CN102081045A - 一种基于激光电视全息技术的结构损伤识别方法 - Google Patents

Abstract

本发明为基于激光电视全息技术的结构损伤识别方法，本发明公开了一种检测结构损伤的方法，包括获得无损结构的散斑干涉条纹图像、构造一组反映测量噪声的无损结构的干涉条纹图像、通过支持向量机分类算法构建损伤检测网络模型、未知图像经过分类比较后就可判断损伤是否发生、以及损伤发生的位置。本发明所提出的方法适用于结构损伤检测，能够提高损伤识别精度，简化损伤识别过程，可实现结构缺陷判断智能化。

Description

一种基于激光电视全息技术的结构损伤识别方法

技术领域

本发明涉及结构损伤识别领域，特别涉及一种基于激光电视全息测试技术的结构损伤检测方法。

背景技术

激光电视全息(Laser TV-Holography)技术是一种非接触式全场实时测量技术，因其通用性强、测量精度高、频率范围宽及测量简便等优点，近年来在振动测试和损伤检测领域得到了快速发展。

激光电视全息技术应用于损伤检测的基本原理是：在外载荷的作用下，结构损伤处的外表面会产生非均匀的变形，在有规则的散斑干涉条纹中会出现明显的异状，如不连续、突变的形状变化和间距变化等，从而可检测出结构缺陷及其位置。激光电视全息技术具有通用性强、测量精度高、频率范围宽及测量简便等特点，可以完成位移、应变、表面缺陷和裂纹检测等多种测试。

但是，在使用过程中发现：要通过干涉条纹变形来判断结构缺陷，首先要将原始干涉条纹图像转换为结构振动位移、应变等分布图，在此数据转换过程中需要进行复杂的计算，不可避免会影响到计算结果的准确性。同时，测量设备对周围环境和操作条件都有一定的要求，测量系统误差的影响往往掩盖了结构损伤的信息；特别是当结构发生较小损伤时，很难判断损伤是否已经出现。

为了提高测量精度，人们一直试图将智能诊断方法引入损伤检测领域，如将神经网络用于图像增强和干涉条纹分析中。但如果要取得较好的预测效果，需要收集大量可靠的试验数据充分训练预测模型，这在很大程度上限制了该方法的广泛应用。近年来出现的支持向量机算法(Support Vector Machine，SVM)，在样本量较少的情况下亦能获得很好的学习效果，能够避免神经网络等方法结构难于确定、过学习以及局部极小化等问题。

发明内容

本发明所要解决的技术问题在于，在现有激光电视全息测试技术的基础上，进一步提高结构损伤的识别精度。

为了要解决上述的技术问题，本发明的技术方案如下：先得到无损结构的散斑干涉条纹图像，同时模拟测量噪声对散斑条纹图像的影响，构造一组无损结构的散斑干涉条纹图像，然后通过支持向量机分类算法构建结构损伤检测模型，待测图像经过分类比较后就可判断损伤是否发生，并进一步确定损伤发生的位置。

本发明的结构损伤识别方法，具体包括如下步骤：

(1)建立一组无损结构的散斑干涉条纹图像训练样本集。

散斑干涉图像的像素值Val_pixel可表示为：

Val_pixel＝A cos(θ)J₀(2πK·δ)    (1)

上式中A为物体光场和参考光场的强度，是一个正态分布随机量；θ为物光场和参考光场的光学相位差，在(0，2π)间随机均匀分布；cos(θ)在像面上就对应于散斑；J₀为零阶贝赛尔函数，K为灵敏度向量，δ为以光波为单位的位移振幅。光强分布曲面一般是连续递变的，但在出现缺陷的地方，曲面会发生突然陡变。

如果直接对条纹图像进行分类识别，把整幅图像所有像素点的灰度值作为输入层单元，其维数高达几十万。这对于机器学习是一个很大的考验，同时也是不必要的。将无损结构散斑干涉条纹图像分割为一系列网格，网格的大小要既便于输入计算模型，同时又尽量保留其信息。

划分后的每个网格包括多个像素点，考虑到光学测量噪声的影响，网格的像素并不是取其平均值，而是考虑测试设备测量误差、测量环境、操作条件等条件对测量结果的影响程度。首先根据公式(1)计算像素值概率分布特征；然后随机取网格中某一点像素值作为初始值，并根据测量噪声概率分布特点，计算得到此网格的多个像素值，从而建立多个输入样本。但此时会产生数量很多的散斑干涉条纹图像可供选取，一般随机选取10～20％即可满足网络训练的要求。

以一块板为例，将其分割为20×40个网格，共800个节点。每个节点可能的像素值从0到255(假定8比特摄像头)，可以产生256⁸⁰⁰个干涉图像，但只有800个是相互独立。此时，从独立的800个条纹图中，随机选取10～20％满足网络训练的要求，例如选取100个条纹图像建立训练样本进行训练。

(2)按照支持向量机分类算法，建立损伤检测分类网络。

将无损结构散斑干涉条纹图像的训练样本，输入到支持向量机分类算法中，选择合适的核函数及相关参数，建立基于支持向量机分类算法的无损结构散斑干涉条纹图像分类模型。此模型中包括了测量噪声影响下无损结构散斑干涉条纹图像的变化特征。

为了提高支持向量机算法的计算精度，需要选择合适的核函数。一般常用的核函数有线性核函数、多项式核函数以及径向基核函数等，通过计算发现采取径向基函数能够取得较好的预测效果。径向基函数参数的选择，利用交叉检验方法自动寻优得到。

(3)将待测结构的散斑干涉条纹图像，也按无损结构的条纹图像网格分割方式处理。

(4)比较步骤，将步骤(3)所得到的待测结构的散斑干涉条纹图像输入步骤(1)得到的无损结构散斑干涉条纹图像分类模型进行比较。如果分类结果表明，如果所述的待测结构的散斑干涉条纹图像所有网格像素值在无损结构散斑干涉条纹图像分类模型取值范围内，则表明该结构还未出现损伤。如果待测结构的散斑干涉条纹图像某一网格像素值超过了该无损结构散斑干涉条纹图像分类模型取值范围，则在此网格处出现了损伤，应进一步仔细检查。

本发明利用支持向量机直接对散斑条纹图像进行分类，一方面可以降低激光散斑测试噪声的干扰，提高计算精度；另外一个优势就是可以检测整个结构的变化，而不仅仅不是某一点的变化。这个方法也可以加入到光学测量系统中，以待测试的条纹图像与无损结构的条纹干涉图像比较，直接判断是否发生结构，而不必进行复杂的数据转换计算，提高了散斑干涉条纹的处理精度，简化了损伤识别过程。

附图说明

图1为本发明的基于激光电视全息技术的结构损伤检测的具体流程图。

具体实施方式

为了使本发明的技术手段、创作特征、达成目的与功效易于明白了解，下面结合实施例对本发明作进一步阐述。

如图1所示，本发明的损伤识别方法的流程开始于步骤100，在步骤200建立无损结构的散斑干涉条纹图像训练样本集。

散斑干涉条纹图像的像素值表示为：

Val_pixel＝Acos(θ)J₀(2πK·δ)    (1)

其中，A为物体光场和参考光场的强度，是一个正态分布的随机量；θ为物光场和参考光场的光学相位差，在(0，2π)间均匀分布的随机量；J₀为零阶贝赛尔函数，K为灵敏度向量，δ为以光波为单位的位移振幅。

根据无损结构散斑干涉条纹图构建训练样本。如果图像较大，可先将结构条纹图分割为多个子区域，对每个子区域分别构建损伤样本，建立各自的支持向量机损伤识别网络。

然后将子区域进一步细化分割为一系列网格，网格大小的选择是关键。一般可按3×3或4×4像素节点分割，这样既便于输入网格，同时又尽量保留像素信息。

接下来计算式(1)中各参数的测量噪声概率正态分布特征；取网格中某一点像素值作为初始值，并根据测量噪声概率分布特点，计算得到这一网格的多个像素值，从而建立多个输入样本。在所有干涉条纹图中，随机选取10～20％相互独立的条纹像素图建立训练样本。

如某板的条纹图为640×480的灰度图，考虑到数据量较大，先对图形进行分割，分成8×8共64个子区域，对每个区域分别构建损伤样本。

对于每个80×60像素的子区域，按每4×4个像素点分割成一系列网格，得到300个节点，随机取其中一个像素点的值作为每个节点的初始像素值。按正态分布特征计算每个点的像素值，可以产生256300个条纹图像，但只有300个是相互独立的干涉条纹图。随机选取10～20％一般可以满足网络训练的要求，选取50个图像建立训练样本进行训练建立支持向量机分类网络。

为计算方便，对于像素值归一化到[0，1]之间处理。

步骤300中，根据步骤200建立的无损结构的图像样本集，建立损伤识别网络模型。

将步骤200所建立的训练样本输入到支持向量机分类算法中。根据经验，核函数采取径向基函数能够取得较好的预测效果，利用正交检验法计算得到核函数的相关参数。计算后，建立基于支持向量机分类算法的无损结构散斑干涉条纹图像模型。此模型中包括了测量噪声影响下无损结构散斑干涉条纹图像的变化特征。

步骤400中，建立待测结构的散斑干涉条纹图像。将待测结构的散斑干涉条纹图像，也按无损结构的条纹图像分割方式处理，将其输入分类模型。

然后进行比较步骤500，将步骤400得到的待测结构的散斑干涉条纹图像输入步骤300得到的无损结构散斑干涉条纹图像分类模型进行比较，如果所述的待测结构的散斑干涉条纹图像所有网格像素值在无损结构散斑干涉条纹图像分类模型取值范围内，则表明该待测结构还未出现损伤；如果待测结构的散斑干涉条纹图像某一网格像素值超过了无损结构散斑干涉条纹图像分类模型取值范围，则在此网格处出现了损伤，应进一步仔细检查。

本发明利用支持向量机直接对散斑条纹图像进行分类，不需要再对散斑干涉图像进行数据转换，提高了散斑干涉条纹的处理精度，简化了损伤识别过程。这一方法实现了缺陷判断智能化，满足了质量检测自动化的需要。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于激光电视全息技术的结构损伤识别方法，其特征在于，包括如下步骤：

(1)建立一组无损结构的散斑干涉条纹图像训练样本集步骤；

(2)将步骤(1)所建立的训练样本集输入到支持向量机分类算法中，建立基于支持向量机分类算法的无损结构散斑干涉条纹图像分类模型步骤；

(3)建立待测结构的散斑干涉条纹图像步骤；

(4)比较步骤，在该比较步骤中，将步骤(3)所得到的待测结构的散斑干涉条纹图像输入步骤(1)得到的无损结构散斑干涉条纹图像分类模型进行比较，如果所述的待测结构的散斑干涉条纹图像所有网格像素值在无损结构散斑干涉条纹图像分类模型取值范围内，则表明该待测结构还未出现损伤；如果待测结构的散斑干涉条纹图像某一网格像素值超过了无损结构散斑干涉条纹图像分类模型取值范围，则在此网格处出现了损伤，应进一步仔细检查。

2.根据权利要求1所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述建立一组无损结构的散斑干涉条纹图像训练样本集步骤包括：首先将无损结构散斑干涉条纹图像分割为一系列网格，然后利用公式(1)计算出每一网格像素值概率分布特征，然后随机取任意网格中某一点像素值作为初始值，并根据测量噪声概率分布特点，计算得到所述的一系列网格的多个像素值，进一步得到包括多个相互独立的散斑干涉条纹图像的散斑干涉条纹图像；再从相互独立的散斑干涉条纹图像中选取10～20％的相互独立的散斑干涉条纹图像建立散斑干涉条纹图像训练样本集；

Val_pixel＝Acos(θ)J₀(2πK·δ)    (1)

上式中：Val_pixel散斑干涉图像的像素值，A为物体光场和参考光场的强度，是一个正态分布随机量；θ为物光场和参考光场的光学相位差，在(0，2π)间随机均匀分布；cos(θ)在像面上就对应于散斑；J₀为零阶贝赛尔函数，K为灵敏度向量，δ为以光波为单位的位移振幅。

3.根据权利要求2所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述网格按3×3或4×4像素节点分割。

4.根据权利要求2所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，在所述的建立一组无损结构的散斑干涉条纹图像训练样本集步骤中，对于像素值归一化到[0，1]之间处理。

5.根据权利要求1所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述步骤(2)是选择核函数及相关参数，建立基于支持向量机分类算法的无损结构散斑干涉条纹图像分类模型。

6.根据权利要求5所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述的核函数为线性核函数、多项式核函数、或径向基核函数。

7.根据权利要求5所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述的核函数优选为径向基核函数。

8.根据权利要求1所述的基于激光电视全息技术的结构损伤识别方法，其特征在于，所述建立待测结构的散斑干涉条纹图像步骤(3)是将待测结构的散斑干涉条纹图像采用网格分割方式处理。

Images