謝文昕,馬 偉,杜雪雪,倪佳敏,殷晨波
〈無損檢測〉
起重機械金屬結(jié)構(gòu)缺陷的熱成像技術研究
謝文昕,馬 偉,杜雪雪,倪佳敏,殷晨波
(南京工業(yè)大學 機械與動力工程學院,江蘇 南京 211816)
對起重機械金屬結(jié)構(gòu)裂紋缺陷的識別是紅外熱成像檢測技術的新方向。介紹了脈沖紅外熱成像技術檢測原理,設計了脈沖紅外熱成像檢測系統(tǒng),并根據(jù)脈沖紅外熱成像檢測系統(tǒng)搭建了脈沖紅外熱成像檢測系統(tǒng)實驗平臺。采用中值濾波和巴特沃斯低通濾波對實驗中采集到的紅外圖像進行圖像處理,并針對以上算法處理后缺陷輪廓邊緣模糊的問題,提出了巴特沃斯帶通濾波算法。對圖像進行閾值分割、邊緣檢測后提取出缺陷輪廓特征,根據(jù)平板試件的實際尺寸和輪廓特征圖像像素之間的換算關系,最終得到裂紋缺陷的識別精度。經(jīng)過對比驗證,脈沖紅外熱成像技術可以滿足對起重機械金屬結(jié)構(gòu)裂紋缺陷檢測的檢測需求。
起重機械;脈沖紅外熱成像;金屬裂紋檢測;缺陷輪廓;定量識別
長期工作在惡劣環(huán)境下的起重機械,由于服役時間長且長期承受交變載荷,其金屬構(gòu)件極有可能會產(chǎn)生不同程度的損傷[1]。因此,為了確保起重機械服役過程的實用性和安全性,對金屬結(jié)構(gòu)早期裂紋的判斷和識別是非常必要的。但是在復雜又多變的環(huán)境中對金屬構(gòu)件裂紋缺陷接觸檢測難以實現(xiàn)且檢測結(jié)果并不準確,而常規(guī)無損檢測技術檢測又存在速度慢、便攜度差和檢測精度差的缺點,已經(jīng)無法滿足常規(guī)試件便攜、快速、準確的檢測需求,因此對具有非接觸、檢測速度快的紅外熱成像檢測技術[2]的應用和研究具有重大意義。
關于紅外熱成像檢測技術,Avdelidis N P[3-4]等采用紅外熱成像技術實現(xiàn)了對航空設備渦輪葉片缺陷的檢測,并取得了不錯的檢測效果。Zou H[5]等將紅外熱成像檢測技術應用于檢測電氣設備故障,檢測結(jié)果顯示該檢測方法的準確率達到了97%以上。哈爾濱工業(yè)大學的秦雷等人[6]運用超聲熱成像檢測技術和鎖相熱成像檢測技術,對金屬材料表面缺陷進行檢測,實現(xiàn)了金屬材料試件表面缺陷的檢測。沈陽理工大學的胡海林等人[7]基于紅外熱成像無損檢測技術,對金屬構(gòu)件內(nèi)部缺陷進行檢測,結(jié)果表明紅外熱成像無損檢測實現(xiàn)了金屬構(gòu)件內(nèi)部缺陷的定量識別。
脈沖紅外熱成像技術相比于紅外熱成像技術具有檢測過程不易受噪聲干擾的優(yōu)點[8]。本文結(jié)合脈沖紅外熱成像技術的檢測原理,選擇了合適的熱激勵源設備,設計了脈沖紅外熱成像檢測系統(tǒng)并搭建了實驗平臺;對定制的含有裂紋缺陷的金屬試件進行實驗,完成了紅外圖像的采集,對采集的紅外圖像進行圖像處理,并針對傳統(tǒng)圖像處理算法處理后的圖像存在缺陷輪廓邊緣模糊的問題,提出一種基于巴特沃斯低通濾波算法的改進算法,即巴特沃斯帶通濾波算法,有效地濾除了圖像噪聲;然后通過閾值分割和邊緣檢測算子等圖像處理算法,實現(xiàn)了金屬裂紋缺陷的快速、準確地識別;最后根據(jù)平板試件的實際尺寸和輪廓特征圖像像素之間的換算關系,得到缺陷面積、長度和寬度的計算數(shù)值,實現(xiàn)了裂紋缺陷的定量識別。
脈沖紅外熱成像檢測是通過施加方波形式的熱流主動加熱被檢試件[9],由傳熱學理論可知,當被檢試件內(nèi)部或表面存在不連續(xù)缺陷時,熱量在被檢試件內(nèi)部傳遞受到阻礙,在缺陷區(qū)域產(chǎn)生熱量堆積,形成“熱區(qū)”和“冷區(qū)”造成被檢試件表面溫度分布差異,利用紅外熱像儀實時捕捉并采集該溫度場分布差異[10-11],通過圖像預處理、圖像濾波、閾值分割和邊緣檢測等圖像處理算法,對采集的紅外圖像進行處理,實現(xiàn)被檢試件內(nèi)部缺陷可視化。脈沖紅外熱成像的檢測原理如圖1所示。
根據(jù)脈沖紅外熱成像檢測原理可知,脈沖紅外熱成像檢測系統(tǒng)應含熱源系統(tǒng)、熱成像系統(tǒng)和圖像采集分析系統(tǒng)。搭建了脈沖紅外熱成像檢測系統(tǒng)如圖2所示。計算機通過數(shù)據(jù)端口連接熱源系統(tǒng)和紅外熱像儀,控制整個試驗進程。熱源系統(tǒng)由兩個高能鹵素燈、時間繼電器、可控電源及燈罩組成,其中時間繼電器和可控電源用于控制檢測系統(tǒng)的加熱時間和脈沖能量;燈罩的作用是使高能鹵素燈聚光,保護檢測人員的眼睛。熱成像系統(tǒng)主要由紅外熱像儀組成,它的作用是實時觀測并采集紅外圖像[12],為后續(xù)圖像處理算法的研究提供數(shù)據(jù)。圖像采集分析系統(tǒng)主要包括圖像預處理,缺陷邊緣輪廓提取算法。紅外圖像的處理是實現(xiàn)缺陷定性分析和定量識別的前提。
根據(jù)圖2脈沖紅外熱成像檢測系統(tǒng)的設計思路,選取檢測系統(tǒng)中所需要的關鍵設備搭建了如圖3所示的脈沖紅外熱成像檢測系統(tǒng)的實驗平臺。
圖2 脈沖紅外熱成像硬件系統(tǒng)框圖
圖3 脈沖紅外熱成像檢測系統(tǒng)實驗平臺
式(1)為任意時刻材料表面的溫度表達式:
式中:為物體表面溫度,℃;為脈沖強度,W/m2;為時間,s;為材料密度,kg/m3;為比熱容,J/(kg×℃);為導熱系數(shù)。
分別采用脈沖能量為=105W×m-2、=205W×m-2、=305W×m-2、=405W×m-2加熱被檢試件,通過式(1)得出的被檢試件表面溫度的變化情況如圖4所示。由圖4可知:室溫下加熱被檢試件,當加熱時間相同時,脈沖強度越大,被檢試件表面溫度增加的幅度也越高。因此脈沖能量越高,脈沖熱成像檢測的成像效果越好。但是考慮到實驗室的試驗條件,以及隨著脈沖能量的增加會導致被檢試件表面被燒傷的危險,需根據(jù)材料屬性選擇合適的脈沖能量,達到最佳的檢測效果,同時不燒傷被檢試件的表面。
根據(jù)圖4所示的不同脈沖強度下被檢試件表面溫度變化情況,在該脈沖紅外熱成像檢測系統(tǒng)實驗平臺中,熱激勵源選擇了額定電壓為220V、最大額定功率為2000W的紅外鍍金管,時間控制器選擇了型號為JSS48A、額定電壓為220~380V的正泰數(shù)顯時間繼電器并設置通電時間為60s,紅外熱像儀選擇了Fluke Ti480型號,該款熱像儀具有MultiSharpTM多點對焦功能,可以實現(xiàn)自動對焦,降低錯誤識溫的概率,它的工作波段從7.5~14mm,圖像捕捉頻率為60Hz,生成的紅外圖像像素為640×480。
本文選擇材料被廣泛應用于工程機械領域的Q235鋼材作為紅外熱成像檢測試驗的試驗對象,設計試件的尺寸為100mm×50mm×5mm,預制長寬為20mm×1mm的微小裂紋,在試驗開始前,對被檢試件進行表面清潔和噴漆處理來提高被檢試件表面的光譜吸收率以及紅外發(fā)射率。圖5所示為含有裂紋缺陷的Q235鋼板試件。
圖6為脈沖紅外熱成像試驗采集的紅外圖像及三維顯示圖。由圖6可知,采集的紅外圖像存在裂紋缺陷邊緣輪廓模糊、無端噪點多、灰度范圍窄且集中、明暗對比度低、圖像分辨率低的問題。為了改善圖像的顯示效果,需要采用合適的圖像處理算法對采集的紅外圖像進行處理,便于后續(xù)裂紋缺陷輪廓的提取和缺陷特征的定量識別[13]。
為了在高噪聲的圖像中辨別出裂紋缺陷微弱的溫度變化信息,需要對采集的紅外圖像進行圖像處理,降低圖像噪聲,增大圖像的明暗對比度,達到改善紅外圖像視覺效果的目的[14]。因此采用了巴特沃斯帶通濾波算法,并和中值濾波、巴特沃斯低通濾波算法對比分析,發(fā)現(xiàn)巴特沃斯帶通濾波算法的濾波處理效果較好。
對采集的原始紅外圖像進行灰度轉(zhuǎn)換,可以有效地減小紅外圖像占用的內(nèi)存,進而加快圖像的處理速度。如圖7所示為經(jīng)過灰度變化后的灰度圖像、圖像直方圖,其中灰度直方圖表示某一灰度級在整幅圖像像素中出現(xiàn)的頻率,代表某一灰度級占總像素的比例。由圖7(a)可知經(jīng)過灰度轉(zhuǎn)換后,裂紋缺陷的形狀更清晰和直觀,一些無關的噪聲信息被弱化了。由圖7(b)可知,灰度圖像的灰度級[15]分布在中段,灰度范圍窄?;叶茸儞Q雖然可以提高圖像處理速度,但是裂紋缺陷邊緣輪廓模糊的現(xiàn)象依然存在,不利于后續(xù)裂紋缺陷邊緣輪廓的提取,因此需要引入直方圖均衡化使得灰度圖像的灰度范圍分布均勻。
圖5 金屬裂紋試件
圖6 采集的某幀紅外圖像
圖7 灰度變換后的圖像
圖8所示為直方圖均衡化后的圖像和圖像直方圖,由圖8(a)所示,均衡化后,圖像的背景區(qū)域與裂紋區(qū)域的對比度被強化,突出了缺陷的邊緣輪廓。對比灰度直方圖8(b)和圖7(b)可知,經(jīng)過直方圖均衡化處理后的灰度圖像,灰度范圍擴展至整個灰度級,有較大的灰度范圍。顯示效果得到了優(yōu)化。
為了能夠有效提取裂紋缺陷的輪廓特征和溫度信息,需要對圖像進行濾波降噪處理。圖9所示為經(jīng)過中值濾波處理后的圖像和圖像直方圖。由圖9可知,中值濾波不僅擴展了原始灰度圖像的灰度級分布范圍,解決了圖像邊緣輪廓模糊的問題;而且還對原始的圖像數(shù)據(jù)進行了壓縮,提高了計算機運算處理圖像的速度。
巴特沃斯低通濾波[16]是一種基于頻率域的圖像處理算法。其實現(xiàn)過程如圖10所示。
由圖10可知,實現(xiàn)頻率域處理的第一步是讀取外部輸入圖像(,),將原始紅外圖像(,)通過傅里葉變換為(,);第二步將(,)與傳遞函數(shù)(,)卷積,其卷積表達式如式(2)所示;最后通過傅里葉反變換,將頻率域的圖像變換為空間域的圖像即可得到濾波處理之后的圖像(,)。
(,)=(,)*(,) (2)
式中:(,)為卷積結(jié)果;(,)為輸入圖像傅里葉變換后的頻率譜;(,)為濾波器的傳遞函數(shù)。
圖9 中值濾波后圖像
圖10 頻率域圖像處理
由式(2)可知,濾波器傳遞函數(shù)的選擇,關乎基于頻率域圖像濾波算法圖像降噪的效果,巴特沃斯低通濾波的傳遞函數(shù)如式(3)所示:
如圖11所示為經(jīng)過巴特沃斯低通濾波處理后的圖像、圖像直方圖及三維顯圖。由圖11(a)和圖11(b)可知,巴特沃斯低通濾波可以有效濾除高頻噪聲,降噪效果較好。由圖11(c)可知,雖然巴特沃斯低通濾波可以有效濾除圖像噪聲點,但是也造成了缺陷邊緣輪廓模糊,不利于后續(xù)裂紋缺陷邊緣輪廓的提取。針對巴特沃斯低通濾波處理后缺陷邊緣輪廓模糊的問題,本文提出一種改進的算法——巴特沃斯帶通濾波算法。
巴特沃斯帶通濾波算法是通過將不同截止頻率的巴特沃茲低通濾波和巴特沃茲高通濾波進行串聯(lián),綜合低通濾波有效濾除圖像噪聲,高通濾波強化圖像邊緣輪廓的優(yōu)點[17],保證有用信號通過,同時濾除圖像噪聲及其他干擾信息的一種改進算法。巴特沃斯帶通濾波算法的實現(xiàn)過程與巴特沃斯低通濾波相似,它們的主要區(qū)別在于傳遞函數(shù)的選擇不同,巴特沃茲帶通濾波算法傳遞函數(shù)的表達式如式(4)所示:
如圖12所示為經(jīng)過巴特沃斯帶通濾波后的圖像、圖像直方圖及三維顯示圖。由圖12(a)可知,經(jīng)過改進過巴特沃茲帶通濾波算法處理的圖像實現(xiàn)了缺陷區(qū)域和背景區(qū)域的有效分離。由圖12(b)和12(c)可知,改進的巴特沃茲帶通濾波算法可以有效地濾除圖像噪聲,同時完整保留了裂紋缺陷的邊緣輪廓。由以上分析可知,改進的巴特沃茲帶通濾波算法可以有效濾除圖像噪聲、同時增強圖像亮區(qū)和暗區(qū)的對比度,實現(xiàn)了金屬裂紋缺陷的快速、準確識別,為后續(xù)裂紋缺陷邊緣輪廓的提取和缺陷定量識別奠定基礎。
圖11 巴特沃斯低通濾波
圖12 改進的巴特沃茲帶通濾波算法處理后的圖像
通過圖片判斷缺陷特征,屬于定性分析;為了客觀評價圖像預處理算法的處理效果,可以采用峰值信噪比進行比較。峰值信噪比是基于對應像素點間的誤差,峰值信噪比越大表示失真越小。峰值信噪比(Peak Signal-To-Noise Ratio,PSNR)的定義如式(5)所示:
式中:RMSE為均方根誤差:
表1為4種濾波器的峰值信噪比,由表1可知,巴特沃斯帶通濾波算法的PSNR最大,與定性分析基本吻合。試驗結(jié)果表明:采用巴特沃斯帶通濾波算法對紅外圖像進行濾波處理,在突出高頻分量的同時,仍能保留低頻部分,對比度得到明顯增強,峰值信噪比變大,圖像缺陷判斷變得更加容易。
表1 各種濾波后圖像的峰值信噪比
采用最大類間方差法(Otsu)[18]求取的最優(yōu)閾值,可以減少缺陷區(qū)域和背景區(qū)域像素點的模糊的現(xiàn)象。如圖13所示為最大類間方差處理的二值圖。由圖13可知,裂紋缺陷位于試件正中,形狀為細長的矩形條。由此可知最大類間方差法,可以有效地分離圖像的缺陷區(qū)域和背景區(qū)域,實現(xiàn)了快速判斷缺陷形狀、大小、位置的目的,完成了裂紋缺陷的定性分析,為后續(xù)裂紋缺陷邊緣輪廓的提取提供奠定基礎。
圖13 改進巴特沃斯帶通濾波算法處理后
圖像邊緣檢測為裂紋缺陷輪廓的提取和定位做準備,是實現(xiàn)邊緣信息可視化最重要的一步[19]。圖14為裂紋缺陷邊緣輪廓特征提取的效果圖。由圖14可知經(jīng)過邊緣檢測算子Canny算子[20]處理后的裂紋缺陷邊緣連續(xù)且清晰,得到了完整裂紋缺陷的邊緣輪廓。
采用像素法計算裂紋缺陷特征,像素法的公式為:
式中:a、a和a分別為實際試件的面積、長和寬;d、d和d分別為預埋裂紋缺陷輪廓的面積、長和寬的計算值;i、i和i分別為對應行、列像素求出的相應像素面積、實際試件的長和寬在紅外熱圖像對應的行、列最大像素值;PIXS、PIXL、PIXD分別為預埋裂紋缺陷輪廓特征圖像的像素面積、長和寬。
本節(jié)選取的紅外熱圖像的圖像像素(長×寬)為640pixel×480pixel,對應上表面尺寸(長×寬)為55mm×41.25mm的Q235鋼板試件,預埋長度為20mm,寬度為1mm的裂紋缺陷。根據(jù)式(6)、(7)和(8),計算得到Q235鋼板試件中裂紋缺陷的特征識別參數(shù)及其精度計算結(jié)果,如表2所示。
表2 裂紋缺陷的特征識別參數(shù)及其精度
由表2可知,裂紋缺陷的長度計算誤差為17.50%,寬度計算誤差為55.00%,而面積測量誤差僅為0.6%。其中,裂紋缺陷的長度和寬度誤差較大,但裂紋缺陷整體的識別結(jié)果較好,與采用中值濾波處理,缺陷面積誤差為9.85%相比[21],本文計算缺陷的面積誤差為0.6%,表明本文采用的算法處理效果較好,可以實現(xiàn)對大型起重機械結(jié)構(gòu)裂紋的檢測需求。
通過搭建的脈沖紅外熱成像檢測系統(tǒng)的試驗平臺,完成了對定制的含有裂紋缺陷的金屬試件的紅外圖像的采集。針對采集的紅外圖像含有圖像噪聲以及其他干擾信息的特點,采用灰度轉(zhuǎn)換和直方圖均衡化對試驗采集的紅外圖像進行預處理,使用了中值濾波和巴特沃斯低通濾波算法進行降噪,并提出了一種基于巴特沃斯低通濾波的改進算法——巴特沃斯帶通濾波算法,對比發(fā)現(xiàn)巴特沃斯帶通濾波算法使圖像對比度得到明顯增強,峰值信噪比變大,圖像缺陷判斷變得更加容易;采用最大類間方差閾值分割,實現(xiàn)了裂紋缺陷區(qū)域和背景區(qū)域的分離;采用Canny算子對裂紋缺陷邊緣輪廓進行提取,得到了完整的裂紋缺陷的邊緣輪廓;最后采用像素法求解裂紋缺陷面積、長度和寬度的數(shù)值。計算結(jié)果顯示,計算面積與實際裂紋缺陷的面積誤差僅為0.6%,證明本文采用的算法,實現(xiàn)了對大型起重機械結(jié)構(gòu)裂紋的定性分析和定量檢測。
[1] 周俊光. 淺談起重機械安全隱患及缺陷[J]. 智能城市, 2019, 5(6): 176-177.
ZHOU Junguang. Talking about the hidden dangers and defects of hoisting machinery[J]., 2019, 5(6): 176-177.
[2] 賈文晶. 基于紅外圖像處理的鋼軌裂紋檢測研究[D].蘭州: 蘭州交通大學, 2017.
JIA Wenjing. Research on Rail Crack Detection Based on Infrared Image Processing[D]. Lanzhou: Lanzhou Jiaotong University, 2017.
[3] Avdelidis N P, Almond D P, Dobbinson A, et al. Aircraft composites assessment by means of transient thermal NDT[J]., 2004, 40(3): 143-162.
[4] MIAN A, HAN X, Islam S. Fatigue damage detection in graphite/epoxy composites using sonic infrared imaging technique[J]., 2004, 64(5): 657-666.
[5] ZOU H, HUANG F Z. A novel intelligent fault diagnosis method for electrical equipment using infrared thermography[J]., 2015, 73: 29-35.
[6] 秦雷, 劉俊巖, 龔金龍, 等. 超聲紅外鎖相熱像技術檢測金屬板材表面裂紋[J]. 紅外與激光工程, 2013, 42(5): 1123-1130.
QIN Lei, LIU Junyan, GONG Jinlong, et al. Testing surface crack defects of sheet metal with ultrasoniclock-in thermography[J]., 2013, 42(5): 1123-1130.
[7] 胡海林, 任煜文, 郭迪, 等. 基于紅外熱成像的物體缺陷檢測方法研究[J]. 沈陽理工大學學報, 2020, 39(2): 83-89.
HU Hailin, REN Yuwen, GUO Di, et al. Research on object defect detection method based on infrared thermal imaging[J].. 2020, 39(2): 83-89.
[8] Chatterjee K, Tuli S, Pickering S G, et al. A comparison of the pulsed, lock-in and frequency modulated thermography nondestructive evaluation techniques[J]., 2011, 44(7): 655-667.
[9] Moskovchenko A I, Vavilov V P, Bernegger R, et al. Detecting delaminations in semitransparent glass fiber composite by using pulsed infrared thermography[J]., 2020, 39(3): 69.
[10] Marinetti S, Vavilov V. Thermographic detection and characterization of hidden corrosion in metals: General analysis[J]., 2009, 52(3): 865-872.
[11] Subhani S, Suresh B, Ghali VS. Orthonormal projection approach for depth-resolvable subsurface analysis in non-stationary thermal wave imaging[J]., 2016, 58(1): 42-45.
[12] 張勇, 張金玉, 黃建祥. 基于紅外熱波檢測理論模型的紅外熱像數(shù)據(jù)擬合方法[J]. 紅外, 2012, 33(4): 38-41.
ZHANG Yong, ZHANG Jinyu, HUANG Jianxiang. Infrared thermal imaging data fitting method based ontheoretical model of infrared thermal wave detection[J]., 2012, 33(4): 38-41.
[13] Kaur K, Mulaveesala R. Experimental investigation on noise rejection capabilities of pulse compression favourable frequency-modulated thermal wave imaging[J]., 2019, 55(6): 352.
[14] Koltsov P P. Comparative analysis of image processing algorithms[J]., 2012, 22(1): 39.
[15] 張德豐. 數(shù)字圖像處理(MATLAB版)[M]. 北京: 人民郵電出版社, 2015.
ZHANG Defeng.(MATLAB)[M]. Beijing: Posts & Telecom Press Co..LTD, 2015.
[16] 陳觀應. 基于機器視覺的干電池缺陷并行檢測方法研究[D]. 廣州: 廣東工業(yè)大學, 2016.
CHEN Guanying. Research of Battery Defects Parallel Detecting Methods Based on Machine Vision[D]. Guangdong: Guangdong University of Technology, 2016.
[17] Arunmuthu K, Kumar P A, Saravanan T. Image processing of radiographs of tube-to-tubesheet weld joints for enhanced detectability of defects[J]., 2008, 50(6): 298-303.
[18] XUE J H, ZHANG Y J. Ridler and Calvard's, Kittler and Illingworth’s and Otsu’s methods for image thresholding[J]., 2012, 33(6): 793-797.
[19] LEE W Y, KIM Y W, KIM S Y. Edge detection based on morphological amoebas[J]., 2012, 60(3): 172-183.
[20] 朱光忠, 黃云龍, 余世明. 邊緣檢測算子在汽車牌照區(qū)域檢測中的應用[J]. 計算機技術與發(fā)展, 2006(3): 161-162.
ZHU Guangzhong, HUANG Yunlong, YU Shiming. Application of edge detection operators in regiondetection of automobile license plate[J]., 2006(3): 161-162.
[21] 杜雪雪, 殷晨波, 童欣, 等. 紅外熱成像技術在大型起重機械金屬裂紋探傷中的應用[J]. 現(xiàn)代制造工程, 2021(4): 121-125.
DU Xuexue, YIN Chenbo, TONG Xin, et al. Application of infrared thermal imaging technology in metal crackdetection of large lifting machinery[J]., 2021(4): 121-125.
Thermal Imaging Technology for Metal Structure Defects of Lifting Machinery
XIE Wenxin,MA Wei,DU Xuexue,NI Jiamin,YIN Chenbo
(School of Mechanical and Power Engineering, Nanjing University of Technology, Nanjing 211816, China)
The identification of cracks in the metal structure of lifting machinery is a new direction for infrared thermal imaging detection technology. In this study, the detection principle of pulsed infrared thermal imaging was introduced, and a pulsed infrared thermal imaging detection system was designed; the experimental platform was constructed on the basis of these. Median filtering and Butterworth low-pass filtering were used to process the images collected in the experiment. To address the problem of blurring at the edges of the defects after processing the above algorithms, a Butterworth band-pass filtering algorithm was proposed. After threshold segmentation and edge detection, the defect contour feature was extracted, and using the conversion relationship between the actual size of the flat specimen and the contour feature image pixels, the recognition accuracy of the crack defect was finally obtained. The comparison and verification demonstrated that the pulsed infrared thermal imaging technology can meet the requirements of crack defect detection in crane metal structures.
lifting machinery, pulse infrared thermal imaging, metal crack defect detection, defect contour, quantitative recognition
R445.7
A
1001-8891(2022)07-0741-09
2021-10-03;
2021-11-29.
謝文昕(1997-),男,碩士,從事再制造無損檢測研究。 E-mail:xiewenxin_iacm@163.com。
殷晨波(1963-),男,教授,博士,主要研究方向為工程機械數(shù)字化創(chuàng)新設計與制造。E-mail:yinchenbo@njtech.edu.cn。