CN117541483B - 一种扩散板的结构性能评估方法及系统 - Google Patents
一种扩散板的结构性能评估方法及系统 Download PDFInfo
- Publication number
- CN117541483B CN117541483B CN202410032776.5A CN202410032776A CN117541483B CN 117541483 B CN117541483 B CN 117541483B CN 202410032776 A CN202410032776 A CN 202410032776A CN 117541483 B CN117541483 B CN 117541483B
- Authority
- CN
- China
- Prior art keywords
- data
- diffusion plate
- defect
- acoustic
- generate
- 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
- 238000009792 diffusion process Methods 0.000 title claims abstract description 343
- 238000011156 evaluation Methods 0.000 title claims abstract description 164
- 230000007547 defect Effects 0.000 claims abstract description 502
- 238000004458 analytical method Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000012937 correction Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 238000003702 image correction Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 174
- 238000001514 detection method Methods 0.000 claims description 96
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000001914 filtration Methods 0.000 claims description 32
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 238000002834 transmittance Methods 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 14
- 230000002547 anomalous effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 11
- 230000004807 localization Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 238000013041 optical simulation Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及扩散板数据测试技术领域,尤其涉及一种扩散板的结构性能评估方法及系统。所述方法包括以下步骤:获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;本发明通过对扩散板数据进行图像处理、声学分析和多数据融合,提高了评估的全面性和准确性。
Description
技术领域
本发明涉及扩散板数据测试技术领域,尤其涉及一种扩散板的结构性能评估方法及系统。
背景技术
扩散板的性能评估始于流体力学和气动学领域的研究。早期研究主要集中在理论模型和实验室试验上,以理解扩散板的流动行为、压力分布和流速分布。随着计算机技术的进步,数值模拟方法如有限元分析(FEA)和计算流体力学(CFD)成为了评估扩散板性能的重要工具。这些方法允许工程师和研究人员模拟不同形状和尺寸的扩散板,以研究其在各种条件下的流动行为和性能。扩散板常用于调节流体流速,因此自动化和控制技术在其性能评估中发挥着关键作用。现代控制系统使用传感器和反馈回路来实时监测扩散板的性能,并进行必要的调整,以确保流体的正确分布和流速。目前对于扩散板的评估测试通常基于雾度和透光度检测,不能很好的对内部结构进行更细致的了解,从而导致扩散板的结构性能评估不够精准。
发明内容
基于此,有必要提供一种扩散板的结构性能评估方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种扩散板的结构性能评估方法,所述方法包括以下步骤:
步骤S1:获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
步骤S2:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
步骤S3:根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
步骤S4:对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
步骤S5:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
步骤S6:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
本发明通过对扩散板原始图像进行图像校正是为了校正图像中的畸变或失真,这有助于确保图像中的对象与其实际位置和形状一致。这对于测量和分析扩散板的特征非常重要,因为它可以减少由摄像头或光学系统引入的畸变的影响。扩散板表面特征增强是指通过增强图像的对比度、亮度或其他属性,以突出扩散板的表面特征,使其更易于观察和分析。这可以有助于检测或分析扩散板上的缺陷、纹理、结构等信息。通过增强特征、缺陷定位和热图绘制,可以更精确地检测和定位扩散板上的缺陷,生成的热图和数据可用于可视化缺陷分布,并用于质量报告和分析。强化缺陷检测有助于确保扩散板的质量,减少次品率。通过使用超声波传感器,可以更准确地检测和定位扩散板上的缺陷,包括弱缺陷和强缺陷。通过分析差异声波数据,可以更深入地了解缺陷的性质和特征,从而更好地评估其对扩散板的影响。通过更精确的缺陷检测和定位,可以减少次品率,提高产品质量,同时确保扩散板的安全性和性能。通过机器学习算法,可以自动识别可能导致声学问题的缺陷,减少了人工检查的需求。通过识别潜在的声学问题源,可以改进产品的质量,降低声学缺陷的风险。异常声学性质数据可用于制定决策,改进生产流程,或制定维护计划。通过构建三维模型和进行透光率分析,可以更深入地了解扩散板的材料性质和性能,检测到的异常结构信息可以用于识别制造过程中的问题或材料缺陷。通过比较实际性能与预期性能标准,可以识别可能的问题或缺陷,基于综合性能评估数据生成的报告可以为产品改进、制造流程优化和决策提供有价值的信息。因此,本发明通过对扩散板数据进行图像处理、声学分析和多数据融合,提高了评估的全面性和准确性。
本发明的有益效果在于通过图像校正、特征增强、缺陷定位、声学缺陷指数和其他评估步骤,可以及早发现并纠正制造中的问题,从而提高产品质量。通过缺陷定位和热图分析,可以确定扩散板上的弱缺陷和强缺陷的位置,这对于及时修复缺陷非常重要。使用声学缺陷指数和机器学习算法进行声学异常预测,这有助于识别与声学性能相关的问题。这对于确保扩散板的声学性能达到要求非常重要,尤其是在声学敏感应用中。结合了多个数据源,包括透光性、声学性能、雾度检测等,以生成结构综合异常数据。这有助于全面评估扩散板的整体性能,而不仅仅是单一特性。通过检测和分析强缺陷,可以预测扩散板的寿命和性能退化情况,从而更好地进行维护和替换计划。通过各个步骤生成大量的数据,这些数据可以用于制定决策,例如产品改进、制造流程优化和质量改进。因此,本发明通过对扩散板数据进行图像处理、声学分析和多数据融合,提高了评估的全面性和准确性。
附图说明
图1为一种扩散板的结构性能评估方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种扩散板的结构性能评估方法,所述方法包括以下步骤:
步骤S1:获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
步骤S2:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
步骤S3:根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
步骤S4:对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
步骤S5:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
步骤S6:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
本发明通过对扩散板原始图像进行图像校正是为了校正图像中的畸变或失真,这有助于确保图像中的对象与其实际位置和形状一致。这对于测量和分析扩散板的特征非常重要,因为它可以减少由摄像头或光学系统引入的畸变的影响。扩散板表面特征增强是指通过增强图像的对比度、亮度或其他属性,以突出扩散板的表面特征,使其更易于观察和分析。这可以有助于检测或分析扩散板上的缺陷、纹理、结构等信息。通过增强特征、缺陷定位和热图绘制,可以更精确地检测和定位扩散板上的缺陷,生成的热图和数据可用于可视化缺陷分布,并用于质量报告和分析。强化缺陷检测有助于确保扩散板的质量,减少次品率。通过使用超声波传感器,可以更准确地检测和定位扩散板上的缺陷,包括弱缺陷和强缺陷。通过分析差异声波数据,可以更深入地了解缺陷的性质和特征,从而更好地评估其对扩散板的影响。通过更精确的缺陷检测和定位,可以减少次品率,提高产品质量,同时确保扩散板的安全性和性能。通过机器学习算法,可以自动识别可能导致声学问题的缺陷,减少了人工检查的需求。通过识别潜在的声学问题源,可以改进产品的质量,降低声学缺陷的风险。异常声学性质数据可用于制定决策,改进生产流程,或制定维护计划。通过构建三维模型和进行透光率分析,可以更深入地了解扩散板的材料性质和性能,检测到的异常结构信息可以用于识别制造过程中的问题或材料缺陷。通过比较实际性能与预期性能标准,可以识别可能的问题或缺陷,基于综合性能评估数据生成的报告可以为产品改进、制造流程优化和决策提供有价值的信息。因此,本发明通过对扩散板数据进行图像处理、声学分析和多数据融合,提高了评估的全面性和准确性。
本发明实施例中,参考图1所述,为本发明一种扩散板的结构性能评估方法的步骤流程示意图,在本实例中,所述一种扩散板的结构性能评估方法包括以下步骤:
步骤S1:获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
本发明实施例中,通过原始图像可以通过不同的方式获得,例如使用相机、扫描仪或其他成像设备来捕捉扩散板的图像,使用已知的几何参数,如标定板或参考对象,来矫正图像,使用数学模型来矫正镜头畸变,例如径向畸变和切向畸变,校正图像中的透视效应,确保扩散板的特征在图像中按比例显示。一旦图像校正完成,可以通过以下方法增强扩散板表面的特征:使用图像处理滤波器,如高斯滤波或中值滤波,以减少噪声并增强图像的对比度;应用边缘检测算法,如Sobel、Canny或Laplacian,以突出扩散板上的边缘和特征;通过色彩校正或增强来改善图像的可视性,特别是如果扩散板有特定的颜色特征。将上述步骤的结果合并,以生成扩散板的增强图像。这个图像将具有更好的几何校正、对比度和特征显示,以便后续处理步骤可以更有效地进行。
步骤S2:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
本发明实施例中,通过对扩散板增强图像进行预处理,以获得标准扩散板特征增强图像。预处理可以包括以下步骤:将彩色图像转换为灰度图像,简化后续处理步骤;使用滤波器或去噪算法,如中值滤波或高斯滤波,以减少图像中的噪声;提高图像的对比度,确保不同区域的亮度范围合适;提高图像的对比度,确保不同区域的亮度范围合适,这可能包括以下步骤:使用适当的阈值技术将图像二值化,突出缺陷的区域; 利用腐蚀和膨胀等形态学操作,进一步处理二值图像,以连接或分离缺陷区域;识别和标记图像中的连通区域,这有助于定位扩散板的缺陷;从定位的缺陷中提取弱相似的缺陷数据,可能包括缺陷的大小、形状、颜色等特征。使用合适的算法将缺陷数据映射到图像上,产生强调缺陷位置的热图, 选择适当的颜色映射方案,使得缺陷的热度在图像上直观可见。
步骤S3:根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
本发明实施例中,通过在扩散板上配置超声波传感器以获取声波数据。配置的方式取决于具体应用场景和需要覆盖的区域。通常,传感器需要均匀分布在扩散板上,并确保能够覆盖整个区域,使用配置的超声波传感器对扩散板上的弱缺陷进行探测,并提取差异声波特性。这可以通过以下方式实现:超声波传感器会发出声波脉冲,通常是超声波波形;传感器接收从扩散板表面反射回来的声波数据;对接收的声波数据进行处理,以识别缺陷引起的声波差异。这可能包括时域和频域分析、滤波、傅立叶变换等。提取声波数据中与缺陷相关的特征,如幅度、频率、相位等,利用提取的差异声波特性数据,进行内部缺陷裂缝分析。这通常需要以下步骤: 基于声波数据和缺陷特性,建立数学模型来描述缺陷的位置和形状;使用信号处理技术,如成像算法、反演方法等,对声波数据进行分析,以确定缺陷的具体位置和性质;可以使用成像技术来可视化缺陷的位置,形状和大小。最终的输出是强缺陷定位结果数据,包括缺陷的精确位置、形状、大小和性质。
步骤S4:对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
本发明实施例中,通过使用强缺陷定位结果数据,通常包括缺陷的位置、形状、大小和性质等信息,从强缺陷定位结果数据中提取声学特征,这可以包括缺陷的尺寸、形状、深度等。这些特征可以用于量化缺陷的声学属性,基于提取的特征,可以设计一个声学缺陷指数的计算方法,将缺陷的声学属性量化为一个数值。选择适当的机器学习算法,如决策树、支持向量机、神经网络等,用于声学异常预测。模型的选择应基于数据的性质和问题的复杂度,将数据集分为训练集和测试集,用于训练和评估模型。交叉验证也是一个常见的方法。使用声学缺陷指数作为输入特征,将其与实际声学异常数据(标签)配对,使用训练数据来训练机器学习模型,以学习声学缺陷指数与声学异常之间的关联,使用测试集数据来评估模型的性能,通常使用指标如准确度、召回率、精确度等来评估模型的性能。使用经过训练的机器学习模型对新数据进行声学异常预测。如果一个声学缺陷指数被模型分类为异常,它将被标记为声学异常,对于被分类为异常的声学缺陷,进一步分析其声学性质,如声波频谱、幅度分布、频域特征等。这可以帮助确定异常的性质和原因,基于异常性质分析,可以生成异常声学性质数据。
步骤S5:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
本发明实施例中,通过使用异常声学性质数据中的信息,准备检测所需的设备和传感器,安装雾度检测传感器,通常这些传感器可以测量光线透过材料时的散射和吸收情况,从而估计雾度, 运行雾度检测传感器以收集有关扩散板的雾度数据。将异常声学性质数据与雾度检测数据关联,以确保它们对同一部分扩散板,使用三维建模工具,如计算机辅助设计(CAD)软件或其他专业工具,创建扩散板的三维模型, 根据雾度检测数据,对模型进行调整以反映扩散板的异常性质,可能需要调整材料属性、结构参数等。使用光学模拟工具,如光线追踪软件,对扩散板的三维模型进行光学模拟,针对光学模拟,设置光源、入射角、波长等参数,以模拟光线如何通过扩散板,运行光学模拟,以获取扩散板的透光率数据。这些数据会反映异常结构对光的散射和吸收情况。将透光率数据与异常结构三维模型的信息关联,以确保它们对应于相同的扩散板区域,将生成的扩散板异常透光数据记录下来。
步骤S6:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
本发明实施例中,通过将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据整合到一个统一的数据集中。确保这些数据对应到相同的扩散板区域和时间点,进行数据清洗和预处理,包括处理缺失值、异常值和数据格式统一化。 对融合后的数据集进行特征工程,提取有意义的特征,例如平均雾度、声学性质特征(如声速、密度等)和透光率特征, 对特征数据进行归一化,以确保不同数据源的数据具有相同的量纲和重要性。定义综合性能评估的指标,这些指标可能包括透光性能、声学性能、结构稳定性等,可以使用机器学习、统计分析或领域专业知识建立性能评估模型,使用选定的性能评估模型,计算扩散板的综合性能。将扩散板综合性能评估数据与预设的综合性能评估指标进行比较,基于比较结果,制定决策标准,以确定扩散板是否满足要求,根据评估结果生成高质量性能评估报告或低质量性能评估报告。报告应包括结论、关键数据、建议措施等信息。
优选地,步骤S1包括以下步骤:
步骤S11:利用摄像设备对扩散板进行表面图像捕捉,从而获取扩散板原始图像;
步骤S12:基于光学流明校正算法对扩散板原始图像进行光照校正,生成光照校正图像;
步骤S13:通过几何校正方法对光照校正图像进行图像畸变校正,生成畸变矫正图像;
步骤S14:对畸变矫正图像进行中值滤波,得到扩散板滤波图像;对扩散板滤波图像进行扩散板表面特征增强,生成扩散板增强图像。
本发明通过利用光学流明校正算法对扩散板的原始图像进行光照校正,生成经过光照校正的图像。光照校正的目的是消除图像中由于光照条件不均匀而引起的亮度变化,使用几何校正方法对经过光照校正的图像进行畸变校正,生成畸变校正图像。畸变校正的目的是消除图像中由于摄像设备或拍摄角度等原因引起的几何畸变,对畸变校正图像进行中值滤波处理,得到扩散板滤波图像。中值滤波是一种常用的图像平滑处理方法,可以有效地降低图像中的噪声,可以使得扩散板图像经过光照校正、几何校正、滤波和特征增强等处理,从而提高了图像的质量和可用性,使得扩散板的特征更容易被准确地提取或分析。
本发明实施例中,通过使用摄像设备对扩散板进行图像捕捉,以获取扩散板的原始图像。这可以通过摄像机或图像采集设备来完成。原始图像包含扩散板的表面信息,但可能受到光照条件和几何畸变的影响,基于光学流明校正算法对扩散板的原始图像进行光照校正。这一步骤旨在消除图像中的光照不均匀性,以获得更加均匀的亮度分布。利用几何校正方法对经过光照校正的图像进行畸变校正,生成畸变校正图像。这一步骤用于消除由于摄像设备或拍摄角度引起的几何畸变,确保图像中的对象保持正确的比例和形状,对畸变矫正图像进行中值滤波处理,以去除图像中的噪声。中值滤波是一种非线性滤波方法,用于平滑图像并去除异常值。对扩散板滤波图像进行扩散板表面特征增强,以突出扩散板表面的关键特征。这可以包括应用边缘检测、纹理增强或其他图像处理技术,以改善扩散板的可视性和分析性能,生成扩散板增强图像。
优选的,步骤S2包括以下步骤:
步骤S21:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像,其中图像预处理包括图像裁剪、图像大小调整和图像数据标注;
步骤S22:利用卷积神经网络对标准扩散板特征增强图像进行图像特征提取,生成扩散板特征数据,其中扩散板特征数据包括表面纹理数据、表面形状数据和表面颜色数据;
步骤S23:通过目标检测算法对表面纹理数据和表面颜色数据进行扩散板缺陷检测,生成扩散板弱相似缺陷数据;
步骤S24:根据表面形状数据对扩散板弱相似缺陷数据进行边界框划分,生成扩散板若相似边界框数据;
步骤S25:通过语义分割网络对扩散板若相似边界框数据和扩散板弱相似缺陷数据进行缺陷掩膜分割,生成扩散板语义分割掩膜数据;
步骤S26:通过扩散板语义分割掩膜数据对扩散板进行缺陷定位,得到扩散板弱缺陷定位数据;根据扩散板弱缺陷定位数据进行扩散板缺陷热图绘制,从而生成扩散板弱缺陷分布热图。
本发明通过对扩散板增强图像进行预处理,以获得标准扩散板特征增强图像。预处理包括图像裁剪、大小调整和数据标注。裁剪可能是为了保留感兴趣区域,而大小调整可能是为了符合特定分析要求。数据标注可能包括添加标签或元数据,以便后续的分析和监测。卷积神经网络(CNN)用于从标准扩散板特征增强图像中提取特征。生成的扩散板特征数据包括表面纹理数据、表面形状数据和表面颜色数据。这些特征可以用于进一步的分析和检测,以识别扩散板上的缺陷。使用目标检测算法,对表面纹理数据和表面颜色数据进行处理,以监测扩散板上的缺陷。这一步骤的目的是识别缺陷的存在,并生成扩散板弱相似缺陷数据,这些数据可以用于进一步的分析和处理。基于表面形状数据,将扩散板弱相似缺陷数据进行边界框划分。这一步骤的目的是将缺陷的位置信息提取出来,生成扩散板若相似边界框数据,以更准确地定位缺陷区域。使用语义分割网络,将扩散板若相似边界框数据和扩散板弱相似缺陷数据用于缺陷掩膜分割。这一步骤的目的是将缺陷区域从图像中分割出来,生成扩散板语义分割掩膜数据,使得缺陷更为明显和可分析。利用扩散板语义分割掩膜数据,进行缺陷定位,以得到扩散板弱缺陷定位数据。根据这些数据,可以绘制扩散板缺陷热图,用于可视化和分析缺陷的分布情况。这有助于快速定位和理解扩散板上的问题区域。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像,其中图像预处理包括图像裁剪、图像大小调整和图像数据标注;
本发明实施例中,通过根据应用的需要,确定扩散板图像中的感兴趣区域,通常是包含要分析的扩散板部分的区域,使用图像处理库或工具(如OpenCV、PIL等),根据事先定义的ROI坐标,对图像进行裁剪操作,以提取感兴趣的部分。确保所有图像具有相同的尺寸,可以将图像的分辨率调整为特定的大小,通常是正方形的,以便于处理和分析。在图像上添加与扩散板特征相关的标签或元数据,以便于后续处理和分析。这些信息可以包括日期、时间、扩散板类型、生产批次等,将图像与其标签或元数据关联,通常使用数据库或文件系统来存储这些信息,得到标准扩散板特征增强图像。
步骤S22:利用卷积神经网络对标准扩散板特征增强图像进行图像特征提取,生成扩散板特征数据,其中扩散板特征数据包括表面纹理数据、表面形状数据和表面颜色数据;
本发明实施例中,通过收集和准备标准扩散板特征增强图像的数据集,包括标签信息,标识图像的类别或特征,构建一个CNN模型,通常包括卷积层、池化层和全连接层,以便从图像中提取特征。可以使用深度学习框架,如TensorFlow或PyTorch,来构建和训练模型,对图像进行预处理,包括归一化、图像增强和数据增强等,以增加模型的鲁棒性和性能,使用准备好的数据集,训练CNN模型,使其学会从图像中提取表面纹理、形状和颜色特征。在训练过程中,可以使用适当的损失函数,如分类交叉熵,以确保模型能够正确分类和提取相关特征,一旦CNN模型训练完成,可以使用该模型提取标准扩散板特征增强图像的特征。具体来说,可以提取以下类型的特征:通过在CNN中的适当层中提取特征图或使用全连接层的输出,可以获得有关图像的纹理信息。这些特征通常捕获图像中的纹理、纹理方向和细节。CNN可以捕获有关扩散板表面形状的特征,如边缘、形状轮廓和结构。这些特征可以在CNN的卷积层中找到。颜色信息可以通过CNN的全连接层或其他适当的层来提取,以获得关于图像中颜色分布的信息。将提取的特征表示成可用于后续分析的数据结构,如向量或特征向量。
步骤S23:通过目标检测算法对表面纹理数据和表面颜色数据进行扩散板缺陷检测,生成扩散板弱相似缺陷数据;
本发明实施例中,通过选择适当的目标检测模型,例如YOLO (You Only LookOnce), Faster R-CNN, SSD (Single Shot MultiBox Detector)等,以用于检测缺陷。这些模型经过训练,能够检测和定位图像中的对象(在这种情况下是缺陷),根据数据集,对带有缺陷的图像进行标注,标出缺陷的位置和类型。这些标注数据将用于训练和评估目标检测模型,使用标记数据,训练所选的目标检测模型,以便它可以学会检测扩散板上的缺陷。在训练期间,可以使用相关的损失函数,如交叉熵损失和定位损失,来指导模型的学习,使用独立的验证数据集来评估训练的目标检测模型的性能。可以使用评估指标,如精确度、召回率、F1分数等,来评估模型的性能,使用训练好的目标检测模型来检测扩散板上的缺陷。模型会输出缺陷的位置和类型信息。生成扩散板弱相似缺陷数据,这些数据可能是检测到的缺陷,但可能不是真正的缺陷,或者它们是缺陷的一种较弱形式。这可以根据具体应用需求进行定义。
步骤S24:根据表面形状数据对扩散板弱相似缺陷数据进行边界框划分,生成扩散板若相似边界框数据;
本发明实施例中,通过收集扩散板的表面形状数据,这可以包括深度图像、三维点云数据或者其他能够描述扩散板表面形状的数据。确保这些数据与之前用于生成弱相似缺陷数据的纹理和颜色数据相对应,选择适合的算法,例如基于聚类的方法(如DBSCAN),或者基于深度学习的方法,用于根据表面形状数据生成边界框。这些算法能够根据形状数据的特征,将相邻的点聚合成一个边界框,使用所选的算法,对扩散板弱相似缺陷数据进行边界框生成。这可能包括将表面形状数据投影到二维平面上,然后使用聚类算法生成边界框,或者直接利用深度学习模型对三维形状数据进行处理,生成边界框。将生成的边界框数据与之前的扩散板弱相似缺陷数据关联起来,形成扩散板弱相似边界框数据。边界框数据应该包括边界框的位置(x、y坐标或者深度图像中的像素坐标)、边界框的尺寸(宽度和高度)以及可能的其他信息,如置信度分数。
步骤S25:通过语义分割网络对扩散板弱相似边界框数据和扩散板弱相似缺陷数据进行缺陷掩膜分割,生成扩散板语义分割掩膜数据;
本发明实施例中,通过准备用于语义分割的数据,包括扩散板的弱相似边界框数据和弱相似缺陷数据。确保这些数据与语义分割网络的输入格式兼容。通常,这些数据可以包括图像或者图像块,其中弱相似边界框数据提供了位置和边界框信息,而弱相似缺陷数据提供了缺陷的位置和形状信息。选择适合任务的语义分割网络架构。常见的选择包括U-Net、SegNet、DeepLab等。确保网络可以接受输入数据并生成对应的语义分割掩膜。对输入数据进行必要的预处理,如归一化、尺寸调整等,以适应所选的语义分割网络。确保输入数据与网络的输入要求匹配。使用标记的训练数据,包括弱相似边界框数据和弱相似缺陷数据,来训练语义分割网络。这需要有标记的图像,其中每个像素都标注了属于哪个类别(缺陷、非缺陷)。对训练的语义分割模型进行验证,并根据性能指标(如IoU、Dice系数等)进行调优,以确保模型能够准确地分割扩散板上的缺陷区域。使用训练好的模型对新的扩散板图像或图像块进行推理,以生成语义分割掩膜。这个掩膜将指示每个像素是否属于缺陷区域。
步骤S26:通过扩散板语义分割掩膜数据对扩散板进行缺陷定位,得到扩散板弱缺陷定位数据;根据扩散板弱缺陷定位数据进行扩散板缺陷热图绘制,从而生成扩散板弱缺陷分布热图。
本发明实施例中,通过利用语义分割掩膜数据进行缺陷定位。这可以通过以下步骤完成:针对每个缺陷类别,提取相应的掩膜,将其与原始扩散板图像相乘。这将产生一个仅包含特定缺陷的图像。对这些图像进行阈值处理,以将缺陷部分突出显示。可以使用二值化或其他适当的阈值方法来实现。可以计算每个缺陷的中心坐标或其他表示缺陷位置的指标。对于每个缺陷,可以将其中心坐标附近的区域设置为高亮或使用不同的颜色来表示。这将在热图上显示出缺陷的位置,可以将所有缺陷的热图叠加在一起,以获得整体的弱缺陷分布热图,热图可以在原始扩散板图像上绘制,或者可以创建一个独立的热图图像。
优选的,步骤S3包括以下步骤:
步骤S31:对扩散板弱缺陷分布热图进行缺陷热力图色差分析,并将得到的深色差数据标记为扩散板高特性数据;
步骤S32:基于扩散板高特性数据进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行声波发射与接收,从而得到弱缺陷声波反射信号数据;
步骤S33:对弱缺陷声波反射信号数据进行信号滤波处理,得到弱缺陷滤波声波反射信号数据;对弱缺陷滤波声波反射信号数据进行反射信号放大,生成弱缺陷声波反射增强数据;对弱缺陷声波反射增强数据进行数据去噪,得到弱缺陷声波反射去噪数据;
步骤S34:对弱缺陷声波反射去噪数据进行时域反射分析,生成标准声波信号;通过快速傅里叶变换对标准声波信号进行频域转换,生成弱缺陷声波反射频谱图;根据对弱缺陷声波反射频谱图对标准声波信号进行波束成像,得到弱缺陷声波反射图;
步骤S35:对弱缺陷声波反射图进行差异声波特性提取,生成差异声波数据,其中差异声波数据包括声波周期数据和声波角度数据;基于声波周期数据和声波角度数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据。
本发明通过对扩散板的弱缺陷分布热图进行颜色分析。通常,深色差数据可能表示潜在的缺陷区域,这些区域可能与其他区域相比具有不同的颜色特征。将这些深色差数据标记为高特性数据可以帮助进一步的分析和检测。根据高特性数据配置了超声波传感器。超声波传感器用于发射声波并接收反射信号。通过传感器的配置,可以将声波发送到扩散板上,并记录反射信号数据。对从超声波传感器接收到的声波反射信号数据进行处理。这包括信号滤波以去除噪声,并进行信号放大,以增强信号质量。接着,数据去噪操作有助于进一步减少可能干扰的噪音,从而获得干净的数据。通过它生成标准声波信号。然后,使用快速傅里叶变换将标准声波信号转换为频域数据,得到弱缺陷声波反射频谱图。最后,根据频谱图进行波束成像,得到弱缺陷声波反射图,这将帮助了解声波在扩散板上的传播和反射情况。对弱缺陷声波反射图进行分析,并提取差异声波数据,包括声波周期和声波角度数据。这些差异声波数据可以用于进一步的内部缺陷裂缝分析,以定位和了解扩散板的强缺陷。通过这些分析,可以确定缺陷的位置、大小和性质。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:
步骤S31:对扩散板弱缺陷分布热图进行缺陷热力图色差分析,并将得到的深色差数据标记为扩散板高特性数据;
本发明实施例中,通过收集扩散板的热图数据,这可能涉及使用红外摄像机或其他热成像设备来捕获扩散板表面的热图。确保数据采集在适当的环境条件下进行,以获得准确的温度分布信息,对获得的热图进行图像预处理,包括去噪、增强和校准。这有助于提高数据质量,确保后续分析的准确性,使用图像处理技术,例如阈值化、边缘检测、区域分割等,来检测扩散板上的潜在缺陷区域。这可以涉及检测温度异常或梯度变化的区域。将检测到的缺陷区域与周围正常区域进行比较,以计算颜色差异。通常,缺陷区域将表现为较暗或较亮的区域,与周围的表面温度有明显的不同。使用图像处理算法来量化颜色差异,通常可以使用像素值的统计量,如均值、标准差等。根据颜色差异的严重程度,将深色差数据标记为高特性数据。这些高特性数据表示可能存在严重缺陷的区域,需要进一步的检查和分析。记录标记的高特性数据的位置信息,以便后续步骤的超声波传感器配置和声波定位。
步骤S32:基于扩散板高特性数据进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行声波发射与接收,从而得到弱缺陷声波反射信号数据;
本发明实施例中,通过选择适合应用的超声波传感器。传感器的频率和特性应该根据扩散板的材料和预期的缺陷类型进行选择。通常,高频传感器用于检测小尺寸的缺陷,而低频传感器适用于大尺寸的缺陷。安装和配置超声波传感器的位置。传感器应该放置在扩散板上,以便能够覆盖高特性数据标记的区域。确保传感器位置和方向的准确性以获得可靠的数据。使用超声波传感器发射声波信号。这些声波信号会穿透扩散板,并与其中的任何缺陷相互作用。传感器会记录发送的声波信号的特性,例如频率和振幅。超声波传感器接收从扩散板表面和内部反射回来的声波信号。这些反射信号将包含有关扩散板内部结构和可能的缺陷的信息。将接收到的声波反射信号数据记录下来,并使用数据分析工具对其进行处理。这可能涉及时域分析、频域分析和成像技术,以识别和定位扩散板上的缺陷。利用分析后的数据,检测弱缺陷的存在并确定其位置。比较声波反射信号与正常区域的信号,以识别可能的缺陷。生成报告,记录检测到的弱缺陷的位置和特性。这些数据可以用于进一步的质量控制或维修决策。
步骤S33:对弱缺陷声波反射信号数据进行信号滤波处理,得到弱缺陷滤波声波反射信号数据;对弱缺陷滤波声波反射信号数据进行反射信号放大,生成弱缺陷声波反射增强数据;对弱缺陷声波反射增强数据进行数据去噪,得到弱缺陷声波反射去噪数据;
本发明实施例中,通过将弱缺陷声波反射信号数据传入一个信号滤波器。信号滤波的目的是去除噪音和不需要的频率成分,以提高信号的质量,常用的信号滤波方法包括低通滤波、高通滤波、带通滤波和带阻滤波。具体选择哪种滤波方法取决于应用和信号特性。滤波后的信号可能仍然相对较弱,因此需要对滤波后的信号进行放大,以增强信号的强度。这可以通过信号放大器或增益控制来实现。弱缺陷声波反射增强数据可能包含一些噪音,这些噪音可以干扰信号分析和缺陷检测。因此,需要对增强数据进行去噪处理。去噪方法可以包括使用数字滤波器、小波变换、傅里叶变换、平均滤波等技术,根据噪音类型和信号特性来选择合适的方法。记录滤波、增强和去噪后的数据。这些数据将用于进一步的分析、缺陷检测或可视化。对滤波、增强和去噪后的数据进行进一步分析,以检测和定位扩散板上的弱缺陷。这可以涉及特定的算法和技术,如波形比较、缺陷成像或机器学习方法,具体根据应用来选择。生成报告,记录检测到的弱缺陷的位置和特性。这些数据可以用于制定维修计划或质量控制决策。
步骤S34:对弱缺陷声波反射去噪数据进行时域反射分析,生成标准声波信号;通过快速傅里叶变换对标准声波信号进行频域转换,生成弱缺陷声波反射频谱图;根据对弱缺陷声波反射频谱图对标准声波信号进行波束成像,得到弱缺陷声波反射图;
本发明实施例中,通过从弱缺陷声波反射去噪数据中提取标准声波信号。这可以涉及到一些信号处理技术,例如滤波、包络检测、峰值检测等,以获得主要的反射信号,对标准声波信号进行快速傅里叶变换,将信号从时域转换到频域。FFT是一种常用的频域转换技术,它将信号分解成不同频率的成分,使能够分析信号的频谱特性。根据FFT的结果,生成弱缺陷声波反射频谱图。频谱图显示了信号在不同频率上的强度分布,有助于分析信号的频域特性。利用生成的弱缺陷声波反射频谱图进行波束成像。波束成像是一种信号处理技术,用于定位和成像目标或缺陷的位置。在波束成像中,可以使用不同的算法,如波束赋形、最小二乘法、梯度下降等,来确定目标的位置。这通常需要知道声波传播的速度和其他相关参数。根据波束成像的结果,生成弱缺陷声波反射图。这个图像显示了弱缺陷的位置和形状,帮助可视化和分析检测结果。分析生成的弱缺陷声波反射图,以评估缺陷的性质和位置。这些信息可以用于制定维修计划或质量控制决策,并生成相应的报告。
步骤S35:对弱缺陷声波反射图进行差异声波特性提取,生成差异声波数据,其中差异声波数据包括声波周期数据和声波角度数据;基于声波周期数据和声波角度数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据。
本发明实施例中,通过识别并提取不同声波周期的特征,这可以通过信号处理技术和模式识别方法实现。例如,使用峰值检测、自相关函数分析等方法来确定声波周期数据。通过分析声波在不同角度下的反射特性,提取不同角度下的声波数据。这可能涉及到声波传播模型和数据处理算法来估计声波在不同角度下的特征。基于提取的声波周期数据和声波角度数据,进行内部缺陷裂缝分析。这可能包括以下步骤:利用声波周期数据来识别缺陷或裂缝的特征模式,比如周期变化、幅度变化等,以推断内部缺陷的形态和特征。利用声波角度数据来确定缺陷在不同角度下的反射特性,以帮助推断缺陷的位置和形状。结合差异声波特性提取和内部缺陷裂缝分析的结果,生成强缺陷定位结果数据。这可能包括定位强缺陷的具体位置、形状和尺寸信息,以便进行进一步的评估和处理。对生成的强缺陷定位结果数据进行综合分析,并撰写相应的报告。该报告应包括对缺陷定位结果的解释、可能的风险评估以及建议的解决方案或修复措施。
优选的,步骤S4包括以下步骤:
步骤S41:利用声学缺陷指数计算公式对强缺陷定位结果数据进行缺陷指数量化计算,生成声学缺陷指数;
步骤S42:将声学缺陷指数和预设的标准缺陷指数阈值进行对比,当声学缺陷指数大于或等于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据集划分,生成模型训练集和模型验证集;
步骤S43:当声学缺陷指数小于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据剔除;
步骤S44:通过单类SVM算法对模型训练集进行异常检测训练,生成异常检测预模型;根据模型验证集对异常检测预模型进行模型优化,从而生成异常检测模型;将差异声波数据导入至异常检测模型中进行声学异常预测,得到声学异常预测数据;
步骤S45:通过声学异常预测数据对强缺陷定位结果数据进行异常区域划分,得到声学异常识别区域数据;利用学习分类器对声学异常识别区域数据进行异常分析,从而生成异常声学性质数据。
本发明通过声学缺陷指数计算,将强缺陷定位结果数据转化为定量的缺陷指标。这有助于对缺陷的大小、严重程度和其他声学特性进行量化评估。将声学缺陷指数与标准缺陷指数阈值进行对比,可以实现自动数据集划分。这有助于确定哪些数据应用于模型训练和验证,以及哪些数据应被剔除。根据声学缺陷指数,可以剔除那些未达到预定质量标准的数据,从而提高模型的准确性和可靠性。使用单类SVM算法对模型训练集进行异常检测训练,并通过模型验证集进行模型优化,可以生成可用于检测声学异常的模型。这有助于自动检测和识别不寻常的声学特性,可能表明存在潜在的问题或缺陷。通过声学异常预测数据对强缺陷定位结果数据进行异常区域划分,可以帮助定位问题区域,从而有针对性地进行进一步分析和维护。最终生成的异常声学性质数据允许更深入地了解问题的本质,可能包括声学特性的具体性质、分布和趋势。这对于问题排查和改进决策非常有价值。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S4包括:
步骤S41:利用声学缺陷指数计算公式对强缺陷定位结果数据进行缺陷指数量化计算,生成声学缺陷指数;
本发明实施例中,通过收集强缺陷定位结果数据,这些数据可能包括声音波形、频谱数据或其他声学特性参数,从采集到的数据中提取特征参数,例如频率和振幅。这可以通过信号处理技术,如傅里叶变换,来获得频谱数据。使用声学缺陷指数计算公式,将提取到的特征参数代入计算,将计算得到的声学缺陷指数应用于强缺陷定位结果数据,生成声学缺陷指数数据。
步骤S42:将声学缺陷指数和预设的标准缺陷指数阈值进行对比,当声学缺陷指数大于或等于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据集划分,生成模型训练集和模型验证集;
本发明实施例中,通过需要根据先验知识或者领域专家的建议,设定一个标准缺陷指数的阈值。这个阈值将作为判定缺陷程度的标准,超过此阈值的声学缺陷指数将被认为是强缺陷。针对采集到的声学缺陷指数数据,逐个比较每个声学缺陷指数与预设的标准缺陷指数阈值。当声学缺陷指数大于或等于标准缺陷指数阈值时,将对应的强缺陷定位结果数据视为符合强缺陷标准的数据,可以用于模型训练。将符合条件的强缺陷定位结果数据分为两部分:模型训练集和模型验证集。通常,数据集划分可以采用随机划分或者按时间序列划分。例如,可以保留一部分数据作为模型训练集(通常是大部分数据),其余部分作为模型验证集。在划分后,需要对数据进行标记,将其标记为“用于模型训练”或“用于模型验证”,以便后续的模型构建和评估。确保对数据进行充分的混洗和随机化,尤其是在进行随机划分时,以避免数据顺序对模型训练和验证的影响。考虑使用交叉验证技术或其他评估方法来验证模型的鲁棒性和准确性。
步骤S43:当声学缺陷指数小于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据剔除;
本发明实施例中,通过设定一个标准缺陷指数的阈值,作为判定缺陷程度的标准。声学缺陷指数小于此阈值的数据将被认为是非强缺陷,逐个比较每个声学缺陷指数与预设的标准缺陷指数阈值。当声学缺陷指数小于标准缺陷指数阈值时,表明该缺陷的程度不足以被视为强缺陷,需要将对应的强缺陷定位结果数据进行剔除。将声学缺陷指数小于标准缺陷指数阈值的强缺陷定位结果数据从数据集中移除或标记为非强缺陷。根据需求可以选择完全移除数据,或者将这些数据保留在数据集中但标记为无效数据。确保对数据进行充分的混洗和随机化,特别是在处理数据剔除时,以避免数据顺序对最终模型的训练和验证的影响。在剔除数据时,需要进行记录和标记,以便后续的数据分析和模型评估。
步骤S44:通过单类SVM算法对模型训练集进行异常检测训练,生成异常检测预模型;根据模型验证集对异常检测预模型进行模型优化,从而生成异常检测模型;将差异声波数据导入至异常检测模型中进行声学异常预测,得到声学异常预测数据;
本发明实施例中,通过收集并准备一组带有已知声学特征的正常样本数据,这些样本应该代表正常运行状态的声波数据,使用单类SVM(One-class SVM)算法对模型训练集中的正常样本数据进行训练,单类SVM是一种无监督学习算法,它只使用一类数据进行训练,即正常样本数据,目的是将正常样本数据从其他异常数据中进行分离。在完成单类SVM训练后,生成异常检测预模型,该模型可以通过计算新样本数据与正常样本数据之间的距离或相似度,来判断新样本是否为异常。收集一组具有标记的异常和正常样本数据,用于对异常检测预模型进行验证和评估。使用模型验证集对异常检测预模型进行模型优化。这可能包括调整单类SVM算法的参数,比如核函数选择、惩罚参数等,以提高异常检测模型的性能和准确度。在模型优化后,得到最终的异常检测模型,该模型可以根据声波数据的特征进行声学异常的检测和预测。将待检测的差异声波数据导入已生成的异常检测模型中。模型将根据训练得到的异常检测规则对差异声波数据进行预测,并输出声学异常预测数据。
步骤S45:通过声学异常预测数据对强缺陷定位结果数据进行异常区域划分,得到声学异常识别区域数据;利用学习分类器对声学异常识别区域数据进行异常分析,从而生成异常声学性质数据。
本发明实施例中,通过使用步骤S44中生成的声学异常预测数据和强缺陷定位结果数据作为输入,根据声学异常预测数据对强缺陷定位结果数据进行异常区域划分,可以设定一个阈值来判断哪些区域被认为是异常的,例如,超过阈值的区域被认为是异常区域。根据异常区域划分的结果,提取出声学异常识别区域数据,这些区域数据标记了声学异常出现的位置,使用学习分类器对声学异常识别区域数据进行异常分析,可以使用各种机器学习算法,如支持向量机(SVM)、决策树、随机森林等。通过学习分类器对声学异常识别区域数据进行异常分析,得到异常声学性质数据,这些数据可能包括异常类型、异常强度、异常持续时间等信息,用于对声学异常进行更深入的分析和理解。
优选的,步骤S41中的声学缺陷指数计算公式具体如下:
式中,表示为声学缺陷指数,表示为声学缺陷的强度因子,表示为声学缺陷的面积因子,表示为缺陷的数量,表示为声学缺陷的频率,表示为声学缺陷的长度,表示为声学缺陷的宽度,表示为声学缺陷的高度,表示为第个缺陷的振动频率,表示为第个缺陷的密度,表示为环境温度,表示为环境湿度,表示为缺陷的几何形状因子,表示为缺陷的体积,表示为缺陷的电导率,表示为缺陷的时间常数,表示为缺陷的角频率,表示为缺陷的波长,表示为检测时间,表示为声学缺陷指数计算异常调整值。
本发明构建了一种声学缺陷指数计算公式,公式的原理是将声学缺陷的强度因子和面积因子与其他多个参数相乘,并对结果进行积分求和。这样做的目的是通过综合考虑缺陷的频率、长度、宽度、高度、振动频率、密度等因素,对声学缺陷进行全面的评估,根据声学缺陷的强度因子与以上各参数之间的相互关系构成了一种函数关系:
通过调节这两个参数和分别表示声学缺陷的强度因子和面积因子。它们的乘积反映了缺陷的整体强度。通过调节这两个参数,可以对缺陷的强度和面积进行加权,使得在计算声学缺陷指数时,重点考虑强度较大且面积较大的缺陷,这些参数、和描述了缺陷的频率、长度和宽度。它们的组合可以影响缺陷的共振特性和传播方式。通过将它们的平方乘以振动频率和密度的平方和除以环境温度和湿度的平方根,可以综合考虑缺陷的频率、尺寸和材料特性,从而更准确地评估声学缺陷。这些参数和表示第个缺陷的振动频率和密度。它们的乘积反映了缺陷的振动特性。通过对所有缺陷进行求和,可以综合考虑多个缺陷的振动特性,并根据其频率和密度对声学缺陷指数进行调整。通过声学缺陷指数计算异常调整值,用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异,提高声学缺陷指数计算的准确性和可靠性,更加准确的生成声学缺陷指数,同时公式中的缺陷的时间常数、缺陷的角频率等参数可以根据实际情况进行调整,从而适应不同的声学缺陷指数计算场景,提高了算法的适用性和灵活性。在使用本领域常规的声学缺陷指数计算公式时,可以得到声学缺陷指数,通过应用本发明提供的声学缺陷指数计算公式,可以更加精确的计算出声学缺陷指数。通过将多个参数结合在一起,并利用积分项对这些参数进行综合评估,从而计算出声学缺陷指数。这样做可以综合考虑缺陷的强度、面积、频率、尺寸、振动特性、几何形状、电学特性和时间特性,使得声学缺陷指数更加准确地评估声学缺陷的严重程度和影响。
优选的,步骤S5包括以下步骤:
步骤S51:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;
步骤S52:通过异常雾度检测数据和异常声学性质数据进行扩散板结构异常评估,生成扩散板异常结构评估数据;
步骤S53:基于三维重构方法对扩散板异常结构评估数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;
步骤S54:对扩散板异常结构三维模型进行光线导入测试,得到光线路径数据;基于光线路径数据对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据。
本发明通过对扩散板进行雾度检测是为了评估扩散板表面的雾化情况,即板上可能存在的模糊或朦胧效果,可以采用传感器或图像处理技术进行雾度检测。结合异常雾度检测数据和异常声学性质数据,对扩散板的结构进行评估,异常声学性质数据可能包括前一步中生成的异常声学性质数据以及其他相关数据,评估的目的是判断扩散板的结构是否存在异常情况,如裂纹、变形或其他缺陷。扩散板异常结构评估数据将作为输出,用于进一步分析扩散板的结构状态。利用异常结构评估数据,采用三维重构方法,可能包括计算机视觉或三维成像技术,构建扩散板的三维模型,这个三维模型将反映扩散板的实际形态和结构,包括可能存在的异常部分。生成的扩散板异常结构三维模型将作为输出,为后续的分析和可视化提供基础。在扩散板异常结构三维模型上进行光线导入测试,模拟光线的传播路径,这样可以得到光线在扩散板上的路径数据,用于分析光线在异常结构上的反射、透射和散射情况,有助于了解扩散板的结构状态和性能特征。
本发明实施例中,通过收集异常声学性质数据,可能包括表面质量、粗糙度、透光性等,使用合适的雾度检测设备或技术,如激光雾度计、图像处理算法等,对扩散板进行雾度检测,记录并分析检测结果,得到异常雾度数据。将异常声学性质数据和异常雾度检测数据结合起来进行综合评估,使用适当的评估方法,如数据分析、统计学方法、专家判断等,评估扩散板的结构异常情况,生成扩散板异常结构评估数据,描述扩散板的结构异常程度和位置。使用三维重构方法,如计算机视觉、扫描仪、摄影测量等,对扩散板异常结构评估数据进行三维模型构建,通过对不同角度的图像或测量数据进行配准和处理,生成扩散板的三维模型,将异常结构评估数据与三维模型相匹配,将异常部分准确地反映在模型中。在扩散板异常结构三维模型上设置光源,并模拟光线的导入,对模型中的每个点进行光线追踪,记录光线的路径和相互作用,基于光线路径数据,使用光学模拟或光传输模型进行透光率分析,评估扩散板的透光性能,并得到异常透光数据。
优选的,步骤S6包括以下步骤:
步骤S61:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;
步骤S62:通过综合性能评估公式对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;
步骤S63:将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,当扩散板综合性能评估数据大于或等于综合性能评估指标时,则生成高质量性能评估报告;当扩散板综合性能评估数据小于综合性能评估指标时,则生成低质量性能评估报告。
本发明通过数据融合能够将扩散板的异常透光数据、异常声学性质数据和异常雾度检测数据综合起来。通过数据融合,可以结合多个数据来源的信息,得到更全面和准确的结构综合异常数据,提高评估结果的可靠性和准确性,通过综合性能评估公式对结构综合异常数据进行扩散板综合性能评估。综合性能评估将各项指标进行综合考量,可以全面评估扩散板在透光性、声学性能和表面质量等方面的综合性能,帮助判断扩散板的整体性能水平。将扩散板综合性能评估数据与预设的综合性能评估指标进行对比,生成高质量或低质量性能评估报告。通过与预设指标进行对比,可以判断扩散板的综合性能是否符合要求。当评估数据大于或等于评估指标时,生成高质量性能评估报告,表明扩散板具备良好性能。当评估数据小于评估指标时,生成低质量性能评估报告,帮助识别和改进扩散板存在的问题。
本发明实施例中,通过收集扩散板的异常透光数据、异常声学性质数据和异常雾度检测数据,对收集到的数据进行预处理,例如数据清洗、去噪或归一化等,使用合适的数据融合算法,将不同类型的异常数据进行整合和融合,生成结构综合异常数据。确定综合性能评估公式或模型,该公式或模型应包括透光性、声学性能和表面质量等指标,将步骤S61生成的结构综合异常数据作为输入,应用综合性能评估公式进行计算,生成扩散板综合性能评估数据。为扩散板的综合性能评估定义预设的综合性能评估指标,例如设定阈值或参考标准,将扩散板综合性能评估数据与预设的综合性能评估指标进行对比,根据对比结果生成相应的高质量性能评估报告或低质量性能评估报告。选择合适的数据融合算法和综合性能评估公式,根据具体情况进行调整和优化,确定预设的综合性能评估指标时,要考虑到扩散板的应用需求和标准要求,报告生成可以采用可视化方式,将评估结果以图表、表格或文字的形式清晰呈现。
优选的,步骤S62中的综合性能评估公式具体如下:
式中,表示为综合性能评估分数,表示为评估时间的上限,表示为评估项的数量,表示为第项评估的权重,表示为第项评估的数值,表示为第项评估的时间,表示为透光测试占比系数,表示为声学性质测试占比系数,表示为雾度测试占比系数,表示为控制时间衰减的速度系数,表示为综合性能评估异常修正量。
本发明构建了一种综合性能评估公式,公式的原理是通过对各评估项的加权求和,考虑评估项的数值和时间,以及调节不同评估项的权重,计算出综合性能评估分数。不同评估项的权重系数和占比系数可以根据具体需求进行调整,以反映不同测试项目的重要性。时间衰减系数可以控制综合评估结果对过去时间的衰减速度,使得近期的评估结果对综合性能的影响更大。综合性能评估异常修正量可以用于对评估分数进行修正,以考虑可能存在的异常情况或其他修正因素,从而提高评估结果的准确性和可靠性,根据评估项的数量与以上各参数之间的相互关系构成了一种函数关系:
通过调节评估时间的上限。这是指在一段时间内进行综合评估的时间范围,评估项的数量表示参与综合评估的不同指标或参数的数量,第项评估的权重。用于对不同评估项进行加权,反映不同评估项在综合性能中的重要性,第项评估的数值。表示第项评估的具体数值,可以是某种测试的结果或计算得到的指标,第项评估的时间。表示第项评估所涉及的时间点或时间段,透光测试占比系数。用于调节透光测试在综合性能中的权重,声学性质测试占比系数用于调节声学性质测试在综合性能中的权重。通过综合性能评估异常修正量,用于校正由于实际系统的复杂性和非理想性而引起的误差和偏差。它可以纠正公式中的理论假设与实际系统之间的差异,提高综合性能评估的准确性和可靠性,更加准确的生成综合性能评估分数,同时公式中的声学性质测试占比系数、第项评估的权重等参数可以根据实际情况进行调整,从而适应不同的综合性能评估场景,提高了算法的适用性和灵活性。在使用本领域常规的综合性能评估公式时,可以得到综合性能评估分数,通过应用本发明提供的综合性能评估公式,可以更加精确的计算出综合性能评估分数。
在本说明书中,提供了一种扩散板的结构性能评估系统,用于执行上述所述的扩散板的结构性能评估方法,该扩散板的结构性能评估系统包括:
图像校正模块,用于获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
缺陷定位模块,用于对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
声波特性提取模块,用于根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
声学异常检测模块,用于对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
雾度透光检测模块,用于根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
综合性能评估模块,用于将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
本发明的有益效果在于通过图像校正、特征增强、缺陷定位、声学缺陷指数和其他评估步骤,可以及早发现并纠正制造中的问题,从而提高产品质量。通过缺陷定位和热图分析,可以确定扩散板上的弱缺陷和强缺陷的位置,这对于及时修复缺陷非常重要。使用声学缺陷指数和机器学习算法进行声学异常预测,这有助于识别与声学性能相关的问题。这对于确保扩散板的声学性能达到要求非常重要,尤其是在声学敏感应用中。结合了多个数据源,包括透光性、声学性能、雾度检测等,以生成结构综合异常数据。这有助于全面评估扩散板的整体性能,而不仅仅是单一特性。通过检测和分析强缺陷,可以预测扩散板的寿命和性能退化情况,从而更好地进行维护和替换计划。通过各个步骤生成大量的数据,这些数据可以用于制定决策,例如产品改进、制造流程优化和质量改进。因此,本发明通过对扩散板数据进行图像处理、声学分析和多数据融合,提高了评估的全面性和准确性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种扩散板的结构性能评估方法,其特征在于,作用于扩散板,包括以下步骤:
步骤S1:获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
步骤S2:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;步骤S2包括以下步骤:
步骤S21:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像,其中图像预处理包括图像裁剪、图像大小调整和图像数据标注;
步骤S22:利用卷积神经网络对标准扩散板特征增强图像进行图像特征提取,生成扩散板特征数据,其中扩散板特征数据包括表面纹理数据、表面形状数据和表面颜色数据;
步骤S23:通过目标检测算法对表面纹理数据和表面颜色数据进行扩散板缺陷检测,生成扩散板弱相似缺陷数据;
步骤S24:根据表面形状数据对扩散板弱相似缺陷数据进行边界框划分,生成扩散板弱相似边界框数据;
步骤S25:通过语义分割网络对扩散板弱相似边界框数据和扩散板弱相似缺陷数据进行缺陷掩膜分割,生成扩散板语义分割掩膜数据;
步骤S26:通过扩散板语义分割掩膜数据对扩散板进行缺陷定位,得到扩散板弱缺陷定位数据;根据扩散板弱缺陷定位数据进行扩散板缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
步骤S3:根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;步骤S3包括以下步骤:
步骤S31:对扩散板弱缺陷分布热图进行缺陷热力图色差分析,并将得到的深色差数据标记为扩散板高特性数据;
步骤S32:基于扩散板高特性数据进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行声波发射与接收,从而得到弱缺陷声波反射信号数据;
步骤S33:对弱缺陷声波反射信号数据进行信号滤波处理,得到弱缺陷滤波声波反射信号数据;对弱缺陷滤波声波反射信号数据进行反射信号放大,生成弱缺陷声波反射增强数据;对弱缺陷声波反射增强数据进行数据去噪,得到弱缺陷声波反射去噪数据;
步骤S34:对弱缺陷声波反射去噪数据进行时域反射分析,生成标准声波信号;通过快速傅里叶变换对标准声波信号进行频域转换,生成弱缺陷声波反射频谱图;根据对弱缺陷声波反射频谱图对标准声波信号进行波束成像,得到弱缺陷声波反射图;
步骤S35:对弱缺陷声波反射图进行差异声波特性提取,生成差异声波数据,其中差异声波数据包括声波周期数据和声波角度数据;基于声波周期数据和声波角度数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
步骤S4:对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
步骤S5:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
步骤S6:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
2.根据权利要求1所述的扩散板的结构性能评估方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用摄像设备对扩散板进行表面图像捕捉,从而获取扩散板原始图像;
步骤S12:基于光学流明校正算法对扩散板原始图像进行光照校正,生成光照校正图像;
步骤S13:通过几何校正方法对光照校正图像进行图像畸变校正,生成畸变矫正图像;
步骤S14:对畸变矫正图像进行中值滤波,得到扩散板滤波图像;对扩散板滤波图像进行扩散板表面特征增强,生成扩散板增强图像。
3.根据权利要求1所述的扩散板的结构性能评估方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用声学缺陷指数计算公式对强缺陷定位结果数据进行缺陷指数量化计算,生成声学缺陷指数;
步骤S42:将声学缺陷指数和预设的标准缺陷指数阈值进行对比,当声学缺陷指数大于或等于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据集划分,生成模型训练集和模型验证集;
步骤S43:当声学缺陷指数小于标准缺陷指数阈值时,则对声学缺陷指数所对应的强缺陷定位结果数据进行数据剔除;
步骤S44:通过单类SVM算法对模型训练集进行异常检测训练,生成异常检测预模型;根据模型验证集对异常检测预模型进行模型优化,从而生成异常检测模型;将差异声波数据导入至异常检测模型中进行声学异常预测,得到声学异常预测数据;
步骤S45:通过声学异常预测数据对强缺陷定位结果数据进行异常区域划分,得到声学异常识别区域数据;利用学习分类器对声学异常识别区域数据进行异常分析,从而生成异常声学性质数据。
4.根据权利要求3所述的扩散板的结构性能评估方法,其特征在于,步骤S41中的声学缺陷指数计算公式如下所示:
式中,表示为声学缺陷指数,表示为声学缺陷的强度因子,表示为声学缺陷的面积因子,表示为缺陷的数量,表示为声学缺陷的频率,表示为声学缺陷的长度,表示为声学缺陷的宽度,表示为声学缺陷的高度,表示为第个缺陷的振动频率,表示为第个缺陷的密度,表示为环境温度,表示为环境湿度,表示为缺陷的几何形状因子,表示为缺陷的体积,表示为缺陷的电导率,表示为缺陷的时间常数,表示为缺陷的角频率,表示为缺陷的波长,表示为检测时间,表示为声学缺陷指数计算异常调整值。
5.根据权利要求1所述的扩散板的结构性能评估方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;
步骤S52:通过异常雾度检测数据和异常声学性质数据进行扩散板结构异常评估,生成扩散板异常结构评估数据;
步骤S53:基于三维重构方法对扩散板异常结构评估数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;
步骤S54:对扩散板异常结构三维模型进行光线导入测试,得到光线路径数据;基于光线路径数据对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据。
6.根据权利要求1所述的扩散板的结构性能评估方法,其特征在于,步骤S6包括以下步骤:
步骤S61:将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;
步骤S62:通过综合性能评估公式对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;
步骤S63:将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,当扩散板综合性能评估数据大于或等于综合性能评估指标时,则生成高质量性能评估报告;当扩散板综合性能评估数据小于综合性能评估指标时,则生成低质量性能评估报告。
7.根据权利要求6所述的扩散板的结构性能评估方法,其特征在于,步骤S62中的综合性能评估公式如下所示:
式中,表示为综合性能评估分数,表示为评估时间的上限,表示为评估项的数量,表示为第项评估的权重,表示为第项评估的数值,表示为第项评估的时间,表示为透光测试占比系数,表示为声学性质测试占比系数,表示为雾度测试占比系数,表示为控制时间衰减的速度系数,表示为综合性能评估异常修正量。
8.一种扩散板的结构性能评估系统,其特征在于,用于执行如权利要求1所述的扩散板的结构性能评估方法,该扩散板的结构性能评估系统包括:
图像校正模块,用于获取扩散板原始图像;对扩散板原始图像进行图像校正,生成畸变矫正图像;对畸变矫正图像进行扩散板表面特征增强,生成扩散板增强图像;
缺陷定位模块,用于对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像;对标准扩散板特征增强图像进行扩散板缺陷定位,生成扩散板弱缺陷定位数据;对扩散板弱缺陷定位数据进行缺陷热图绘制,从而生成扩散板弱缺陷分布热图;缺陷定位模块包括以下步骤:
步骤S21:对扩散板增强图像进行图像预处理,得到标准扩散板特征增强图像,其中图像预处理包括图像裁剪、图像大小调整和图像数据标注;
步骤S22:利用卷积神经网络对标准扩散板特征增强图像进行图像特征提取,生成扩散板特征数据,其中扩散板特征数据包括表面纹理数据、表面形状数据和表面颜色数据;
步骤S23:通过目标检测算法对表面纹理数据和表面颜色数据进行扩散板缺陷检测,生成扩散板弱相似缺陷数据;
步骤S24:根据表面形状数据对扩散板弱相似缺陷数据进行边界框划分,生成扩散板弱相似边界框数据;
步骤S25:通过语义分割网络对扩散板弱相似边界框数据和扩散板弱相似缺陷数据进行缺陷掩膜分割,生成扩散板语义分割掩膜数据;
步骤S26:通过扩散板语义分割掩膜数据对扩散板进行缺陷定位,得到扩散板弱缺陷定位数据;根据扩散板弱缺陷定位数据进行扩散板缺陷热图绘制,从而生成扩散板弱缺陷分布热图;
声波特性提取模块,用于根据扩散板弱缺陷分布热图进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行差异声波特性提取,生成差异声波数据;对差异声波数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;声波特性提取模块包括以下步骤:
步骤S31:对扩散板弱缺陷分布热图进行缺陷热力图色差分析,并将得到的深色差数据标记为扩散板高特性数据;
步骤S32:基于扩散板高特性数据进行超声波传感器配置,并利用超声波传感器对扩散板弱缺陷定位数据进行声波发射与接收,从而得到弱缺陷声波反射信号数据;
步骤S33:对弱缺陷声波反射信号数据进行信号滤波处理,得到弱缺陷滤波声波反射信号数据;对弱缺陷滤波声波反射信号数据进行反射信号放大,生成弱缺陷声波反射增强数据;对弱缺陷声波反射增强数据进行数据去噪,得到弱缺陷声波反射去噪数据;
步骤S34:对弱缺陷声波反射去噪数据进行时域反射分析,生成标准声波信号;通过快速傅里叶变换对标准声波信号进行频域转换,生成弱缺陷声波反射频谱图;根据对弱缺陷声波反射频谱图对标准声波信号进行波束成像,得到弱缺陷声波反射图;
步骤S35:对弱缺陷声波反射图进行差异声波特性提取,生成差异声波数据,其中差异声波数据包括声波周期数据和声波角度数据;基于声波周期数据和声波角度数据进行内部缺陷裂缝分析,生成强缺陷定位结果数据;
声学异常检测模块,用于对强缺陷定位结果数据进行缺陷指数量化,生成声学缺陷指数;基于机器学习算法对声学缺陷指数进行声学异常预测,得到声学异常预测数据;对声学异常预测数据进行异常分析,从而生成异常声学性质数据;
雾度透光检测模块,用于根据异常声学性质数据对扩散板进行雾度检测,从而得到异常雾度检测数据;利用异常雾度检测数据和异常声学性质数据进行异常结构三维模型构建,生成扩散板异常结构三维模型;对扩散板异常结构三维模型进行透光率分析,生成扩散板异常透光数据;
综合性能评估模块,用于将扩散板异常透光数据、异常声学性质数据和异常雾度检测数据进行数据融合,生成结构综合异常数据;对结构综合异常数据进行扩散板综合性能评估,生成扩散板综合性能评估数据;将扩散板综合性能评估数据和预设的综合性能评估指标进行对比,生成高质量性能评估报告或低质量性能评估报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032776.5A CN117541483B (zh) | 2024-01-10 | 2024-01-10 | 一种扩散板的结构性能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032776.5A CN117541483B (zh) | 2024-01-10 | 2024-01-10 | 一种扩散板的结构性能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541483A CN117541483A (zh) | 2024-02-09 |
CN117541483B true CN117541483B (zh) | 2024-03-22 |
Family
ID=89786593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032776.5A Active CN117541483B (zh) | 2024-01-10 | 2024-01-10 | 一种扩散板的结构性能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541483B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118114492B (zh) * | 2024-03-11 | 2024-10-18 | 上海芯钬量子科技有限公司 | 面向微结构阵列模型的光线追迹仿真加速方法及系统 |
CN118294540B (zh) * | 2024-06-06 | 2024-10-15 | 深圳欧晟科连接技术股份有限公司 | 基于深度学习对可扭转柳叶簧缺陷检测的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003177102A (ja) * | 2001-09-13 | 2003-06-27 | Hitachi Ltd | パターン欠陥検査方法およびその装置 |
CN113374100A (zh) * | 2021-07-19 | 2021-09-10 | 中建西部建设建材科学研究院有限公司 | 一种主动降噪隔音大空心率墙板及其制备方法 |
CN113677971A (zh) * | 2019-04-11 | 2021-11-19 | 克里奥瓦克公司 | 用于密封完整性的在线检查的系统 |
CN115829042A (zh) * | 2022-11-29 | 2023-03-21 | 南京贝迪新材料科技股份有限公司 | 一种量子点扩散板的结构性能评估方法及系统 |
CN219105196U (zh) * | 2023-02-07 | 2023-05-30 | 深圳市诚誉兴光电有限公司 | 一种非均匀发泡光扩散板结构 |
-
2024
- 2024-01-10 CN CN202410032776.5A patent/CN117541483B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003177102A (ja) * | 2001-09-13 | 2003-06-27 | Hitachi Ltd | パターン欠陥検査方法およびその装置 |
CN113677971A (zh) * | 2019-04-11 | 2021-11-19 | 克里奥瓦克公司 | 用于密封完整性的在线检查的系统 |
CN113374100A (zh) * | 2021-07-19 | 2021-09-10 | 中建西部建设建材科学研究院有限公司 | 一种主动降噪隔音大空心率墙板及其制备方法 |
CN115829042A (zh) * | 2022-11-29 | 2023-03-21 | 南京贝迪新材料科技股份有限公司 | 一种量子点扩散板的结构性能评估方法及系统 |
CN219105196U (zh) * | 2023-02-07 | 2023-05-30 | 深圳市诚誉兴光电有限公司 | 一种非均匀发泡光扩散板结构 |
Also Published As
Publication number | Publication date |
---|---|
CN117541483A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
JP2004085216A (ja) | 良否判定装置、良否判定プログラムおよび良否判定方法 | |
CN110136130A (zh) | 一种检测产品缺陷的方法及装置 | |
US11378521B2 (en) | Optical condition determination system and optical condition determination method | |
CN116787022B (zh) | 基于多源数据的散热铜底板焊接质量检测方法及系统 | |
CN117576093B (zh) | 基于el图像的太阳能电池片隐裂检测方法 | |
CN117876381B (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
CN118379267B (zh) | 一种箱包配件表面瑕疵的视觉检测智能控制方法及系统 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN116452944A (zh) | 一种表面裂纹识别方法及装置 | |
CN117333492A (zh) | 基于图像处理的光学薄膜质量检测方法及相关装置 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN117740797A (zh) | 一种铝合金的缺陷探伤方法 | |
CN117269333A (zh) | 一种oled器件缺陷的预测方法 | |
CN117392140B (zh) | 一种基于图像处理的建筑幕墙玻璃破裂检测方法及系统 | |
CN117668518B (zh) | 一种离散型智能制造方法及系统 | |
Zhao et al. | MSC-AD: A Multiscene Unsupervised Anomaly Detection Dataset for Small Defect Detection of Casting Surface | |
Hao et al. | An Image-Based Hairline Crack Identification Method for Metal Parts | |
CN112767365A (zh) | 一种探伤方法 | |
CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
CN117934453B (zh) | 一种手机屏背光异物缺陷诊断方法及系统 | |
CN118537664B (zh) | 基于图像分析结合机器学习的肉牛胴体质量评级方法 |
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 |