CN109919905A

CN109919905A - 一种基于深度学习的红外无损检测方法

Info

Publication number: CN109919905A
Application number: CN201910015187.5A
Authority: CN
Inventors: 曹彦鹏; 董亚飞; 贾淑凯; 杨将新; 曹衍龙
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2019-01-08
Filing date: 2019-01-08
Publication date: 2019-06-21
Anticipated expiration: 2039-01-08
Also published as: CN109919905B

Abstract

基于深度学习的红外无损检测方法包括设计和制作样本，设计样本上的缺陷位置并获得设计图；用红外相机记录图像序列；对每一个图像序列中的每一个像素点在时间序列中进行预处理；利用建立深度学习模型，在时间序列中提取相位特征；将每个点的相位特征在其所在图像中显示出来。本发明具有能够自主提取特征、区分缺陷区域，并且能够对图像中的噪声有一定抑制作用的优点。

Description

一种基于深度学习的红外无损检测方法

技术领域

本发明涉及一种红外无损检测方法，特别是基于深度学习的红外无损检测方法。

背景技术

无损检测(Non-destructive Test，简称NDT)与评定技术是指在不破坏被检物使用性能的情况下，利用声、光、电、磁等与物质的相互作用，探测材料、构件和设备部件的各种内部和表面缺陷，获取被测对象质量的信息。常用的传统无损检测方法主要有以下几种：射线检测(RT)、超声检测(UT)、渗透检测(PT)、磁粉检测(MT)、涡流检测(ET)。近年来又开发出了许多非常规无损检测技术：有声发射(AE)、泄漏检测(LT)、光全息照相(OpticalHolography)、红外热成像(Infrared Thermography)、微波检测(MT)。

红外检测就是以红外辐射的原理为基础，运用红外辐射测量分析方法和技术对设备、材料及其他被测对象进行测量和检验。红外辐射是非电离辐射的一个组成部分。它是一种电磁波，波长范围为700nm～1000μm，介于微波和可见光之间。

红外检测的原理是：当一个物体具有不同于周围环境的温度时，就会在物体内部产生热量的流动。热流在物体内部扩散和传递的过程中，由于被检物体的不连续性缺陷对热传导的影响，进而反映在物体表面温度的差别上，在物体表面形成不同的温度分布，形成所谓的“热区”和“冷区”。

红外无损检测分别主动式和被动式，主动式检测是用外部热源对样本进行加热，包括相位红外热成像，脉冲红外热成像和振动红外热成像；被动式检测是利用样本本身温度与环境不同实现检测。

三种主动式红外无损检测特点列表如下：

获得红外检测试验数据后，还需要对数据进行分析处理，经过特征提取，在每一张红外图像中显示出感兴趣的特征。

传统的相位特征提取方法主要有四点法(Four-point method)、离散傅立叶变换法(DFT method)等。

1、四点法是在一个采样周期内选取等间隔的四个点S₁、S₂、S₃、S₄，如图1所示，则热波的幅值和相位可由公示(1)和(2)算出，2、离散傅里叶变化(DFT)法，如图2所示，是对采集到的热波序列做离散傅里叶变换得到：则相位可由下式计算得到：

传统的四点法和DFT法都存在以下不足：1、容易受到噪声和不均匀加热的影响。

2、普适性较差，在对不同频率、不同数量进行处理时需要手动调节参数。

发明内容

本发明的目的在于提供一种能够自主提取特征、区分缺陷区域，并且能够对图像中的噪声有一定抑制作用的基于深度学习的红外无损检测方法。

基于深度学习的红外无损检测方法，包括以下步骤：

S1、设计和制作样本，设计样本上的缺陷位置并获得设计图；

S2、获取样本，对用外部热源对样本进行加热，用红外相机记录该样本的加热过程中样本的温度变化，每一个加热过程获得一个图像序列；一个加热过程包括红外热激发，红外吸收和红外消散；

S3、对每一个图像序列中的每一个像素点在时间序列中进行预处理，比如，去除低频趋势项操作，从而去除随着加热过程造成的温度升高趋势；

S4、利用建立深度学习模型，在时间序列中提取相位特征：

S4.1、获取任意一个图像序列作为当前图像序列，获取当前图像序列的每一张图像中的任意两个像素点作为点对；

S4.2、将当前图像与样本的设计图进行比对，将缺陷范围内的像素点的标记值设为1，将缺陷范围外的像素点的标记值设为0，将点对的标记值相减再取反获得当前图像的Label值；

S4.3、建立卷积神经网络模型，以点对作为卷积神经网络模型的输入；卷积神经网络模型包括卷积层和池化层，卷积层和池化层交替进行，卷积层采用空洞卷积，池化层采用Max策略，整个训练过程包括前向传播和反向传播，反向传播中用梯度下降法优化权重和偏置；最后一个池化层之后为全连接层，全连接层之后为均方差误差函数；

S4.4、计算图像的Label值与均方差误差函数的输出之间的误差，通过优化卷积神经网络模型的卷积、池化的权重和偏置来减小Label值与均方差误差函数的输出值之间的误差；当误差稳定后，将该卷积神经网络模型作为深度学习模型，用于输入图像的相位特征提取；

S5、将每个点的相位特征在其所在图像中显示出来。

进一步，步骤4.3中，将当前图像各像素点的灰度值组成灰度矩阵，对灰度矩阵按行向量进行一维卷积。一维卷积计算的复杂度低，计算速度快，基于一维序列模型来进行一维卷积处理也更方便。

进一步，步骤S2中，在对样本进行红外加热前，将样本接受红外加热的表面涂覆一层哑光黑漆。

进一步，步骤S1中，每个图像序列采集不少于2000张图像，每个样本至少在4个频率下进行红外激发；每张图像中随机选取多组点对，所有图像序列的点对形成深度学习模型的训练数据。

本发明的优点在于：

1、能够自主提取特征、区分缺陷区域，并且能够对图像中的噪声有一定抑制作用。

2、以每张图像中随机选取的多组点对形成训练数据，与现有技术中每两张图像形成一组数据相比，大大降低了需要采集的数据量，且利用点对简化了数据提取，提高的训练速度。

3、检测数据精确到像素点，样本的缺陷处和背景处对比对强烈，缺陷突出。

4、在深度学习模型能够通用于多种激励频率，尤其是在低频情况下，无需根据频率调整参数，一次训练后获得的深度学习模型就可以直接用于相同属性样本的特征提取。

附图说明

图1是四点法提取特征的采样示意图。

图2是DFT法提取特征的示意图。

图3是本发明的实验装置的结构框图。

图4是图像序列与某张图像的示意图。

图5是步骤2中，预处理前和预处理后像素点的示意图。

图6是从图像中获取点对并应用于神经网络和Label值计算的模型示意图。

图7是本发明使用的深度学习模型的层级示意图。

图8是卷积的示意图。

图9是铝材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。

图10是Q23材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。

图11是CFPR(碳纤维)材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。

具体实施方式

实验装置：

如图3所示，实验装置包括红外热激励源，红外热像仪，图像采集模块和数据分析处理器；红外热激励源包括一对红外热源，红外热源对准样本(被测试件)，红外热像仪位于两个红外热源之间、并对准样本；红外热像仪通过视频输出口与视频采集卡相连，视频采集卡通过数据接口与数据分析处理器相连。

本实施例中，信号发生器：利利普AG2062，频率分辨率1μHz，频率范围1μHz～60MHz。电源：艾德克斯IT6524C，最大电压360V，最大电流30A，最大功率3kW。相机：Xenics红外相机。红外热源：短波红外烤漆灯两个，各1000W。

实验材料(检测材料):

孔型缺陷检测样本共三块，材料分别为Q235、铝合金和CFRP。孔型缺陷样本形状如图4所示。样本具有等间隔分布的通孔，同一列的通孔直径相等，同一行的通孔直径依次递增或递减。本实施例中，样本的板厚4mm，缺陷从左至右距前表面的距离依次为1.5,1.2,1,0.8,0.5mm。为了提高样本表面的发射率，需要均匀的喷涂一层哑光黑漆，如图4所示。

实验方法

基于深度学习的红外无损检测方法，包括以下步骤：

S2、获取样本，对用外部热源对样本进行加热，用红外相机记录该样本的加热过程中样本的温度变化，每一个加热过程获得一个图像序列，如图4所示；一个加热过程包括红外热激发，红外吸收和红外消散；

S3、对每一个图像序列中的每一个像素点在时间序列中进行预处理，比如，去除低频趋势项操作，从而去除随着加热过程造成的温度升高趋势；如图5所示；

S4、利用建立深度学习模型，在时间序列中提取相位特征，如图6所示：

S4.3、建立卷积神经网络模型，如图7所示，以点对作为卷积神经网络模型的输入；卷积神经网络模型包括卷积层和池化层，卷积层和池化层交替进行，卷积层采用空洞卷积，如图8所示，池化层采用Max策略，池化层包括前向传播和反向传播，反向传播中用梯度下降法优化权重和偏置；最后一个池化层之后为全链接层，全连接层之后为均方差误差函数；

S5、将每个点的相位特征在其所在图像中显示出来。

步骤4.3中，将当前图像各像素点的灰度值组成灰度矩阵，对灰度矩阵按行向量进行一维卷积。如图8所示，与现有图像处理卷积方式不同，本发明在卷积时输入为灰度矩阵的行向量，行向量是一维信号，卷积时只在长度方向移动，高度方向固定不变。一维卷积计算的复杂度低，计算速度快，基于一维序列模型来进行一维卷积处理也更方便。

将卷积核的大小增加到1X11，空洞因子2，pooling层为1X4，增大了感受野，最后一个pooling层后感受野为1X1744，基本可以覆盖一整个周期。

步骤S2中，在对样本进行红外加热前，将样本接受红外加热的表面涂覆一层哑光黑漆。

步骤S2中，每个图像序列采集不少于2000张图像，每个样本至少在4个频率下进行红外激发；每张图像中随机选取多组点对，所有图像序列的点对形成深度学习模型的训练数据。

实施例1

基于深度学习的红外无损检测方法，包括以下步骤：

S2、选用三种缺陷形式一致的样本形成训练数据，样本1选用铝材料孔型缺陷板材样本，样本2选用Q23材料孔型缺陷板材样本，样本3选用CFPR(碳纤维)材料孔型缺陷板材样本；分别将三种样本在0.025Hz、0.05Hz、0.075Hz、0.1Hz四个频率进行红外加热，每种样本在每个频率下分别采集三次红外加热过程的图像序列，每个序列采集2000张图像，共获得36*2000张图像作为训练数据；

S4.1、获取任意一个图像序列作为当前图像序列，获取当前图像序列的每一张图像中的随机选取两个像素点作为点对；每个图像序列供选取两百万组点对，每种样本在每种频率下的点对数量相同，正负样本比例为1:1；。

S4.3、建立卷积神经网络模型，如图7所示，以点对作为卷积神经网络模型的输入；卷积神经网络模型包括卷积层和池化层，卷积层和池化层交替进行，卷积层采用空洞卷积，如图8所示，池化层采用Max策略，整个训练过程包括前向传播和反向传播，反向传播中用梯度下降法优化权重和偏置；最后一个池化层之后为全链接层，全连接层之后为均方差误差函数；卷层时，将当前图像各像素点的灰度值组成灰度矩阵，对灰度矩阵按行向量进行一维卷积。如图8所示，与现有图像处理卷积方式不同，本发明在卷积时输入为灰度矩阵的行向量，行向量是一维信号，卷积时只在长度方向移动，高度方向固定不变。

S5、将每个点的相位特征在其所在图像中显示出来。

测试时选择一个点作为基准(一般选择中心点)，其余点都与其做比较训练完成后生成了深度学习模型；在用序列图像对深度学习模型进行测试时，选中当前图像的中心点作为基准点，以基准点与当前图像中其他任意一点组成点对，对深度学习模型进行测试，测试时一般要遍历整个图像上的所有点。图9-图11是使用三种样本验证深度学习模型的结果。如图9所示，铝材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。从铝材料样本可以看出，四点法和DFT法在低频时特征提取的效果比高频时特征提取的效果，而本发明的方法(Ours)在四个频率下的特征提取效果稳定。

图10是Q23材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。从Q23材料样本可以看出，四点法和DFT法在低频时特征提取的效果比高频时特征提取的效果，而本发明的方法(Ours)在四个频率下的特征提取效果稳定。

图11是CFPR(碳纤维)材料孔型缺陷样本在四个频率下特征提取后的图像与四点法、DFT法的对比图。从CFPR(碳纤维)材料样本可以看出，四点法和DFT法在低频时特征提取的效果比高频时特征提取的效果，而本发明的方法(Ours)在四个频率下的特征提取效果稳定。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims

1.基于深度学习的红外无损检测方法，包括以下步骤：

S4、利用建立深度学习模型，在时间序列中提取相位特征：

S5、将每个点的相位特征在其所在图像中显示出来。

2.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤4.3中，将当前图像各像素点的灰度值组成灰度矩阵，对灰度矩阵按行向量进行一维卷积。

3.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤S2中，在对样本进行红外加热前，将样本接受红外加热的表面涂覆一层哑光黑漆。

4.如权利要求1所述的基于深度学习的红外无损检测方法，其特征在于，步骤S1中，每个图像序列采集不少于2000张图像，每个样本至少在4个频率下进行红外激发；每张图像中随机选取多组点对，所有图像序列的点对形成深度学习模型的训练数据。