CN109816638A - 基于动态环境特征和加权贝叶斯分类器的缺陷提取方法 - Google Patents

Abstract

本发明公开了一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，通过选取热图像序列中的步长将图像分块并去除冗余信息，提取代表性瞬态热响应。之后，再利用特征提取公式进行特征提取，在贝叶斯分类器中引入环境变量，用来描述在同一区域中不同环境下的瞬态热响应，进一步细化在同一区域下的瞬态热响应，使得在多个环境情况下，即使有部分瞬态热响应发生混叠，也能够通过剩下有差异的瞬态热响应进行分类将瞬态热响应分类，然后，对三维矩阵进行变换，最后采用模糊C均值算法进行图像分割，二值化分割后的图像，从而提取出热图像的缺陷特征。本发明考虑了检测环境，避免瞬态热响应的混叠，从而避免检测环境差异带来的瞬态热响应类别分类误差。

Description

基于动态环境特征和加权贝叶斯分类器的缺陷提取方法

技术领域

本发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法。

背景技术

红外热成像检测技术能够有效地对缺陷进行无损检测，并具有无需直接接触待检测试件、检测时间短等有点，因而，该技术已广泛应用于汽车工业、造船业、石油化工工业以及航空航天领域。

近年来，应用红外热成像的表面检测新技术得到飞速发展，其具有不损伤待检测试件本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，并实现大面积快速检测，节省大量人力物力。如果待检测试件表面存在缺陷，则会影响其热量分布。对待检测试件加热，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，导致被测件不同区域温度发生变化，通过红外热像仪采集待检测试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被检测试件的相关信息，实现缺陷的定性与定量检测。其检测结果为图像，具有直观易懂、单次检测面积大、效率高、检测时无需接触被检测试件表面的优点。

传统的贝叶斯分类器可以准确地判断瞬态热响应类别，然而，在实际检测中，由于检测环境存在差异，有可能导致部分缺陷区域和非缺陷区域的瞬态热响应发生混叠，从而部分属性发生混叠。此时，以属性来分类必定会引起分类误差。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，以避免检测环境差异带来的瞬态热响应类别分类误差。

为实现上述发明目的，本发明基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，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(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz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t_zz帧，选取第j_zz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S^p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S^p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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第p个行数据块S^p的温度阈值为THRE^p，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Re^b，b依次取1,2,...，并判断相关度Re^b是否小于温度阈值THRE^p，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S^p的行步长，记为CL^p；

(4)、对于三维矩阵S的t_zz帧，选取第i_zz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S^q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S^q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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第q个列数据块S^q的温度阈值为THRE^q，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Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^q，当小于时，停止计算，此时，像素点间距d为第d个列数据块S^q的列步长，记为CL^q；

(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Q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S^p,q；

(5.2)、对于每个数据块S^p,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(i_zz,j_zz,t_zz)对应的瞬态热响应S(i_zz,j_zz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块S^p,q中像素点位于i行，j列的瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Re_i,j，并判断：

如果Re_i,j<DD，则g＝g+1，并将瞬态热响应S^p,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+CL^p，继续计算下一个瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞M^p,q，则令i＝i-M^p,q，j＝j+CL^q，即变化到第j+CL^q列进行计算，如果j＞N^p,q,则瞬态热响应选取完毕，其中，M^p,q、N^p,q分别为数据块S^p,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K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，x_g,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，t_mid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，t_end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：g＝1,2,...,G；

(6.2)、将每个特征下的连续数值离散化，离散化后每个特征可由4个离散的数值标记：

能量由很大E₁、较大E₂、较小E₃、很小E₄表示，同样的，吸热过程中的温度变化率由很大V_up1、较大V_up2、较小V_up3、很小V_up4表示，放热过程中的温度变化率由很大V_down1、较大V_down2、较小V_down3、很小V_down4表示,平均温度值由很大T_ave1、较大T_ave2、较小V_ave3、很小V_ave4表示,最大温度值由很大T_max1、较大T_max2、较小T_max3、很小T_max4表示；

(6.3)、设置分类数目为K，类别表示为：C＝(c₁,c₂,...,c_K)，其中有一类表示无缺陷类别，剩下表示不同的缺陷类别，环境分为有M个，表示为v₁,v₂,...,v_M，通过计算最大后验概率得到最终的类别：

其中，h_nb(X_g)表示求瞬态热响应X_g的类别，即拥有最大后验概率p(c_k|X_g)的类别c_k为瞬态热响应X_g的类别，p(E^g|c_k,v_m)、 分别表示环境v_m下离散能量、吸热过程中的温度变化率、放热过程中的温度变化率平均温度值最大温度值的数值属于类别c_k的似然概率；

其中，p(c_k)为类别c_k的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中属于类别c_k的瞬态热响应条数；

其中，p(v_m)为环境v_m的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在环境v_m下的瞬态热响应条数；

(7)、对于K类瞬态热响应寻找每一类的代表，并构成构成一个T×K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t＝1,2,...T，可以通过下式计算：

其中，为c_k类瞬态热响应的数量，分别表示c_k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c_k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c_k以外的其他类别集合；

即在类别c_k的条瞬态热响应中找到一条瞬态热响应满足与其他类别c_u的瞬态热响应中心的距离和最大；

(7.3)、将K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×K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K×T矩阵，是矩阵Y的伪逆矩阵，O^T二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为K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K行，得到K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：

本发明基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，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。之后，再利用特征提取公式对瞬态热响应进行特征提取，并根据所提取出的特征，在贝叶斯分类器中引入环境变量，用来描述在同一区域中不同环境下的瞬态热响应，进一步细化在同一区域下的瞬态热响应，使得在多个环境情况下，即使有部分瞬态热响应发生混叠，也能够通过剩下有差异的瞬态热响应进行分类将瞬态热响应分类，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均值算法进行图像分割，二值化分割后的图像，从而提取出热图像的缺陷特征。本发明考虑了检测环境，避免瞬态热响应的混叠，从而避免检测环境差异带来的瞬态热响应类别分类误差。

同时，本发明基于动态环境特征和贝叶斯分类器的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曲线的物理特性，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之后，建立了附加环境变量的贝叶斯分类器，使得在动态环境中，贝叶斯分类器也能较为准确的想曲线分类。最终结果与传统的贝叶斯分类器结果相比，分类准确度更高；

(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；

图2是本发明中瞬态热响应特征提取以及权重分配示意图；

图3是含有缺陷的试件；

图4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5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6是本发明缺陷特征提取得到得到三张二维图像；

图7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8是缺陷1位置三种方式获取的归一化曲线图；

图9是缺陷2位置三种方式获取的归一化曲线图；

图10是无缺陷位置三种方式获取的归一化曲线图；

图11是本发明与ICA算法提取的缺陷图像对比图；

图12是本发明和传统贝叶斯分类器处理多环境检测时AOC曲线以及AUC值对比曲线图；

图13是本发明和传统贝叶斯分类器处理多环境检测时F1-measure值对比柱状图；

图14是本发明和传统贝叶斯分类器处理多环境检测时准确率对比柱状图。

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和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，本发明基于动态环境特征和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(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz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t_zz帧，选取第j_zz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S^p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S^p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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第p个行数据块S^p的温度阈值为THRE^p，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Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^p，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S^p的行步长，记为CL^p。

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t_zz帧，选取第i_zz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S^q中(q＝1,2,...,Q+1)，找到最大像素值，记为其中，分别表示第k个列数据块S^k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＝1,2,...,T，T为三维矩阵S帧的总数量；

其中，分别表示第q个列数据块S^q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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第q个列数据块S^q的温度阈值为THRE^q，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Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^q，当小于时，停止计算，此时，像素点间距d为第d个列数据块S^q的列步长，记为CL^q。

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S4选取的Q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S^p,q；

步骤S5.2：对于每个数据块S^p,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(i_zz,j_zz,t_zz)对应的瞬态热响应S(i_zz,j_zz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块S^p,q中像素点位于i行，j列的瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Re_i,j，并判断：

如果Re_i,j<DD，则g＝g+1，并将瞬态热响应S^p,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+CL^p，继续计算下一个瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞M^p,q，则令i＝i-M^p,q，j＝j+CL^q，即变化到第j+CL^q列进行计算，如果j＞N^p,q,则瞬态热响应选取完毕，其中，M^p,q、N^p,q分别为数据块S^p,q的行数、列数。

步骤S6：特征提取、离散化并基于动态环境和贝叶斯分类器进行分类

在本发明中，如图2所示，将瞬态热响应的特征(属性)分为五个，构成特征集合并进行提取，以充分挖掘每条瞬态热响应所蕴含的物理意义，以及不同特征对分类的影响，使得分类(聚类)更加合理。K个类别构成类别集合，M个环境构成环境集合。

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K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，x_g,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，t_mid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，t_end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：g＝1,2,...,G。

步骤S6.2：将每个特征下的连续数值离散化，离散化后每个特征可由4个离散的数值标记：

能量由很大E₁、较大E₂、较小E₃、很小E₄表示，同样的，吸热过程中的温度变化率由很大V_up1、较大V_up2、较小V_up3、很小V_up4表示，放热过程中的温度变化率由很大V_down1、较大V_down2、较小V_down3、很小V_down4表示,平均温度值由很大T_ave1、较大T_ave2、较小V_ave3、很小V_ave4表示,最大温度值由很大T_max1、较大T_max2、较小T_max3、很小T_max4表示；

步骤S6.3：设置分类数目为K，类别表示为：C＝(c₁,c₂,...,c_K)，其中有一类表示无缺陷类别，剩下表示不同的缺陷类别，环境分为有M个，表示为v₁,v₂,...,v_M，通过计算最大后验概率得到最终的类别：

其中，h_nb(X_g)表示求瞬态热响应X_g的类别，即拥有最大后验概率p(c_k|X_g)的类别c_k为瞬态热响应X_g的类别，p(E^g|c_k,v_m)、 分别表示环境v_m下离散能量、吸热过程中的温度变化率、放热过程中的温度变化率平均温度值最大温度值的数值属于类别c_k的似然概率；

其中，p(c_k)为类别c_k的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中属于类别c_k的瞬态热响应条数；

其中，p(v_m)为环境v_m的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在环境v_m下的瞬态热响应条数。

在本步骤中，将瞬态热响应X_g分到第c_k类是根据后验概率的大小。瞬态热响应对于某一类的后验概率越大，则属于这一类的可能性越大。因此，瞬态热响应所属的类别是后验概率最大的类，由贝叶斯定理得后验概率：

其中，p(c_k)为类别c_k先验概率，k＝1,2,...,K；p(X_g)为证据因子，它对于分类没有任何影响。p(X_g|c_k)为似然概率，它表征位于不同类别时，瞬态热响应的概率分布。

考虑到环境影响，后验概率为：

由于证据因子p(X_g)与分类无关，因此，需要得到最大后验概率p(c_k|X_g)只需最大化：

对于离散数据，概率的大小可以通过频数来计算，先验概率p(c_k)为：

其中，N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在类别c_k的瞬态热响应条数。

环境v_m下的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在环境v_m下的瞬态热响应条数。

为了简化计算，本发明认为各个属性之间独立，则有：

则最终类别分类公式为：

步骤S7：对于K类瞬态热响应寻找每一类的代表，并构成构成一个T×K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t＝1,2,...T，可以通过下式计算：

其中，为c_k类瞬态热响应的数量，分别表示c_k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c_k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c_k以外的其他类别集合；

即在类别c_k的条瞬态热响应中找到一条瞬态热响应满足与其他类别c_u的瞬态热响应中心的距离和最大；

步骤S7.3：将K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×K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K×T矩阵，是矩阵Y的伪逆矩阵，O^T二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为K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，构成一张二维图像，这样K行，得到K张二维图像，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，x_k'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i'＝1,2,...,M：

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i'＝1,2,...,M，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V_i'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4(a)、图4(b)和图4(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5(a)、图5(b)和图5(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6(a)、图6(b)和图6(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7(a)、图7(b)和图7(c)所示。

通过对比图4(b)、图5(b)和图7(b)以及4(c)、图5(c)和图7(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4(a)、图5(a)和图7(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8所示，本发明的峰值曲线走势与实际情况基本相同，故本发文明可以提取相应的特征信息，而ICA算法的曲线走势与实际情况有一定的偏差。

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9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10所示，本发明曲线走势与实际情况基本相同，故本发文明可以提取相应的特征信息，而ICA算法的曲线走势与实际情况有一定的偏差。

最后，本发明中，试件FCM边缘分割且二值化处理之后，得到图11(a)所示的缺陷，而ICA算法处理后，得到图11(b)所示的缺陷，通过比较，可以滤去更多的噪声，精确的提取缺陷轮廓，可视效果明显。

最后，比较本发明与传统贝叶斯分类器处理相同数据时的性能差异。如图12所示，为两者的AOC曲线，其中虚线为传统贝叶斯分类器，而实线为本发明所述改进贝叶斯分类器的AOC曲线。通过对比曲线下方面积AUC值，得到新算法的结果稍稍大于传统的贝叶斯分类器，说明本发明的性能优于传统贝叶斯分类器。如图13所示，比较两种方法的F1-measure值，通过对比发现本发明方法所述方法大于传统方法，说明本发明的性能优于传统贝叶斯分类器；如图14所示，比较两者的准确率，最终的到本发明分类器的准确率达到91.25％，远高于传统分类器的61.25％。综上所述，本发明的性能优于传统贝叶斯分类器。

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 (1)

1.一种基于动态环境特征和加权贝叶斯分类器的缺陷提取方法，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(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz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t_zz帧，选取第j_zz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S^p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S^p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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第p个行数据块S^p的温度阈值为THRE^p，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Re^b，b依次取1,2,...，并判断相关度Re^b是否小于温度阈值THRE^p，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S^p的行步长，记为CL^p；

(4)、对于三维矩阵S的t_zz帧，选取第i_zz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S^q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S^q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＝1,2,...,T，T为三维矩阵S帧的总数量；

设置第q个列数据块S^q的温度阈值为THRE^q，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Re^d，d依次取1,2,...，并判断相关度Re^d是否小于温度阈值THRE^q，当小于时，停止计算，此时，像素点间距d为第d个列数据块S^q的列步长，记为CL^q；

(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Q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S^p,q；

(5.2)、对于每个数据块S^p,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(i_zz,j_zz,t_zz)对应的瞬态热响应S(i_zz,j_zz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算数据块S^p,q中像素点位于i行，j列的瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T，与集合X(g)间的相关度Re_i,j，并判断：

如果Re_i,j<DD，则g＝g+1，并将瞬态热响应S^p,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+CL^p，继续计算下一个瞬态热响应S^p,q(i,j,t)，t＝1,2,...,T与集合X(g)的相关度；如果i＞M^p,q，则令i＝i-M^p,q，j＝j+CL^q，即变化到第j+CL^q列进行计算，如果j＞N^p,q,则瞬态热响应选取完毕，其中，M^p,q、N^p,q分别为数据块S^p,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K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，x_g,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，t_mid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，t_end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：g＝1,2,...,G；

(6.2)、将每个特征下的连续数值离散化，离散化后每个特征可由4个离散的数值标记：

能量由很大E₁、较大E₂、较小E₃、很小E₄表示，同样的，吸热过程中的温度变化率由很大V_up1、较大V_up2、较小V_up3、很小V_up4表示，放热过程中的温度变化率由很大V_down1、较大V_down2、较小V_down3、很小V_down4表示,平均温度值由很大T_ave1、较大T_ave2、较小V_ave3、很小V_ave4表示,最大温度值由很大T_max1、较大T_max2、较小T_max3、很小T_max4表示；

(6.3)、设置分类数目为K，类别表示为：C＝(c₁,c₂,...,c_K)，其中有一类表示无缺陷类别，剩下表示不同的缺陷类别，环境分为有M个，表示为v₁,v₂,...,v_M，通过计算最大后验概率得到最终的类别：

其中，h_nb(X_g)表示求瞬态热响应X_g的类别，即拥有最大后验概率p(c_k|X_g)的类别c_k为瞬态热响应X_g的类别，p(E^g|c_k,v_m)、 分别表示环境v_m下离散能量、吸热过程中的温度变化率、放热过程中的温度变化率平均温度值最大温度值的数值属于类别c_k的似然概率；

其中，p(c_k)为类别c_k的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中属于类别c_k的瞬态热响应条数；

其中，p(v_m)为环境v_m的先验概率，其值为：

N_total为用于训练的历史数据中瞬态热响应的总数，为用于训练的历史数据中在环境v_m下的瞬态热响应条数；

(7)、对于K类瞬态热响应寻找每一类的代表，并构成构成一个T×K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t＝1,2,...T，可以通过下式计算：

其中，为c_k类瞬态热响应的数量，分别表示c_k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c_k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c_k以外的其他类别集合；

即在类别c_k的条瞬态热响应中找到一条瞬态热响应满足与其他类别c_u的瞬态热响应中心的距离和最大；

(7.3)、将K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×K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K×T矩阵，是矩阵Y的伪逆矩阵，O^T二维图像矩阵O的转置矩阵，得到的二维图像矩阵R为K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K行，得到K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。