CN110390663A - 基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 - Google Patents
基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 Download PDFInfo
- Publication number
- CN110390663A CN110390663A CN201910433935.1A CN201910433935A CN110390663A CN 110390663 A CN110390663 A CN 110390663A CN 201910433935 A CN201910433935 A CN 201910433935A CN 110390663 A CN110390663 A CN 110390663A
- Authority
- CN
- China
- Prior art keywords
- defect
- matrix
- characteristic
- singular value
- feature
- 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
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,通过重构模型和优化的模糊算法,对不同空间不程度缺陷进行提取和特征分析,使不同空间不同程度的缺陷特征能够精确的进行划分;同时,在优化的模糊算法中,构造新的目标函数,一部分包括赞成度与犹豫度的乘积,丰富了元素的特征信息,另一部分包含了模糊熵,对特征信息的不确定性进行了描述,对缺陷的区分提供了有效的帮助,这样的设计和构造具有良好的稳定性和高效性,对缺陷特征纹理的刻画和特征色差的表征有着突出的作用,能够合理的对不同空间不同程度的缺陷进行精确的评估和分析。
Description
技术领域
本发明属于缺陷检测技术领域,更为具体地讲,涉及一种基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法。
背景技术
近年来,红外热成像检测技术得到飞速发展。其不损伤本体、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,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,来获取被测件相关信息,实现缺陷的定性与定量检测。
传统的缺陷分析方法主要针对于同一空间不同区域的缺陷特征,并且缺陷分布较为明确,通过相应的技术可以清晰的将缺陷进行划分,但对于在航空材料上的缺陷,其分布在不同层的空间中,同时撞击,腐蚀等因素造成不同程度的缺陷分布相互干扰,外界环境也会对缺陷产生影响。所以不同空间的损伤信息会被忽视,从而会对材料的缺陷类型进行了错误的判断。目前,由于外界环境和材料自身属性影响,形成了多种已知缺陷类型,散布坑缺陷,表面裂纹缺陷,内部层裂缺陷,内部剥落缺陷等,这些已知类型缺陷可以作为缺陷评估的建模基础。
由于实际的缺陷信息目标在形态和类属方面存在着中介性,没有确定的边界来区分,所以针对不同区域的缺陷,FCM模糊算法被用在对缺陷信息进行归类和处理。但是传统的FCM算法不能完全的的表达每个元素的特征,不同空间不同程度的缺陷信息在处理过程中会丢失很多的有用像素特征,为了解决这类问题,本发明提出新的目标函数,包含了赞成度,犹豫度,不仅完善了特征元素的信息,同时处理了不同程度缺陷之间的相互干扰。在另一方面,新的目标函数中还用模糊熵对变量的不确定性进行了描述,使缺陷的相关性更为明确。从而能够对不同空间的缺陷精确的进行去干扰聚类。
为了更加准确的判断材料的缺陷情况,本发明提出了一种有效的检测方法,不仅能够判断待检测材料表面空间损伤,去除噪声干扰,更重要的是能够更精确的获得内层空间的损伤情况。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,通过改进的模糊算法实现不同空间多个区域的缺陷检测及特征提取。
为实现上述发明目的,本发明一种基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,其特征在于,包括以下步骤:
(1)、待检测视频流预处理
(1.1)、将待检测视频流用矩阵块表示为:其中,NI×NJ表示空间信息,NT表示时间信息;
(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵Y;
Y=[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))]
其中,NIJ=NI×NJ;
(1.3)、根据先验的l种缺陷类型,将待检测视频流改写为:
其中,Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行向量,θ=1,2,…,l,αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量, NC表示待检测视频流中表示特征缺陷的总帧数;
(2)、缺陷重构
(2.1)、采用奇异值分解算法将改写后的视频流Y分解为:YT=U∑VT,其中,为左奇异矩阵,为奇异值矩阵,为右奇异矩阵;
(2.2)、计算白化矩阵W和混合系数矩阵λ;
(2.3)、将重构缺陷用矩阵表示为X=W×Y;
(2.4)、通过牛顿迭代法消除重构缺陷特征之间的相关性:
w*=E{xg(wTx)}-E{xg(wTx)}w
其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数,E{·}表示求期望;
(2.5)、按照步骤(2.4)所述方法对X的所有行进行处理后,得到重构后的缺陷特征信息矩阵:X*=W*×Y,
(2.6)、对白化矩阵W*进行时域分析,得到不同缺陷特征的实际分布情况,再比较W*中行向量w*的曲线趋势,将w*曲线趋势相近的视为相同缺陷类型,否则视为不同缺陷类型;
合并相同缺陷类型的缺陷帧数,构成新的缺陷帧数其中,m=1,2,…χ,且χ≤l,
从而从X*中得到张第m类缺陷类型的重构图像,记为
(3)、重构图像的特征提取
(3.1)、利用巴特沃兹滤波器对重构图像进行纹理及色差分割;
特征色差表示为:
其中,ti表示中像素点(ti,tj)的行坐标,tj表示中像素点(ti,tj)的列坐标,D0为阈值;
特征纹理表示为:
(3.2)、对特征色差进行优化处理;
(3.2.1)、设置迭代终止条件ε,迭代次数c,最大迭代次数cm,聚类数目τ,操作系数δ,权重系数b,赞成度μj(hi)c,犹豫度ξj(hi)c,聚类中心vj c,目标函数Jc;
(3.2.2)、计算第c次迭代时每一类中单个像素点的赞成度μj(hi)c;
其中,hi表示特征色差H中第i个像素点的像素值,j≠s;||·||表示求范数;
(3.2.3)、计算第c次迭代时每一类的聚类中心vj c;
其中,g表示特征色差H中像素点的个数;
(3.2.4)、计算第c次迭代时每一类中单个像素点的犹豫度ξj(hi)c;
(3.2.5)、计算第c次迭代时的目标函数Jc值;
(3.2.6)、第c次迭代结束后,判断是否满足关系式:||Jc-Jc-1||≤ε,如果满足,则进入步骤(3.2.7),否则迭代停止,跳转进入步骤(3.3);
(3.2.7)、判断当前迭代次数c是否达到设置的最大迭代次数cm,如果c<cm,则将当前迭代次数c增加1,再返回步骤(3.2.2);否则,迭代停止,跳转进入步骤(3.3);
(3.3)、根据赞成度最大化准则:Mj=arg max(μj(hi)c),找出最大赞成度Mj,Mj表示第j类的像素点的集合;然后根据Mj对特征色差H进行分类,分类完成后将vj c的数值赋值给对应的Mj,得到优化后的特征色差H*;
(3.4)、优化的重构特征为为
本发明的发明目的是这样实现的:
本发明基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,通过重构模型和优化的模糊算法,对不同空间不程度缺陷进行提取和特征分析,使不同空间不同程度的缺陷特征能够精确的进行划分;同时,在优化的模糊算法中,构造新的目标函数,一部分包括赞成度与犹豫度的乘积,丰富了元素的特征信息,另一部分包含了模糊熵,对特征信息的不确定性进行了描述,对缺陷的区分提供了有效的帮助,这样的设计和构造具有良好的稳定性和高效性,对缺陷特征纹理的刻画和特征色差的表征有着突出的作用,能够合理的对不同空间不同程度的缺陷进行精确的评估和分析。
同时,本发明基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法还具有以下有益效果:
(1)、通过对不同空间不同程度的缺陷进行特征模型重构和评估分析,实现了精确的缺陷提取,为进一步对于缺陷模型撞击行为数据库的建立提供了基础理论;
(2)、优化的模糊目标函数中,赞成度与犹豫度的乘积,丰富了特征缺陷的色差信息,对于轮廓的描述更加精确,而指数模糊熵的应用,增强了特征元素不确定性的描述,准确的对特征元素进行了聚类,使缺陷的描述更加完整和精确;
(3)、使用巴特沃兹滤波器,将缺陷的特征信息分为特征轮廓和特征色差进行处理,使整体算法过程更加高效。
附图说明
图1是本发明基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法流程图图;
图2是特征色差优化处理流程图;
图3是被测试件的缺陷特征示意图;
图4是特征缺陷纹理和特征缺陷色差示意图;
图5是优化后的特征缺陷色差图;
图6是提取重构图像的缺陷特征图。
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是本发明基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法流程图。
在本实施例中,如图1所示,本发明一种基于红外热成像的缺陷重构与特征提取方法,主要包括三个步骤:S1、待检测视频流预处理;S2、缺陷重构;S3、重构图像的特征提取;
下面我们结合上述三个步骤进行详细说明。
S1、待检测视频流预处理
S1.1、将待检测视频流用矩阵块表示为:其中,NI×NJ表示空间信息,NT表示时间信息;
S1.2、通过向量算子Vec()将矩阵块转换为二维矩阵Y;
Y=[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))]
其中,NIJ=NI×NJ;
S1.3、为了重构不同的缺陷信息,我们根据先验的l种缺陷类型,将待检测视频流改写为:
其中,Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行向量,θ=1,2,…,l,αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量, NC表示待检测视频流中表示特征缺陷的总帧数;
S2、缺陷重构
S2.1、为了重构表面缺陷特征,采用奇异值分解算法将改写后的视频流Y分解为:YT=U∑VT,其中,为左奇异矩阵,为奇异值矩阵,为右奇异矩阵;
其中,奇异值分解算法对改写后的视频流Y进行分解的具体过程为:
1)、构造协方差矩阵A;
2)、计算奇异值;
通过计算得到右奇异值奇异值和左奇异值其中,表示特征值;
3)、根据奇异值构造奇异值矩阵∑';
4)、设置经验阈值aF、aB、aN,且均为正整数;
在奇异值矩阵∑'中,将奇异值满足中的个表示表面缺陷特征,将奇异值满足时的个表示内部层裂缺陷特征,将奇异值满足时的个表示非缺陷区域特征;
根据个表面缺陷特征、个内部层裂缺陷特征和个非缺陷区域特征更新奇异值矩阵∑',得到更新后的奇异值矩阵∑,然后得到最终改写后的视频流Y被表示为YT=U∑VT。
S2.2、计算白化矩阵W和混合系数矩阵λ;
S2.3、将重构缺陷用矩阵表示为X=W×Y;
S2.4、通过牛顿迭代法消除重构缺陷特征之间的相关性:
w*=E{xg(wTx)}-E{xg(wTx)}w
其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数,E{·}表示求期望;
S2.5、按照步骤S2.4所述方法对X的所有行进行处理后,得到重构后的缺陷特征信息矩阵:X*=W*×Y,
S2.6、在代表不同空间的缺陷特征矩阵中,表示相应缺陷特征的行向量用图像进行特征描述,每一行表示不同空间的损伤特征。
通过对白化矩阵W*进行时域分析,得到不同缺陷特征的实际分布情况,再比较W*中行向量w*的曲线趋势,将w*曲线趋势相近的视为相同缺陷类型,否则视为不同缺陷类型;
合并相同缺陷类型的缺陷帧数,构成新的缺陷帧数其中,m=1,2,…χ,且χ≤l,
从而从X*中得到张第m类缺陷类型的重构图像,记为
S3、重构图像的特征提取
S3.1、利用巴特沃兹滤波器对重构图像进行纹理及色差分割;
特征色差表示为:
其中,ti表示中像素点(ti,tj)的行坐标,tj表示中像素点(ti,tj)的列坐标,D0为阈值;
特征纹理表示为:
S3.2、如图2所示,对特征色差进行优化处理,具体过程如下;
S3.2.1、设置迭代终止条件ε,迭代次数c,最大迭代次数cm,聚类数目τ,操作系数δ,权重系数b,赞成度μj(hi)c,犹豫度ξj(hi)c,聚类中心vj c,目标函数Jc;
S3.2.2、计算第c次迭代时每一类中单个像素点的赞成度μj(hi)c;
其中,hi表示特征色差H中第i个像素点的像素值,j≠s;||·||表示求范数;
S3.2.3、计算第c次迭代时每一类的聚类中心vj c;
其中,g表示特征色差H中像素点的个数;
S3.2.4、计算第c次迭代时每一类中单个像素点的犹豫度ξj(hi)c;
S3.2.5、计算第c次迭代时的目标函数Jc值;
在本实施例中,传统的不能完整地表达每个元素的特征,为了解决信息缺失的问题,构造新的目标函数,目标函数的第一部分为,μj(hi)(2-ξj(hi)),其中赞成度μj(hi)和犹豫度ξj(hi)丰富了每个元素的特征信息,同时消除了相同区域,不同损伤之间的相互影响。在另一方面,熵可以度量系统中的不确定性,模糊熵应用在目标函数中,变量的不确定性越高,熵越高,这增加了区域判断的精确性。
S3.2.6、第c次迭代结束后,判断是否满足关系式:||Jc-Jc-1||≤ε,如果满足,则进入步骤S3.2.7,否则迭代停止,跳转进入步骤S3.3;
S3.2.7、判断当前迭代次数c是否达到设置的最大迭代次数cm,如果c<cm,则将当前迭代次数c增加1,再返回步骤S3.2.2;否则,迭代停止,跳转进入步骤S3.3;
S3.3、根据赞成度最大化准则:Mj=arg max(μj(hi)c),找出最大赞成度Mj,Mj表示第j类的像素点的集合;然后根据Mj对特征色差H进行分类,分类完成后将vj c的数值赋值给对应的Mj,得到优化后的特征色差H*;
S3.4、优化的重构特征为为
实验仿真
为了能够更好的加强试件缺陷的信息,本实施例在Whipple防护板后板进行缺陷检测。
根据上述算法流程,首先采集试件的原始数据序列,其中,NT=543,NI=512,NJ=640,特征选取为NC=3。G(·)采用的是高斯函数,奇异值分解中aF=27,aB=5,aH=3,优化隶属度及聚类中心算法中,迭代终止条件ε=10-5,最大迭代次数cm=100,聚类的数目τ=25,操作系数δ=0.5,权重系数b=2,得到图3所示的缺陷特征。
试件的背景区域反应的是外界热激励的影响,在试件边缘背景区域得到了体现,由于缺陷边缘轮廓的趋肤效应,表面杂质,以及外界环境,光源等因素的影响,导致一些非缺陷区域部分的重构系数过高,影响对实际缺陷的研究,成为干扰缺陷程度分析的一大因素,属于冗余干扰信息。
针对表面缺陷部分,模拟太空撞击实验,以超高速的速率对航空航天材料进行撞击,在试件表面会不均匀的分布着大小各异的撞击坑,撞击的损害表征会随着撞击位置向四周不规律的进行的扩散,从图中可以清晰的观察到经历撞击后,在试件表面形成的缺陷的分布,成聚拢型散状分布,越靠近中心越密集,越边缘越零散。
针对试件的内部层裂部分,经历超高速撞击后的试件,可以在表面明显的观察到聚拢型散状分布的撞击坑,凭借人眼视觉只能观察到表面坑状的分布,但经过算法模型分析,可以看到实验试件撞击位置的内部,已经形成了被能量波所损坏的区域,由于撞击位置相对集中,能量波在试件内部的扩散不像表面一样分散,而只是集中在撞击位置的内部形成了聚拢型缺陷。
在本实施例中,经过巴特沃兹滤波器之后的特征缺陷纹理和特征缺陷色差如下图4所示,经过优化之后的特征缺陷色差如下图5所示,通过对内部层裂轮廓提取可以更清晰的观察到内部缺陷信息,缺陷分布相对聚拢,能量波在材料内部的扩散相对表面较为集中。
综合上述算法处理之后。内部缺陷可以表示为图6所示,从上图6中,可以清晰观察到,在表面缺陷中的内部层裂信息。
由于内部层裂缺陷的特殊性,往往容易被人们所忽视,而通过对内部缺陷的分析,以及将表面缺陷与内部层裂相结合的研究,可以完整的对材料的性能,以及相关缺陷机理进行讨论,并合理有效的防御无预估性撞击带来的损害,并保障设备正常的工作性能。
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)
1.一种基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,其特征在于,包括以下步骤:
(1)、待检测视频流预处理
(1.1)、将待检测视频流用矩阵块表示为:其中,NI×NJ表示空间信息,NT表示时间信息;
(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵Y;
Y=[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))]
其中,NIJ=NI×NJ;
(1.3)、根据先验的l种缺陷类型,将待检测视频流改写为:
其中,Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行向量,θ=1,2,…,l,αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量, NC表示待检测视频流中表示特征缺陷的总帧数;
(2)、缺陷重构
(2.1)、采用奇异值分解算法将改写后的视频流Y分解为:YT=U∑VT,其中,为左奇异矩阵,为奇异值矩阵,为右奇异矩阵;
(2.2)、计算白化矩阵W和混合系数矩阵λ;
(2.3)、将重构缺陷用矩阵表示为X=W×Y;
(2.4)、通过牛顿迭代法消除重构缺陷特征之间的相关性:
w*=E{xg(wTx)}-E{xg(wTx)}w
其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数,E{·}表示求期望;
(2.5)、按照步骤(2.4)所述方法对X的所有行进行处理后,得到重构后的缺陷特征信息矩阵:X*=W*×Y,
(2.6)、对白化矩阵W*进行时域分析,得到不同缺陷特征的实际分布情况,再比较W*中行向量w*的曲线趋势,将w*曲线趋势相近的视为相同缺陷类型,否则视为不同缺陷类型;
合并相同缺陷类型的缺陷帧数,构成新的缺陷帧数其中,m=1,2,…χ,且χ≤l,
从而从X*中得到张第m类缺陷类型的重构图像,记为 (3)、重构图像的特征提取
(3.1)、利用巴特沃兹滤波器对重构图像进行纹理及色差分割;
特征色差表示为:
其中,ti表示中像素点(ti,tj)的行坐标,tj表示中像素点(ti,tj)的列坐标,D0为阈值;
特征纹理表示为:
(3.2)、对特征色差进行优化处理;
(3.2.1)、设置迭代终止条件ε,迭代次数c,最大迭代次数cm,聚类数目τ,操作系数δ,权重系数b,赞成度μj(hi)c,犹豫度ξj(hi)c,聚类中心vj c,目标函数Jc;
(3.2.2)、计算第c次迭代时每一类中单个像素点的赞成度μj(hi)c;
其中,hi表示特征色差H中第i个像素点的像素值,j≠s;||·||表示求范数;
(3.2.3)、计算第c次迭代时每一类的聚类中心vj c;
其中,g表示特征色差H中像素点的个数;
(3.2.4)、计算第c次迭代时每一类中单个单个像素点的犹豫度ξj(hi)c;
(3.2.5)、计算第c次迭代时的目标函数Jc值;
(3.2.6)、第c次迭代结束后,判断是否满足关系式:||Jc-Jc-1||≤ε,如果满足,则进入步骤(3.2.7),否则迭代停止,跳转进入步骤(3.3);
(3.2.7)、判断当前迭代次数c是否达到设置的最大迭代次数cm,如果c<cm,则将当前迭代次数c增加1,再返回步骤(3.2.2);否则,迭代停止,跳转进入步骤(3.3);
(3.3)、根据赞成度最大化准则:Mj=argmax(μj(hi)c),找出最大赞成度Mj,Mj表示第j类的像素点的集合;然后根据Mj对特征色差H进行分类,分类完成后将vj c的数值赋值给对应的Mj,得到优化后的特征色差H*;
(3.4)、优化的重构特征为为
2.根据权利要求1所述的基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法,其特征在于,所述的奇异值分解算法对改写后的视频流Y进行分解的过程为:
1)、构造协方差矩阵A;
2)、计算奇异值;
通过计算得到右奇异值奇异值和左奇异值其中,表示特征值;
3)、根据奇异值构造奇异值矩阵∑';
4)、设置经验阈值aF、aB、aN,且均为正整数;
在奇异值矩阵∑'中,将奇异值满足中的个表示表面缺陷特征,将奇异值满足时的个表示内部层裂缺陷特征,将奇异值满足时的个表示非缺陷区域特征;
根据个表面缺陷特征、个内部层裂缺陷特征和个非缺陷区域特征更新奇异值矩阵∑',得到更新后的奇异值矩阵∑,然后得到最终改写后的视频流Y被表示为YT=U∑VT。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433935.1A CN110390663B (zh) | 2019-05-23 | 2019-05-23 | 基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433935.1A CN110390663B (zh) | 2019-05-23 | 2019-05-23 | 基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390663A true CN110390663A (zh) | 2019-10-29 |
CN110390663B CN110390663B (zh) | 2022-03-25 |
Family
ID=68285453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433935.1A Active CN110390663B (zh) | 2019-05-23 | 2019-05-23 | 基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390663B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620603A (zh) * | 2002-01-23 | 2005-05-25 | 马雷纳系统有限公司 | 采用红外热成像法进行缺陷检测和分析 |
CN103674281A (zh) * | 2012-09-21 | 2014-03-26 | 杭州美盛红外光电技术有限公司 | 诊断装置和诊断方法 |
CN108288250A (zh) * | 2017-12-29 | 2018-07-17 | 郑州升达经贸管理学院 | 基于tgv正则化的红外遥感图像超分辨率重建方法 |
CN109544546A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 一种基于多目标优化的红外热图像缺陷特征提取方法 |
-
2019
- 2019-05-23 CN CN201910433935.1A patent/CN110390663B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1620603A (zh) * | 2002-01-23 | 2005-05-25 | 马雷纳系统有限公司 | 采用红外热成像法进行缺陷检测和分析 |
CN103674281A (zh) * | 2012-09-21 | 2014-03-26 | 杭州美盛红外光电技术有限公司 | 诊断装置和诊断方法 |
CN108288250A (zh) * | 2017-12-29 | 2018-07-17 | 郑州升达经贸管理学院 | 基于tgv正则化的红外遥感图像超分辨率重建方法 |
CN109544546A (zh) * | 2018-11-30 | 2019-03-29 | 电子科技大学 | 一种基于多目标优化的红外热图像缺陷特征提取方法 |
Non-Patent Citations (2)
Title |
---|
DEBOSHREE ROY 等: "Sparse Reconstruction-Based Thermal Imaging for Defect Detection", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
朱莉 等: "基于多模态特征图融合的红外热图像目标区域提取算法", 《红外与毫米波学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110390663B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hassan et al. | Detecting prohibited items in X-ray images: A contour proposal learning approach | |
Yue et al. | Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production | |
CN110211103A (zh) | 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 | |
Serna et al. | Algorithmic discrimination: Formulation and exploration in deep learning-based face biometrics | |
Chugh et al. | Latent fingerprint value prediction: Crowd-based learning | |
CN103336960A (zh) | 一种基于流形学习的人脸识别方法 | |
CN105893947A (zh) | 基于多局部相关特征学习的两视角人脸识别方法 | |
Hong et al. | End-to-end soccer video scene and event classification with deep transfer learning | |
Wang et al. | Approximate spectral clustering | |
Shen et al. | Facial expression recognition based on bidirectional gated recurrent units within deep residual network | |
Liu et al. | Towards transferable unrestricted adversarial examples with minimum changes | |
CN110222603A (zh) | 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 | |
CN105868743B (zh) | 一种基于快速监督离散哈希的人脸检索方法 | |
Clarke et al. | Does free-sorting provide a good estimate of visual similarity | |
CN110390663A (zh) | 基于红外热成像的信息熵乘性模糊缺陷特征分析重构方法 | |
Huang et al. | A claim approach to understanding the pointnet | |
CN110389154A (zh) | 基于红外热成像的指数熵加性模糊缺陷特征分析重构方法 | |
CN104112147B (zh) | 一种基于最近特征线的人脸特征提取方法 | |
CN113591797B (zh) | 一种深度视频行为识别方法 | |
Wang et al. | Safe screening rules for multi-view support vector machines | |
Xie et al. | Improved locally linear embedding and its application on multi-pose ear recognition | |
Islam et al. | An approach to evaluate classifiers for automatic disease detection and classification of plant leaf | |
Wang et al. | Research on wood species recognition method based on hyperspectral image texture features | |
Balti et al. | Segmentation and enhancement of fingerprint images using K-means, fuzzy C-mean algorithm and statistical features | |
Zhao et al. | A Face Recognition Algorithm Based on Optimal Feature Selection. |
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 |