CN111652252B - 一种基于集成学习的超高速撞击损伤的定量识别方法 - Google Patents

一种基于集成学习的超高速撞击损伤的定量识别方法 Download PDF

Info

Publication number
CN111652252B
CN111652252B CN202010528992.0A CN202010528992A CN111652252B CN 111652252 B CN111652252 B CN 111652252B CN 202010528992 A CN202010528992 A CN 202010528992A CN 111652252 B CN111652252 B CN 111652252B
Authority
CN
China
Prior art keywords
damage
image
area
layer
temperature
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
Application number
CN202010528992.0A
Other languages
English (en)
Other versions
CN111652252A (zh
Inventor
黄雪刚
殷春
张昊楠
石安华
赵君尧
周浩
罗庆
董文朴
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.)
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Original Assignee
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
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 Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center filed Critical Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority to CN202010528992.0A priority Critical patent/CN111652252B/zh
Publication of CN111652252A publication Critical patent/CN111652252A/zh
Application granted granted Critical
Publication of CN111652252B publication Critical patent/CN111652252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Abstract

本发明公开了一种基于集成学习的超高速撞击损伤的定量识别方法，包括以下步骤：获得损伤红外重构图像；定义平均相对温度特征、平均相对能量特征和平均温度梯度特征，对表征损伤区域热量情况的物理属性进行量化；度量损伤尺寸，对规则损伤进行尺寸特征提取；通过识别损伤的边缘轮廓来实现不规则损伤的尺寸特征量化提取；通过链码技术量化损伤区域的面积、重心、长短径和周长等形态特征实现不规则损伤的形态特征提取；引入集成学习的概念，对得到的不同子数据集进行损伤定量分析；本发明提出了一系列损伤量化指标，通过将这些量化指标作为特征构建集成学习网络，并建立相应的分类器，从而实现对超高速撞击损伤类型的定量识别。

Description

一种基于集成学习的超高速撞击损伤的定量识别方法
技术领域
本发明属于航天器损伤检测评估技术领域，更具体地说，本发明涉及一种基于集成学习的超高速撞击损伤的定量识别方法。
背景技术
随着人类空间活动的增加，越来越多的人为的空间垃圾遗留在地球轨道上，它们和太空中自然存在的微小行星体等一同被称为空间碎片。特别是厘米级以下的微小空间碎片数量巨大、飞行速度极高且无法跟踪和规避，极易与在轨运行的各类航天器发生超高速碰撞，并导致航天器结构损伤、功能失效甚至解体，对航天器造成极大的安全隐患。微小空间碎片超高速撞击造成的损伤情况非常复杂，比如表面撞击坑、异物嵌入、内部层裂等不同撞击损伤类型。因此，实现对这类超高速撞击损伤的定量识别，对航天器的在轨风险评估预测以及地面维护保养都是非常重要的。
近年来，针对航天器的空间碎片超高速撞击损伤定量识别检测新技术得到飞速发展。其中，红外热成像方法广泛应用于航天器的地面/在轨损伤检测评估，其具有不损伤本体、快速高效等特性，能有效地解决传统损伤检测方法存在劳动强度大、周期长、效率低、安全性差等问题。更为关键的是，与普通采集的单帧红外重构图像不同，被测对象在主动或被动热激励条件下，利用红外热像仪采集被检测对象随时间变化的表面温度场变化信息，可以获得信息量更为丰富的红外重构图像序列数据。
利用PCA、ICA、GMM等方法对红外重构图像序列数据中混叠的瞬态红外热响应信号进行分离，得到解混后的混叠向量，从而获得混叠矩阵用于构造损伤观测矩阵(混叠矩阵的伪逆矩阵)，进而利用这些特征信息获取出能够强化撞击损伤特征的重构红外图像。然而，这些基本数据处理步骤只能突出并强化损伤区域，为检测人员获知初步的损伤位置和范围，但是却无法完成对复杂损伤类型的定量识别。为了能够为航天器提供更加完善和准确的损伤测试数据支撑，除了要判断出超高速撞击损伤的大致范围和位置，还需要进一步对复杂撞击损伤进行定量分析和分类识别。
为了准确描述超高速撞击造成的复杂损伤特征，提出了相应地量化公式用于计算损伤的物理特征属性以及形态特征属性，在此基础上，为了对不同类型损伤进行分类识别，根据所提出的量化属性建立分类器以达到损伤类型判断的目的。当前由于人们对数据分类的需求，因此存在大量的分类器，尽管任何一种分类器都能够应用于超高速撞击损伤类型的判断，但是每一个分类器都有局限性。对于相同的损伤数据集，不同分类器的损伤类型判断结果可能各不相同。即便是相同的分类器，由于参数选择的差异或者数据分布的不同，也有可能存在不同的判断结果。在这种情况下，通过采用集成学习方法组合多个单一分类器，能够得到比任意一个单一分类器更加准确的结果。因此，为了削弱分类器参数的设置对分类结果产生影响，同时提升损伤类型判断的准确性，本发明利用集成学习方法来判断超高速撞击损伤类型。
发明内容
本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种基于集成学习的超高速撞击损伤的定量识别方法，包括以下步骤：
步骤一、获取损伤区域的红外重构图像；通过红外热像仪获取的原始红外重构图像序列数据，获得航天器撞击损伤区域的红外重构图像；
步骤二、损伤物理特征属性的提取；分别定义平均相对温度特征、平均相对能量特征和平均温度梯度特征，对表征损伤区域热量情况的物理属性进行量化；
步骤三、规则损伤的尺寸特征提取，度量规则损伤的尺寸；首先我们定义相对温度为损伤区域相对于非损伤区域的温度差值；将损伤区域红外图像的平均相对温度表示在三维图像中，取损伤区域直径方向剖面的温度曲线并表示在二维坐标系中，得到损伤最大相对温度和损伤的实际直径大小；
步骤四、不规则损伤的尺寸特征提取，通过识别损伤的边缘轮廓实现损伤尺寸的量化；
步骤五、不规则损伤的形态特征提取；对于不规则损伤的形态特征提取，设计更多的参数描述损伤形态特征情况，通过链码技术量化损伤区域的面积、重心、长短径和周长等形态特征；
步骤六、在超高速撞击损伤类别判断模型中，将总体数据集分为物理量化属性和形态量化属性两个大类，并在各自类别中随机采样形成多个子数据集；
选用步骤二定义的平均相对温度特征、平均相对能量特征、平均温度梯度特征和步骤三中的损伤最大相对温度作为物理量化属性，选用步骤三中得到的规则损伤实际直径大小，步骤四中得到的不规则损伤实际尺寸大小以及步骤五中得到的不规则损伤区域面积、重心、长短径和周长作为形态量化属性，构成子数据集；
在得到不同的子数据集之后，需要对损伤定量分析，引入集成学习的概念，采用少数分类器服从多数分类器的组合方式，这里我们运用人工神经网络ANN来构建各个子分类器。
优选的是，其中，所述步骤一中获得红外重构图像的具体步骤为：通过红外热像仪获取的原始红外重构图像序列数据Q(m,n,:)M×N×T，进行向量化后得到每一个像素点对应的瞬态热响应TTR，利用高斯混合模型GMM对具有不同特征的TTRs进行类别划分，并选取满足GMM每类高斯模型的概率最大值的TTR作为用于构造观测矩阵的混叠矩阵的向量，从而获得航天器撞击损伤区域的红外重构图像。
优选的是，其中，所述步骤二中平均相对温度特征量化的计算公式为：
Figure BDA0002534686540000031
其中NΩ表示损伤区域内温度单元的数量，Tk表示损伤区域内每个温度单元的温度值，Tback表示背景区域内温度单元的温度值，||·||表示1范数，ΔT为平均相对温度；
定义的平均相对能量特征的量化公式为：
Figure BDA0002534686540000041
其中||·||2表示2范数，ΔE为平均相对能量；
定义的平均温度梯度特征的量化公式为：
Figure BDA0002534686540000042
其中ΩC表示损伤区域轮廓温度单元的集合，Ωk表示第k个温度单元的邻域，Distm表示邻域中第m个温度单元到该区域中心的距离，ΔG为平均相对温度梯度。
优选的是，其中，所述步骤四中通过识别损伤的边缘轮廓实现损伤尺寸的量化包括以下步骤：
步骤S41、用高斯滤波器平滑处理图像；对所述步骤一中得到的红外图像f(x,y)进行高斯平滑处理，即进行卷积运算，得到平滑处理后的图像g1(x,y)，其计算公式为：
g1(x,y)＝h(x,y,σ)*f(x,y)
其中，h(x,y,σ)＝exp(-(x2+y2)/2σ2)/2πσ为高斯函数；
步骤S42、用一阶偏导的有限差分计算梯度的幅值和方向，得到：
Gx＝g1(x,y)-g1(x+1,y+1)
Gy＝g1(x+1,y)-g1(x,y+1)
G(x,y)＝|Gx|+|Gy|
其中，Gx代表在X方向梯度，Gy代表在Y方向梯度，G(x,y)代表梯度幅值，一阶导数可以用于检测图像的边缘点；
步骤S43、对梯度幅值进行非极大值抑制；将步骤S42中得到的梯度幅值G(x,y)同八邻域像素点与f(x,y)梯度方向交点的幅值Ga(x,y)进行比较，若G(x,y)＞Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设为0，得到经过非极大抑制后的图像g2(x,y)；
步骤S44、对非极大值抑制后的图像g2(x,y)与高阈值Hth和低阈值Lth进行比较，分为三种情况：如果某一像素位置的梯度幅值超过高阈值即Gp＞Hth，其中Gp为图像g2(x,y)的像素点，则该像素被保留为边缘像素；如果某一像素位置的梯度幅值小于低阈值，即Gp＜Lth，则该像素被排除；如果某一像素位置的梯度介于高低阈值之间，即Lth＜Gp＜Hth，则判断该像素八邻域的像素是否存在高于阈值的像素，若存在，则保留，最后得到最终图像；
步骤S45、在得到损伤的边缘轮廓之后我们对损伤区域尺寸进行计算，假设图像大小为I×J，试件实际的长宽为IM×JM，沿水平方向损伤区域像素点的个数为Numpx，沿竖直方向损伤区域像素点的个数为Numpy，则最终损伤区域的实际尺寸为：
Figure BDA0002534686540000051
优选的是，其中，所述步骤五中通过链码技术量化损伤区域的面积具体为：对于二值化的损伤图像，其面积可以表示为图中损伤区域像素点的总数，用D表示损伤区域像素点的集合，则面积S表示为：
Figure BDA0002534686540000052
对于图像尺寸为Ix×Iy的图像I，其重心
Figure BDA0002534686540000053
计算公式如下：
Figure BDA0002534686540000054
Figure BDA0002534686540000055
对于损伤区域的长径M和短径N，长短径用于表示损伤的尺寸大小，其计算方法如下：用E表示损伤的边缘图像，
Figure BDA0002534686540000056
表示重心，(x,y)∈E，设点(x',y')∈E'，则
Figure BDA0002534686540000057
其中E'表示旋转θ角形成的新图像；以重心
Figure BDA0002534686540000058
为中点，向两侧寻找第一个像素值为1的点，分别记为(x,y1)和(x,y2)，则得到一个径长L＝|y1-y2|；设定一个步长将θ从0变为2π，得到Lk,k＝1,...,K，K表示计算的次数；最终得到长径M＝max(Lk)，短径N＝min(Lk)
用E表示损伤的边缘图像并用链码对边缘进行表示，奇数和偶数链码对应的长度分别为
Figure BDA0002534686540000069
和1，则周长A可以表示为：
Figure BDA0002534686540000061
优选的是，其中，所述步骤六中运用人工神经网络构建各个子分类器，对子数据集进行分类包括以下步骤：
步骤S61、ANN由输入层、隐含层和输出层三个部分组成，其中输入、输出层各一层，隐含层至少一层，各层节点之间通过权值相互连接，同层节点之间不连接；假设有一个Q层的网络，第一层为输入层，第Q层为输出层；第q层(q＝1,...,Q)的神经元个数为nq，输入到第Q层的第i个神经元的连接权系数为
Figure BDA0002534686540000062
则神经元的输出为：
Figure BDA0002534686540000063
步骤S62、假设各层之间的传递函数为tansig函数，所以有：
Figure BDA0002534686540000064
步骤S63、假设给定P组输入样本和输出样本
Figure BDA0002534686540000065
dp＝[dp1,...,dpQ]T
最终误差函数表示为：
Figure BDA0002534686540000066
之后通过梯度下降法迭代更新权值
Figure BDA0002534686540000067
使得误差达到最小；
步骤S64、隐含层节点数也是神经网络重要的参数之一，隐含层表示对输入量各个损伤量化属性的修正与细化，这些节点使得所得组合特征更加有利于损伤的判断；如果隐含层神经元数量太少，则所学习的特征不能突出各自的损伤，可能无法准确判断未学习的样本；如果隐含层节点数太多，则网络中可能包含大量的相似特征，这些冗余的特征会使得网络计算效率大大降低；在该损伤类型判断模型中，隐含层神经元个数通过经验公式计算得到：
Figure BDA0002534686540000068
其中S表示输入层节点数，L表示损伤的类别数，H表示隐含层神经元数量，观察上式可以知道计算得到的隐含层神经元个数是一个范围，而我们无法直接判断最优的隐含层神经元个数，但可以基于同一个数据子集建立多个ANN，这些网络的隐含层神经元个数存在差异性，其中Dn表示第n个子数据集，M表示隐含层神经元的取值个数，由于子分类器得到的结果是损伤类型，即非后验概率，因此最终通过多数投票算法组合这些不同网络的结果得到最终的损伤类型。
本发明至少包括以下有益效果：在本发明中提出了相应地量化公式用于计算损伤的物理特征属性以及形态特征属性，在此基础上，为了对不同类型损伤进行分类识别，根据所提出的量化属性建立分类器以达到损伤类型判断的目的。通过采用集成学习方法组合多个单一分类器，能够得到比任意一个单一分类器更加准确的结果。因此，削弱了分类器参数的设置对分类结果产生影响，同时提升了损伤类型判断的准确性。
针对超高速撞击损伤类型判断，提出了一系列损伤量化指标，比如损伤的物理特征属性，如平均相对温度、平均相对能量、平均相对温度梯度等，以及损伤的形态特征指标，如损伤面积、周长、重心等。通过将这些量化指标作为特征构建集成学习网络，并建立相应地分类器，从而实现对超高速撞击损伤类型的定量识别。通过不同的方式对损伤进行定量识别，例如损伤的物理特征属性和形态特征属性，之后将这些量化指标作为特征建立集成学习网络，从而实现对超高速撞击损伤类型的自动判断。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明：
图1为平均相对温度特征、平均相对能量特征和平均温度梯度特征损伤类型的物理特征说明图；
图2为损伤区域红外重构图像的平均相对温度三维示意图；
图3为损伤区域红外重构图像的平均相对温度二维示意图；
图4为本发明集成学习分类器的建立过程示意图；
图5为本发明ANN神经网络结构示意图；
图6为碳纤维复合材料损伤试件一的红外重构图像；
图7为对碳纤维复合材料试件一集成学习的预测结果；
图8为碳纤维复合材料损伤试件二的红外重构图像；
图9为碳纤维复合材料损伤试件二的损伤判定结果。
具体实施方式：
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
如图1-5所示：本发明的一种基于集成学习的超高速撞击损伤的定量识别方法，包括以下步骤：
步骤一、获取损伤区域的红外重构图像；通过红外热像仪获取的原始红外重构图像序列数据，获得航天器撞击损伤区域的红外重构图像；
步骤二、损伤物理特征属性的提取；分别定义平均相对温度特征、平均相对能量特征和平均温度梯度特征，对表征损伤区域热量情况的物理属性进行量化；
步骤三、规则损伤的尺寸特征提取；为了度量规则损伤的尺寸，首先我们定义相对温度ΔTs为损伤区域相对于非损伤区域的温度差值；如图2所示，我们将损伤区域红外图像的平均相对温度表示在三维图像中，XOY平面表示图像的尺寸，Z轴表示平均相对温度；对图2取损伤区域直径方向剖面的温度曲线并表示在二维坐标系中，如图3所示；ΔTm/e对应的亮斑边缘大小与损伤的实际尺寸相似，其中ΔTm表示最大平均相对温度，如图3所示，损伤的实际直径大小可以表示为R＝|L1-L2|；
步骤四、不规则损伤的尺寸特征提取；损伤的区域大小是由其边界大小决定的，通过识别损伤的边缘轮廓实现损伤尺寸的量化；
步骤五、不规则损伤的形态特征提取；对于不规则损伤的形态特征提取，设计更多的参数描述损伤形态特征情况，通过链码技术量化损伤区域的面积、重心、长短径和周长等形态特征；
步骤六、在超高速撞击损伤类别判断模型中，我们将总体数据集分为物理量化属性和形态量化属性两个大类，并在各自类别中随机采样形成多个子数据集；
选用步骤二定义的平均相对温度特征、平均相对能量特征、平均温度梯度特征和步骤三中的损伤最大相对温度作为物理量化属性，选用步骤三中得到的规则损伤实际直径大小，步骤四中得到的不规则损伤实际尺寸大小以及步骤五中得到的不规则损伤区域面积、重心、长短径和周长作为形态量化属性，构成子数据集；
在得到不同的子数据集之后，需要对损伤定量分析，引入集成学习的概念，该方法通过多个分类器之间的优势互补得到比单个分类器更加准确的分类结果，其结构如图4所示，采用少数分类器服从多数分类器的组合方式，这里我们运用人工神经网络ANN来构建各个子分类器。
在上述技术方案中，所述步骤一中获得红外重构图像的具体步骤为：通过红外热像仪获取的原始红外重构图像序列数据Q(m,n,:)M×N×T，进行向量化后得到每一个像素点对应的瞬态热响应TTR，利用高斯混合模型GMM对具有不同特征的TTRs进行类别划分，并选取满足GMM每类高斯模型的概率最大值的TTR作为用于构造观测矩阵的混叠矩阵的向量，从而获得航天器撞击损伤区域的红外重构图像。
在上述技术方案中，所述步骤二中平均相对温度特征量化的计算公式为：
Figure BDA0002534686540000091
其中NΩ表示损伤区域内温度单元的数量，Tk表示损伤区域内每个温度单元的温度值，Tback表示背景区域内温度单元的温度值，||·||表示1范数，ΔT为平均相对温度；
定义的平均相对能量特征的量化公式为：
Figure BDA0002534686540000092
其中||·||2表示2范数，ΔE为平均相对能量；
定义的平均温度梯度特征的量化公式为：
Figure BDA0002534686540000101
其中ΩC表示损伤区域轮廓温度单元的集合，Ωk表示第k个温度单元的邻域，Distm表示邻域中第m个温度单元到该区域中心的距离，ΔG为平均相对温度梯度。
为了更加直观地说明不同类型损伤之间在上述物理特征方面的差异性，我们将上述三种物理特征分别表示在不同损伤的截面温度分布曲线中，如图1所示。水平虚线表示三种不同损伤对应的平均相对温度值ΔT大小，通过对比发现不同损伤的ΔT存在差异性，这是因为不同损伤区域内导热介质存在差异性，如最右侧温度分布曲线对应的损伤区域内存在导热性能更好的导热介质，导致其平均相对温度值ΔT更大。虚线圆圈所圈部分的面积表示平均相对能量ΔE，对比三种不同损伤，发现由于不同损伤区域内平均能量分布存在差异性，该属性表征不同损伤区域由于介质导热性和比热容的不同使得累计的能量存在差异性。虚线箭头与黑色直线之间的夹角表示不同损伤的平均相对温度梯度ΔG，它表示非损伤区域到损伤区域的温度突变情况，通过对比发现在不同的损伤中该属性也存在很大的差异性，这是因为损伤越严重，在红外图像中非损伤区域到损伤区域的温度变化越明显。因此，基于上述三种物理特征属性在不同损伤区域内的差异性，可以将其作为描述不同损伤的特征物理量。
在上述技术方案中，所述步骤四中通过识别损伤的边缘轮廓实现损伤尺寸的量化包括以下步骤：
步骤S41、用高斯滤波器平滑处理图像；对所述步骤一中得到的红外图像f(x,y)进行高斯平滑处理，即进行卷积运算，得到平滑处理后的图像g1(x,y)，其计算公式为：
g1(x,y)＝h(x,y,σ)*f(x,y)
其中，h(x,y,σ)＝exp(-(x2+y2)/2σ2)/2πσ为高斯函数；
步骤S42、用一阶偏导的有限差分计算梯度的幅值和方向，得到：
Gx＝g1(x,y)-g1(x+1,y+1)
Gy＝g1(x+1,y)-g1(x,y+1)
G(x,y)＝|Gx|+|Gy|
其中，Gx代表在X方向梯度，Gy代表在Y方向梯度，G(x,y)代表梯度幅值，一阶导数可以用于检测图像的边缘点；
步骤S43、对梯度幅值进行非极大值抑制；将步骤S42中得到的梯度幅值G(x,y)同八邻域像素点与f(x,y)梯度方向交点的幅值Ga(x,y)进行比较，若G(x,y)＞Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设为0，得到经过非极大抑制后的图像g2(x,y)；
步骤S44、对非极大值抑制后的图像g2(x,y)与高阈值Hth和低阈值Lth进行比较，分为三种情况：如果某一像素位置的梯度幅值超过高阈值即Gp＞Hth，其中Gp为图像g2(x,y)的像素点，则该像素被保留为边缘像素；如果某一像素位置的梯度幅值小于低阈值，即Gp＜Lth，则该像素被排除；如果某一像素位置的梯度介于高低阈值之间，即Lth＜Gp＜Hth，则判断该像素八邻域的像素是否存在高于阈值的像素，若存在，则保留，最后得到最终图像；
步骤S45、在得到损伤的边缘轮廓之后我们对损伤区域尺寸进行计算，假设图像大小为I×J，试件实际的长宽为IM×JM，沿水平方向损伤区域像素点的个数为Numpx，沿竖直方向损伤区域像素点的个数为Numpy，则最终损伤区域的实际尺寸为：
Figure BDA0002534686540000111
在上述技术方案中，所述步骤五中通过链码技术量化损伤区域的面积具体为：对于二值化的损伤图像，其面积可以表示为图中损伤区域像素点的总数，用D表示损伤区域像素点的集合，则面积S表示为：
Figure BDA0002534686540000112
对于图像尺寸为Ix×Iy的图像I，其重心
Figure BDA0002534686540000114
计算公式如下：
Figure BDA0002534686540000113
Figure BDA0002534686540000121
对于损伤区域的长径M和短径N，长短径用于表示损伤的尺寸大小，其计算方法如下：用E表示损伤的边缘图像，
Figure BDA0002534686540000122
表示重心，(x,y)∈E，设点(x',y')∈E'，则
Figure BDA0002534686540000123
其中E'表示旋转θ角形成的新图像；以重心
Figure BDA0002534686540000124
为中点，向两侧寻找第一个像素值为1的点，分别记为(x,y1)和(x,y2)，则得到一个径长L＝|y1-y2|；设定一个步长将θ从0变为2π，得到Lk,k＝1,...,K，K表示计算的次数；最终得到长径M＝max(Lk)，短径N＝min(Lk)
用E表示损伤的边缘图像并用链码对边缘进行表示，奇数和偶数链码对应的长度分别为
Figure BDA0002534686540000125
和1，则周长A可以表示为：
Figure BDA0002534686540000126
在上述技术方案中，所述步骤六中运用人工神经网络构建各个子分类器，对子数据集进行分类包括以下步骤：
步骤S61、ANN由输入层、隐含层和输出层三个部分组成，其中输入、输出层各一层，隐含层至少一层，各层节点之间通过权值相互连接，同层节点之间不连接，其结构如图5所示；假设有一个Q层的网络，第一层为输入层，第Q层为输出层；第q层(q＝1,...,Q)的神经元个数为nq，输入到第Q层的第i个神经元的连接权系数为
Figure BDA0002534686540000127
则神经元的输出为：
Figure BDA0002534686540000128
步骤S62、假设各层之间的传递函数为tansig函数，所以有：
Figure BDA0002534686540000129
步骤S63、假设给定P组输入样本和输出样本
Figure BDA00025346865400001210
dp＝[dp1,...,dpQ]T
最终误差函数表示为：
Figure BDA0002534686540000131
之后通过梯度下降法迭代更新权值
Figure BDA0002534686540000132
使得误差达到最小；
步骤S64、隐含层节点数也是神经网络重要的参数之一，隐含层表示对输入量各个损伤量化属性的修正与细化，这些节点使得所得组合特征更加有利于损伤的判断；如果隐含层神经元数量太少，则所学习的特征不能突出各自的损伤，可能无法准确判断未学习的样本；如果隐含层节点数太多，则网络中可能包含大量的相似特征，这些冗余的特征会使得网络计算效率大大降低；在该损伤类型判断模型中，隐含层神经元个数通过经验公式计算得到：
Figure BDA0002534686540000133
其中S表示输入层节点数，L表示损伤的类别数，H表示隐含层神经元数量，观察上式可以知道计算得到的隐含层神经元个数是一个范围，而我们无法直接判断最优的隐含层神经元个数，但可以基于同一个数据子集建立多个ANN，这些网络的隐含层神经元个数存在差异性，其中Dn表示第n个子数据集，M表示隐含层神经元的取值个数，由于子分类器得到的结果是损伤类型，即非后验概率，因此最终通过多数投票算法组合这些不同网络的结果得到最终的损伤类型。
下面分别利用本发明所述方法对包含不同损伤的碳纤维复合材料试件一进行计算分析，试件一表面没有明显损伤，只有纤维的纹理，在材料内部人工预制了15个不同尺寸和不同类型的内部缺陷损伤，其中包含了6个内部孔缺陷损伤，以及9个内部填充异物的孔缺陷损伤。通过红外热像仪采集碳纤维板的红外热图像序列，并通过步骤一获得损伤区域的重构红外热图像，如图6所示。然后根据本发明所述方法计算出每个损伤区域的量化属性。最后采用集成学习网络对碳纤维复合材料的损伤类型进行判断。
为了便于说明，我们将试件中的不同损伤分别编号为1～15，如图5所示。其中损伤1～3、损伤13～15为没有填充异物的内部孔缺陷损伤，且它们的大小相同。损伤4～12为填充异物的内部孔缺陷损伤，它们的大小存在差异性，填充物为导热性较高的金属粉。
我们通过步骤二所述的三种物理属性对这15个损伤进行量化，其结果如表1所示。从表1中可以看到，损伤1～3、损伤13～15的三种属性值都是负值，这里的负号不表示真实温度低于0℃，而是表示相对于非损伤区域的相对温度，也就是说损伤区域的温度低于非损伤区域。出现这种情况的原因是在这些内部孔缺陷损伤区域中，损伤内部空气的导热性能差于碳纤维复合材料，因此在加热过程中，这些损伤区域的温度低于非损伤区域。另外，由于这些损伤的大小相同，因此从表中可以看到这些损伤的三种属性值相近。
对比表1中填充异物的内部损伤区域的属性值大小，我们发现损伤4～6和损伤10～12的属性值大小相近，且他们的值稍小于损伤7～9，这是因为损伤7～9的尺寸略大于其它的填充损伤区域。通过对比，我们发现所提出的三种物理属性值能够有效地对不同损伤物理属性进行特征量化。
表1试件一损伤的物理量化属性
损伤编号 平均相对温度ΔT 平均相对能量ΔE 平均相对梯度ΔG
1 -0.28 -0.08 -0.39
2 -0.27 -0.07 -0.46
3 -0.31 -0.09 -0.39
4 0.58 0.34 0.14
5 0.59 0.35 0.15
6 0.59 0.36 0.12
7 0.65 0.43 0.22
8 0.74 0.56 0.23
9 0.75 0.56 0.21
10 0.57 0.32 0.17
11 0.57 0.32 0.18
12 0.62 0.38 0.16
13 -0.27 -0.07 -0.40
14 -0.24 -0.06 -0.45
15 -0.26 -0.07 -0.41
为了说明如何建立网络训练的数据集，并对网络测试结果的准确性进行演示，我们以损伤1、2、4、5、7、8、10、11、13和14的各个属性为基准对平均相对温度、平均相对能量、平均相对梯度加以±0.1范围内的随机噪声，对面积和周长加以±5范围内的随机噪声，对Lx加以±1的随机噪声，通过此方式来建立丰富的训练数据集，共生成120组训练样本。其中对损伤4、5、7、8、10、11标记为“0”，生成60组数据，而损伤1、2、13、14标记为“1”，生成60组数据，其中标记“0”表示有填充的损伤区域，标记“1”表示非填充的损伤区域，如果有多种损伤类型，依次进行标记添加即可。
对于测试数据集，以损伤3、6、9、12、15的属性为基准，对平均相对温度、平均相对能量、平均相对梯度加以在±0.1范围内的随机噪声，对Lx加以±1的随机噪声，对面积和周长加以±5来建立测试样本集。最终建立的测试样本集包含50个样本，其中30个来自填充损伤区域，20个来自非填充损伤区域。得到的数据集如表2所示，之后随机对数据集进行采样得到最终的子数据集，共10个子数据集，其中每个子数据集包含80个样本，包括来自填充损伤区域和非填充损伤区域各40个样本。
表2碳纤维复合材料试件一损伤数据集
Figure BDA0002534686540000151
在建立学习网络的过程中，子分类器网络层数选择为3层，其中包含输入层、输出层与单层隐含层。输入层节点数与对应子数据集中属性数相同；所有子分类器输出层节点数与损伤的类型数相同，当前有两种不同介质的损伤区域，因此输出层神经元个数为2。子分类器的隐含层神经元个数H经过计算为：3.2＜H＜12.2。我们在该范围内等间隔的选择隐含层神经元个数为6、8、10得到任意子数据集的子分类器。在每个子分类器中输入层到隐含层的传递函数选为tansig函数，隐含层到输出层的传递函数为purelin，网络的训练函数为Leveberg-Marquardt。学习速率设定为0.01，训练次数为1000次，期望误差为0.001。最终我们可以得到10×3＝30组分类结果，采用多数投票规则得到最终的损伤类型。
通过测试集可以测试上述学习网络的准确性，其结果如图7所示。图中“*”型点表示测试数据中的标签，即实际的损伤类型。测试集中共50个测试样本，30个为填充损伤区域，标记为0，20个为非填充损伤区域，标记为1。空心圆圈为最终的预测结果。我们通过EC＝(N-Nd)/N来计算最终结果的误差，其中Nd表示预测结果与实际损伤存在差异性的标签数量，N表示测试样本集中样本的数量。通过计算可以得知上述网络的判读准确率为EC＝(50-0)/50＝100％。
接下来，采用碳纤维复合材料损伤试件二作为真实样本测试集对本发明方法进行验证。所用的碳纤维复合材料试件二共包含5个内部填充损伤，经步骤一获得强化后的损伤区域红外重构图像如图8所示，经步骤二到步骤五，获得损伤的物理量化属性和形态量化属性分别如表3和表4所示，最终的损伤类型判断结果如图9所示，该试件二的所有损伤为填充损伤，判断结果与真实损伤类型一致。
表3试件二损伤的物理属性量化结果
损伤编号 平均相对温度ΔT 平均相对能量ΔE 平均相对梯度ΔG
1 0.27 0.07 0.73
2 0.29 0.08 0.74
3 0.30 0.09 0.83
4 0.36 0.13 0.91
5 0.38 0.15 0.94
表4试件二损伤的形态属性量化结果
损伤编号 L<sub>x</sub>＝L<sub>y</sub>(mm) 面积S(像素点) 周长A(像素点)
1 4.68 133 42
2 7.50 270 64
3 7.97 283 66
4 10.30 407 79
5 12.19 603 96
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，包括以下步骤：
步骤一、获取损伤区域的红外重构图像；通过红外热像仪获取的原始红外重构图像序列数据，获得航天器撞击损伤区域的红外重构图像；
步骤二、损伤物理特征属性的提取；分别定义平均相对温度特征、平均相对能量特征和平均温度梯度特征，对表征损伤区域热量情况的物理属性进行量化；
步骤三、规则损伤的尺寸特征提取，度量规则损伤的尺寸；定义相对温度为损伤区域相对于非损伤区域的温度差值；将损伤区域红外图像的平均相对温度表示在三维图像中，取损伤区域直径方向剖面的温度曲线并表示在二维坐标系中，得到损伤最大相对温度和损伤的实际直径大小；
步骤四、不规则损伤的尺寸特征提取，通过识别损伤的边缘轮廓实现损伤尺寸的量化；
步骤五、不规则损伤的形态特征提取；对于不规则损伤的形态特征提取，设计更多的参数描述损伤形态特征情况，通过链码技术量化损伤区域的面积、重心、长短径和周长形态特征；
步骤六、在超高速撞击损伤类别判断模型中，将总体数据集分为物理量化属性和形态量化属性两个大类，并在各自类别中随机采样形成多个子数据集；
选用步骤二定义的平均相对温度特征、平均相对能量特征、平均温度梯度特征和步骤三中的损伤最大相对温度作为物理量化属性，选用步骤三中得到的规则损伤实际直径大小，步骤四中得到的不规则损伤实际尺寸大小以及步骤五中得到的不规则损伤区域面积、重心、长短径和周长作为形态量化属性，构成子数据集；
在得到不同的子数据集之后，需要对损伤定量分析，引入集成学习的概念，采用少数分类器服从多数分类器的组合方式，这里我们运用人工神经网络ANN来构建各个子分类器。
2.如权利要求1所述的基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，所述步骤一中获得红外重构图像的具体步骤为：通过红外热像仪获取的原始红外重构图像序列数据Q(m,n,:)M×N×T，进行向量化后得到每一个像素点对应的瞬态热响应TTR，利用高斯混合模型GMM对具有不同特征的TTRs进行类别划分，并选取满足GMM每类高斯模型的概率最大值的TTR作为用于构造观测矩阵的混叠矩阵的向量，从而获得航天器撞击损伤区域的红外重构图像。
3.如权利要求1所述的基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，所述步骤二中平均相对温度特征量化的计算公式为：
Figure FDA0003801756990000021
其中NΩ表示损伤区域内温度单元的数量，Tk表示损伤区域内每个温度单元的温度值，Tback表示背景区域内温度单元的温度值，||·||表示1范数，ΔT为平均相对温度；
定义的平均相对能量特征的量化公式为：
Figure FDA0003801756990000022
其中||·||2表示2范数，ΔE为平均相对能量；
定义的平均温度梯度特征的量化公式为：
Figure FDA0003801756990000023
其中ΩC表示损伤区域轮廓温度单元的集合，Ωk表示第k个温度单元的邻域，Distm表示邻域中第m个温度单元到该区域中心的距离，ΔG为平均相对温度梯度。
4.如权利要求1所述的基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，所述步骤四中通过识别损伤的边缘轮廓实现损伤尺寸的量化包括以下步骤：
步骤S41、用高斯滤波器平滑处理图像；对所述步骤一中得到的红外图像f(x,y)进行高斯平滑处理，即进行卷积运算，得到平滑处理后的图像g1(x,y)，其计算公式为：
g1(x,y)＝h(x,y,σ)*f(x,y)
其中，h(x,y,σ)＝exp(-(x2+y2)/2σ2)/2πσ为高斯函数；
步骤S42、用一阶偏导的有限差分计算梯度的幅值和方向，得到：
Gx＝g1(x,y)-g2(x+1,y)
Gy＝g1(x,y)-g2(x,y+1)
G(x,y)＝|Gx|+|Gy|
其中，Gx代表在X方向梯度，Gy代表在Y方向梯度，G(x,y)代表梯度幅值，一阶导数可以用于检测图像的边缘点；
步骤S43、对梯度幅值进行非极大值抑制；将步骤S42中得到的梯度幅值G(x,y)同八邻域像素点与f(x,y)梯度方向交点的幅值Ga(x,y)进行比较，若G(x,y)＞Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设为0，得到经过非极大抑制后的图像g2(x,y)；
步骤S44、对非极大值抑制后的图像g2(x,y)与高阈值Hth和低阈值Lth进行比较，分为三种情况：如果某一像素位置的梯度幅值超过高阈值即Gp＞Hth，其中Gp为图像g2(x,y)的像素点，则该像素被保留为边缘像素；如果某一像素位置的梯度幅值小于低阈值，即Gp＜Lth，则该像素被排除；如果某一像素位置的梯度介于高低阈值之间，即Lth＜Gp＜Hth，则判断该像素八邻域的像素是否存在高于阈值的像素，若存在，则保留，最后得到最终图像；
步骤S45、在得到损伤的边缘轮廓之后我们对损伤区域尺寸进行计算，假设图像大小为I×J，试件实际的长宽为IM×JM，沿水平方向损伤区域像素点的个数为Numpx，沿竖直方向损伤区域像素点的个数为Numpy，则最终损伤区域的实际尺寸为：
Figure FDA0003801756990000031
5.如权利要求1所述的基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，所述步骤五中通过链码技术量化损伤区域的面积具体为：对于二值化的损伤图像，其面积表示图中损伤区域像素点的总数，用D表示损伤区域像素点的集合，则面积S表示为：
Figure FDA0003801756990000032
对于图像尺寸为Ix×Iy的图像I，其重心
Figure FDA0003801756990000041
计算公式如下：
Figure FDA0003801756990000042
Figure FDA0003801756990000043
对于损伤区域的长径M和短径N，长短径用于表示损伤的尺寸大小，其计算方法如下：用E表示损伤的边缘图像，
Figure FDA0003801756990000044
表示重心，(x,y)∈E，设点(x',y')∈E'，则
Figure FDA0003801756990000045
其中E'表示旋转θ角形成的新图像；以重心
Figure FDA0003801756990000046
为中点，向两侧寻找第一个像素值为1的点，分别记为(x,y1)和(x,y2)，则得到一个径长L＝| y1-y2| ；设定一个步长将θ从0变为2π，得到Lk,k＝1,...,K，K表示计算的次数；最终得到长径M＝max(Lk)，短径N＝min(Lk)
用E表示损伤的边缘图像并用链码对边缘进行表示，奇数和偶数链码对应的长度分别为
Figure FDA0003801756990000047
和1，则周长A表示为：
Figure FDA0003801756990000048
6.如权利要求1所述的基于集成学习的超高速撞击损伤的定量识别方法，其特征在于，所述步骤六中运用人工神经网络构建各个子分类器，对子数据集进行分类包括以下步骤：
步骤S61、ANN由输入层、隐含层和输出层三个部分组成，其中输入、输出层各一层，隐含层至少一层，各层节点之间通过权值相互连接，同层节点之间不连接；假设有一个Q层的网络，第一层为输入层，第Q层为输出层；第q层的神经元个数为nq，q＝1,...,Q，输入到第q层的第i个神经元的连接权系数为
Figure FDA0003801756990000049
则神经元的输出为：
Figure FDA00038017569900000410
步骤S62、假设各层之间的传递函数为tansig函数，所以有：
Figure FDA0003801756990000051
步骤S63、假设给定P组输入样本和输出样本
Figure FDA0003801756990000052
Figure FDA0003801756990000053
最终误差函数表示为：
Figure FDA0003801756990000054
之后通过梯度下降法迭代更新权值
Figure FDA0003801756990000055
使得误差达到最小；
步骤S64、隐含层节点数也是神经网络重要的参数之一，隐含层表示对输入量各个损伤量化属性的修正与细化，这些节点使得所得组合特征更加有利于损伤的判断；如果隐含层神经元数量太少，则所学习的特征不能突出各自的损伤，可能无法准确判断未学习的样本；如果隐含层节点数太多，则网络中可能包含大量的相似特征，这些冗余的特征会使得网络计算效率大大降低；在该损伤类别判断模型中，隐含层神经元个数通过经验公式计算得到：
Figure FDA0003801756990000056
其中S表示输入层节点数，L表示损伤的类别数，H表示隐含层神经元数量，观察上式可以知道计算得到的隐含层神经元个数是一个范围，而我们无法直接判断最优的隐含层神经元个数，但可以基于同一个数据子集建立多个ANN，这些网络的隐含层神经元个数存在差异性，由于子分类器得到的结果是损伤类别，即非后验概率，因此最终通过多数投票算法组合这些不同网络的结果得到最终的损伤类别。
CN202010528992.0A 2020-06-11 2020-06-11 一种基于集成学习的超高速撞击损伤的定量识别方法 Active CN111652252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010528992.0A CN111652252B (zh) 2020-06-11 2020-06-11 一种基于集成学习的超高速撞击损伤的定量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010528992.0A CN111652252B (zh) 2020-06-11 2020-06-11 一种基于集成学习的超高速撞击损伤的定量识别方法

Publications (2)

Publication Number Publication Date
CN111652252A CN111652252A (zh) 2020-09-11
CN111652252B true CN111652252B (zh) 2022-11-11

Family

ID=72346226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010528992.0A Active CN111652252B (zh) 2020-06-11 2020-06-11 一种基于集成学习的超高速撞击损伤的定量识别方法

Country Status (1)

Country Link
CN (1) CN111652252B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112818822B (zh) * 2021-01-28 2022-05-06 中国空气动力研究与发展中心超高速空气动力研究所 一种航空航天复合材料损伤区域自动识别方法
CN112881467B (zh) * 2021-03-15 2023-04-28 中国空气动力研究与发展中心超高速空气动力研究所 一种大尺寸复合材料损伤成像与定量识别方法
CN114549448B (zh) * 2022-02-17 2023-08-11 中国空气动力研究与发展中心超高速空气动力研究所 一种基于红外热成像数据分析的复杂多类型缺陷检测评估方法
CN114925716B (zh) * 2022-03-22 2023-08-25 西南交通大学 基于集成学习算法的碳纤维复合材料损伤定位方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7189959B1 (en) * 2004-03-18 2007-03-13 Fiber Optic Systems Technology Fiber optic impact detection system
KR101533905B1 (ko) * 2011-02-21 2015-07-03 스트라테크 시스템즈 리미티드 비행장 내의 이물질, 파편 또는 손상 검출 감시 시스템 및 방법
CN102621150B (zh) * 2012-03-23 2014-02-05 南京航空航天大学 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法
CN102928435A (zh) * 2012-10-15 2013-02-13 南京航空航天大学 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置
US11361544B2 (en) * 2017-05-22 2022-06-14 State Farm Mutual Automobile Insurance Company Systems and methods for determining building damage
US20190021677A1 (en) * 2017-07-18 2019-01-24 Siemens Healthcare Gmbh Methods and systems for classification and assessment using machine learning
CN109406627B (zh) * 2018-09-11 2021-07-20 温州大学苍南研究院 一种基于旋转不变子空间的复合材料板冲击定位方法
CN110294147B (zh) * 2019-05-07 2020-07-28 中国空气动力研究与发展中心超高速空气动力研究所 一种空间碎片防护构型缓冲屏损伤评估方法
CN110490249B (zh) * 2019-08-16 2022-06-07 哈尔滨工业大学 基于属性类别关系和少样本元学习的结构损伤识别方法
CN110880170B (zh) * 2019-10-22 2023-10-31 四川沐迪圣科技有限公司 一种复合材料缺陷的深度预测方法
CN110987389B (zh) * 2019-11-27 2021-07-27 南京航空航天大学 一种应力集中系数不小于3的外物损伤缺口标定方法

Also Published As

Publication number Publication date
CN111652252A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN111652252B (zh) 一种基于集成学习的超高速撞击损伤的定量识别方法
Cha et al. Autonomous structural visual inspection using region‐based deep learning for detecting multiple damage types
Zhu et al. A novel machine learning model for eddy current testing with uncertainty
CN109784203B (zh) 基于分层传播和激活的弱监督x光图像违禁品检查方法
Tran et al. One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects
Jahanshahi et al. An innovative methodology for detection and quantification of cracks through incorporation of depth perception
CN103048329A (zh) 一种基于主动轮廓模型的路面裂缝检测方法
Sinha et al. Computer vision techniques for automatic structural assessment of underground pipes
CN111860106B (zh) 一种无监督的桥梁裂缝识别方法
CN113793318B (zh) 一种多区域复杂损伤缺陷特征综合分析方法
Yusof et al. Automated asphalt pavement crack detection and classification using deep convolution neural network
CN108008006A (zh) 一种焊缝缺陷检测方法、装置、设备及系统
Pereira et al. Classification of paved and unpaved road image using convolutional neural network for road condition inspection system
Zhou et al. Automated visual inspection of target parts for train safety based on deep learning
CN112560895A (zh) 一种基于改进PSPNet网络的桥梁裂缝检测方法
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN112183237A (zh) 基于颜色空间自适应阈值分割的白细胞自动分类方法
Alfaz et al. Bridge crack detection using dense convolutional network (densenet)
Reghukumar et al. Vision based segmentation and classification of cracks using deep neural networks
Hou et al. Feature fusion for weld defect classification with small dataset
Rababaah et al. Asphalt pavement crack classification: a comparison of GA, MLP, and SOM
Chen et al. Automated detection of sewer pipe defects based on cost-sensitive convolutional neural network
Anouncia et al. Non-destructive testing using radiographic images a survey
Wijaya et al. Building crack due to lombok earthquake classification based on glcm features and svm classifier
Li et al. Online rail fastener detection based on YOLO network

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