CN117782903A - 基于物相分析法检测金属颗粒粉末质量缺陷的方法 - Google Patents
基于物相分析法检测金属颗粒粉末质量缺陷的方法 Download PDFInfo
- Publication number
- CN117782903A CN117782903A CN202410216895.6A CN202410216895A CN117782903A CN 117782903 A CN117782903 A CN 117782903A CN 202410216895 A CN202410216895 A CN 202410216895A CN 117782903 A CN117782903 A CN 117782903A
- Authority
- CN
- China
- Prior art keywords
- metal particle
- particle powder
- signal
- detected
- terahertz
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 116
- 239000002923 metal particle Substances 0.000 title claims abstract description 111
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 11
- 238000005259 measurement Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提出了一种基于物相分析法检测金属颗粒粉末质量缺陷的方法，涉及粉末质量缺陷检测技术领域，投影两组竖直和水平正弦条纹到待测金属颗粒粉末表面，计算待测金属颗粒粉末物相面形值；用透射式光路，得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值；将金属颗粒粉末物相面形值、得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值输入到神经网络中，检测待测金属颗粒粉末质量缺陷程度。可以快速、准确检查出材料待测金属颗粒粉末表面是否存在质量缺陷。
Description
技术领域
本发明涉及粉末质量缺陷检测技术领域，尤其涉及一种基于物相分析法检测金属颗粒粉末质量缺陷的方法。
背景技术
金属颗粒粉末具有传统熔铸工艺及锻造工艺无法获得的化学组成和物理、力学性能，如材料孔隙度可控、材料组织均匀、无宏观偏析等优点，在航空发动机、燃气轮机等领域的应用越来越广泛。
虽然金属颗粒粉末材料拥有很多优点，但仍然无法完全避免质量缺陷，使用过程中其表面质量缺陷将形成裂纹源，进行导致产品失效，因此在航空发动机、燃气轮机高精密零件制造过程中，常常需要对金属颗粒粉末表面是否存在缺陷进行检查，以提高产品的安全性。
现有技术中有关金属颗粒粉末材料的检测技术仅涉及粉末的平均粒度或比表面积、化学成分、外观质量等外在质量，均不涉及独立于粉末粒度和化学成分之外的内在质量缺陷。
发明内容
为了解决上述技术问题，本方案提出了基于物相分析法检测金属颗粒粉末质量缺陷的方法，包括如下步骤：
步骤S1、投影两组竖直和水平正弦条纹到待测金属颗粒粉末表面，计算待测金属颗粒粉末物相面形值；
步骤S2、用透射式光路，得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值；
步骤S3、将金属颗粒粉末物相面形值、得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值输入到神经网络中，检测待测金属颗粒粉末质量缺陷程度。
进一步地，步骤S1中，
待测金属颗粒粉末表面的表面梯度的计算公式如下：
；
；
其中，、/>为待测金属颗粒粉末表面的表面x、y方向的梯度，L为显示屏到待测金属颗粒粉末表面的距离；/>和/>为待测金属颗粒粉末表面光场在x方向和y方向的相位分布，竖直和水平正弦条纹的周期分别为Px、Py；
对梯度进行积分后，重建待测金属颗粒粉末表面的物相面形值Z：
；
其中，x,y为待测金属颗粒粉末表面区域S内点的坐标值。
进一步地，步骤S2中，将产生的太赫兹脉冲信号分束为第一太赫兹子脉冲信号和第二太赫兹子脉冲信号，将第一太赫兹子脉冲信号处理后照射在样品上，将第二太赫兹子脉冲信号作为参考信号，消除第一太赫兹子脉冲信号与第二太赫兹子脉冲信号之间的时延差；接收第一太赫兹子脉冲信号透射过样品的透射信号，对接收的透射信号进行放大获得放大透射信号，对放大透射信号进行处理获得样品表面信息。
进一步地，第一太赫兹子脉冲信号向金属颗粒粉末照射，从待测金属颗粒粉末透射的放大透射信号为,第二太赫兹子脉冲信号为参考信号/>,则两者的比值表示为：
；
其中，为待测金属颗粒粉末内部的复折射率，/>表示待测金属颗粒粉末的实折射率；/>为放大透射信号频率，j表示虚部，d为标准无缺陷金属颗粒粉末样品厚度，c是真空中光速；
设第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品后,所得到的标准信号设为,则标准信号和参考信号/>的比值/>：
；
其中，为第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品的复折射率。
进一步地，步骤S3中，
设第i个样品区域的物相面形值为Zi，输入神经网络第一层卷积运算表示为:
；
式中,Ai为经过卷积核运算f的输出值,ki为权重系数,bi为补偿系数。
进一步地，设待测金属颗粒粉末第i个样品区域的放大透射信号与参考信号比值为，标准信号和参考信号比值为/>，输入神经网络第二层的差值函数运算,表达式为：
；
上式中，为第二层差值函数运算的输出值。
进一步地，第三层神经网络映射函数F表示如下式所示：
；
其中，M为样品区域个数，w1、w2为放大透射信号频率的下限和上限，ai和/>为一组权向量，h为第三层神经网络的激励函数,V0表示第三层神经网络的阈值，Y为第三层神经网络的输出值,当输出值Y落入目标范围时，证明待测金属颗粒粉末质量存在严重缺陷。
相比于现有技术，本发明具有如下有益技术效果：
投影两组竖直和水平正弦条纹到待测金属颗粒粉末表面，计算待测金属颗粒粉末物相面形值；用透射式光路，得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值；将金属颗粒粉末物相面形值、得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值输入到神经网络中，检测待测金属颗粒粉末质量缺陷程度。可以快速、准确检查出材料待测金属颗粒粉末表面是否存在质量缺陷。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于物相分析法检测金属颗粒粉末质量缺陷的方法的流程图；
图2为本发明的显示屏投影正弦条纹到金属颗粒粉末表面的系统示意图；
图3为本发明的第三层神经网络的输出值Y的曲线图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。
如图1所示，为本发明的基于物相分析法检测金属颗粒粉末质量缺陷的方法的流程图，包括如下步骤：
S1、投影两组竖直和水平正弦条纹到金属颗粒粉末表面，计算金属颗粒粉末表面梯度和相位之间的关系，得到物相面形值。
为了保证物相面形值测量的精度，测量需要提前做好标定，分为相机标定和几何标定两部分，相机标定采用张正友标定法标定相机内外参数，几何标定通过在LCD显示屏构造特征点，引入摄影测量系统作为显示屏坐标系与相机坐标系的转换中介，实现显示屏坐标系和相机坐标系的转换；为了保证物相面形值测量的准确度，保持条纹图的稳定可靠，将被金属颗粒粉末放置在标定平台中心，保证相机可以拍摄到完整的物体图像，相机视野要略大于被测金属颗粒粉末表面。
如图2所示，计算机控制显示屏投影两组竖直和水平正弦条纹到金属颗粒粉末表面,竖直和水平正弦条纹的周期分别为Px、Py，设显示屏到待测金属颗粒粉末表面的距离为L，经过表面反射的光线被CCD相机捕捉,分别是经过表面反射的光线与盛放金属颗粒粉末的水平面与CCD相机的夹角。
金属颗粒粉末表面缺陷的存在导致缺陷点处的表面的角度相比于水平面发生或/>的倾斜,反射光线将会偏离原方向,根据反射定律,缺陷点处的表面偏折角度是倾斜角度的两倍，即/>或/>,假设显示屏出射平行的正弦条纹,忽略待测表面的高度对相位的影响,可以得出待测金属颗粒粉末表面光场在x方向和y方向的相位分布/>和/>：
；
；
水平面在x方向和y方向的相位分布和/>：
；
；
待测点的表面的相位分布减去水平面相位，可得到待测金属颗粒粉末表面的表面梯度和相位之间的关系：
；
；
待测金属颗粒粉末表面的表面梯度的计算公式如下：
；
；
最后对梯度进行积分后，重建待测金属颗粒粉末表面的物相面形值Z：
；
其中，x,y为待测金属颗粒粉末表面区域S内点的坐标值，L为显示屏到待测金属颗粒粉末表面的距离。
S2、用透射式光路，得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值。
将产生的太赫兹脉冲信号分束为第一太赫兹子脉冲信号和第二太赫兹子脉冲信号，将第一太赫兹子脉冲信号处理后照射在样品上，将第二太赫兹子脉冲信号作为参考信号，消除第一太赫兹子脉冲信号与第二太赫兹子脉冲信号之间的时延差；接收第一太赫兹子脉冲信号透射过样品的透射信号，对接收的透射信号进行放大获得放大透射信号，对放大透射信号进行处理获得样品表面信息。
第一太赫兹子脉冲信号向金属颗粒粉末照射，采用透射式光路，金属颗粒粉末的复折射率可以表示为：
；
式中，表示实折射率，/>表示消光系数,/>为放大透射信号频率，j表示虚部。
根据朗伯定律,吸收系数和消光系数的关系式如下：
；
其中，c是真空中光速。
假设待测的金属颗粒粉末的放大透射信号为,设定第二太赫兹子脉冲信号为参考信号/>,则两者的比值可以表示为：
设第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品后,所得到的信号设为,则标准信号和参考信号比值/>：
其中，d为标准无缺陷金属颗粒粉末样品厚度，为第一太赫兹子脉冲信号向金属颗粒粉末照射的复折射率，/>为第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品的复折射率。
S3、将金属颗粒粉末物相面形值、得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值输入到神经网络中，检测金属颗粒粉末质量缺陷程度。
设第i个样品区域的物相面形值为Zi，输入神经网络第一层卷积运算可表示为:
；
上式中,Ai为经过卷积核运算f的输出值,Zi为输入卷积核运算的物相面形值,ki为对应的权重系数,bi为对应的补偿系数。
神经网络第一层卷积运算用于对输入参数，即输入卷积核运算的物相面形值Zi进行特征抽取，过滤部分无用信息并保留特征大部分有效信息。
设待测的金属颗粒粉末第i个样品区域的放大透射信号与参考信号比值为，标准信号和参考信号比值为/>，输入神经网络第二层的差值函数运算,其表达式为：
；
上式中，为第二层输出的差值函数。
神经网络第二层特征在于对放大透射信号与参考信号比值、标准信号和参考信号比值进行差值函数运算，以降低神经网络第三层的计算量。
综上，第三层神经网络映射函数表示如下式所示：
；
其中，M为样品区域数，w1、w2为放大透射信号频率的下限和上限，ai和/>为一组权向量，h为第三层神经网络的激励函数,V0表示第三层神经网络的阈值，Y为第三层神经网络的输出值,当Y的输出值落入目标范围时，证明待测样品存在严重缺陷。
该目标范围的确定可以通过历史大数据训练获得，如图3所示，绘制第三层神经网络的输出值Y的曲线图b，横坐标代表样品区域数，当输出值Y向上延伸进入目标数值范围时，则发出预警，证明待测样品存在严重缺陷。
第三层神经网络映射函数层特征在于将得到的输出值Y映射为某个缺陷程度的概率值，表征一个待测样品区域的缺陷程度的置信度。用神经网络模型对待测金属粉末进行缺陷检测，给出检测结果判定并进行程度映射，并输出结果。
在优选实施例中，神经网络模型由分割网络子模型和分类网络子模型构成，其中主要包含卷积模块、池化模块、特征融合模块、缺陷判定模块及输出模块。解决了缺陷样本收集困难、缺陷样本数量少的难题，以缺陷所在区域的像素信息替代缺陷个体本身送入网络训练，无形中极大扩增了训练样本数量。
其中分割网络子模型的学习图像中每个样品区域所属的缺陷程度，以0表述该样品区域程度为背景，以1表示该样品区域程度为缺陷，根据类别将样品区域分割为背景区域和缺陷区域；其中分割网络子模型对提取的背景区域和缺陷区域作出判定给出每个样品区域属于某个缺陷程度的可能性，即置信度。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，包括如下步骤：
步骤S1、用显示屏投影两组竖直和水平正弦条纹到待测金属颗粒粉末表面，计算待测金属颗粒粉末物相面形值；
步骤S2、用透射式光路，得到待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值；
步骤S3、将待测金属颗粒粉末物相面形值、待测金属颗粒粉末透射信号与参考信号的比值以及标准金属颗粒粉末透射信号与参考信号的比值输入到神经网络中，检测待测金属颗粒粉末质量缺陷程度。
2.根据权利要求1所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，步骤S1中，
待测金属颗粒粉末表面的梯度计算公式如下：
；
；
其中，、/>为待测金属颗粒粉末表面的x、y方向的梯度，L为显示屏到待测金属颗粒粉末表面的距离；/>和/>为待测金属颗粒粉末表面光场在x方向和y方向的相位分布，竖直和水平正弦条纹的周期分别为Px、Py；
对梯度进行积分后，重建待测金属颗粒粉末表面的物相面形值Z：
；
其中，x,y为待测金属颗粒粉末表面区域S内点的坐标值。
3.根据权利要求1所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，步骤S2中，将产生的太赫兹脉冲信号分束为第一太赫兹子脉冲信号和第二太赫兹子脉冲信号，将第一太赫兹子脉冲信号处理后照射在样品上，将第二太赫兹子脉冲信号作为参考信号，消除第一太赫兹子脉冲信号与第二太赫兹子脉冲信号之间的时延差；接收第一太赫兹子脉冲信号透射过样品的透射信号，对接收的透射信号进行放大获得放大透射信号，对放大透射信号进行处理获得样品表面信息。
4.根据权利要求3所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，第一太赫兹子脉冲信号向金属颗粒粉末照射，从待测金属颗粒粉末透射的放大透射信号为,第二太赫兹子脉冲信号为参考信号/>,则两者的比值表示为：
；
其中，为待测金属颗粒粉末内部的复折射率，/>表示待测金属颗粒粉末的实折射率；/>为放大透射信号频率，j表示虚部，d为标准无缺陷金属颗粒粉末样品厚度，c是真空中光速；
设第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品后,所得到的标准信号设为,则标准信号和参考信号/>的比值/>：
；
其中，为第一太赫兹子脉冲信号穿透标准无缺陷金属颗粒粉末样品的复折射率。
5.根据权利要求1所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，步骤S3中，
设第i个样品区域的物相面形值为Zi，输入神经网络第一层卷积运算表示为:
；
式中,Ai为经过卷积核运算f的输出值,ki为权重系数,bi为补偿系数。
6.根据权利要求5所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，设待测金属颗粒粉末第i个样品区域的放大透射信号与参考信号比值为，标准信号和参考信号比值为/>，输入神经网络第二层的差值函数运算,表达式为：
；
上式中，为第二层差值函数运算的输出值。
7.根据权利要求6所述的基于物相分析法检测金属颗粒粉末质量缺陷的方法，其特征在于，第三层神经网络映射函数F表示如下式所示：
；
其中，M为样品区域个数，w1、w2为放大透射信号频率的下限和上限，ai和/>为一组权向量，h为第三层神经网络的激励函数,V0表示第三层神经网络的阈值，Y为第三层神经网络的输出值,当输出值Y落入目标范围时，证明待测金属颗粒粉末质量存在严重缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410216895.6A CN117782903A (zh) | 2024-02-28 | 2024-02-28 | 基于物相分析法检测金属颗粒粉末质量缺陷的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410216895.6A CN117782903A (zh) | 2024-02-28 | 2024-02-28 | 基于物相分析法检测金属颗粒粉末质量缺陷的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117782903A true CN117782903A (zh) | 2024-03-29 |
Family
ID=90380177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410216895.6A Pending CN117782903A (zh) | 2024-02-28 | 2024-02-28 | 基于物相分析法检测金属颗粒粉末质量缺陷的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782903A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040246479A1 (en) * | 2001-07-06 | 2004-12-09 | Cartlidge Andrew G. | Particle analyzing system and methodology |
| JP2008076159A (ja) * | 2006-09-20 | 2008-04-03 | Aisin Seiki Co Ltd | 内部欠陥検査方法及び内部欠陥検査装置 |
| JP2008180618A (ja) * | 2007-01-25 | 2008-08-07 | Toray Ind Inc | 表面欠点検出装置 |
| CN103487441A (zh) * | 2013-09-24 | 2014-01-01 | 电子科技大学 | 一种用于硅晶片缺陷检测和面形测量的方法 |
| CN106841113A (zh) * | 2017-01-04 | 2017-06-13 | 北京环境特性研究所 | 一种太赫兹频段同步测量材料透波反射特性的方法和装置 |
| KR20190137733A (ko) * | 2017-12-15 | 2019-12-11 | 주식회사 내일해 | 결함 검출 방법 및 장치 |
| CN114166847A (zh) * | 2021-11-10 | 2022-03-11 | 泰州飞荣达新材料科技有限公司 | 一种基于太赫兹时域光谱技术来无损检测油漆中缺陷的方法 |
| WO2022189250A1 (en) * | 2021-03-11 | 2022-09-15 | Asml Netherlands B.V. | Measuring apparatus and method for roughness and/or defect measurement on a surface |
-
2024
- 2024-02-28 CN CN202410216895.6A patent/CN117782903A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040246479A1 (en) * | 2001-07-06 | 2004-12-09 | Cartlidge Andrew G. | Particle analyzing system and methodology |
| JP2008076159A (ja) * | 2006-09-20 | 2008-04-03 | Aisin Seiki Co Ltd | 内部欠陥検査方法及び内部欠陥検査装置 |
| JP2008180618A (ja) * | 2007-01-25 | 2008-08-07 | Toray Ind Inc | 表面欠点検出装置 |
| CN103487441A (zh) * | 2013-09-24 | 2014-01-01 | 电子科技大学 | 一种用于硅晶片缺陷检测和面形测量的方法 |
| CN106841113A (zh) * | 2017-01-04 | 2017-06-13 | 北京环境特性研究所 | 一种太赫兹频段同步测量材料透波反射特性的方法和装置 |
| KR20190137733A (ko) * | 2017-12-15 | 2019-12-11 | 주식회사 내일해 | 결함 검출 방법 및 장치 |
| WO2022189250A1 (en) * | 2021-03-11 | 2022-09-15 | Asml Netherlands B.V. | Measuring apparatus and method for roughness and/or defect measurement on a surface |
| CN114166847A (zh) * | 2021-11-10 | 2022-03-11 | 泰州飞荣达新材料科技有限公司 | 一种基于太赫兹时域光谱技术来无损检测油漆中缺陷的方法 |
Non-Patent Citations (4)
| Title |
|---|
| JINGXI LI ET AL: "Rapid sensing of hidden objects and defects using a single-pixel diffractive terahertz sensor", 《NATURE COMMUNICATIONS》, 25 October 2023 (2023-10-25) * |
| 任姣姣;李丽娟;张丹丹;乔晓利;徐子鹏;: "太赫兹无损检测的多特征参数神经网络分析技术", 光子学报, no. 04, 30 April 2017 (2017-04-30) * |
| 张宝月;李九生;: "基于太赫兹光谱的小麦粉中滑石粉测定技术", 中国粮油学报, no. 07, 25 July 2010 (2010-07-25) * |
| 张广军: "人工神经网络技术在光电检测中的应用", 北京航空航天大学学报, no. 05, 30 October 2001 (2001-10-30) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lins et al. | Automatic crack detection and measurement based on image analysis | |
| CN104966308B (zh) | 一种计算激光光束光斑大小的方法 | |
| US7012701B2 (en) | Measuring for device for contactless measurement of tires | |
| US20220349802A1 (en) | Method, device, and system for testing static contact angle of reagent asphalt | |
| CN110987932A (zh) | 一种自动化装配位视觉测量方法 | |
| CN112991319B (zh) | 碳纤维层压板红外热成像缺陷尺寸检测方法 | |
| CN109085178A (zh) | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 | |
| Liu et al. | Concrete surface damage volume measurement based on three-dimensional reconstruction by smartphones | |
| Zhang et al. | Intelligent defect detection method for additive manufactured lattice structures based on a modified YOLOv3 model | |
| O’Dowd et al. | Effects of digital fringe projection operational parameters on detecting powder bed defects in additive manufacturing | |
| CN113446932A (zh) | 非接触式裂纹测量方法及其系统 | |
| CN110864671B (zh) | 基于线结构光拟合平面的机器人重复定位精度测量方法 | |
| CN107300562A (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
| CN117782903A (zh) | 基于物相分析法检测金属颗粒粉末质量缺陷的方法 | |
| CN112053299A (zh) | 一种基于胶体金免疫层析法的图像处理方法 | |
| CN114998329B (zh) | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 | |
| CN115979972A (zh) | 海面原油油膜高光谱实时监测方法和系统 | |
| CN108645865A (zh) | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 | |
| CN108414997B (zh) | 一种基于粒子特性差异的边界层高度反演方法 | |
| Ali et al. | Vision based measurement system for gear profile | |
| Chen et al. | In-situ volumetric topography of IC chips for defect detection using infrared confocal measurement with active structured light | |
| CN111316090A (zh) | 透明或半透明材料微观缺陷检测系统及方法 | |
| CN117152164B (zh) | 一种透明多层材料的点云数据分层方法、装置及电子设备 | |
| CN116819490B (zh) | 基于云雷达与激光雷达的云与气溶胶分类的方法 | |
| CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |