CN109598711A - 一种基于特征挖掘和神经网络的热图像缺陷提取方法 - Google Patents

一种基于特征挖掘和神经网络的热图像缺陷提取方法 Download PDF

Info

Publication number
CN109598711A
CN109598711A CN201811451815.6A CN201811451815A CN109598711A CN 109598711 A CN109598711 A CN 109598711A CN 201811451815 A CN201811451815 A CN 201811451815A CN 109598711 A CN109598711 A CN 109598711A
Authority
CN
China
Prior art keywords
thermal response
pixel
transient thermal
image
column
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
Application number
CN201811451815.6A
Other languages
English (en)
Other versions
CN109598711B (zh
Inventor
程玉华
殷春
张昊楠
薛婷
黄雪刚
陈凯
石安华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811451815.6A priority Critical patent/CN109598711B/zh
Publication of CN109598711A publication Critical patent/CN109598711A/zh
Application granted granted Critical
Publication of CN109598711B publication Critical patent/CN109598711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Radiation Pyrometers (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明公开了一种基于特征挖掘和神经网络的热图像缺陷提取方法，通过选取热图像序列中的步长将图像分块，并根据分块去除冗余信息，提取代表性瞬态热响应。本发明利用特征提取公式对瞬态热响应的总热量、吸热阶段的温度变化率、放热阶段的温度变化率、温度均值、温度峰值这些特征进行提取，并根据所提取出的特征，构建神经网络，并将瞬态热响应分类，然后，对三维矩阵进行变换，得到含有缺陷区域的二维图像，最后采用模糊C均值算法对含有缺陷区域的二维图像进行聚类和二值化，得到最终的缺陷图像，从而提取出热图像的缺陷特征。本发明通过深层次挖掘瞬态热响应曲线所包含的物理信息，提高了聚类的合理性，从而提高了缺陷提取的精准度。

Description

一种基于特征挖掘和神经网络的热图像缺陷提取方法
技术领域
本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于特征挖掘和神经网络的热图像缺陷提取方法。
背景技术
红外热图像检测技术通过控制热激励方法和测量材料表面的温场变化获取材料表面及其表面以下的结构信息，从而达到检测的目的。在获取结构信息时，常常用到红外热像仪记录试件表面或者亚表面随时间变化的温场信息，并将其转换为热图像序列呈现出来。由于用红外热像仪得到的热图像序列的数据量巨大，噪声干扰强，为了获得更好的检测效果，需要对热图像序列进行特征提取。
在处理热图像序列时，有基于单帧图像处理的方法，也有基于图像序列处理的方法。基于单帧图像处理的方法只考虑了试件在某一个时刻的温度分布信息，并不能体现试件在不同时刻的温度情况，得到的处理结果是不完整的，片面的。因此基于图像序列处理的方法得到了广泛的关注与研究。
红外热成像检测最常采用的是涡流热成像。根据电磁感应定律，当通入高频的交变电流的感应线圈靠近导体试件(简称试件)时，在试件的表面会感生出涡流。如果试件中有缺陷，涡流将被迫绕过缺陷，改变其流向，这将使得被测件内部涡流密度发生变化。由焦耳定律可知，涡流在试件中转换成焦耳热，导致试件中产生的热量不均匀，从而产生高温区和低温区，由于温度的差异性，高温区热量通过热传导向低温区传递，导致试件不同区域温度发生变化，通过红外热像仪采集试件温度的变化过程，然后将采集的热图像序列交给计算机进行分析处理，来获取试件相关信息，实现缺陷的定性与定量检测。
在2018年10月30日公布的、公布号为CN108712069A、名称为“一种基于行变步长分割的高压容器热成像缺陷检测方法”的中国发明专利申请中，利用了步长搜索方法进行缺陷特征的提取，在此之后采用模糊C均值算法将瞬态热响应曲线分类。在该发明专利申请中，模糊C均值算法通过聚类中心和隶属度函数将瞬态热响应曲线分类，由其目标函数可知，其分类原理是将样本与聚类中心之间的距离最小化，然而这种方法对于每条瞬态热响应曲线所蕴含的物理意义没有更进一步的挖掘。由于没有深层次挖掘瞬态热响应曲线所包含的物理信息，因此使得聚类的合理性降低，从而影响了缺陷提取的精度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于特征挖掘和神经网络的热图像缺陷提取方法，通过深层次挖掘瞬态热响应曲线所包含的物理信息，以提高聚类的合理性，从而提高缺陷提取的精准度。
为实现上述发明目的，本发明基于特征挖掘和神经网络的热图像缺陷提取方法，其特征在于，包括以下步骤：
(1)、将红外热像仪获取的热图像序列用三维矩阵S表示，其中的元素S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值；
(2)、从三维矩阵S选出最大像素值S(izz,jzz,tzz)，其中，izz、jzz和tzz分别表示最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数；
(3)、对于三维矩阵S的tzz帧，选取第jzz行，根据像素值(即温度值)的变化，选取P个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按行对三维矩阵S进行划分，得到P+1个行数据块；
在第p个行数据块Sp中(p＝1,2,...,P+1)，找到最大像素值，记为其中，分别表示第p个行数据块Sp中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第p个行数据块Sp的温度阈值为THREp，计算瞬态热响应与距离最大像素值即温度最大值像素点所在列由近及远像素点像素值对应的瞬态热响应之间的相关度Reb，b依次取1,2,...，并判断相关度Reb是否小于温度阈值THREp，当小于时，停止计算，此时，像素点间距b为第p个行数据块行数据块Sp的行步长，记为CLp；
(4)、对于三维矩阵S的tzz帧，选取第izz行，根据像素值(即温度值)的变化，选取Q个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按列对三维矩阵S进行划分，得到Q+1个列数据块；
在第q个列数据块Sq中(q＝1,2,...,Q+1)，找到最大像素值，记为其中，分别表示第q个列数据块Sq中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第q个列数据块Sq的温度阈值为THREq，计算瞬态热响应与距离最大像素值即温度最大值像素点所在行由近及远像素点像素值对应的瞬态热响应之间的相关度Red，d依次取1,2,...，并判断相关度Red是否小于温度阈值THREq，当小于时，停止计算，此时，像素点间距d为第d个列数据块Sq的列步长，记为CLq；
(5)、分块分步长选取瞬态热响应
(5.1)、依据步骤(3)选取的P个像素值跳变点按列以及步骤(4)选取的K个像素值跳变点按行对三维矩阵S进行分块，得到(P+1)×(Q+1)个数据块，行上第p、列上第q个数据块表示为Sp,q；
(5.2)、对于每个数据块Sp,q，设置阈值DD，初始化集合编号g＝1，初始化像素点位置i＝1，j＝1，并将最大像素值S(izz,jzz,tzz)对应的瞬态热响应S(izz,jzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块Sp,q中像素点位于i行，j列的瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Rei,j，并判断：
如果Rei,j<DD，则g＝g+1，并将瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T作为一个新特征存储在集合X(g)中；否则，令i＝i+CLp，继续计算下一个瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞Mp,q，则令i＝i-Mp,q，j＝j+CLq，即变化到第j+CLq列进行计算，如果j＞Np,q,则瞬态热响应选取完毕，其中，Mp,q、Np,q分别为数据块Sp,q的行数、列数；
(6)、步骤(5)选取的所有(P+1)×(Q+1)个数据块的所有集合X(g)即瞬态热响应为G条，对这G条瞬态热响应进行特征提取，并分为L类
(6.1)、特征提取
计算每条瞬态热响应的能量：
其中，g为瞬态热响应序号，g＝1,2,...,G，xg,t为瞬态热响应g在t帧的像素值(温度值)；
计算每条瞬态热响应在吸热过程中的温度变化率：
其中，tmid表示加热终止帧序号，t0表示加热起始帧序号(通常为1，即第1帧)；
计算每条瞬态热响应在放热过程中的温度变化率：
其中，tend表示放热结束帧序号；
计算每条瞬态热响应的平均温度值：
计算每条瞬态热响应的最大温度值：
完成特征提取后，每条瞬态热响应可以表示为：
(6.2)、设定聚类数目L，其中既包含了有缺陷部分的类别，又包含了无缺陷部分的类别；
初始化获胜神经元邻域σ(0)、学习因子η(0)，输入层神经元个数等于特征个数5，映射层神经元个数为L个，初始化每个映射层神经元权值为 初始化迭代次数k＝0时，然后进行迭代
(6.3)、在第k次迭代时，随机从G条瞬态热响应中选取一条瞬态热响应Xg作为并表示为：
计算与每个映射层神经元的权值之间的欧式距离，从而挑选获胜神经元：
其中，l＝1,2,...,L；
将距离该瞬态热响应Xg最近的映射层神经元作为获胜神经元l*，即：
(6.4)、根据获胜神经元的权值以及其邻域内神经元的权值，对每个映射层神经元的权值进行更新：
其中，学习因子η(k)为一个单调递减函数，且其值大于0小于1，表征权值改变的快慢，hcl*(k)为：
其中，||rc-rl*||2表示获胜神经元邻域内神经元c到获胜神经元l*的距离，σ(k)表示获胜神经元邻域的大小；
当η(k)＜ηmin或k＜kmax或时，迭代结束；否则k＝k+1且返回(6.3)，其中，ηmin表示学习因子的最小值，kmax表示最大迭代次数，ε表示允许的最大误差；
迭代结束时，得到最终的映射层神经元权值去掉迭代次数标记，并重新记为：W1,W2,...,WL，然后将其用于该试件瞬态热响应的分类；
(6.5)、将G条瞬态热响应的每一条瞬态热响应Xg，g＝1,2,...,G，输入神经网络，计算每一条瞬态热响应分别到L个最终的映射层神经元权值W1,W2,...,WL的距离，距离最近的映射层神经元权值所对应的类别为该瞬态热响应Xg所对应类别，即：
其中，表示瞬态热响应Xg的最终类别，Wl为第l个最终的映射层神经元权值；
(7)、对于L类瞬态热响应寻找每一类的代表，并构成构成一个T×L的矩阵Y
(7.1)、首先求取每一类瞬态热响应的中心，用每一类的均值表示该类的中心即：
其中，每一帧的均值可以通过下式计算：
其中，为cl类瞬态热响应的数量，分别表示cl类第1条、第条瞬态热响应在t帧的像素值(温度值)；
(7.2)、用表示第cl类的代表，并通过下式计算每一类的代表：
其中，表示除了类别cl以外的其他类别集合；
即在类别cl的条瞬态热响应中找到一条瞬态热响应满足与其他类别cu的瞬态热响应中心的距离和最大；
(7.3)、将L类的瞬态响应代表按列放置(一列为T个时刻的像素值即温度值)，构成一个T×L的矩阵Y；
(8)、将三维矩阵S中的每一帧从第一列开始，将后一列接在前一列的末尾，构成新的一列，得到T帧对应的T列像素值，然后，依据时间先后，将T列像素值依次放置，构成I×J行、T列二维图像矩阵O，用矩阵Y对二维矩阵O进行线性变换，即：得到二维图像矩阵R，其中，为L×T矩阵，是矩阵Y的伪逆矩阵，OT二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为L行、I×J列；
二维图像矩阵R的每一行，按J列依次进行截取，截取的J列按行依次放置，构成一张I×J二维图像，这样L行，得到L张I×J二维图像，这些图片都包含了缺陷区域，为方便缺陷轮廓提取，选择缺陷区域和非缺陷区域像素值(温度值)差距最大的一张二维图像，并记为f(x,y)；
(9)、采用模糊C均值算法对二维图像f(x,y)进行图像分割，实现特征提取：
首先采用模糊C均值算法对的二维图像f(x,y)进行聚类，根据隶属度最大，得到每个像素点所属类别，然后该类别聚类中心的值作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取。
本发明的发明目的是这样实现的：
本发明基于特征挖掘和神经网络的热图像缺陷提取方法，通过选取热图像序列中的步长将图像分块，并根据分块去除冗余信息，提取代表性瞬态热响应。本发明通过对于之前结果的分析，发现不同类别的瞬态热响应，在一些物理量上存在较大的差异性。例如总热量、吸热阶段的温度变化率、放热阶段的温度变化率、温度均值、温度峰值，本发明利用特征提取公式对瞬态热响应的这些特征进行提取，并根据所提取出的特征，构建神经网络，并将瞬态热响应分类，然后，对三维矩阵进行变换，得到含有缺陷区域的二维图像，最后采用模糊C均值算法对含有缺陷区域的二维图像进行聚类和二值化，得到最终的缺陷图像，从而提取出热图像的缺陷特征。本发明通过深层次挖掘瞬态热响应曲线所包含的物理信息，提高了聚类的合理性，从而提高了缺陷提取的精准度。
同时，本发明基于特征挖掘和神经网络的热图像缺陷提取方法还具有以下有益效果：
(1)、本发明充分发掘瞬态热响应的物理特性，并根据不同类别瞬态热响应不同物理特性之间的差异性将瞬态热响应分类，在对于瞬态热响应的分类方面比传统方法更加合理；
(2)、本发明在提取瞬态热响应物理特性之后，利用自组织特征映射建立缺陷检测模型。最终结果与ICA算法结果相比，本发明无论在趋势上，还是物理意义上对于原瞬态热响应的还原度更高；
(3)、本发明采用行列变步长搜索实现了高效提取试件中的缺陷信息，并准确的刻画缺陷轮廓，弥补了传统方法对于缺陷提取上的一些不足。
附图说明
图1是本发明基于特征挖掘和神经网络的热图像缺陷提取方法一种具体实施方式的流程图；
图2是含有缺陷的试件；
图3是根据已知的缺陷位置，直接从无缺陷位置以及缺陷1、2位置提取的瞬态热响应曲线图；
图4是本发明提取无缺陷位置以及缺陷1、2位置的三类瞬态响应代表的曲线图；
图5是本发明缺陷特征提取得到得到三张二维图像；
图6是采用ICA从无缺陷位置以及缺陷1、2位置提取的瞬态热响应曲线图；
图7是缺陷1位置三种方式获取的归一化曲线图；
图8是缺陷2位置三种方式获取的归一化曲线图；
图9是无缺陷位置三种方式获取的归一化曲线图；
图10是本发明与ICA算法提取的缺陷图像对比图。
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。
图1是本发明基于特征挖掘加权贝叶斯分类器的缺陷提取方法一种具体实施方式的流程图。
在本实施例中，如图1所示，本发明基基于特征挖掘加权贝叶斯分类器的缺陷提取方法包括以下步骤：
步骤S1：热图像序列表示为三维矩阵
将红外热像仪获取的热图像序列用三维矩阵S表示，其中的元素S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值。
步骤S2：选出最大像素值
从三维矩阵S选出最大像素值S(izz,jzz,tzz)，其中，izz、jzz和tzz分别表示最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数。
步骤S3：划分出行数据块并计算其行步长
对于三维矩阵S的tzz帧，选取第jzz行，根据像素值(即温度值)的变化，选取P个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按行对三维矩阵S进行划分，得到P+1个行数据块；
在第p个行数据块Sp中(p＝1,2,...,P+1)，找到最大像素值，记为其中，分别表示第p个行数据块Sp中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第p个行数据块Sp的温度阈值为THREp，计算瞬态热响应与距离最大像素值即温度最大值像素点所在列由近及远像素点像素值对应的瞬态热响应之间的相关度Red，d依次取1,2,...，并判断相关度Red是否小于温度阈值THREp，当小于时，停止计算，此时，像素点间距d为第p个行数据块行数据块Sp的行步长，记为CLp。
步骤S4：划分出列数据块并计算其列步长
对于三维矩阵S的tzz帧，选取第izz行，根据像素值(即温度值)的变化，选取K个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按列对三维矩阵S进行划分，得到K+1个列数据块；
在第k个列数据块Sk中(k＝1,2,...,K+1)，找到最大像素值，记为其中，分别表示第k个列数据块Sk中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第k个列数据块Sk的温度阈值为THREk，计算瞬态热响应与距离最大像素值即温度最大值像素点所在行由近及远像素点像素值对应的瞬态热响应之间的相关度Rec，c依次取1,2,...，并判断相关度Rec是否小于温度阈值THREk，当小于时，停止计算，此时，像素点间距c为第k个列数据块Sk的列步长，记为CLk。
步骤S5：分块分步长选取瞬态热响应
步骤S5.1：依据步骤S3选取的P个像素值跳变点按列以及步骤步骤S4选取的K个像素值跳变点按行对三维矩阵S进行分块，得到(P+1)×(K+1)个数据块，行上第p、列上第k个数据块表示为Sp,k；
步骤S5.2：对于每个数据块Sp,k，设置阈值DD，初始化集合编号g＝1，初始化像素点位置i＝1，j＝1，并将最大像素值S(izz,jzz,tzz)对应的瞬态热响应S(izz,jzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块Sk,p中像素点位于i行，j列的瞬态热响应Sp,k(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Rei,j，并判断：
如果Rei,j<DD，则g＝g+1，并将瞬态热响应Sp,k(i,j,t)，t＝1,2,...,T作为一个新特征存储在集合X(g)中；否则，令i＝i+CLp，继续计算下一个瞬态热响应Sp,k(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞Mp,k，则令i＝i-Mp,k，j＝j+CLk，即变化到第j+CLk列进行计算，如果j＞Np,k,则瞬态热响应选取完毕，其中，Mp,k、Np,k分别为数据块Sp,k的行数、列数。
步骤S6：特征提取并神经网络对瞬态热响应进行分类
步骤S5选取的所有(P+1)×(Q+1)个数据块的所有集合X(g)即瞬态热响应为G条，对这G条瞬态热响应进行特征提取，并分为L类，具体包括以下步骤：
步骤S6.1：计算每条瞬态热响应的能量：
其中，g为瞬态热响应序号，g＝1,2,...,G，xg,t为瞬态热响应g在t帧的像素值(温度值)；
计算每条瞬态热响应在吸热过程中的温度变化率：
其中，tmid表示加热终止帧序号，t0表示加热起始帧序号(通常为1，即第1帧)；
计算每条瞬态热响应在放热过程中的温度变化率：
其中，tend表示放热结束帧序号；
计算每条瞬态热响应的平均温度值：
计算每条瞬态热响应的最大温度值：
完成特征提取后，每条瞬态热响应可以表示为：
步骤S6.2：设定聚类数目L，其中既包含了有缺陷部分的类别，又包含了无缺陷部分的类别；
初始化获胜神经元邻域σ(0)、学习因子η(0)，输入层神经元个数等于特征个数5，映射层神经元个数为L个，初始化每个映射层神经元权值为 初始化迭代次数k＝0时，然后进行迭代
步骤S6.3：在第k次迭代时，随机从G条瞬态热响应中选取一条瞬态热响应Xg作为并表示为：
计算与每个映射层神经元的权值Wl k之间的欧式距离，从而挑选获胜神经元：
其中，l＝1,2,...,L；
将距离该瞬态热响应Xg最近的映射层神经元作为获胜神经元l*，即：
步骤S6.4：根据获胜神经元的权值以及其邻域内神经元的权值，对每个映射层神经元的权值进行更新：
其中，学习因子η(k)为一个单调递减函数，且其值大于0小于1，表征权值改变的快慢，hcl*(k)为：
其中，||rc-rl*||2表示获胜神经元邻域内神经元c到获胜神经元l*的距离，σ(k)表示获胜神经元邻域的大小；
当η(k)＜ηmin或k＜kmax或时，迭代结束；否则k＝k+1且返回(6.3)，其中，ηmin表示学习因子的最小值，kmax表示最大迭代次数，ε表示允许的最大误差；
迭代结束时，得到最终的映射层神经元权值去掉迭代次数标记，并重新记为：W1,W2,...,WL，然后将其用于该试件瞬态热响应的分类；
步骤S6.5：将G条瞬态热响应的每一条瞬态热响应Xg，g＝1,2,...,G，输入神经网络，计算每一条瞬态热响应分别到L个最终的映射层神经元权值W1,W2,...,WL的距离，距离最近的映射层神经元权值所对应的类别为该瞬态热响应Xg所对应类别，即：
其中，表示瞬态热响应Xg的最终类别，Wl为第l个最终的映射层神经元权值。
步骤S7：对于L类瞬态热响应寻找每一类的代表，并构成构成一个T×L的矩阵Y
步骤S7.1：首先求取每一类瞬态热响应的中心，用每一类的均值表示该类的中心即：
其中，每一帧的均值可以通过下式计算：
其中，为cl类瞬态热响应的数量，分别表示cl类第1条、第条瞬态热响应在t帧的像素值(温度值)；
步骤S7.2：用表示第cl类的代表，并通过下式计算每一类的代表：
其中，表示除了类别cl以外的其他类别集合；
即在类别cl的条瞬态热响应中找到一条瞬态热响应满足与其他类别cu的瞬态热响应中心的距离和最大；
步骤S7.3：将L类的瞬态响应代表按列放置(一列为T个时刻的像素值即温度值)，构成一个T×L的矩阵Y。
步骤S8：将三维矩阵S变为二维矩阵，并用矩阵Y对其进行线性变换得到得到二维图像矩阵R以及像素值(温度值)差距最大的一张二维图像f(x,y)：
将三维矩阵S中的每一帧从第一列开始，将后一列接在前一列的末尾，构成新的一列，得到T帧对应的T列像素值，然后，依据时间先后，将T列像素值依次放置，构成I×J行、T列二维图像矩阵O，用矩阵Y对二维矩阵O进行线性变换，即：得到二维图像矩阵R，其中，为L×T矩阵，是矩阵Y的伪逆矩阵，OT二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为L行、I×J列；
二维图像矩阵R的每一行，按J列依次进行截取，截取的J列按行依次放置，构成一张I×J二维图像，这样L行，得到L张I×J二维图像，这些图片都包含了缺陷区域，为方便缺陷轮廓提取，选择缺陷区域和非缺陷区域像素值(温度值)差距最大的一张二维图像，并记为f(x,y)。
步骤S9：采用模糊C均值算法对二维图像f(x,y)进行图像分割，实现特征提取：首先采用模糊C均值算法对的二维图像f(x,y)进行聚类，得到每个像素点所属类别，然后该类别聚类中心的值作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取，具体而言，包括以下步骤：
步骤S9.1：初始化迭代次数h＝0时，初始化类别数目M，初始化M个聚类中心设置终止条件为ε，然后进行迭代计算
步骤S9.2：计算第h次迭代第i'类的隶属度矩阵第k'个像素点隶属于第i'类的程度即隶属度为：
其中，i'＝1,2,…,M，表示第k'个像素点与h次迭代的第i'聚类中心的欧氏距离，表示第k'个像素点与h次迭代的第j'聚类中心的欧氏距离，xk'表示第k'个像素点的幅值，τ为常数，通常取2；
步骤S9.3：计算目标函数：
如果h≥1且停止迭代，否则，更新聚类中心即计算第h+1次迭代的聚类中心
其中，K'＝I×J，表示二维图像f(x,y)的像素点总个数；
更新迭代次数h＝h+1，返回步骤S9.2；
步骤S9.4：对于每个像素点，根据隶属度矩阵得到每个像素点k'，k＝1,2,...,K'，的最大隶属度，其所在隶属度矩阵对应的类别记为该像素点k'的类别即：然后，将该类别聚类中心的值Vi'作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取。
实验仿真
下面分别利用本发明和ICA对图3所示的试件进行特征提取。在本实施例中，在试件上有两种缺陷：闭孔缺陷即缺陷1以及开孔缺陷即缺陷2。
根据已知的缺陷位置，直接从无缺陷位置以及缺陷1、2位置提取的瞬态热响应如图3(a)、图3(b)和图3(c)所示。本发明步骤S6、S7提取的无缺陷位置以及缺陷1、2位置的三类瞬态响应代表如图4(a)、图4(b)和图4(c)所示，然后依据步骤S8(缺陷特征提取)得到三张二维图像，如图5(a)、图5(b)和图5(c)，其中，缺陷区域和非缺陷区域像素值(温度值)差距最大的是图6(c)，选其作为f(x,y)。
在同样的基础上，采用ICA算法从无缺陷位置以及缺陷1、2位置提取的试件的混叠向量，如图6(a)、图6(b)和图6(c)所示。
通过对比图3(b)、图4(b)和图6(b)以及3(c)、图4(c)和图6(c)本发明与ICA算法都能够在趋势上与实际情况相似。然而，从本发明提出的物理意义上分别分析三条曲线发现，本发明具有实际的物理意义，与实际情况更加相似。同样的结果通过对比图3(a)、图4(a)和图6(a)也可以得到。
通过本发明提取的缺陷1位置的瞬态热响应代表、ICA算法提取的缺陷1位置的混叠向量以及实际情况即缺陷位置1直接选取(实际)的瞬态热响应的比较，如图7所示，本发明以及ICA算法的峰值与曲线走势与实际情况基本相同，故本发文明所述方法同ICA一样可以提取相应的特征信息。
通过本发明提取的缺陷2位置的瞬态热响应代表、ICA算法提取的缺陷1位置的混叠向量以及实际情况即缺陷位置2直接选取(实际)的瞬态热响应的比较，如图8所示，本发明所述方法以与实际情况基本相同，然而ICA算法的结果却与实际结果存在差异性，因此本专利能够准确的提取相应的特征信息。
通过本发明提取的缺陷周围区域的瞬态响应、ICA算法提取缺陷周围区域的混叠向量以及实际情况即缺陷周围区直接选取(实际)的瞬态热响应的比较，如图9所示，本发明以及ICA算法的峰值与曲线走势与实际情况基本相同，故本发明同ICA算法一样可以提取相应的特征信息。
最后，本发明中，试件经过模糊C均值算法以及二值化处理之后，得到图10(a)所示的缺陷，而ICA算法中，得到图10(b)所示的缺陷，通过比较，本发明可以滤去更多的噪声，精确的提取缺陷轮廓，可视效果明显。
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)

1.一种基于特征挖掘和神经网络的热图像缺陷提取方法，其特征在于，包括以下步骤：
(1)、将红外热像仪获取的热图像序列用三维矩阵S表示，其中的元素S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值；
(2)、从三维矩阵S选出最大像素值S(izz,jzz,tzz)，其中，izz、jzz和tzz分别表示最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数；
(3)、对于三维矩阵S的tzz帧，选取第jzz行，根据像素值(即温度值)的变化，选取P个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按行对三维矩阵S进行划分，得到P+1个行数据块；
在第p个行数据块Sp中(p＝1,2,...,P+1)，找到最大像素值，记为其中，分别表示第p个行数据块Sp中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第p个行数据块Sp的温度阈值为THREp，计算瞬态热响应与距离最大像素值即温度最大值像素点所在列由近及远像素点像素值对应的瞬态热响应之间的相关度Reb，b依次取1,2,...，并判断相关度Reb是否小于温度阈值THREp，当小于时，停止计算，此时，像素点间距b为第p个行数据块行数据块Sp的行步长，记为CLp；
(4)、对于三维矩阵S的tzz帧，选取第izz行，根据像素值(即温度值)的变化，选取Q个像素值跳变点，跳变点位于两个跳变像素值像素点之间，以跳变点按列对三维矩阵S进行划分，得到Q+1个列数据块；
在第q个列数据块Sq中(q＝1,2,...,Q+1)，找到最大像素值，记为其中，分别表示第q个列数据块Sq中最大像素值像素点所在行的行数、所在列的列数以及所在帧的帧数，则最大像素值对应的瞬态热响应为T为三维矩阵S帧的总数量；
设置第q个列数据块Sq的温度阈值为THREq，计算瞬态热响应与距离最大像素值即温度最大值像素点所在行由近及远像素点像素值对应的瞬态热响应之间的相关度Red，d依次取1,2,...，并判断相关度Red是否小于温度阈值THREq，当小于时，停止计算，此时，像素点间距d为第d个列数据块Sq的列步长，记为CLq；
(5)、分块分步长选取瞬态热响应
(5.1)、依据步骤(3)选取的P个像素值跳变点按列以及步骤(4)选取的K个像素值跳变点按行对三维矩阵S进行分块，得到(P+1)×(Q+1)个数据块，行上第p、列上第q个数据块表示为Sp,q；
(5.2)、对于每个数据块Sp,q，设置阈值DD，初始化集合编号g＝1，初始化像素点位置i＝1，j＝1，并将最大像素值S(izz,jzz,tzz)对应的瞬态热响应S(izz,jzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块Sp,q中像素点位于i行，j列的瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Rei,j，并判断：
如果Rei,j＜DD，则g＝g+1，并将瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T作为一个新特征存储在集合X(g)中；否则，令i＝i+CLp，继续计算下一个瞬态热响应Sp,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞Mp,q，则令i＝i-Mp,q，j＝j+CLq，即变化到第j+CLq列进行计算，如果j＞Np,q,则瞬态热响应选取完毕，其中，Mp,q、Np,q分别为数据块Sp,q的行数、列数；
(6)、步骤(5)选取的所有(P+1)×(Q+1)个数据块的所有集合X(g)即瞬态热响应为G条，对这G条瞬态热响应进行特征提取，并分为L类
(6.1)、特征提取
计算每条瞬态热响应的能量：
其中，g为瞬态热响应序号，g＝1,2,...,G，xg,t为瞬态热响应g在t帧的像素值(温度值)；
计算每条瞬态热响应在吸热过程中的温度变化率：
其中，tmid表示加热终止帧序号，t0表示加热起始帧序号(通常为1，即第1帧)；
计算每条瞬态热响应在放热过程中的温度变化率：
其中，tend表示放热结束帧序号；
计算每条瞬态热响应的平均温度值：
计算每条瞬态热响应的最大温度值：
完成特征提取后，每条瞬态热响应可以表示为：
(6.2)、设定聚类数目L，其中既包含了有缺陷部分的类别，又包含了无缺陷部分的类别；
初始化获胜神经元邻域σ(0)、学习因子η(0)，输入层神经元个数等于特征个数5，映射层神经元个数为L个，初始化每个映射层神经元权值为初始化迭代次数k＝0时，然后进行迭代
(6.3)、在第k次迭代时，随机从G条瞬态热响应中选取一条瞬态热响应Xg作为并表示为：
计算与每个映射层神经元的权值Wl k之间的欧式距离，从而挑选获胜神经元：
其中，l＝1,2,...,L；
将距离该瞬态热响应Xg最近的映射层神经元作为获胜神经元l*，即：
(6.4)、根据获胜神经元的权值以及其邻域内神经元的权值，对每个映射层神经元的权值进行更新：
其中，学习因子η(k)为一个单调递减函数，且其值大于0小于1，表征权值改变的快慢，hcl*(k)为：
其中，||rc-rl*||2表示获胜神经元邻域内神经元c到获胜神经元l*的距离，σ(k)表示获胜神经元邻域的大小；
当η(k)＜ηmin或k＜kmax或时，迭代结束；否则k＝k+1且返回(6.3)，其中，ηmin表示学习因子的最小值，kmax表示最大迭代次数，ε表示允许的最大误差；
迭代结束时，得到最终的映射层神经元权值去掉迭代次数标记，并重新记为：W1,W2,...,WL，然后将其用于该试件瞬态热响应的分类；
(6.5)、将G条瞬态热响应的每一条瞬态热响应Xg，g＝1,2,...,G，输入神经网络，计算每一条瞬态热响应分别到L个最终的映射层神经元权值W1,W2,...,WL的距离，距离最近的映射层神经元权值所对应的类别为该瞬态热响应Xg所对应类别，即：
其中，表示瞬态热响应Xg的最终类别，Wl为第l个最终的映射层神经元权值；
(7)、对于L类瞬态热响应寻找每一类的代表，并构成构成一个T×L的矩阵Y
(7.1)、首先求取每一类瞬态热响应的中心，用每一类的均值表示该类的中心即：
其中，每一帧的均值可以通过下式计算：
其中，为cl类瞬态热响应的数量，分别表示cl类第1条、第条瞬态热响应在t帧的像素值(温度值)；
(7.2)、用表示第cl类的代表，并通过下式计算每一类的代表：
其中，表示除了类别cl以外的其他类别集合；
即在类别cl的条瞬态热响应中找到一条瞬态热响应满足与其他类别cu的瞬态热响应中心的距离和最大；
(7.3)、将L类的瞬态响应代表按列放置(一列为T个时刻的像素值即温度值)，构成一个T×L的矩阵Y；
(8)、将三维矩阵S中的每一帧从第一列开始，将后一列接在前一列的末尾，构成新的一列，得到T帧对应的T列像素值，然后，依据时间先后，将T列像素值依次放置，构成I×J行、T列二维图像矩阵O，用矩阵Y对二维矩阵O进行线性变换，即：得到二维图像矩阵R，其中，为L×T矩阵，是矩阵Y的伪逆矩阵，OT二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为L行、I×J列；
二维图像矩阵R的每一行，按J列依次进行截取，截取的J列按行依次放置，构成一张I×J二维图像，这样L行，得到L张I×J二维图像，这些图片都包含了缺陷区域，为方便缺陷轮廓提取，选择缺陷区域和非缺陷区域像素值(温度值)差距最大的一张二维图像，并记为f(x,y)；
(9)、采用模糊C均值算法对二维图像f(x,y)进行图像分割，实现特征提取：
首先采用模糊C均值算法对的二维图像f(x,y)进行聚类，根据隶属度最大，得到每个像素点所属类别，然后该类别聚类中心的值作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取。
2.根据权利要求1所述的基于特征挖掘和神经网络的热图像缺陷提取方法，其特征在于，步骤(9)具体为：
(9.1)、初始化迭代次数h＝0时，初始化类别数目M，初始化M个聚类中心设置终止条件为ε，然后进行迭代计算
(9.2)、计算第h次迭代第i'类的隶属度矩阵第k'个像素点隶属于第i'类的程度即隶属度为：
其中，i'＝1,2,…,M， 表示第k'个像素点与h次迭代的第i'聚类中心的欧氏距离， 表示第k'个像素点与h次迭代的第j'聚类中心的欧氏距离，xk'表示第k'个像素点的幅值，τ为常数，通常取2；
(9.3)、计算目标函数：
如果h≥1且停止迭代，否则，更新聚类中心即计算第h+1次迭代的聚类中心
其中，K'＝I×J，表示二维图像f(x,y)的像素点总个数；
更新迭代次数h＝h+1，返回步骤(9.2)；
(9.4)、对于每个像素点，根据隶属度矩阵得到每个像素点k'，k＝1,2,...,K'，的最大隶属度，其所在隶属度矩阵对应的类别记为该像素点k'的类别即：然后，将该类别聚类中心的值Vi'作为该像素点的幅值，得到分割后的图像，最后，将分割后图像转换成二值图像，即设定阈值为TH，当分割后的图像中像素点幅值大于TH时，将该像素点幅值设为1，否则幅值设为0；二值图像为缺陷图像，从而完成缺陷的提取。
CN201811451815.6A 2018-11-30 2018-11-30 一种基于特征挖掘和神经网络的热图像缺陷提取方法 Active CN109598711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811451815.6A CN109598711B (zh) 2018-11-30 2018-11-30 一种基于特征挖掘和神经网络的热图像缺陷提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811451815.6A CN109598711B (zh) 2018-11-30 2018-11-30 一种基于特征挖掘和神经网络的热图像缺陷提取方法

Publications (2)

Publication Number Publication Date
CN109598711A true CN109598711A (zh) 2019-04-09
CN109598711B CN109598711B (zh) 2021-03-30

Family

ID=65960062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811451815.6A Active CN109598711B (zh) 2018-11-30 2018-11-30 一种基于特征挖掘和神经网络的热图像缺陷提取方法

Country Status (1)

Country Link
CN (1) CN109598711B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211103A (zh) * 2019-05-23 2019-09-06 电子科技大学 基于红外热成像的信息熵加性模糊缺陷特征分析重构方法
CN110222603A (zh) * 2019-05-23 2019-09-10 电子科技大学 基于红外热成像的指数熵乘性模糊缺陷特征分析重构方法
CN111089865A (zh) * 2019-12-19 2020-05-01 国网甘肃省电力公司电力科学研究院 一种基于f-rcnn的缺陷电缆检测方法
CN113538232A (zh) * 2021-06-21 2021-10-22 电子科技大学 大尺寸航空航天复合材料构件全局缺陷定量识别方法
CN114898289A (zh) * 2022-05-11 2022-08-12 北京花兰德科技咨询服务有限公司 基于神经网络的园区可燃物识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9638648B2 (en) * 2012-03-29 2017-05-02 General Electric Company Flaw detection using transient thermography
CN107908875A (zh) * 2017-11-16 2018-04-13 华北电力大学 一种功率半导体器件热特性参数的确定方法及系统
CN108665442A (zh) * 2018-04-03 2018-10-16 中国空气动力研究与发展中心超高速空气动力研究所 红外无损检测的热图像缺陷特征增强处理方法
CN108717069A (zh) * 2018-05-29 2018-10-30 电子科技大学 一种基于行变步长分割的高压容器热成像缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9638648B2 (en) * 2012-03-29 2017-05-02 General Electric Company Flaw detection using transient thermography
CN107908875A (zh) * 2017-11-16 2018-04-13 华北电力大学 一种功率半导体器件热特性参数的确定方法及系统
CN108665442A (zh) * 2018-04-03 2018-10-16 中国空气动力研究与发展中心超高速空气动力研究所 红外无损检测的热图像缺陷特征增强处理方法
CN108717069A (zh) * 2018-05-29 2018-10-30 电子科技大学 一种基于行变步长分割的高压容器热成像缺陷检测方法
CN108717069B (zh) * 2018-05-29 2020-08-11 电子科技大学 一种基于行变步长分割的高压容器热成像缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEIPEI ZHU ET.AL.: ""An improved feature extraction algorithm for automatic defect identification based on eddy current pulsed thermography"", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
RUHI MAHAJAN ET.AL.: ""Unsupervised Eye Blink Artifact Denoising of EEG Data with Modified Multiscale Sample Entropy，Kurtosis，and Wavelet-ICA"", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
胡振文等: ""基于热响应法的航天器推进剂质量测量热模型"", 《工程热物理学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211103A (zh) * 2019-05-23 2019-09-06 电子科技大学 基于红外热成像的信息熵加性模糊缺陷特征分析重构方法
CN110222603A (zh) * 2019-05-23 2019-09-10 电子科技大学 基于红外热成像的指数熵乘性模糊缺陷特征分析重构方法
CN110211103B (zh) * 2019-05-23 2022-03-25 电子科技大学 基于红外热成像的信息熵加性模糊缺陷特征分析重构方法
CN110222603B (zh) * 2019-05-23 2022-03-25 电子科技大学 基于红外热成像的指数熵乘性模糊缺陷特征分析重构方法
CN111089865A (zh) * 2019-12-19 2020-05-01 国网甘肃省电力公司电力科学研究院 一种基于f-rcnn的缺陷电缆检测方法
CN111089865B (zh) * 2019-12-19 2024-02-27 国网甘肃省电力公司电力科学研究院 一种基于f-rcnn的缺陷电缆检测方法
CN113538232A (zh) * 2021-06-21 2021-10-22 电子科技大学 大尺寸航空航天复合材料构件全局缺陷定量识别方法
CN114898289A (zh) * 2022-05-11 2022-08-12 北京花兰德科技咨询服务有限公司 基于神经网络的园区可燃物识别方法及系统

Also Published As

Publication number Publication date
CN109598711B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN109598711A (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN109767438A (zh) 一种基于动态多目标优化的红外热图像缺陷特征识别方法
CN106886023B (zh) 一种基于动态卷积神经网络的雷达回波外推方法
CN109767437A (zh) 基于k均值动态多目标的红外热图像缺陷特征提取方法
CN105528638B (zh) 灰色关联分析法确定卷积神经网络隐层特征图个数的方法
CN108564565A (zh) 一种基于深度学习的电力设备红外图像多目标定位方法
CN109559309A (zh) 基于均匀进化的多目标优化红外热图像缺陷特征提取方法
CN108021947B (zh) 一种基于视觉的分层极限学习机目标识别方法
CN106295694B (zh) 一种迭代重约束组稀疏表示分类的人脸识别方法
CN109544546B (zh) 一种基于多目标优化的红外热图像缺陷特征提取方法
CN109993072A (zh) 基于超分辨图像生成的低分辨率行人重识别系统和方法
CN107316054A (zh) 基于卷积神经网络和支持向量机的非标准字符识别方法
CN110781928B (zh) 一种提取图像多分辨率特征的图像相似度学习方法
CN110533077A (zh) 用于高光谱图像分类的形状自适应卷积深度神经网络方法
CN108734138A (zh) 一种基于集成学习的黑色素瘤皮肤病图像分类方法
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
Wenchao et al. Research on strawberry disease diagnosis based on improved residual network recognition model
CN108268890A (zh) 一种高光谱图像分类方法
CN114241422A (zh) 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法
CN110211127A (zh) 基于双相关性网络的图像分割方法
Xiao et al. Citrus greening disease recognition algorithm based on classification network using TRL-GAN
Wang et al. Study on the method of transmission line foreign body detection based on deep learning
CN113553972A (zh) 一种基于深度学习的苹果病害诊断方法
CN109872319A (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN113344046A (zh) 一种提高sar图像船只分类精度的方法

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