CN104833699A - 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 - Google Patents

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

一种基于贪婪稀疏分解的ECPT缺陷快速检测方法

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＝N_x×N_y，N_x为热图视频帧的水平像素点个数，N_y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N_x×N_y的矩阵，如图2(B)所示，行排含n_x＝1,…,N_x个像素，列含n_y＝1,…,N_y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n_p＝1,…,N_y,…,N_x×N_y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＝N_x×N_y，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＝N_x×N_y，N_x为热图视频帧的水平像素点个数，N_y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＝f_λ(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：

$\mathrm{QR}\left((Y^{\′}-S_{k-1})V_{k-1}^T\right)=\stackrel{\‾}{Q}R$

$U_k=\stackrel{\‾}{Q},$

$V_k={\stackrel{\‾}{Q}}^T(Y^{\′}-S_{k-1})$

S_k＝f_λ(Y′-U_kV_k)

其中，U_k，V_k和S_k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；

f_λ(A)＝{sgn(A_np)max(|A_np|-λ,0)}，A＝Y′-U_kV_k，

其中，A_np表示矩阵A的n行p列元素，sgn表示取元素A_np的符号，max表示取两个数值的大值；f_λ(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L_K，L_K＝U_KV_K；

利用奇异值分解算法分解矩阵L_k，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V_K组合，得到矩阵V_K:＝[V_K,υ](即在矩阵V_K最后一行添加矩阵υ)，此时，矩阵V_K为η+η行的矩阵；然后进行以下运算：

$\mathrm{QR}\left((Y^{\′}-S_K)V_K^T\right)=\stackrel{\‾}{Q}R;$ $U_k=\stackrel{\‾}{Q},$

其中，U_K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U_K、矩阵V_K、矩阵S_K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S_K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＝N_x×N_y，N_x为热图视频帧的水平像素点个数，N_y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＝f_λ(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：

$\mathrm{QR}\left((Y^{\′}-S_{k-1})V_{k-1}^T\right)=\stackrel{\‾}{Q}R$

$U_k=\stackrel{\‾}{Q},$

$V_k={\stackrel{\‾}{Q}}^T(Y^{\′}-S_{k-1})$

S_k＝f_λ(Y′-U_kV_k)

其中，U_k，V_k和S_k分别表示第k次迭代的矩阵；

f_λ(A)＝{sgn(A_np)max(|A_np|_-λ,0)}，A＝Y′-U_kV_k，

其中，A_np表示矩阵A的n行p列元素，sgn表示取元素A_np的符号，max表示取两个数值的大值；f_λ(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L_K，L_K＝U_KV_K；

利用奇异值分解算法分解矩阵L_k，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V_K组合，得到矩阵V_K:＝[V_K,υ](即在矩阵V_K最后一行添加向量υ)，此时，矩阵V_K为η+η行的矩阵；然后进行以下运算：

$\mathrm{QR}\left((Y^{\′}-S_K)V_K^T\right)=\stackrel{\‾}{Q}R;$

$U_K=\stackrel{\‾}{Q},$

其中，U_K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U_K、矩阵V_K、矩阵S_K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S_K作为稀疏成份矩阵S。