CN103728313B - 基于时序热图加权叠加的红外无损检测方法 - Google Patents
基于时序热图加权叠加的红外无损检测方法 Download PDFInfo
- Publication number
- CN103728313B CN103728313B CN201310736898.4A CN201310736898A CN103728313B CN 103728313 B CN103728313 B CN 103728313B CN 201310736898 A CN201310736898 A CN 201310736898A CN 103728313 B CN103728313 B CN 103728313B
- Authority
- CN
- China
- Prior art keywords
- gray
- sequential
- map
- test specimen
- scale
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于时序热图加权叠加的红外无损检测方法。首先,使用红外热像仪实时采集加热试件降温过程时序热图,并对采集的时序热图进行灰度化,获得时序灰度图;其次,以时序灰度图中缺陷区域和正常区域灰度差值的加权和为目标函数,采用遗传算法优化加权系数,使目标函数值最大;最后,基于该加权系数对时序灰度图进行加权叠加,获得突显缺陷特征信息的叠加图用于红外无损检测。
Description
技术领域
本发明涉及一种红外无损检测方法,尤其是一种基于时序热图加权叠加的红外无损检测方法。
背景技术
无损检测是保证材料及其构件安全服役的有效手段之一。红外无损检测技术由于具有抗干扰能力强、快速实时、直观和非接触等优点,现已成为无损检测领域的主要研究方向之一。
目前,红外无损检测的主要研究方法是基于材料缺陷区域与正常区域导热性能的差异,在采集预加热试件热图的基础上,针对温度场分布特性,结合图像处理技术实现缺陷检测。然而,该检测方法应用于材料浅表层缺陷的检测仍存在一定的局限性,主要原因在于被检测试件缺陷区域与正常区域温差小,造成红外热图中缺陷区域与正常区域特征相互混叠,增加了缺陷检测的难度。
发明内容
本发明的目的是提供一种基于时序热图加权叠加的红外无损检测方法,首先,使用红外热像仪实时采集加热试件降温过程时序热图,并对采集的时序热图进行灰度化,获得时序灰度图;其次,以时序灰度图中正常和缺陷区域灰度差值的加权和作为目标函数,采用遗传算法获得时序叠加的加权系数;最后,基于该加权系数对时序灰度图进行加权叠加,获得突显缺陷特征信息的叠加图。
本发明采用的技术方案主要包括下列步骤:
第一步骤:采用热激励源加热试件,设定热激励源与试件的位置及距离,确定加热时间,对试件缺陷面均匀加热;
第二步骤:试件加热后,设定红外热像仪与试件的位置及距离,选择采集周期,通过红外热像仪自动采集试件降温过程的红外时序热图。采集过程中保证红外热像仪与试件位置不变,且视场刚好覆盖试件缺陷面;
第三步骤:对采集的红外时序热图进行灰度化,获得时序灰度图;提取时序灰度图中正常和缺陷区域的灰度值,并以该灰度差值的加权和构建目标函数,目标函数f的表达式如下:
(i=1、2、3…N)(1)
式中,N为时序热图的帧数,α i 为加权系数,X i 为缺陷区域的灰度平均值,Y i 为正常区域的灰度平均值;
第四步骤:采用遗传算法优化加权系数,使目标函数值达到最大值,具体步骤包括:
步骤一:初始化参数,设定种群规模M、交叉和变异概率等参数,设计迭代次数等终止条件,
步骤二:初始化父代种群,生成M×N维随机加权系数构成初始父代种群,其中,M为种群个体的数量,N为种群个体的维数,生成M个种群个体,每个个体为N维向量,
步骤三:计算目标函数,以时序灰度图正常和缺陷区域灰度差值的加权和构建目标函数,如公式(1)所示,计算目标函数值,并判断终止条件,
步骤四:计算适应度,根据目标函数值计算适应度,
步骤五:生成优选池。根据适应度值对父代种群进行选择和复制,生成优选池,
步骤六:二进制编码。采用二进制码表示优选池中个体,
步骤七:生成子代种群。根据交叉和变异概率,利用单点算子对优选池个体的二进制码进行交叉和变异运算,生成子代种群,
步骤八:重复步骤三至步骤七,直至满足迭代终止条件为止;
第五步骤:根据最优加权系数,对所有的时序灰度图进行加权,然后再进行叠加及归一化处理,获得突显缺陷特征信息的加权叠加灰度图。
本发明的有益结果是:使用红外热像仪实时采集加热试件降温过程红外时序热图,通过对采集的时序热图进行灰度化获得时序灰度图;以时序灰度图中正常和缺陷区域灰度差值的加权和作为目标函数,采用遗传算法获得最优加权系数;基于最优加权系数对时序灰度图进行加权叠加,获得突显缺陷特征信息的叠加图。
本发明有效的解决了传统方法中因单帧热图中正常区域与缺陷区域特征混叠,导致缺陷检测效率不高的不足。本发明通过加权叠加处理后,有效提取和保存了全部时序热图的特征信息,最终获得了突显缺陷特征信息的加权叠加图,为红外无损检测提供了研究基础。
附图说明:
图1:本发明的遗传算法流程图
图2:缺陷区域与正常区域灰度值随时间变化曲线图
图3:迭代收敛图
具体实施方式
以铝板的表面孔洞缺陷检测为例,具体实施过程如下:
(1)制备试件:以长、宽、厚分别为220mm、162mm和16mm的铝板为对象,制备深度h分别为3mm和5mm,直径D分别为2.5mm、4.2mm、6mm和8mm的8类孔洞缺陷,以其作为待测试件;
(2)采集时序热图:室温为25℃,采用两只250W的红外辐射灯均匀照射试件缺陷面,照射距离为5cm,对铝板缺陷面加热20min后,采用红外热像仪距离试件50cm,采集试件降温过程的红外时序热图,采集周期为30s,获得30帧红外时序热图;
(3)构建目标函数:对红外时序热图进行灰度化,以时序灰度图中正常和缺陷区域灰度差值的加权和作为目标函数;
(4)加权系数优化:采用遗传算法对加权系数进行优化,使目标函数值最大,图2为灰度值随时间变化的拟合曲线,初始化参数分别为:帧数为30、种群大小为300、杂交概率为0.9、变异概率为0.01、最大迭代次数为2000,终止条件为:条件一:当种群中目标函数的最大值与平均值之差小于1%时终止迭代、条件二:达到最大迭代次数时终止迭代;遗传算法的迭代收敛趋势如图3所示。
(5)获取加权叠加图:根据优化后的加权系数,对所有的时序灰度图进行加权叠加后再作归一化处理,获得能够突显缺陷区域特征的加权叠加灰度图。
Claims (2)
1.一种基于时序热图加权叠加的红外无损检测方法,其特征在于:技术方案主要包括下列步骤:
第一步骤:采用热激励源加热试件,设定热激励源与试件的位置及距离,确定加热时间,对试件缺陷面均匀加热;
第二步骤:试件加热后,设定红外热像仪与试件的位置及距离,选择采集周期,通过红外热像仪自动采集试件降温过程的红外时序热图,采集过程中保证红外热像仪与试件位置不变,且视场刚好覆盖试件缺陷面;
第三步骤:对采集的红外时序热图进行灰度化,获得时序灰度图;提取时序灰度图中正常和缺陷区域的灰度值,并以该灰度差值的加权和构建目标函数,目标函数f的表达式如下:
(i=1、2、3…N)(1)
式中,N为时序热图的帧数,α i 为加权系数,X i 为缺陷区域的灰度平均值,Y i 为正常区域的灰度平均值;
第四步骤:采用遗传算法优化加权系数,使目标函数值达到最大值,具体步骤包括:
步骤一:初始化参数,设定种群规模M、交叉和变异概率参数,设计迭代次数终止条件,
步骤二:初始化父代种群,生成M×N维随机加权系数构成初始父代种群,其中,M为种群个体的数量,N为种群个体的维数,生成M个种群个体,每个个体为N维向量,
步骤三:计算目标函数,以时序灰度图正常和缺陷区域灰度差值的加权和构建目标函数,(i=1、2、3…N),计算目标函数值,并判断终止条件,
步骤四:计算适应度,根据目标函数值计算适应度,
步骤五:生成优选池,根据适应度值对父代种群进行选择和复制,生成优选池,
步骤六:二进制编码,采用二进制码表示优选池中个体,
步骤七:生成子代种群,根据交叉和变异概率,利用单点算子对优选池个体的二进制码进行交叉和变异运算,生成子代种群,
步骤八:重复步骤三至步骤七,直至满足迭代终止条件为止;
第五步骤:根据最优加权系数,对所有的时序灰度图进行加权,然后再进行叠加及归一化处理,获得突显缺陷特征信息的加权叠加灰度图。
2.如权利要求1所述的一种基于时序热图加权叠加的红外无损检测方法,其特征在于:
以铝板的表面孔洞缺陷检测为例,具体实施过程如下:
1)制备试件:以长、宽、厚分别为220mm、162mm和16mm的铝板为对象,制备深度h分别为3mm和5mm,直径D分别为2.5mm、4.2mm、6mm和8mm的8类孔洞缺陷,以其作为待测试件;
2)采集时序热图:室温为25℃,采用两只250W的红外辐射灯均匀照射试件缺陷面,照射距离为5cm,对铝板缺陷面加热20min后,采用红外热像仪距离试件50cm,采集试件降温过程的红外时序热图,采集周期为30s,获得30帧红外时序热图;
3)构建目标函数:对红外时序热图进行灰度化,以时序灰度图中正常和缺陷区域灰度差值的加权和作为目标函数;
4)加权系数优化:采用遗传算法对加权系数进行优化,使目标函数值最大,初始化参数分别为:帧数为30、种群大小为300、杂交概率为0.9、变异概率为0.01、最大迭代次数为2000,终止条件为:条件一:当种群中目标函数的最大值与平均值之差小于1%时终止迭代、条件二:达到最大迭代次数时终止迭代;
5)获取加权叠加图:根据优化后的加权系数,对所有的时序灰度图进行加权叠加后再作归一化处理,获得能够突显缺陷区域特征的加权叠加灰度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310736898.4A CN103728313B (zh) | 2013-12-27 | 2013-12-27 | 基于时序热图加权叠加的红外无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310736898.4A CN103728313B (zh) | 2013-12-27 | 2013-12-27 | 基于时序热图加权叠加的红外无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103728313A CN103728313A (zh) | 2014-04-16 |
CN103728313B true CN103728313B (zh) | 2016-03-02 |
Family
ID=50452482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310736898.4A Expired - Fee Related CN103728313B (zh) | 2013-12-27 | 2013-12-27 | 基于时序热图加权叠加的红外无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103728313B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023127B (zh) * | 2016-05-16 | 2019-01-29 | 诚迈科技(南京)股份有限公司 | 一种基于多帧的鱼眼视频校正方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628796A (zh) * | 2012-01-13 | 2012-08-08 | 首都师范大学 | 超声红外无损检测中热图序列缺陷信号的自动识别方法 |
CN102881029A (zh) * | 2012-07-19 | 2013-01-16 | 中国人民解放军第二炮兵工程大学 | 一种热波图像序列的压缩和重构方法 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8393784B2 (en) * | 2008-03-31 | 2013-03-12 | General Electric Company | Characterization of flaws in composites identified by thermography |
-
2013
- 2013-12-27 CN CN201310736898.4A patent/CN103728313B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628796A (zh) * | 2012-01-13 | 2012-08-08 | 首都师范大学 | 超声红外无损检测中热图序列缺陷信号的自动识别方法 |
CN102881029A (zh) * | 2012-07-19 | 2013-01-16 | 中国人民解放军第二炮兵工程大学 | 一种热波图像序列的压缩和重构方法 |
CN103439342A (zh) * | 2013-09-17 | 2013-12-11 | 华东交通大学 | 基于热图时序特征的红外无损检测方法 |
Non-Patent Citations (3)
Title |
---|
Image fusion of visible and thermal images for fruit detection;D.M. Bulanon 等;《biosystems engineering》;20090320;第103卷;12-22 * |
一种基于遗传算法的红外无损检测缺陷的新方法;梅林 等;《光学学报》;20021231;第22卷(第12期);1452-1456 * |
基于遗传算法红外小目标检测的研究;张双垒 等;《红外技术》;20120831;第34卷(第8期);472-475 * |
Also Published As
Publication number | Publication date |
---|---|
CN103728313A (zh) | 2014-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
El-Fergany et al. | Semi-empirical PEM fuel cells model using whale optimization algorithm | |
US10365399B2 (en) | Method for infrared imaging detection and positioning of underground tubular facility in plane terrain | |
Sun et al. | Nondestructive identification of multiple flaws using XFEM and a topologically adapting artificial bee colony algorithm | |
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
Liu et al. | 3D resistivity inversion using an improved Genetic Algorithm based on control method of mutation direction | |
CN106596724B (zh) | 一种窄带Lamb波检测数据稀疏压缩优化重建方法 | |
CN105740868B (zh) | 一种基于圆形算子的图像边缘提取方法和装置 | |
Wei et al. | Improved teaching-learning-based optimization for estimation of temperature-dependent radiative properties of semitransparent media | |
CN107389793A (zh) | 一种铝合金多孔结构孔边腐蚀损伤监测方法 | |
CN106887018A (zh) | 立体匹配方法、控制器和系统 | |
Ren et al. | Application of improved krill herd algorithms to inverse radiation problems | |
CN109813758A (zh) | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 | |
CN103728313B (zh) | 基于时序热图加权叠加的红外无损检测方法 | |
Tan et al. | New image reconstruction algorithm for capacitively coupled electrical resistance tomography | |
CN115238550A (zh) | 自适应非结构网格的滑坡降雨的地电场数值模拟计算方法 | |
CN109151419A (zh) | 一种基于拉东变换的单像素成像方法 | |
CN105701824B (zh) | 基于圆弧形网格剖分的电学层析图像重建方法 | |
Chen et al. | Image enhancement for LD based imaging in turbid water | |
CN113951835B (zh) | 一种基于光学断层重建策略的三维荧光显微成像方法 | |
Chopade et al. | Numerical analysis of an inverse boundary design problem of a 3-D radiant furnace with a 3-D design object | |
Sellami et al. | Application of genetic algorithms for the extraction of electrical parameters of multicrystalline silicon | |
Qi et al. | Multiparameter estimation in nonhomogeneous participating slab by using self-organizing migrating algorithms | |
TW201246440A (en) | Method for positioning object | |
Banks et al. | Thermal based methods for damage detection and characterization in porous materials | |
Oswald-Tranta et al. | Detection of subsurface defects in aluminium with thermo-inductive inspection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20161227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |