CN102692429B - 一种复合材料内部缺陷类型自动识别检测方法 - Google Patents

Abstract

本发明涉及一种复合材料内部缺陷类型自动识别检测方法，步骤为：利用红外热波无损检测设备对复合材料进行检测，生成红外图像；对红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；运用RBF神经网络分类器结果完成识别分类判断。本发明对复合材料的部缺陷实现自动识别检测，对复合材料的损伤类型进行快速的检测，对复合材料的使用情况提供快速检测手段，具有重要的实际意义和研究价值。

Description

一种复合材料内部缺陷类型自动识别检测方法

技术领域

本发明涉及一种红外热波无损检测技术，具体地说是一种复合材料内部缺陷类型自动识别检测的方法。

背景技术

红外热波无损检测技术是一门新兴的学科，其原理是通过热源对待检测试件进行加热，采用红外热像仪采集试件表面温度的实时图像信号。在热传导过程中，当试件内部存在断裂、气孔、分层等缺陷时，材料的热传导性能会发生改变，试件的表面温度产生不均匀分布。通过处理采集的温度信号，从而可以判断试件内部缺陷信息。红外热波无损检测具有非接触性测量、测试速度快、灵敏度高、可实现自动检测等优点，已广泛用于航空航天复合新型材料及其力学特性研究的检测领域。

目前，对相应的红外序列图像的处理方法的研究主要集中于两方面：一种是通过红外序列图像建立热物理模型来计算材料的内部的热物理性质分布的反推法，如脉冲热像法、脉冲相位法等；一种是采用图像处理手段分析图像序列中的缺陷信息。反推法主要缺点是需要建立完备的材料热传模型以及测量大量的材料物理参数，只有在可控实验室条件易于实现，而在实际工程应用中具有较大的局限性。因此，通过对不需要建立物理模型的图像处理方法对红外序列图像中缺陷信息进行快速分析成为一种较好的分析方法。而目前能够实现复合材料内部缺陷类型自动识别检测的方法的技术方案尚未见报道。

发明内容

针对现有技术对复合材料内部缺陷的检测方法需要建立完备的材料热传模型以及测量大量的材料物理参数，在实际工程应用中的较大局限性等不足之处，本发明要解决的技术问题是提供一种不需要建立物理模型的对红外序列图像中缺陷信息进行快速分析的复合材料内部缺陷类型自动识别检测的方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明一种复合材料内部缺陷类型自动识别检测方法包括以下步骤：

利用红外热波无损检测设备对复合材料进行检测，生成红外图像；

对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；

对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；

运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络参数训练的结果完成识别分类判断。

对红外序列图像进行相空间重构方法为：

把每帧红外图像数据进行有序排列，构成一维向量，对构成的所有向量依次排列，构成二维矩阵，即为包含缺陷全部空间与时间信息的缺陷矩阵。

所述确定复合材料缺陷的位置包括以下步骤：

通过奇异值分解算法对红外序列图像进行相空间重构得到的二维矩阵进行处理，得到奇异矩阵及其投影矩阵，提取反映缺陷空间位置信息的投影矩阵的列/行向量构造二维图像矩阵，并通过预先确定的灰度阈值定位图像位置。

所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵，其中对反映时间特征的投影矩阵进行再重构过程为：

对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含时间特征的投影矩阵的首行/列数据，通过对提取的首行/列数据进行变换，构造缺陷时间特征矩阵。

对反映空间特征的投影矩阵进行再重构过程为：

对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据，通过截取与原缺陷图像行像素长度相等的数据构成第一行，并依次类推构造缺陷空间特征矩阵。

提取缺陷时间信息和空间信息的代数特征过程为：

对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解，提取奇异向量，从奇异向量的第一个值的平方和进行累加，直到选取累加值占全部奇异向量的奇异值平方累加和的70％～90％的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。

构造混合特征向量作为缺陷的特征表征过程为：

在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上，结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合，构成缺陷混合特征向量。

所述缺陷分类识别的网络训练的步骤为：

设定神经网络输入层、隐含层和输出层的节点数目、初始参数以及误差函数；

通过梯度下降法对神经网络参数进行训练，当误差达到误差要求时停止训练。

本发明具有以下有益效果及优点：

1.复合材料的自动分类识别。本方法采用红外热波无损检测技术，结合图像处理方法确定缺陷位置，并运用奇异值分解提取缺陷的特征值，运用RBF神经网络进行识别分类，通过该方法可以实现对复合材料的部缺陷实现自动识别检测。

2.复合材料比单一材料更为优良的性能，但在力学破损、失效等方面的特性十分复杂。通过缺陷自动识别检测，可以实现对复合材料的损伤类型进行快速的检测，可以辅助实现对复合材料的力学研究中实现材料缺陷演化过程的研究，并可以对复合材料的使用情况提供快速检测手段，因而具有极其重要的实际意义和研究价值。

附图说明

图1本发明复合材料内部缺陷自动识别方法流程图；

图2本发明方法中复合材料红外序列图像相空间重构示意图；

图3A为本发明方法中缺陷序列图像样本图像(第1帧)(来自于热障涂层实测图像)；

图3B为本发明方法中缺陷序列图像样本图像(第25帧)(来自于热障涂层实测图像)；

图3C为本发明方法中缺陷序列图像样本图像(第45帧)(来自于热障涂层实测图像)；

图3D为本发明方法中缺陷序列图像样本图像(第60帧)(来自于热障涂层实测图像)；

图4A为本发明方法中缺陷空间向量第一列重构矩阵的图像示意图；

图4B为本发明方法中缺陷空间向量第二列重构矩阵的图像示意图；

图4C为本发明方法中缺陷空间向量第三列重构矩阵的图像示意图；

图5为本发明方法缺陷定位与分割示意图；

图6为本发明方法RBF神经网络结构示意图。

具体实施方式

本发明提出的复合材料内部缺陷自动识别检测的方法是基于红外无损检测技术，步骤为：利用红外热波无损检测设备对复合材料进行检测，生成红外图像；对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及两个投影矩阵，对上述两个投影矩阵进行再重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络参数训练的结果完成识别分类判断。

本实施例中的试件以航空发动机叶片热障涂层缺陷样本为例。

本发明方法如图1所示，包括以下步骤：

1)利用红外热波无损检测设备对复合材料进行检测生成红外图像

本实施例中，通过高能闪光灯对试件进行主动加热，通过红外热像仪进行红外辐射信号的捕捉，红外热像仪输出端接显示红外图像的成像装置，如图3A～3D所示，是通过红外热像仪采集的发动机叶片热障涂层二维红外图像，其中每帧图像为缺陷在热成像过程中有明显特征变化的图像。

2)对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域

由于红外序列图像为三维矩阵数据，在通过奇异值分解(SVD)进行缺陷特征提取之前，需要对其进行相空间重构，相空间重构过程示意图如图2所示。设缺陷区域的红外序列图像的第i帧为X_i，对图像数据从左到右，从上到下排列，构成一维矩阵，则从t帧图像序列得到t个一维矩阵，并按行方向依次排列构成包含缺陷全部空间与时间信息的二维矩阵Y。

对缺陷图像序列相空间重构后的矩阵Y进行奇异值分解，根据奇异值分解理论，二维矩阵Y的表现形式如下所示：

$Y(x,y,t)=\underset{1}{\overset{r}{\mathrm{\Σ}}}{\mathrm{\σ}}_i{U}_i(x,y)V_i^T\left(t\right)$

其中U_i(x，y)为二维矩阵Y空间变量的正交基，矩阵

为描述二维矩阵Y时间变量的正交基，σ_i为二维矩阵的奇异值，x，y分别为红外图像序列像素坐标，t为具有缺陷区域的红外序列图像时间帧，r为二维矩阵的秩。缺陷区域的红外序列图像的空间特征信息集中在基向量U_i(x，y)的列向量中，通过提取U_i(x，y)的列向量进行图像重构。提取U_i(x，y)列向量的前三列进行重构后的图像如图4A～4C所示，其中从图中分析可知，当i＝1时，U_i(x，y)重构图像矩阵示意图包含了缺陷的最主要信息。

由图4A所示，缺陷的灰度值比周围材料的灰度高，因此通过灰度阈值对缺陷的位置进行分割定位，定位后结果如图5所示。

3)构造混合特征向量作为缺陷的特征表征

对具有缺陷区域的红外序列图像进行相空间重构后，得到的二维矩阵Y进行奇异值分解，得到奇异向量：

SV＝(σ₁，σ₂，…，σ_i，…，σ_r)

其中SV为重构后矩阵的代数特征，作为对缺陷序列图像重构矩阵的代数特征；σ_i为二维矩阵的奇异值，r为二维矩阵Y的秩。经过奇异值分解，缺陷的空间特征矩阵集中在二维矩阵Y空间变量的正交基U_i(x，y)的列向量中，通过提取U_i(x，y)的列向量进行图像重构。对重构后矩阵进行二次奇异值分解，提取缺陷空间特征向量：

SV_u＝(σ′₁，σ′₂，…，σ′_i，…，σ′_p)

其中SV_u为重构后矩阵的代数特征，作为缺陷空间特征矩阵的代数特征；σ′_i为二维矩阵的奇异值，p为空间特征矩阵的秩。

同理，从缺陷的时间变量矩阵的正交基

中提取行向量，并利用时间序列吸引子重构矩阵D。对重构后矩阵D进行二次奇异值分解，提取构造包含缺陷时间特征的奇异向量：

SV_v＝(σ″₁，σ″₂，…，σ″_i，…，σ″_q)

其中SV_v为重构后矩阵的代数特征，作为对缺陷时间特征矩阵的代数特征；σ″_i为二维矩阵D的奇异值，q为缺陷时间特征矩阵的秩。

由于奇异向量的数值其余大部分趋近于零值，因此提取占各向量总能量贡献率ECP主要成分的奇异值组成缺陷的特征向量。

其中ECP定义为：

$\mathrm{ECP}=\underset{1}{\overset{g}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^2/\underset{1}{\overset{s}{\mathrm{\Σ}}}{\mathrm{\λ}}_i^2$

其中λ_i为奇异向量值，g为截取后特征向量长度，s为奇异向量长度。

通过对红外序列图像样本进行奇异值分解，并结合具有缺陷时间、空间代数特征的特征向量SV、SV_u、SV_V构造特征向量，其中特征向量为奇异向量取ECP占90％的部分，构造后的混合特征向量为：

SV_new＝(SV，SV_U，SV_V)

4)运用RBF神经网络分类器，缺陷分类识别的网络训练

针对复合材料的实验成本高、采集样本少的特点，采用在解决小样本训练集问题、非线性等模式分类问题上有着很好性能的RBF神经网络进行识别验证。

RBF神经网络结构图如图6所示，其中RBF神经网络的隐含层函数采用径向基函数。识别步骤如下：

(1)设采集的有缺陷区域的红外序列图像训练样本数为N，待分类类别为M。通过SVD进行特征提取，得到R维数SV_new ¹，SV_new ²，…SV_new ^l，…，SV_new ⁿ的N组特征向量作为RBF神经网络输入值，其中SV_new ^l(SV^l，SV^l _U，SV^l _V)。

(2)设置隐含层单元数目R，输出层数目为待分类类别M，网络输出为y_i(i＝1，2，…，M)，随机初始化数据中心C_i、数据宽度δ_i和权值w_j，并定义目标函数：

$E^l=\frac{1}{2}\underset{i=1}{\overset{R}{\mathrm{\Σ}}}{(f_k^l-y_k^l)}^2$

式中，l＝1，2，…，N。其中，

和

为第l个训练样本的训练输出值与理想输出值。

(3)令权值w_j固定，对第k个隐含层单元的数据中心C_k和数据宽度δ_k调整采用梯度下降法进行训练：

$C_k(m+1)=C_k\left(m\right)-{\mathrm{\η}}_1\frac{\∂E\left(m\right)}{{\∂C}_k\left(m\right)}$

${\mathrm{\δ}}_k(m+1)={\mathrm{\δ}}_k\left(m\right)-{\mathrm{\η}}_2\frac{\∂E\left(m\right)}{{\∂\mathrm{\δ}}_k\left(m\right)}$

其中，η₁、η₂分别为数据中心C_k和数据宽度δ_k的学习速率，m为迭代次数，E(m)为第m迭代时目标函数。

5)运用RBF神经网络分类器，缺陷分类识别结果

表1给出了使用本发明方法后得到的分类识别结果

表1识别结果表明，通过神经网络对缺陷混合特征向量的代数特征与仅通过提取相空间重构后的缺陷矩阵特征值相比，识别率有明显的提高。其中，由于氧化层弯曲与断裂引起的缺陷损伤在损伤表面的热量分布不均匀以及热传过程温度变化剧烈，其识别效果更好。而盐腐蚀造成的缺陷面积大、热分布均匀性差造成识别率低，需要通过结合其他算法加强其特征表征。另外，训练样本数较少的问题也是影响其识别效果的重要原因。

Claims (7)

1.一种复合材料内部缺陷类型自动识别检测方法，其特征在于包括以下步骤：

利用红外热波无损检测设备对复合材料进行检测，生成红外图像；

对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；

对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；

运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络参数训练的结果完成识别分类判断；

所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵，其中对反映时间特征的投影矩阵进行再重构过程为：

对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含时间特征的投影矩阵的首行/列数据，通过对提取的首行/列数据进行变换，构造缺陷时间特征矩阵。

2.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于对红外序列图像进行相空间重构方法为：

把每帧红外图像数据进行有序排列，构成一维向量，对构成的所有向量依次排列，构成二维矩阵，即为包含缺陷全部空间与时间信息的缺陷矩阵。

3.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于所述确定复合材料缺陷的位置包括以下步骤：

通过奇异值分解算法对红外序列图像进行相空间重构得到的二维矩阵进行处理，得到奇异矩阵及其投影矩阵，提取反映缺陷空间位置信息的投影矩阵的列/行向量构造二维图像矩阵，并通过预先确定的灰度阈值定位图像位置。

4.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于对反映空间特征的投影矩阵进行再重构过程为：

对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据，通过截取与原缺陷图像行像素长度相等的数据构成第一行，并依次类推构造缺陷空间特征矩阵。

5.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于提取缺陷时间信息和空间信息的代数特征过程为：

对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解，提取奇异向量，从奇异向量的第一个值的平方和进行累加，直到选取累加值占全部奇异向量的奇异值平方累加和的70%～90%的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。

6.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于构造混合特征向量作为缺陷的特征表征过程为：

在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上，结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合，构成缺陷混合特征向量。

7.按权利要求1所述的复合材料内部缺陷类型自动识别检测方法，其特征在于所述缺陷分类识别的网络训练的步骤为：

设定神经网络输入层、隐含层和输出层的节点数目、初始参数以及误差函数；

通过梯度下降法对神经网络参数进行训练，当误差达到误差要求时停止训练。

Images