CN110333267A - 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** - Google Patents
一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** Download PDFInfo
- Publication number
- CN110333267A CN110333267A CN201910612330.9A CN201910612330A CN110333267A CN 110333267 A CN110333267 A CN 110333267A CN 201910612330 A CN201910612330 A CN 201910612330A CN 110333267 A CN110333267 A CN 110333267A
- Authority
- CN
- China
- Prior art keywords
- value
- thermal imaging
- matrix
- pixel
- 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.)
- Pending
Links
- 238000001931 thermography Methods 0.000 title claims abstract description 118
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000002123 temporal effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 241001270131 Agaricus moelleri Species 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 14
- 150000001875 compounds Chemical class 0.000 abstract description 10
- 239000000284 extract Substances 0.000 abstract description 6
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000002950 deficient Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于RSBSS红外无损检测热成像缺陷图像处理方法及***,在本发明中,该方法及***被应用到复合型材料的缺陷检测中;其特征在于,为了能够更加有效的对缺陷特征的提取,采集带有时间信息的红外热成像图片,对采集的红外热成像图片进行预处理,进行RSBSS算法处理,在经过RSBSS算法处理后的红外热成像图片基础上提取缺陷信息;本发明在有效滤除红外热成像图片噪声的同时也使红外热成像图片缺陷部位得到了保护和增强,且比传统方法更加实用有效。本发明所提供的方法及***,检测速度快、检测结果准确,可广泛应用于无损检测领域,具有广阔的应用前景。
Description
技术领域
本发明涉及复合型材料红外无损检测技术领域,具体为一种基于RSBSS红外无损检测热成像缺陷图像处理方法及***。
背景技术
随着近现代材料技术的不断发展和革新,复合型材料被广泛应用到各行各业中。复合型材料强度大、耐高温、耐腐蚀因此成为航空航天领域在材料上的不二选择。其中上述优点在碳纤维材料上尤为明显,在使用碳纤维材料的设备部件中经过反复实践应用得出碳纤维材料抗疲劳性好和耐腐蚀的结论,并且明显起到了减轻的作用。
复合型材料是使用数层基体不同或机构不同的纤维及其他固体层粘接热压而成,具有较为复杂的多相体系。复合型材料在出厂、使用中不可避免会产生脱粘、断裂等损伤。这些损伤对于人眼很难识别到,但是会影响到设备部件的载重,成为重大工程事故的安全隐患。为此,我们提出一种基于RSBSS红外无损检测热成像缺陷图像处理方法及***。
本发明对于复合型材料的缺陷判断、缺陷识别、缺陷检测具有较好的效果,针对现有的无损检测方法的局限性,采用基于DSP的RSBSS(Rough-Set-Blind-Source-Separation)方法,即粗糙集的盲源识别红外无损检测方法进行红外热成像图片处理,采用本发明方法与***,提高了复合型材料缺陷识别判断的速度,并且能够精确的判断缺陷的位置信息,具有较好的应用前景。
发明内容
本发明的目的在于提供一种基于RSBSS红外无损检测热成像缺陷图像处理方法及***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明的技术方案如下:
一种基于RSBSS红外无损检测热成像缺陷图像处理方法,整个图像处理过程包括图像的采集、图像的预处理、图像的增强、缺陷信息的获取,具体包括以下几个步骤:
1.采用激励源对测试试件加热,使用红外热像仪采集带有时间信息的红外热成像图片;
2.对采集的红外热成像图片进行预处理;
3.预处理后的红外热成像图片进行RSBSS算法处理;
4.在经过RSBSS算法处理后的红外热成像图片基础上提取缺陷信息;
所述步骤1激励源对试件加热方法具体描述如下:
本发明中采用双激励源对被测物体进行加热,双激励源与水平轴成一定的角度θ,使两激励源所发射出的光斑重合,能够快速的对被测物体进行加热。 其中X为两激励源水平连线与被测试件距离,L为两激励源水平距离,θ为激励源与水平轴所成夹角。
所述步骤2采集红外热成像图片的并对红外热成像图片进行预处理具体描述如下:
(1)被测试件在被激励源激励的过程中使用热像仪采集红外热成像图片,红外热成像图片通过通讯线缆回传给ARM微型处理器进行处理;
(2)ARM微型处理器对收集到的红外热成像图片(图片矩阵大小为n×N)进行降噪,具体过程为:求红外热成像图片矩阵X行均值矩阵其中μi为红外热成像图片矩阵X行均值矩阵,Xi(j)为第i行第j列对应的灰度值,计算中心均差矩阵 表示为根据构造协方差矩阵C。其中其中L=(Xi1,Xi2,.....XiN)大小为n×N,为中心均差矩阵,Xi为红外热成像图片对应的行矩阵。根据协方差矩阵C求解特征值和对应的特征向量,求出协方差的对角矩阵以及对应的特征向量矩阵并作相应的排列。取前K个特征值及特征值对应的向量矩阵P,生成投影矩阵令变换矩阵P=φT,即可对矩阵数据进行降维。其中φT为特征向量对应的矩阵的转置,其中Xi为红外热成像图片均值矩阵,得到降维的矩阵数据A。其中Xi为红外热成像图片对应的行矩阵,P为前K个特征向量对应的特征矩阵,位置(i,j)处像素点灰度值为f(i,j)根据其中M为像素点(i,j)领域像素点的总数,B为像素点(i,j)邻域矩阵,f(i,j)为像素点(i,j)处灰度值,g(i,j)为(i,j)像素点平滑后的灰度值。
所述步骤3对预处理后的红外热成像图片进行RSBSS算法处理具体描述如下:
(1)创建属性表,设定C1为像素灰度值属性,C2为噪声属性,条件属性为C={C1,C2};在较亮与较暗灰度值中间选取一个灰度值作为阈值P,结合阈值P可将灰度值属性进一步定义为C1={0,1},其中P为灰度值范围为(0,255)中的一个整数值。
其中P值确定方法为:红外检测热图具有L个灰度级,具有灰度i值像素点数为ni,灰度图总像素点数每个灰度值出现的概率为其中Pi为像素点灰度值为i出现的概率,N为灰度图总像素点数。可以根据阈值P将灰度图像分割成两个区域A,B,其中A为灰度级(1,t)区域,B为灰度级为(t+1,L-1)区域。两个区域的概率可以计算得根据概率分布可以分别计算出A和B灰度值和因此整个图像的总灰度值为ω0=PAωA+PBωB,因此得到A和B两个区域类间方差为:
σ2=PA(ωA-ω0)2+PB(ωB-ω0)2
根据上述类间方差可以求得最佳阈值t,t=arg max[PA(ωA-ω0)2+PB(ωB-ω0)2],P=t/2。其中PA为灰度值小于P区域分布的概率,PB为灰度大于P区域分布的概率,ωA为区域A的灰度值,ωB为区域B的灰度值,σ2为类间方差,t为灰度级范围为(0,L)一个的灰度级。
(2)根据上述可确定噪声属性阈值为Q,根据阈值Q对噪声属性定量化定义为C2={0,1}。其中Q值可取25。其中0代表2×2像素组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值小于阈值Q,1代表2×2像素组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值均大于Q。其中S为图片矩阵中像素点组成的子块矩阵,Q为灰度值范围在(0,255)中的一个整数值。
(3)依据C1和C2将采集热图划分成单个子图。根据C1划分子图,如果两个像素点x的灰度值f(x)都大于P那么这两个像素属于等价关系为根据数字图像理论可定义为较亮区域像素点集合,因此较暗区域像素点集合可定义为
(4)根据C2划分子图则有,可以定义将整个图像矩阵分成多个2×2子矩阵s,子块s与其相邻子块si±1,sj±1平均灰度值m(s)之差的绝对值取整均大于定义阈值Q则称两个子块等价 式中si±1,sj±1,表示与si,j相邻的子矩阵块。
(5)将依据C1暗灰度值和亮灰度值分别定义的组合与C2划分的子图合成A1,A2,对于A1,A2,将剔除的灰度值分别以P和Q进行填充得到A11和A22。其中A11为A1子图剔除噪声灰度值后以P填充形成的子图,A22为A2子图剔除噪声灰度值以Q填充形成的子图。其中Q为灰度值范围在(0,255)中的一个整数值,P为灰度值范围为(0,255)中的一个整数值。
(6)将填充之后的图像矩阵分别进行直方图变换,定义归一化的原图像灰度值为r和定义直方图变换之后的灰度值为s,有0≤r,s≤1对于r在区间[0,1]中任意r对应一个s值,且有s=T(r),其中T(r)为变换函数。根据公式可求得直方图变换后概率密度。依据微积分学对r进行变换得到直方图变换后的像素灰度值s,即得到直方图均衡化图像。其中其中Ps(s)表示变换后变换变量s的概率密度函数,Pr(s)表示变换后变换变量s的概率密度函数,w为积分的假变量。
(7)对A1,A2图像作直方图均衡化后得到A11和A22,将A11和A22进行图像重叠,得到原图像增强图像,其中A11为A1子图剔除灰度值以P填充形成的子图,A22为A2子图剔除灰度值以Q填充形成的子图。其中P为灰度值范围为(0,255)中的一个整数值。
所述步骤4经过RSBSS算法处理后的红外热成像图片基础上提取缺陷信息具体描述如下:
(1)依据图像中的像素点(x,y)灰度值f(x,y)的关于x和y方向上的差分即边缘算子获取图像中的边缘信息,其中fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导。
(2)对于一维图像信号f(x)边缘信息发生在f(x)一阶导数局部最大值处,根据f’(x)极值点求取边缘信息,在二维图像边缘是沿着梯度方向的一阶导数幅度最大像素点组成,边缘方向的存在方向用一阶导数梯度方向表示,其中为f(x)关于x的一阶偏导,而根据一维判断规则,可以定义判断边缘判断系数λ即:只有当λ>0时对应的则是边缘点,其中是f关于n的一阶偏导,是f关于n的三阶偏导。
(3)依据边缘算子和判别系数λ相结合即可确定图像的边缘信息,其中为边缘算子,fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导。
本发明的优点在于,使用双激励源交叉式对被测物体进行激励,能够快速的呈现物体的缺陷信息。基于RSBSS算法能够将缺陷图片信息进行分类,能够较好的对红外热成像图片定量分析处理,使ARM微型处理器对红外热成像图片处理的速度更快,缺陷定位更加准确。便于工程人员快速获取缺陷信息。
本发明有效使用RSBSS算法使计算机对红外热成像图片处理效率更高,能够快速的识别缺陷并能够准确定位缺陷位置及类型。
本发明还提供一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置,即一种基于DSP的红外无损检测热成像缺陷图像处理***,用于实现上述的红外无损检测热成像缺陷图像处理方法,该***特征在于,包括:蓄电池、DC12V供电盒、BMS电池管理***、逆变器、无线路由、红外热像仪、DSP微型处理器、激励源、云台、LCD显示屏、激光测距仪、计算机、ARM微型处理器;
蓄电池,用于对整个检测装置供电;
DC12V供电盒,用于将蓄电池电压转换成DC12V电压供无线路由和红外热像仪使用;
BMS电池管理***,用于管理蓄电池内芯,实时检测电池运行状况;
逆变器,用于对蓄电池电压进行逆变,逆变后的电压供激励源使用;
无线路由,用于红外热像仪与计算机之间图片信息的传输;
红外热像仪,用于采集红外热成像图片;
DSP微型处理器,用于处理计算机发送的信号指令和控制与其端口相连接的设备;
激励源,用于对被测物体实施激励;
云台,用于控制激励源向左右旋转和上下俯仰;
LCD显示屏,用于显示整个检测装置状态信息;
激光测距仪,用于测量激励源连线中点与被测物体的距离;
计算机,用于对处理后的热成像图片进行缺陷标记、图片存储,发送控制指令给DSP微型处理器;
ARM微型处理器,用于处理红外热像仪采集的红外热成像图片;
一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置,其特征在于:蓄电池与DC12V供电盒相连接,DC12V供电盒将蓄电池电压进行转换,转换之后的电压供无线路由、红外热像仪、ARM微型处理器、DSP微型处理器使用,蓄电池与BMS电池管理***相连接,BMS电池管理***收集蓄电池的状态信息,BMS电池管理***与DSP微型处理器相连接,BMS电池管理***将收集到的蓄电池状态信息传输给DSP微型处理器,DSP微型处理器与LCD显示屏相连接,DSP微型处理器将BMS电池管理***收集到的信息进行处理并打印至LCD显示屏上,蓄电池与逆变器相连接,逆变器与激励源相连接,逆变器将蓄电池逆变成合适电压供激励源使用,DSP微型处理器与云台相连接,计算机与DSP微型处理器相连接,计算机通过发送控制指令给DSP微型处理器,DSP微型处理器将指令解析并控制云台的旋转和俯仰,激励源安装在云台上。激光测距仪与DSP微型处理器相连接,计算机发送控制指令给DSP微型处理器,DSP微型处理器将指令解析并控制激光测距仪,激光测距仪将测得的数据返回给DSP微型处理器,DSP微型处理器将数据进行处理并打印至LCD显示屏上。DSP微型处理器与红外热像仪相连接,红外热像仪与ARM微型处理器相连接,DSP微型处理器控制红外热像仪焦距,红外热像仪采集被测物体的红外热成像图片,采集到的的红外热成像图片传输给ARM微型处理器进行处理,ARM微型处理器与无线路由相连接,无线路由与计算机相连接,无线路由将ARM微处理器处理好的热成像图片传输至计算机,计算机将处理好的照片进行存储并对缺陷位置进行标定。
DSP微型处理器控制红外热像仪焦距,红外热像仪将被测物体热成像图片进行抓拍,将抓拍到的热成像图片传输给ARM微型处理器,ARM微型处理器将图片应用RSBSS算法进行处理。ARM微型处理器将红外热像仪拍摄的图片进行RSBSS算法处理后通过无线路由传输给计算机。计算机依据缺陷数据库对图片缺陷进行标注、分类并显示。
一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置与RSBSS算法有机结合所组成的***,能够快速的对红外无损检测图片进行处理,能够快速的对缺陷位置进行判断、定位、处理。极大的提高了工程人员的检测效率,具有良好的应用前景。
附图说明
图1是本发明一种基于RSBSS红外无损检测热成像缺陷图像处理方法流程图。
图2是本发明中RSBSS算法处理流程图。
图3是本发明一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置结构示意图。
具体实施方式
下面将结合附图对本发明的具体实施方式进行详细说明。
图1是本发明一种基于RSBSS红外无损检测热成像缺陷图像处理方法流程图。
本发明热成像图片整个处理方法如图1所示,一种基于RSBSS红外无损检测热成像缺陷图像处理方法流程图,整个过程包括***开始启动(101)、供电***初始化(102)、判断供电***是否初始化完成(103)、红外热像仪初始化(104)、判断热像仪初始化是否完成(105)、红外热像仪采集图片(106)、热成像图片预处理(107)、红外热成像图片进行RSBSS算法处理(108)、热成像图片缺陷信息提取(109)、判断缺陷信息是否提取成功(110)、输出处理后热成像缺陷图片(111)、***工作完成结束(112)。具体过程如下:
在步骤101,热成像图片采集处理***启动开始工作;
在步骤102,热成像图片采集处理***供电***初始化;
在步骤103,判断供电***是否初始化完成,如果完成进入步骤104,未初始化完成则返回继续初始化;
在步骤104,红外热像仪初始化;
在步骤105,判断红外热像仪初始化是否完成,如果初始化完成则执行106步骤,如果未完成则返回继续完成初始化工作;
在步骤106,红外热像仪采集热成像图片;
在步骤107,计算机对红外热成像图片进行处理;
在步骤108,红外热成像图片进行RSBSS算法处理;
在步骤109,红外热成像图片进行缺陷信息提取;
在步骤110,判断缺陷信息是否提取成功,如果提取成功则执行步骤111,如果未提取成功则返回重新提取缺陷信息;
在步骤111,输出含有缺陷信息的热成像图片;
在步骤112,整个红外热成像图片采集处理输出完成;
上述步骤108中主要处理方法为:ARM微型处理器对收集到的红外热成像图片n×N进行预处理,具体过程为:求红外热成像图片矩阵X行均值矩阵其中μi为红外热成像图片矩阵X行均值矩阵,并计算中心均差矩阵表示为根据构造协方差矩阵C,其中其中L=(Xi1,Xi2,.....XiN)大小为n×N,根据协方差矩阵C求解特征值和对应的特征向量,求出协方差的对角矩阵以及对应的特征向量矩阵并作相应的排列。取前K个特征值及特征值对应的向量矩阵P,生成投影矩阵令变换矩阵P=φT,即可对矩阵数据进行降维,其中φT为特征向量对应的矩阵的转置,其中Xi为红外热成像图片均值矩阵,得到降维的矩阵数据A。其中Xi为红外热成像图片对应的行矩阵,P为前K个特征向量对应的特征矩阵,位置(i,j)处像素点灰度值为f(i,j)根据其中M为像素点(i,j)领域像素点的总数,其中B为像素点(i,j)领域矩阵,f(i,j)为像素点(i,j)处灰度值,g(i,j)为(i,j)像素点平滑后的灰度值。
上述步骤109中主要处理方法为:对图片矩阵进行分类,对分类的矩阵集合分别对原图划分子图,再对分出的子图进行噪声剔除工作,最后对剔除噪声的子图分别用阈值P和Q进行填充得到新的子图,新的子图融合得到增强之后的图片。其中Q为灰度值范围在(0,255)中的一个整数值,P为灰度值范围为(0,255)中的一个整数值。
上述步骤111中主要处理方法为:取图像中的像素点(x,y)灰度值f(x,y)的关于x和y方向上的差分即:式中为边缘算子,其中fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导,对于一维图像信号f(x)边缘信息发生在f(x)一阶导数局部最大值处,其中f’(x)为像素点x处灰度值,根据x像素点灰度值f’(x)极值点求取边缘信息,进而可以确定缺陷信息。在二维图像边缘是沿着梯度方向的一阶导数幅度最大像素点组成,边缘方向的存在方向用一阶导数梯度方向表示,其中为f(x)关于x的一阶偏导,而根据一维判断规则,可以定义判断边缘判断系数λ即式中λ表示边缘点判断系数,其中是f关于n的一阶偏导,是f关于n的三阶偏导。
只有当λ>0时对应的则是边缘点,n为一阶导数梯度方向。依据边缘算子和判别系数λ相结合即可确定图像的边缘信息,即可输出含有缺陷信息的图片。其中为边缘算子,fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导。
图2是本发明中RSBSS算法处理流程图。
本发明热成像图片RSBSS算法如图2所示,整个过程包括:求红外热成像图片矩阵行均值(201)、构造协方差矩阵(202)、求特征向量及对应的矩阵(203)、获取预处理后图像矩阵(204)、定义图像像素灰度属性集合定义图像像素噪声属性集合(205)、根据灰度属性集合划分子图根据像素噪声属性集合划分子图(206)、根据灰度集合属性确定较亮灰度集合和较暗灰度集合(207)、取与噪声子图相邻平均灰度值之差绝对值大于阈值Q子图集合A(208)、灰度集合属性确定较亮灰度集合和较暗灰度集合分别剔除A(209)、灰度集合属性确定较亮灰度集合和较暗灰度集合分别剔除A剔除之后分别使用P、Q填充(210)、将填充后的图像进行重叠即可得到增强图片(211);
热成像图片增强处理算法具体处理过程如下:
在步骤201,求红外热成像图片矩阵行均值;
在步骤202,构造协方差矩阵;
在步骤203,求特征向量及对应的矩阵;
在步骤204,获取预处理后图像矩阵;
在步骤205,定义图像像素灰度属性集合定义图像像素噪声属性集合;
在步骤206,根据灰度属性集合划分子图根据像素噪声属性集合划分子图;
在步骤207根据灰度集合属性确定较亮灰度集合和较暗灰度集合;
在步骤208取与噪声子图相邻平均灰度值之差绝对值大于阈值Q子图集合A;
在步骤209灰度集合属性确定较亮灰度集合和较暗灰度集合分别剔除A;
在步骤210度集合属性确定较亮灰度集合和较暗灰度集合分别剔除A剔除之后分别使用P、Q填充;
在步骤211填充后的图像进行重叠即可得到增强图片;
RSBSS算法具体实施方案如下:
上述步骤201中,求红外热成像图片矩阵X行均值矩阵其中μi为红外热成像图片矩阵X行均值矩阵,并计算中心均差矩阵表示为其中Xi为红外热成像图片对应的矩阵。
上述步骤202中,根据构造协方差矩阵C,其中其中L=(Xi1,Xi2,.....XiN)大小为n×N。其中XiN为红外热成像图片对应的i行N列矩阵
上述步骤203中,根据步骤202求出的协方差矩阵C求解特征值和对应的特征向量,求出协方差的对角矩阵以及对应的特征向量矩阵并作相应的排列。
上述步骤204中,取前K个特征值及特征值对应的向量矩阵P,生成投影矩阵令变换矩阵P=φT,即可对矩阵数据进行降维,其中φT为特征向量对应的矩阵的转置,其中Xi为红外热成像图片均值矩阵,得到降维的矩阵数据A。其中Xi为红外热成像图片对应的行矩阵,P为前K个特征向量对应的特征矩阵,位置(i,j)处像素点灰度值为f(i,j)根据其中M为像素点(i,j)领域像素点的总数,其中B为像素点(i,j)领域矩阵,f(i,j)为像素点(i,j)处灰度值,g(i,j)为(i,j)像素点平滑后的灰度值。
上述步骤205中,创建属性表,设定C1为像素灰度值属性,C2为噪声属性,条件属性为C={C1,C2};在较亮与较暗灰度值中间选取一个灰度值作为阈值P,结合阈值P可将灰度值属性进一步定义为C1={0,1},其中0代表灰度值范围(0,P)像素点的集合,1代表灰度值范围(P+1,255)像素点的集合。其中P为灰度值范围为(0,255)中的一个整数值。
上述步骤206中,根据上述可确定噪声属性阈值为Q,根据阈值Q对噪声属性定量化定义为C2={0,1}。其中Q为(0,255)范围内的一个整数值。依据C1和C2将采集红外热成像图片划分成单个子图。
上述步骤207中,根据C2划分子图则有,可以定义将整个图像矩阵分成多个2×2子矩阵s,子块s与其相邻子块si±1,sj±1平均灰度值m(s)之差的绝对值取整均大于定义阈值Q则称两个子块等价 其中m(s)为子块S与其相邻子块平均灰度值。
上述步骤208中,根据C1划分子图,如果两个像素x的灰度值f(x)都大于阈值P那么这两个像素属于等价关系为根据数字图像理论可定义为较亮区域像素集合,因此较暗区域像素集合可定义为其中P为灰度值范围为(0,255)中的一个整数值。
上述步骤209中,将依据C1暗灰度值和亮灰度值分别定义的组合与C2划分的子图合成A1,A2,对于A1,A2,将剔除的灰度值分别以P和Q进行填充得到A11和A22,其中A11为A1子图剔除噪声灰度值后以P填充形成的子图,A22为A2子图剔除噪声灰度值以Q填充形成的子图。其中Q为灰度值范围在(0,255)中的一个整数值,P为灰度值范围为(0,255)中的一个整数值。
上述步骤210中,将填充之后的图像矩阵分别进行直方图变换,定义归一化的原图像灰度值为r和直方图均衡化变换之后的灰度值为r,有0≤r,s≤1对于r在区间中任意r对应一个s值,且有s=T(r),其中T(r)为变换函数。根据公式可求得直方图变换后概率密度。对r进行变换得到直方图变换后的像素灰度值s,即得到直方图均衡化图像即其中Ps(s)表示变换后变换变量s的概率密度函数,Pr(s)表示变换后变换变量s的概率密度函数,w积分的假变量。
上述步骤211中,对A1,A2图像作直方图均衡化后得到A11和A22,将A11和A22进行图像重叠,得到原图像RSBSS算法处理之后图像。其中A11为A1子图剔除灰度值以P填充形成的子图,A22为A2子图剔除灰度值以Q填充形成的子图。其中P为灰度值范围为(0,255)中的一个整数值,Q为灰度值范围为(0,255)中的一个整数值。
图3是本发明一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置结构示意图,具体包括:蓄电池(301)、DC12V供电盒(302)、BMS电池管理***(303)、逆变器(304)、无线路由(305)、红外热像仪(306)、DSP微型处理器(307)、激励源(308)、云台(309)、LCD显示屏(310)、激光测距仪(311)、计算机(312)、ARM微型处理器(313);
蓄电池(301),用于对整个检测装置进行供电;
DC12V供电盒(302),用于将蓄电池电压转换成DC12V电压供无线路由和红外热像仪使用;BMS电池管理***(303),用于管理蓄电池内芯,实时检测电池运行状况;
逆变器(304),用于对蓄电池电压进行逆变,逆变后的电压供激励源使用;
无线路由(305),用于红外热像仪与计算机之间图片信息的传输;
红外热像仪(306),用于采集红外热成像图片;
DSP微型处理器(307),用于处理计算机发送的信号指令和控制与其端口相连接的设备;
激励源(308),用于对被测物体实施激励;
云台(309),用于控制激励源向左右旋转和上下俯仰;
LCD显示屏(310),用于显示整个检测装置状态信息;
激光测距仪(311),用于测量激励源连线中点与被测物体的距离;
计算机(312),用于对处理后的热成像图片进行缺陷标记、图片存储,发送控制指令给DSP微型处理器;
ARM微型处理器(313),用于处理红外热像仪采集的红外热成像图片;
一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置,其特征在于:蓄电池(301)与DC12V供电盒(302)相连接,DC12V供电盒(302)与无线路由(305)和红外热像仪(306)相连接,DC12V供电盒(302)将蓄电池(301)电压逆变成DC12V供无线路由(305)、红外热像仪(306)、ARM微型处理器(313)、DSP微型处理器(307)使用,蓄电池(301)与RMS电池管理***(303)相连接,BMS电池管理***(303)与DSP微型处理器(307)相连接,DSP微型处理器(307)与LCD显示屏(310)相连接,BMS电池管理***(303)用于收集蓄电池(301)的状态信息并将该信息传输至DSP微型处理器(307),DSP微型处理器(307)将处理之后的信息打印至LCD显示屏(310)上,蓄电池(301)与逆变器(304)相连接,逆变器(304)与激励源(308)相连接,逆变器(304)将蓄电池(301)直流电压逆变成合适的电压供激励源(308)使用,DSP微型处理器(307)与云台(309)相连接,DSP微型处理器(307)用于控制云台(309)的左右旋转和上下俯仰,DSP微型处理器(307)与激励源(308)相连接,DSP微型处理器(307)控制激励源(308)的通与断以及激励源(308)的激励功率,DSP微型处理器(307)与激光测距仪(311)相连接,DSP微型处理器(307)与LCD显示屏(310)相连接,激光测距仪(311)测量两激励源(308)中心点与被测物体的距离,DSP微型处理器(307)收集距离信息并且将距离信息输送到LCD显示屏(310)上,DSP微型处理器(307)与红外热像仪(306)相连接,计算机(312)与DSP微型处理器(307)相连接,计算机(312)对DSP微型处理器(307)发送控制指令,可以控制红外热像仪(306)的调焦相机控制红外热像仪(306)的焦距,红外热像仪(306)与ARM微型处理器(313)相连接,红外热像仪(306)将采集到的红外热成像图片传输至ARM微型处理器(313)进行处理,ARM微型处理器(313)与无线路由(305)相连接,无线路由(305)与计算机(312)相连接,无线路由(305)将ARM微型处理器(313)处理后的红外热成像图片传输至计算机(312),计算机(312)获取红外热成像图片后对红外热成像图片进行存储,并对热成像图片上的缺陷位置进行标定。
DSP微型处理器(307)控制红外热像仪焦距,红外热像仪(306)将被测物体热成像图片进行抓拍,将抓拍到的热成像图片传输给ARM微型处理器(313),ARM微型处理器(313)将图片应用RSBSS算法进行处理。ARM微型处理器(313)将红外热像仪(306)拍摄的图片进行RSBSS算法处理后通过无线路由(305)传输给计算机(312)。计算机(312)依据缺陷数据库对图片缺陷进行标注、分类并显示。
本发明的有益效果为:***采集带有时间信息的红外热成像图片,对采集的红外热成像图片进行预处理,进行RSBSS算法处理,在经过RSBSS算法处理后的红外热成像图片基础上提取缺陷信息;本发明在有效滤除红外热成像图片噪声的同时也使红外热成像图片缺陷部位得到了保护和增强,且比传统方法更加实用有效。
根据本发明该方法及***,对于红外热成像图片中的缺陷检测具有较好的检测效果,对于复合型材料出厂缺陷检测、使用过程中缺陷检测等具有重大的意义,极大提高了工程人员的工作效率。整个检测装置与检测算法有机结合,在复合型材料里的缺陷检测中具有一定意义。
Claims (4)
1.一种基于RSBSS红外无损检测热成像缺陷图像处理方法,其特征在于,包含以下步骤:
(1)采用激励源对测试试件加热,使用红外热像仪采集带有时间信息的热成像图片;利用双激励源对试件进行激励,两激励源所形成光点聚焦于试件被测量点,两激励源之间距离约为L,其中X为两激励源水平连线与被测试件距离,L为两激励源水平距离,θ为激励源与水平轴所成夹角;
(2)对采集的红外热成像图片进行预处理;计算机对收集到的红外热成像图片(图片矩阵大小为n×N)进行预处理,具体过程为:求红外热成像图片矩阵X行均值矩阵其中μi为红外热成像图片矩阵X行均值矩阵,Xi(j)为第i行第j列对应的灰度值矩阵,计算中心均差矩阵 表示为根据构造协方差矩阵C,其中其中L=(Xi1,Xi2,.....XiN)大小为n×N,为中心均差矩阵,Xi为红外热成像图片对应的行矩阵,根据协方差矩阵C求解红外热成像图片矩阵特征值和对应的特征向量,求出协方差的对角矩阵以及对应的特征向量矩阵并作相应的排列,取前K个特征值及特征值对应的向量矩阵P,生成投影矩阵令变换矩阵P=φT,即可对矩阵数据进行降维,其中φT为特征向量对应的矩阵的转置,其中为红外热成像图片均值矩阵,得到降维的矩阵A,其中Xi为红外热成像图片对应的行矩阵,P为前K个特征向量对应的特征矩阵,位置(i,j)处像素点灰度值为f(i,j)根据其中M为像素点(i,j)领域像素点的总数,其中B为像素点(i,j)领域矩阵,f(i,j)为像素点(i,j)处灰度值,g(i,j)为(i,j)像素点平滑后的灰度值;
(3)对预处理后的红外热成像图片进行RSBSS算法处理;对于红外热成像图片设定C1为像素点灰度值属性,C2为像素点噪声属性,红外热成像图片一般是由较亮区域和较暗区域组成,对应的直方图会出现两个峰值,条件属性为C={C1,C2};在较亮与较暗灰度峰值中间选取一个灰度值作为阈值P,结合阈值P可将灰度值属性进一步定义为C1={0,1},其中0代表灰度值范围(0,P)像素点的集合,1代表灰度值范围(P+1,255)像素点的集合,定义阈值Q,根据阈值Q对噪声属性定量化定义为C2={0,1},其中0代表2×2像素点矩阵组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值小于阈值Q,1代表2×2像素组成子块S平均灰度值与相邻子块平均灰度值之差的绝对值均大于Q,依据C1和C2将采集热成像图片划分成单个子图,根据C1划分子图,如果两个像素x的灰度值f(x)都大于P,那么这两个像素属于等价关系即:
定义为较亮区域像素点集合,因此较暗区域像素点集合可定义为其中S为图片矩阵中2×2像素点组成的子块矩阵,Q为灰度值范围在(0,255)中的一个整数值,P为灰度值范围为(0,255)中的一个整数值;
根据C2划分子图则有,可以定义将整个图像矩阵分成多个2×2子矩阵S,子块S与其相邻子块平均灰度值m(s)之差的绝对值取整均大于定义阈值Q则称两个子块等价即:
式(2)中si±1,sj±1,表示与sij相邻的子块,表示所有噪声像素组成的集合,将依据C1较亮灰度值集合和较暗灰度值集合分别与C2划分的子图合成A1,A2,即:
上式(3)、(4)中A1表示剔除噪声后所有“较亮”像素x组成的集合,A2表示剔除噪声后所有“较暗”的像素x组成的集合,对于A1,A2,将剔除的灰度值分别以P和Q进行填充得到A11和A22,其中A11为A1子图剔除噪声灰度值后以P填充形成的子图,A22为A2子图剔除噪声灰度值以Q填充形成的子图,将填充之后的图像矩阵分别进行直方图变换,定义归一化的原图像灰度值r,定义s为直方图变换之后图像的灰度值,有0≤r,s≤1,对于r在区间[0,1]中任意r对应一个s值,且有s=T(r),其中T(r)为变换函数,根据公式:
式(5)中Ps(s)表示变换后变换变量s的概率密度函数,Pr(s)表示变换后变换变量s的概率密度函数,式(6)中w积分的假变量,式(7)中nr为图像中出现r级灰度的像素数,N是图像像素总数,可求得直方图变换后概率密度Pr(s),依据微积分学对r进行变换得到直方图变换后的像素灰度值s,即得到直方图均衡化图像,将A11和A22作直方图均衡化后进行图像重叠,得到原图像增强图像,其中A11为A1子图剔除灰度值以P填充形成的子图,A22为A2子图剔除灰度值以Q填充形成的子图,其中Q为灰度值范围在(0,255)中的一个整数值,P为灰度值范围为(0,255)中的一个整数值;
(4)在RSBSS算法处理后的红外热成像图片基础上提取缺陷信息;取图像中的像素点(x,y)灰度值f(x,y)的关于x和y方向上的差分即:
式(8)中为边缘算子,其中fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导,对于一维图像信号f(x)边缘信息发生在f(x)一阶导数局部最大值处,其中f(x)为像素点x处灰度值,根据x像素点灰度值f(x)极值点求取边缘信息,进而可以确定缺陷信息,在二维图像边缘是沿着梯度方向的一阶导数幅度最大像素点组成,边缘方向的存在方向用一阶导数梯度方向表示,其中为f(x)关于x的一阶偏导,而根据一维判断规则,可以定义判断边缘判断系数λ即:
式(9)中λ表示边缘点判断系数,只有当λ>0时对应的则是边缘点,其中n为一阶导数梯度方向,为f关于n的一阶偏导,是f关于n的三阶偏导,依据边缘算子和判别系数λ相结合即可确定图像的边缘信息,其中为边缘算子,fxx为f(x,y)在x方向上的二阶偏导,fyy为f(x,y)在y方向上的二阶偏导。
2.本发明对于权利要求1所述的步骤(2)中对于阈值P的确定,其特征在于,使用类间方差缩小阈值选择范围进一步确定阈值P,红外检测热图具有L个灰度级,具有灰度i值像素点数为ni,灰度图总像素点数每个灰度值出现的概率为其中Pi为像素点灰度值为i出现的概率,N为灰度图总像素点数,可以根据阈值P将灰度图像分割成两个区域A,B,其中区域A为灰度级(1,t)区域,区域B为灰度级为(t+1,L-1)区域,两个区域的概率可以计算得根据概率分布可以分别计算出A和B灰度值和因此,整个图像的总灰度值为ω0=PAωA+PBωB,因此得到A和B两个区域类间方差为:
σ2=PA(ωA-ω0)2+PB(ωB-ω0)2 (10)
根据式(10)类间方差可以求得最佳阈值t,t=arg max[PA(ωA-ω0)2+PB(ωB-ω0)2],P=t/2,其中PA为灰度值小于P区域分布的概率,PB为灰度大于P区域分布的概率,ωA为区域A的灰度值,ωB为区域B的灰度值,σ2为类间方差。
3.本发明还提供了一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置,用于实现如权利要求1-2所述的红外无损检测热成像缺陷图像处理方法,其特征在于,主要包括:蓄电池(301)、DC12V供电盒(302)、BMS电池管理***(303)、逆变器(304)、无线路由(305)、红外热像仪(306)、DSP微型处理器(307)、激励源(308)、云台(309)、LCD显示屏(310)、激光测距仪(311)、计算机(312)、ARM微型处理器(313);
蓄电池(301),用于对整个检测装置供电;
DC12V供电盒(302),用于将蓄电池电压转换成DC12V电压供无线路由和红外热像仪使用;
BMS电池管理***(303),用于管理蓄电池内芯,实时检测电池运行状况;
逆变器(304),用于对蓄电池电压进行逆变,逆变后的电压供激励源使用;
无线路由(305),用于红外热像仪与计算机之间图片信息的传输;
红外热像仪(306),用于采集红外热成像图片;
DSP微型处理器(307),用于处理计算机发送的信号指令和控制与其端口相连接的设备;
激励源(308),用于对被测物体实施激励;
云台(309),用于控制激励源向左右旋转和上下俯仰;
LCD显示屏(310),用于显示整个检测装置状态信息;
激光测距仪(311),用于测量激励源连线中点与被测物体的距离;
计算机(312),用于对处理后的热成像图片进行缺陷标记、图片存储,发送控制指令给DSP微型处理器;
ARM微型处理器(313),用于处理红外热像仪采集的红外热成像图片。
4.根据权利要求3所述的一种基于DSP的红外无损检测热成像缺陷图像处理硬件装置,其特征在于:蓄电池(301)分别与DC12V供电盒(302)、BMS电池管理***(303)、逆变器(304)相连接,DC12V供电盒(302)分别与无线路由(305)、红外热像仪(306)、ARM微型处理器(313)、DSP微型处理器(307)相连接,BMS电池管理***(303)与DSP微型处理器(307)相连接,逆变器(304)与激励源(308)相连接,DSP微型处理器(307)分别与激励源(308)、云台(309)、LCD显示屏(310)、激光测距仪(311)、红外热像仪(306)相连接,红外热像仪(306)与ARM微型处理器(313)相连接,ARM微型处理器(313)与无线路由(305)相连接,无线路由(305)与计算机(312)相连接,计算机(312)与DSP微型处理器(307)相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612330.9A CN110333267A (zh) | 2019-07-01 | 2019-07-01 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910612330.9A CN110333267A (zh) | 2019-07-01 | 2019-07-01 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110333267A true CN110333267A (zh) | 2019-10-15 |
Family
ID=68143355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910612330.9A Pending CN110333267A (zh) | 2019-07-01 | 2019-07-01 | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110333267A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798418A (zh) * | 2020-06-22 | 2020-10-20 | 电子科技大学 | 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 |
CN112132911A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN112782226A (zh) * | 2020-12-31 | 2021-05-11 | 四川沐迪圣科技有限公司 | 光激励红外热成像无损检测方法、***、存储介质及终端 |
CN113066072A (zh) * | 2021-04-08 | 2021-07-02 | 南昌航空大学 | 一种航空发动机导向叶片微裂纹缺陷检测方法及*** |
CN113884538A (zh) * | 2021-10-18 | 2022-01-04 | 沈阳工业大学 | 大型风力机叶片内部微小缺陷的红外热像检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
JP2016163099A (ja) * | 2015-02-27 | 2016-09-05 | シャープ株式会社 | 画像処理装置および画像表示装置 |
CN107729907A (zh) * | 2016-08-12 | 2018-02-23 | 南京理工大学 | 一种基于红外热成像***的故障识别方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN108921170A (zh) * | 2018-06-21 | 2018-11-30 | 武汉科技大学 | 一种有效的图像噪声检测和去噪方法及*** |
CN109060822A (zh) * | 2018-07-17 | 2018-12-21 | 上海大学 | 长脉冲红外无损检测序列图像处理方法与*** |
CN109636755A (zh) * | 2018-12-12 | 2019-04-16 | 电子科技大学 | 一种通过加权估计实现红外热图像增强的方法 |
CN211877838U (zh) * | 2019-07-01 | 2020-11-06 | 武汉科技大学 | 一种基于dsp的红外热成像缺陷无损检测装置 |
-
2019
- 2019-07-01 CN CN201910612330.9A patent/CN110333267A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08189904A (ja) * | 1995-01-06 | 1996-07-23 | Kawasaki Steel Corp | 表面欠陥検出装置 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
JP2016163099A (ja) * | 2015-02-27 | 2016-09-05 | シャープ株式会社 | 画像処理装置および画像表示装置 |
CN107729907A (zh) * | 2016-08-12 | 2018-02-23 | 南京理工大学 | 一种基于红外热成像***的故障识别方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN108921170A (zh) * | 2018-06-21 | 2018-11-30 | 武汉科技大学 | 一种有效的图像噪声检测和去噪方法及*** |
CN109060822A (zh) * | 2018-07-17 | 2018-12-21 | 上海大学 | 长脉冲红外无损检测序列图像处理方法与*** |
CN109636755A (zh) * | 2018-12-12 | 2019-04-16 | 电子科技大学 | 一种通过加权估计实现红外热图像增强的方法 |
CN211877838U (zh) * | 2019-07-01 | 2020-11-06 | 武汉科技大学 | 一种基于dsp的红外热成像缺陷无损检测装置 |
Non-Patent Citations (1)
Title |
---|
郭启军;潘炼;钱新恩;: "基于图象识别的高抛光透射面缺陷检测", 计算技术与自动化, no. 04 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798418A (zh) * | 2020-06-22 | 2020-10-20 | 电子科技大学 | 基于hog、lbp和glcm特征融合的吸波涂层散斑缺陷检测方法 |
CN112381796A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN112381796B (zh) * | 2020-11-16 | 2021-08-03 | 广东电网有限责任公司肇庆供电局 | 一种基于红外数据的导线缺陷识别及检测方法 |
CN112132911A (zh) * | 2020-11-25 | 2020-12-25 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112132911B (zh) * | 2020-11-25 | 2021-03-16 | 恒银金融科技股份有限公司 | 一种用于红外数字图像检测的阈值自适应方法 |
CN112782226A (zh) * | 2020-12-31 | 2021-05-11 | 四川沐迪圣科技有限公司 | 光激励红外热成像无损检测方法、***、存储介质及终端 |
CN112782226B (zh) * | 2020-12-31 | 2024-05-03 | 四川沐迪圣科技有限公司 | 光激励红外热成像无损检测方法、***、存储介质及终端 |
CN113066072A (zh) * | 2021-04-08 | 2021-07-02 | 南昌航空大学 | 一种航空发动机导向叶片微裂纹缺陷检测方法及*** |
CN113066072B (zh) * | 2021-04-08 | 2023-06-06 | 南昌航空大学 | 一种航空发动机导向叶片微裂纹缺陷检测方法及*** |
CN113884538A (zh) * | 2021-10-18 | 2022-01-04 | 沈阳工业大学 | 大型风力机叶片内部微小缺陷的红外热像检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110333267A (zh) | 一种基于rsbss红外无损检测热成像缺陷图像处理方法及*** | |
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN103619238B (zh) | 用于确定皮炎值的装置和方法 | |
CN107832802A (zh) | 基于人脸比对的人脸图像质量评价方法及装置 | |
CN111950515B (zh) | 一种基于语义特征金字塔网络的小人脸检测方法 | |
CN108416771A (zh) | 一种基于单目相机的金属材料锈蚀面积检测方法 | |
CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
CN106886216A (zh) | 基于rgbd人脸检测的机器人自动跟踪方法和*** | |
CN112287896A (zh) | 一种基于深度学习的无人机航拍图像目标检测方法及*** | |
CN107945156A (zh) | 一种自动评价数字病理扫描图像画质的方法 | |
CN108596087A (zh) | 一种基于双网络结果的驾驶疲劳程度检测回归模型 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN109255379A (zh) | 一种基于融合特征和svm结合的羊角弓区域定位方法 | |
CN113252701A (zh) | 基于云边协同的输电线路绝缘子自爆缺陷检测***及方法 | |
CN110047059A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
CN116681885A (zh) | 输变电设备红外图像目标识别方法及*** | |
CN111339967A (zh) | 一种基于多视域图卷积网络的行人检测方法 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116071348B (zh) | 基于视觉检测的工件表面检测方法及相关装置 | |
CN116664524A (zh) | 一种基于神经网络的防刺性能检测方法、***及装置 | |
CN116189160A (zh) | 一种基于局部对比度机制的红外弱小目标检测方法 | |
Xu et al. | A deep neural network-based intelligent detection model for manufacturing defects of automobile parts | |
CN111062338B (zh) | 一种证照人像一致性比对方法及其*** | |
Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades |
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 |