CN105352998A - 脉冲涡流红外热图像的独立成分个数确定方法 - Google Patents

Abstract

本发明公开了一种脉冲涡流红外热图像的独立成分个数确定方法，采集待测件的红外热图像序列，将每个像素点在所有帧红外热图像中的每个热响应值组成热响应数据，设置列搜索步长和行搜索步长，根据设置的列搜索步长和行搜索步长在所有热响应数据中搜索具有区域代表性的热响应数据，然后依次增加聚类数，对代表热响应数据进行聚类，每次聚类完成后计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大类间距离，如果当前聚类数的最大类间距离与上个聚类数的最大类间距离的差值小于等于预设阈值，则将上个聚类数作为独立成分个数。本发明利用热响应数据的差异性来确定红外热图像序列的独立成分个数，提高特征提取准确度。

Description

脉冲涡流红外热图像的独立成分个数确定方法

技术领域

本发明属于材料缺陷检测技术领域，更为具体地讲，涉及一种脉冲涡流红外热图像的独立成分个数确定方法。

背景技术

无损检测是保障重大工程装备制造质量和运行安全的关键技术。其中，脉冲涡流红外热图像缺陷检测技术是近年来无损检测领域的研究热点。脉冲涡流红外热图像缺陷检测技术主要包含脉冲涡流激励和红外热成像技术。在材料有缺陷存在的情况下，涡流转化为焦耳热后会在在材料内部产生高温区和低温区，并通过热传导引起材料表面的温度变化。这种温度变化由高速高分辨率红外热像仪记录存储后，通过热图像序列的形式输出。缺陷信息的提取通过处理这些热图像序列来实现。

为了提高缺陷检测的准确性和效率，很多数据处理算法被用于图像信息的提取。其中，独立成分分析(Independentcomponentanalysis，ICA)作为一种特征提取算法，被广泛应用于热图像序列处理领域，并取得了较好效果。但是这种特征提取方法需在运行前确定独立成分的具体个数。虽然已经有大量学者对此进行了研究，但是这些研究都是通用算法或者是在其他领域进行应用，没有结合脉冲涡流红外热成像系统缺陷检测系统特点提出的独立成分个数确定方法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种脉冲涡流红外热图像的独立成分个数确定方法，根据所检测缺陷的实际特征确定最佳的独立成分个数，减少不必要的计算，提高特征提取准确度，进而提高整个检测过程的性能。

为实现上述发明目的，本发明脉冲涡流红外热图像的独立成分个数确定方法，包括以下步骤：

S1：采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件红外热图像序列，记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为n＝1,2,…,N，p的取值范围为p＝1,2,…,T，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的每个热响应值组成的热响应数据；

S2：设置列搜索步长CL和行搜索步长RL；

S3：根据设置的列搜索步长和行搜索步长在所有热响应数据中搜索代表热响应数据，具体步骤包括：

S3.1：初始化数据，即令m＝1，n＝1，q＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)；

S3.2：计算S(m,n,:)与X(q)的相关度PCC_{S(m,n,:),X(q)}，如果PCC_{S(m,n,:),X(q)}大于预设阈值C，令m＝m+RL，进入步骤S3.3，否则令q＝q+1，X(q)＝S(m,n,:)，m＝m+RL，进入步骤S3.3；

S3.3：如果m＞M，令m＝m-M，n＝n+CL，进入步骤S3.4，否则返回步骤S3.2；

S3.4：如果n＞N，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S3.2；

S4：依次增加聚类数，对代表热响应数据进行聚类，每次聚类完成后计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大值Max_L，L表示当前聚类数，如果Max_L-Max_L-1≤ε，ε为预设阈值，则将L-1作为独立成分个数，否则将聚类数加1，继续进行聚类。

本发明脉冲涡流红外热图像的独立成分个数确定方法，采集待测件的红外热图像序列，将每个像素点在所有帧红外热图像中的每个热响应值组成热响应数据，设置列搜索步长和行搜索步长，根据设置的列搜索步长和行搜索步长在所有热响应数据中搜索具有区域代表性的热响应数据，然后依次增加聚类数，对代表热响应数据进行聚类，每次聚类完成后计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大类间距离，如果当前聚类数的最大类间距离与上个聚类数的最大类间距离的差值小于等于预设阈值，则将上个聚类数作为独立成分个数。

本发明通过聚类算法将搜索出的代表热响应数据进行聚类，利用热响应数据的差异性来确定红外热图像序列的特征区域个数，进而将特征区域个数和独立成分个数对应起来。独立成分个数估计是利用独立成分分析提取脉冲涡流热图像序列特征的预处理阶段，合适的独立成分个数提高了数据处理算法的效率，增强了热图像数据处理的准确度。

附图说明

图1是本发明脉冲涡流红外热图像的独立成分个数确定方法的流程图；

图2是热分布数据示意图；

图3是搜索代表热响应数据的流程图；

图4是本实施例中K-means聚类算法获取独立成分个数的流程图；

图5是本实施例检测的两个不锈钢样本；

图6是脉冲涡流热成像检测系统中使用的加热线圈；

图7是图5所示两个样本的红外热图像序列；

图8是样本1红外热图像序列的独立成分；

图9是样本2红外热图像序列的独立成分。

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。

图1是本发明脉冲涡流红外热图像的独立成分个数确定方法的流程图。如图1所示，本发明脉冲涡流红外热图像的独立成分个数确定方法包括以下步骤：

S101：获取待测件的红外热图像序列：

采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件红外热图像序列。待测件的红外热图像展示了待测件表面的热分布数据。图2是热分布数据示意图。如图2所示，x轴和y轴分别表示一幅热图像的垂直轴和水平轴，图中的每一个小方格表示一个像素点，每一个像素点都记录了一个瞬时热响应值，t轴表示时间轴。实际缺陷检测中，待测件位置固定，所以每一个像素点在不同时刻记录的瞬时热响应值表示待测件表面对应区域的热响应数据，每一个热响应数据都是一个向量，这就是热响应数据的具体含义。记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为n＝1,2,…,N，p的取值范围为p＝1,2,…,T，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的各个热响应值组成的热响应数据。

S102：设置列搜索步长：

为了在所有的热响应数据中搜索出具有代表性的代表热响应数据，需要设置列搜索步长和行搜索步长。列搜索步长CL可以由测试人员根据经验设置，但是由于待测件不同、测量环境不同等原因，人为设置列搜索步长准确度较低。因此此处给出一种确定列搜索步长的确定方法，其具体方法为：

首先在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，即：

$PEAK=\underset{n=1,2,3,...,N}{\underset{m=1,2,3,...,M}{\underset{p=1,2,3,...,T}{max}}}\[S(m,n,p)\]$

记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK，即PEAK＝S(I_PEAK,J_PEAK,T_PEAK)。

计算热响应数据S(I_PEAK,J_PEAK,:)与所在行其他热响应数据S(I_PEAK,j,:)的相关度，j的取值范围为1≤j≤N,j≠J_PEAK。本实施例中采用皮尔森相关度(Pearsoncorrelationcoefficient)，其计算公式为：

${\mathrm{PCC}}_{X,Y}=\frac{COV(X,Y)}{\sqrt{Var\left(X\right)Var\left(Y\right)}}$

其中，X、Y分别表示两个热响应数据，COV(X,Y)表示X和Y的协方差，Var(·)表示求方差。

在N-1个相关度值中，搜索得到包括J_PEAK在内的y坐标区域[y_min,y_max]，当j′∈[y_min,y_max]时，所有S(I_PEAK,j′,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_CL，将这个区域的热响应数据S(I_PEAK,j′,:)的数量记为α，R_CL的取值范围为R_CL＞0.9。在[1,α-1]中选定一个值作为搜索列步长CL。显然，列步长CL越大，搜索次数越少，列步长CL越小，搜索结果越准确，因此列步长CL的值可以根据实际需要在范围内设置。本实施例中设置列步长CL＝α-1。

S103：设置行搜索步长：

与列搜索步长类似，行搜索步长也可以根据经验设置，也可以通过算法分析确定。此处给出一种行搜索步长的确定方法，其具体方法为：

在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK。

计算热响应数据S(I_PEAK,J_PEAK,:)与所在列其他热响应数据S(i,J_PEAK,:)的相关度，i的取值范围为1≤i≤M,i≠I_PEAK。在M-1个相关度值中，搜索得到包括I_PEAK在内的x坐标区域[x_min,x_max]，当i′∈[x_min,x_max]时，所有S(i′,J_PEAK,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_RL，将这个区域的热响应数据S(i′,J_PEAK,:)的数量记为β，R_RL的取值范围为R_RL＞0.9。在[1,β-1]中选定一个值作为搜索列步长RL。本实施例中选择RL＝β-1。

S104：搜索代表热响应数据：

根据设置的列搜索步长和行搜索步长在所有热响应数据中搜索具有区域代表性的热响应数据。这些筛选出的热响应数据可以一定程度上作为其附近若干个像素点的代表。

图3是搜索代表热响应数据的流程图。如图3所示，搜索代表热响应数据包括以下步骤：

S301：初始化数据，即令m＝1，n＝1，q＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)。

S302：计算S(m,n,:)与X(q)的相关度PCC_{S(m,n,:),X(q)}。

S303：判断是否PCC_{S(m,n,:),X(q)}大于预设阈值C，本实施例中C的取值范围为0＜C＜0.9，如果是，进入步骤S304，否则进入步骤S305。

S304：令m＝m+RL，进入步骤S306。

S305：令q＝q+1，X(q)＝S(m,n,:)，m＝m+RL，进入步骤S306。

S306：判断是否m＞M，如果是，进入步骤S307，否则返回步骤S302。

S307：令m＝m-M，n＝n+CL。

S308：判断是否n＞N，如果是，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S302。

S105：根据代表热响应数据聚类结果确定独立成分个数：

依次增加聚类数，对步骤S104搜索得到的G个代表热响应数据进行聚类，每次聚类完成后计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大值Max_L，L表示当前聚类数，如果Max_L-Max_L-1≤ε，ε为预设阈值，则将L-1作为独立成分个数，否则将聚类数加1，继续进行聚类。本实施例中阈值ε的取值范围为ε≤0.01。

本发明采用聚类来获取独立成分个数的原因在于：对于红外热图像序列，L个独立成分各自强化了一个特征区域且分别对应于L个混叠向量，L个混叠向量的数据变化趋势和对应的特征强化区域的L类热响应数据是一致的。

聚类算法可以根据需要选择，本实施例中采用K-means聚类算法来进行聚类获取独立成分个数。图4是本实施例中K-means聚类算法获取独立成分个数的流程图。如图4所示，采用K-means聚类算法对代表热响应数据聚类的具体步骤包括：

S401：初始化数据：令聚类数L＝1；聚类中心PO₁＝Q₁＝X(1)；最大类间距离Max₁＝0。

S402：搜索聚类中心PO_L+1：

在被选为初始聚类中心Q_d之外的代表热响应数据中，d＝1,2,…,L选择与PO_L距离最大的代表热响应数据作为第L+1类的初始聚类中心Q_L+1＝PO_L+1。本实施例中，采用皮尔森相关距离，其计算方法为：记两个向量的皮尔森相关度值为P，由距离等于D＝1-P。

S403：令L＝L+1。

S404：数据分类：

对于每个代表热响应数据，分别计算到当前L个聚类中心PO_d的距离，d＝1,2,…,L，将其划入距离最小的聚类中心所对应的类。

S405：更新聚类中心：

根据步骤S404的分类结果重新计算聚类中心PO_d′。

S406：判断聚类中心是否变动，也就是是否所有PO′_d＝PO_d，如果存在变动，进入步骤S407，否则进入步骤S408。

S407：令所有PO_d＝PO_d′，返回步骤S404。

S408：计算最大类间距离：

计算每个代表热响应数据与所属聚类之其他聚类中心的距离，也就是类间距离，搜索得到其中最大值Max_L。

S409：判断是否Max_L-Max_L-1≤ε，ε为预设阈值，其取值范围为ε≤0.01，如果是，进入步骤S410，否则返回步骤S402。

S410：停止分类，将L-1作为独立成分个数。

实施例

为了更好地说明本发明的技术方案，采用一个具体实施例对本发明方法进行实验验证。图5是本实施例检测的两个不锈钢样本。如图5所示，样本1上有一个长度为10mm、宽度为2mm的狭槽，样本2上的圆孔直径为3mm，都用来模拟表面缺陷。图6是脉冲涡流热成像检测系统中使用的加热线圈。图7是图5所示两个样本的红外热图像序列。

先利用本项目提出的算法对样本1的热图像序列进行处理，热图像序列采样时间约为0.53s，其中热图像序列长度为T＝250，令R_CL＝0.97，R_RL＝0.96。计算得到列步长CL＝6，行步长RL＝15。令阈值C＝0.8，搜索出24个代表热响应数据，把这24个数据保存在二维矩阵中，为聚类分析做好准备。然后采用K-means聚类算法进行聚类，阈值参数ε＝0.001。在聚类数L＝2时，分类得到的最大类间距离max₂＝1.1024，max₂-max₁＝1.1024＞ε，因此继续增加分类数。聚类数L＝3时，分类得到的最大类间距离max₃＝1.3713，max₃-max₂＝0.2689＞ε。聚类数L＝4时，分类得到的最大类间距离max₄＝1.4377，max₄-max₃＝0.0664＞ε。聚类数L＝5时，分类得到的最大类间距离max₅＝1.4377，max₅-max₄＝0＜ε。所以停止分类，最佳聚类个数为4，因此合理的独立成分个数是4。

为了说明独立成分个数估计的合理性，对样本进行独立成分分析，分别计算4个独立成分和5个独立成分。图8是样本1红外热图像序列的独立成分。采用参考文献“BaiL,GaoB,TianGY,etal.Spatialandtimepatternsextractionofeddycurrentpulsedthermographyusingblindsourceseparation[J].SensorsJournal,IEEE,2013,13(6):2094-2101.”中的分析方法进行分析可知，样本1的独立成分1-4分别强化了缺陷两端，提离效应引起的高温区，缺陷两侧和离缺陷较远的背景区域。这4个独立成分都包含原图像序列的主要温度分布信息，不可缺失。而独立成分5图像信息比较模糊，仅能看到残缺的缺陷轮廓，并没有包含温度分布信息，不是必要的温度特征图像，所以可以不必计算。由此分析可知，样本1的最佳独立成分个数为4。

样本2的热图像序列长度为T＝250，令R_CL＝0.98，R_RL＝0.99，阈值C＝0.7，K-means聚类算法的阈值参数ε＝0.01。在聚类数L＝2时，分类得到的最大类间距离max₂＝0.5107，max₂-max₁＝0.5107＞ε。聚类数L＝3时，分类得到的最大类间距离max₃＝0.5138，max₃-max₂＝0.0031＜ε。停止分类，最佳分类个数为2。分别计算样本2的2个独立成分和3个独立成分。图9是样本2红外热图像序列的独立成分。如图9所示，比较这两组独立成分可以看出，独立成分1和2都包含了清晰的热分布特征；独立成分3强化了距离圆孔较远的背景区域，但是因该区域噪音太大，对缺陷信息分析没有什么帮助，应该被忽略，所以最佳的独立成分个数为2。

综上所述，采用本发明确定的独立成分个数是有效的，能够兼顾提取特征的准确性和效率，确定合理的独立成分个数。

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 (8)

1.一种脉冲涡流红外热图像的独立成分个数确定方法，其特征在于，包括以下步骤：

S1：采用脉冲涡流对待测件加热，红外热像仪采集时长为A的待测件红外热图像序列，记每帧红外热图像大小为M×N，红外热图像序列中图像数量记为T，以S(m,n,p)表示第p帧红外热图像中坐标为(m,n)的像素点对应的热响应值，其中m的取值范围为m＝1,2,…,M，n的取值范围为m＝1,2,…,N，p的取值范围为m＝1,2,…,P，以S(m,n,:)表示坐标为(m,n)的像素点在T帧红外热图像序列的每个热响应值组成的热响应数据；

S2：设置列搜索步长CL和行搜索步长RL；

S3：根据设置的列搜索步长和行搜索步长在所有热响应数据中搜索代表热响应数据，具体步骤包括：

S3.1：初始化数据，即令m＝1，n＝1，q＝1，首个代表热响应数据X(1)＝S(I_PEAK,J_PEAK,:)；

S3.2：计算S(m,n,:)与X(q)的相关度PCC_{S(m,n,:),X(q)}，如果PCC_{S(m,n,:),X(q)}大于预设阈值C，令m＝m+RL，进入步骤S3.3，否则令q＝q+1，X(q)＝S(m,n,:)，m＝m+RL，进入步骤S3.3；

S3.3：如果m＞M，令m＝m-M，n＝n+CL，进入步骤S3.4，否则返回步骤S3.2；

S3.4：如果n＞N，搜索结束，保存搜索得到的代表热响应数据X(q)，记其数量为G，否则返回步骤S3.2；

S4：依次增加聚类数，对代表热响应数据进行聚类，每次聚类完成后计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大值Max_L，L表示当前聚类数，如果Max_L-Max_L-1≤ε，则将L-1作为独立成分个数，否则将聚类数加1，继续进行聚类。

2.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S2中列搜索步长CL的确定方法为：在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK；

计算热响应数据S(I_PEAK,J_PEAK,:)与所在列其他热响应数据S(I_PEAK,j,:)的相关度，j的取值范围为1≤j≤N,j≠J_PEAK；在N-1个相关度值中，搜索得到包括J_PEAK在内的y坐标区域[y_min,y_max]，当j′∈[y_min,y_max]时，所有S(I_PEAK,j′,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_CL，将这个区域的热响应数据S(I_PEAK,j′,:)的数量记为α，R_CL的取值范围为R_CL＞0.9，在[1,α-1]中选定一个值作为搜索列步长CL。

3.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S2中行搜索步长RL的确定方法为：在红外热图像序列的所有图像中，搜索得到热响应值S(m,n,p)的最大值PEAK，记PEAK所在的x轴、y轴、t轴的坐标值分别为I_PEAK、J_PEAK、T_PEAK；

计算热响应数据S(I_PEAK,J_PEAK,:)与所在列其他热响应数据S(i,J_PEAK,:)的相关度，i的取值范围为1≤i≤M,i≠I_PEAK；在M-1个相关度值中，搜索得到包括I_PEAK在内的x坐标区域[x_min,x_max]，当i′∈[x_min,x_max]时，所有S(i′,J_PEAK,:)与S(I_PEAK,J_PEAK,:)的相关度值都大于预设阈值R_RL，将这个区域的热响应数据S(i′,J_PEAK,:)的数量记为β，R_RL的取值范围为R_RL＞0.9。在[1,β-1]中选定一个值作为搜索列步长RL。

4.根据权利要求2或3所述的独立成分个数确定方法，其特征在于，所述相关度值采用皮尔森相关度。

5.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S3.2中，阈值C的取值范围为0＜C＜0.9。

6.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S4中的距离采用皮尔森相关距离，其计算方法为：记两个向量的皮尔森相关度值为P，由距离等于D＝1-P。

7.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S4.6中，阈值ε的取值范围为ε≤0.01。

8.根据权利要求1所述的独立成分个数确定方法，其特征在于，所述步骤S4中，采用K-means聚类算法获取独立成分个数，其具体步骤如下：

S4.1：初始化数据：令聚类数L＝1；聚类中心PO₁＝Q₁＝X(1)；最大类间距离Max₁＝0；

S4.2：在被选为初始聚类中心Q_d之外的代表热响应数据中，d＝1,2,…,L，选择与PO_L距离最大的代表热响应数据作为第L+1类的初始聚类中心Q_L+1＝PO_L+1；

S4.3：令L＝L+1；

S4.4：对于每个代表热响应数据，分别计算到当前L个聚类中心PO_d的距离，d＝1,2,…,L，将其划入距离最小的聚类中心所对应的类；

S4.5：根据步骤S4.4的分类结果重新计算聚类中心PO_d′，如果不是所有PO′_d＝PO_d，令所有PO_d＝PO_d′，返回步骤S4.4，否则计算每个代表热响应数据与所属聚类之其他聚类中心的距离，搜索得到其中最大值Max_L；

S4.6：如果Max_L-Max_L-1≤ε，停止分类，将L-1作为独立成分个数，否则返回步骤S4.2。