CN106886797B - 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 - Google Patents
一种对复合材料脱粘缺陷的高分辨率检测与识别方法 Download PDFInfo
- Publication number
- CN106886797B CN106886797B CN201710102211.XA CN201710102211A CN106886797B CN 106886797 B CN106886797 B CN 106886797B CN 201710102211 A CN201710102211 A CN 201710102211A CN 106886797 B CN106886797 B CN 106886797B
- Authority
- CN
- China
- Prior art keywords
- tensor
- matrix
- sparse
- defect
- resolution
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Abstract
本发明公开了一种对复合材料脱粘缺陷的高分辨率检测与识别方法,将含有缺陷的样本在光激励红外热成像系统作用下热源在材料不同区域的热扩散和热辐射特性不同,在缺陷处存在高温区域,热像仪采集到的表面温度场随时间和空间的变换能够反映出一定的缺陷信息,并为后期特征提取算法提供信息,再基于集成变分贝叶斯张量分解算法提取复合材料脱粘缺陷的信息。
Description
技术领域
本发明属于无损检测和评估技术领域,更为具体地讲,涉及一种对复合材料脱粘缺陷的高分辨率检测与识别方法。
背景技术
碳纤维增强复合材料(CFRP)由于具有比强度高、比模量大、抗疲劳性能好、膨胀系数低以及可设计性强等优点,已经成为航空航天等高新技术领域不可缺少的重要结构材料。但在生产制造、装配、长期服役等过程中难免遭受损伤,复合材料叠合结构常见的内部缺陷包括分层、脱粘、夹杂等,由于内部结构的变形不易检测且造成的损伤性极大,随着复合材料的加工工艺和使用要求的不断提高,对其无损检测技术也提出了更高的要求。光激励红外热成像(OPT)检测技术由于具有安全无污染、可实现大面积、无接触的快速检测等优点,被广泛的应用于复合材料在线检测,其利用不同结构或材料的热辐射特性不同,对试件采用主动加热方法检测材料表面及以下缺陷。
但光激励红外热成像系统得到的图像,受热像仪和复合材料横向热扩散的影响,具有分辨率较低,边沿模糊,噪声干扰的缺点,为了提高缺陷检测的准确性和效率,很多特征提取算法被用于图像缺陷信息的提取,如热成像信号重构(TSR)、主成分分析(PCA)和脉冲相位热成像(PPT)等。但在实际应用中,这些传统算法的效果并非十分理想,本发明采用的集成变分贝叶斯张量分解算法(EVBTF)能较为明显的提高缺陷检测准确度和分辨率。同时采用基于事件F-score的评价方法,来定量评估算法的处理结果。
发明内容
本发明的目的在于克服现有技术的不足,提供一种对复合材料脱粘缺陷的高分辨率检测与识别方法,通过集成变分贝叶斯张量分解算法处理得到图像缺陷信息,具有自动准确检测、识别缺陷的特点。
为实现上述发明目的,本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法,其特征在于,包括以下步骤:
(1)、通过光激励红外热成像检测系统,获得含缺陷样本表面的空间-时间热图视频,对每一帧热图像按列依次取值并顺序化排列,向量化每一帧热图像,得到每一帧热图量并依次作为新矩阵的列向量,构架出一个新矩阵Y',再对这个新矩阵Y'做归一化,得到矩阵Y;
(2)、对矩阵Y进行变分贝叶斯张量分解
在变分贝叶斯张量分解模型的第一层输入矩阵Y,通过变分贝叶斯张量分解得到低秩张量、稀疏张量和噪声张量;在第二层输入第一层输出的低秩张量,再次通过变分贝叶斯张量分解得到低秩张量、稀疏张量和噪声张量;依次类推,通过n层变分贝叶斯张量分解后得到最终的低秩张量、稀疏张量和噪声张量;
(3)、对第n层变分贝叶斯张量分解后得到稀疏张量进行还原,得到稀疏矩阵,再对稀疏矩阵的每一列依次重构回缺陷图像,通过对比缺陷图像进行缺陷检测和识别。
本发明的发明目的是这样实现的:
本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法,将含有缺陷的样本在光激励红外热成像系统作用下热源在材料不同区域的热扩散和热辐射特性不同,在缺陷处存在高温区域,热像仪采集到的表面温度场随时间和空间的变换能够反映出一定的缺陷信息,并为后期特征提取算法提供信息,再基于集成变分贝叶斯张量分解算法提取复合材料脱粘缺陷的信息。
同时,本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法还具有以下有益效果:
(1)、通过使用集成变分贝叶斯算法提高了缺陷检测的精度,提高了缺陷区域和非缺陷区域的对比度;
(2)、提高了缺陷检测的结果图像的分辨率,解决了检测的结果图像低分辨率的问题;
(3)、提高了红外热成像对多层材料的检测深度,与目前存在的红外热成像领域的特征提取算法相比,检测结果有很大的提高;
(4)首次将贝叶斯张量分解算法引入红外热成像领域,并比传统算法取得更加好的结果。
附图说明
图1是本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法流程图;
图2是预处理向量化示意图;
图3变分贝叶斯张量分解算法公式示意图;
图4是实验数据处理效果对比图。
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。
实施例
图1是本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法流程图。
在本实施例中,如图1所示,本发明一种对复合材料脱粘缺陷的高分辨率检测与识别方法,包括以下步骤:
S1、预处理
当试件被热源激励后,在热趋于平衡的过程中,部分缺陷信息能够在红外热图像中显示出来,其表面温度场随时间和空间变化的物理特性可用已知数学模型来表达,在进行理论分析时,每个像素点的温度变化可简化为一维热传导模型,并在此基础上进行后处理分析,试件表面温度的数学模型可表示为:
其中,是热扩散率,k表示热导率,ρ表示密度,c表示比热容;Q是表面施加的热量;t是时间。方程(1)为特征提取算法提供了理论基础。
通过光激励红外热成像无损检测系统,在含有缺陷的试件上获得热图像序列且其数学模型如方程(1)所示,将此张量转化为一个矩阵,通过将每一帧图像进行向量化,转换方式如图2.1所示,则整个视频序列可排序为一个新的矩阵表示,该过程转换示意图如图2.2所示。再对所得矩阵进行归一化,通过将矩阵中的每个值都除以矩阵中的最大值,这样,每个输入矩阵的值的都在0到1之间。
S2、对归一化后的矩阵进行变分贝叶斯张量分解
集成变分贝叶斯张量分解模型(EVBTF)是基于变分贝叶斯张量分解(VBTF)的框架,变分贝叶斯可以表示为:
Y=X+S+N (2)
其中,是输入张量,是低秩张量,是稀疏张量,是噪声张量,N从表示张量的维度,Ii(i=1,…,N)表示第i个维度的大小。当维度为2时,张量就是一个矩阵,I1和I2分别代表矩阵的行和列。从上式可以看出热图像序列可以表示为三个矩阵的和,可以通过[CANDECOMP/PARAFAC(CP)]分解将X分解成多个分量,表达式如下所示:
其中,代表向量的输出结果,An(n=1,…,N)表示潜在的因子矩阵,[[·]]表示CP分解,也就是说一个张量利用CP分解得到A1,…,AN矩阵。代表An的第r列,代表An的第i行。R是矩阵X的秩,远小于X的行数和列数,服从零均值的高斯先验分布,每个S和N矩阵都服从零均值的高斯分布。所有的参数均服从伽玛分布,输入系数λ、γ和τ分别与和和和相关,参数数量级为10-6大小,图3显示了公式的流程。
采用Kullback-Leiber(KL)散度和平均场方法来估计最优不同因子矩阵,因此,的后验可估计为:
其中,E[·]表示期望,vec表示向量化操作,Λ表示参数λ的对角化,λ是一个向量,对角化的意思就是让这个向量的每一个元素依次对应对角化后的矩阵的对角线上的元素,矩阵的其他元素为0,表示协方差矩阵,表示Khatri–Rao积,除掉第n个元素,具体表达如下:
其中,⊙表示Khatri–Rao积,表示此矩阵的第in行。
可表示为:
其中,'*'表示Hadamard积,E[·]表示期望,参数λ可如下估计:
其中,λr表示λ中的第r个元素;
则S的每个元素可估计为:
其中,<·>表示内积,后验分布γ可表示为:
参数τ可通过如下计算:
其中,
其中,||·||F表示矩阵二范数,运算结果是得到一个张量X,如公式3.
这是变分贝叶斯张量分解一层结构模型,但是通过变分贝叶斯张量分解算法后低秩张量可能仍然含有部分有用的信息。因此,我们提出一种新的多层变分贝叶斯张量分解算法,即EVBTF算法,其多层结构可表示为:
上式中第一层的张量Y可表示为三个张量的和,之后的其余层更新过程与第一层方式相同,上一层的低秩张量是下一层的输入张量。因此,最终的公式可以表示为:
其中,是低秩张量,是第i个稀疏张量,是第i个噪声张量,并且n由层数所决定。集成变分贝叶斯张量分解模型的输入矩阵为变换和归一化后的热图像序列,超参数和的值设置为10-6,而等于1.2,层数n设置为4,缺陷检测效果最优。所提方法具体流程如表1所示。
表1是集成变分贝叶斯张量分解算法流程表
S3、缺陷检测和识别
在步骤S1的开始做了归一化除了最大值处理,因此这里需要把第四层变分贝叶斯张量分解后得到稀疏张量进行还原,也就是把得到的稀疏张量乘以开始除的那个最大值,这样得到一个新矩阵,命名为稀疏矩阵,具体还原的方法为:
Sresult=S4×max(Y')
其中,Sresult表示稀疏矩阵,S4表示第四层变分贝叶斯张量分解后得到稀疏张量,max(Y')表示新矩阵Y'的最大值;
再对稀疏矩阵的每一列依次重构回缺陷图像,通过对比缺陷图像进行缺陷检测和识别。
实例结果分析与对比
为了评估缺陷检测结果,F-score被用来衡量不同特征提取算法处理结果。检测结果可以分为四类,TP表示实际存在缺陷并被检测出来的个数,FP表示不是缺陷区域却被检测为缺陷区域的个数,FN表示是缺陷区域但检测结果显示为没有缺陷的个数,TN表示不是缺陷也未被检测为缺陷的个数,因此准确率P和召回率R可分别表示为:
为了平衡准确率和召回率,F-score是P和R的加权调和平均:
上式中α表示准确率和召回率的所占比重,对于无损检测的此类脱粘缺陷,α取值为1,即准确率和召回率同等重要。
对一组前期采集数据进行不同的特征提取处理算法,包括主成分分析(PCA)、脉冲相位热图像(PPT)、热成像信号重构(TSR),以及本发明的集成变分贝叶斯张量分解算法(EVBTF),图4.1为样本缺陷分布示意图,图4.2为手动选择的较优样本原始图像,第160帧,由于热扩散的影响,只有几个脱粘缺陷能分辨出来,图4.3为经PPT处理结果,图4.4为经TSR处理结果,只能明显的看到几个缺陷的信息,还有几个十分模糊,图4.5为经PCA处理结果,能看到大部分的缺陷信息,比较小的缺陷比较模糊,图4.6为经EVBTF处理结果,能够清晰的看到14个缺陷,最后两个小的缺陷看的比较模糊,本方法构造空间瞬态多层挖掘结构,其能够提取隐藏的异常信息,从而增强缺陷区域和非缺陷区域的对比度。为了定量评估结果,计算不同特征提取算法的F值,每个缺陷区域被认为是一个事件,因此事件总数为16,不同算法的F-score值如表2所示,与PPT,TSR和PCA相比,本发明提出的算法的F-score要平均高出20%多。
表2是各算法的F-score值
PPT | TSR | PCA | EVBTF | |
缺陷样本 | 0.67 | 0.67 | 0.93 | 1 |
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 (3)
1.一种对复合材料脱粘缺陷的高分辨率检测与识别方法,其特征在于,包括以下步骤:
(1)、通过光激励红外热成像检测系统,获得含缺陷样本表面的空间-时间热图视频,对每一帧热图像按列依次取值并顺序化排列,向量化每一帧热图像,得到每一帧热图像并依次作为新矩阵的列向量,构架出一个新矩阵Y',再对这个新矩阵Y'做归一化,得到矩阵Y;
(2)、对矩阵Y进行变分贝叶斯张量分解
在变分贝叶斯张量分解模型的第一层输入矩阵Y,通过变分贝叶斯张量分解得到低秩张量、稀疏张量和噪声张量;在第二层输入第一层输出的低秩张量,再次通过变分贝叶斯张量分解得到低秩张量、稀疏张量和噪声张量;依次类推,通过n层变分贝叶斯张量分解后得到最终的低秩张量、稀疏张量和噪声张量;
(3)、对第n层变分贝叶斯张量分解后得到稀疏张量进行还原,得到稀疏矩阵,再对稀疏矩阵的每一列依次重构回缺陷图像,通过对比缺陷图像进行缺陷检测和识别。
2.根据权利要求1所述的一种对复合材料脱粘缺陷的高分辨率检测与识别方法,其特征在于,所述的新矩阵Y'做归一化的方法为:
其中,Y'表示构成的新矩阵,Y是经过归一化后的矩阵,max(Y')表示新矩阵的最大值。
3.根据权利要求1所述的一种对复合材料脱粘缺陷的高分辨率检测与识别方法,其特征在于,所述步骤(3)中,对稀疏张量进行还原的计算方法为:
Sresult=Sn×max(Y')
其中,Sresult表示稀疏矩阵,Sn表示第n层变分贝叶斯张量分解后得到稀疏张量,max(Y')表示新矩阵Y'的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102211.XA CN106886797B (zh) | 2017-02-24 | 2017-02-24 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710102211.XA CN106886797B (zh) | 2017-02-24 | 2017-02-24 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106886797A CN106886797A (zh) | 2017-06-23 |
CN106886797B true CN106886797B (zh) | 2019-11-19 |
Family
ID=59179228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710102211.XA Active CN106886797B (zh) | 2017-02-24 | 2017-02-24 | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106886797B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427049B (zh) * | 2017-08-22 | 2022-01-18 | 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 |
CN107490599B (zh) * | 2017-09-29 | 2019-08-20 | 电子科技大学 | 一种铅钢多层材料脱粘缺陷周期脉冲热成像检测方法 |
CN108444934B (zh) * | 2018-01-30 | 2021-12-10 | 四川沐迪圣科技有限公司 | 一种复合材料脱粘缺陷的自动分割及量化方法 |
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 |
CN110222740B (zh) * | 2019-05-23 | 2022-03-25 | 电子科技大学 | 一种基于加性模糊的红外技术缺陷重构与特征提取方法 |
CN112489016B (zh) * | 2020-11-30 | 2024-02-20 | 浙江工业大学 | 复合材料缺陷热影像图的局部敏感判别分析方法 |
CN112580667B (zh) * | 2020-12-23 | 2023-08-29 | 浙江理工大学 | 一种纺织图像的特征提取方法 |
CN113537236B (zh) * | 2021-06-21 | 2023-04-21 | 电子科技大学 | 用于航天器损伤红外检测的热扩散效应缺陷定量识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012133469A1 (en) * | 2011-03-31 | 2012-10-04 | Mitsubishi Electric Corporation | Method for Compressing Textured Images |
CN105718934A (zh) * | 2016-01-25 | 2016-06-29 | 无锡中科富农物联科技有限公司 | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 |
CN106093074A (zh) * | 2016-06-16 | 2016-11-09 | 广东工业大学 | 一种基于鲁棒主成分分析的ic元件焊点检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160156652A1 (en) * | 2012-04-20 | 2016-06-02 | Numerica Corporaition | Pattern detection in sensor networks |
US9679387B2 (en) * | 2015-02-12 | 2017-06-13 | Mitsubishi Electric Research Laboratories, Inc. | Depth-weighted group-wise principal component analysis for video foreground/background separation |
-
2017
- 2017-02-24 CN CN201710102211.XA patent/CN106886797B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012133469A1 (en) * | 2011-03-31 | 2012-10-04 | Mitsubishi Electric Corporation | Method for Compressing Textured Images |
CN105718934A (zh) * | 2016-01-25 | 2016-06-29 | 无锡中科富农物联科技有限公司 | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 |
CN106093074A (zh) * | 2016-06-16 | 2016-11-09 | 广东工业大学 | 一种基于鲁棒主成分分析的ic元件焊点检测方法 |
Non-Patent Citations (5)
Title |
---|
Bayesian Robust Tensor Factorization for Incomplete Multiway Data;Qibin Zhao 等;《IEEE Transactions on Neural Networks and Learning Systems》;20150609;第27卷(第4期);第736-748页 * |
Pavement crack classification based on tensor factorization;Offei Amanor Adarkwa 等;《Construction and Building Materials》;20130823;第48卷;第853-857页 * |
基于图和低秩表示的张量分解方法及应用研究;刘亚楠;《中国博士学位论文全文数据库信息科技辑》;20140915;第I138-17页 * |
缺陷检测的稀疏表示模型及应用;李清勇 等;《计算机研究与发展》;20140930;第51卷(第9期);第1929-1935页 * |
面向目标检测的稀疏表示方法研究进展;高仕博 等;《电子学报》;20150228;第43卷(第2期);第320-332页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106886797A (zh) | 2017-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106886797B (zh) | 一种对复合材料脱粘缺陷的高分辨率检测与识别方法 | |
CN110108754B (zh) | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 | |
CN102692429B (zh) | 一种复合材料内部缺陷类型自动识别检测方法 | |
Zhang et al. | CFRP impact damage inspection based on manifold learning using ultrasonic induced thermography | |
Zhang et al. | Quality control of additively manufactured metallic structures with machine learning of thermography images | |
CN102881029A (zh) | 一种热波图像序列的压缩和重构方法 | |
Zhou et al. | Principal component analysis-based image fusion routine with application to automotive stamping split detection | |
CN112798648B (zh) | 基于生成核主成分热影像分析的复合材料缺陷检测方法 | |
Daryabor et al. | Image fusion of ultrasonic and thermographic inspection of carbon/epoxy patches bonded to an aluminum plate | |
Cheng et al. | IRT-GAN: A generative adversarial network with a multi-headed fusion strategy for automated defect detection in composites using infrared thermography | |
CN108765401B (zh) | 一种基于行列变步长分割和区域生长法的热成像检测方法 | |
CN109816638A (zh) | 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法 | |
Jie et al. | Defect detection in composite products based on sparse moving window principal component thermography | |
Kourehli | Structural damage diagnosis using incomplete static responses and LS-SVM | |
Alhammad et al. | Multi-label classification algorithms for composite materials under infrared thermography testing | |
Zhang et al. | A novel algorithm for fast compression and reconstruction of infrared thermographic sequence based on image segmentation | |
Earls | Bayesian inference of hidden corrosion in steel bridge connections: Non-contact and sparse contact approaches | |
He et al. | Intelligent detection algorithm based on 2D/3D-UNet for internal defects of carbon fiber composites | |
CN110222740A (zh) | 一种基于加性模糊的红外技术缺陷重构与特征提取方法 | |
Atobe et al. | Impact damage monitoring of FRP pressure vessels based on impact force identification | |
Ramirez-Granados et al. | Reconstruction and analysis of pulsed thermographic sequences for nondestructive testing of layered materials | |
CN108931572A (zh) | 基于变行分割和区域生长法的压容器热成像缺陷检测方法 | |
Glaser et al. | Experimental determination of shear properties, buckling resistance and diagonal tension field of polyurethane coated nylon fabric | |
Wang et al. | DA-CNN-based similar terahertz signal identification for intelligent characterization of internal debonding defects of composites under high-resolution mode | |
Zhang et al. | A robust algorithm for compression and reconstruction of infrared thermal image sequence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |