CN110057745A - 一种金属构件腐蚀情况的红外检测方法 - Google Patents
一种金属构件腐蚀情况的红外检测方法 Download PDFInfo
- Publication number
- CN110057745A CN110057745A CN201910316762.5A CN201910316762A CN110057745A CN 110057745 A CN110057745 A CN 110057745A CN 201910316762 A CN201910316762 A CN 201910316762A CN 110057745 A CN110057745 A CN 110057745A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- temperature
- metal component
- area
- infrared
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于红外热像无损检测技术领域,并具体公开了一种金属构件腐蚀情况的红外检测方法。该方法包括获得金属构件的红外图像并进行滤波去噪处理,然后设定阈值获得二值化图像;标记腐蚀区域和未腐蚀区域,并绘制腐蚀区域的轮廓;根据腐蚀区域的轮廓提取二值化图像中腐蚀区域的掩模,使用该掩模在红外图像中计算腐蚀区域的温度;将腐蚀区域的温度输入温度腐蚀深度转化模型,获得金属构件的腐蚀深度。本发明提供的金属构件腐蚀情况的红外检测方法,只需对红外图像进行处理,并根据温度腐蚀深度转化模型便可从三个方面具体描述金属构件的腐蚀情况,包括腐蚀位置、腐蚀面积和腐蚀深度,从而实现了对金属构件的腐蚀情况进行定性和定量分析。
Description
技术领域
本发明属于红外热像无损检测技术领域,更具体地,涉及一种金属构件腐蚀情况的红外检测方法。
背景技术
腐蚀是金属或金属合金与其环境之间的化学或电化学反应,导致材料及其性能的劣化。如果没有及时发现处理,腐蚀会导致严重的金属失效,并可能导致经济和安全方面的影响。
红外无损检测技术是一种效果理想的无损检测技术,其原理是通过热源对待检测试件进行加热,采用红外热成像设备采集试件表面温度的实时图像信号。在热传导过程中,当试件内部腐蚀时,材料的热传导性能会发生改变,试件的表面温度产生不均匀分布,通过处理采集的温度信号,可以判断试件内部的腐蚀信息。
目前红外无损检测技术已经广泛应用于电子工业、机械制造、管道检测和航空航天等行业,但是实际应用中主要局限于确定腐蚀位置,对于腐蚀情况的定量化分析还缺乏有力的理论依据。虽然目前已存在一些对于腐蚀程度的数值模拟分析理论,但仍处于初步发展阶段,并且由于它计算复杂、编程工作量大,依然难以给出具体的金属构件腐蚀情况的图像处理算法。
发明内容
针对现有技术的上述缺点和/或改进需求,本发明提供了一种金属构件腐蚀情况的红外检测方法,其中通过温度腐蚀深度转化模型,相应能够根据红外图像上腐蚀区域的温度获得金属构件的腐蚀深度,因而尤其适用于检测金属构件腐蚀情况之类的应用场合。
为实现上述目的,本发明提出了一种金属构件腐蚀情况的红外检测方法,该方法包括如下步骤:
S1获得金属构件的红外图像并进行滤波去噪处理,然后设定阈值获得所述红外图像的二值化图像;
S2根据所述二值化图像中各像素与其相邻像素的连通性,标记腐蚀区域和未腐蚀区域,并绘制所述腐蚀区域的轮廓;
S3根据所述腐蚀区域的轮廓提取所述二值化图像中腐蚀区域的掩模,使用该掩模在所述红外图像中计算所述腐蚀区域的温度;
S4将所述腐蚀区域的温度输入温度腐蚀深度转化模型,获得所述金属构件的腐蚀深度。
作为进一步优选地,在步骤S1中,采用边缘保留滤波的方法进行滤波去噪处理。
作为进一步优选地,在步骤S1中,采用Otsu二值化算法或最大归一化温差法获得所述红外图像的二值化图像。
作为进一步优选地,在步骤S3中,所述腐蚀区域的温度包括所述腐蚀区域中各像素点的温度、所述腐蚀区域的平均温度或所述腐蚀区域的最大温度。
作为进一步优选地,在步骤S4中,所述温度腐蚀深度转化模型中腐蚀深度的隐式函数为:
式中,Ak为傅里叶展开的第k个系数,βk为第k个特征值,Bk为傅里叶展开的第k个系数,γk为第k个特征值,其是关于腐蚀深度的函数,τ为加热时间,a1为腐蚀层的热扩散率,a2为未腐蚀层的热扩散率,δ为金属构件的厚度,t0为金属构件的初始温度,tf为加热温度,λ1为腐蚀层的金属热导率,λ2为未腐蚀层的金属热导率,h为金属构件的表面传热系数,Tb为未腐蚀区域的温度,T1为腐蚀区域的温度。
作为进一步优选地,在步骤S4中,所述温度腐蚀深度转化模型的构建方法包括如下子步骤:
S41构建未腐蚀区域的模型,获得未腐蚀区域的温度Tb为:
S42构建腐蚀深度为Dep的腐蚀区域的模型,获得该腐蚀区域的温度T1为:
S43根据公式(二)和公式(三)获得腐蚀深度Dep的隐式函数为:
作为进一步优选地,在步骤S2中,还包括根据所述腐蚀区域的轮廓计算所述腐蚀区域的面积。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1.本发明结合红外成像、信号探测与图像处理等多方面的技术,提供了一种金属构件腐蚀情况的红外检测方法,其中通过对红外图像进行处理,并根据温度腐蚀深度转化模型便可获得金属构件的腐蚀位置和腐蚀深度,从而做到了对腐蚀进行定性和定量的分析,能够基本满足实际生产检测的需要,并且具有无损、快速、直观、非接触、一次检测面积大、实施简单等优点,适用于外场、在线检测;
2.尤其是,本发明通过选择输入温度为腐蚀区域中各像素点的温度、平均温度或最大温度,便可获得腐蚀区域中各点的腐蚀深度、平均腐蚀深度或最大腐蚀深度,从而保证获得数据的全面性和多样性,并且在程序上易于实现,具有计算速度快、结果直观的优点,能为腐蚀检测人员提供一个较为准确的参考;
3.同时,本发明还能够通过腐蚀区域的轮廓计算腐蚀区域的面积,获得更多有关金属构件腐蚀情况的信息。
附图说明
图1是本发明提供的金属构件腐蚀情况的红外检测方法的流程图;
图2是构建温度腐蚀深度转化模型时未腐蚀区域的导热模型图;
图3是构建温度腐蚀深度转化模型时腐蚀区域的导热模型图;
图4是本发明优选实施例中获得红外图像采用的金属构件腐蚀情况红外检测***。
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中:
1-计算机分析设备,2-红外热成像设备,3-热风设备,4-金属构件。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供了一种金属构件腐蚀情况的红外检测方法,该方法包括如下步骤:
S1获得金属构件的红外图像,并采用边缘保留滤波的方法进行滤波去噪处理,然后设定阈值获得红外图像的二值化图像;
S2根据二值化图像中各像素与其相邻像素的连通性,标记腐蚀区域和未腐蚀区域,并绘制腐蚀区域的轮廓,通过轮廓中的像素点计算腐蚀区域的面积;
S3根据腐蚀区域的轮廓提取二值化图像中腐蚀区域的掩模,使用该掩模在红外图像中计算腐蚀区域的温度;
S4利用式(1)所示的温度腐蚀深度转化模型中腐蚀深度Dep的隐式函数,输入腐蚀区域的温度获得金属构件的腐蚀深度;
式中,Dep为腐蚀深度,Ak为傅里叶展开的第k个系数,βk为第k个特征值,Bk为傅里叶展开的第k个系数,γk为第k个特征值,其是关于腐蚀深度Dep的函数,τ为加热时间,a1为腐蚀层的热扩散率,a2为未腐蚀层的热扩散率,δ为金属构件的厚度,t0为金属构件的初始温度,tf为加热温度,λ1为腐蚀层的金属热导率,λ2为未腐蚀层的金属热导率,h为金属构件的表面传热系数,Tb为未腐蚀区域的温度,T1为腐蚀区域的温度。
进一步,在步骤S1中,采用Otsu二值化算法或最大归一化温差法获得红外图像的二值化图像,其中采用Otsu二值化算法时首先根据红外图像的大小使用高斯核去噪,再使用Otsu二值化算法;
最大归一化温差法的具体过程为:
设定ΔT’为判断是否腐蚀的阈值,若ΔT’>0,则将目标区域标记为腐蚀区域,若ΔT’=0,则将目标区域标记为未腐蚀区域;
式中,T为目标区域的平均温度,TM为目标区域的最高温度,Tm为目标区域的最低温度,Tb为未腐蚀区域的平均温度,TbM为未腐蚀区域的最高温度,Tbm为未腐蚀区域的最低温度。
进一步,在步骤S3中,根据腐蚀区域的像素值获得该腐蚀区域的温度,将腐蚀区域的平均像素值与未腐蚀区域的平均像素值作差,所得色差越大则腐蚀越严重,腐蚀区域的温度包括腐蚀区域中各像素点的温度、腐蚀区域的平均温度和腐蚀区域的最大温度。
进一步,在步骤S4中,构建温度腐蚀深度转化模型的方法包括如下子步骤:
S41为简化计算,只考虑金属构件沿厚度纵向的传热,而忽略其横向的传热,因此可简化为一维非稳态导热问题,图2是未腐蚀区域的导热模型图,构建未腐蚀区域的模型;
导热微分方程:
初始条件:t(x,0)=t0 (4)
边界条件:
式中,x为金属构件的在厚度方向的取值,τ为加热时间,t(x,τ)为x处τ时刻的温度,a2为未腐蚀层的热扩散率,t0为环境温度也即金属构件的初始温度,h为金属构件的表面传热系数,tf为加热温度,λ2为未腐蚀层的金属热导率,δ为金属构件的厚度,t(0,τ)为金属构件表面τ时刻的温度,t(δ,τ)为金属构件δ厚度处τ时刻的温度;
通过分离变量法或格林函数法可解出此偏微分方程为:
式中,Ak为傅里叶展开的第k个系数,βk为第k个特征值;
由特征方程解出特征值βk,并且0<β1<β2<β3<…<βk,根据初始条件t(x,0)=t0,利用傅里叶展开(Fourier级数)求得傅里叶展开的系数Ak,因为方程解中的无穷级数逐渐衰减,因此可以根据检测精度的需要酌情地取前几项作近似;
由于热成像仪采集的是金属构件表面的温度信息,即t(0,τ)是已知量,记为Tb,用式(8)所示的偏微分方程表示未腐蚀区域的温度Tb为:
S42图3是腐蚀区域的导热模型图,构建腐蚀深度为Dep的腐蚀区域的模型;
导热微分方程:
初始条件:ti(x,0)=t0(i=1,2) (10)
边界条件:
(t1-t2)|x=Dep=0 (13)
式中,i=1时表示腐蚀层,i=2时表示未腐蚀层,ai表示第i层的热扩散率,λi表示第i层的金属热导率,ti(x,τ)为第i层x处τ时刻的温度,ti(x,0)为第i层x处的初始温度,t1(0,τ)为腐蚀层表面τ时刻的温度,λ1为腐蚀层的金属热导率,λ2为未腐蚀层的金属热导率,t2(δ,τ)为金属构件δ厚度处τ时刻的温度,t1为腐蚀层的温度,t2为未腐蚀层的温度;
通过扩展的分离变量法可解处此微分方程为:
式中,t1(x,τ)为腐蚀层x处τ时刻的温度,t2(x,τ)为未腐蚀层x处τ时刻的温度,Bk为傅里叶展开的第k个系数,Ck为傅里叶展开的第k个系数,γk为第k个特征值,μk为第k个特征值;
由如式(16)所示的特征方程组解出特征值γk和μk,并且0<γ1<γ2<γ3<…<γk、0<μ1<μ2<μ3<…<μk,其中γk和μk均为关于腐蚀深度Dep的函数;
根据初始条件ti(x,0)=t0(i=1,2),利用傅里叶展开(Fourier级数)求得各项系数Bk和Ck,因为方程解中的无穷级数逐渐衰减,因此可以根据检测精度的需要酌情地取前几项作近似;
热成像仪采集的是金属构件表面的温度信息,即t1(0,τ)是已知量,记为T1,用上面偏微分方程的解可将腐蚀区域的温度T1表示为:
S43公式(8)和公式(17)是关于腐蚀深度Dep的隐式函数,获得腐蚀深度Dep的隐式函数为:
可将腐蚀深度Dep简记为Dep=f3(ai,t0,tf,λi,τ,Tb,T1),根据红外检测的条件,将腐蚀区域的温度T1作为输入,即可获得腐蚀深度Dep;
当腐蚀区域的温度T1为各像素点的温度时,可获得各像素点的腐蚀深度,当腐蚀区域的温度T1为腐蚀区域的平均温度时,可获得腐蚀区域的平均腐蚀深度,当腐蚀区域的温度T1为腐蚀区域的最大温度时,可获得腐蚀区域的最大腐蚀深度。
采用如图4所示的金属构件腐蚀情况红外检测***获得金属构件的红外图像,该***包括计算机分析设备1、红外热成像设备2和热风设备3,其中红外热成像设备2通过数据线与计算机分析设备1连接,并且红外热成像设备2的镜头位于检测线圈的前方,工作时热风设备3对金属构件4进行热加载,由于腐蚀会改变金属的热扩散率和蓄热性能,因此腐蚀区域的温度会高于未腐蚀区域的,从而形成温度差,通过红外热成像设备2对金属构件4的表面温度场进行实时红外图像采集,将采集到的红外图像传输到计算机分析设备1中。
在本发明的一个优选实施例中,红外热成像设备2采用FLIR A320型号,金属构件为汽车B柱,首先固定红外热成像设备2,并将其镜头对准金属构件4的检测部位,镜头距离该金属构件4约0.5m,调整焦距,设定初始温度为室温,并通过数据线将红外热成像设备2连接至计算机1;
使用热风装置3对金属构件4进行热加载至50-100℃,使得金属构件腐蚀区域与未腐蚀区域形成温度差,采用红外热成像设备2对金属构件的表面温度场进行实时红外图像采集,并将采集信息输送至计算机分析平台;
最后,使用本发明提供的金属构件腐蚀情况检测方法分析红外图像中是否存在温度异常的区域,以及温度异常区域的面积与色差,以此确定腐蚀面积和腐蚀深度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种金属构件腐蚀情况的红外检测方法,其特征在于,该方法包括如下步骤:
S1获得金属构件的红外图像并进行滤波去噪处理,然后设定阈值获得所述红外图像的二值化图像;
S2根据所述二值化图像中各像素与其相邻像素的连通性,标记腐蚀区域和未腐蚀区域,并绘制所述腐蚀区域的轮廓;
S3根据所述腐蚀区域的轮廓提取所述二值化图像中腐蚀区域的掩模,使用该掩模在所述红外图像中计算所述腐蚀区域的温度;
S4将所述腐蚀区域的温度输入温度腐蚀深度转化模型,获得所述金属构件的腐蚀深度。
2.如权利要求1所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S1中,采用边缘保留滤波的方法进行滤波去噪处理。
3.如权利要求1或2所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S1中,采用Otsu二值化算法或最大归一化温差法获得所述红外图像的二值化图像。
4.如权利要求1~3任一项所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S3中,所述腐蚀区域的温度包括所述腐蚀区域中各像素点的温度、所述腐蚀区域的平均温度或所述腐蚀区域的最大温度。
5.如权利要求1所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S4中,所述温度腐蚀深度转化模型中腐蚀深度的隐式函数为:
式中,Ak为傅里叶展开的第k个系数,βk为第k个特征值,Bk为傅里叶展开的第k个系数,γk为第k个特征值,其是关于腐蚀深度的函数,τ为加热时间,a1为腐蚀层的热扩散率,a2为未腐蚀层的热扩散率,δ为金属构件的厚度,t0为金属构件的初始温度,tf为加热温度,λ1为腐蚀层的金属热导率,λ2为未腐蚀层的金属热导率,h为金属构件的表面传热系数,Tb为未腐蚀区域的温度,T1为腐蚀区域的温度。
6.如权利要求5所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S4中,所述温度腐蚀深度转化模型的构建方法包括如下子步骤:
S41构建未腐蚀区域的模型,获得未腐蚀区域的温度Tb为:
S42构建腐蚀深度为Dep的腐蚀区域的模型,获得该腐蚀区域的温度T1为:
S43根据公式(二)和公式(三)获得腐蚀深度Dep的隐式函数为:
7.如权利要求1所述所述的金属构件腐蚀情况的红外检测方法,其特征在于,在步骤S2中,还包括根据所述腐蚀区域的轮廓计算所述腐蚀区域的面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316762.5A CN110057745B (zh) | 2019-04-19 | 2019-04-19 | 一种金属构件腐蚀情况的红外检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910316762.5A CN110057745B (zh) | 2019-04-19 | 2019-04-19 | 一种金属构件腐蚀情况的红外检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110057745A true CN110057745A (zh) | 2019-07-26 |
CN110057745B CN110057745B (zh) | 2020-07-10 |
Family
ID=67319713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910316762.5A Active CN110057745B (zh) | 2019-04-19 | 2019-04-19 | 一种金属构件腐蚀情况的红外检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110057745B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233109A (zh) * | 2020-11-05 | 2021-01-15 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112251752A (zh) * | 2020-12-23 | 2021-01-22 | 成都裕鸢航空零部件制造有限公司 | 一种断丝锥或者断螺钉的清除方法及加注装置 |
CN117309668A (zh) * | 2023-09-21 | 2023-12-29 | 东南大学 | 一种钢丝腐蚀便携式自动检测设备及检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103111427A (zh) * | 2013-01-10 | 2013-05-22 | 上海交通大学 | 基于图像处理的水果分选装置 |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
-
2019
- 2019-04-19 CN CN201910316762.5A patent/CN110057745B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103111427A (zh) * | 2013-01-10 | 2013-05-22 | 上海交通大学 | 基于图像处理的水果分选装置 |
CN109448009A (zh) * | 2018-11-21 | 2019-03-08 | 国网江苏省电力有限公司扬州供电分公司 | 用于输电线路检测的红外图像处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
王永茂 等: "缺陷大小和深度的红外检测", 《无损检测》 * |
胡林海: "基于红外热成像技术的金属材料缺陷定量评估研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233109A (zh) * | 2020-11-05 | 2021-01-15 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112233109B (zh) * | 2020-11-05 | 2022-10-14 | 北京理工大学 | 一种抗可见光干扰的金属上料视觉分拣方法 |
CN112251752A (zh) * | 2020-12-23 | 2021-01-22 | 成都裕鸢航空零部件制造有限公司 | 一种断丝锥或者断螺钉的清除方法及加注装置 |
CN117309668A (zh) * | 2023-09-21 | 2023-12-29 | 东南大学 | 一种钢丝腐蚀便携式自动检测设备及检测方法 |
CN117309668B (zh) * | 2023-09-21 | 2024-05-31 | 东南大学 | 一种钢丝腐蚀便携式自动检测设备及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110057745B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198181B (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
Yang et al. | Infrared thermal imaging-based crack detection using deep learning | |
CN110057745A (zh) | 一种金属构件腐蚀情况的红外检测方法 | |
Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
EP2350627B1 (en) | Method for detecting defect in material and system for the method | |
Liu et al. | Window feature-based two-stage defect identification using magnetic flux leakage measurements | |
CN112330538B (zh) | 一种基于特征点优化提取的损伤温度重构图像拼接方法 | |
Mosdorf et al. | Detection of two-phase flow patterns using the recurrence network analysis of pressure drop fluctuations | |
CN109724703A (zh) | 基于模式识别的复杂场景下的温度矫正方法 | |
CN103729462B (zh) | 一种基于稀疏表示处理遮挡的行人检索方法 | |
Hu et al. | Rail surface spalling detection based on visual saliency | |
Liu et al. | Detecting cracks in concrete structures with the baseline model of the visual characteristics of images | |
Liu et al. | Image processing algorithms for crack detection in welded structures via pulsed eddy current thermal imaging | |
CN110413942B (zh) | 车道线方程筛选方法及其筛选模块 | |
Guo et al. | Crack propagation detection method in the structural fatigue process | |
CN106706216A (zh) | 一种高于环境温度的气体泄漏的非接触检测方法 | |
CN103337080A (zh) | 基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术 | |
Guofeng et al. | Image segmentation of thermal waving inspection based on particle swarm optimization fuzzy clustering algorithm | |
CN110880170B (zh) | 一种复合材料缺陷的深度预测方法 | |
CN111445480B (zh) | 一种基于新型模板的图像旋转角度和缩放系数测量方法 | |
Kerscher et al. | Steel type determination by spark test image processing with machine learning | |
CN109816651B (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
De et al. | A comprehensive structural analysis process for failure assessment in aircraft lap-joint mimics using intramodal fusion of eddy current data | |
CN109886930B (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
Arjoune et al. | Thermal Imagery Based Instance Segmentation for Energy Audit Applications in Buildings |
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 |