CN104730091B - 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 - Google Patents
基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 Download PDFInfo
- Publication number
- CN104730091B CN104730091B CN201510068469.3A CN201510068469A CN104730091B CN 104730091 B CN104730091 B CN 104730091B CN 201510068469 A CN201510068469 A CN 201510068469A CN 104730091 B CN104730091 B CN 104730091B
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- image
- mtr
- msub
- 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.)
- Expired - Fee Related
Links
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,先对燃气轮机叶片利用铅丝分成若干区域,利用DR设备进行分区探伤,得到叶片整体灰度图像A;然后将铅丝移动距离进行分区内部探伤,得到叶片整体灰度图像B;将图像A、B进行图像融合得到整体不含铅丝的X射线灰度原图像;然后对X射线灰度原图像进行预处理,得到叶片的X射线检测图像;再对X射线检测图像进行处理得到缺陷突出的二值化图像,在二值化图像上建立两维坐标系,对存在的内部缺陷进行定位分析;最后计算二值化图像中缺陷的周长像素总数以及面积像素总数,通过换算得到实际的缺陷尺寸,对存在的内部缺陷进行定性、定量分析,本发明实现对叶片内部缺陷的快速、自动提取与分析。
Description
技术领域
本发明属于无损检测技术领域,具体涉及基于区域分割探测的燃气轮机叶片缺陷提取与分析方法。
背景技术
燃气轮机是一种以连续流动的燃料-空气混合气体作为工质、把热能转换为机械功的旋转式动力机械。燃气轮机是21世纪乃至更长时期内能源高效转换与洁净利用***的核心动力装备。目前,我国在燃气轮机等大型动力装备的制造上,自主创新能力弱、对外依存度高。因此,开展这一领域的研究工作,对突破相关技术瓶颈问题、打破发达国家的技术封锁有着重大而深远的战略意义,与国民经济的发展息息相关。
燃气轮机透平高温叶片作为燃气轮机的重要组成部分,选用镍基高温合金材料,采用精密铸造的方法实现复杂翼型面的制造,会产生诸如裂纹、缩孔等内部缺陷,会直接影响叶片的服役强度以及使用寿命,进而直接影响整个燃气轮机的运行平稳性及其使用寿命。传统的燃气轮机透平叶片检测是利用射线胶片照相的方法,具有直观可靠等优点,因而广泛应用于工业生产中并在质量控制方面发挥着重要作用。但是,这种方法存在工作量大、运行成本高、检测过程复杂以及评判结果存在一定的主观性等不足。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,可以实现对叶片内部缺陷的快速、自动提取与分析。
基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,包括以下步骤:
1)按照叶片的尺寸大小、厚度曲率变化,利用铅丝将叶片分成两个以上的区域,利用数字射线设备(DR)对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,得到包含有铅丝的叶片整体灰度图像A;
2)将铅丝移动,避开首次分区时铅丝所在的位置,做二次分区,同样的将叶片分成同步骤1)相同数目的区域,利用数字射线对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,得到包含有铅丝的叶片整体灰度图像B;
3)将图像A与图像B以叶片整体共同边缘特征为基准,进行图像融合得到整体不含铅丝的X射线灰度原图像;
4)对X射线灰度原图像进行预处理,得到叶片的X射线检测图像;
5)对X射线检测图像进行处理得到缺陷突出的二值化图像,在二值化图像上建立两维坐标系,对存在的内部缺陷进行定位分析;
6)计算二值化图像中缺陷的周长像素总数以及面积像素总数,通过换算得到实际的缺陷尺寸,对存在的内部缺陷进行定量分析,通过对缺陷提取相关的特征——长短轴比(缺陷区域的长轴、短轴之比)、周长面积比,基于所提取的特征对缺陷进行分类,从而实现对叶片内部缺陷的定性分析。
所述的步骤1)图像A获得的具体步骤为:
1.1)利用X光机对叶片的第Ⅰ分区按照第Ⅰ分区的曝光参数(包括电流、电压、曝光时间)进行6次探伤,得到6幅第Ⅰ分区的X射线检测原图像;
1.2)通过控制旋转载物台将叶片旋转角度,控制XYZ导轨运动将X光机以及DDA探测器移动,使得X射线源的中心点正对着叶片第Ⅲ分区的中心点,对叶片的第Ⅲ分区按照第Ⅲ分区的曝光参数进行6次探伤,得到6幅第Ⅲ分区的X射线检测原图像;
1.3)同样的操作,得到第Ⅴ、Ⅵ、Ⅳ、Ⅱ分区的X射线检测原图像;
1.4)对每一分区得到的6幅原图像作6次平均消除随机噪声影响;
1.5)对1.4)处理后得到的图像提取白色铅丝有关的特征点,根据式公式(1)计算得到图像两两之间相对的平移旋转变换坐标,实现图像配准,即:
假设相邻两幅图像之间共同点分别为(x11,y11)、(x12,y12)、(x21,y21)、(x22,y22)由下列变换公式(1)即可求得变换参数cosθ、sinθ、tx、ty,
1.6)基于配准后的结果对6幅图像进行拼接处理,根据式(2)-式(6)确定拼接后图像的大小:其中w1、h1、w2、h2为待拼接两幅图像的宽度、高度;
xmin=min(Aa+b(1,:)0) (3)
xmax=max(Aa+b(1,:)w1) (4)
ymin=min(Aa+b(2,:)0) (5)
ymax=max(Aa+b(2,:)h1) (6)
1.7)将待拼接图像旋转平移变换配准之后,采用式(7)双线性插值法对待拼接图像进行内插重取样,得到初步拼接后的图像;
v(x,y)=ax+by+cxy+d (7)
其中4个系数a、b、c、d由4个(x,y)邻点写出的未知方程确定,
1.8)对拼接后的图像进行后期平滑处理,采用式(8)的3×3的模板平滑灰度变化突出的拼接线,得到包含有铅丝的叶片整体灰度图像A;
所述的步骤5)缺陷定位分析具体步骤如下:
5.1)用一个3×3像素的平均值模板对整体叶片的X射线检测图像进行平滑处理,模拟出无缺陷的图像;
5.2)将无缺陷的模拟图像与整体的X射线检测图像作差值运算,得到缺陷突出的差值图像;由于缺陷区域既有灰度值为0附近的黑色区域,又有灰度值为255附近的白色区域,所以需要分别做两次差值运算得黑色缺陷区域突出和白色缺陷区域突出的图像;
5.3)对缺陷突出的差值图像作Otsu自动阈值分割运算得到含有缺陷的二值化图像;
5.4)将黑色缺陷区域突出和白色缺陷区域突出的二值化图像合成运算,并做区域生长,得到区域完整保真的二值化缺陷图像;
5.5)以图像上燃气轮机叶片区域的左上角作为坐标原点,建立直角坐标系;
5.6)以建立的坐标系求得每一个缺陷的横纵坐标;
5.7)由5.6)得到的横纵坐标Xn,Yn;对Xn,Yn作运算,计算出每一个缺陷的重心坐标,实现对缺陷的定位分析重心计算公式如下;
所述的步骤6)缺陷定性分析的具体步骤如下:
6.1)将整体叶片的X检测图像采用一阶边缘检测算子进行边缘检测;
6.2)对边缘检测之后的图像作开运算,消除噪声点的影响;
6.3)将步骤6.2)处理之后的图像与步骤5.3)中含有缺陷的二值图像做加法运算,消除模板平滑对缺陷图像的影响;
6.4)对步骤6.3)得到的图像运用一次二阶边缘检测算子对其进行检测;
6.5)将步骤6.4)中的图像计算其中两两像素之间的欧氏距离,找出其中的最大值即为该缺陷图像的最长轴,并计算最长轴两端的像素横纵坐标;
6.6)由步骤6.5)中得到的横纵坐标求得斜率K;
6.7)计算步骤6.4)中图像两两像素之间直线斜率为(-1/K)的像素集合;
6.8)将步骤6.7)得到的像素集合,计算对应的欧氏距离,找出其中的最大值,即为该缺陷的短轴长度;
6.9)计算长短轴比以及步骤5.7)中的周长面积比;
6.10)由得到长短轴长度之比以及周长面积之比,共同确定缺陷的类型,即长短轴长度之比、周长面积之比均大于各自给定的阈值时,缺陷类型为裂纹类缺陷,否则为缩孔类缺陷,这样就实现了对缺陷的定性分析。
本发明的有益效果:利用数字射线设备对燃气轮机叶片进行分区探伤,通过对缺陷提取相关特征,基于所提取的特征对缺陷进行分类,从而实现对叶片内部缺陷的定位、定性以及定量的分析,克服了射线胶片照相法工作量大、运行成本高、检测过程复杂以及评判结果存在一定的主观性等不足。
附图说明
图1为燃气轮机叶片一次分区示意图。
图2为燃气轮机叶片二次分区示意图。
图3为图像同态滤波流程图。
图4为分段对比度拉伸示意图。
图5为叶片缺陷提取***示意图。
图6为叶片缺陷获取分析软件示意图。
具体实施方式
下面结合附图和实施例对本发明做详细描述。
基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,包括以下步骤:
1)由于燃气轮机叶片的形状的不规则性,厚度的不均匀性以及平板探测器的尺寸限制,必须要对燃气轮机叶片不同的位置采用不同的透射功率、不同的曝光时间进行探伤,需要对叶片进行分区探伤,每个分区域需要采用合适的曝光参数进行探伤,偏大偏小的曝光参数都会影响数字射线的成像质量,所以首先按照叶片的尺寸大小、厚度曲率变化利用铅丝将叶片分成6个区域进行分区探伤,如图1所示,黑色虚线为铅丝所在的位置,由于铅丝可以很好地吸收X射线,在灰度图像中表现为白色突变,所以作为图像拼接的特征,利用数字射线设备对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,得到包含有铅丝的叶片整体灰度图像A;
具体步骤如下:
1.1)利用X光机对叶片的第Ⅰ分区按照第Ⅰ分区的曝光参数(包括电流、电压、曝光时间)进行6次探伤,得到6幅第Ⅰ分区的X射线检测原图像;
1.2)通过控制旋转载物台将叶片旋转角度,控制XYZ导轨运动将X光机以及DDA探测器移动,使得X射线源的中心点正对着叶片第Ⅲ分区的中心点,对叶片的第Ⅲ分区按照第Ⅲ分区的曝光参数进行6次探伤,得到6幅第Ⅲ分区的X射线检测原图像;
1.3)同样的操作,得到第Ⅴ、Ⅵ、Ⅳ、Ⅱ分区的X射线检测原图像;
1.4)对每一分区得到的6幅原图像作6次平均消除随机噪声影响;
1.5)对1.4)处理后得到的图像提取白色铅丝有关的特征点,根据式公式(1)计算得到图像两两之间相对的平移旋转变换坐标,实现图像配准,即:
假设相邻两幅图像之间共同点分别为(x11,y11)、(x12,y12)、(x21,y21)、(x22,y22)由下列变换公式(1)即可求得变换参数cosθ、sinθ、tx、ty,
1.6)基于配准后的结果对6幅图像进行拼接处理,根据式(2)-式(6)确定拼接后图像的大小:其中w1、h1、w2、h2为待拼接两幅图像的宽度、高度;
xmin=min(Aa+b(1,:)0) (3)
xmax=max(Aa+b(1,:)w1) (4)
ymin=min(Aa+b(2,:)0) (5)
ymax=max(Aa+b(2,:)h1) (6)
1.7)将待拼接图像旋转平移变换配准之后,采用式(7)双线性插值法对待拼接图像进行内插重取样,得到初步拼接后的图像;
v(x,y)=ax+by+cxy+d (7)
其中4个系数a、b、c、d由4个(x,y)邻点写出的未知方程确定,
1.8)对拼接后的图像进行后期平滑处理,采用式(8)的3×3的模板平滑灰度变化突出的拼接线,得到包含有铅丝的叶片整体灰度图像A;
2)为了防止铅丝对缺陷造成遮挡,将铅丝移动,避开首次分区时铅丝所在的位置,做二次分区,如图2所示,同样的将叶片分成6个区域,利用数字射线对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,重复步骤1.1)-步骤1.8),得到包含有铅丝的叶片整体灰度图像B;
3)将图像A与图像B以叶片整体共同边缘特征为基准,进行图像融合得到整体不含铅丝的X射线灰度原图像;
具体为:根据式(9)对1.8)处理后的图像进行霍夫变换,检测得到图像A中铅丝直线所在的位置坐标;
ρ=xcosθ+ysinθ (9)
将图像A与图像B以叶片整体共同边缘特征为基准进行坐标***一,将图像A中检测得到铅丝坐标处的灰度值由图像B中对应位置处的灰度值替代以实现图像的融合,进而得到整体不含铅丝的X射线叶片灰度图像;
4)对X射线灰度原图像进行预处理,得到叶片的X射线检测图像;
X射线灰度原图像预处理包括以下步骤:
4.1)由于DR设备射线源不是严格的点光源,射线图像不可避免地受到散射的影响,这部分散射噪声造成了射线图像的模糊,减弱了图像的对比度,对每个分区6次平均后的图像作同态滤波,消除散射噪声的影响,图像同态滤波流程如图3所示;
4.2)由于采集到的X射线图像光线较暗,所以需对图像做对比度增加的处理:由于叶片缺陷区域包含了灰度值为0~255所有的灰度区域,而背景部分只包括中间某个区间的灰度级部分,根据式(10)对背景部分进行幂律变换对比度拉伸进而实现突出缺陷部分的效果,分段对比度拉伸如图4所示,
S=crg (10)
5)对X射线检测图像进行处理得到缺陷突出的二值化图像,在二值化图像上建立两维坐标系,对存在的内部缺陷进行定位分析;
具体步骤如下:
5.1)用一个3×3像素的平均值模板对整体叶片的X射线检测图像进行平滑处理,模拟出无缺陷的图像;
5.2)将无缺陷的模拟图像与整体的X射线检测图像作差值运算,得到缺陷突出的差值图像;由于缺陷区域既有灰度值为0附近的黑色区域,又有灰度值为255附近的白色区域,所以需要分别做两次差值运算得黑色缺陷区域突出和白色缺陷区域突出的图像;
5.3)对缺陷突出的差值图像作Otsu自动阈值分割运算得到含有缺陷的二值化图像;
5.4)将黑色缺陷区域突出和白色缺陷区域突出的二值化图像合成运算,并做区域生长,得到区域完整保真的二值化缺陷图像;
5.5)以图像上燃气轮机叶片区域的左上角作为坐标原点,建立直角坐标系;
5.6)以建立的坐标系求得每一个缺陷的横纵坐标;
5.7)由5.6)得到的横纵坐标Xn,Yn;对Xn,Yn作运算,计算出每一个缺陷的重心坐标,实现对缺陷的定位分析重心计算公式如下;
6)计算二值化图像中缺陷的周长像素总数以及面积像素总数,通过换算得到实际的缺陷尺寸,对存在的内部缺陷进行定量分析;
通过边界追踪法计算求得每一个缺陷的边界像素数n,通过区域像素计算法求得缺陷区域包含的像素数m,进行换算求得缺陷区域的周长、面积实现对缺陷的定量分析,
对缺陷进行定性分析时,需对缺陷的长短轴进行自动检测,具体步骤如下:
6.1)将整体叶片的X检测图像采用一阶边缘检测算子进行边缘检测;
6.2)对边缘检测之后的图像作开运算,消除噪声点的影响;
6.3)将步骤6.2)处理之后的图像与步骤5.3)中含有缺陷的二值图像做加法运算,消除模板平滑对缺陷图像的影响;
6.4)对步骤6.3)得到的图像运用一次二阶边缘检测算子对其进行检测;
6.5)将步骤6.4)中的图像计算其中两两像素之间的欧氏距离,找出其中的最大值即为该缺陷图像的最长轴,并计算最长轴两端的像素横纵坐标;
6.7)由步骤6.5)中得到的横纵坐标求得斜率K;
6.7)计算步骤6.4)中图像两两像素之间直线斜率为(-1/K)的像素集合;
6.8)将步骤6.7)得到的像素集合,计算对应的欧氏距离,找出其中的最大值,即为该缺陷的短轴长度;
6.10)计算长短轴比以及步骤5.7)中的周长面积比;
6.10)由得到长短轴长度之比以及周长面积之比,共同确定缺陷的类型,即长短轴长度之比、周长面积之比均大于各自给定的阈值时,缺陷类型为裂纹类缺陷,否则为缩孔类缺陷,这样就实现了对缺陷的定性分析。
本发明所用缺陷提取与分析***如图5所示,该***硬件主要有数字射线设备4、计算机1、实现二者之间数据通讯的数据传输单元3以及控制器2四大部分组成,该***核心部分为计算机1。该***的软件的组成框图如图6所示,在图像获取时,由计算机1的机械控制部分软件通过控制器2对数字射线设备4的X光机以及DDA探测器的开闭、位移、转台的旋转角度进行控制;对探测得到的图像,经过信号传输单元3传输到计算机1里面,再由图像处理软件对X射线图像进行处理分析,实现叶片缺陷图像的拼接融合、预处理以及对缺陷的提取、定性、定位、定量的分析。
Claims (3)
1.基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,其特征在于,包括以下步骤:
1)按照叶片的尺寸大小、厚度曲率变化利用铅丝将叶片分成两个以上的区域,利用数字射线设备(DR)对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,得到包含有铅丝的叶片整体灰度图像A;
2)将铅丝移动,避开首次分区时铅丝所在的位置,做二次分区,同样地将叶片分成同步骤1)相同数目的区域,利用数字射线对燃气轮机叶片进行分区内部探伤,对探伤得到的图像以白色铅丝为特征进行图像拼接,得到包含有铅丝的叶片整体灰度图像B;
3)将图像A与图像B以叶片整体共同边缘特征为基准,进行图像融合得到整体不含铅丝的X射线灰度原图像;
4)对X射线灰度原图像进行预处理,得到叶片的X射线检测图像;
5)对X射线检测图像进行处理得到缺陷突出的二值化图像,在二值化图像上建立两维坐标系,对存在的内部缺陷进行定位分析;
6)计算二值化图像中缺陷的周长像素总数以及面积像素总数,通过换算得到实际的缺陷尺寸,对存在的内部缺陷进行定量分析,通过对缺陷提取相关的特征——长短轴比、周长面积比,基于所提取的特征对缺陷进行分类,从而实现对叶片内部缺陷的定性分析;
所述的步骤1)图像A获得的具体步骤为:
1.1)利用X光机对叶片的第Ⅰ分区按照第Ⅰ分区的曝光参数进行6次探伤,曝光参数包括电流、电压、曝光时间,得到6幅第Ⅰ分区的X射线检测原图像;
1.2)通过控制旋转载物台将叶片旋转一定的角度,控制XYZ导轨运动将X光机以及DDA探测器移动,使得X射线源的中心点正对着叶片第Ⅲ分区的中心点,对叶片的第Ⅲ分区按照第Ⅲ分区的曝光参数进行6次探伤,得到6幅第Ⅲ分区的X射线检测原图像;
1.3)同样地操作,得到第Ⅴ、Ⅵ、Ⅳ、Ⅱ分区的X射线检测原图像;
1.4)对每一分区得到的6幅原图像作6次平均消除随机噪声影响;
1.5)对1.4)处理后得到的图像提取白色铅丝有关的特征点,根据公式(1)计算得到图像两两之间相对的平移旋转变换坐标,实现图像配准,即:
假设相邻两幅图像之间共同点分别为(x11,y11)、(x12,y12)、(x21,y21)、(x22,y22)由下列变换公式(1)即可求得变换参数cosθ、sinθ、tx、ty,
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mn>22</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>cos</mi>
<mi>&theta;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>11</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>x</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>11</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>y</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
1.6)基于配准后的结果对6幅图像进行拼接处理,根据式(2)-式(6)确定拼接后图像的大小:其中w1、h1、w2、h2为待拼接两幅图像的宽度、高度;
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<msub>
<mi>t</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&theta;</mi>
</mrow>
</mtd>
<mtd>
<msub>
<mi>t</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>w</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>h</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>a</mi>
<mo>+</mo>
<mi>b</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
xmin=min(Aa+b(1,:)0) (3)
xmax=max(Aa+b(1,:)w1) (4)
ymin=min(Aa+b(2,:)0) (5)
ymax=max(Aa+b(2,:)h1) (6)
1.7)将待拼接图像旋转平移变换配准之后,采用式(7)双线性插值法对待拼接图像进行内插重取样,得到初步拼接后的图像;
v(x,y)=ax+by+cxy+d (7)
其中4个系数a、b、c、d由4个(x,y)邻点写出的未知方程确定,v(x,y)为重采样灰度值;
1.8)对拼接后的图像进行后期平滑处理,采用式(8)的3×3的模板平滑灰度变化突出的拼接线,得到包含有铅丝的叶片整体灰度图像A;
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mn>9</mn>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,其特征在于:所述的步骤5)缺陷定位分析具体步骤如下:
5.1)用一个3×3像素的平均值模板对整体叶片的X射线检测图像进行平滑处理,模拟出无缺陷的图像;
5.2)将无缺陷的模拟图像与整体的X射线检测图像作差值运算,得到缺陷突出的差值图像;由于缺陷区域既有灰度值为0附近的黑色区域,又有灰度值为255附近的白色区域,所以需要分别做两次差值运算得黑色缺陷区域突出和白色缺陷区域突出的图像;
5.3)对缺陷突出的差值图像作Otsu自动阈值分割运算得到含有缺陷的二值化图像;
5.4)将黑色缺陷区域突出和白色缺陷区域突出的二值化图像合成运算,并做区域生长,得到区域完整保真的二值化缺陷图像;
5.5)以图像上燃气轮机叶片区域的左上角作为坐标原点,建立直角坐标系;
5.6)以建立的坐标系求得每一个缺陷的横纵坐标;
5.7)由5.6)得到的横坐标Xn,纵坐标Yn计算出每一个缺陷的重心坐标,实现对缺陷的定位分析,重心计算公式如下;
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>x</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>y</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
3.根据权利要求2所述的基于区域分割探测的燃气轮机叶片缺陷提取与分析方法,其特征在于:所述的步骤6)缺陷定性分析的具体步骤如下:
6.1)将整体叶片的X射线检测图像采用一阶边缘检测算子进行边缘检测;
6.2)对边缘检测之后的图像作开运算,消除噪声点的影响;
6.3)将步骤6.2)处理之后的图像与步骤5.3)中含有缺陷的二值图像做加法运算,消除模板平滑对缺陷图像的影响;
6.4)对步骤6.3)得到的图像运用一次二阶边缘检测算子对其进行检测;
6.5)对步骤6.4)得到的图像进行计算,得到两两像素之间的欧氏距离,找出其中的最大值即为该缺陷图像的最长轴,并计算最长轴两端的像素横纵坐标;
6.6)由步骤6.5)中得到的横纵坐标求得斜率K;
6.7)计算步骤6.4)中图像两两像素之间直线斜率为(-1/K)的像素集合;
6.8)对步骤6.7)得到的像素集合进行计算,得到对应的欧氏距离,找出其中的最大值,即为该缺陷的短轴长度;
6.9)计算缺陷的长轴与短轴之比以及周长与面积之比;
6.10)由得到的长短轴长度之比以及周长面积之比,共同确定缺陷的类型,即长短轴长度之比、周长面积之比均大于各自给定的阈值时,缺陷类型为裂纹类缺陷,否则为缩孔类缺陷,这样就实现了对缺陷的定性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510068469.3A CN104730091B (zh) | 2015-02-10 | 2015-02-10 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510068469.3A CN104730091B (zh) | 2015-02-10 | 2015-02-10 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104730091A CN104730091A (zh) | 2015-06-24 |
CN104730091B true CN104730091B (zh) | 2018-01-16 |
Family
ID=53454190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510068469.3A Expired - Fee Related CN104730091B (zh) | 2015-02-10 | 2015-02-10 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104730091B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106932416B (zh) * | 2017-02-16 | 2019-10-11 | 西安交通大学 | 基于数字射线的燃气轮机叶片内部缺陷三维参数提取方法 |
CN106845011B (zh) * | 2017-02-16 | 2020-03-31 | 西安交通大学 | 一种大型燃气轮机叶片数字射线分区探测方法 |
CN107052320A (zh) * | 2017-04-12 | 2017-08-18 | 沈阳理工大学 | 基于图像检测的自动浇注***及浇口杯液位识别方法 |
CN107255673A (zh) * | 2017-05-05 | 2017-10-17 | 西安交通大学 | 基于超声相控阵的高温叶片内部缺陷三维无损检测方法 |
CN108506170A (zh) * | 2018-03-08 | 2018-09-07 | 上海扩博智能技术有限公司 | 风机叶片检测方法、***、设备及存储介质 |
CN108229080B (zh) * | 2018-03-26 | 2020-06-19 | 西安交通大学 | 模型未知燃气轮机叶片数字射线分区透照方向的优化方法 |
CN108986071B (zh) * | 2018-05-31 | 2020-12-01 | 上海扩博智能技术有限公司 | 叶片自动检测跟踪方法、***、设备及存储介质 |
CN108956655B (zh) * | 2018-07-06 | 2019-12-20 | 西安交通大学 | 一种模型未知的燃气轮机高温叶片数字射线检测分区方法 |
CN108872277A (zh) * | 2018-07-23 | 2018-11-23 | 北方夜视技术股份有限公司 | 基于龙虾眼透镜的x射线无损探伤装置 |
CN109459451A (zh) * | 2018-12-13 | 2019-03-12 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于射线造影的金属内部微小裂纹检测方法 |
CN112858351A (zh) * | 2019-11-28 | 2021-05-28 | 北京金自天正智能控制股份有限公司 | 一种基于机器视觉的x射线无损探伤方法 |
CN111583216A (zh) * | 2020-04-30 | 2020-08-25 | 深圳比特微电子科技有限公司 | Pcba电路板的缺陷检测方法 |
CN112880588A (zh) * | 2021-01-29 | 2021-06-01 | 广州信邦智能装备股份有限公司 | 基于分段扫描与拼接融合相结合的叶片三维数据采集方法 |
CN113237908B (zh) * | 2021-04-30 | 2022-10-11 | 北京科技大学 | 一种评定亚包晶钢裂纹敏感性的方法 |
CN113363024B (zh) * | 2021-06-02 | 2021-11-16 | 广州市广惠通线缆有限公司 | 一种线缆发泡层充氮控制方法及*** |
CN113670958B (zh) * | 2021-09-02 | 2022-12-06 | 西安交通大学 | 一种基于x射线线衰减系数差异的燃气轮机叶片缺陷辨别方法 |
CN114354623A (zh) * | 2021-12-30 | 2022-04-15 | 苏州凌云视界智能设备有限责任公司 | 弱印痕提取算法、装置、设备和介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63120244A (ja) * | 1986-09-19 | 1988-05-24 | ゼネラル・エレクトリック・カンパニイ | 物体を検査する装置と信号対雑音比を高める方法 |
JP2002082199A (ja) * | 2000-09-08 | 2002-03-22 | Shimadzu Corp | 放射線検査装置 |
CN1480301A (zh) * | 2003-04-30 | 2004-03-10 | 哈尔滨工业大学 | X射线检测实时成像管道机器人的同步跟踪方法 |
GB2403799B (en) * | 2003-07-11 | 2006-04-12 | Rolls Royce Plc | Image-based measurement |
CN101126725B (zh) * | 2007-09-24 | 2010-12-15 | 舒嘉 | 采用x射线容积摄影实现图像重建的方法 |
CN101435784B (zh) * | 2008-10-14 | 2012-01-18 | 重庆大学 | 涡轮叶片ct检测装置及其检测方法 |
JP2010253194A (ja) * | 2009-04-28 | 2010-11-11 | Fujifilm Corp | 放射線位相画像撮影装置 |
DK2282050T3 (en) * | 2009-06-30 | 2016-06-06 | Siemens Ag | Method for inspecting a wind turbine blade |
FR2960642B1 (fr) * | 2010-05-28 | 2012-07-13 | Snecma | Procede de controle non destructif et dispositif de mise en oeuvre du procede |
-
2015
- 2015-02-10 CN CN201510068469.3A patent/CN104730091B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104730091A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104730091B (zh) | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 | |
CN113362326B (zh) | 一种电池焊点缺陷的检测方法及装置 | |
CN102636490B (zh) | 基于机器视觉的轴承防尘盖表面缺陷检测方法 | |
CN105547602B (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
CN107742286A (zh) | 一种多晶硅太阳能电池片el测试裂纹缺陷检测方法 | |
CN105046697B (zh) | 一种基于多次随机圆检测及拟合度评估的啤酒瓶口定位方法 | |
CN102974551A (zh) | 一种基于机器视觉的多晶硅太阳能检测分选的方法 | |
CN109872300A (zh) | 一种摩擦片外观缺陷的视觉显著性检测方法 | |
CN114120317B (zh) | 基于深度学习和图像处理的光学元件表面损伤识别方法 | |
CN110108715B (zh) | 一种透明平行平板的缺陷检测方法 | |
CN110097547A (zh) | 一种基于深度学习的焊缝底片造假的自动检测方法 | |
NL2026437A (en) | Deep convolutional neural network based high-throughput method for determining alkali spreading value of rice grain | |
CN113781458A (zh) | 一种基于人工智能的识别方法 | |
CN108388713A (zh) | 燃气轮机叶片探测区域自适应分割及曝光参数优化方法 | |
CN115330802B (zh) | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 | |
CN113554587A (zh) | 一种基于深度学习的熔池图像几何特征提取方法及*** | |
CN107145896A (zh) | 基于荧光磁粉的智能缺陷识别*** | |
CN106596562A (zh) | 基于机器视觉的磁环外观质量在线检测装置及方法 | |
CN112183593A (zh) | 一种基于dssd算法的道路损伤检测方法 | |
WO2012122542A2 (en) | Intelligent airfoil component surface imaging inspection | |
CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
CN103177426B (zh) | 一种基于形态学的强干扰激光边缘图像修复方法 | |
CN106770333A (zh) | 一种bga缺陷自动检测方法 | |
CN106814074B (zh) | 一种核燃料包壳表面缺陷检测***及方法 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 Termination date: 20210210 |
|
CF01 | Termination of patent right due to non-payment of annual fee |