1.本发明涉及一种基于有机力致荧光对服役中的承压装备的产生缺陷进行快速识别和定量评估的检测方 法。
背景技术：2.承压装备中是石油化工和核电领域的关键设备，在使用过程中往往承受易燃、易爆和腐蚀性介质。在 长期服役过程中，容器会产生腐蚀以及焊缝内出现裂纹等缺陷，对于承压装备的安全服役造成重大风险。 在服役过程中对承压装备由腐蚀和焊缝的开裂造成的内部或外部缺陷的位置和尺寸难以实时监测。因此， 开发针对服役承压装备的缺陷的快速识别和评估的检测方法对服役承压装备在生产过程安全监控预警至关 重要。
3.目前针对承压装备缺陷的检测方法主要集中在超声检测、射线检测、涡流检测、磁粉检测以及渗透检 测。超声检测依赖于其超强的穿透性，具有较高的灵敏度，但对于复杂构件的检验结果不令人满意。射线 检测可以直观判断承压装备内部缺陷的尺寸及位置，但射线检测对检测人员伤害较大，同时对服役中的承 压装备检测困难。涡流检测能够快速获得内部缺陷的信号，但对于缺陷的具体位置还需要联合多种检测手 段进行复检才能确定。磁粉检测虽然操作方便，缺陷表达直观，但受承压装备材料的限制，只能应用于导 磁材料。渗透检测仅能获得表面或者近表面缺陷的形状和尺度，无法获得缺陷的深度，无法对内部缺陷进 行检测，需要操作人员进入承压装备内部开展检测。上述检测方法的传感器的检测区域有限，大范围快速 检测困难，往往在承压装备定期检修才能进行，很难对服役中的承压装备的内部缺陷进行大范围和快速的 筛查。因此，有必要开发针对服役承压装备缺陷产生的位置、长度和深度的大范围、快速和直观可视的检 测手段。
4.荧光以其高灵敏度、响应实时和可视化的特点，广泛地应用于光电器件、生物和危险物质检测等领域。 利用力致荧光现象对工程构件的变形和损伤进行实时可视化检测是结构健康监测领域发展的重要方向。中 国发明专利“一种利用荧光量子点检测和监控机械部件裂纹的方法”(发明专利申请号：cn 201210586280 公开号：cn 103901003 a)公开了一种基于无机量子点的荧光响应检测机械部件的疲劳裂纹方法。中国发 明专利“一种动态监测裂纹尖端应力强度因子的方法”(发明专利申请号：cn202110093811.0公开号： cn113008669a)公开了一种利用有机力致荧光对构件表面的裂纹的断裂韧性进行动态监测的方法。综上所 述，利用力致荧光材料监测机械部件损伤仅有个例报道。上述方法主要应用于工程构件的表面裂纹的位置 和长度检测，利用力致荧光对承压装备缺陷的深度，特别是内部缺陷进行快速检测未见报道。
5.四硝基-四苯基乙烯(tpe-4n)具有金属表面成膜性好，力致荧光响应迅速的优点。中国发明专利“一 种利用有机力致发光材料检测机械部件的力学响应的方法”(发明专利申请号：cn201810258759.8公开号： cn108680288a)公开了利用四硝基-四苯基乙烯(tpe-4n)材料检测应力应变响应和预测疲劳裂纹扩展的方 法。这为利用有机力致荧光材料进行
承压装备的缺陷的监测提供了可能。上述方法仅对构件的整体应力应 变响应检测以及表面的疲劳裂纹的萌生和扩展的路径和长度进行实时监测，无法对于装备缺陷或裂纹的深 度监测和评估，基于有机力致荧光的承压装备内部缺陷的大范围、快速和可视化监测的方法并未见报道。
技术实现要素：6.针对上述问题，本发明的目的是提供一种基于有机力致荧光的承压装备缺陷的大范围、快速和可视化 的检测方法。
7.本发明的技术方案：
8.一种利用有机力致荧光材料对服役承压装备的缺陷快速检测方法，包括以下步骤:
9.(1)建立承压装备缺陷诱导力致荧光图像数据库：
10.(1.1)制备具有不同尺寸和深度的含内部或外部缺陷的标准拉伸试样；
11.(1.2)选择有机力致荧光材料作为材料，配制有机力致荧光材料溶液；使用刷子将有机力致荧光材料 溶液均匀涂覆在含缺陷的标准拉伸试样正反表面，通过加热工具加热成膜，制备均匀的有机力致荧光涂层；
12.(1.3)对涂覆有机力致荧光材料的含缺陷标准拉伸试样进行拉伸实验，使用紫外光源作为激发光源， 利用ccd荧光采集系统实时记录不同载荷、缺陷的长度和深度下的试样两面的力致荧光图像，用来模拟承 压装备表面缺陷和内部缺陷造成的力致荧光响应；
13.(1.4)力致荧光图像的处理：对力致荧光图像进行图像处理获得力致荧光图像的特征值，通过降噪和 二值化处理，提取出力致荧光图像区域，并计算二值图像中荧光的面积和距离；
14.(1.5)建立承压装备缺陷诱导力致荧光图像数据库：随着载荷以及缺陷的长度和深度的增大，试样表 面的力致荧光图像的面积和距离逐渐增加；详细分析(1.3)试验中获得的结果，建立不同载荷和缺陷尺寸 下的力致荧光图像的面积和距离的关系，建立缺陷诱导的力致荧光图像数据库；
15.(2)服役承压装备的缺陷的在线监测方法：
16.(2.1)选择有机力致荧光材料作为材料，配制有机力致荧光材料溶液；使用刷子将有机力致荧光材料 溶液均匀涂覆在承压装备表面，通过加热工具加热成膜，制备均匀的有机力致荧光涂层；
17.(2.2)利用ccd荧光采集系统实时扫描监测服役承压装备表面的力致荧光信号，根据力致荧光的出现 位置对承压装备的内部或外部缺陷的位置快速定位；
18.(2.3)结合计算机视觉和人工智能技术(机器学习或深度学习)对采集到的标准数据库中的力致荧光 图像构建残差注意力网络，结合注意力机制的深层网络提取荧光图像的深层特征；
19.(2.4)根据图像处理技术提取力致荧光图像的特征值，通过特征融合，增强荧光图像的特征表示；对 构建的残差注意力分类网络进行训练和验证，获得训练模型；
20.(2.5)将实时在线采集的承压装备表面的力致荧光图像结果输入到训练模型中，分类模型将输出荧光 图像的分类结果，根据预先定义的类别标签表示计算出承压装备的
缺陷诱导产生力致荧光图像的载荷和尺 寸。
21.所述的有机力致荧光材料选用四硝基-四苯基乙烯材料(tpe-4n)，配制tpe-4n溶液浓度0.01～0.05g/ml； 有机溶剂为氯仿。
22.所述的加热工具使用热风枪、加热炉或加热套；加热温度为80℃～300℃，加热时间约1～30分钟。
23.所述的荧光检测装置采用ccd荧光采集系统，对含缺陷试样和服役承压装备在受力后表面的力致荧光 图像进行实时采集。
24.所述的ccd荧光采集系统包括一个ccd相机、一个镜头、一个紫外光源和计算机数据分析系统，荧光 采集系统安装在标准试样和服役承压容器外，将采集的力致荧光特征图像实时传回计算机数据分析系统。
25.所述的图像处理方法是对所记录的缺陷试样的力致荧光图像进行图像处理，应用于分析荧光。选取变 形过程中标准试样表面的力致荧光图像，选取1～50mm
×
1～50mm区域作为分析对象，通过图像处理将其转化 为灰度图像，随后对图像进行降噪、中值滤波、平滑化和二值化处理，获得力致荧光区域，并计算力致荧 光区域所占选取区域的面积和距离。
26.所述的缺陷诱导力致荧光图像数据库建立是对含不同尺寸和深度的内部和外部缺陷的标准拉伸试样开 展拉伸试验，获得力致荧光图像。建立力致荧光的面积和距离随缺陷尺寸和深度以及载荷变化的关系，基 于一系列含缺陷试件在不同拉伸载荷下的力致荧光响应试验结果建立承压装备的缺陷诱导力致荧光图像数 据库。
27.所述的服役承压装备的缺陷快速识别是在承压装备表面涂敷有机力致荧光涂层，利用ccd荧光采集系 统在线检测力致荧光的响应区域，利用构件表面力致荧光的出现位置可以对构件内部缺陷的产生位置快速 定位。
28.所述的服役承压装备的缺陷定量评估是结合计算机视觉和人工智能技术(机器学习或深度学习)对数 据库的图像进行特征值分析，建立训练模型；将实时在线采集的承压装备表面的力致荧光图像特征值输入 到训练模型中，定量获得服役承压装备的缺陷的深度和长度。
29.具体说明如下：
30.本发明的一种基于有机力致荧光对服役中的承压装备的产生缺陷进行快速识别和定量评估的检测方 法，包括以下步骤:
31.(1)选择有机力致荧光材料作为材料，配制有机力致荧光材料溶液；
32.(2)建立承压装备缺陷诱导力致荧光图像数据库：
33.(2.1)制备具有不同尺寸(缺陷长度或直径为1～30mm)和深度(深度范围10％～90％)的缺陷的标准 拉伸试样。
34.(2.2)在试样两面制备有机力致荧光涂层，通过刷子均匀涂敷于试样表面，加热成膜。
35.(2.3)对涂覆有机力致荧光材料的含缺陷标准拉伸试样进行拉伸试验，利用ccd荧光采集系统实时记 录不同载荷(载荷50～300mpa)下试样两面的力致荧光图像，用来模拟内部和外部缺陷引起的试样表面的 力致荧光响应。对每个试样分别进行拉伸试验，并记录其力致荧光图像。
36.(2.4)力致荧光图像的处理：首先对力致荧光图像进行处理，以提取出力致荧光区
域的特征值。利首 先进行背景处理，再进行阈值选择，在选定阈值后对图像进行二值化处理，使得图像中间荧光区域为白色， 其他区域为黑色。通过计算二值图像中荧光(白色部分)的面积和距离。
37.(2.5)承压装备缺陷诱导力致荧光图像数据库建立：对(2.3)采集到的力致荧光响应图像进行特征值 分析，获得内部或外部缺陷引起的力致荧光的面积和距离。建立力致荧光图像的特征值随缺陷尺寸以及拉 伸载荷变化的关系；基于一系列含缺陷试件在不同拉伸载荷下的力致荧光图像的特征值，建立承压装备缺 陷诱导力致荧光图像数据库。
38.(3)服役承压装备的内部缺陷快速识别：
39.(3.1)在承压设备表面制备有机力致荧光涂层，通过刷子均匀涂敷于设备表面，加热成膜。
40.(3.2)利用ccd荧光采集系统实时监测服役承压装备表面的力致荧光信号，利用力致荧光信号出现的 位置快速定位缺陷产生的位置。
41.(3.3)结合计算机视觉和人工智能技术(如：机器学习或深度学习)对采集到的标准数据库中的力致 荧光图像构建残差注意力网络，结合注意力机制的深层网络提取荧光图像的深层特征。
42.(3.4)根据图像处理技术，提取力致荧光图像的特征值，通过特征融合，增强荧光图像的特征表示。 对构建的残差注意力分类网络进行训练和验证，获得训练模型。
43.(3.5)对实时采集到的力致荧光图像进行定量分析，力致荧光图像结果输入到训练模型中，分类模型 将输出荧光图像的分类结果，根据预先定义的类别标签表示计算出承压装备的缺陷诱导产生力致荧光图像 的拉伸载荷和深度水平。
44.本发明是一种基于有机力致荧光动态可视化地监测服役中的承压装备的缺陷的检测方法，包括选择有 机力致荧光材料，制备有机力致荧光材料溶液，将力致荧光材料大范围涂敷于承压装备表面；通过直接观 察或通过ccd荧光采集系统实时监测服役过程中承压装备表面的产生的力致荧光，快速定位内部缺陷的位 置；并且通过计算机视觉与人工智能技术将力致荧光图像的特征值以和载荷及缺陷尺寸进行关联，建立训 练模型；通过采集分析含缺陷的标准拉伸试样表面的有机力致荧光图像信息，定量分析载荷、缺陷深度及 尺寸对力致荧光图像的形貌和发光范围，建立缺陷诱导力致荧光图像数据库；在承压装备表面大范围构建 有机力致荧光涂层，在服役过程中在线监测承压装备表面的力致荧光响应，根据力致荧光出现的位置表明 缺陷的位置，根据力致荧光图像和载荷通过计算机视觉和人工智能(如：机器学习或深度学习)技术对数 据库中的力致荧光图像进行识别、数据训练并建立训练模型，将实时采集到的力致荧光图像带入模型定量 评估承压装备的缺陷尺寸和深度。本方法操作和装置简单，力致荧光肉眼可见，可以对服役中的承压装备 的内部或外部缺陷进行大范围和快速定位和评估。
45.本发明的优点是：
46.(1)基于有机力致荧光对承压装备缺陷进行快速检测的方法，利用有机力致荧光材料成膜性好的特性， 通过实时检测受力后含缺陷标准试样表面的有机力致荧光响应，通过一系列图像处理以及分析后得到荧光 图像的特征值，得出了力致荧光图像面积和距离与缺陷尺寸和载荷大小之间的基本规律，建立承压装备缺 陷诱导力致荧光数据库。通过在线监测服役承压装备表面的力致荧光信息，通过计算机视觉和人工智能技 术为服役承压
装备的内部和外部缺陷的位置和尺寸提供一种快速定位和评估的检测方法。
47.(2)利用有机力致荧光材料对承压装备缺陷进行快速检测的方法利用四硝基-四苯基乙烯受力变形后可 在紫外光下激发，且力致荧光肉眼可见，响应持久，能够大范围直观地反映出内部和外部的位置和损伤程 度，简便易行，成本低，无毒害，适用范围广。
48.(3)利用有机力致荧光材料对承压设备缺陷进行快速检测的方法，不受机械结构几何和载荷复杂性限 制，通过计算机视觉和人工智能技术可以对服役承压装备表面产生力致荧光图像开展分析，定量获得内部 和外部缺陷的尺寸和深度，对于服役承压装备的结构健康监测提供了重要参考，因此相比于其他方法对服 役中的承压装备开展在线监测更具优势。
49.(4)利用机力致荧光材料对承压设备缺陷进行快速检测的方法建立了承压装备缺陷诱导力致荧光图像数据 库，本方法可以接入承压装备的协同管控系统，通过物联网实现承压装备的生产过程安全监控预警。
附图说明
50.图1：技术路线流程图。
51.图2a：含内部缺口构件的正面视图；
52.图2b：试样的缺陷视图及预制缺陷形状。
53.图3：不同深度缺陷标准拉伸试样在拉伸载荷下试样表面的力致荧光图像。
54.图4a：典型内部缺陷诱导获得的试样表面的力致荧光图像；
55.图4b：力致荧光图像的灰度分布图；
56.图4c：力致荧光图像的二值图像。
57.图5：不同深度内部缺陷诱导的力致荧光特征图像。
58.图6：水平背面缺口试样在拉伸载荷下的力致荧光图像、灰度分布、dic方法及有限元模拟的von mises等 效应变分布。
59.图7：承压装备在线检测系统示意图。
具体实施方式
60.本方法的具体实施路线如图1所示。
61.(1)选择有机力致荧光材料四硝基-四苯基乙烯(tpe-4n)作为材料；或利用化学方法合成。合成方 法见中国发明专利“多硝基取代四苯基乙烯化合物的制备及其应用”(发明专利申请号:cn 201310057959公 开号:cn104003886 a)。
62.(2)配制tpe-4n溶液，涂覆含缺陷标准拉伸试样和服役承压装备表面，并加热成膜。
63.样品1：将tpe-4n溶解于氯仿中，制备成浓度为0.01g/ml的tpe-4n溶液，用刷子将溶液涂覆在承压构 件表面，用热风枪在80℃加热30分钟成膜。
64.样品2：tpe-4n溶解于氯仿中，制备成浓度为0.03g/ml的tpe-4n溶液，用刷子将溶液涂覆在承压构件 表面，用热风枪在150℃加热2分钟成膜。
65.样品3：tpe-4n溶解于氯仿中，制备成浓度为0.05g/ml的tpe-4n溶液，用刷子将溶液涂覆在承压构件 表面，用热风枪在300℃加热1分钟成膜。加热工具可以使用热风枪、加
热炉、加热套等。
66.(3)以上样品所制备的试样表层涂覆tpe-4n膜的结果一致。tpe-4n溶液在遮光低温处保存。
67.(4)含缺陷标准拉伸试样设计。利用含缺陷标准试样模拟承压装备的损伤，设计承压装备缺陷诱导力 致荧光图像数据库所需要的带缺陷标准拉伸试件，其中包括的内部缺陷种类有：缺陷深度范围10％～90％、 缺陷长度1～30mm的圆孔和裂纹，拉伸时的载荷50～300mpa。在含缺陷标准拉伸试样的表面制备。
68.(5)含缺陷标准试样的力致荧光图像采集。含缺陷316l不锈钢构件的形貌如图2所示，图2a为构件 的正面图而图2b为背面缺陷的形貌图。对涂敷tpe-4n的含缺陷试样开展单轴拉伸试验，过程中使用ccd 荧光采集系统实时记录试样表面tpe-4n涂层的力致荧光图像，得到一系列含缺陷试样受力后的力致荧光图 像。如图3所示，利用紫外光源激发、ccd相机采集背面无缺口试样和缺陷深度为60％深度、75％深度、 90％深度的含缺陷试样在多种载荷下的正面力致荧光图像。
69.(6)力致荧光图像处理。对所记录的背面缺口试样的荧光图像进行图像处理，应用于分析试样表面力 致荧光图像特征值。如图4所示，选取变形过程中表面荧光响应图像，将试件正面除夹具部分的24mm
×
4mm 区域作为分析对象，利用matlab软件将其转化为灰度图像。将获得的内部缺陷诱导生成的力致荧光(图4a) 进行图形处理得到力致荧光的灰度分布(图4b)。在灰度图像中加入椒盐噪声，随后对图像进行中值滤波， 尽可能降低噪声的影响，将其进行平滑化。将处理后的图像选取合适的阈值(0.01～0.1)进行二值化，二值 化后删除面积小于30的部分(图4c)。随后对二值化连通区域进行标记，标记后求取连通域面积大小，计算 力致荧光所占面积的比例。
70.(7)承压装备缺陷诱导力致荧光图像数据库建立。通过分析不同缺陷试样在载荷作用下的力致荧光图 像特征值，获得相应的力致荧光的面积和距离。如图5所示，力致荧光响应区域随试件背部缺陷的深度和拉 伸载荷的变化规律。如表1所示，在拉伸载荷不断增大的同时，力致荧光发光面积比例逐渐增大。在拉伸载 荷固定的情况下，缺陷深度增加会导致力致荧光发光面积增加。获得一系列缺陷尺寸和拉伸载荷作用下力 致荧光图像的面积和距离等特征值，建立承压装备缺陷诱导的力致荧光图像数据库。
71.表1力致荧光图像特征值与载荷和缺陷尺寸关系
[0072][0073]
(8)承压装备缺陷诱导力致荧光检测结果验证。为了验证本方法的准确性，分别使用数字图像相关 (dic)方法和有限元模拟方法分析了相同的含缺陷的316l不锈钢试样在拉伸载荷作用下的应变分布。如 图6所示，由于缺陷的存在，受拉伸载荷时在试样的表面产生局部应变，并形成了一个x形的应变分布云 图。图6中列举了含75％深度水平缺陷的试样
在拉伸过程中三种方法的检测结果。将三种方法的获得结果 对比，有机力致荧光检测方法得到的力致荧光图像与dic和ansys分析的应变分布基本吻合。结果表明， 利用有机力致荧光表征缺陷引起的表面局部变形是可行的。
[0074]
(9)服役承压装备的缺陷的在快速定位方法。如图7所示，在承压装备外表面上大范围构建tpe-4n涂 层，在紫外光的激发下，利用ccd相机大范围快速检测服役承压装备表面，实时获得装备表面的力致荧光 图像并传回损伤评估系统。利用力致荧光出现的位置快速定位内部或外部缺陷的产生位置。
[0075]
(10)基于计算机视觉和人工智能技术的力致荧光图像识别。通过深度神经网络方法将已知力致荧光 图像数据库中拉伸载荷大小预测其深度水平问题转化为包含12类的图像分类问题，初始数据包括用来训练、 验证和测试的荧光图像、损伤产生的二值化图像以及对应的拉伸载荷大小和深度水平的标签信息，其中拉 伸载荷大小的类别标签为{1800，2000，2300，26000}，深度水平的类别标签为{60％，75％，90％}。为了简单 处理，将{1800，60％}，{1800，75％}，{1800，90％}，{2000，60％}，{2000，75％}，{2000，90％}，{2300，60％}， {2300，75％}，{2300，90％}，{2600，60％}，{2600，75％}，{2600，90％}分别用1～12表示，并作为每张荧光 图像的类别标签。
[0076]
构建残差注意力网络：基于残差学习和注意力机制的思想，构建一个56层的残差模块结合注意力机制 的深层网络提取荧光图像的深层特征。特征提取分支选取一个在大规模图像数据中预训练的神经网络的残 差模块作为该分支的基本网络单元，用于提取输入图像的深层特征。其中，每个残差单元由带有批量归一 化和修正线性单元的两个1
×
1卷积和一个3
×
3卷积以及残差连接组成。假设输入的荧光图像为x，残差单 元为残差单元中网络参数为w，通过将级联的卷积层计算后的输出信息与残差连接传递的输入信息进行 相加，可计算出荧光图像的深层特征，公式表达如下：
[0077][0078]
注意力分支采用简单的类似于完全卷积网络的结构，该分支主要由多个由最大池化层和残差单元组成 的基本单元、线性插值、1
×
1卷积以及sigmoid层组成。通过这种方式，可以实现在进行特征提取的同时增 加感受野，快速获取图像的全局特征信息。对于输入的荧光图像x，特征提取分支输出的深层特征为fd，注 意力分支输出的注意力权重图为类似于残差学习的方式，将获得的注意力权重图与深层特征fd进 行像素级相加处理，计算出荧光图像增强后的深层特征。即，通过将作为特征选择器的方式来将fd中的 有效特征增强，公式描述如下：
[0079][0080]
根据图像处理技术，计算标准数据库(训练集、验证集、测试集)中每张损伤产生的二值化图像的白 色区域的面积和x轴y轴方向最大覆盖范围，将这两个图像特性作为每张荧光图像的手工特征h
t
。为了进一 步提高深层残差注意力网络的分类性能，将获得的深层特征fd和手工制作的视觉特征h
t
进行融合，增强荧 光图像的特征表示。首先，对于步骤2)提取的深层特征fd，将其送入一个平均池化层调节深层特征维度， 保持深层分类网络对图像分类时具备旋转不变性和平移不变性，并计算出新的特征fd′
；其次，将特征fd′
和 手工制作的特征h
t
连接，并添加到分类网络的线性层l；最后，将倒数第二层计算出的预测概率p送入
sigmoid 层归一化到[0，1]，并选取预测概率最大的类别c作为输入的荧光图像的类别标签，即可获得荧光图像的拉伸 载荷和深度水平。特征融合的具体公式描述如下所示：
[0081][0082]
p＝l(fd′
，h
t
，θ)
[0083][0084]
上式中，r表示特征fd的h
×
w区域，θ表示线性层l的网络参数，argmax表示选取最大值索引函数。
[0085]
(11)进行数据训练和验证。根据预先准备的数据，对构建的残差注意力分类网络进行训练和验证。 使用小批量训练模式，利用交叉熵的平均值作为损失函数来衡量分类结果与实际类别结果的差别，优化残 差注意力网络，直至网络收敛，停止训练。交叉熵损失函数公式如下：
[0086][0087]
上式中，l(
·
)表示损失函数值，n表示该批量中参与训练的样本数，n为12，x表示该批量中参与训练的 数据矩阵，∑为求和运算符，y
′
表示与x相对应的实际类别标签矩阵，log(
·
)表示对数运算，y表示经网络分 类得到的x的类别标签矩阵。
[0088]
在残差注意力网络学习完训练集中所有图像时，分类模型将由训练模型转变为评估模式，对验证集中 所有图像进行预测分类，并根据由预测结果和图像真实标签计算出的分类指标来评估现阶段所训练的模型 的性能。最终，将保存验证集评估指标最高的模型。
[0089]
(12)服役承压装备的缺陷的定量评估。将实时获得的承压装备表面由损伤诱导的力致荧光图像特征 值输入到保存的模型中，分类模型将输出荧光图像的分类结果，根据预先定义的类别标签表示计算出荧光 图像的拉伸载荷和深度水平的定量评估。
[0090]
本发明是一种承压装备缺陷的快速检测方法，选择有机力致荧光材料制备溶液，在构件表面构筑有机 力致荧光涂层。通过含缺陷标准试样的拉伸试验，分别获得不同载荷和不同缺陷深度和尺寸下的力致荧光 图像，通过图像处理获得力致荧光区域特征值和载荷及缺陷尺寸的关系，建立承压装备缺陷诱导力致荧光 的图像数据库。在承压装备的表面涂敷有机力致荧光涂层，服役过程中在线监测承压装备表面的力致荧光 的响应，利用力致荧光出现的位置快速定位内部缺陷的位置；利用计算机视觉和人工智能技术对数据库中 的力致荧光图像进行识别、数据训练并建立训练模型；将实时采集到的力致荧光图像带入模型定量评估承 压装备的缺陷尺寸和深度。本方法操作和装置简单，装备缺陷的检测结果肉眼可见，可以对服役中的承压 装备的表面和内容产生的缺陷进行大范围的快速筛查并开展损伤评估，对承压装备的结构健康监测和维护 方案制定具有重要的参考价值。
[0091]
本发明公开和提出的基于有机力致荧光的可视化监测服役中的承压装备缺陷的方法，本领域技术人员 可通过借鉴本文内容，适当改变条件路线等环节实现，尽管本发明的方法和监测技术已通过较佳实施例子 进行了描述，相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和技术路线进行 改动或重新组合，来实现最终的
监测技术。特别需要指出的是，所有相类似的替换和改动对本领域技术人 员来说是显而易见的，他们都被视为包括在本发明精神、范围和内容中。
技术特征：1.一种利用有机力致荧光材料对服役承压装备的缺陷快速检测方法，包括以下步骤:(1)建立承压装备缺陷诱导力致荧光图像数据库：(1.1)制备具有不同尺寸和深度的含内部或外部缺陷的标准拉伸试样；(1.2)选择有机力致荧光材料作为材料，配制有机力致荧光材料溶液；使用刷子将有机力致荧光材料溶液均匀涂覆在含缺陷的标准拉伸试样正反表面，通过加热工具加热成膜，制备均匀的有机力致荧光涂层；(1.3)对涂覆有机力致荧光材料的含缺陷标准拉伸试样进行拉伸实验，使用紫外光源作为激发光源，利用ccd荧光采集系统实时记录不同载荷、缺陷的长度和深度下的试样两面的力致荧光图像，用来模拟承压装备表面缺陷和内部缺陷造成的力致荧光响应；(1.4)力致荧光图像的处理：对力致荧光图像进行图像处理获得力致荧光图像的特征值，通过降噪和二值化处理，提取出力致荧光图像区域，并计算二值图像中荧光的面积和距离；(1.5)建立承压装备缺陷诱导力致荧光图像数据库：随着载荷以及缺陷的长度和深度的增大，试样表面的力致荧光图像的面积和距离逐渐增加；详细分析(1.3)试验中获得的结果，建立不同载荷和缺陷尺寸下的力致荧光图像的面积和距离的关系，建立缺陷诱导的力致荧光图像数据库；(2)服役承压装备的缺陷的在线监测方法：(2.1)选择有机力致荧光材料作为材料，配制有机力致荧光材料溶液；使用刷子将有机力致荧光材料溶液均匀涂覆在承压装备表面，通过加热工具加热成膜，制备均匀的有机力致荧光涂层；(2.2)利用ccd荧光采集系统实时扫描监测服役承压装备表面的力致荧光信号，根据力致荧光的出现位置对承压装备的内部或外部缺陷的位置快速定位；(2.3)结合计算机视觉和人工智能技术对采集到的标准数据库中的力致荧光图像构建残差注意力网络，结合注意力机制的深层网络提取荧光图像的深层特征；(2.4)根据图像处理技术提取力致荧光图像的特征值，通过特征融合，增强荧光图像的特征表示；对构建的残差注意力分类网络进行训练和验证，获得训练模型；(2.5)将实时在线采集的承压装备表面的力致荧光图像结果输入到训练模型中，分类模型将输出荧光图像的分类结果，根据预先定义的类别标签表示计算出承压装备的缺陷诱导产生力致荧光图像的载荷和尺寸。2.如权利要求1所述的方法，其特征是，所述的有机力致荧光材料选用四硝基-四苯基乙烯材料。3.如权利要求1所述的方法，其特征是，有机力致荧光材料溶液配制浓度0.01～0.05g/ml；有机溶剂为氯仿。4.如权利要求1所述的方法，其特征是，加热工具使用热风枪、加热炉或加热套；加热温度为80℃～300℃，加热时间约1～30分钟。5.如权利要求1所述的方法，其特征是，所述的荧光检测装置采用ccd荧光采集系统，对含缺陷试样和服役承压装备在受力后表面的力致荧光图像进行实时采集。6.如权利要求1所述的方法，其特征是，所述的ccd荧光采集系统包括一个ccd相机、一个镜头、一个紫外光源和计算机数据分析系统，荧光采集系统安装在标准试样和服役承压
容器外，将采集的力致荧光特征图像实时传回计算机数据分析系统。7.如权利要求1所述的方法，其特征是，所述的图像处理方法是对所记录的缺陷试样的力致荧光图像进行图像处理，应用于分析荧光；选取变形过程中标准试样表面的力致荧光图像，选取1～50mm
×
1～50mm区域作为分析对象，通过图像处理将其转化为灰度图像，随后对图像进行降噪、中值滤波、平滑化和二值化处理，获得力致荧光区域，并计算力致荧光区域所占选取区域的面积和距离。8.如权利要求1所述的方法，其特征是，所述的缺陷诱导力致荧光图像数据库建立是对含不同尺寸和深度的内部和外部缺陷的标准拉伸试样开展拉伸试验，获得力致荧光图像；建立力致荧光的面积和距离随缺陷尺寸和深度以及载荷变化的关系，基于一系列含缺陷试件在不同拉伸载荷下的力致荧光响应试验结果建立承压装备的缺陷诱导力致荧光图像数据库。9.如权利要求1所述的方法，其特征是，所述的服役承压装备的缺陷快速识别是在承压装备表面涂敷有机力致荧光涂层，利用ccd荧光采集系统在线检测力致荧光的响应区域，利用构件表面力致荧光的出现位置可以对构件内部缺陷的产生位置快速定位。10.如权利要求1所述的方法，其特征是，所述的服役承压装备的缺陷定量评估是结合计算机视觉和人工智能技术对数据库的图像进行特征值分析，建立训练模型；将实时在线采集的承压装备表面的力致荧光图像特征值输入到训练模型中，定量获得服役承压装备的缺陷的深度和长度。
技术总结本发明是一种利用有机力致荧光材料对服役承压装备的缺陷快速检测方法，选择有机力致荧光材料制备溶液，在构件表面构筑有机力致荧光涂层。通过含缺陷标准试样的拉伸试验，分别获得不同载荷和不同缺陷深度和尺寸下的力致荧光图像，通过图像处理获得力致荧光区域特征值和载荷及缺陷尺寸的关系，建立承压装备缺陷诱导力致荧光的图像数据库。在承压装备的表面涂敷有机力致荧光涂层，服役过程中在线监测承压装备表面的力致荧光的响应，利用力致荧光出现的位置快速定位内部缺陷的位置；利用计算机视觉和人工智能技术对数据库中的力致荧光图像进行识别、数据训练并建立训练模型；将实时采集到的力致荧光图像带入模型定量评估承压装备的缺陷尺寸和深度。装备的缺陷尺寸和深度。装备的缺陷尺寸和深度。
技术研发人员：张喆 邵正旭 陈旭
受保护的技术使用者：天津大学
技术研发日：2022.01.24
技术公布日：2022/7/5
