A (zh) * | 2018-08-02 | 2019-01-04 | 中冶建筑研究总院有限公司 | 一种陆上风机基础缺陷无损检测方法 |
CN109842756A (zh) * | 2017-11-28 | 2019-06-04 | 东莞市普灵思智能电子有限公司 | 一种镜头畸变矫正和特征提取的方法及系统 |
CN111578856A (zh) * | 2020-05-15 | 2020-08-25 | 上海工程技术大学 | 高抗振性电子散斑干涉实时相位测量系统和方法 |
CN111751383A (zh) * | 2020-07-17 | 2020-10-09 | 盐城工学院 | 融合散斑干涉和剪切散斑干涉的缺陷深度检测方法 |
CN112325789A (zh) * | 2021-01-04 | 2021-02-05 | 中南大学 | 一种基于图像处理的模型试验中变形和位移测量方法 |
CN112797917A (zh) * | 2021-01-19 | 2021-05-14 | 浙江理工大学 | 一种高精度的数字散斑干涉相位定量测量方法 |
CN114022460A (zh) * | 2021-11-09 | 2022-02-08 | 华东交通大学 | 一种剪切散斑干涉视频图像多缺陷融合方法 |
CN114067197A (zh) * | 2021-11-17 | 2022-02-18 | 河南大学 | 一种基于目标检测及双目视觉的管道缺陷识别与定位方法 |
CN114527129A (zh) * | 2021-12-10 | 2022-05-24 | 桂林电子科技大学 | 基于剪切散斑干涉的小型工件内部缺陷检测装置及方法 |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、系统、存储介质及程序产品 |
CN115272271A (zh) * | 2022-08-09 | 2022-11-01 | 郑州芯视道机器人技术有限公司 | 一种基于双目立体视觉的管道缺陷检测与定位测距系统 |
CN115435684A (zh) * | 2022-09-30 | 2022-12-06 | 中国兵器装备集团自动化研究所有限公司 | 一种尺寸缺陷检测方法、装置、设备及存储介质 |
WO2023010565A1 (zh) * | 2021-08-06 | 2023-02-09 | 中国科学院深圳先进技术研究院 | 单目散斑结构光系统的标定方法、装置及终端 |
CN115727776A (zh) * | 2022-11-27 | 2023-03-03 | 桂林电子科技大学 | 一种基于激光剪切散斑干涉的离面位移动态测量方法 |
CN115984644A (zh) * | 2022-12-16 | 2023-04-18 | 南京航空航天大学 | 一种基于迁移学习的红外图像障碍物无监督标注方法 |
CN116091617A (zh) * | 2022-12-22 | 2023-05-09 | 成都航天科工大数据研究院有限公司 | 一种基于机器视觉的轮胎位姿检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160320176A1 (en) * | 2013-12-20 | 2016-11-03 | Oakland University | Digital shearography ndt system for speckless objects |
US10914573B2 (en) * | 2019-05-29 | 2021-02-09 | Bae Systems Information Electronic Systems Integration Inc. | Shearography detection and classification |
BR102019024946A2 (pt) * | 2019-11-26 | 2021-06-08 | Petróleo Brasileiro S.A. - Petrobras | sensor de shearografia e interferometria com mudança de fase dinâmica multidirecional e método de inspeção e medição de modos de vibração |
-
2023
- 2023-06-08 CN CN202310670648.9A patent/CN116399874B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6040900A (en) * | 1996-07-01 | 2000-03-21 | Cybernet Systems Corporation | Compact fiber-optic electronic laser speckle pattern shearography |
JP2004094438A (ja) * | 2002-08-30 | 2004-03-25 | Fuji Xerox Co Ltd | 画像検査装置およびプログラム |
CN109842756A (zh) * | 2017-11-28 | 2019-06-04 | 东莞市普灵思智能电子有限公司 | 一种镜头畸变矫正和特征提取的方法及系统 |
CN109142522A (zh) * | 2018-08-02 | 2019-01-04 | 中冶建筑研究总院有限公司 | 一种陆上风机基础缺陷无损检测方法 |
CN111578856A (zh) * | 2020-05-15 | 2020-08-25 | 上海工程技术大学 | 高抗振性电子散斑干涉实时相位测量系统和方法 |
CN111751383A (zh) * | 2020-07-17 | 2020-10-09 | 盐城工学院 | 融合散斑干涉和剪切散斑干涉的缺陷深度检测方法 |
WO2022127919A1 (zh) * | 2020-12-17 | 2022-06-23 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置、系统、存储介质及程序产品 |
CN112325789A (zh) * | 2021-01-04 | 2021-02-05 | 中南大学 | 一种基于图像处理的模型试验中变形和位移测量方法 |
CN112797917A (zh) * | 2021-01-19 | 2021-05-14 | 浙江理工大学 | 一种高精度的数字散斑干涉相位定量测量方法 |
WO2023010565A1 (zh) * | 2021-08-06 | 2023-02-09 | 中国科学院深圳先进技术研究院 | 单目散斑结构光系统的标定方法、装置及终端 |
CN114022460A (zh) * | 2021-11-09 | 2022-02-08 | 华东交通大学 | 一种剪切散斑干涉视频图像多缺陷融合方法 |
CN114067197A (zh) * | 2021-11-17 | 2022-02-18 | 河南大学 | 一种基于目标检测及双目视觉的管道缺陷识别与定位方法 |
CN114527129A (zh) * | 2021-12-10 | 2022-05-24 | 桂林电子科技大学 | 基于剪切散斑干涉的小型工件内部缺陷检测装置及方法 |
CN115272271A (zh) * | 2022-08-09 | 2022-11-01 | 郑州芯视道机器人技术有限公司 | 一种基于双目立体视觉的管道缺陷检测与定位测距系统 |
CN115435684A (zh) * | 2022-09-30 | 2022-12-06 | 中国兵器装备集团自动化研究所有限公司 | 一种尺寸缺陷检测方法、装置、设备及存储介质 |
CN115727776A (zh) * | 2022-11-27 | 2023-03-03 | 桂林电子科技大学 | 一种基于激光剪切散斑干涉的离面位移动态测量方法 |
CN115984644A (zh) * | 2022-12-16 | 2023-04-18 | 南京航空航天大学 | 一种基于迁移学习的红外图像障碍物无监督标注方法 |
CN116091617A (zh) * | 2022-12-22 | 2023-05-09 | 成都航天科工大数据研究院有限公司 | 一种基于机器视觉的轮胎位姿检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
"基于剪切散斑干涉无损探伤的缺陷深度测量";王硕 等;《激光与红外》;第53卷(第1期);12-19 * |
Also Published As
Publication number | Publication date |
---|---|
CN116399874A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242828B (zh) | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 | |
CN112581457B (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
JP4061289B2 (ja) | 画像検査方法及び装置 | |
CN109632808B (zh) | 棱边缺陷检测方法、装置、电子设备及存储介质 | |
KR20020077420A (ko) | 시험편의 주조 결함을 자동으로 검출하는 검출 방법 | |
CN109615654B (zh) | 基于双目视觉的排水管道内表面腐蚀深度及面积测量方法 | |
JP5303405B2 (ja) | 車両検査装置 | |
JP2014228357A (ja) | ひび割れ検出方法 | |
CN109300127A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
Tyge et al. | Characterizing digital light processing (DLP) 3D printed primitives | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
CN107230212B (zh) | 一种基于视觉的手机尺寸的测量方法及系统 | |
CN108876842A (zh) | 一种亚像素边缘角度的测量方法、系统、设备及存储介质 | |
CN112802022B (zh) | 智能检测缺陷玻璃图像的方法、电子设备以及存储介质 | |
CN116399874B (zh) | 剪切散斑干涉无损检测缺陷尺寸的方法和程序产品 | |
CN112595262B (zh) | 一种基于双目结构光的高反光表面工件深度图像获取方法 | |
CN114187363A (zh) | 一种获取径向畸变参数值的方法、装置以及移动终端 | |
CN113781393A (zh) | 屏幕缺陷检测方法、装置、设备及存储介质 | |
CN116258838A (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN116596987A (zh) | 一种基于双目视觉的工件三维尺寸高精度测量方法 | |
Hafeez et al. | The effect of patterns on image-based modelling of texture-less objects | |
CN116167930A (zh) | 图像增强方法、边缘线定位方法、巡边检方法及装置 | |
CN113592953B (zh) | 一种基于特征点集的双目非合作目标位姿测量方法 | |
CN109345501A (zh) | 基于频域图像增强的螺旋缠绕式物料缺陷检测方法 | |
KR102383577B1 (ko) | 스켈러톤 웨이퍼 검사 방법 |
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 |