航空发动机内部裂纹自动测量方法研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (11): 233-237.

航空发动机内部裂纹自动测量方法研究

李华1，陈果1，陈新波2，王洪民2

1.南京航空航天大学民航学院，南京 210016
2.海军航空工程学院青岛校区，山东青岛 266000

出版日期:2016-06-01 发布日期:2016-06-14

Study on automatic measurement method for aero-engine inner damage crack

LI Hua1, CHEN Guo1, CHEN Xinbo2, WANG Hongmin2

1.College of Civil Aviation, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
2.Qingdao Campus, Naval Aeronautical Engineering Institute, Qingdao, Shandong 266000, China

Online:2016-06-01 Published:2016-06-14

摘要/Abstract

摘要： 基于内窥镜的视觉检测技术在现代航空发动机故障诊断中发挥着重要的作用。针对航空发动机内部部件损伤产生的裂纹，提出了一种裂纹自动测量方法。该方法需要选取裂纹所在区域，对其进行图像预处理，去除图像中的伪裂纹，进行裂纹测量计算。基于该方法，开发了集裂纹分割、裂纹识别、裂纹测量为一体的航空发动机内部损伤裂纹的自动测量系统，解决了孔探裂纹检查中严重依赖工作人员经验、测量结果准确性较差、效率较低等问题。通过多组发动机孔探图像的裂纹测量实验证明了所开发系统的正确有效性和普遍实用性。

关键词: 航空发动机, 图像处理, 裂纹测量

Abstract: The visual inspection based on an endoscope has played an important role in modern fault diagnosis of aero-engines. An automatic measurement approach to cracks of the aero-engine inner parts is studied in this paper. In this method, the area of the crack needs to be selected, it is subjected to image re-processing, and the pseudo cracks are removed, the crack is measured and calculated. Automatic measurement system has developed based on this method. The automatic measurement system includes crack segmentation, crack identification, and measurement, and it can solve the disadvantages of traditional inspection method, such as, excessive reliance on the inspector’s experience, low inspection efficiency, and poor accuracy of measurement. Several experiments are used to verify the effectiveness and practicality of the developed system.

Key words: aero-engine, image processing, crack measurement

李华1，陈果1，陈新波2，王洪民2. 航空发动机内部裂纹自动测量方法研究[J]. 计算机工程与应用, 2016, 52(11): 233-237.

LI Hua1, CHEN Guo1, CHEN Xinbo2, WANG Hongmin2. Study on automatic measurement method for aero-engine inner damage crack[J]. Computer Engineering and Applications, 2016, 52(11): 233-237.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[7]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[8]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[9]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[10]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[11]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[12]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[13]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[14]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[15]	潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.