CN110880170B - 一种复合材料缺陷的深度预测方法 - Google Patents

一种复合材料缺陷的深度预测方法 Download PDF

Info

Publication number
CN110880170B
CN110880170B CN201911005167.6A CN201911005167A CN110880170B CN 110880170 B CN110880170 B CN 110880170B CN 201911005167 A CN201911005167 A CN 201911005167A CN 110880170 B CN110880170 B CN 110880170B
Authority
CN
China
Prior art keywords
defect
depth
time
different
defects
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.)
Active
Application number
CN201911005167.6A
Other languages
English (en)
Other versions
CN110880170A (zh
Inventor
高斌
汪美伶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Mudisheng Technology Co ltd
Original Assignee
Sichuan Mudisheng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Mudisheng Technology Co ltd filed Critical Sichuan Mudisheng Technology Co ltd
Priority to CN201911005167.6A priority Critical patent/CN110880170B/zh
Publication of CN110880170A publication Critical patent/CN110880170A/zh
Application granted granted Critical
Publication of CN110880170B publication Critical patent/CN110880170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/543Depth or shape recovery from line drawings
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

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 Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种复合材料缺陷的深度预测方法,通过基于稀疏矩阵分解算法定性分析,利用高斯变换,通过提取缺陷区域和非缺陷区域的热对比温度曲线,以热对比曲线峰值时间为不同深度的特征时间,将理论上特征时间和缺陷深度之间的非线性关系重新映射为线性关系,从而精准的预测出缺陷深度,具有方法简便,且预测精度高等特点。

Description

一种复合材料缺陷的深度预测方法
技术领域
本发明属于无损检测技术领域,更为具体地讲,涉及一种复合材料缺陷的深度预测方法。
背景技术
无损检测是建立在现代科学技术基础上的一门应用性技术学科,以不破坏被测物体内部结构为前提,用物理的方法检测物体内部或表面的物理性能,状态特性以及内部结构,检查物体内部是否存在缺陷,从而判断被测试件是否合格。对于缺陷的检测主要分为定性分析和定量分析,定性分析以确定被测试件是否含有缺陷,而定量分析确定缺陷的尺寸以及深度。
碳纤维复合材料具有低密度、高强度、耐高温、抗氧化等优点,在航空航天领域的应用越来越广泛。在严峻的航空环境下,复合材料部件往往会因为疲劳累积、撞击、腐蚀等物理化学因素影响,容易产生缺陷和损伤。出于对航空材料的高质量,高可靠性的需求,无损检测也就具有巨大的重要性。红外热成像检测技术被广泛用于各类缺陷的快速检测,再利用红外热图像序列进行分析处理实现缺陷的定性分析和定量分析。
发明内容
本发明的目的在于克服现有技术的不足,提供一种复合材料缺陷的深度预测方法,通过提取缺陷热对比特征时间和高斯变换相结合,将特征时间和缺陷深度的非线性关系通过高斯变换映射为线性关系,从而实现缺陷深度的准确估计。
为实现上述发明目的,本发明一种复合材料缺陷的深度预测方法,其特征在于,包括以下步骤:
(1)、对被测试件进行热激励,采集被测试件的红外热图像序列;
(2)、利用矩阵稀疏分解算法对红外热图像序列进行缺陷定性分析,从而确定出所有缺陷区域;
(3)、提取不同深度缺陷的热对比特征时间
(3.1)、在每一个缺陷区域内选取中心区域内的多个像素点,再提取每个像素点的温度随时间变化的曲线,记为该深度缺陷下的时间-温度曲线 k表示选取的像素点个数,j=1,2,…,N,N表示缺陷区域的个数;以及在该缺陷区域周围选取一个非缺陷区域的像素点,并提取该像素点的温度随时间变化的曲线,记为标准的时间-温度曲线Tj
(3.2)、将每一个深度缺陷下的时间-温度曲线与标准的时间-温度曲线作差,得到每一个深度缺陷下对应的热对比曲线即/>
(3.3)、将每一个深度缺陷下的所有峰值所对应的时间求均值,得到每一个深度缺陷下的特征时间τj
(3.4)、将所有深度缺陷下的特征时间τj组成特征时间序列τmj
(4)、预测缺陷深度
(4.1)、利用高斯分布对非线性因素进行建模
建立修正特征时间值τmj'=τmjj,εj为不同深度缺陷下的不确定性变量;
建立高斯变换的数学模型:其中,1≤j≤N,rank(τmj)表示τmj的大小次序,Φ-1是累积分布函数的反函数;
其中,Φ-1满足:其中,/>
(4.2)、选取不同的标准差σ,建立τmj与缺陷深度dj之间的关系;
其中,表示τmj与dj之间拟合的线性映射矩阵,T表示转置;
(4.3)、将选取的不同的σ值代入到步骤(4.2)所示的关系式中,分别计算出不同的缺陷深度dj,再根据公式计算误差errorj,最后选取最小值errorj对应的σ作为最终的标准差,其中,/>表示第j个缺陷区域的实际深度;
(4.4)、根据最终的σ值修正τmj,得到修正后的特征时间值τmj';
(4.5)、建立τmj'与缺陷深度dj之间的关系,进而预测出不同的缺陷深度。
本发明的发明目的是这样实现的:
本发明一种复合材料缺陷的深度预测方法,通过基于稀疏矩阵分解算法定性分析,利用高斯变换,通过提取缺陷区域和非缺陷区域的热对比温度曲线,以热对比曲线峰值时间为不同深度的特征时间,将理论上特征时间和缺陷深度之间的非线性关系重新映射为线性关系,从而精准的预测出缺陷深度,具有方法简便,且预测精度高等特点。
附图说明
图1是本发明一种复合材料缺陷的深度预测方法流程图;
图2是复合材料缺陷试件的热图像样图;
图3是不同深度缺陷的热对比曲线;
图4是通过选取不同的σ值对于修正结果的影响图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种复合材料缺陷的深度预测方法流程图。
在本实施例中,如图1所示,本发明一种复合材料缺陷的深度预测方法,包括以下步骤:
S1、图像采集
对被测试件用卤素灯进行热加载,采集被测试件的红外热图像序列;
S2、图像预处理
利用矩阵稀疏分解算法对红外热图像序列进行缺陷定性分析,从而确定出所有缺陷区域;
在本实施例中,对于获得的含缺陷的红外热图像序列,为减少热图像帧数及提高缺陷检测的精度,先通过常用的特征提取算法进行预处理,例如主成分分析(PCA)、独立成分分析(ICA)和热图像信号重构(TSR),在本实施例中,采用稀疏矩阵分解算法进行预处理,这样可以确定出所有缺陷区域。
S3、提取不同深度缺陷的热对比特征时间
S3.1、在每一个缺陷区域内选取中心区域内的多个像素点,再提取每个像素点的温度随时间变化的曲线,记为该深度缺陷下的时间-温度曲线k表示选取的像素点个数,j=1,2,…,N,N表示缺陷区域的个数;以及在该缺陷区域周围选取一个非缺陷区域的像素点,并提取该像素点的温度随时间变化的曲线,记为标准的时间-温度曲线Tj
在本实施例中,根据图2显示的缺陷区域和非缺陷区域,选取两种不同直径大小的缺陷(A组和B组)的四个不同深度的缺陷,记为A1-A4和B1-B4;在本实施例中,为了减小误差,根据缺陷直径大小选取了不同个数像素点,取这些像素点的温度热对比峰值时间的平均值。其中,在20mm直径的B组缺陷中选取了30个像素点,在10mm直径大小的A缺陷中选取了16个像素点,为了减少不均匀加热的影响,选取了缺陷区域旁边的非缺陷区域像素点,选取完像素点后,提取它们的温度随时间变化曲线。
S3.2、将每一个深度缺陷下的时间-温度曲线与标准的时间-温度曲线作差,得到每一个深度缺陷下对应的热对比曲线即/>
S3.3、将每一个深度缺陷下的所有峰值所对应的时间求均值,得到每一个深度缺陷下的特征时间τj
在本实施例中,为了更加清楚的显示它们的峰值时间,统一将曲线都进行了归一化,如图3所示,不同的深度缺陷会在不同的时间达到热对比的峰值,随着深度的增加,时间出现得也越晚。
S3.4、将所有深度缺陷下的特征时间τj组成特征时间序列τmj
S4、预测缺陷深度
S4.1、利用高斯分布对非线性因素进行建模
首先,我们对特征峰值时间和缺陷深度之间的关系进行理论分析。
热图像中表面温度场在趋于平衡的过程中,每个像素点的温度变化可简化为一维热传导模型,由傅里叶扩散方程得出的缺陷区域和非缺陷区域之间的热对比曲线Td(0,t)、Tn(0,t)可表示为:
其中,α表示热扩散率,k、ρ、c分别表示被测试件的热导率、密度和比热容;Q为表面总能量,d为缺陷的深度,t为时间;
将上式微分,可以得到热对比曲线的峰值时间:
该式是由闪光灯作为激励源所导出的关系式,闪光灯的加热时间极短,仅仅只有几毫秒,而卤素灯的加热时间却长达几秒,由于热激励输入导致的试件表面的温度响应这个过程不是时不变的,那么就不能把卤素灯的温度响应当成闪光灯温度响应的简单叠加,也就是说tPCT会发生偏移。
然而以上所有理论都是建立在热传导一维模型分析的,但是热的传导本身是三维的,tPCT不仅和缺陷的深度有关,也和缺陷的横向大小有关,因此特征时间和缺陷深度之间复杂的非线性关系很难建立。
因此,在本实施例中,我们采用高斯变换对非线性因素进行建模,而高斯变换的思想是将不确定性的分布转换为高斯分布,其具体过程为:
建立修正特征时间值τmj'=τmjj,εj为不同深度缺陷下的不确定性变量;
建立高斯变换的数学模型:其中,1≤j≤N,rank(τmj)表示τmj的大小次序,Φ-1是累积分布函数的反函数;
其中,Φ-1满足:其中,/>
S4.2、选取不同的标准差σ,建立τmj与缺陷深度dj之间的关系;
其中,表示τmj与dj之间拟合的线性映射矩阵,T表示转置;
S4.3、在本实施例中,由于Φ-1与高斯分布标准差σ相关,不同的σ值会对应不同的修正结果,为了得出最佳的σ值,对比了不同σ值所修正的不同结果。
具体方法为:将选取的不同的σ值代入到步骤S4.2所示的关系式中,分别计算出不同的缺陷深度dj,再根据公式计算误差errorj,最后选取最小值errorj对应的σ作为最终的标准差,其中,/>表示第j个缺陷区域的实际深度;
在本实施例中,如图4所示,修正后的深度误差会因为不同σ值而不同,图4(a)为10mm直径缺陷的修正结果,随着σ值的增大,深度的误差有减小的趋势,但当σ>5的时候,误差的改进并不明显,并且有反而增大误差的风险,如图4(a)中0.5mm和2mm深度缺陷,图4(b)中的1mm缺陷。经过数据分析,最终将最佳标准差σ定为10。
S4.4、根据最终的σ值修正τmj,得到修正后的特征时间值τmj';
S4.5、建立τmj'与缺陷深度dj之间的关系,进而预测出不同的缺陷深度。
综述,由于特征时间和缺陷深度之间的理论非线性关系,因此修正前的线性拟合会造成较大的深度预测误差,而本实施例中用高斯分布对非线性因素建模,使其非线性关系映射为更加准确的线性关系,如表1所示,修正后,预测深度的误差会明显减小。
表1
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种复合材料缺陷的深度预测方法,其特征在于,包括以下步骤:
(1)、对被测试件进行热激励,采集被测试件的红外热图像序列;
(2)、利用矩阵稀疏分解算法对红外热图像序列进行缺陷定性分析,从而确定出所有缺陷区域;
(3)、提取不同深度缺陷的热对比特征时间
(3.1)、在每一个缺陷区域内选取中心区域内的多个像素点,再提取每个像素点的温度随时间变化的曲线,记为该深度缺陷下的时间-温度曲线Tji,i=1,2,…,k,k表示选取的像素点个数,j=1,2,…,N,N表示缺陷区域的个数;以及在该缺陷区域周围选取一个非缺陷区域的像素点,并提取该像素点的温度随时间变化的曲线,记为标准的时间-温度曲线Tj
(3.2)、将每一个深度缺陷下的时间-温度曲线与标准的时间-温度曲线作差,得到每一个深度缺陷下对应的热对比曲线即/>
(3.3)、将每一个深度缺陷下的所有峰值所对应的时间求均值,得到每一个深度缺陷下的特征时间τj
(3.4)、将所有深度缺陷下的特征时间τj组成特征时间序列τmj
(4)、预测缺陷深度
(4.1)、利用高斯分布对非线性因素进行建模
建立修正特征时间值τmj'=τmjj,εj为不同深度缺陷下的不确定性变量;
建立高斯变换的数学模型:其中,1≤j≤N,rank(τmj)表示τmj的大小次序,Φ-1是累积分布函数的反函数;
其中,Φ-1满足:其中,/>
(4.2)、选取不同的标准差σ,建立τmj与缺陷深度dj之间的关系;
其中,表示τmj与dj之间拟合的线性映射矩阵,T表示转置;
(4.3)、将选取的不同的σ值代入到步骤(4.2)所示的关系式中,分别计算出不同的缺陷深度dj,再根据公式计算误差errorj,最后选取最小值errorj对应的σ作为最终的标准差,其中,/>表示第j个缺陷区域的实际深度;
(4.4)、根据最终的σ值修正τmj,得到修正后的特征时间值τmj';
(4.5)、建立τmj'与缺陷深度dj之间的关系,进而预测出不同的缺陷深度。
CN201911005167.6A 2019-10-22 2019-10-22 一种复合材料缺陷的深度预测方法 Active CN110880170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911005167.6A CN110880170B (zh) 2019-10-22 2019-10-22 一种复合材料缺陷的深度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911005167.6A CN110880170B (zh) 2019-10-22 2019-10-22 一种复合材料缺陷的深度预测方法

Publications (2)

Publication Number Publication Date
CN110880170A CN110880170A (zh) 2020-03-13
CN110880170B true CN110880170B (zh) 2023-10-31

Family

ID=69728028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911005167.6A Active CN110880170B (zh) 2019-10-22 2019-10-22 一种复合材料缺陷的深度预测方法

Country Status (1)

Country Link
CN (1) CN110880170B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652252B (zh) * 2020-06-11 2022-11-11 中国空气动力研究与发展中心超高速空气动力研究所 一种基于集成学习的超高速撞击损伤的定量识别方法
CN113504290B (zh) * 2021-08-06 2022-10-14 河北省食品检验研究院 一种基于飞行时间质谱的李斯特氏菌分型方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148799A (zh) * 2013-01-30 2013-06-12 首都师范大学 基于对数一阶微分峰值法的缺陷深度测量方法
CN104698035A (zh) * 2015-03-22 2015-06-10 何赟泽 一种微波阶跃热成像检测和层析成像方法及***
CN108072337A (zh) * 2016-11-18 2018-05-25 首都师范大学 一种考虑缺陷尺寸情况下的物体缺陷深度的测量方法
CN108444934A (zh) * 2018-01-30 2018-08-24 四川沐迪圣科技有限公司 一种复合材料脱粘缺陷的自动分割及量化方法
EP3410106A1 (en) * 2016-01-29 2018-12-05 Panasonic Intellectual Property Management Co., Ltd. Thickness measurement method, thickness measurement device, defect detection method, and defect detection device
CN108956638A (zh) * 2018-04-27 2018-12-07 湖南文理学院 一种用于土木工程结构表观缺陷的评定检测***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103148799A (zh) * 2013-01-30 2013-06-12 首都师范大学 基于对数一阶微分峰值法的缺陷深度测量方法
CN104698035A (zh) * 2015-03-22 2015-06-10 何赟泽 一种微波阶跃热成像检测和层析成像方法及***
EP3410106A1 (en) * 2016-01-29 2018-12-05 Panasonic Intellectual Property Management Co., Ltd. Thickness measurement method, thickness measurement device, defect detection method, and defect detection device
CN108072337A (zh) * 2016-11-18 2018-05-25 首都师范大学 一种考虑缺陷尺寸情况下的物体缺陷深度的测量方法
CN108444934A (zh) * 2018-01-30 2018-08-24 四川沐迪圣科技有限公司 一种复合材料脱粘缺陷的自动分割及量化方法
CN108956638A (zh) * 2018-04-27 2018-12-07 湖南文理学院 一种用于土木工程结构表观缺陷的评定检测***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A novel defect depth measurement method based on Nonlinear System Identification for pulsed thermographic inspection;Yifan Zhao et al.;《Mechanical Systems and Signal Processing》;第382-395页 *
Characterization of defects of pulsed thermography inspections by orthogonal polynomial decomposition;C.A. Alvarez-Restrepo et al.;《NDT and E International》;第9-21页 *
Effect of defect size on defect depth quantification in pulsed thermography;D Sharath et al.;《MEASUREMENT SCIENCE AND TECHNOLOGY》;第1-7页 *
基于对数二阶微分峰值法的缺陷深度测量研究;王中华 等;《红外》;第34卷(第3期);第21-25页,第31页 *
碳纤维复合材料内部缺陷深度的定量红外检测;霍雁 张存林;《物理学报》;第61卷(第14期);第144204-1——144204-7页 *

Also Published As

Publication number Publication date
CN110880170A (zh) 2020-03-13

Similar Documents

Publication Publication Date Title
CN106950276B (zh) 一种基于卷积神经网络的管道缺陷深度的反演方法
CN110880170B (zh) 一种复合材料缺陷的深度预测方法
Dudzik Two-stage neural algorithm for defect detection and characterization uses an active thermography
CN108072337B (zh) 一种考虑缺陷尺寸情况下的物体缺陷深度的测量方法
Grys New thermal contrast definition for defect characterization by active thermography
Zhang et al. Quality control of additively manufactured metallic structures with machine learning of thermography images
Cadelano et al. Corrosion detection in pipelines using infrared thermography: Experiments and data processing methods
Orazi et al. Thermographic analysis of bronze sculptures
Ziopaja et al. Damage detection using thermal experiments and wavelet transformation
Liu et al. Investigation of thermal imaging sampling frequency for eddy current pulsed thermography
Rippa et al. Active thermography for non-invasive inspection of an artwork on poplar panel: novel approach using principal component thermography and absolute thermal contrast
Saeed et al. Sensitivity and robustness of neural networks for defect-depth estimation in CFRP composites
Dicecco et al. Determination of forming limit diagrams of AA6013-T6 aluminum alloy sheet using a time and position dependent localized necking criterion
Jie et al. Defect detection in composite products based on sparse moving window principal component thermography
CN110057745B (zh) 一种金属构件腐蚀情况的红外检测方法
CN113884538A (zh) 大型风力机叶片内部微小缺陷的红外热像检测方法
Beitone et al. Heat source reconstruction from noisy temperature fields using a gradient anisotropic diffusion filter
CN112818579A (zh) 一种基于多参数耦合的设备热应力场高效检测方法
Dudzik Application of the naive Bayes classifier to defect characterization using active thermography
CN113218998B (zh) 一种基于全局莫兰指数的涡流热成像缺陷识别方法
Wronkowicz et al. Enhancement of damage identification in composite structures with self-heating based vibrothermography
Ye et al. Application of ridge regression and factor analysis in design and production of alloy wheels
Kretzmann et al. Non-destructive testing with transient thermography on composite materials
Vageswar et al. Wall thinning defect estimation using pulsed IR thermography in transmission mode
Galagan et al. Statistical analysis of thermal nondestructive testing data

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