CN110009606A - 一种基于图像识别的裂纹扩展动态监测方法及装置 - Google Patents
一种基于图像识别的裂纹扩展动态监测方法及装置 Download PDFInfo
- Publication number
- CN110009606A CN110009606A CN201910222081.2A CN201910222081A CN110009606A CN 110009606 A CN110009606 A CN 110009606A CN 201910222081 A CN201910222081 A CN 201910222081A CN 110009606 A CN110009606 A CN 110009606A
- Authority
- CN
- China
- Prior art keywords
- image
- crack propagation
- crack
- test
- fatigue
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明涉及一种基于图像识别的裂纹扩展动态监测装置及方法,步骤为:(1)进行疲劳裂纹扩展试验,采集试件疲劳裂纹扩展图像;(2)利用降噪、灰度化等方式对裂纹图像预处理;(3)采用基于最大类间方差法对图像进行阈值分割二值化处理;(4)基于形态学的裂纹骨架化处理及长度的计算;(5)处理得到疲劳裂纹扩展相关数据。本发明将图像处理技术与疲劳裂纹扩展试验的检测相结合,可有效避免如今目测法、电位法、磁粉法、超声法、射线法、电磁检测法等裂纹检测方法精度不高或检测繁琐、对环境要求较高等缺点。
Description
技术领域
本发明是一种基于图像识别的裂纹扩展动态监测方法及装置,它利用了Matlab图像处理工具箱,对得到的疲劳裂纹图像进行处理,并计算得出疲劳裂纹扩展相关数据,是一种自动测量动态监测疲劳裂纹扩展情况的技术。
背景技术
在冶金、运输、机械制造以及航空航天等领域,需要大量用到金属材料,在各种机械结构的断裂失效事故中,有80%左右是由于疲劳失效引起的。疲劳断裂是困扰着很多行业的问题,尤其在航空航天领域,一旦发生断裂失效,其后果将是灾难性的。
疲劳裂纹萌生与扩展的测试及分析是金属结构疲劳设计与寿命预测的主要任务之一。现如今,国内外开展疲劳裂纹扩展试验,对疲劳裂纹进行检测的方法有:目测法、表面复形技术、电位法、磁粉法、超声法、射线法、电磁检测法、声发射法、模态声发射法等。但目前各种测量疲劳裂纹的方法,要么是精度不高,要么设备复杂、实施繁琐、对测试环境要求高。
图像识别技术具有精度高、对测试环境要求低、非接触式、可实现实时监控等优点。将图像识别技术应用于表面疲劳裂纹的测量,可实现无接触检测,并且易于操作,成本低、精度高,为实现疲劳裂纹试验的自动化、智能化奠定基础。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于图像识别的裂纹扩展动态监测方法及装置,将图像处理技术与疲劳裂纹扩展试验的检测相结合,可有效避免如今目测法、电位法、磁粉法、超声法、射线法、电磁检测法等裂纹检测方法精度不高或检测繁琐、对环境要求较高等缺点。
本发明技术解决方案:一种基于图像识别的裂纹扩展动态监测方法,实现步骤如下:
第一步,进行疲劳裂纹扩展试验,每隔一段时间采集一张试件疲劳裂纹扩展图像。疲劳裂纹扩展试验参照“GB/T 6398-2000金属材料疲劳裂纹扩展速率试验方法[S]”中提到的方法进行。疲劳裂纹扩展试验的动态监测的主要装置如附图2所示,包含疲劳机、长焦显微镜、图像采集***以及图像处理***。试验大致步骤如下:
(1)预制疲劳裂纹,采用线切割方式在试样切口处预制裂纹。
(2)测量CT件尺寸,CT件如附图3所示,需测量宽度W,厚度B,试件切口和预制裂纹长度an。
(3)设定疲劳裂纹试验相关参数并进行试验。设定最大循环载荷Pmax、加载频率f以及应力比R,设定图片拍摄间隔,开始试验。
第二步,利用降噪、灰度化等方式对疲劳裂纹扩展图像进行预处理。具体图像预处理步骤如下:
(1)拍摄的疲劳裂纹扩展图像可能存在噪声,噪声会对后续图片的处理产生不利影响,影响结果精度,因而首先需要进行降噪处理。本发明采用中值滤波法进行降噪,利用中值滤波法,将疲劳裂纹扩展图像中每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,从而消除疲劳裂纹扩展图像中孤立的噪声点;
(2)灰度化处理图像。原始图像为RGB彩色图像,不能反映图像的形态特征,为方便得到图像的灰度变化,将疲劳裂纹扩展图像进行阈值分割转化为疲劳裂纹扩展二值图像,需利用Matlab中的函数rgb2gray将原始RGB图像转化为灰度图像。
第三步,采用基于最大类间方差法对图像进行阈值分割二值化处理。对于一张经过预处理的疲劳裂纹扩展灰度图像,裂纹与试件表面间灰度明显不同,将灰度图像转化为二值图像时,需设定阈值,以便于将裂纹与试件表面区分开。最大类间方差法是一种自适应的阈值确定的方法,其基本原理如下:
对于第二步得到的疲劳裂纹扩展灰度图像I(x,y),前景(即裂纹)和背景(即图像中除疲劳裂纹的试件其他部分)的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为w0,平均灰度为μ0;背景像素点数占整幅图像的比例为w1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g。假设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,那么:
N0+N1=MxN
w0+w1=1
μ=w0*μ0+w1*μ1
g=w0(μ0-μ)2+wl(μl-μ)2
g=w0w1(μ0-μ1)2
采用遍历的方法使得类间方差g最大的阈值T,即为所求。
第四步,基于形态学的裂纹骨架化处理方法对步骤(3)得到的疲劳裂纹扩展二值化图像进行连续腐蚀和开运算处理,得到裂纹宽度为一个像素点的裂纹骨架图像;根据链码法求得裂纹骨架长度(pixel),并进行尺度转化得到实际裂纹长度(mm);
具体步骤如下:
(1)将疲劳裂纹扩展图像减去初始试件图像(即循环数为0时的图像),利用Matlab中的函数imsubstract。图像相减即在两幅图像之间对应像素做减法运算,通过相减算法,能够去除预制裂纹信息,得到的新图像即为经过N次循环后扩展的裂纹图像。
(2)基于形态学的裂纹骨架化处理,形态骨架描述了物体的形状和方向信息。它具有平移不变性、逆扩张性和等幂性等性质,是一种有效的形状描述方法。二值图像X的形态学骨架可以通过选定合适的结构元素B,对X进行连续腐蚀和开运算来求得。设S(X)表示X的骨架,则求图像X的骨架的表达式为:
其中,Sn(X)为X的第n个骨架子集,N是(XΘnB)运算将X腐蚀成空集前的最后一次迭代次数,即N=max{n|(XΘnB)≠Φ}。(XΘnB)表示连续n次用B对X进行腐蚀,即:
(XΘnB)=((...(XΘB)ΘB)Θ...)ΘB
(3)利用链码方式计算裂纹长度。经过骨架化处理,裂纹图像的宽度为一个像素,将像素视为一个个点并进行编码,便可计算其长度。采用8-方向链码对像素进行编码,具体过程是:
以图像边界上任意选取的某个点为起始点,从该点的坐标开始,把水平方向坐标和垂直方向坐标分成相同尺寸的网格,对于每一个网格中的线段,用一个最接近的方向码表示,最后按照逆时针方向沿着边界将这些方向码连接起来,得到链码。假设裂纹的边界链码为{u1,u2,…,un},如果每个码段ui(i=1,2,…,n),经过运算后所求的对应线段为Δli,则所求的区域边界图形的长度为:
上式中,Nc和No分别是链码序列中偶数码段与奇数码段的数目。当链码值为偶数时,长度为1,当链码值为奇数时,长度值为
根据链码原理,实际裂纹长度为:
L=H*l
上式中,l为裂纹的图像长度(pixel),H为摄像***的标定系数(mm/pixel);L为裂纹的实际长度(mm)。
第五步,处理得到疲劳裂纹扩展相关数据。经过前面各步的处理,可以得到不同疲劳裂纹扩展图像对应的计算裂纹长度ai(i=0,1,2,…,n);试验开始前,设定了图像拍摄的时间间隔,不同疲劳裂纹扩展图像对应不同的时间ti(i=0,1,2,…,n);试验开始前,设定了疲劳试验机加载频率f,频率与时间相乘,可以得到不同疲劳裂纹扩展图像对应的循环加载次数Ni(i=0,1,2,…,n)。根据“GB/T 6398-2000金属材料疲劳裂纹扩展速率试验方法[S]”涉及到的计算方法,采用递增多项式方法进行局部拟合求导以确定疲劳裂纹扩展速率和裂纹长度的拟合值。对任一试验数据点i即前后各n点,共(2n+1)个连续数据点,采用如下二次多项式进行拟合求导。点数n值可取2、3、4,一般取3。
式中:
系数b0、b1、b2是在(式2)区间按最小二乘法(即使裂纹长度观测值与拟合值之间的偏差平方和最小)确定的回归参数。拟合值ai是对应于循环数Ni上的拟合裂纹长度。参数C1和C2是用于变换输入数据,以避免在确定回归参数时的数值计算困难。在Ni处的裂纹扩展速率由(式1)求导而得:
利用对应于Ni的拟合裂纹长度ai计算与da/dN相对应的应力强度因子范围ΔK值,ΔK为:
上式中,W为试样宽度;B为试样厚度;a为计算裂纹长度;ΔP=Pmax-Pmin,即最大载荷最小载荷之差;α=a/W,上式对于a/W≥0.2的范围有效。
本发明与现有技术有益效果在于:
(1)利用长焦显微镜进行图像采集拍摄,具备成本低、不接触试样和易实现等突出优点;
(2)利用图像识别技术得到的疲劳裂纹扩展长度,更接近裂纹的真实长度,更能反映裂纹扩展的真实情况;
(3)利用图像识别技术测试裂纹扩展长度对试验环境的要求不高,适用于任何型号可进行疲劳裂纹扩展的疲劳试验机,包括电液式低频疲劳试验机、电液和电磁式高频试验机等,应用范围广范;
(4)图像识别技术基于Matlab图像处理工具箱,该技术涉及到的计算方法和图像处理技术易于实现;
(5)可实现在线动态监测,为检测人员提供了有利工具,节约了人力成本,为实现疲劳裂纹试验的自动化、智能化奠定基础;
(6)可推广至各种金属、非金属材料加工表面的检测,以及难加工材料和难以观察到的深孔表面疲劳裂纹的检测。
附图说明
图1为一种基于图像识别的裂纹扩展动态监测方法流程图;
图2为基于图像识别的裂纹扩展动态监测装置图;
图3为CT件试样图;
图4为经过中值滤波处理的初始试件图像及N次循环加载后的试件图像;左图为经过中值滤波处理的初始试件图像,右图为经过中值滤波处理的N次循环加载后的试件图像;
图5为经过灰度化处理的初始试件图像及N次循环加载后的试件图像;左图为经过灰度化处理的初始试件图像,右图为经过灰度化处理的N次循环加载后的试件图像;
图6为经过二值化处理的初始试件图像及N次循环加载后的试件图像;左图为经过二值化处理的初始试件图像,右图为经过二值化处理的N次循环加载后的试件图像;
图7为经过N次循环加载后的疲劳裂纹扩展二值图像;
图8为经过骨架化处理的N次循环加载后的疲劳裂纹扩展二值图像。
具体实施方式
下面结合附图,对本发明一种基于图像识别的裂纹扩展动态监测装置及方法做进一步说明。
如图1、图2所示,本发明一种基于图像识别的裂纹扩展动态监测方法,实现步骤如下:
(1)进行疲劳裂纹扩展试验,每隔一段时间采集一张试件疲劳裂纹扩展图像。疲劳裂纹扩展试验参照“GB/T 6398-2000金属材料疲劳裂纹扩展速率试验方法[S]”中提到的方法进行。疲劳裂纹扩展试验的动态监测的主要装置如图2所示,包含疲劳机、长焦显微镜、图像采集***以及图像处理***。
疲劳机用于对试件进行疲劳裂纹扩展试验,以使试件表面裂纹进行扩展;长焦显微镜用于实时显示试件表面裂纹扩展情况,便于试验者观察试验进行情况;图像采集***以及图像处理***用于拍摄记录不同时刻的试件表面裂纹扩展情况,并通过降噪、灰度化、二值化、骨架化等方式处理疲劳裂纹扩展图像,得到疲劳裂纹扩展长度及载荷循环次数的数据。
试验大致步骤如下:
①预制疲劳裂纹,采用线切割方式在试样切口处预制裂纹。
②测量CT件尺寸,CT件如图3所示,需测量宽度W,厚度B,试件切口和预制裂纹长度an。
③设定疲劳裂纹试验相关参数并进行试验。设定最大循环载荷Pmax、加载频率f以及应力比R,设定图片拍摄间隔,开始试验。
(2)利用降噪、灰度化等方式对疲劳裂纹扩展图像预处理,本发明选取拍摄的初始试件图像及经过N次循环加载后的疲劳裂纹扩展图像进行说明,具体图像预处理步骤如下:
①拍摄的疲劳裂纹扩展图像可能存在噪声,噪声会对后续的图片处理产生不利影响,影响结果精度,因而首先需要进行降噪处理。本发明采用中值滤波法进行降噪,利用中值滤波法,将疲劳裂纹扩展图像中每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,从而消除疲劳裂纹扩展图像中孤立的噪声点;
②灰度化处理图像。原始图像为RGB彩色图像,不能反映图像的形态特征,为方便得到图像的灰度变化,将疲劳裂纹扩展图像进行阈值分割转化为疲劳裂纹扩展二值图像,需利用Matlab中的函数rgb2gray将原始RGB图像转化为灰度图像,经过灰度化处理的初始试件图像及N次循环加载后的疲劳裂纹扩展图像如图5所示。
(3)采用基于最大类间方差法对图像进行阈值分割二值化处理。对于一张经过预处理的疲劳裂纹扩展灰度图像,裂纹与试件表面间灰度明显不同,将灰度图像转化为二值图像时,需设定阈值,以便于将裂纹与试件表面区分开。最大类间方差法是一种自适应的阈值确定的方法,其基本原理如下:
对于第(2)步得到的疲劳裂纹扩展灰度图像I(x,y),前景(即裂纹)和背景(即图像中除疲劳裂纹的试件其他部分)的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为w0,平均灰度为μ0;背景像素点数占整幅图像的比例为w1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g。假设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,那么:
N0+N1=M×N
w0+w1=1
μ=w0*μ0+w1*μ1
g=w0(μ0-μ)2+w1(μ1-μ)2
g=w0w1(μ0-μ1)2
采用遍历的方法使得类间方差g最大的阈值T,即为所求。
经过二值化处理的初始试件图像及N次循环加载后的疲劳裂纹扩展图像如图6所示。
(4)基于形态学的裂纹骨架化处理及长度的测定。具体步骤如下:
①将疲劳裂纹扩展图像减去初始试件图像(即循环数为0时的图像),利用Matlab中的函数imsubstract。图像相减即在两幅图像之间对应像素做减法运算。通过相减算法,能够去除预制裂纹信息,得到的新图像即为经过N次循环后扩展的裂纹图像,经过N次循环加载后的裂纹扩展二值图像如附图7所示。
②基于形态学的裂纹骨架化处理,形态骨架描述了物体的形状和方向信息。它具有平移不变性、逆扩张性和等幂性等性质,是一种有效的形状描述方法。二值图像X的形态学骨架可以通过选定合适的结构元素B,对X进行连续腐蚀和开运算来求得。设S(X)表示X的骨架,则求图像X的骨架的表达式为:
其中,Sn(X)为X的第n个骨架子集,N是(XΘnB)运算将X腐蚀成空集前的最后一次迭代次数,即N=max{n|(XΘnB)≠Φ}。(XΘnB)表示连续n次用B对X进行腐蚀,即:
(XΘnB)=((...(XΘB)ΘB)Θ...)ΘB
经过骨架化处理的N次循环加载后的疲劳裂纹扩展二值图像如附图8所示。
③利用链码方式计算裂纹长度。经过骨架化处理,裂纹图像的宽度为一个像素,将像素视为一个个点并进行编码,便可计算其长度。采用8-方向链码对像素进行编码,具体过程是:
以图像边界上任意选取的某个点为起始点,从该点的坐标开始,把水平方向坐标和垂直方向坐标分成相同尺寸的网格,对于每一个网格中的线段,用一个最接近的方向码表示,最后按照逆时针方向沿着边界将这些方向码连接起来,可以得到链码。假设裂纹的边界链码为{u1,u2,…,un},如果每个码段ui(i=1,2,…,n),经过运算后所求的对应线段为Δli,那么,所求的区域边界图形的长度为:
上式中,Nc和No分别是链码序列中偶数码段与奇数码段的数目。当链码值为偶数时,长度为1,当链码值为奇数时,长度值为
根据链码原理,实际裂纹长度为:
L=H*l
上式中,l为裂纹的图像长度(pixel),H为摄像***的标定系数(mm/pixel);L为裂纹的实际长度(mm)。
(5)处理得到疲劳裂纹扩展相关数据。经过前面各步的处理,可以得到不同疲劳裂纹扩展图像对应的计算裂纹长度ai(i=0,1,2,…,n);试验开始前,设定了图像拍摄的时间间隔,不同疲劳裂纹扩展图像对应不同的时间ti(i=0,1,2,…,n);试验开始前,设定了疲劳试验机加载频率f,频率与时间相乘,可以得到不同疲劳裂纹扩展图像对应的循环加载次数Ni(i=0,1,2,…,n)。根据“GB/T 6398-2000金属材料疲劳裂纹扩展速率试验方法[S]”涉及到的计算方法,采用递增多项式方法进行局部拟合求导以确定疲劳裂纹扩展速率和裂纹长度的拟合值。对任一试验数据点i即前后各n点,共(2n+1)个连续数据点,采用如下二次多项式进行拟合求导。点数n值可取2、3、4,一般取3.
式中:
系数b0、b1、b2是在(式2)区间按最小二乘法(即使裂纹长度观测值与拟合值之间的偏差平方和最小)确定的回归参数。拟合值ai是对应于循环数Ni上的拟合裂纹长度。参数C1和C2是用于变换输入数据,以避免在确定回归参数时的数值计算困难。在Ni处的裂纹扩展速率由(式1)求导而得:
利用对应于Ni的拟合裂纹长度ai计算与da/dN相对应的应力强度因子范围ΔK值,ΔK为:
上式中,W为试样宽度;B为试样厚度;a为计算裂纹长度;ΔP=Pmax-Pmin,即最大载荷最小载荷之差;α=a/W,上式对于a/W≥0.2的范围有效。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (6)
1.一种基于图像识别的裂纹扩展动态监测方法,其特征在于,包括步骤如下:
(1)进行疲劳裂纹扩展试验,采集试件疲劳裂纹扩展图像;所述疲劳裂纹扩展试验,是利用疲劳机对材料的标准紧凑拉伸CT试件进行的疲劳裂纹扩展试验;所述疲劳裂纹扩展图像指在不同时刻拍摄的试件表面疲劳裂纹扩展情况的图像,图像前景为图像中的疲劳裂纹,图像背景为图像中除去疲劳裂纹的试件其他部分;
(2)根据降噪、灰度化技术对步骤(1)拍摄得到的疲劳裂纹扩展图像进行降噪和灰度化预处理,得到疲劳裂纹扩展灰度图像;
(3)采用基于最大类间方差法对步骤(2)预处理后的图像进行阈值分割二值化处理;
(4)根据基于形态学的裂纹骨架化处理方法对步骤(3)得到的疲劳裂纹扩展二值化图像进行连续腐蚀和开运算处理,得到裂纹宽度为一个像素点的裂纹骨架图像;根据链码法求得裂纹骨架长度(pixel),并进行尺度转化得到实际裂纹长度(mm);
(5)利用递增多项式方法进行局部拟合求导,确定疲劳裂纹扩展速率和裂纹长度的拟合值,对步骤(4)得到的实际裂纹长度及相关参数进行处理,计算处理得到不同的应力强度因子范围ΔK与对应的裂纹扩展速率da/dN的数据。
2.根据权利要求1所述的一种基于图像识别的裂纹扩展动态监测方法,其特征在于:所述步骤(2)中,降噪的方法为中值滤波法,利用中值滤波法,将疲劳裂纹扩展图像中每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值,从而消除疲劳裂纹扩展图像中孤立的噪声点。
3.根据权利要求1所述的一种基于图像识别的裂纹扩展动态监测方法,其特征在于:所述步骤(3)中,基于最大类间方差法是一种自适应的阈值确定方法,具体实现如下:
对于步骤(2)得到的疲劳裂纹扩展灰度图像I(x,y),前景(即裂纹),和背景(即图像中除疲劳裂纹的试件其他部分)的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为w0,平均灰度为μ0;背景像素点数占整幅图像的比例为w1,平均灰度为μ1;整幅图像的平均灰度记为μ,类间方差记为g,设图像大小为M×N,图像中像素的灰度值小于阈值T的像素个数为N0,像素灰度大于阈值T的像素个数为N1,则:
N0+N1=M×N
w0+w1=1
μ=w0*μ0+w1*μ1
g=w0(μ0-μ)2+w1(μ1-μ)2
g=w0w1(μ0-μ1)2
采用遍历的方法使得类间方差g最大的阈值T,即为所求;求得阈值T后,将灰度值大于阈值T和小于阈值T得像素点分为两类,进行二值化处理。
4.根据权利要求1所述的一种基于图像识别的裂纹扩展动态监测方法,其特征在于:所述步骤(4)中,所述裂纹骨架化处理方法实现为:二值图像X的形态学骨架通过选定结构元素B,结构元素没有固定的形态和大小,是在设计形态变换算法的同时,根据输入图像和所需信息的形态特征设计出来的,对X进行连续腐蚀和开运算来求得,设S(X)表示X的骨架,则求图像X的骨架的表达式为:
其中,Sn(X)为X的第n个骨架子集,N是(XΘnB)运算将X腐蚀成空集前的最后一次迭代次数,即N=max{n|(XΘnB)≠Φ},(XΘnB)表示连续n次用B对X进行腐蚀,即(XΘnB)=((…(XΘB)ΘB)Θ…)ΘB。
5.根据权利要求1所述的一种基于图像识别的裂纹扩展动态监测方法,其特征在于:所述步骤(5)中,递增多项式方法实现为:
对任一试验数据点i即前后各n点,共(2n+1)个连续数据点,采用如下二次多项式进行拟合求导,点数n值取2、3、4,
式中:
ai-n≤a≤ai+n (式2)
系数b0、b1、b2是在(式2)区间按最小二乘法,即使裂纹长度观测值与拟合值之间的偏差平方和最小确定的回归参数,拟合值ai是对应于循环数Ni上的拟合裂纹长度,参数C1和C2是用于变换输入数据,避免在确定回归参数时的数值计算困难;在Ni处的裂纹扩展速率由(式1)求导而得:
利用对应于Ni的拟合裂纹长度ai计算与da/dN相对应的应力强度因子范围ΔK值,ΔK为:
上式中,W为试样宽度;B为试样厚度;a为计算裂纹长度;ΔP=Pmax-Pmin,即最大载荷最小载荷之差;α=a/W,上式对于a/W≥0.2的范围有效。
6.一种基于图像识别的裂纹扩展动态监测装置,其特征在于,包括:疲劳机、长焦显微镜、图像采集***以及图像处理***;疲劳机用于对试件进行疲劳裂纹扩展试验,以使试件表面裂纹进行扩展;长焦显微镜用于实时显示试件表面裂纹扩展情况,便于试验者观察试验进行情况;图像采集***以及图像处理***用于拍摄记录不同时刻的试件表面裂纹扩展情况,并通过降噪、灰度化、二值化、骨架化方式处理疲劳裂纹扩展图像,得到疲劳裂纹扩展长度及载荷循环次数的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222081.2A CN110009606A (zh) | 2019-03-22 | 2019-03-22 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910222081.2A CN110009606A (zh) | 2019-03-22 | 2019-03-22 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110009606A true CN110009606A (zh) | 2019-07-12 |
Family
ID=67167789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910222081.2A Pending CN110009606A (zh) | 2019-03-22 | 2019-03-22 | 一种基于图像识别的裂纹扩展动态监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110009606A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702687A (zh) * | 2019-09-29 | 2020-01-17 | 武汉科技大学 | 座椅骨架疲劳试验的裂纹实时监控*** |
CN110763146A (zh) * | 2019-10-31 | 2020-02-07 | 河海大学 | 基于双相机的高精度光学引伸计及测量方法 |
CN110988002A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种基于图像识别的外物损伤截面微裂纹快速成像方法 |
CN111413361A (zh) * | 2020-02-24 | 2020-07-14 | 南昌大学 | 一种热疲劳裂纹模拟试验装置及方法 |
CN111536890A (zh) * | 2020-05-09 | 2020-08-14 | 中南大学 | 蜂窝规整度检测的Harris顶点提取方法及其*** |
CN111681217A (zh) * | 2020-05-29 | 2020-09-18 | 香港生产力促进局 | 疲劳断口的机器视觉图像智能分析方法、装置及*** |
CN111899228A (zh) * | 2020-07-07 | 2020-11-06 | 蒋梦兰 | 瓷器表面裂纹修复鉴定*** |
CN112129766A (zh) * | 2020-09-24 | 2020-12-25 | 安徽美诺福科技有限公司 | 扩孔裂纹自动识别技术试验方法、装置、设备及电子设备 |
CN112150418A (zh) * | 2020-09-08 | 2020-12-29 | 上海交通大学 | 一种磁粉探伤智能识别方法 |
CN112215810A (zh) * | 2020-09-27 | 2021-01-12 | 武汉大学 | 一种疲劳测试裂纹监测方法及装置 |
CN113008669A (zh) * | 2021-01-22 | 2021-06-22 | 天津大学 | 一种动态监测裂纹尖端应力强度因子的方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析***及方法 |
CN113446932A (zh) * | 2021-05-18 | 2021-09-28 | 西北工业大学 | 非接触式裂纹测量方法及其*** |
CN113533074A (zh) * | 2021-07-20 | 2021-10-22 | 华东理工大学 | 材料高温疲劳门槛值测定***及裂纹长度高精度标定方法 |
CN113865487A (zh) * | 2021-09-23 | 2021-12-31 | 北京航空航天大学 | 一种基于结构表面位移场的疲劳裂纹扩展实时监测方法 |
CN113899746A (zh) * | 2021-09-30 | 2022-01-07 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
CN114037705A (zh) * | 2022-01-11 | 2022-02-11 | 南通皋亚钢结构有限公司 | 一种基于贝纹线的金属断裂疲劳源检测方法与*** |
CN114152616A (zh) * | 2021-10-14 | 2022-03-08 | 盐城工学院 | 一种裂纹图像识别***及其使用方法 |
CN116501000A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种复合铜散热底板生产设备的控制方法及*** |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117329977A (zh) * | 2023-11-28 | 2024-01-02 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN101413901A (zh) * | 2008-12-01 | 2009-04-22 | 南京航空航天大学 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN102937593A (zh) * | 2012-10-20 | 2013-02-20 | 山东理工大学 | 陶瓷天线罩裂纹自动检测方法 |
CN106092785A (zh) * | 2016-06-17 | 2016-11-09 | 北京航空航天大学 | 采用不对称裂纹测试疲劳裂纹扩展速率的方法 |
-
2019
- 2019-03-22 CN CN201910222081.2A patent/CN110009606A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359365A (zh) * | 2008-08-07 | 2009-02-04 | 电子科技大学中山学院 | 一种基于最大类间方差和灰度信息的虹膜定位方法 |
CN101413901A (zh) * | 2008-12-01 | 2009-04-22 | 南京航空航天大学 | 基于ccd图像特征的表面疲劳裂纹检测方法 |
CN102692188A (zh) * | 2012-05-08 | 2012-09-26 | 浙江工业大学 | 机械视觉疲劳裂纹扩展试验裂纹长度动态测量方法 |
CN102937593A (zh) * | 2012-10-20 | 2013-02-20 | 山东理工大学 | 陶瓷天线罩裂纹自动检测方法 |
CN106092785A (zh) * | 2016-06-17 | 2016-11-09 | 北京航空航天大学 | 采用不对称裂纹测试疲劳裂纹扩展速率的方法 |
Non-Patent Citations (2)
Title |
---|
刘国华著: "《HALCON数字图像处理》", 31 May 2018 * |
葛茂忠等: "激光熔覆修复对TC4钛合金疲劳裂纹扩展速率的影响", 《材料导报B:研究篇》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702687A (zh) * | 2019-09-29 | 2020-01-17 | 武汉科技大学 | 座椅骨架疲劳试验的裂纹实时监控*** |
CN110763146A (zh) * | 2019-10-31 | 2020-02-07 | 河海大学 | 基于双相机的高精度光学引伸计及测量方法 |
CN110988002A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种基于图像识别的外物损伤截面微裂纹快速成像方法 |
CN111413361A (zh) * | 2020-02-24 | 2020-07-14 | 南昌大学 | 一种热疲劳裂纹模拟试验装置及方法 |
CN111536890A (zh) * | 2020-05-09 | 2020-08-14 | 中南大学 | 蜂窝规整度检测的Harris顶点提取方法及其*** |
CN111681217A (zh) * | 2020-05-29 | 2020-09-18 | 香港生产力促进局 | 疲劳断口的机器视觉图像智能分析方法、装置及*** |
CN111681217B (zh) * | 2020-05-29 | 2023-06-20 | 香港生产力促进局 | 疲劳断口的机器视觉图像智能分析方法、装置及*** |
CN111899228A (zh) * | 2020-07-07 | 2020-11-06 | 蒋梦兰 | 瓷器表面裂纹修复鉴定*** |
CN112150418A (zh) * | 2020-09-08 | 2020-12-29 | 上海交通大学 | 一种磁粉探伤智能识别方法 |
CN112150418B (zh) * | 2020-09-08 | 2022-07-26 | 上海交通大学 | 一种磁粉探伤智能识别方法 |
CN112129766A (zh) * | 2020-09-24 | 2020-12-25 | 安徽美诺福科技有限公司 | 扩孔裂纹自动识别技术试验方法、装置、设备及电子设备 |
CN112215810A (zh) * | 2020-09-27 | 2021-01-12 | 武汉大学 | 一种疲劳测试裂纹监测方法及装置 |
CN112215810B (zh) * | 2020-09-27 | 2022-03-25 | 武汉大学 | 一种疲劳测试裂纹监测方法及装置 |
CN113008669A (zh) * | 2021-01-22 | 2021-06-22 | 天津大学 | 一种动态监测裂纹尖端应力强度因子的方法 |
CN113188975A (zh) * | 2021-05-07 | 2021-07-30 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析***及方法 |
CN113188975B (zh) * | 2021-05-07 | 2022-07-15 | 中南大学 | 基于图像处理技术的岩体裂隙及飞石运动分析***及方法 |
CN113446932A (zh) * | 2021-05-18 | 2021-09-28 | 西北工业大学 | 非接触式裂纹测量方法及其*** |
CN113533074A (zh) * | 2021-07-20 | 2021-10-22 | 华东理工大学 | 材料高温疲劳门槛值测定***及裂纹长度高精度标定方法 |
CN113865487A (zh) * | 2021-09-23 | 2021-12-31 | 北京航空航天大学 | 一种基于结构表面位移场的疲劳裂纹扩展实时监测方法 |
CN113865487B (zh) * | 2021-09-23 | 2022-11-25 | 北京航空航天大学 | 一种基于结构表面位移场的疲劳裂纹扩展实时监测方法 |
CN113899746A (zh) * | 2021-09-30 | 2022-01-07 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
CN113899746B (zh) * | 2021-09-30 | 2024-05-17 | 江苏纹动测控科技有限公司 | 一种基于dic的钢结构疲劳裂纹扩展形态测量方法 |
CN114152616A (zh) * | 2021-10-14 | 2022-03-08 | 盐城工学院 | 一种裂纹图像识别***及其使用方法 |
CN114037705A (zh) * | 2022-01-11 | 2022-02-11 | 南通皋亚钢结构有限公司 | 一种基于贝纹线的金属断裂疲劳源检测方法与*** |
CN116501000A (zh) * | 2023-06-26 | 2023-07-28 | 深圳市鑫典金光电科技有限公司 | 一种复合铜散热底板生产设备的控制方法及*** |
CN116501000B (zh) * | 2023-06-26 | 2023-09-05 | 深圳市鑫典金光电科技有限公司 | 一种复合铜散热底板生产设备的控制方法及*** |
CN117036348A (zh) * | 2023-10-08 | 2023-11-10 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117036348B (zh) * | 2023-10-08 | 2024-01-09 | 中国石油大学(华东) | 基于图像处理和裂纹识别模型的金属疲劳裂纹检测方法 |
CN117329977A (zh) * | 2023-11-28 | 2024-01-02 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
CN117329977B (zh) * | 2023-11-28 | 2024-02-13 | 中国飞机强度研究所 | 复杂工况下结构疲劳裂纹视觉特征表征与测量处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110009606A (zh) | 一种基于图像识别的裂纹扩展动态监测方法及装置 | |
Xia et al. | material degradation assessed by digital image processing: Fundamentals, progresses, and challenges | |
Liu et al. | A novel image enhancement algorithm based on stationary wavelet transform for infrared thermography to the de-bonding defect in solid rocket motors | |
Lin | Applying a co-occurrence matrix to automatic inspection of weaving density for woven fabrics | |
Martínez et al. | Quality inspection of machined metal parts using an image fusion technique | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
Wang et al. | Digital image correlation (DIC) based damage detection for CFRP laminates by using machine learning based image semantic segmentation | |
Sun et al. | Real-time automatic detection of weld defects in steel pipe | |
CN101387493B (zh) | 铁塔构件孔的形位尺寸非接触光电检测方法 | |
CN110163853A (zh) | 一种边缘缺陷的检测方法 | |
CN107564002A (zh) | 塑料管表面缺陷检测方法、***及计算机可读存储介质 | |
CN109870461A (zh) | 一种电子元器件质量检测*** | |
CN108346141A (zh) | 单边侧入光式导光板缺陷提取方法 | |
CN111028229A (zh) | 一种基于图像处理技术的金属或涂层腐蚀检测方法 | |
CN108492312A (zh) | 光照变化下基于逆向稀疏表示的视觉跟踪方法 | |
Yamaguchi et al. | Practical image measurement of crack width for real concrete structure | |
Altabey et al. | Research in image processing for pipeline crack detection applications | |
Jung et al. | Towards automatic crack segmentation in 3d concrete images | |
Qi et al. | A CNN-based method for concreate crack detection in underwater environments | |
Chen | Image Edge Detection Algorithm of Machined Parts Based on Mathematical Morphology | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
Shahid et al. | Image segmentation techniques for real-time coverage measurement in shot peening processes | |
Wang et al. | Vision measurement of gear pitting based on DCGAN and U-Net | |
Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
Liu et al. | Damage state assessment method for remanufacturing blanks based on magnetic and surface texture feature fusion |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |
|
WD01 | Invention patent application deemed withdrawn after publication |