CN112200788B - 高温变形测量装置及方法 - Google Patents

高温变形测量装置及方法 Download PDF

Info

Publication number
CN112200788B
CN112200788B CN202011108313.0A CN202011108313A CN112200788B CN 112200788 B CN112200788 B CN 112200788B CN 202011108313 A CN202011108313 A CN 202011108313A CN 112200788 B CN112200788 B CN 112200788B
Authority
CN
China
Prior art keywords
image
test piece
neural network
convolutional neural
images
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
CN202011108313.0A
Other languages
English (en)
Other versions
CN112200788A (zh
Inventor
冯雪
王锦阳
张金松
唐云龙
岳孟坤
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202011108313.0A priority Critical patent/CN112200788B/zh
Publication of CN112200788A publication Critical patent/CN112200788A/zh
Application granted granted Critical
Publication of CN112200788B publication Critical patent/CN112200788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/02—Details
    • G01N3/06—Special adaptations of indicating or recording means
    • G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/60—Investigating resistance of materials, e.g. refractory materials, to rapid heat changes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/003—Generation of the force
    • G01N2203/0057—Generation of the force using stresses due to heating, e.g. conductive heating, radiative heating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
    • G01N2203/0075—Strain-stress relations or elastic constants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/022—Environment of the test
    • G01N2203/0222—Temperature
    • G01N2203/0226—High temperature; Heating means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
    • G01N2203/0647—Image analysis
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种高温变形测量装置及方法。所述装置包括：处理设备、图像获取设备、加热设备。加热设备用于产生热气流，并通过热气流对试件进行加热；图像获取设备用于在试件的加热过程中，获取试件的检测图像；处理设备用于通过卷积神经网络对所述检测图像进行残差识别处理，获得检测图像的残差信息；根据检测图像和残差信息，获得试件的变形图像；根据变形图像，获得试件的变形场。根据本公开的实施例的高温变形测量装置，可通过卷积神经网络降低高温热辐射引起的图像亮度不均匀、热气流扰动引起空气折射率变化等因素的耦合影响，获得更清晰的实验图像，提升了变形场的测量精度。

Description

高温变形测量装置及方法
技术领域
本公开涉及计算机领域，尤其涉及一种高温变形测量装置及方法。
背景技术
在航空航天、材料加工等领域，一些关键结构或部件常服役于高温环境下，高温材料的性能成为制约设备稳定工作的重要因素。高温环境下材料的力学性能评估和测量具有重要的意义，对于材料的性能评估、寿命预测和开展产品的设计具有重要作用。高温环境下的材料变形测量成为评估高温环境下材料的力学性能的重要依据。
其中，数字图像相关方法由于其光路设置简单、精度高、环境适应度好等优势，近些年来在高温测试中的应用日趋成熟。然而，高温极端环境带来的光学测试挑战仍亟待解决，诸如高温热辐射引起图像亮度不均匀、热气流扰动引起空气折射率变化等因素的耦合作用，使得由高温数字图像相关技术获取的图像的识别精度难以提升，严重影响了变形场计算的精度。
发明内容
有鉴于此，本公开提出了一种高温变形测量装置及方法。
根据本公开的一方面，提供了一种高温变形测量装置，所述装置包括：处理设备、图像获取设备、加热设备。所述加热设备用于：产生热气流，并通过热气流对试件进行加热；所述图像获取设备用于：在所述试件的加热过程中，获取所述试件的检测图像；所述处理设备用于：通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示所述试件受到热辐射和热气流扰动产生的影响；根据所述检测图像和所述残差信息，获得所述试件的变形图像；根据所述变形图像，获得所述试件的变形场。
在一种可能的实现方式中，通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，包括：对所述检测图像进行分割处理，获得所述检测图像的多个子图像；通过卷积神经网络对所述多个子图像分别进行残差识别处理，获得所述多个子图像的残差图像，其中，所述检测图像的残差信息包括所述多个子图像的残差图像。
在一种可能的实现方式中，根据所述检测图像和所述残差信息，获得所述试件的变形图像，包括：对所述多个子图像以及所述多个子图像的残差图像分别进行作差处理，获得变形子图像；对所述变形子图像进行拼接处理，获得所述变形图像。
在一种可能的实现方式中，根据所述变形图像，获得所述试件的变形场，包括：获得所述变形图像的第一预设通道的图像信息；根据所述第一预设通道的图像信息，获得所述变形场。
在一种可能的实现方式中，所述加热设备被设置于所述试件和所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为预设角度，其中，所述预设角度大于0°且小于90°。
在一种可能的实现方式中，所述装置还包括测温设备，用于获取试件的温度信息，所述图像获取设备还用于：在所述试件的加热过程中获取多个第一样本图像，所述处理设备还用于：通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练，在获取所述第一样本图像时，所述试件被设置于所述加热设备与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为90°。
在一种可能的实现方式中，所述通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练，包括：获取所述第一样本图像的第二预设通道的图像信息；根据所述第二预设通道的图像信息以及与所述第一样本图像同时获取的温度信息，获得所述试件表面的温度场；根据所述温度场，获得与所述第一样本图像对应的热辐射图；将所述第一样本图像输入所述卷积神经网络，获得热辐射训练图；根据所述热辐射训练图和所述热辐射图，确定所述卷积神经网络的第一网络损失函数值；根据所述第一网络损失函数值训练所述卷积神经网络。
在一种可能的实现方式中，所述图像获取设备还用于：在所述试件未被加热时获取常温图像以及在所述试件的加热过程中获取多个第二样本图像，所述处理设备还用于：通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练，在获取所述第二样本图像时，所述加热设备被设置于所述试件与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为0°。
在一种可能的实现方式中，通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练，包括：将所述第二样本图像与所述常温图像进行作差处理，获得所述试件的热气流扰动噪声图；将所述第二样本图像输入所述卷积神经网络，获得热气流训练图；根据所述热气流训练图和所述热气流扰动噪声图，确定所述卷积神经网络的第二网络损失函数值；根据所述第二网络损失函数值训练所述卷积神经网络。
根据本公开的另一方面，提供了一种高温变形测量方法，所述方法包括：通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示所述试件受到热辐射和热气流扰动产生的影响；根据所述检测图像和所述残差信息，获得所述试件的变形图像；根据所述变形图像，获得所述试件的变形场。
根据本公开的实施例的高温变形测量装置，可分别针对热辐射和热气流扰动产生的影响训练卷积神经网络，可抑制热辐射引起亮度不均匀以及热气流扰动引起空气折射率变化耦合作用产生的影响，提升识别残差信息的准确率，获得更清晰的实验图像。通过卷积神经网络来获得试件受到热辐射和热气流扰动产生的影响，降低高温热辐射引起的图像亮度不均匀、热气流扰动引起空气折射率变化等因素的耦合作用，提升了变形场的精度，并提高了评估高温环境下材料的力学性能的评估准确性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的高温变形测量装置的示意图；
图2示出根据本公开的实施例的卷积神经网络训练过程的示意图；
图3示出根据本公开的实施例的卷积神经网络训练过程的示意图；
图4示出根据本公开的实施例的高温变形测量装置的示意图；
图5示出根据本公开的实施例的高温变形测量方法的流程图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开的实施例的高温变形测量装置的示意图，如图1所示，所述装置包括：处理设备11、图像获取设备12、加热设备13。
所述加热设备13用于：产生热气流，并通过热气流对试件进行加热；
所述图像获取设备12用于：在所述试件的加热过程中，获取所述试件的检测图像；
所述处理设备11用于：
通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示所述试件受到热辐射和热气流扰动产生的影响；
根据所述检测图像和所述残差信息，获得所述试件的变形图像；
根据所述变形图像，获得所述试件的变形场。
根据本公开的实施例的高温变形测量装置，可通过卷积神经网络来获得试件受到热辐射和热气流扰动产生的影响，降低高温热辐射引起的图像亮度不均匀、热气流扰动引起空气折射率变化等因素的耦合作用产生的影响，获得更清晰的实验图像，提升了变形场的测量精度，并提高了评估高温环境下材料的力学性能的评估准确性。
在一种可能的实现方式中，所述试件可以是碳/碳化硅复合材料，可用于航空航天领域中作为热防护材料，本公开对试件的材料不做限制。
在一种可能的实现方式中，试件可通过试件夹固定在图像获取设备的镜头前方，所述图像获取设备可以是CCD(charge coupled device，电荷耦合器件)相机，可用于获取试件在高温环境下的图像。图像获取设备的镜头前可加装滤波片(例如，采用蓝光滤波片)，用以滤除大部分强光辐射。
在一种可能的实现方式中，还可在相机附近设置补偿光源，例如，蓝光光源，用以补偿实验环境的环境光，可与蓝光滤波片配合使用，可在避免强光辐射引起过曝的基础上，得到较为清晰的图像。
在一种可能的实现方式中，图像获取设备可与处理设备连接，以将采集获得的图像传输至处理设备，处理设备可对采集获得的试件图像进行处理，以获得试件的变形场。
在一种可能的实现方式中，所述加热设备可以是产生并喷射高温气流的设备，在对试件进行加热的同时，可通过热气流吹拂试件，对试件产生热气流扰动的影响和热辐射影响，可模拟航空航天领域中飞行器在飞行中的工况，即，同时承受高温与热气流的工况。所述加热设备被设置于所述试件和所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为预设角度，其中，所述预设角度大于0°且小于90°。
在示例中，如图1所示，加热设备产生的高温气流可从侧面吹拂试件，侧面吹拂的热气流可对试件加热，产生热辐射，并且，热气流扰动可引起空气折射率变化，产生热气流扰动。即，加热设备从侧面吹拂试件可同时对试件产生热辐射和热气流扰动的影响。
在一种可能的实现方式中，在加热过程中，图像获取设备可持续获取试件在加热过程中的检测图像，处理设备可通过卷积神经网络获取检测图像的残差信息，即，获取试件受到热辐射和热气流扰动产生的影响。
在一种可能的实现方式中，卷积神经网络可将热辐射和热气流扰动产生的影响作为外部环境对检测图像产生的噪声，进而识别该噪声。由于热辐射和热气流扰动的噪声较为复杂，因此所述卷积神经网络可以是深度学习神经网络，可包括多个网络层级，然而深层神经网络会使得计算量急剧上升且不能获得多个尺度的特征，因此，可通过空洞卷积，在不增加计算量的情况下扩大感受野，增加特征的尺度。
在一种可能的实现方式中，所述卷积神经网络可以是32层神经网络，其中，可通过Conv(卷积层)和ReLU(激活层)：作为卷积神经网络的第一层，采用标准卷积与ReLU(Rectified Linear Unit，修正线性单元)函数对输入的图像进行处理。卷积层由64个大小为3×3×1的滤波器组成，可生成64个特征图像，ReLU函数的作用在于使输出结果非线性化。可通过Dilated Conv(空洞卷积)、BN(批量标准化)和ReLU(激活层)作为卷积神经网络的2-31层，采用标准卷积与空洞卷积结合、批量标准化处理和ReLU函数获取特征图，其中卷积层包含64个大小为3×3×64的滤波器，按照“标准卷积—空洞率为1的空洞卷积—空洞率为2的空洞卷积”的顺序循环十次，构成卷积神经网络的30层中间层级。可通过Conv(卷积层)作为残差网络的最终层，该层级采用标准卷积，用1个3×3×64的滤波器重构图像，并获得所述残差信息。
在一种可能的实现方式中，在使用所述卷积神经网络获取残差信息之前，可对卷积神经网络进行训练，由于热辐射和热气流扰动产生的影响之间可能会产生耦合作用，不利于卷积神经网络识别残差信息，且加热过程中试件膨胀可引起的变形残差，不利于识别上述两种影响。基于上述原因，同时对试件施加上述两种影响并训练卷积神经网络不利于卷积神经网络训练的收敛，因此，可分别针对热辐射影响和热气流扰动产生的影响，分别训练卷积神经网络，使卷积神经网络分别获得识别上述两种影响的能力，继而可识别检测图像的残差信息。
在一种可能的实现方式中，可针对热辐射产生的影响，训练卷积神经网络，使卷积神经网络获得识别热辐射产生的影响的能力。
图2示出根据本公开的实施例的卷积神经网络训练过程的示意图，如图2所示，高温变形测量装置还包括测温设备，用于获取试件的温度信息，图像获取设备12还用于：在所述试件的加热过程中获取多个第一样本图像，处理设备11还用于：通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练。
在一种可能的实现方式中，在获取所述第一样本图像时，所述试件被设置于所述加热设备与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为90°。
在一种可能的实现方式中，由于加热设备与图像获取设备分别位于试件的两侧，因此，热气流对图像获取设备获取的图像的影响较小，在这种情况下，图像获取设备可在试件的加热过程中获取第一样本图像，并通过第一样本图像训练神经网络识别热辐射产生的影响的能力。
在一种可能的实现方式中，测温设备可以是红外测温设备，可用于在试件的加热过程中检测试件上特定位置的温度，并将检测获取的未读信息传输至处理设备。处理设备可实时获取第一样本图像以及拍摄第一样本图像时试件的温度信息，并利用第一样本图像和温度信息进行训练。
在一种可能的实现方式中，所述通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练，包括：获取所述第一样本图像的第二预设通道的图像信息；根据所述第二预设通道的图像信息以及与所述第一样本图像同时获取的温度信息，获得所述试件表面的温度场；根据所述温度场，获得与所述第一样本图像对应的热辐射图；将所述第一样本图像输入所述卷积神经网络，获得热辐射训练图；根据所述热辐射训练图和所述热辐射图，确定所述卷积神经网络的第一网络损失函数值；根据所述第一网络损失函数值训练所述卷积神经网络。
在一种可能的实现方式中，如图2所示，可通过加热设备对试件进行加热，使得试件温度上升，产生热辐射。在示例中，可控制加热设备的火焰中心温度达到600℃时，开始使用图像获取设备获取第一样本图像，并通过测温设备获得温度信息。可逐渐提升加热设备的热气流温度，并在加热过程中，获得多个第一样本图像以及温度信息。直到加热设备的火焰中心温度达到1500℃时，停止采集第一样本图像和温度信息。在加热过程中获取的第一样本图像组成的图像集和温度信息组成的温度数据集可用于训练卷积神经网络。
在一种可能的实现方式中，可通过第一样本图像的第二预设通道的图像信息以及温度信息获得第一样本图像的热辐射图，并可将热辐射图作为卷积神经网络的训练目标。
在一种可能的实现方式中，第二预设通道可以是第一样本图像的R(红色)通道和G(绿色)通道，可提取第一样本图像的R通道和G通道的图像信息(例如，第一样本图像的各像素点的R值和G值)。
在一种可能的实现方式中，可通过第二预设通道的图像信息以及与第一样本图像同时获取的温度信息，获得所述试件表面的温度场。
在示例中，可首先通过第二预设通道的图像信息获得比色波长系数。在示例中，可通过以下公式(1)来获得所述比色波长系数：
Figure BDA0002727698960000071
其中，I为所述比色波长系数，C2为第二普朗克辐射常数，λG为绿光波长，λR为红光波长。
随后，可通过比色波长系数以及温度信息，获得计算点温度(即，任意像素点的温度)，在示例中，可通过以下公式(2)来获得计算点温度：
Figure BDA0002727698960000081
其中，T为计算点温度，T0为参考点(即，测温设备测得的试件上的参考位置)温度，BRG为计算点红色通道与绿色通道的比色值，BRG0为参考点红色通道与绿色通道的比色值。可通过公式(2)，通过测温设备测量的单点的温度，以及第一样本图像中的各像素点的图像信息，确定各像素点的计算温度，即，试件的温度场。
进一步地，可将计算所得的温度场据公式在滤光片的滤光波长范围(例如，465±5nm)内积分，获得各像素点的辐射强度，如以下公式(3)：
Figure BDA0002727698960000082
其中，T为绝对温度，k、h为普朗克常数，c为真空中光速，k为玻尔兹曼常数。
在一种可能的实现方式中，可通过以下公式(4)，确定各点的热辐射噪声，即，确定热辐射图：
Figure BDA0002727698960000083
其中，Gra(T)为计算点的热辐射噪声，m为图像灰度值与响应电流间的转换系数，u为光电转换系数，t为图像采集过程中的曝光时间，r′＝2a/f′为相对孔径，a为入射光瞳半径，f’为图像获取设备的焦距，K为相机镜头组透过率系数。可通过公式(4)计算各像素点的热辐射噪声，进而获得所述热辐射图。热辐射图为通过第一样本图像的图像信息和实测的温度信息计算获得的结果，为准确的热辐射图，可将热辐射图与无噪声图(例如，常温下获得的试件的图像)作差获得准确的噪声图，并将准确的噪声图作为卷积神经网络的训练目标。
在一种可能的实现方式中，可将第一样本图像输入卷积神经网络，可获得热辐射训练图，即，卷积神经网络预测获得的热辐射图，所述热辐射训练图可能存在误差，可通过训练，提高卷积神经网络的精度，以减小热辐射训练图与热辐射图之间的误差。
在一种可能的实现方式中，可根据热辐射训练图和热辐射图，确定卷积神经网络的第一网络损失函数值，例如，可通过以下公式(5)确定第一网络损失函数值：
Figure BDA0002727698960000091
其中，L(Θ)为第一网络损失函数值，R(yi；Θ)为热辐射预测图的第i个像素点，yi为热辐射图的第i(i≤N，N为热辐射预测图的像素点数量，i和N为正整数)个像素点，xi为无噪声图(例如，在常温下拍摄的图像)的第i个像素点，Θ为学***均值，可获得所述第一网络损失函数值。
在一种可能的实现方式中，可通过第一网络损失函数值训练卷积神经网络。例如，可通过第一网络损失函数值进行反向传播，通过梯度下降法逐次调整卷积神经网络的网络参数，以减小卷积神经网络的误差，提高卷积神经网络的精度。在示例中，上述训练过程可迭代执行多次，直到满足训练条件，例如，训练次数达到预设次数，第一网络损失函数值小于预设阈值或收敛于预设区间等训练条件。本公开对训练条件不做限制。
在一种可能的实现方式中，在满足训练条件后，卷积神经网络可识别热辐射产生的影响。通过上述方式训练的卷积神经网络可抑制高温辐射引起亮度不均匀所产生的误差，提升对热辐射的识别能力，提升检测精度。
在一种可能的实现方式中，在卷积神经网络能够识别热辐射产生的影响后，可继续训练卷积神经网络，使其能够识别热气流扰动产生的影响。
图3示出根据本公开的实施例的卷积神经网络训练过程的示意图，如图3所示，图像获取设备12还用于：在所述试件未被加热时获取常温图像以及在所述试件的加热过程中获取多个第二样本图像，处理设备11还用于：通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练。
在一种可能的实现方式中，在获取所述第二样本图像时，所述加热设备被设置于所述试件与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为0°。
在一种可能的实现方式中，由于加热设备产生的热气流不直接吹拂试件，因此，几乎不会使试件产生温度变化，其产生的影响为热气流扰动引起空气折射率变化造成的影响，即，热气流扰动产生的残差。由于几乎不存在热辐射的影响，则在训练过程中，可实现热气流扰动产生的影响与热辐射产生的影响的解耦，可在训练过程中分别提升卷积神经网络识别上述两种影响的能力，并可使训练能够收敛。
在一种可能的实现方式中，通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练，包括：将所述第二样本图像与所述常温图像进行作差处理，获得所述试件的热气流扰动噪声图；将所述第二样本图像输入所述卷积神经网络，获得热气流训练图；根据所述热气流训练图和所述热气流扰动噪声图，确定所述卷积神经网络的第二网络损失函数值；根据所述第二网络损失函数值训练所述卷积神经网络。
在一种可能的实现方式中，可在加热设备加热之前通过图像获取设备获取常温图像，即，没有噪声(热辐射和热气流扰动)干扰的图像。随后，可开启加热设备，产生热气流。在示例中，可控制加热设备的火焰中心温度达到600℃时，开始使用图像获取设备获取第二样本图像。可逐渐提升加热设备的热气流温度，并在加热过程中，获得多个第二样本图像。直到加热设备的火焰中心温度达到1500℃时，停止采集第二样本图像。在加热过程中获取的第二样本图像组成的图像集可用于训练卷积神经网络。
在一种可能的实现方式中，可将第二样本图像与常温图像作差，由于第二样本图像中仅存在热气流扰动产生的噪声干扰，将第二样本图像与常温图像作差即可获得热气流扰动噪声图，即，表示热气流干扰的噪声图。
在一种可能的实现方式中，可将第二样本图像输入卷积神经网络，获得热气流训练图，即，卷积神经网络预测获得的热气流干扰噪声图，所述热辐射训练图可能存在误差，可通过训练，提高神残差经网络的精度，以减小热气流训练图与热气流扰动噪声图之间的误差。
在一种可能的实现方式中，可根据热气流训练图与热气流扰动噪声图之间的误差确定第二网络损失函数值，并训练卷积神经网络。在示例中，可通过与第一网络损失函数值类似的方式，确定第二网络损失函数值。即，可获得热气流训练图的第i个像素点的噪声与准确的噪声(第二样本图像与常温图像作差获得噪声)的二范数，并可对N个像素点的二范数求平均值，可获得所述第二网络损失函数值。
在一种可能的实现方式中，可通过第二网络损失函数值训练卷积神经网络。例如，可通过第二网络损失函数值进行反向传播，通过梯度下降法逐次调整卷积神经网络的网络参数，以减小卷积神经网络的误差，提高卷积神经网络的精度。在示例中，上述训练过程可迭代执行多次，直到满足训练条件，例如，训练次数达到预设次数，第二网络损失函数值小于预设阈值或收敛于预设区间等训练条件。本公开对训练条件不做限制。
在一种可能的实现方式中，在满足训练条件后，卷积神经网络可识别热气流扰动产生的影响。通过上述方式训练的卷积神经网络可抑制热气流引起的折射率变化所产生的误差，提升对热气流产生的干扰的识别能力，提升检测精度。
在一种可能的实现方式中，在完成上述两种训练后，卷积神经网络可获得对热辐射和热气流扰动产生的影响的识别能力，即，获得检测图像的残差信息的能力。本公开对上述训练的顺序不做限制，即，也可先训练卷积神经网络识别热气流扰动的能力，后训练识别热辐射干扰的能力。
在一种可能的实现方式中，在训练后，可对卷积神经网络进行测试，例如，可将加热设备设置在图1中的位置，并对试件进行加热，以获取测试图像，并根据卷积神经网络对测试图像的残差的识别能力确定神经网络的训练效果。如果训练效果较好，即，对残差的识别精度较高，则可将卷积神经网络用于实际测量中，如果对残差的识别精度较低，则可继续训练神经网络，直到训练效果满足测量需求。
在一种可能的实现方式中，如图1所示，在通过训练后的卷积神经网络获取检测图像的残差信息时，图像获取设备可以是高分辨率的相机，处理设备对图像获取设备获得的高清图像的处理能力可能不足。因此，可对高清的图像进行分割，获得多个子图像，处理设备可对子图像进行处理，以满足处理需求。
在一种可能的实现方式中，通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，包括：对所述检测图像进行分割处理，获得所述检测图像的多个子图像；通过卷积神经网络对所述多个子图像分别进行残差识别处理，获得所述多个子图像的残差图像，其中，所述检测图像的残差信息包括所述多个子图像的残差图像。
在一种可能的实现方式中，在图像获取设备获取到检测图像后，处理设备可对图像进行分割，例如，可分割成多个(例如，4个，8个等)子图像，或者，可根据处理设备的处理能力(例如，能够处理的图像分辨率)来确定子图像的尺寸，进而对检测图像进行分割。
在一种可能的实现方式中，可通过训练后的卷积神经网络分别处理多个子图像，可获得每个子图像的残差图像。检测图像的残差信息可包括多个子图像的残差图像，即，多个子图像的残差图像可组成检测图像的残差信息。在残差信息中，热辐射和热气流扰动产生的影响可能会发生耦合，训练后的卷积神经网络可抑制热辐射引起亮度不均匀以及热气流扰动引起空气折射率变化产生的影响，并减轻耦合作用，提升残差信息的准确率。
在一种可能的实现方式中，可根据检测图像和所述残差信息，获得试件的变形图像，可将检测图像与残差信息进行作差处理，检测图像与残差信息之间作差，即高温变形后且受到噪声干扰的试件的图像与其噪声干扰之间进行作差，可去除噪声干扰的影响，获得变形图像。
在一种可能的实现方式中，如果对检测图像进行了分割处理，则该步骤包括：对所述多个子图像以及所述多个子图像的残差图像分别进行作差处理，获得变形子图像；对所述变形子图像进行拼接处理，获得所述变形图像。
在一种可能的实现方式中，可将多个子图像以及多个子图像的残差图像分别进行作差处理，得到每个子图像中试件的变形，即，变形子图像。并可对变形子图像进行拼接处理，即可获得与检测图像对应的变形图像，即，表示试件的变形的图像。
在一种可能的实现方式中，可根据试件的变形的图像确定试件的变形场，即，每个像素点的变形。该步骤可包括：获得所述变形图像的第一预设通道的图像信息；根据所述第一预设通道的图像信息，获得所述变形场。
在一种可能的实现方式中，所述第一预设通道可以是变形图像的B(蓝色)通道(例如，每个像素点的B值)，可根据该图像信息确定各像素点的变形场。所述变形场可表示试件在高温下的变形程度，可用于评估高温环境下材料的力学性能。
根据本公开的实施例的高温变形测量装置，可分别针对热辐射和热气流扰动产生的影响训练卷积神经网络，可抑制热辐射引起亮度不均匀以及热气流扰动引起空气折射率变化产生的影响，并减轻耦合作用，提升残差信息的准确率。通过卷积神经网络来获得试件受到热辐射和热气流扰动产生的影响，降低高温热辐射引起的图像亮度不均匀、热气流扰动引起空气折射率变化等因素的耦合作用，提升了变形场的测量精度，获得更清晰的实验图像，并提高了评估高温环境下材料的力学性能的评估准确性。
图4示出根据本公开的实施例的高温变形测量装置的示意图，如图4所示，该装置包括处理设备11、图像获取设备12、加热设备13。其中，加热设备13可用于产生热气流，并通过热气流对试件进行加热。图像获取设备可以是CCD相机，可用于获取试件在高温环境下的图像。处理设备11可以是工业计算机，可用于对获取的图像进行处理，以确定试件的变形场。
在一种可能的实现方式中，试件可以是碳/碳化硅复合材料，试件可通过试件夹固定在图像获取设备的镜头前方，图像获取设备的镜头前可加装滤波片(例如，采用蓝光滤波片)，用以滤除大部分强光辐射。还可在相机附近设置补偿光源，例如，蓝光光源，用以补偿实验环境的环境光，以得到较为清晰的图像。此外，还可利用测温设备(例如，红外测温设备)
在一种可能的实现方式中，处理设备11可通过卷积神经网络确定试件受到热辐射和热气流扰动产生的影响，可在使用卷积神经网络前对其进行训练。然而，由于热辐射和热气流扰动产生的影响之间可能会产生耦合作用，不利于卷积神经网络识别残差信息，且加热过程中试件膨胀可引起的变形残差，不利于识别上述两种影响，因此同时针对两种影响训练卷积神经网络，可能造成训练难以收敛，因此，可分别针对两种影响训练卷积神经网络。
在一种可能的实现方式中，可针对热辐射产生的影响训练卷积神经网络，可将加热设备13设置于位置1，即，试件被设置于加热设备与图像获取设备之间，加热设备产生的热气流的风向与试件的法平面之间的夹角为90°。由于加热设备与图像获取设备分别位于试件的两侧，因此，热气流扰动对图像获取设备获取的图像的影响较小，图像中的噪声主要是热辐射产生的影响。在这种情况下，图像获取设备可在试件的加热过程中获取第一样本图像，并通过测温设备测量试件的温度信息，即可利用第一样本图像和温度信息进行训练。
在一种可能的实现方式中，可通过加热设备对试件进行加热，使得试件温度上升，产生热辐射，例如，可控制加热设备的火焰中心温度达到600℃时，开始使用图像获取设备获取第一样本图像，并通过测温设备获得温度信息，并在加热设备的火焰中心温度达到1500℃时，停止采集第一样本图像和温度信息。可利用在此过程中获取的多个第一样本图像和温度信息训练卷积神经网络。
在一种可能的实现方式中，可提取第一样本图像的R通道和G通道的图像信息，并利用公式(1)获得比色波长系数，进一步的，可利用公式(2)计算各像素点的温度，即，温度场。随后，可利用公式(3)确定各像素点的辐射强度，进而可利用公式(4)来获得热辐射图。在训练过程中，可将热辐射图与无噪声图(例如，常温下获得的试件的图像)作差获得准确的噪声图，并将准确的噪声图作为卷积神经网络的训练目标。
在一种可能的实现方式中，可将第一样本图像输入卷积神经网络，可获得热辐射训练图，并可获得热辐射训练图的第i个像素点的噪声与准确的噪声(即，准确的噪声图中的第i个像素点的噪声)之间的二范数，并可对N个像素点的二范数求平均值，可获得第一网络损失函数值。可利用第一网络损失函数值进行反向传播，以训练卷积神经网络，在迭代上述训练过程多次后，可使卷积神经网络获得识别热辐射产生的影响的能力。
在一种可能的实现方式中，可针对热气流扰动产生的影响训练卷积神经网络。可将加热设备13设置于位置2，即，加热设备被设置于试件与图像获取设备之间，加热设备产生的热气流的风向与试件的法平面之间的夹角为0°。在这种情况下，加热设备产生的热气流不直接吹拂试件，因此，几乎不会使试件产生温度变化，其产生的影响为热气流扰动引起空气折射率变化造成的影响。
在一种可能的实现方式中，可控制加热设备的火焰中心温度达到600℃时，开始使用图像获取设备获取第二样本图像，并在加热设备的火焰中心温度达到1500℃时，停止采集第二样本图像。在此过程中获得的多个第二样本图像可用于训练卷积神经网络。
在一种可能的实现方式中，可将第二样本图像与常温图像作差，由于第二样本图像中仅存在热气流扰动产生的噪声干扰，将第二样本图像与常温图像作差即可获得热气流扰动噪声图(准确地噪声图)，可将该噪声图作为卷积神经网络的训练目标。
在一种可能的实现方式中，可将第二样本图像输入卷积神经网络，获得热气流训练图，并可获得热气流训练图的第i个像素点的噪声与准确的噪声(第二样本图像与常温图像作差获得噪声)的二范数，并可对N个像素点的二范数求平均值，可获得第二网络损失函数值。可利用第二网络损失函数值进行反向传播，以训练卷积神经网络，在迭代上述训练过程多次后，可使卷积神经网络获得识别热气流扰动产生的影响的能力。
在一种可能的实现方式中，经过上述训练过程，可使卷积神经网络获得识别热辐射和热气流扰动产生的影响的能力。可将加热设备13设置于位置3，即，加热设备被设置于试件和图像获取设备之间，加热设备产生的热气流的风向与试件的法平面之间的夹角为预设角度，其中，预设角度大于0°且小于90°。加热设备可产生热气流吹拂试件，对试件同时产生热气流扰动的影响和热辐射影响，在加热过程中，图像获取设备可持续获取试件在加热过程中的检测图像，处理设备可通过卷积神经网络获取检测图像的残差信息，即，获取试件受到热辐射和热气流扰动产生的影响。
在一种可能的实现方式中，在图像获取设备获取到检测图像后，处理设备可对图像进行分割，例如，可分割成多个子图像，卷积神经网络分别处理多个子图像，可获得每个子图像的残差图像(在示例中，在上述训练过程中，处理设备也可对第一样本图像或第二样本图像进行分割，并分别利用分割后的子图像进行训练)。并可将子图像与子图像的残差图像进行作差处理，获得变形子图像，并对变形子图像进行拼接处理，获得与检测图像对应变形图像。进一步地，可根据试件的变形的图像确定试件的变形场，即，每个像素点的变形。可提取变形图像的B通道的图像信息，并利用该图像信息确定各像素点的变形场。该变形场可用于表示试件在高温下的变形程度，评估高温环境下材料的力学性能。
在一种可能的实现方式中，所述高温变形测量装置可获得可用于识别热辐射和热气流扰动产生的影响的卷积神经网络，以用于抑制上述影响产生的误差，提升变形场的测量精度。可为高温材料的热考核提供有效测量手段，可用于航空航天等领域的材料性能评估。本公开对所述高温变形测量装置的应用领域不做限制。
在一种可能的实现方式中，本公开还提供了一种高温变形测量方法，可通过处理设备执行该方法，以测量试件的变形场。
图5示出根据本公开的实施例的高温变形测量方法的流程图，如图5所示，所述方法可包括：
步骤S11，通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示所述试件受到热辐射和热气流扰动产生的影响；
步骤S12，根据所述检测图像和所述残差信息，获得所述试件的变形图像；
步骤S13，根据所述变形图像，获得所述试件的变形场。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或一部分功能。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种高温变形测量装置，其特征在于，所述装置包括：处理设备、图像获取设备、加热设备，
所述加热设备用于：产生热气流，并通过热气流对试件进行加热；
所述图像获取设备用于：在所述试件的加热过程中，获取所述试件的检测图像；
所述处理设备用于：
通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示所述试件受到热辐射和热气流扰动产生的影响；
根据所述检测图像和所述残差信息，获得所述试件的变形图像；
根据所述变形图像，获得所述试件的变形场。
2.根据权利要求1所述的装置，其特征在于，通过卷积神经网络对所述检测图像进行残差识别处理，获得所述检测图像的残差信息，包括：
对所述检测图像进行分割处理，获得所述检测图像的多个子图像；
通过卷积神经网络对所述多个子图像分别进行残差识别处理，获得所述多个子图像的残差图像，其中，所述检测图像的残差信息包括所述多个子图像的残差图像。
3.根据权利要求2所述的装置，其特征在于，根据所述检测图像和所述残差信息，获得所述试件的变形图像，包括：
对所述多个子图像以及所述多个子图像的残差图像分别进行作差处理，获得变形子图像；
对所述变形子图像进行拼接处理，获得所述变形图像。
4.根据权利要求1所述的装置，其特征在于，根据所述变形图像，获得所述试件的变形场，包括：
获得所述变形图像的第一预设通道的图像信息；
根据所述第一预设通道的图像信息，获得所述变形场。
5.根据权利要求1所述的装置，其特征在于，所述加热设备被设置于所述试件和所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为预设角度，其中，所述预设角度大于0°且小于90°。
6.根据权利要求1所述的装置，其特征在于，所述装置还包括测温设备，用于获取试件的温度信息，
所述图像获取设备还用于：在所述试件的加热过程中获取多个第一样本图像，
所述处理设备还用于：通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练，
在获取所述第一样本图像时，所述试件被设置于所述加热设备与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为90°。
7.根据权利要求6所述的装置，其特征在于，所述通过多个第一样本图像以及与所述第一样本图像同时获取的温度信息，对所述卷积神经网络进行训练，包括：
获取所述第一样本图像的第二预设通道的图像信息；
根据所述第二预设通道的图像信息以及与所述第一样本图像同时获取的温度信息，获得所述试件表面的温度场；
根据所述温度场，获得与所述第一样本图像对应的热辐射图；
将所述第一样本图像输入所述卷积神经网络，获得热辐射训练图；
根据所述热辐射训练图和所述热辐射图，确定所述卷积神经网络的第一网络损失函数值；
根据所述第一网络损失函数值训练所述卷积神经网络。
8.根据权利要求1所述的装置，其特征在于，所述图像获取设备还用于：在所述试件未被加热时获取常温图像以及在所述试件的加热过程中获取多个第二样本图像，
所述处理设备还用于：通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练，
在获取所述第二样本图像时，所述加热设备被设置于所述试件与所述图像获取设备之间，所述加热设备产生的热气流的风向与所述试件的法平面之间的夹角为0°。
9.根据权利要求8所述的装置，其特征在于，通过所述常温图像以及所述多个第二样本图像，对所述卷积神经网络进行训练，包括：
将所述第二样本图像与所述常温图像进行作差处理，获得所述试件的热气流扰动噪声图；
将所述第二样本图像输入所述卷积神经网络，获得热气流训练图；
根据所述热气流训练图和所述热气流扰动噪声图，确定所述卷积神经网络的第二网络损失函数值函数值；
根据所述第二网络损失函数值函数值训练所述卷积神经网络。
10.一种高温变形测量方法，其特征在于，所述方法包括：
通过卷积神经网络对检测图像进行残差识别处理，获得所述检测图像的残差信息，其中，所述残差信息用于表示试件受到热辐射和热气流扰动产生的影响；
根据所述检测图像和所述残差信息，获得所述试件的变形图像；
根据所述变形图像，获得所述试件的变形场。
CN202011108313.0A 2020-10-16 2020-10-16 高温变形测量装置及方法 Active CN112200788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011108313.0A CN112200788B (zh) 2020-10-16 2020-10-16 高温变形测量装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011108313.0A CN112200788B (zh) 2020-10-16 2020-10-16 高温变形测量装置及方法

Publications (2)

Publication Number Publication Date
CN112200788A CN112200788A (zh) 2021-01-08
CN112200788B true CN112200788B (zh) 2021-03-26

Family

ID=74009845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011108313.0A Active CN112200788B (zh) 2020-10-16 2020-10-16 高温变形测量装置及方法

Country Status (1)

Country Link
CN (1) CN112200788B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884751B (zh) * 2021-03-09 2021-10-01 清华大学 一种利用紫外荧光标记同步测量变形和温度的装置及方法
CN113030174B (zh) * 2021-04-09 2022-03-25 清华大学 基于分区滤波的温度变形测量方法及***
CN115355840B (zh) * 2022-07-19 2024-06-28 华中科技大学 一种高温变形测量中高温热气流扰动误差补偿方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919905A (zh) * 2019-01-08 2019-06-21 浙江大学 一种基于深度学习的红外无损检测方法
CN110838139A (zh) * 2019-11-04 2020-02-25 上海联影智能医疗科技有限公司 图像配准模型的训练方法、图像配准方法和计算机设备

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7103460B1 (en) * 1994-05-09 2006-09-05 Automotive Technologies International, Inc. System and method for vehicle diagnostics
CN104457603B (zh) * 2014-08-18 2017-02-22 清华大学 一种高温环境下物体变形测量方法
WO2017100903A1 (en) * 2015-12-14 2017-06-22 Motion Metrics International Corp. Method and apparatus for identifying fragmented material portions within an image
CN106500612B (zh) * 2016-10-12 2019-08-06 北京科技大学 材料构件高温变形的非接触测量***及方法
CN108053061B (zh) * 2017-12-08 2021-08-31 天津大学 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN108538011B (zh) * 2018-03-07 2020-12-15 北京宇航时代科技发展有限公司 一种激光雷达火灾检测方法
CN109739181B (zh) * 2019-01-22 2021-03-16 宁波大学 一种基于检测神经网络的机床主轴热误差建模检测方法
CN111414977B (zh) * 2020-03-09 2023-06-20 西南交通大学 机床主轴热误差建模的加权集成温度敏感点组合选取方法
CN111429540B (zh) * 2020-04-22 2020-12-08 清华大学 温度场和变形场同步测量装置和方法
CN111611907B (zh) * 2020-05-18 2023-10-31 沈阳理工大学 一种图像增强的红外目标检测方法
CN111721225B (zh) * 2020-06-23 2021-04-16 清华大学 一种高温环境下温度变形动态测量方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919905A (zh) * 2019-01-08 2019-06-21 浙江大学 一种基于深度学习的红外无损检测方法
CN110838139A (zh) * 2019-11-04 2020-02-25 上海联影智能医疗科技有限公司 图像配准模型的训练方法、图像配准方法和计算机设备

Also Published As

Publication number Publication date
CN112200788A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200788B (zh) 高温变形测量装置及方法
CN112067147B (zh) 一种温度和变形同步测量方法及装置
CN111721225B (zh) 一种高温环境下温度变形动态测量方法及装置
CN111429540B (zh) 温度场和变形场同步测量装置和方法
CN110514392B (zh) 基于广角镜头和图像畸变校正的温度变形测量***及方法
EP1678485B2 (en) Method and ir-camera for determining the risk of condensation
CN111707382B (zh) 一种温度变形同步测量的动态光学补偿方法及装置
CN112634373A (zh) 基于零膨胀陶瓷标定板的视觉测量***动态校正方法
CN113532548B (zh) 一种高温环境下温度变形同步测量***和方法
US11846498B2 (en) Displacement amount measuring device, displacement amount measuring method, and recording medium
CN113865717A (zh) 一种基于高速相机的瞬态高温比色测温装置
Shaw-Lecerf et al. Methodology for Validation of Unsteady Pressure-Sensitive Paint Measurements using Pressure Transducers
CN112991313B (zh) 图像质量的评估方法及装置、电子设备和存储介质
KR102492065B1 (ko) 광학 측정 장치 및 방법
CN111750992B (zh) 一种基于自适应加权线性回归的光谱估计方法
CN114034405A (zh) 一种非接触式测温方法及***
Dziarski et al. Effect of unsharpness on the result of thermovision diagnostics of electronic components
Youngquist et al. Optical distortion evaluation in large area windows using interferometry
Quix et al. Model deformation measurement capabilities at ETW
CN115355840B (zh) 一种高温变形测量中高温热气流扰动误差补偿方法及装置
CN112461372B (zh) 高低温中波热像仪netd测试评估装置和方法
Nekrylov et al. Choosing parameters of active reference mark optical-electronic systems spatial position control
CN110873639B (zh) 一种光学检测装置
CN111339848B (zh) 一种自然环境下人造目标识别方法及装置
Irwin et al. Standard software for automated testing of infrared imagers, IRWindows, in practical applications

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