CN103439342A - 基于热图时序特征的红外无损检测方法 - Google Patents
基于热图时序特征的红外无损检测方法 Download PDFInfo
- Publication number
- CN103439342A CN103439342A CN2013104226286A CN201310422628A CN103439342A CN 103439342 A CN103439342 A CN 103439342A CN 2013104226286 A CN2013104226286 A CN 2013104226286A CN 201310422628 A CN201310422628 A CN 201310422628A CN 103439342 A CN103439342 A CN 103439342A
- Authority
- CN
- China
- Prior art keywords
- gray
- infrared
- thermal
- neural network
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于热图时序特征的红外无损检测方法，是基于热图时序特征和PNN，提出了一种以像素为单位，实现缺陷红外无损检测的新方法。研究首先采用红外热像仪获取加热试件在降温过程中的红外时序热图；其次，提取时序热图中正常和异常区域的灰度值，建立不同区域的灰度值与时间的关系，进而获得相应的时序初始特征；再次，采用主成分分析实现初始特征降维，获得时序特征；最后，以时序特征为训练样本，构建概率神经网络。
Description
技术领域
本发明涉及一种红外无损检测方法，尤其是一种基于热图时序特征的红外无损检测方法。
背景技术
红外无损检测法是近年来发展迅速的一种无损检测方法，与常规的涡流、射线等检测技术相比，该项检测技术具有非接触、全场、大面积、快速、直观、易实现检测自动化等优点，采用专用软件对获得的红外图像进行处理后，可进行识别缺陷，除此之外，检测时对周围环境没有特殊要求，设备轻便、可移动，特别适合现场应用和在线、在役检测。在国外，该技术已被用于金属和非金属材料及其复合结构件的无损检测。
红外无损检测技术对温度具有高敏感性，是一种非接触、不破坏、实时、快速的无损检测方法，能检测小于0.1°C的温度变化并能在线检测物体表面温度，具有快速、准确、直观等优点。目前,红外无损检测的研究主要通过分析某一个时间点,检测物不同位置的温度差异或者某两个时刻点,检测物相同位置的温度差异,并借助图像处理来实现缺陷检测的。该过程中，一方面由于可获取的特征较少；另一方面，由于单纯图像处理的识别效果差等原因，最终局限了红外无损检测研究的发展。
发明内容
本发明的目的是一种基于热图时序特征的红外无损检测方法，采用时序特征的方法，以更全面地体现出被检测物表面灰度值随时间变化的信息；采用主成分分析方法和概率神经网络，以像素单位实现红外无损检测，使整个方案更简洁、操作更简单，效果更准确。
鉴于上述需解决的问题，本发明针对不同缺陷类型检测的需要，首先使用红外热源对被检物进行加热后，采用红外热像仪获取被检物在降温过程中其表面的红外辐射信息，并生成红外时序热图；其次，对图像进行处理，划分正常区域和异常区域，提取特定区域像素点的灰度值，并采用曲线拟合处理数据达到减少***误差；然后，根据拟合后的曲线获取相同时间间隔的时序特征，采用主成分分析方法提取主成分作为训练样本；最后构建概率神经网络并以每个像素点的时序特征作为测试样本放入概率神经网络中对每个像素点进行缺陷的判定，从而实现缺陷红外无损检测。本发明有效解决了传统方法中特征信息缺乏，单一图像处理识别效果差的问题。本发明具有效率高、成本低、检测范围广等特点，为红外无损检测技术提出了更有益的解决方案。
基于热图时序特征的红外无损检测方法，它包括热激励***、图像采集***以及计算机图像处理***，其中热激励***采用250w的红外热源，用于加热试件，将热源放在试件的正上方，设定好热源与试件的固定距离，使得加热均匀；然后通过红外热像仪拍摄红外热图，红外热像仪其光谱范围为8μm-14μm，测温范围为-20℃至400℃，热灵敏度为0.08℃，设定为自动采样，红外热像仪固定在实验桌上，其视场刚好覆盖试件的表面，其输出信号通过USB数据传输线与计算机相连，在计算机内部装有图像处理软件，控制器与计算机通过RS232串口线相连。通过计算机内***自带的软件对数据进行处理。
为了达到上述的发明目的，本发明包括下列步骤：
一、红外时序热图采集
首先，采用热激励源距离试件10cm对试件缺陷面加热20min后；其次，通过红外热像仪自动采集试件降温过程中的红外时序热图，间隔时间为30s，
红外热图的灰度级直接反应了温度高低及其分布特征。因此，温差越大，图像的对比度也越大，就越利于识别目标。热图像上某一像素点 
处的灰度值f(i,j)与该温度值T(i,j)存在如下关系：
式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T 
为红外热图像最高温度，T 为红外热图像最低温度。缺陷的出现会产生温度场发生变化，会破坏其所在区域灰度值的排布规律，表现为图像中灰度的异常区域。
二、初始特征获取
研究提出了一种获取时序初始特征的方法。首先，通过灰度化和标准化，将采集的热图转变成像素为137×177的灰度图；其次，分别获取各时序热图中正常区域和不同缺陷类型的异常区域像素点的灰度值，并分别对各种区域灰度值与时间的关系进行曲线拟合；最后，在拟合曲线上每隔30s选取一个灰度值，组成时序初始特征。
三、初始特征的主成分提取
（1）建立初始特征矩阵X。 分别以不同缺陷类型的异常区域和正常区域抽取训练集样品的灰度特征点，经标准化后，建立初始特征矩阵
X为
式中，N为训练样本数；p为初始特征维数，每隔30s取某点的灰度值，p为30。
（2）计算初始特征矩阵X的标准化矩阵S。
（3）计算标准化矩阵S的特征值
，其中i=1，2，…,p，特征值
按由大到小顺序排列，并计算出累积贡献率，确定贡献率大于80%的主成分个数m。
（4） 计算主成分：确定贡献率大于80%的主成分，并作为新特征用于后续的神经网络识别。
四、构建概率神经网络
概率神经网络是基于贝叶斯分类规则与概率密度函数估计方法发展而来的一种并行分类算法。PNN由输入层、模式层、求和层、输出层共4层组成。测试样品的特征矢量由输入层放入神经网络后，模式层与累加层将计算出该样品在每一模式类的概率密度，具有最大值的那一类将被认为是当前测试样品的模式类。其中，概率密度的计算公式如下：
式中，X为测试样品的p维特征向量，f A (X)为X属于其中一种缺陷类型的概率密度函数，X Ai 为此种缺陷类型的第i个训练样品的特征向量，
为其中一种缺陷类型中训练样品的个数，
为平滑参数，其取值确定了以样本为中心的钟状曲线的宽度。
根据提取出的序列灰度样本集，及其对该时序特征进行主成分分析获得的前三个主成分得分，即可对PNN神经网络进行训练。当正常区域和不同缺陷类型的异常区域的训练集样品放入模式层之后，用于识别的概率神经网络就已训练完成。然后依次选取若干组不同缺陷类型的异常区域和若干组正常区域的待测像素点为测试样本进行测试，采用概率神经网络训练，平均识别率达到90%，最终实现了以像素点为单位并以时序特征为特征向量的缺陷检测。
本发明的有益效果是：首先使用红外热源对钢板进行加热后，采用红外热像仪获取钢板在降温过程中其表面的红外辐射信息，并生成红外时序热图；然后对图像进行处理，提取特定区域像素点的灰度值并用曲线拟合方式进行数据处理。然后，采用主成分分析方法提取正常区域和异常区域像素点的特征向量；最后基于概率神经网络实现缺陷无损检测。本发明提出了一种基于时序提取特征的红外无损检测方法，并以像素为单位实现缺陷红外无损检测。该方法具有效率高、成本低、检测范围广等特点。可以更全面地体现出被检测物表面灰度值随时间变化的信息，并以像素单位实现红外无损检测，使整个方案更简洁、操作更简单，效果更准确，克服了单张图片检测、获得特征信息量少的局限性等缺点。
具体实施方式
本发明包括下列步骤：
一、红外时序热图采集
首先，采用热激励源距离试件10cm对试件缺陷面加热20min后；其次，通过红外热像仪自动采集试件降温过程中的红外时序热图，间隔时间为30s，
红外热图的灰度级直接反应了温度高低及其分布特征。因此，温差越大，图像的对比度也越大，就越利于识别目标。热图像上某一像素点处的灰度值f(i,j)与该温度值T(i,j)存在如下关系：
式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T 
为红外热图像最高温度，T 
为红外热图像最低温度。缺陷的出现会产生温度场发生变化，会破坏其所在区域灰度值的排布规律，表现为图像中灰度的异常区域。
二、初始特征获取
研究提出了一种获取时序初始特征的方法。首先，通过灰度化和标准化，将采集的热图转变成像素为137×177的灰度图；其次，分别获取各时序热图中正常区域和两种缺陷类型的异常区域像素点的灰度值，并分别对各种区域灰度值与时间的关系进行曲线拟合；最后，在拟合曲线上每隔30s选取一个灰度值，组成时序初始特征。
三、初始特征的主成分提取
（1）建立初始特征矩阵X。 分别以不同缺陷类型的异常区域和正常区域抽取训练集样品的灰度特征点，经标准化后，建立初始特征矩阵
X为
式中，N为训练样本数；p为初始特征维数，每隔30s取某点的灰度值，p为30。
（2）计算初始特征矩阵X的标准化矩阵S。
（3）计算标准化矩阵S的特征值
，其中i=1，2，…,p，特征值
按由大到小顺序排列，并计算出累积贡献率，确定贡献率大于80%的主成分个数m。
（4） 计算主成分：确定贡献率大于80%的主成分，并作为新特征用于后续的神经网络识别。
四、构建概率神经网络
概率神经网络是基于贝叶斯分类规则与概率密度函数估计方法发展而来的一种并行分类算法。PNN由输入层、模式层、求和层、输出层共4层组成。测试样品的特征矢量由输入层放入神经网络后，模式层与累加层将计算出该样品在每一模式类的概率密度，具有最大值的那一类将被认为是当前测试样品的模式类。其中，概率密度的计算公式如下：
式中，X为测试样品的p维特征向量，f A (X)为X属于其中一种缺陷类型的概率密度函数，X Ai 为此种缺陷类型的第i个训练样品的特征向量，
为其中一种缺陷类型中训练样品的个数，
为平滑参数，其取值确定了以样本为中心的钟状曲线的宽度。
根据提取出的序列灰度样本集，及其对该时序特征进行主成分分析获得的前三个主成分得分，即可对PNN神经网络进行训练。当正常区域和不同缺陷类型的异常区域的训练集样品放入模式层之后，用于识别的概率神经网络就已训练完成。然后依次选取145组一种缺陷类型的区域、102组另一种缺陷类型的区域、200组正常区域的待测像素点为测试样本进行测试，采用概率神经网络训练，平均识别率达到95%。最终实现了以像素点为单位并以时序特征为特征向量的缺陷检测。
Claims (2)
1..基于热图时序特征的红外无损检测方法，其特征在于：首先，使用红外热源对钢板进行加热后，采用红外热像仪获取钢板在降温过程中其表面的红外辐射信息，生成红外时序热图；其次,对图像进行灰度化处理，提取特定区域像素点的灰度值作为时序特征并采用曲线拟合处理数据；然后，采用主成分分析方法提取正常区域和异常区域像素点的特征向量；最后基于概率神经网络, 以像素为单位实现缺陷的红外无损检测。
2.一种基于热图时序特征的红外无损检测方法，其特征在于：包括下列步骤：
一、红外时序热图采集
首先，采用热激励源距离试件10cm对试件缺陷面加热20min后；其次，通过红外热像仪自动采集试件降温过程中的红外时序热图，间隔时间为30s，热图像上某一像素点 
处的灰度值f(i,j)与该温度值T(i,j)存在如下关系：
式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T 
为红外热图像最高温度，T 
为红外热图像最低温度，缺陷的出现会产生温度场发生变化，会破坏其所在区域灰度值的排布规律，表现为图像中灰度的异常区域；
二、初始特征获取
首先，通过灰度化和标准化，将采集的热图转变成像素为137×177的灰度图，其次，分别获取各时序热图中正常区域和不同缺陷类型的异常区域像素点的灰度值，并分别对各种区域灰度值与时间的关系进行曲线拟合，最后，在拟合曲线上每隔30s选取一个灰度值，组成时序初始特征；
三、初始特征的主成分提取
（1）建立初始特征矩阵X：分别以不同缺陷类型的异常区域和正常区域抽取训练集样品的灰度特征点，经标准化后，建立初始特征矩阵
X为
式中，N为训练样本数，p为初始特征维数，每隔30s取某点的灰度值，p为30，
（2）计算初始特征矩阵X的标准化矩阵S，
（3）计算标准化矩阵S的特征值
，其中i=1，2，…,p，特征值
按由大到小顺序排列，并计算出累积贡献率，确定贡献率大于80%的主成分个数m，
（4） 计算主成分：确定贡献率大于80%的主成分，并作为新特征用于后续的神经网络识别；
四、构建概率神经网络
测试样品的特征矢量由输入层放入神经网络后，模式层与累加层将计算出该样品在每一模式类的概率密度，具有最大值的那一类将被认为是当前测试样品的模式类，其中，概率密度的计算公式如下：
式中，X为测试样品的p维特征向量，f A (X)为X属于其中一种缺陷类型的概率密度函数，X Ai 为其中一种缺陷类型的第i个训练样品的特征向量，
为其中一种缺陷类型中训练样品的个数，
为平滑参数，其取值确定了以样本为中心的钟状曲线的宽度，
根据提取出的序列灰度样本集，及其对该时序特征进行主成分分析获得的主成分得分，即可对PNN神经网络进行训练，当正常区域和不同缺陷类型的异常区域的训练集样品放入模式层之后，用于识别的概率神经网络就已训练完成，然后依次选取若干组不同缺陷类型的异常区域和若干组正常区域的待测像素点为测试样本进行测试，采用概率神经网络训练，平均识别率达到90%，最终实现了以像素点为单位并以时序特征为特征向量的缺陷检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310422628.6A CN103439342B (zh) | 2013-09-17 | 2013-09-17 | 基于热图时序特征的红外无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310422628.6A CN103439342B (zh) | 2013-09-17 | 2013-09-17 | 基于热图时序特征的红外无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103439342A true CN103439342A (zh) | 2013-12-11 |
| CN103439342B CN103439342B (zh) | 2015-09-30 |
Family
ID=49693044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310422628.6A Expired - Fee Related CN103439342B (zh) | 2013-09-17 | 2013-09-17 | 基于热图时序特征的红外无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103439342B (zh) |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728313A (zh) * | 2013-12-27 | 2014-04-16 | 华东交通大学 | 基于时序热图加权叠加的红外无损检测方法 |
| CN104849654A (zh) * | 2015-04-09 | 2015-08-19 | 广州供电局有限公司 | 断路器在线监测方法及*** |
| CN105787940A (zh) * | 2016-02-29 | 2016-07-20 | 长安大学 | 一种高频电阻直缝焊接质量状态的在线检测方法 |
| CN106022365A (zh) * | 2016-05-16 | 2016-10-12 | 电子科技大学 | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 |
| CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 慧泉智能科技（苏州）有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
| CN108692939A (zh) * | 2018-03-27 | 2018-10-23 | 西北工业大学 | 一种基于红外热像仪的变转速条件下轴承故障诊断方法 |
| CN109410145A (zh) * | 2018-11-01 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 时序平滑方法、装置及电子设备 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN110320802A (zh) * | 2019-07-02 | 2019-10-11 | 北京交通大学 | 基于数据可视化的复杂***信号时序识别方法 |
| CN110322429A (zh) * | 2019-05-09 | 2019-10-11 | 中南大学 | 一种基于深度学习的蜂窝复合材料缺陷分类方法 |
| CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** |
| CN110728665A (zh) * | 2019-09-30 | 2020-01-24 | 西安电子科技大学 | 基于并行概率神经网络的sar图像变化检测方法 |
| CN110827278A (zh) * | 2019-11-27 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种变电站绝缘子缺陷在线检测方法及装置 |
| CN111429367A (zh) * | 2020-03-06 | 2020-07-17 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
| CN112255141A (zh) * | 2020-10-26 | 2021-01-22 | 光谷技术股份公司 | 一种热成像气体监测*** |
| CN112446854A (zh) * | 2019-08-30 | 2021-03-05 | Abb瑞士股份有限公司 | 用于监测开关设备的*** |
| CN112798648A (zh) * | 2020-12-09 | 2021-05-14 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
| CN113160095A (zh) * | 2021-05-25 | 2021-07-23 | 烟台艾睿光电科技有限公司 | 红外探测信号伪彩处理方法、装置、***及存储介质 |
| CN113484145A (zh) * | 2021-07-06 | 2021-10-08 | 中国矿业大学 | 煤岩变形破裂过程的红外辐射信息去噪与监测预警方法 |
| CN114882016A (zh) * | 2022-06-30 | 2022-08-09 | 中国矿业大学(北京) | 基于红外温度场时序信息识别混凝土缺陷面积方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090279772A1 (en) * | 2008-05-12 | 2009-11-12 | General Electric Company | Method and System for Identifying Defects in NDT Image Data |
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
-
2013
- 2013-09-17 CN CN201310422628.6A patent/CN103439342B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090279772A1 (en) * | 2008-05-12 | 2009-11-12 | General Electric Company | Method and System for Identifying Defects in NDT Image Data |
| CN102692429A (zh) * | 2011-03-24 | 2012-09-26 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| S. DUDZIK: "Analysis of the accuracy of a neural algorithm for defect depth estimation using PCA processing from active thermography data", 《INFRARED PHYSICS & TECHNOLOGY》 * |
| 刘涛 等: "BP 神经网络在红外热波无损检测定量识别中的应用", 《红外与激光工程》 * |
| 刘飞飞 等: "基于神经网络的铜转炉内壁蚀损红外检测方法", 《红外技术》 * |
| 张志强 等: "基于SVD 算法的红外热波无损检测方法研究", 《机械设计与制造》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728313B (zh) * | 2013-12-27 | 2016-03-02 | 华东交通大学 | 基于时序热图加权叠加的红外无损检测方法 |
| CN103728313A (zh) * | 2013-12-27 | 2014-04-16 | 华东交通大学 | 基于时序热图加权叠加的红外无损检测方法 |
| CN104849654B (zh) * | 2015-04-09 | 2017-10-03 | 广州供电局有限公司 | 断路器在线监测方法及*** |
| CN104849654A (zh) * | 2015-04-09 | 2015-08-19 | 广州供电局有限公司 | 断路器在线监测方法及*** |
| CN105787940A (zh) * | 2016-02-29 | 2016-07-20 | 长安大学 | 一种高频电阻直缝焊接质量状态的在线检测方法 |
| CN106022365B (zh) * | 2016-05-16 | 2019-04-02 | 电子科技大学 | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 |
| CN106022365A (zh) * | 2016-05-16 | 2016-10-12 | 电子科技大学 | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 |
| CN107784322A (zh) * | 2017-09-30 | 2018-03-09 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN107784322B (zh) * | 2017-09-30 | 2021-06-25 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质以及程序产品 |
| CN108692939A (zh) * | 2018-03-27 | 2018-10-23 | 西北工业大学 | 一种基于红外热像仪的变转速条件下轴承故障诊断方法 |
| CN108692939B (zh) * | 2018-03-27 | 2020-09-08 | 西北工业大学 | 一种基于红外热像仪的变转速条件下轴承故障诊断方法 |
| CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 慧泉智能科技（苏州）有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
| CN108562589B (zh) * | 2018-03-30 | 2020-12-01 | 慧泉智能科技（苏州）有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
| CN109410145A (zh) * | 2018-11-01 | 2019-03-01 | 北京达佳互联信息技术有限公司 | 时序平滑方法、装置及电子设备 |
| CN109919905B (zh) * | 2019-01-08 | 2021-04-06 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN109919905A (zh) * | 2019-01-08 | 2019-06-21 | 浙江大学 | 一种基于深度学习的红外无损检测方法 |
| CN110322429A (zh) * | 2019-05-09 | 2019-10-11 | 中南大学 | 一种基于深度学习的蜂窝复合材料缺陷分类方法 |
| CN110333267A (zh) * | 2019-07-01 | 2019-10-15 | 武汉科技大学 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** |
| CN110320802A (zh) * | 2019-07-02 | 2019-10-11 | 北京交通大学 | 基于数据可视化的复杂***信号时序识别方法 |
| CN112446854A (zh) * | 2019-08-30 | 2021-03-05 | Abb瑞士股份有限公司 | 用于监测开关设备的*** |
| CN110728665A (zh) * | 2019-09-30 | 2020-01-24 | 西安电子科技大学 | 基于并行概率神经网络的sar图像变化检测方法 |
| CN110728665B (zh) * | 2019-09-30 | 2023-04-18 | 西安电子科技大学 | 基于并行概率神经网络的sar图像变化检测方法 |
| CN110827278A (zh) * | 2019-11-27 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种变电站绝缘子缺陷在线检测方法及装置 |
| CN111429367A (zh) * | 2020-03-06 | 2020-07-17 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
| CN111429367B (zh) * | 2020-03-06 | 2023-09-19 | 暨南大学 | 用于复合材料分层损伤检测的热像数据处理方法 |
| CN112255141B (zh) * | 2020-10-26 | 2021-05-11 | 光谷技术有限公司 | 一种热成像气体监测*** |
| CN112255141A (zh) * | 2020-10-26 | 2021-01-22 | 光谷技术股份公司 | 一种热成像气体监测*** |
| CN112798648A (zh) * | 2020-12-09 | 2021-05-14 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
| CN112798648B (zh) * | 2020-12-09 | 2022-06-03 | 浙江工业大学 | 基于生成核主成分热影像分析的复合材料缺陷检测方法 |
| CN113160095A (zh) * | 2021-05-25 | 2021-07-23 | 烟台艾睿光电科技有限公司 | 红外探测信号伪彩处理方法、装置、***及存储介质 |
| CN113484145A (zh) * | 2021-07-06 | 2021-10-08 | 中国矿业大学 | 煤岩变形破裂过程的红外辐射信息去噪与监测预警方法 |
| CN114882016A (zh) * | 2022-06-30 | 2022-08-09 | 中国矿业大学(北京) | 基于红外温度场时序信息识别混凝土缺陷面积方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103439342B (zh) | 2015-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
| CN102692429B (zh) | 一种复合材料内部缺陷类型自动识别检测方法 | |
| Wang et al. | Autonomous damage segmentation and measurement of glazed tiles in historic buildings via deep learning | |
| CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测***及其检测方法 | |
| Kim et al. | Automatic fault recognition of photovoltaic modules based on statistical analysis of UAV thermography | |
| CN108198181A (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
| CN105447857B (zh) | 脉冲涡流红外热图像的特征提取方法 | |
| CN111630356A (zh) | 用于使用神经网络来表征样本的方法 | |
| Usamentiaga et al. | Feature extraction and analysis for automatic characterization of impact damage in carbon fiber composites using active thermography | |
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及*** | |
| CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
| Gao et al. | Thermography spatial-transient-stage mathematical tensor construction and material property variation track | |
| CN103900972A (zh) | 基于多特征融合的肉类新鲜度高光谱图像可视化检测 | |
| Hoffmann et al. | Deep‐learning‐based pipeline for module power prediction from electroluminescense measurements | |
| CN105956591B (zh) | 一种在线高温零件红外图像光谱抽样检测方法 | |
| Wang et al. | Design of machine vision applications in detection of defects in high-speed bar copper | |
| CN106022365B (zh) | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 | |
| CN103063674B (zh) | 一种铜块的铜品位检测方法及其检测*** | |
| Cao et al. | Balanced multi-scale target score network for ceramic tile surface defect detection | |
| Du et al. | Detection of crack growth in asphalt pavement through use of infrared imaging | |
| CN108180871B (zh) | 一种定量评价复合绝缘子表面粉化粗糙度的方法 | |
| Andrade et al. | Methodology for automatic process of the fired ceramic tile's internal defect using IR images and artificial neural network | |
| Guldur et al. | Automated classification of detected surface damage from point clouds with supervised learning | |
| CN108931572A (zh) | 基于变行分割和区域生长法的压容器热成像缺陷检测方法 | |
| CN109001244B (zh) | 基于红外热成像技术检测马铃薯品质的装置及其检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150930 Termination date: 20160917 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |