CN104833699A - 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 - Google Patents
一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 Download PDFInfo
- Publication number
- CN104833699A CN104833699A CN201510189341.2A CN201510189341A CN104833699A CN 104833699 A CN104833699 A CN 104833699A CN 201510189341 A CN201510189341 A CN 201510189341A CN 104833699 A CN104833699 A CN 104833699A
- Authority
- CN
- China
- Prior art keywords
- matrix
- defect
- sparse
- ecpt
- greedy
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于贪婪稀疏分解的ECPT缺陷快速检测方法,利用裂纹和裂口两端会形成温度集中区域,具有空间稀疏分布特征,采用创新的统计信号处理算法即贪婪稀疏分解处理热图视频空间自动直接分离出缺陷的热模式成分,无需分析其他特定热模式盲源区,实现ECPT缺陷的自动快速检测及量化。本发明通过结合ECPT无损检测物理原理,构架了单信道盲源分离模型,结合稀疏分析理论,用于导体材料缺陷自动快速检测,本发明可直接处理ECPT热图视频,无需人为选择热图或像素特征,避免丢失大量数据信息,同时无需增加额外信号处理方法,自动并精确快速检测缺陷。
Description
技术领域
本发明属于无损检测技术领域,更为具体地讲,涉及一种基于贪婪稀疏分解的ECPT(Eddy Current Pulsed Thermography即涡流脉冲热成像)缺陷快速检测方法。
背景技术
无损检测技术是控制产品质量、保证在役设备安全运行的重要手段。涡流脉冲热成像(ECPT)将涡流与热成像技术结合,可实现大范围不同深度缺陷的快速检测,近年来在导体材料无损检测领域得到广泛的应用,成为分析导体材料失效原因的重要依据。
目前ECPT对导体材料缺陷的检测和表征还局限人为选择热成像仪记录的帧图用以识别和定位缺陷,这类处理方式会丢失大量数据信息,并造成缺陷检测定位不准确,甚至错误判定缺陷数量。
同时,目前已有的ECPT缺陷自动分析技术,如2013年11月13日申请人提出了一种基于主成分分解和独立成分分解的脉冲涡流热成像缺陷自动检测与识别方法(中国发明专利申请公布号CN103592333A,公布日2014年02月19日),可自动获得多个热模式成分,但需要通过额外处理识别缺陷的热模式成分,导致了冗余计算并且其在缺陷量化精度上有待提高。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于贪婪稀疏分解的脉冲涡流热成像缺陷快速检测方法,针对测试导体热成像仪所记录的涡流脉冲热成像热图视频进行直接处理,以实现自动快速分离和准确判定缺陷数量并定位缺陷位置。
为实现上述发明目的,本发明基于贪婪稀疏分解的ECPT(Eddy CurrentPulsed Thermography即涡流脉冲热成像)缺陷快速检测方法,其特征在于,包括以下步骤:
(1)、通过涡流脉冲热成像无损检测,在含缺陷的导体上获得N帧热图视频,对每一帧热图片按列依次取值并顺序化排列,向量化每帧热图片,得到每帧热图向量并依次作为新矩阵的行向量,构架出一个新矩阵;
(2)、贪婪稀疏分解(Greedy Sparse Separation)新矩阵Y′得到维数为N×P稀疏成份矩阵S,将矩阵S所有横向量相加得到1×P的行向量,其中:P=Nx×Ny,Nx为热图视频帧的水平像素点个数,Ny为热图视频帧的垂直像素点个数;
(3)、按热图视频帧尺寸,对1×P的行向量依次取值,并按列依次排列,构成一个缺陷图像矩阵,用以检测和识别缺陷。
本发明的目的是这样实现的
本发明基于贪婪稀疏分解的ECPT缺陷快速检测方法,将含有缺陷导体在ECPT作用下涡流(电磁热)分布不同的各类区域考虑为具有特定分布特性的盲源区,热成像仪考虑为混合各盲源区信号的单信道混合信号接收器,建立了单信道盲源混合数学模型。根据前期ECPT裂纹和裂口研究结果,发现裂纹和裂口两端会形成温度集中区域(根据焦耳定律,涡流会在材料内部由电能转化为热能,产生的热正比于涡流密度和电场密度),具有空间稀疏分布特征,利用本发明所创新的统计信号处理算法即贪婪稀疏分解处理热图视频空间自动直接分离出缺陷的热模式成分,无需分析其他特定热模式盲源区,实现ECPT缺陷的自动快速检测及量化。本发明通过结合ECPT无损检测物理原理,构架了单信道盲源分离模型,结合稀疏分析理论,用于导体材料缺陷自动快速检测,本发明可直接处理ECPT热图视频,无需人为选择热图或像素特征,避免丢失大量数据信息,同时无需增加额外信号处理方法,自动并精确快速检测缺陷。
附图说明
图1是本发明基于贪婪稀疏分解的ECPT缺陷快速检测方法流程图;
图2是图1中向量化并构架新矩阵的示意图;
图3是稀疏盲源分离示意图;
图4是缺陷图像矩阵构建以及检测方法对照图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
当导体材料存在缺陷(如裂纹),在ECPT作用下,缺陷位置在电磁感应下的涡流分布不同。当电涡流行径于缺陷处(比如裂纹),电涡流行径会随之发生变化从而在裂纹附近形成各类不同电涡流密度分布区。裂纹两端会形成电涡流密度集中区域,而裂纹两旁形成电涡流密度分散区域。由于焦耳热作用,电涡流密度分布会直接反映为裂纹附近形成各类温度分布区,例如裂纹两端会形成温度集中区,具有稀疏分布特性,这些现象被热象仪所记录到热图视频中。
图1是本发明基于贪婪稀疏分解的ECPT缺陷快速检测方法流程图;
在本实施例中,如图1所示,本发明基于贪婪稀疏分解的ECPT缺陷快速检测方法,包括以下步骤:
1、初始化处理
首先通过脉冲涡流热成像无损检测,在含缺陷导体上获得热图视频,对每一帧热图片按列依次取值并顺序化排列,对向量化每帧热图片,然后,将得到的每帧热图向量依次作为新矩阵的行向量,构架出一个新矩阵。
向量化并构架新矩阵的示意图如图2所示,所得ECPT热图视频Y沿时间t轴包含N帧热图片,如图2(A)所示;每帧热图片是一个Nx×Ny的矩阵,如图2(B)所示,行排含nx=1,…,Nx个像素,列含ny=1,…,Ny个像素。将每帧热图片Y(t),t=1,...,N向量化,即对每一帧热图片Y(t)按列依次取值并顺序化纵向排列,得到列向量vec[Y(t)],如图2(C)所示;然后转置得到行向量vec[Y(t)]T,如图2(D)所示,vec[Y(t)]T含有np=1,…,Ny,…,Nx×Ny个像素,T表示转置。
将t=1,...,N帧热图片全部向量化再转置,并将各行向量按时间t=1,...,N顺序重新组合即依次作为新矩阵的行向量构架出如图2(E)所示的新矩阵Y′:
Y′=[vec[Y(t=1)]T;vec[Y(t=2)]T;…;vec[Y(t=N)]T]。
新矩阵Y′为N行、P列的矩阵即维度为N×P。
2、稀疏盲源分离
贪婪稀疏分解分离新矩阵Y′得到维数为N×P稀疏成份矩阵S,将稀疏成份矩阵S所有横向量相加得到1×P的行向量。
已得到的图3(A)所示的新矩阵Y′维数为N×P,P=Nx×Ny,通过贪婪稀疏分解算法得到如图3(B)稀疏成份矩阵S维数为N×P,P=Nx×Ny,Nx为热图视频帧的水平像素点个数,Ny为热图视频帧的垂直像素点个数;即N行P列矩阵,将稀疏成份矩阵S所有横向量相加得到1×P的行向量,如图(C)所示。
在本发明中,所述的贪婪稀疏分解为:
2.1)、设置最大迭代次数为K,阈值为τ,稀疏参数为λ,贪婪维度步长为η;
2.2)、初始处理:利用奇异值分解算法,将新矩阵Y′分解得到第0次迭代,即迭代次数k=0时的矩阵U0(维数N×η)和矩阵V0(维数η×P);
初始化稀疏成份矩阵为:S0=fλ(Y′-U0V0);
2.3)、迭代次数k从1到最大迭代次数K,进行以下迭代:
Sk=fλ(Y′-UkVk)
其中,Uk,Vk和Sk分别表示第k次迭代的矩阵,QR表示QR分解算法,得到矩阵矩阵R;
fλ(A)={sgn(Anp)max(|Anp|-λ,0)},A=Y′-UkVk,
其中,Anp表示矩阵A的n行p列元素,sgn表示取元素Anp的符号,max表示取两个数值的大值;fλ(A)表示矩阵A中每个元素都进行大括号中的运算后得到的值并替换该元素后得到的矩阵;
2.4)、构建矩阵LK,LK=UKVK;
利用奇异值分解算法分解矩阵Lk,得到按奇异值大小排序的贪婪维度η个奇异值向量构成的矩阵υ,将矩阵υ转置与矩阵VK组合,得到矩阵VK:=[VK,υ](即在矩阵VK最后一行添加矩阵υ),此时,矩阵VK为η+η行的矩阵;然后进行以下运算:
其中,UK也为η+η列的矩阵;
计算冗余错误其中,||·||F为弗罗贝尼乌斯范数;
2.5)、当冗余错误>阈值τ,则将矩阵UK、矩阵VK、矩阵SK分别作为矩阵U0(维数N×(η+η))、矩阵V0(维数(η+η)×P)以及矩阵S0返回步骤2.3);
当冗余错误≤阈值τ,则迭代结束,将矩阵SK作为稀疏成份矩阵S。
3、缺陷自动检测
按热图视频帧尺寸,对1×P的行向量依次取值,并按列依次排列,构成一个缺陷图像矩阵用以检测和识别缺陷。
如图4(A)、图4(B)所示。视图化缺陷图像矩阵,所显示的集热亮点为缺陷两端点位置,从而用以定位和量化缺陷,完成缺陷检测。
图4(C)给出ECPT传统人为选择帧图,ECPT主成分分解方法与本发明方法的对比结果,图4(C)中测试样本是钢板中间挖槽缺陷,热图缺陷标准量化区域已经标注,人为选择帧图和主成分分解方法虽然可以检测出缺陷集热区,但是在准确量化和处理的时间消耗上比本专利方法的有效性差。
不同方法的计算时间和量化准确度比较,如表1所示。
量化准确率 | 计算时间(秒) | |
人为选帧检测方法 | 0.64 | 大于300 |
主成分分析方法 | 0.84 | 168 |
本发明方法(贪婪稀疏分解) | 0.99 | 56 |
表1
而本发明方法不仅解决了人为选择的局限性,同时也清晰的反映出两对集热亮点,能准确量化和判断出缺陷位置和数量,量化准确率高,计算时间短。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于贪婪稀疏分解的ECPT(Eddy Current Pulsed Thermography即涡流脉冲热成像)缺陷快速检测方法,其特征在于,包括以下步骤:
(1)、通过涡流脉冲热成像无损检测,在含缺陷的导体上获得N帧热图视频,对每一帧热图片按列依次取值并顺序化排列,向量化每帧热图片,得到每帧热图向量并依次作为新矩阵的行向量,构架出一个新矩阵;
(2)、贪婪稀疏分解(Greedy Sparse Separation)新矩阵Y′得到维数为N×P稀疏成份矩阵S,将矩阵S所有横向量相加得到1×P的行向量,其中:P=Nx×Ny,Nx为热图视频帧的水平像素点个数,Ny为热图视频帧的垂直像素点个数;
(3)、按热图视频帧尺寸,对1×P的行向量依次取值,并按列依次排列,构成一个缺陷图像矩阵,用以检测和识别缺陷。
2.根据权利要求1所述的缺陷快速检测方法,其特征在于,步骤(2)中所述的贪婪稀疏分解为:
2.1)、设置最大迭代次数为K,阈值为τ,稀疏参数为λ,贪婪维度步长为η;
2.2)、初始处理:利用奇异值分解算法,将新矩阵Y′分解得到第0次迭代,即迭代次数k=0时的矩阵U0(维数N×η)和矩阵V0(维数η×P);
初始化稀疏成份矩阵为:S0=fλ(Y′-U0V0);
2.3)、迭代次数k从1到最大迭代次数K,进行以下迭代:
Sk=fλ(Y′-UkVk)
其中,Uk,Vk和Sk分别表示第k次迭代的矩阵;
fλ(A)={sgn(Anp)max(|Anp|-λ,0)},A=Y′-UkVk,
其中,Anp表示矩阵A的n行p列元素,sgn表示取元素Anp的符号,max表示取两个数值的大值;fλ(A)表示矩阵A中每个元素都进行大括号中的运算后得到的值并替换该元素后得到的矩阵;
2.4)、构建矩阵LK,LK=UKVK;
利用奇异值分解算法分解矩阵Lk,得到按奇异值大小排序的贪婪维度η个奇异值向量构成的矩阵υ,将矩阵υ转置与矩阵VK组合,得到矩阵VK:=[VK,υ](即在矩阵VK最后一行添加向量υ),此时,矩阵VK为η+η行的矩阵;然后进行以下运算:
其中,UK也为η+η列的矩阵;
计算冗余错误其中,||·||F为弗罗贝尼乌斯范数;
2.5)、当冗余错误则将矩阵UK、矩阵VK、矩阵SK分别作为矩阵U0(维数N×(η+η))、矩阵V0(维数(η+η)×P)以及矩阵S0返回步骤2.3);
当冗余错误≤阈值τ,则迭代结束,将矩阵SK作为稀疏成份矩阵S。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510189341.2A CN104833699B (zh) | 2015-04-21 | 2015-04-21 | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510189341.2A CN104833699B (zh) | 2015-04-21 | 2015-04-21 | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104833699A true CN104833699A (zh) | 2015-08-12 |
CN104833699B CN104833699B (zh) | 2017-04-05 |
Family
ID=53811713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510189341.2A Expired - Fee Related CN104833699B (zh) | 2015-04-21 | 2015-04-21 | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104833699B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN109884180A (zh) * | 2019-02-14 | 2019-06-14 | 昆明理工大学 | 一种导电结构缺陷稀疏电涡流快速成像检测方法及系统 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110147637A (zh) * | 2019-06-05 | 2019-08-20 | 厦门大学 | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 |
CN111223285A (zh) * | 2020-03-13 | 2020-06-02 | 昆明理工大学 | 一种基于稀疏表示的无线涡流检测系统及方法 |
CN113218998A (zh) * | 2021-04-27 | 2021-08-06 | 电子科技大学 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
CN114791067A (zh) * | 2021-01-25 | 2022-07-26 | 杭州申昊科技股份有限公司 | 一种具有热检测功能的管道机器人及控制方法与控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592333A (zh) * | 2013-11-13 | 2014-02-19 | 电子科技大学 | 一种脉冲涡流热成像缺陷自动检测与识别方法 |
-
2015
- 2015-04-21 CN CN201510189341.2A patent/CN104833699B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103592333A (zh) * | 2013-11-13 | 2014-02-19 | 电子科技大学 | 一种脉冲涡流热成像缺陷自动检测与识别方法 |
Non-Patent Citations (4)
Title |
---|
JOEL A.TROPP ET AL.: "Algorithms for simultaneous sparse approximation.Part I:Greedy pursuit", 《SIGNAL PROCESSING》 * |
尹宝才等: "图像视频信号的压缩采样与稀疏重建", 《中国科学:信息科学》 * |
易学能,曹汉强: "一种图像稀疏贪婪索引字典的构造方法", 《小型微型计算机系统》 * |
王晓庆等: "基于贪婪算法的高分辨信号源DOA估计", 《信号处理》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427049A (zh) * | 2017-08-22 | 2019-03-05 | 成都飞机工业(集团)有限责任公司 | 一种涂层缺陷的检测方法 |
CN109884180A (zh) * | 2019-02-14 | 2019-06-14 | 昆明理工大学 | 一种导电结构缺陷稀疏电涡流快速成像检测方法及系统 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110108754B (zh) * | 2019-04-25 | 2021-10-22 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN110147637A (zh) * | 2019-06-05 | 2019-08-20 | 厦门大学 | 基于小波及谐波成分贪婪稀疏识别的碰摩故障诊断方法 |
CN111223285A (zh) * | 2020-03-13 | 2020-06-02 | 昆明理工大学 | 一种基于稀疏表示的无线涡流检测系统及方法 |
CN114791067A (zh) * | 2021-01-25 | 2022-07-26 | 杭州申昊科技股份有限公司 | 一种具有热检测功能的管道机器人及控制方法与控制系统 |
CN114791067B (zh) * | 2021-01-25 | 2024-02-06 | 杭州申昊科技股份有限公司 | 一种具有热检测功能的管道机器人及控制方法与控制系统 |
CN113218998A (zh) * | 2021-04-27 | 2021-08-06 | 电子科技大学 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
CN113218998B (zh) * | 2021-04-27 | 2022-03-25 | 电子科技大学 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104833699B (zh) | 2017-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104833699A (zh) | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 | |
CN103592333A (zh) | 一种脉冲涡流热成像缺陷自动检测与识别方法 | |
CN105528288B (zh) | 一种软件测试方法以及装置 | |
JP6243225B2 (ja) | サーモグラフ試験方法及びこの試験方法を実行するための試験装置 | |
Thomas et al. | Excess clustering on large scales in the MegaZ DR7 photometric redshift survey | |
CN103760231B (zh) | 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 | |
CN105891321B (zh) | 铁磁性材料结构力学性能的微磁检测标定方法 | |
US20110299752A1 (en) | Method for implementing depth deconvolution algorithm for enhanced thermal tomography 3d imaging | |
CN103913509A (zh) | 一种带漆铝合金框板的缺陷检测方法 | |
CN103760230A (zh) | 基于bp神经网络的焊接缺陷巨磁电阻涡流检测方法 | |
Liu et al. | Investigation of thermal imaging sampling frequency for eddy current pulsed thermography | |
CN102507507B (zh) | 利用温度修正检测被测气体浓度的装置和方法 | |
CN106022365B (zh) | 基于数据融合和rbf神经网络的表面缺陷深度估计方法 | |
JP5614312B2 (ja) | 周期性欠陥検出方法および周期性欠陥検出装置 | |
CN111579634A (zh) | 一种铁磁性材料表面残余应力的抽样评估方法 | |
Xiao et al. | Spatial-time-state fusion algorithm for defect detection through eddy current pulsed thermography | |
CN103760229B (zh) | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 | |
Souridi et al. | Simple digital image processing applied to thermographic data for the detection of cracks via eddy current thermography | |
CN107341336A (zh) | 一种贮箱产品几何精度一致性评价方法 | |
CN103713043B (zh) | 基于贝叶斯网络的焊接缺陷巨磁电阻涡流检测方法 | |
Tilak et al. | Deep autoencoder for automatic defect detection in thermal wave imaging | |
CN110308044A (zh) | 基于金属磁记忆检测的增材制造制件早期应力集中判别方法 | |
CN110082424B (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
Dumoulin et al. | Infrared Thermography for the Nondestructive Inspection of CFRP Strengthening. | |
Opperer et al. | Characterization of local preform defects in resin transfer molding by the gas flow method and statistical analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170405 Termination date: 20200421 |