导读:本文包含了表面损伤论文开题报告文献综述及选题提纲参考文献，主要关键词:光学玻璃,亚表面损伤,单颗磨粒
表面损伤论文文献综述
高睿,姜晨,严广和,张勇斌[1]（2019）在《光学玻璃亚表面损伤深度预测及实验研究》一文中研究指出为了进一步揭示超声振动辅助磨削加工机理,建立了超声振动辅助磨削亚表面损伤深度与断裂韧性的预测模型,设计几何形状随机的单颗磨粒超声振动压痕实验和超声振动辅助磨削实验,调查两种情况下K9光学玻璃压痕变形区域形貌特征,提出一种适用于超声振动和非超声振动两种加载条件的等效断裂韧性计算方法,并通过超声振动辅助磨削实验来验证预测模型的可靠性。实验结果表明,超声振动可以有效增加K9光学玻璃抵抗断裂的能力,降低亚表面损伤程度,且预测模型与实验结果具有良好的一致性。(本文来源于《光学仪器》期刊2019年05期）
肖彬,刘庆宽,张磊杰,孙一飞,贾娅娅[2]（2019）在《表面损伤斜拉索雷诺数临界区气动力与流场分析》一文中研究指出斜拉索由于具有自身质量轻、结构刚度差、结构阻尼小和自身长细比大的特点,极容易发生风(雨)致振动,对桥梁结构的安全性能产生很大的影响,而斜拉索作为斜拉桥的重要受力构件,准确掌握其风荷载对于桥梁抗风设计具有重要意义,特别是斜拉索在生产、运输和安装过程中表面可能受到损伤,该斜拉索在临界雷诺数区的气动力特性和流场特性更是值得研究的问题。针对此种状况,通过同步测力风洞试验,对表面无损伤斜拉索模型和表面损伤斜拉索模型在不同风攻角下的升力系数进行时程分析,得到边界层转捩的3个区域;将升力系数时程进行快速傅里叶变换计算得到升力时程频谱图,并通过频谱图分析随机信号的频域特征;对比从雷诺数亚临界、临界到超临界区表面无损伤和表面损伤斜拉索的流场变化,并从周围流场变化的角度分析雷诺数临界区斜拉索气动稳定性及可能的机理。研究结果表明:表面无损伤和表面损伤模型的升力系数随雷诺数的变化规律基本一致,二者的升力时程在TrBL0向TrBL1阶段和TrBL1向TrBL2阶段过渡过程中会出现双稳态现象,损伤会影响斜拉索尾流区旋涡脱落的情况,进而对不同雷诺数下的Strouhal数值变化产生一定的影响。(本文来源于《中国公路学报》期刊2019年10期）
罗忠兵,王新禹,孟亦圆,金士杰,陈军[3]（2019）在《纯铁低周疲劳表面/亚表面损伤临界折射纵波评价》一文中研究指出金属材料构件表面/亚表面损伤严重降低构件的表面完整性。针对早期力学损伤的评价难题,研究了基于临界折射纵波(critically refracted longitudinal wave,L_(CR))的无损评价方法。以纯铁低周疲劳损伤为对象,分析其循环应力-应变响应及组织形貌演变,建立了L_(CR)波归一化幅值与疲劳加载周次的对应关系,并与常规超声脉冲回波法对比分析。结果表明:对于薄片状试样,L_(CR)波在测试过程中的稳定性显着高于常规超声脉冲回波法,且前者归一化幅值与加载周次呈单调递减关系,后者归一化幅值和超声衰减系数与加载周次关系并不单调,证实L_(CR)波适于工程构件表面/亚表面力学损伤无损评价。(本文来源于《材料保护》期刊2019年09期）
何晓雁,郭磊,赵燕茹,李文超,张淑艳[4]（2019）在《利用冲击球压法评价BFCC冻融下的表面损伤特征》一文中研究指出利用冲击球压技术对玄武岩纤维水泥基复合材料在硫酸钠、水、氯化钠叁种溶液冻融后的性能进行了研究,分析了冲击荷载–压痕尺寸的关系、冲击荷载–时间的关系、冲击应力–应变的关系及布氏硬度等。结果表明:(1)冻融对材料表层的影响最大也最为迅速,而表层以下的结构仍具有抗冲击性;(2)随着冻融循环次数的增加,冲击荷载–时间图中小球的回弹高度明显降低,材料的塑性变形损伤增大;(3)低荷载下冲击应力–应变关系曲线基本为一条直线,当荷载达到某一临界值后关系曲线呈现非线性;(4)布氏硬度随冻融循环次数的增加呈现先增加后降低的趋势,硫酸钠溶液对玄武岩纤维水泥基复合材料的冻融影响最大。试验表明,利用冲击球压法评价玄武岩纤维水泥基复合材料的冻融损伤是可行的。(本文来源于《土木工程与管理学报》期刊2019年04期）
李军,王健杰,郭太煜,朱永伟,左敦稳[5]（2019）在《侧面逐层抛光腐蚀法研究亚表面损伤》一文中研究指出目的直接测量加工后工件的亚表面损伤,观察亚表面裂纹整体形貌与扩展情况,探究不同载荷下工件的亚表面损伤形貌及损伤深度,指导加工工艺设计,减小加工后工件的亚表面损伤。方法通过静态压痕实验在石英玻璃表面产生压痕,采用侧面逐层抛光腐蚀法研究压痕载荷对工件亚表面裂纹的影响及裂纹在工件亚表面的扩展情况,通过回归分析法研究压痕载荷与亚表面裂纹深度之间的关系。结果载荷小于0.098 N时,工件上压痕为规则菱形,工件表面发生塑性变形,亚表面不产生裂纹;载荷大于0.245 N时,工件表面出现白色发亮的隆起,亚表面开始产生裂纹,且随载荷的增加,裂纹深度逐渐增大,裂纹形貌从"八"字型径向裂纹为主逐渐变成中位裂纹和多条径向裂纹并存的"爪"状形貌。结论压痕载荷与亚表面裂纹深度呈幂函数相关,当压痕载荷较小时,工件存在一定的塑性加工域;当载荷大于一定值时,工件亚表面开始产生裂纹,载荷越大,压痕表面越易产生隆起、崩碎、剥落等现象,同时产生的亚表面裂纹深度也越深。(本文来源于《表面技术》期刊2019年08期）
张丽娜,任秀云[6]（2019）在《牙周超声治疗对牙根表面损伤的影响因素研究进展》一文中研究指出牙周超声治疗是通过工作尖高频振荡产生的作用力、空穴效应和微流力等作用,达到清除牙石和菌斑的目的。如何在保证清除效率的同时最大限度减少对根面牙骨质的损伤,需要我们对牙周超声治疗仪的类型、结构和操作规范有全面的了解。文章就牙周超声治疗仪的类型及操作过程中工作尖可能对牙根表面产生损伤的影响因素做一综述。(本文来源于《中国实用口腔科杂志》期刊2019年07期）
樊庆侠[7]（2019）在《贝复舒滴眼液与维生素A棕榈酸酯眼用凝胶用于眼表面损伤的治疗效果》一文中研究指出目的探讨眼表面损伤患者采用贝复舒滴眼液与维生素A棕榈酸酯眼用凝胶治疗的临床效果。方法选取2016年4月至2018年8月于沈阳何氏眼科医院接受治疗的98例眼表面损伤患者作为研究对象,采用随机数字表法分为观察组(49例)和对照组(49例)。对照组在常规治疗基础上行盐酸左氧氟沙星眼用凝胶治疗,观察组加用维生素A棕榈酸酯眼用凝胶联合贝复舒滴眼液治疗。比较两组患者的临床疗效、治愈时间以及不良反应发生情况。结果观察组患者治疗有效率显着高于对照组(P<0.05),治愈时间短于对照组(P<0.05)。两组患者不良反应发生率比较差异无统计学意义(P>0.05)。结论采用维生素A棕榈酸酯眼用凝胶、贝复舒滴眼液协同治疗眼表面损伤临床疗效显着,可有效缩短治愈时间,且安全性较高。(本文来源于《中国药物经济学》期刊2019年05期）
仇梓峰[8]（2019）在《基于计算机视觉的风机叶片表面损伤检测研究》一文中研究指出风能作为可再生能源,已在世界范围内获得了广泛应用。由于风力发电机的所在环境恶劣、所受应力强烈等因素,风机的叶片表面可能产生裂纹、油污、砂眼等损伤,这严重影响了风力发电的效率和安全性。当前叶片表面损伤检测方法多为人为操作,存在耗时长、效率低、主观性强等缺点。因此,本文基于无人机采集的风机叶片图像,利用图像处理、机器学习、深度学习等计算机视觉技术,针对叶片损伤进行自动检测算法和健康维护系统的研究与开发工作,主要完成以下内容:(1)对风力发电机叶片损伤特性及图像处理理论进行分析,研究了基于Halcon的图像处理方法。对叶片图像进行相机标定、快速自适应加权中值滤波、图像加强、动态阈值分割等操作,完成了对叶片损伤图像的处理和初步识别。(2)对 HOG、Haar-like、LBP 等特征及 CatBoost、XGBoost、AdaBoost 等分类算法进行对比和分析,利用原始和扩展的LBP特征集,并基于AdaBoost开发包括决策树和支持向量机在内的多重级联分类器,形成了 LBP-ADA模型,对叶片损伤进行特征提取和模型训练。通过对图像的旋转、平移、放缩、添加噪点、改变明暗等方式将原始图像进行扩充,形成机器学习图像数据库。(3)基于深度学习理论对微小损伤检测算法进行研究。通过引入特征金字塔网络(FPN)结构对You Only Look Once(YOLO)算法进行改进,提出一种新型的YSODA算法。该算法对YOLO进行浅层和深层的特征图融合,并在其网络结构上增加FPN结构进行高级特征提取。实验测试表明,该算法可有效提高叶片微小损伤的检测精度。(4)以准确率、召回率和加权调和平均数为评价指标通过对多种方法进行交叉实验,表明了 LBP-ADA算法检测叶片损伤的有效性。同时,以准确率和实时性为指标对YSODA算法进行测试,并与LBP-ADA和文献算法进行对比分析,可知本文提出YSODA算法在微小损伤检测方面具有准确度和效率高等特点。最后,将本文提出的多种检测模型应用于实际风机叶片健康维护系统的开发,并成功实施于实际风场的叶片损伤检测中。该系统可自动生成包含风场信息、损伤信息等关键数据的叶片质量检测报告,达到了实际风场的运维要求。(本文来源于《北京交通大学》期刊2019-06-01）
季平,许新为[9]（2019）在《一种金属模样表面损伤的修复方法》一文中研究指出本文介绍金属模样经长期使用后工作表面所产生的划痕,凹坑,缺损等缺陷修补方法。通过不断探索和试验采用AB胶加氧化铝粉对模样进行修复。该方法操作简便,易于掌握,修复后的部位粘结强度高,使用性能好,不易脱落,特别是对损伤部位多的金属模样效果明显,实用性强,适用于金属模样表面缺陷的快速修复。(本文来源于《科技视界》期刊2019年14期）
米拉姆[10]（2019）在《基于机器视觉的机械零件表面损伤检测研究》一文中研究指出在现代世界,制造业是各国工业和经济中最重要的组成部分之一。制造业的发展也体现在我们日常生活各方面的发展。尤其是在过去的几十年中,这种发展是可以看到的。然而,随着制造业的快速发展,我们这个地球上的自然资源越来越少,而且制造业的产品在其使用寿命结束后也变成了对环境有害的废弃物。为改变这种状况,世界各国相继提出了循环经济生产模式。循环经济是一种再生系统,在这一系统中,通过能源和材料循环,可以最大限度地减少资源输入和浪费、排放和能源泄漏,这可以通过全生命周期的设计、维护、维修、再利用、再制造、回收和升级循环来实现。这与线性经济形成鲜明对比,线性经济是一种“采取、制造、处置”的生产模式。作为循环经济的支柱,再制造的重要性近年来不断提高。因此,这一领域的研究工作在过去十年中显着增加。再制造是“利用重复使用、修理和新零件的组合,将产品重新制造到原始制造产品的规格”。它需要修理磨损或失效的部件和模块,更换会影响整体性能或预期寿命的退化部件。再制造是产品回收过程的一种形式,其完整性不同于其他回收过程:再制造的机器应与新机器符合相同的客户期望。再制造是绿色制造过程和循环经济“4R”(减量化、再利用、循环利用和再制造)的一部分。使用中的机械零件通常承受不同的载荷、应力和摩擦,这可能导致磨损或损伤。损伤类型有很多种,如裂纹、磨损、侵蚀、气蚀、断裂、变形等。用新零件更换损伤的零件会导致成本增加和资源浪费,特别是对于某些复杂的精密零件。从经济和时间方面来看,再制造损伤零件比更换新零件更好。再制造过程的主要阶段是核心部件的拆卸、清洁和检查,然后这些核心部件在重新组装成最终的再制造产品并进行测试以确保质量之前,经过一系列的再调整操作。在这些阶段中,损伤检测是决定零件再制造精度和效率的关键环节。目前,人们已经开发了许多不同的损伤检测技术,如人工检测、基于振动的损伤检测、叁维激光扫描、基于图像的损伤检测等等。然而,这些技术有其自身的缺点。手工检验是劳动密集、成本高、不准确的,其结果必然取决于检验人员的技能水平。基于振动的损伤检测方法一般只适用于机械零件的操作,因为这种方法需要损伤零件的运动来收集数据。叁维激光扫描方法虽能获得良好的效果,但对于大尺寸物体来说,它是一种耗时且不十分方便的方法。此外,点云中的噪声和缺失可能导致更多的错误信息。本文将研究基于二维摄像机图像的损伤检测,以便能够快速、有效地检测损伤区域和边界,从而找到损伤区域的精确位置,并建立损伤对象的叁维模型,以便于进一步再制造。该方法包括叁个主要步骤:图像匹配方法、损伤区域和边界检测方法以及叁维模型创建和编辑方法。1)基于边界点的图像匹配方法在开始图像匹配之前,我们需要准备一个对象的叁维模型并获得二维视图数据集。在本研究中,为了制备损伤的3D模型,首先需要制备损伤物体的原始(未损伤)3D模型。所以我们需要获取一个物体的尺寸和尺寸,当然,很多机械零件都有它们的标准尺寸,这些尺寸写在特定的目录和文档中。不同的叁维设计工程师使用solidworks、catia、autodesk等叁维建模软件,不同的建模软件建立不同的文件格式,如*.sldprt、*.catpart、*.3ds等,也可以导出不同格式的文件,如*.stl、*.obj、*.wrl等,文件格式可以是im。移植到Matlab等数值计算软件中。本文采用SolidWorks软件编制模型,导出STL文件格式,用于Matlab中,并用Matlab软件进行了计算。从叁维模型中提取二维视图。叁维模型以一个视点放置在叁维空间中。视点的位置决定轴的方向。视点以方位角和仰角来指定。方位角是围绕z轴的水平旋转,从负y轴测量角度。高程是围绕Y轴的垂直旋转,从负Z轴测量角度。方位角是x-y平面上的极角,仰角是x-y平面上下的角度。为了获得二维视图,3D模型被放置在绘图框的中心。当视点从0度开始改变方位角和仰角5度后。首先,零度方位角和仰角由0度变为180度,从视点位置获取各位置图像。我们总共得到37幅图像,然后我们将方位角改变5度,仰角又从0度改变到180度,我们再次得到37幅图像。对方位角进行重复处理,直到其值达到180度,我们的数据集总共得到37x37=1369张图像。但是,取决于叁维模型的方位角和仰角量会发生变化。所有二维视图都以可移植网络图形(PNG)文件格式保存。当然,方位角和仰角的范围可以从0度改变到360度,而且两个方位角或仰角值之间的间隔可以更小或更大。在我的研究案例中,由于物体的特殊结构,比如矩形和圆形的范围是从0度到180度。在准备好二维视图数据库后,可以开始图像匹配。图像匹配可以定义为使两个图像几何上一致,从而使两个图像中的相应像素对应于被成像场景的相同物理区域的过程。本研究提出的影像匹配方法,主要是寻找两个参考点,从这两个参考点中选取最近和最远的四个点,并计算这四个影像点的坐标差和参考点到最近和最远点的距离差,以寻找影像匹配,包括下列步骤:步骤1:图像分割和图像二值化首先,在获取图像对象和背景颜色时,需要选择相对的颜色,如黑白和背景颜色,选择单色,以便根据不同的颜色空间进行分割。众所周知,每种颜色都可以用RGB格式表示,所以当背景值和对象值之间存在较大差异时,可以通过查看它们来进行分割。分割完成后,背景区域变为黑色空间,图像二值化应用于对象变为白色或其像素值变为1,背景变为黑色或其像素值变为0的情况。在二维视图的情况下,二值化可以直接进行,而无需分割,因为完美的背景和对象在二维视图。为了将图像转换成需要转换成灰度的二值RGB图像,需要在保持亮度的同时,去除图像的色调和饱和度信息。采用OTSU方法对图像进行二值化,选择阈值使黑白像素的类内方差最小化。步骤2:将二维视图重新缩放为采集的图像因为在采集的图像和二维视图上,对象有不同的大小,并且由于采集的图像和二维视图的大小不同,需要重新缩放。要实现这一点,需要计算椭圆的长轴长度和短轴长度,该椭圆具有与作为标量返回的区域相同的标准化第二中心矩。第二个矩成为协方差矩阵k。实际上,这里将多元正态分布拟合到数据上,协方差矩阵确定了该分布的形状,多元正态分布的轮廓线是以平均值为中心的椭圆。椭圆轴线的方向和长度由协方差矩阵的特征向量和特征值给出。在计算获得的图像和二维视图的轴长后,我们可以通过s=Maac+Miac/Mavw+Mivw其中,Maaac为采集图像的长轴长度,,Miac为采集图像的短轴长度,“Mavw为二维视图的长轴长度,Mivw为二维视图的短轴长度,S为比例。所以在它之后,我们用S值重新缩放二维视图。步骤3:选择参考点需要选择四个参考点,两个点在采集的图像上,两个点在二维视图上,对于采集的图像,最好选择角等点。在这种情况下,在图像的左上角选择了一个点,在图像的右上角选择了另一个点。对于二维视图,选定的一个点采集图像,第二个点将与采集图像的第二个点(右上角)相同。由于图像的坐标相同,即使第二个点在图像上,下一步计算也不会有任何问题。此外,图像或像素索引行的坐标系也会增加下降,而列向右增加,像素索引整数值。原点的像素索引为1和1。步骤4:检测最近点在这一步中,将计算到所采集图像和二维视图的第一个参考点的最近点。为了实现这一点,我们需要检测图像边缘的所有点,或者简单地计算两幅图像的二值图像边界。此边界是对象和图像背景之间的外部边界。所以边界计算为像素坐标数组。为了找到与第一个参考点最近的点,参考点与边界上点之间的最小距离按以下公式计算:其中D为第一参考点与边界点之间的距离,Rc和Rr分别为第一参考点的列和行索引,Bc和Br为边界点的列和行索引。在研究案例中,两个图像的第一个参考点是原点,因此方程变为在计算参考点和边界之间的所有距离后,最小距离将显示与参考图像最近的点。步骤5:覆盖最近点迭加两个图像的最近点就是将一个点移动到另一个点。在这里,二维视图的最近点正朝着获取图像的最近点移动。最近的点需要移动一段距离,显示两个点的列和行之间的差异。假设dx是列中的差,dy是行中的差。二值图像可以用mxn矩阵表示,其中m是像素行数,n是像素列数。因此,要将二维视图的最近点移动到采集的图像的最近点,需要将二维视图图像作为矩阵按dx在列中移动,按dy在行中移动。步骤6:寻找最近和最远的点在得到第5步的新图像后,参考点仍然相同。此步骤与步骤4类似。唯一的区别是所有两个参考点都用于采集图像和二维视图。最小值D表示最近点,最大值D表示最远点。所以我们得到了8个距离:D1是根据第一个参考点获得的图像上的最近距离,D2是根据第一个参考点获得的图像上的最大距离,D3是根据第二个参考点获得的图像上的最近距离,D4是根据第二个参考点获得的图像上的最大距离,D5是根据第一个参考点在二维视图上最接近的距离,D6是所获取的二维到第一个参考点的最大距离,D7是根据第二个参考点在二维视图上的最近距离,D8是根据第二个参考点在二维视图上的最大距离。分别指向该点P1、P2、P3、P4、P5、P6、P7、P8。然而,距离D1= D5,点P1=P5,因为第五步。步骤7:距离和坐标差在这一步中,计算所采集图像和二维视图的距离和坐标差。因此,从第一个参考点到最近点的距离差基本上是dD1=|D1-D5| =0,,从第一个参考点到最远点的距离差是dD2=|D2-D6|,从第二个参考点到最近点的距离差是dD3=|D3-D7|,从第一个参考点到最远点的距离差是dD4=|D4-D8|。点的坐标差计算为这些点之间的距离差。步骤8:找出最小差异以上步骤对所有二维视图重复,这意味着所采集的图像与每个二维视图按照步骤1到7进行匹配。然后创建七组不同的差异(每个匹配过程的第一个差异等于零)。在它之后,这个集合从最小到最大排序,当然索引也改变了它的位置,然后在这七个集合中,我们找到了在所有索引中首先重复的索引,这样它将显示这个图像的所有七个距离都小于另一个图像的距离,并且这个图像将成为最佳匹配。(2)基于光差水平的损伤检测研究损伤检测是再制造过程中损伤检测阶段的重要组成部分。损伤检测方法有很多种。本研究采用基于图像的损伤检测案例。然而,在开始损伤检测之前,需要对图像进行预处理。损伤检测方法在本研究中,高度依赖于图像预处理,主要通过形态学开窗操作来检测二维图像的光强差。通过应用形态学开孔,对不均匀光照进行了校正。校正光照损伤区域和未损伤区域后,光照强度变差,通过二值化图像可以检测出损伤区域。步骤1:图像分割和灰度图像此步骤与第章的步骤1类似,这里使用相同的采集图像,通过相同的操作分割和转换灰度。步骤2:形态开放手术在这幅图像上,损伤区域是前景,未损伤区域是背景。图像中物体的光照也存在差异,为了纠正不均匀光照,采用了形态开口。形态开度是结构单元B对A集的扩张和侵蚀,AoB=(A(?)B)(?)B,其中(?)和(?)分别表示侵蚀和扩张。该开口作为去除形态噪声的基本工具,在计算机视觉和图像处理中发挥着重要作用。打开会从前景中删除小对象,通常作为图像的亮像素,并将其置于背景中。这种技术也可以用来在图像中找到特定的形状。开放可以用来找到特定的结构元素可以适合的东西。它可以被认为是B扫过A的边界内部,这样它就不会延伸到边界之外,并在元素边界周围形成A边界。如前所述,选择对象的未损伤区域作为背景。一般来说,即使在可能的最佳条件下,图像的照明也不可能是均匀的。因此,为了校正图像的光照,在本研究中,应用了上述形态开口的未损伤表面或背景的光照。为了使背景照明更均匀,需要创建一个背景近似值作为单独的图像,然后从图像中减去该近似值。作为创建背景近似图像的第一步,使用形态开口移除整个前景。打开具有删除不能完全包含结构元素的对象的效果。要从图像中删除损伤区域,必须调整结构元素的大小,使其不能完全适合单个损伤区域。步骤3:从初始图像中减去背景近似图像由于已知图像是以矩阵形式表示的,所以从初始图像中减去背景近似图像就是两个相同尺寸矩阵的相减运算。步骤4:图像调整在减法运算后获得的一幅新图像中,为了使图像更清晰、更准确地看到背景和前景之间的差别,需要增加对比度。它也有助于生成二进制图像。在图像中,底部1%和顶部1%是饱和的。步骤5:二值化和噪声消除经过饱和度调整后的图像需要传输到二值图像。采用Otsu方法对图像进行二值化,选择阈值使黑白像素的类内方差最小化。图像二值化完成后,二值图像上的背景会变黑,前景会变白,如前所述,前景会被破坏区域,但也因为不可能产生完全完美的照明,二值图像上的一些小区域也会变白,产生所谓的噪音。当损伤区域边界形成以后,这些噪声将成为障碍物,需要去除。通过选取最大噪声大小的像素的阈值进行噪声去除,然后从二值图像中去除所有小于阈值像素的连接分量,生成新的二值图像,不产生任何噪声,只产生损伤区域。此外,在检测到损伤区域后,它们的边界可以被视为非直线,而是锯齿形,这将导致损伤区域再制造更困难的方式,将边界线改为更方便的形式,在损伤区域上采用圆盘近似的形态闭合操作。盘形结构元素根据损伤区域边缘的大小手动指定半径。形态闭合是由结构元素B对二值图像A的侵蚀和膨胀,其中AoB=(A(?)B)(?)B此处(?)和(?)分别表示膨胀和侵蚀。经过图像预处理,建立损伤区域的叁维模型,重建损伤的叁维模型,损伤区域及其边界是必要的。损伤区域检测与其边界检测方法有关。检测边界的方法与第叁章中描述的方法相同,这里将更详细地描述。预处理后图像上的损伤区域是与图像背景无关的白色区域,这意味着损伤区域是与图像的一般背景分离的区域,即除损伤对象外的背景。黑色区域已经显示出未损伤的区域,这些区域是分开的,但由于它们的大小非常小,因此它们被视为噪音。与图像背景相连的物体上的区域意味着它们具有与背景相同的亮度,以及与背景分离的区域,其亮度与图像的其他部分不同。在二值图像中,在去除噪声和校正边界形状后,需要检测出损伤区域的边界。基于二值图像中前景区域和白色区域之间的差异进行边界检测和提取,在本研究中,它是图像的损伤区域和背景或黑色区域,在本研究中,它是未损伤区域和其他区域。利用MATLAB实现了雅各布停止准则修正的摩尔邻域跟踪算法,实现了边界检测。摩尔邻域是一个二维方格,由一个中心单元和围绕它的八个单元组成。给定一个数字图案,背景上的一组白色像素位于黑色像素上,找到一个白色像素并将其声明为起始像素。定位起始像素可以通过多种方式完成,例如从左上角开始,从上到下扫描每一列,从最左边的列开始,然后向右移动,直到遇到白色像素。摩尔邻域跟踪算法在特定方向(顺时针或逆时针)搜索当前边界像素的摩尔邻域,直到找到一个白色像素。然后它声明像素作为当前边界像素,并像以前一样继续。这意味着当前边界像素成为新的起始像素。采用雅各布停止准则终止算法。雅各布斯的停止准则要求,当算法在第一次访问开始像素的相同方向上第二次访问开始像素时,算法终止。整个过程从检测起点到算法结束,在图像中再次重复,寻找与第一个区域分离的区域,直到图像上不再有起点,即所有区域边界都被跟踪。3)损伤零件叁维模型重建方法在开始重建损伤的叁维模型之前,需要提取损伤区域边界和重建损伤区域边界。损伤区域的边界需要重建为叁维模型,但从图像只能获取二维数据,边界只能绘制为二维图,损伤区域边界的叁维或深度是手工选择的,由于这些损伤是表面损伤,所以选择的深度值不是很大。提取损伤区域的边界,并将其存储在少量的mx2矩阵中。在这些矩阵中,第一列是y,第二列是x坐标,同时由于图像的坐标系不同,需要从所获取图像大小的行值中减去y坐标,得到一个图。为了在图像上建立损伤物体的叁维模型,首先基于损伤区域的边界坐标建立二维图。如前所述,因为从图像中只能提取二维数据来创建叁维视图,所以Z方向值是手动选择的,且该值不大,而且Z方向值是常量。这里是作为一个单位。创建两个二维图,其中x和y值取自边界,而z值取自1和0。之后,这两个二维图需要连接起来,就像在它们之间创建一个曲面一样。为了将叁维模型重构为损伤模型,需要将叁维模型放置在获取图像的位置,以检测正确的表面,并在其表面上创建损伤区域。将使用与采集图像相匹配的二维视图。如前所述,二维视图的提取是按照先方位角变化5度的顺序进行的,然后根据从1到提取结束的索引,将高程和二维视图保存下来,以帮助找到正确的表面。在本研究案例中,实验仅使用58个二维视图,因为使用的零件的特定形状,前视图是圆形的,从顶部或左侧看,它看起来像矩形的,所以通过采取固定的方位角,90度,只有5个仰角从-90度变为0度,然后改变方位角值,180度,5个仰角从0度变为90度。ee,在恒定高度-180度的情况下,方位角从0度改为-90度。第叁章通过寻找最佳匹配的二维视图也找到了它的索引,并利用该索引找到了方位角和仰角值,在这种情况下,索引值为15,在方位角为90,仰角为-90+5*15=-15的情况下。根据它放置零件。叁维绘图和叁维模型的边界尺寸不同,其原因在于边界是从一个既有对象又有背景的图像中得到的,因此对象位置不是从原点开始的。但是,叁维模型的位置是从一个原点开始的,这会导致损伤边界和叁维模型的实际位置不同,并且由于图像上对象的大小与叁维模型的大小不同,绘制边界的大小和需要的边界也不同。由于叁维模型坐标系的存在,边界坐标也随之发生变化,即X→Z、Y→X、、Z→Y。要重新调整边界的大小,需要二维视图对象的大小。首先将匹配的二维图像转换为二值图像。在二进制图像中,对象变为白色或其值变为一,对象的背景变为黑色或其值变为0。二值图像成为一个包含一个元素和零个元素的MXN矩阵。其次,需要找到矩阵的所有非零元素下标,并将其保存为行下标和列下标。第叁,求出行和列的最小和最大下标。最后,这四个点创建矩形,然后根据这个矩形裁剪图像,创建新的裁剪图像,使其边界穿过这四个点。图像裁剪后,其大小、行和列将重新计算。然后将叁维模型的行划分为裁剪图像的行,将叁维视图的列划分为裁剪图像的列,并获取重新缩放值。将损伤区域边界的叁维图的Y值和Z值相乘,得到新的Y值和Z值,并绘制新的图。裁切后的二维视图与裁切前的坐标系不同,因此需要将损伤区域边界从原始二维视图重新定位到裁切后的图像。它类似于移动坐标。因此,首先需要找出一个差异,通过这个差异,行在修剪前后发生了移动。要做到这一点,从最小列的下标减去1,从最小行的下标也减去1。减去1而不是0是因为在图像坐标或像素索引中,从1开始。然后分别从损伤边界的行和列中减去这些差异。然而,重新定位是在二维视图上完成的,在应用于绘制的叁维边界之前,需要做一些小的修正。对于Y方向或列,没有问题,但是由于Z方向或行中的图像具有不同的坐标,为了重新定位边界需要计算的差异有一点。从最大行数减去最大下标,然后从叁维打印行中减去差,或从Z中减去差,以重新定位绘制的叁维边界。然而,在减去之前,这些差异也需要重新调整。根据采集的图像定位物体的叁维模型后,可以开始绘制边界的叁维模型并重新缩放和定位,重建损伤的叁维模型。从物体的叁维模型中减去叁维边界模型,重建损伤的叁维模型。减法运算是在两个叁维模型的坐标点之间进行的,因为数据插值的大小存在差异。叁维损伤区域边界的坐标数据或X数据、Y数据、Z数据与用于创建边界叁维绘图但重新缩放和重新定位后的点相同。这些点以矩阵mx2的形式保存,m是创建绘图形状的点,2是因为叁维是由连接的两个绘图创建的。对于对象x的叁维模型,y和z坐标数据点以3xn矩阵的矩阵形式保存。原因是X数据、Y数据和Z数据表示模型的单个面或表示此面的顶点。对象的叁维模型是一个STL文件。STL文件描述了一个原始的,非结构化的叁角曲面,由单位法向和顶点的叁角形使用叁维笛卡尔坐标系。因为STL文件有叁角形面,所以它有叁个顶点,所以数据以3xn矩阵的形式保存,其中n是面数。这两个叁维模型可以描述为创建某种形式的多个点。减法运算只在一个方向上进行,但两个模型的X数据尺寸不同,需要插值。由于绘制了边界的叁维模型,因此在Y和Z定义的Y-Z平面上方的高度值(x)中,X值是恒定的,实际上i与Y和Z没有任何关系,因此插值成为二维插值。根据物体叁维模型的X点数据进行插值。本研究采用整体自然邻域内插法。该方法基于离散空间点集的Voro.noi细分。在Y中插入叁维边界后,Z尺寸或其形状没有改变,只是在X方向或其深度值上,矩阵尺寸改变为与对象叁维模型的X尺寸相同的尺寸。新的边界X维矩阵的尺寸为3xn,但由于其Y、Z维矩阵的尺寸比一个叁维模型小,许多矩阵元素都等于零,这就导致了对一个物体的叁维模型进行减法运算而不改变。从物体的叁维模型中减去不等于零的边界的X维矩阵的值,将导致改变叁维模型的X维,并创建叁维模型的损伤区域。最后利用损伤的叁维绘图建立了损伤的STL模型。(本文来源于《中国矿业大学》期刊2019-04-08）
表面损伤论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
斜拉索由于具有自身质量轻、结构刚度差、结构阻尼小和自身长细比大的特点,极容易发生风(雨)致振动,对桥梁结构的安全性能产生很大的影响,而斜拉索作为斜拉桥的重要受力构件,准确掌握其风荷载对于桥梁抗风设计具有重要意义,特别是斜拉索在生产、运输和安装过程中表面可能受到损伤,该斜拉索在临界雷诺数区的气动力特性和流场特性更是值得研究的问题。针对此种状况,通过同步测力风洞试验,对表面无损伤斜拉索模型和表面损伤斜拉索模型在不同风攻角下的升力系数进行时程分析,得到边界层转捩的3个区域;将升力系数时程进行快速傅里叶变换计算得到升力时程频谱图,并通过频谱图分析随机信号的频域特征;对比从雷诺数亚临界、临界到超临界区表面无损伤和表面损伤斜拉索的流场变化,并从周围流场变化的角度分析雷诺数临界区斜拉索气动稳定性及可能的机理。研究结果表明:表面无损伤和表面损伤模型的升力系数随雷诺数的变化规律基本一致,二者的升力时程在TrBL0向TrBL1阶段和TrBL1向TrBL2阶段过渡过程中会出现双稳态现象,损伤会影响斜拉索尾流区旋涡脱落的情况,进而对不同雷诺数下的Strouhal数值变化产生一定的影响。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
表面损伤论文参考文献
[1].高睿,姜晨,严广和,张勇斌.光学玻璃亚表面损伤深度预测及实验研究[J].光学仪器.2019
[2].肖彬,刘庆宽,张磊杰,孙一飞,贾娅娅.表面损伤斜拉索雷诺数临界区气动力与流场分析[J].中国公路学报.2019
[3].罗忠兵,王新禹,孟亦圆,金士杰,陈军.纯铁低周疲劳表面/亚表面损伤临界折射纵波评价[J].材料保护.2019
[4].何晓雁,郭磊,赵燕茹,李文超,张淑艳.利用冲击球压法评价BFCC冻融下的表面损伤特征[J].土木工程与管理学报.2019
[5].李军,王健杰,郭太煜,朱永伟,左敦稳.侧面逐层抛光腐蚀法研究亚表面损伤[J].表面技术.2019
[6].张丽娜,任秀云.牙周超声治疗对牙根表面损伤的影响因素研究进展[J].中国实用口腔科杂志.2019
[7].樊庆侠.贝复舒滴眼液与维生素A棕榈酸酯眼用凝胶用于眼表面损伤的治疗效果[J].中国药物经济学.2019
[8].仇梓峰.基于计算机视觉的风机叶片表面损伤检测研究[D].北京交通大学.2019
[9].季平,许新为.一种金属模样表面损伤的修复方法[J].科技视界.2019
[10].米拉姆.基于机器视觉的机械零件表面损伤检测研究[D].中国矿业大学.2019