一种裂纹测量方法技术

本发明专利技术公开了一种裂纹测量方法，所述裂纹测量方法包括：所述裂纹测量方法包括：S1：获取试件在变形过程中的连续变形图像，并记录图像获取时刻所述试件的载荷信息；S2：根据所述连续变形图像及其对应的载荷信息，建立所述连续变形图像集；S3：利用卷积神经网络对裂纹图像子集进行处理，得到所述试件的裂纹初始位置；S4：根据所述试件的裂纹初始位置，利用边缘检测算法检测并定位裂纹边界；S5：根据裂纹边界周围的梯度，得到裂纹尖端的位置坐标；S6：根据所述裂纹尖端的位置和所述裂纹边界的位置，得到所述裂纹长度测量结果。本发明专利技术所提供的裂纹测量方法，能够解决现有的裂纹测量方法无法用于裂纹扩展测量的问题。于裂纹扩展测量的问题。于裂纹扩展测量的问题。

【技术实现步骤摘要】
一种裂纹测量方法


[0001]本专利技术涉及结构测量
，具体涉及一种裂纹测量方法。

技术介绍

[0002]结构健康监测一直是航天、民用和机械基础设施维护与安全领域的前沿研究课题。损伤检测过程是结构健康监测的基础。近年来，一些新技术的发展使损伤自动检测具有潜力。传统的检测方法是电测法。然而，电测法是滞后的，而且并不直观。随着非接触式检测方法的发展，在过去的20年里出现了多种检测方法。声发射(AE)技术是一种广泛应用于材料结构健康监测的诊断技术。然而，由于操作的复杂性，声发射方法的时间成本导致其无法用于裂纹的自动检测。因此，提出一种简便的裂纹检测方法在结构健康监测和断裂力学研究等领域具有重要意义。
[0003]对视觉图像进行分析和分类识别是卷积神经网络(CNN)的主要任务。CNN在目标识别的应用已经取得了很好的效果，如字符、特征编号、无纹理目标、交通标志等等。虽然已经有了一些关于裂纹检测的研究，但仍存在许多问题困扰着裂纹扩展测量。金属表面划痕和纹理图案的存在是裂纹检测的主要挑战。由于这些图案的强烈干扰，传统的图像处理算法不能有效地检测到的裂纹特征。
[0004]当使用边缘检测器检测全尺寸图像中的裂纹时，裂纹的位置很难计算，这在之前的工作中提出。目前已有多种基于视觉的裂纹检测方法在土木工程和建筑领域得到了发展，但解决金属表面裂纹扩展检测的技术很少，特别是有加工痕迹的金属表面。虽然这些算法在实际应用中可以达到90％以上的准确性，但不能准确检测出裂纹尖端的位置。由于这些问题，目前还不能用于裂纹扩展的测量。

技术实现思路

[0005]本专利技术的目的在于提供一种相机标定方法，以解决现有的裂纹测量方法无法用于裂纹扩展测量的问题。
[0006]本专利技术解决上述技术问题的技术方案如下：
[0007]本专利技术提供一种裂纹测量方法，所述裂纹测量方法包括：
[0008]S1：获取试件在变形过程中的连续变形图像，并记录图像获取时刻所述试件的载荷信息；
[0009]S2：根据所述连续变形图像及其对应的载荷信息，建立所述连续变形图像集；
[0010]S3：利用卷积神经网络对裂纹图像子集进行处理，得到所述试件的裂纹初始位置；
[0011]S4：根据所述试件的裂纹初始位置，利用边缘检测算法检测并定位裂纹边界；
[0012]S5：根据裂纹边界周围的梯度，得到裂纹尖端的位置坐标；
[0013]S6：根据所述裂纹尖端的位置和所述裂纹边界的位置，得到所述裂纹长度测量结果。
[0014]可选择地，所述步骤S3中，所述卷积神经网络包括依次连接的输入层、第一处理单
元、第二处理单元、第三处理单元、第四处理单元、第五处理单元、第一全连通层和输出层，所述第一处理单元包括依次连接的卷积层、批处理标准化层、第一整流线性单元层和池化层，所述第二处理单元、所述第三处理单元和所述第四处理单元均构造为与所述第一处理单元具有相同的结构，所述第五处理单元包括依次连接的第二全连通层、第二整流线性单元层和网络层。
[0015]可选择地，所述步骤S3包括：
[0016]利用卷积神经网络提取所述裂纹图像子集的裂纹特征，其中，所述裂纹特征包括裂纹的初始位置。
[0017]可选择地，所述步骤S5中，所述边缘检测算法包括边缘检测装置，所述边缘检测装置构造为自适应高斯滤波器。
[0018]可选择地，所述连续变形图像集中的每一张图像皆进行边缘高斯梯度计算，所述边缘检测算法利用卷积运算对所所获得裂纹初始区域位置进行高斯边缘梯度计算。
[0019]可选择地，所述高斯梯度函数的公式为：
[0020]G(x,y)＝exp((x2+y2)/2πσ2)/2πσ2[0021]其中，G(x,y)表示(x，y)处高斯梯度信息，x为图像水平方向坐标，y为图像垂直方向坐标，σ为高斯分布因子，且σ的计算公式为：σ＝max|Grad|/a，Grad为梯度直方图的一阶导数，a是调整因子。
[0022]本专利技术具有以下有益效果：
[0023]本专利技术所提供的裂纹测量方法，采用卷积神经网络检测裂纹的初始区域识别，并利用边缘检测算法计算裂纹扩展长度。通过对中心孔试件的试验验证，证明了本方法测量效率高，测量精度高的优点。
附图说明
[0024]图1为本专利技术所提供的裂纹测量方法的流程图；
[0025]图2为本专利技术所提供的裂纹测量方法的卷积神经网络的结构示意图；
[0026]图3为本专利技术所提供的裂纹测量方法的卷积神经网络的卷积层的卷积示例；
[0027]图4为本专利技术所提供的裂纹测量方法的卷积神经网络的池化层的池化示例；
[0028]图5为本专利技术所提供的带有中心孔的试件的结构示意图；
[0029]图6为本专利技术所提供的带有中心孔的试件的实验结果示意图。
具体实施方式
[0030]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0031]实施例
[0032]本专利技术提供一种裂纹测量方法，参考图1所示，所述裂纹测量方法包括：
[0033]S1：获取试件在变形过程中的连续变形图像，并记录图像获取时刻所述试件的载荷信息；
[0034]这里，对于试件在变形过程中的连续变形图像主要是通过增加载荷来获取的，而其获取过程中的连续变形图像的获取方式，本专利技术不做具体限制，在本专利技术中，通过安装多
个摄像机以获取连续变形图像。且载荷信息具体包括力和疲劳周期，当然，也可以包括其他内容，本领域技术人员可结合本专利技术和实际情况进行具体设置。
[0035]S2：根据所述连续变形图像及其对应的载荷信息，建立所述连续变形图像集，
[0036]对于连续变形图像集的建立，本专利技术提供一种卷积神经网络处理方式：
[0037]这里需要说明的是，本专利技术所提供的卷积神经网络主要包括以下结构：
[0038]参考图2所示，所述卷积神经网络包括依次连接的输入层、第一处理单元、第二处理单元、第三处理单元、第四处理单元、第五处理单元、第一全连通层和输出层，所述第一处理单元包括依次连接的卷积层、批处理标准化层、第一整流线性单元层和池化层，所述第二处理单元、所述第三处理单元和所述第四处理单元均构造为与所述第一处理单元具有相同的结构，所述第五处理单元包括依次连接的第二全连通层、第二整流线性单元层和网络层。
[0039]可选择地，所述输入层的长为256、宽为256，高为3；和/或所述第一处理单元的长为119、宽为119，高为24；和/或所述第二处理单元的长为57，宽为57，高为24；和/或所述第三处理单元的长为22，宽为22，高为48；和/或所述第四处理单元的长为10，宽为10，高为48；和/或所述第五处理单元的长为1，宽为1，高为96。
[0040]这里，本专利技术所提供的卷积神经网络的输入层有三种类型:原始图像、增强图像和滤波后的图像(经过小波变换滤波后)。输入层的分辨率是25本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种裂纹测量方法，其特征在于，所述裂纹测量方法包括：S1：获取试件在变形过程中的连续变形图像，并记录图像获取时刻所述试件的载荷信息；S2：根据所述连续变形图像及其对应的载荷信息，建立所述连续变形图像集；S3：利用卷积神经网络对裂纹图像子集进行处理，得到所述试件的裂纹初始位置；S4：根据所述试件的裂纹初始位置，利用边缘检测算法检测并定位裂纹边界；S5：根据裂纹边界周围的梯度，得到裂纹尖端的位置坐标；S6：根据所述裂纹尖端的位置和所述裂纹边界的位置，得到所述裂纹长度测量结果。2.根据权利要求1所述的裂纹测量方法，其特征在于，所述步骤S3中，所述卷积神经网络包括依次连接的输入层、第一处理单元、第二处理单元、第三处理单元、第四处理单元、第五处理单元、第一全连通层和输出层，所述第一处理单元包括依次连接的卷积层、批处理标准化层、第一整流线性单元层和池化层，所述第二处理单元、所述第三处理单元和所述第四处理单元均构造为与所述第一处理单元具有相同的结构，所述第五处理单元包括依...

【专利技术属性】
技术研发人员：郭翔，施鑫，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：