CN117095236A - 一种用于评估叶根轮槽试验精确性的方法及系统 - Google Patents
一种用于评估叶根轮槽试验精确性的方法及系统 Download PDFInfo
- Publication number
- CN117095236A CN117095236A CN202311156631.8A CN202311156631A CN117095236A CN 117095236 A CN117095236 A CN 117095236A CN 202311156631 A CN202311156631 A CN 202311156631A CN 117095236 A CN117095236 A CN 117095236A
- Authority
- CN
- China
- Prior art keywords
- image
- strain gauge
- strain
- accuracy
- invisible
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 35
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000001454 recorded image Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000000306 component Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Abstract
本发明属于数据处理技术领域,公开了一种用于评估叶根轮槽试验精确性的方法及系统;所述方法包括:基于预获取的应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;以预获取的数字散斑图像为目标图像,以获取的处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;基于散斑应变片重叠图像以及记录的应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于误差进行叶根轮槽试验精确性评估,获得精确性评估结果。本发明技术方案能够获得用于精确性评估的指标,具有较好的可靠性和可行性。
Description
技术领域
本发明属于数据处理技术领域,涉及透平机械叶片叶根轮槽试验测试领域,特别涉及一种用于评估叶根轮槽试验精确性的方法及系统。
背景技术
叶片是汽轮机、燃气轮机、航空发动机等透平机械的核心部件,在透平机械运行过程中,复杂工作环境会使叶片在实际运行过程中表现出与设计工况不同的特性。具体的,由于温度场压力场的变化、安装加工精度的误差等因素,叶片会产生热应力、应力集中等问题;其中,叶片的叶根与轮槽相配合的位置由于结构、功能的特殊性,往往会承受极大的载荷。因此,叶片在设计制造时,需要对叶根和轮槽部分进行试验,以确保透平机械运行的安全性和可靠性。
目前,现有传统的叶根轮槽试验的数据处理以评估试验精确性的方法中,通常需要手动选取接触式测量、非接触式测量和数值仿真结果中对应的节点进行结果分析,上述传统的处理方法对于精度要求不高、体积较小的试验件能够基本满足要求。
然而,在处理精度要求高或是大型试验件时,上述传统方法由于人为选取、图像角度等问题会产生误差,最终会影响对试验结果的判断与评价;此外,如果试件体积较大、接触测量所采用的应变片数量较多,传统方法会大大增加节点选取、对比的难度以及数据处理的时间成本,可行性较差。
发明内容
本发明的目的在于提供一种用于评估叶根轮槽试验精确性的方法及系统,以解决上述存在的一个或多个技术问题。本发明提供的技术方案中,通过基于词嵌入的零采样图片区域分割模型可精准识别接触测量的应变片轮廓,再通过仿射变换完成图像的重叠处理;最终能够获得用于精确性评估的指标(解释性的,即非接触测量数据与接触测量数据相对的误差),具有较好的可靠性和可行性。
为达到上述目的,本发明采用以下技术方案:
本发明提供的一种用于评估叶根轮槽试验精确性的方法,包括以下步骤:
获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;
基于获取的所述应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
本发明方法的进一步改进在于,所述基于词嵌入的零采样图片区域分割模型的架构包括:
可见类预分类模块,用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理,获得了预分类图像的像素特征;
词向量语义描述构建模块,用于输入可见类对象和不可见类对象的名称进行词转向量处理,获得可见类的语义描述以及不可见类的语义描述;
不可见类像素生成模块,用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理,获得不可见类的像素特征;
二次分类模块,用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理,输出最终图片区域分割图像。
本发明方法的进一步改进在于,所述基于词嵌入的零采样图片区域分割模型中,
所述可见类预分类模块由一个全监督模型构成;
所述词向量语义描述构建模块由两个word2vec模型构成;
所述不可见类像素生成模块由一个生成器构成;
所述二次分类模块由一个分类器构成。
本发明方法的进一步改进在于,所述预先训练好的基于词嵌入的零采样图片区域分割模型的训练步骤包括:
1)训练数据的定义和收集,包括:
记图像中的所有识别对象的类别为C=S∪U;其中,S表示可见类,包括叶根试验件、轮槽试验件和紧固外壳;U表示不可见类,包括应变片、应变片线缆;
采用word2vec模型构建词向量语义描述,通过输入预设关键词,分别嵌入映射到可见类的语义描述以及不可见类的语义描述;
收集叶根轮槽试验件在不同拍摄角度、不同光照下的拍摄图像作为样本,以构建可见类的预训练的训练集;其中,记图像的大小为m×n,样本数为M,可见类的预训练的训练集表示为:式中,/>为第i个样本的dx维像素特征,1≤i≤M;/>表示第i个样本的人工标注分割图像;/>表示da维语义描述,用于将类的语义嵌入到每一个像素;
2)可见类的预训练,包括:
采用全监督模型,在可见类的预训练的训练集上进行预训练;其中,全监督模型的最后一层输出的像素特征只用于区分可见类下的不同类别,所有不可见类则识别为一个整体;
3)构建生成器,包括:
构建基于词向量语义描述的像素特征其中,G为含有可训练参数ω的生成器,a为词向量语义描述,z为来自固定的多元高斯分布的随机样本;
对生成器的参数ω进行训练优化,优化后的生成器通过输入词向量语义描述得到类的像素特征;其中,生成器的输入为输出为可见类的像素特征/>和不可见类像素特征/>根据该输出值构建不可见训练集为/>式中,为第i'个样本的dx维像素特征,1≤i'≤M';/>表示第i'个样本的人工标注分割图像;/>表示da维语义描述;
4)构建分类器,包括:
将嵌入xS构造输入像素特征x,结合DS和/>作为训练集,构造像素级分类器采用半监督学习的自我训练策略完成分类器的训练,获得所述预先训练好的基于词嵌入的零采样图片区域分割模型。
本发明方法的进一步改进在于,所述以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像的步骤具体包括:
(1)读取源图像并获得源图像大小,记录轮槽上沿左右两侧顶点A、B的坐标值(x1,y1)、(x2,y2)以及轮槽圆角处点C和点D的坐标值(x3,y3)、(x4,y4);获取目标图像上A、B、C、D四个点的坐标(u1,v1)、(u2,v2)、(u3,v3)、(u4,v4);
(2)根据步骤(1)获得的两组坐标值,获取仿射变换矩阵,表示为其中,矩阵/>的对角线元素决定缩放比例、反对角线元素决定旋转或错切,向量/>决定平移;
(3)根据矩阵H,获得图像的仿射变换公式,表示为利用仿射变换公式实现数字散斑图像到处理后应变片图像的坐标重叠,获得散斑应变片重叠图像。
本发明方法的进一步改进在于,所述基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差的步骤具体包括:
利用获得的所述散斑应变片重叠图像,测算所有应变片与x轴的夹角,记第i号应变片与x轴的夹角为αi,记第i号应变片的试验应变测量值为εi;
根据散斑应变片重叠图像,选取当前应变片所覆盖区域内部及边缘的所有节点,记选取的节点数为k,对其中的每一个节点,读取非接触测量结果中x、y方向的正应变以及切应变;其中,第j个节点的x方向正应变为εjx、y方向正应变为εjy、切应变为γjxy,1≤j≤k;
根据获得的x、y方向的正应变以及切应变的应变值以及应变片贴附角度αi,计算获得节点沿应变片方向的线应变,计算表达式为,
εj=cos2αi·εjx+sin2αi·εjy+cosαisinαi·γjxy;
再对所有k个节点的线应变求和取平均值,得到非接触测量数据中第i号应变片对应位置的应变值ε′i,计算公式为,
根据非接触测量应变值ε′i和对应的应变片测量值εi,计算获得误差Ei,计算表达式为,
本发明方法的进一步改进在于,所述基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果的步骤具体包括:
对于第i号应变片覆盖位置的误差Ei,若有则认为测量准确;其中,/>为预设的精确性评判阈值;
如果所有应变片覆盖位置的误差均小于预设的精确性评判阈值,则认为试验精确性高;若存在数量小于预设值的应变片覆盖位置的误差Ei′满足则认为试验精性满足要求;否则,认为试验精性不满足要求。
本发明提供的一种用于评估叶根轮槽试验精确性的系统,包括:
数据获取模块,用于获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;
图像分割提取模块,用于基于获取的所述应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
仿射变换模块,用于以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
误差计算及评估模块,用于基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
本发明系统的进一步改进在于,所述基于词嵌入的零采样图片区域分割模型的架构包括:
可见类预分类模块,用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理,获得了预分类图像的像素特征;
词向量语义描述构建模块,用于输入可见类对象和不可见类对象的名称进行词转向量处理,获得可见类的语义描述以及不可见类的语义描述;
不可见类像素生成模块,用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理,获得不可见类的像素特征;
二次分类模块,用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理,输出最终图片区域分割图像。
本发明系统的进一步改进在于,所述基于词嵌入的零采样图片区域分割模型中,
所述可见类预分类模块由一个全监督模型构成;
所述词向量语义描述构建模块由两个word2vec模型构成;
所述不可见类像素生成模块由一个生成器构成;
所述二次分类模块由一个分类器构成。
与现有技术相比,本发明具有以下有益效果:
本发明提供的技术方案,可以针对各种不同叶根轮槽试验的体系化数据进行处理,能够快速、精准地完成试验的精确性评估,具有较好的可靠性和可行性。具体解释性的,本发明方法以应变片图像和数字散斑图像为基础,通过基于词嵌入的零采样图片区域分割模型精准识别接触测量的应变片轮廓,再通过仿射变换完成三种图像的重叠处理,从而完成不同方法对应节点的精确选取,最后计算接触式测量与非接触式测量的误差值,以评估试验的精确性。
本发明中,采用基于词嵌入的零采样图片区域分割模型,其训练样本无需人工标注应变片区域,使得接触式测量数据更容易处理,且降低了轮廓提取的时间成本。
本发明中,采用仿射变换提高了不同测量方法对应节点选取的精确性,大大降低了人为因素引入的误差。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于评估叶根轮槽试验精确性的方法的流程示意图;
图2是本发明实施例中,图像数据示意图;其中,图2中(a)为应变片图像示意图;图2中(b)为数字散斑图像示意图;
图3是本发明实施例中,基于词嵌入的零采样图片区域分割模型的架构示意图;
图4是本发明实施例中,仿射变换过程示意图;
图5是本发明实施例提供的一种用于评估叶根轮槽试验精确性的系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明实施例公开的一种用于评估叶根轮槽试验精确性的方法,具体包括以下步骤:
步骤1,获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;进一步解释性的,应变片图像可为已经贴附应变片的叶根轮槽试验件图像,数字散斑图像可为喷涂散斑的叶根轮槽试验件图像,电子散斑测量可通过电子散斑测量仪完成;非接触测量数据指的是电子散斑测量的结果云图;接触测量数据指的是每个应变片的应变读数;
步骤2,基于步骤1获取的应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
步骤3,以步骤1获取的数字散斑图像为目标图像,以步骤2获取的处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
步骤4,基于步骤3获得的散斑应变片重叠图像以及步骤2记录的应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
本发明实施例提供的方法中,以应变片图像和数字散斑图像为基础,通过基于词嵌入的零采样图片区域分割模型精准识别接触测量的应变片轮廓,再通过仿射变换完成三种图像的重叠处理,从而完成不同方法对应节点的精确选取,最后计算接触式测量与非接触式测量的误差值,以评估试验的精确性,具有较好的可靠性与可行性。
请参阅图2,本发明实施例进一步优选的技术方案中,上述实施例的步骤1的具体实现步骤可包括:
试验前,在叶根轮槽试验件的一侧贴附应变片,用于实现接触测量;在另一侧喷涂表面漆形成散斑,用电子散斑测量仪实现非接触测量;贴附应变片的一侧拍摄获得应变片图像,示例性的如图2中(a)所示,用于记录应变片贴附的位置;电子散斑测量仪需要记录由配套计算机生成的带网格的数字散斑图像,示例性的如图2中(b)所示,用于后续图像坐标重叠及数据处理操作;
试验中,记录每个应变片的应变读数以及电子散斑测量仪的测量云图,用于后续数据处理操作。
请参阅图3,本发明实施例进一步优选的技术方案中,步骤2中,所述基于词嵌入的零采样图片区域分割模型的架构包括:
可见类预分类模块,该模块由一个全监督模型构成,用于输入原始图像进行可见类内部以及可见类和不可见类之间的预分类处理,获得了预分类图像的像素特征xS;进一步解释的,该预分类图像中,不同可见类采用不同的色块显示,所有不可见类采用区别于可见类的一种色块显示;
词向量语义描述构建模块,该模块由两个word2vec模型构成,用于输入可见类对象和不可见类对象的名称进行词转向量处理,获得可见类的语义描述以及不可见类的语义描述/>
不可见类像素生成模块,该模块由一个生成器构成,用于输入可见类的语义描述以及不可见类的语义描述/>进行像素特征生成处理,获得不可见类的像素特征/>
二次分类模块,该模块由一个分类器构成,用于输入预分类图像的像素特征xS和不可见类的像素特征进行所有类之间的二次分类处理,输出最终图片区域分割图像;进一步解释的,该图像中不同可见类采用不同的色块显示,不同不可见类采用区别于可见类的不同色块显示。
本发明实施例具体解释性的,将应变片图像输入到基于词嵌入的零采样图片区域分割模型中,可以自动获得其图片区域分割图像,该图像中不同类别的物体可用不同的色块显示,以此可以提取出应变片的轮廓。
本发明实施例进一步优选的方案中,所述预先训练好的基于词嵌入的零采样图片区域分割模型的训练步骤包括:
(1)训练数据的定义和收集,包括:
记图像中的所有识别对象的类别为C=S∪U;其中,S表示可见类,包括容易标记的叶根试验件、轮槽试验件和紧固外壳;U表示不可见类,包括不容易标记的应变片、应变片线缆;
采用word2vec模型构建词向量语义描述,通过输入叶根、轮槽、应变片等关键词,分别嵌入映射到可见类的语义描述以及不可见类的语义描述/>
收集叶根轮槽试验件在不同拍摄角度、不同光照下的拍摄图像作为样本,以构建可见类的预训练的训练集,记图像的大小为m×n,样本数为M,则训练集可以表示为:其中/>为第i个样本(1≤k≤M)的dx维像素特征,表示第i个样本的人工标注分割图像,/>表示da维语义描述,可以将类的语义嵌入到每一个像素。为了保证预训练效果,样本的数目应不少于100张。
对于不可见类,则无需进行采样,只有词向量语义描述。
(2)可见类的预训练;具体解释为:
采用全监督图片区域分割模型,在可见类的训练集上进行预训练。进一步解释的,上述全监督模型包括输入层、隐藏层和分类层;其中,输入层用于读取图像的像素特征,隐藏层包含多个对图像进行卷积运算的卷积层和对图像进行降维的池化层,分类层用于对不同类别的对象进行分割;
在预训练中,根据模型的最后一层——分类层,输出像素特征xS,该像素特征只能用于区分可见类下的不同类别,所有不可见类则识别为一个整体。
(3)构建生成器G;具体解释为:
构建基于词向量语义描述的像素特征其中,G为含有可训练参数ω的生成器,a为词向量语义描述,z为来自固定的多元高斯分布的随机样本;
对生成器的参数ω进行训练优化,优化后的生成器,可以通过输入词向量语义描述得到类的像素特征。进一步解释,生成器的输入为:输出为可见类的像素特征/>和不可见类像素特征/>根据该输出值,可以构建不可见训练集其中/>为第i'个样本(1≤k'≤M')的dx维像素特征,表示第i'个样本的人工标注分割图像,/>表示da维语义描述。
(4)构建分类器f,输出图像;具体解释为:
将嵌入xS构造输入像素特征x,结合DS和/>作为训练集,构造像素级分类器采用半监督学习的自我训练策略完成分类器的训练。最终,分类器可以输出图片区域分割后的图像。
请参阅图4,本发明实施例的步骤3中,仿射变换操作的具体步骤包括:
读取源图像并获得源图像大小,记录轮槽上沿左右两侧顶点A、B的坐标值(x1,y1)、(x2,y2)以及轮槽圆角处点C和点D的坐标值(x3,y3)、(x4,y4);
获取目标图像上A、B、C、D四个点的坐标(u1,v1)、(u2,v2)、(u3,v3)、(u4,v4),根据两组坐标值,求出仿射变换矩阵其中,矩阵/>的对角线元素决定缩放比例、反对角线元素决定旋转或错切,向量/>决定平移;
根据矩阵H,可以获得图像的仿射变换公式
利用上述公式,可以实现数字散斑图像到处理后应变片图像的坐标重叠,形成散斑应变片重叠图像。
本发明实施例进一步优选的技术方案中,计算非接触测量数据与接触测量数据的误差的步骤包括:利用上述图像,测算所有应变片与x轴的夹角,记第i号应变片与x轴的夹角为αi。同时,记第i号应变片的试验应变测量值为εi,根据散斑应变片重叠图像,在电子散斑测量仪配套的后处理软件中选取当前应变片所覆盖区域内部及边缘的所有节点。记选取的节点数为k,对其中的每一个节点,读取非接触测量结果中x、y方向的正应变以及其切应变。其中,第j个节点(1≤j≤k)的x方向正应变为εjx、y方向正应变为εjy、切应变为γjxy。根据上述三个应变值以及应变片贴附角度αi,可以计算出该节点沿应变片方向的线应变,计算公式为,
εj=cos2αi·εjx+sin2αi·εjy+cosαisinαi·γjxy;
再对所有k个节点的线应变求和取平均值,即可得到非接触测量数据中第i号应变片对应位置的应变值ε′i,计算公式为,
根据非接触测量应变值ε′i和对应的应变片测量值εi,计算相对误差:
至此,完成了叶根轮槽试验的数据处理全部过程。
本发明实施例的技术方案中,数据处理的过程包括图像重叠处理、仿射变换以及误差计算均可通过算法实现自动化处理,只需要输入指定图片和实验测量数据即可快速得到结果,实现了自动化处理流程,对于各种大型叶根轮槽试验件以及接触测量具有较多测点的工况具有较大优势。
本发明实施例进一步优选的技术方案中,基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果的步骤具体包括:
根据试验的具体要求,选定试验的精确性评判标准对于第i号应变片覆盖位置的相对误差Ei,若有/>则认为该处测量准确;如果所有应变片位置的测量误差均小于评判标准,则认为试验精确度高;若存在个别位置的相对误差Ei′满足/>则认为试验精度基本满足要求;除此之外的情况,认为试验精度不符合要求,需要重新对试验过程进行检查和评估。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未披露的细节,请参照本发明方法实施例。
请参阅图5,本发明再一实施例中,提供一种用于评估叶根轮槽试验精确性的系统,包括:
数据获取模块,用于获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;
图像分割提取模块,用于基于获取的所述应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
仿射变换模块,用于以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
误差计算及评估模块,用于基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于评估叶根轮槽试验精确性的方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关用于评估叶根轮槽试验精确性的方法的相应步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用于评估叶根轮槽试验精确性的方法,其特征在于,包括以下步骤:
获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;
基于获取的所述应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
2.根据权利要求1所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述基于词嵌入的零采样图片区域分割模型的架构包括:
可见类预分类模块,用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理,获得了预分类图像的像素特征;
词向量语义描述构建模块,用于输入可见类对象和不可见类对象的名称进行词转向量处理,获得可见类的语义描述以及不可见类的语义描述;
不可见类像素生成模块,用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理,获得不可见类的像素特征;
二次分类模块,用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理,输出最终图片区域分割图像。
3.根据权利要求2所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述基于词嵌入的零采样图片区域分割模型中,
所述可见类预分类模块由一个全监督模型构成;
所述词向量语义描述构建模块由两个word2vec模型构成;
所述不可见类像素生成模块由一个生成器构成;
所述二次分类模块由一个分类器构成。
4.根据权利要求3所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述预先训练好的基于词嵌入的零采样图片区域分割模型的训练步骤包括:
1)训练数据的定义和收集,包括:
记图像中的所有识别对象的类别为C=S∪U;其中,S表示可见类,包括叶根试验件、轮槽试验件和紧固外壳;U表示不可见类,包括应变片、应变片线缆;
采用word2vec模型构建词向量语义描述,通过输入预设关键词,分别嵌入映射到可见类的语义描述以及不可见类的语义描述;
收集叶根轮槽试验件在不同拍摄角度、不同光照下的拍摄图像作为样本,以构建可见类的预训练的训练集;其中,记图像的大小为m×n,样本数为M,可见类的预训练的训练集表示为:式中,/>为第i个样本的dx维像素特征,1≤i≤M;表示第i个样本的人工标注分割图像;/>表示da维语义描述,用于将类的语义嵌入到每一个像素;
2)可见类的预训练,包括:
采用全监督模型,在可见类的预训练的训练集上进行预训练;其中,全监督模型的最后一层输出的像素特征只用于区分可见类下的不同类别,所有不可见类则识别为一个整体;
3)构建生成器,包括:
构建基于词向量语义描述的像素特征其中,G为含有可训练参数ω的生成器,a为词向量语义描述,z为来自固定的多元高斯分布的随机样本;
对生成器的参数ω进行训练优化,优化后的生成器通过输入词向量语义描述得到类的像素特征;其中,生成器的输入为输出为可见类的像素特征/>和不可见类像素特征/>根据该输出值构建不可见训练集为/>式中,/>为第i'个样本的dx维像素特征,1≤i'≤M';/>表示第i'个样本的人工标注分割图像;表示da维语义描述;
4)构建分类器,包括:
将嵌入xS构造输入像素特征x,结合DS和/>作为训练集,构造像素级分类器采用半监督学习的自我训练策略完成分类器的训练,获得所述预先训练好的基于词嵌入的零采样图片区域分割模型。
5.根据权利要求1所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像的步骤具体包括:
(1)读取源图像并获得源图像大小,记录轮槽上沿左右两侧顶点A、B的坐标值(x1,y1)、(x2,y2)以及轮槽圆角处点C和点D的坐标值(x3,y3)、(x4,y4);获取目标图像上A、B、C、D四个点的坐标(u1,v1)、(u2,v2)、(u3,v3)、(u4,v4);
(2)根据步骤(1)获得的两组坐标值,获取仿射变换矩阵,表示为其中,矩阵/>的对角线元素决定缩放比例、反对角线元素决定旋转或错切,向量/>决定平移;
(3)根据矩阵H,获得图像的仿射变换公式,表示为利用仿射变换公式实现数字散斑图像到处理后应变片图像的坐标重叠,获得散斑应变片重叠图像。
6.根据权利要求1所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差的步骤具体包括:
利用获得的所述散斑应变片重叠图像,测算所有应变片与x轴的夹角,记第i号应变片与x轴的夹角为αi,记第i号应变片的试验应变测量值为εi;
根据散斑应变片重叠图像,选取当前应变片所覆盖区域内部及边缘的所有节点,记选取的节点数为k,对其中的每一个节点,读取非接触测量结果中x、y方向的正应变以及切应变;其中,第j个节点的x方向正应变为εjx、y方向正应变为εjy、切应变为γjxy,1≤j≤k;
根据获得的x、y方向的正应变以及切应变的应变值以及应变片贴附角度αi,计算获得节点沿应变片方向的线应变,计算表达式为,
εj=cos2αi·εjx+sin2αi·εjy+cosαisinαi·γjxy;
再对所有k个节点的线应变求和取平均值,得到非接触测量数据中第i号应变片对应位置的应变值ε′i,计算公式为,
根据非接触测量应变值ε′i和对应的应变片测量值εi,计算获得误差Ei,计算表达式为,
7.根据权利要求6所述的一种用于评估叶根轮槽试验精确性的方法,其特征在于,所述基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果的步骤具体包括:
对于第i号应变片覆盖位置的误差Ei,若有则认为测量准确;其中,/>为预设的精确性评判阈值;
如果所有应变片覆盖位置的误差均小于预设的精确性评判阈值,则认为试验精确性高;若存在数量小于预设值的应变片覆盖位置的误差Ei′满足则认为试验精性满足要求;否则,认为试验精性不满足要求。
8.一种用于评估叶根轮槽试验精确性的系统,其特征在于,包括:
数据获取模块,用于获取叶根轮槽试验中,应变片图像、数字散斑图像、非接触测量数据以及接触测量数据;
图像分割提取模块,用于基于获取的所述应变片图像,利用预先训练好的基于词嵌入的零采样图片区域分割模型进行应变片轮廓提取,获得处理后应变片图像,并记录应变片贴附角度;
仿射变换模块,用于以获取的所述数字散斑图像为目标图像,以获取的所述处理后应变片图像为源图像,通过仿射变换获得散斑应变片重叠图像;
误差计算及评估模块,用于基于获得的所述散斑应变片重叠图像以及记录的所述应变片贴附角度,计算获得非接触测量数据与接触测量数据的误差;基于获得的误差进行叶根轮槽试验精确性评估,获得精确性评估结果。
9.根据权利要求8所述的一种用于评估叶根轮槽试验精确性的系统,其特征在于,所述基于词嵌入的零采样图片区域分割模型的架构包括:
可见类预分类模块,用于输入原始应变片图像并进行可见类内部以及可见类和不可见类之间的预分类处理,获得了预分类图像的像素特征;
词向量语义描述构建模块,用于输入可见类对象和不可见类对象的名称进行词转向量处理,获得可见类的语义描述以及不可见类的语义描述;
不可见类像素生成模块,用于输入可见类的语义描述以及不可见类的语义描述进行像素特征生成处理,获得不可见类的像素特征;
二次分类模块,用于输入预分类图像的像素特征和不可见类的像素特征并进行所有类之间的二次分类处理,输出最终图片区域分割图像。
10.根据权利要求9所述的一种用于评估叶根轮槽试验精确性的系统,其特征在于,所述基于词嵌入的零采样图片区域分割模型中,
所述可见类预分类模块由一个全监督模型构成;
所述词向量语义描述构建模块由两个word2vec模型构成;
所述不可见类像素生成模块由一个生成器构成;
所述二次分类模块由一个分类器构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156631.8A CN117095236A (zh) | 2023-09-07 | 2023-09-07 | 一种用于评估叶根轮槽试验精确性的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311156631.8A CN117095236A (zh) | 2023-09-07 | 2023-09-07 | 一种用于评估叶根轮槽试验精确性的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117095236A true CN117095236A (zh) | 2023-11-21 |
Family
ID=88769733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311156631.8A Pending CN117095236A (zh) | 2023-09-07 | 2023-09-07 | 一种用于评估叶根轮槽试验精确性的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421940A (zh) * | 2023-12-19 | 2024-01-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
-
2023
- 2023-09-07 CN CN202311156631.8A patent/CN117095236A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421940A (zh) * | 2023-12-19 | 2024-01-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
CN117421940B (zh) * | 2023-12-19 | 2024-03-19 | 山东交通学院 | 数字孪生轻量化模型与物理实体之间全局映射方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2843892C (en) | System and method for remote full field three-dimensional displacement and strain measurements | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
Cai et al. | A pointer meter recognition method based on virtual sample generation technology | |
JP2011238204A (ja) | 3次元シーンにおける3次元物体の認識及び位置姿勢決定方法 | |
CN109583377B (zh) | 一种管路模型重建的控制方法、装置及上位机 | |
CN117095236A (zh) | 一种用于评估叶根轮槽试验精确性的方法及系统 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
JP2009128191A (ja) | 物体認識装置およびロボット装置 | |
CN109270079B (zh) | 一种基于点云模型的工件表面缺陷精确检测方法 | |
Howells et al. | Real-time analogue gauge transcription on mobile phone | |
CN111124896B (zh) | 一种主次峰值比计算算法的蜕变测试系统 | |
JP2006275952A (ja) | パターン評価方法、パターン位置合わせ方法およびプログラム | |
CN111124895B (zh) | 一种主次峰值比计算算法的蜕变测试方法 | |
Fang et al. | Automatic zipper tape defect detection using two-stage multi-scale convolutional networks | |
CN116433661B (zh) | 多任务学习的半导体晶圆检测方法、装置、设备及介质 | |
CN116402828B (zh) | 一种基于显著图的电池片缺陷检测方法及系统 | |
JP6786015B1 (ja) | 動作分析システムおよび動作分析プログラム | |
CN112233104A (zh) | 实时位移场和应变场检测方法、系统、装置和存储介质 | |
CN112990190A (zh) | 指针式仪表读数的识别方法、装置 | |
CN112699907A (zh) | 数据融合的方法、装置和设备 | |
CN115908275A (zh) | 基于深度学习的热态环件轧制变形几何状态在线测量方法 | |
Tunca et al. | Determining the pointer positions of aircraft analog indicators using deep learning | |
Zhang et al. | Automatic forgery detection for x-ray non-destructive testing of welding | |
Yan et al. | Yolo-pd: Abnormal signal detection in gas pipelines based on improved yolov7 | |
Shao et al. | High-Speed and Accurate Method for the Gear Surface Integrity Detection Based on Visual Imaging |
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 |