CN112037211B - 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 - Google Patents

一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 Download PDF

Info

Publication number
CN112037211B
CN112037211B CN202010920880.XA CN202010920880A CN112037211B CN 112037211 B CN112037211 B CN 112037211B CN 202010920880 A CN202010920880 A CN 202010920880A CN 112037211 B CN112037211 B CN 112037211B
Authority
CN
China
Prior art keywords
transient thermal
thermal response
sub
cluster
value
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
CN202010920880.XA
Other languages
English (en)
Other versions
CN112037211A (zh
Inventor
黄雪刚
殷春
谭旭彤
石安华
李毅
柳森
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 CN202010920880.XA priority Critical patent/CN112037211B/zh
Publication of CN112037211A publication Critical patent/CN112037211A/zh
Application granted granted Critical
Publication of CN112037211B publication Critical patent/CN112037211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06T2207/20081—Training; Learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法，包括以下步骤：将采集的航天器撞击损伤时间的热图像序列用三维矩阵表示；从三维矩阵中选取上升率最小的瞬态热响应对应的像素点；基于最小上升率瞬态热响应确定分块大小尺寸；行分块并确定块内搜索步长；分块分步长选取瞬态热响应；对选取的瞬态热响应进行分类；基于动态建模的Chameleon聚类算法实现动态预测并进行多目标优化选取每类瞬态热响应的代表，构成矩阵；基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像；利用区域卷积神经网络对二维图像进行特征提取，从而得到航天器撞击损伤试件的缺陷特征。

Description

一种用于微小空间碎片撞击事件动态监测的损伤特征识别 方法
技术领域
本发明属于空间碎片撞击损伤检测评估技术领域，更具体地说，本发明涉及一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法。
背景技术
随着人类空间活动的不断开展，日益增多的空间碎片给人类的航天活动和在轨航天器的安全造成了极大的威胁，空间碎片问题已成为人类空间开发和实践中逐渐发展和严重的一个现实问题。特别是地球轨道上存在的数量巨大的厘米级以下微小空间碎片，由于无法进行有效地监测预警和主动规避，已经成为威胁在轨运行航天器与航天员的潜在杀手，由微小空间碎片撞击导致的航天事故屡见不鲜。当各类航天器遭受空间碎片撞击时，如何实现对撞击损伤信息的采集获取和分析评估是非常重要的。考虑到空间碎片撞击事件是在一个动态环境中随机发生的，长期在轨航天器在服役期间通常会遭受不定期多次撞击，其撞击损伤数量、损伤程度、损伤位置和损伤类型等都具有不可预知性。因此，对微小空间碎片撞击损伤进行快速而精准的在轨检测、识别和分析，可以方便在太空的航天员和地面工作人员及时做出正确的操作和采取必要的措施，为航天器空间碎片撞击事件的在轨评估与决策提供重要技术支持，从而保障航天员和航天器的安全以及航天任务的顺利完成。
红外热成像装置及其相关技术广泛应用于航空航天领域，并在航天器损伤检测与评估方面发挥了重要作用。基于红外热成像原理的损伤检测评估技术是以红外辐射特性为基础，利用不同结构或材料的热辐射物理特性不同，对材料表面及内部的不均匀性或异常进行检测，其具有快速、非接触、无污染、单次检测面积大、结果可视化、适用材料种类广等优点，非常适合于对空间碎片撞击造成的复杂损伤进行原位在役检测。基于红外热成像装置采集被测对象在外部热激励环境下的表面温度场变化数据(既红外热图像序列)，可以获得被测对象不同损伤区域在空间和时间维度上的瞬态热响应信息，进而利用相应的特征提取处理算法可实现碎空间碎片撞击造成的复杂损伤缺陷的可视化检测和评估。同时，考虑到长期在轨航天器会多次遭受微小空间碎片撞击，因此通过对定期采集的红外热图像序列数据进行分析处理，可以实现对微小空间碎片撞击损伤进行在轨监测。可见，无论是对于微小空间碎片撞击损伤的检测评估，还是对于撞击损伤变化过程的在轨监测而言，如何从大量的红外热图像序列数据中自动、快速、精确地提取和分离出损伤特征信息都是至关重要的。实践表明，在处理红外热图像序列数据过程中，利用合适的多目标优化方法可以提高数据分析处理的效率和精度，从而实现对微小空间碎片撞击航天器事件导致损伤缺陷的动态监测。
在2018年11月30日申请的名称为“一种基于动态多目标优化的红外热图像缺陷特征提取方法”(公布号为201811451744.X)和“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”(公布号为201811451866.9)的中国发明专利申请中，当多目标优化问题的环境发生了变化时，采用了基于预测的多方向预测策略对每一次环境改变后的理想PS位置进行了预测，在预测过程中，算法在m-1和m次外部环境时分别存储能够充分描述m-1和m次时刻的PS，
Figure BDA0002666682330000021
和
Figure BDA0002666682330000022
的形状和多样性的W个代表瞬态热响应构成m-1和m次外部环境的多向预测集
Figure BDA0002666682330000023
和
Figure BDA0002666682330000024
在m+1次多目标环境，利用m-1和m次的多向预测集
Figure BDA0002666682330000025
和
Figure BDA0002666682330000026
预估出新环境的
Figure BDA0002666682330000027
点进化轨迹，并在预测的PS附近生成新的初始种群解以加速新环境下的多目标优化算法收敛，从而提高动态多目标优化算法的运行效率。但在
Figure BDA0002666682330000028
中寻找构成m-1次外部环境的多向预测集
Figure BDA0002666682330000029
和在
Figure BDA00026666823300000210
中寻找构成m次外部环境的多向预测集
Figure BDA00026666823300000211
的W个多向预测集元素时，它利用
Figure BDA00026666823300000212
中的瞬态热响应与多向预测集
Figure BDA00026666823300000213
中的初始元素的距离，
Figure BDA00026666823300000214
中各瞬态热响应与多向预测集
Figure BDA00026666823300000215
中的初始元素的距离作为选择新增的多向预测集元素的度量尺度，但单一地以与初始元素的距离作为分类依据只能找寻到以初始元素为“球心”的“类球形”簇类，由单一的静态“类球形”模型不一定找到的能充分描述
Figure BDA00026666823300000216
和
Figure BDA00026666823300000217
的形状和多样性信息代表瞬态热响应，从而影响预测的精准度；且实际的航空航天环境多目标问题环境中存在更复杂的，非凸形状的簇类，对于这类型的簇类使用单一的距离模型不能达到很好的聚类效果甚至聚类失败，造成预测的
Figure BDA0002666682330000031
的准确性降低，致使多目标算法消耗时间增加。本发明在该基础上，采取基于动态建模的Chameleon聚类算法，算法首先利用K最近邻法构造K-最近邻图，再通过一个图的划分算法将K-最近邻图划分成大量相对较小的子图，每个子图代表一个初始子簇，然后基于子图间的互连性和邻近性采取自底而上的凝聚层级聚类模式反复合并子簇，动态的考察自身和其他簇，动态地适应和合并簇类，从而实现聚类操作。采用基于子簇间互连性和邻近性来进行动态建模，避免单纯依据距离大小进行划分造成的聚类不准确情况，可以高质量地发现任意形状的簇类，从而更准确地发现的动态环境下
Figure BDA0002666682330000032
和
Figure BDA0002666682330000033
的真实形状，然后精确找到能够有充足能力描述m-1和m次时刻的PS，
Figure BDA0002666682330000034
和
Figure BDA0002666682330000035
的形状和多样性的一系列瞬态热响应，提高基于多向预测集预测的效果，提高预测准确度，进而减少新环境下找到新的
Figure BDA0002666682330000036
的时间，提升算法效率。
同时，在多目标优化问题的分解方面，它采取了切比雪夫分解方法，使得各个瞬态热响应类别的前沿近似解集
Figure BDA0002666682330000037
中的解受权重向量的指导沿着一定方向朝实际前沿解集PF进化。但切比雪夫分解方法在面对高于二维的多目标优化问题时难以得到均匀的近似前沿面解集
Figure BDA0002666682330000038
以权重向量λ＝(λ1,λ2,λ3)T为例，由于切比雪夫聚合函数形式本身的原因，指导属于权重向量λ＝(λ1,λ2，λ3)T的解的进化方向为方向向量为λ'＝(1/λ1,1/λ2,1/λ3)T的一条直线。由于解的进化方向不是沿着权重向量本身所在的直线进化，因此就算权重向量是均匀的，得到的解也是不均匀的，造成获得各个瞬态热响应类别的前沿近似解集
Figure BDA0002666682330000039
中解的疏密程度不一，对于航天航空领域多目标环境下的实际前沿解集PF上本身解集稀疏的区域可能收敛不到最优解，也就无法准确找到表征缺陷信息的瞬态热响应，造成缺陷检测失败和漏检的情况出现，而对于本身解过于密集的区域，其实际解集的多样性有限，故只需要用少量的近似前沿解就能够描述此区域的解集多样性情况，若仍然采用相同数量的均匀的权重向量去指导解的进化，容易重复找到表征同一类缺陷信息的瞬态热响应，不仅会造成资源的浪费，还因为解集密集和解集稀疏的区域实际上完成收敛所需的迭代次数不一致，造成算法整体时间增加，使得对动态多目标环境的响应变慢。本发明采取基于惩罚项的边界交叉法进行多目标优化问题的分解，从聚合函数本身入手，将聚合函数的形式改进为解与权重向量λ＝(λ1,λ2,λ3)T的垂直距离和沿着权重向量的平行方向与参考点的距离两者的加权和，从分解形式上将解的进化方向限制在权重向量本身身上，使得多目标优化算法的解沿着权重向量的方向进化，使得在面对航空航天领域中存在的大量的高于二维的多目标优化问题时也能够得到分布均匀的前沿近似解集
Figure BDA0002666682330000041
保证了在进化过程中位于各类瞬态热响应实际前沿PF上本身最优解集稀疏区域的解也能够进化到最优解所在的位置，提高检测准确度，减少得到进化到实际前沿最优解集密集区域所需的权重向量，避免资源浪费，提升算法速度。并引入惩罚因子，平衡种群解之间的收敛性与多样性，减少算法整体运行时间，从而应对航天器的复杂多目标优化问题环境。
此外，原专利中针对红外热图像数据块，基于整体温度最大值点进行了小尺寸的行、列块分割，造成所需处理的数据块个数较多，面对航空航天过程中需要频繁和实时对目标进行缺陷检测的需求，小尺寸分块的计算量大，处理效率慢，难以对缺陷产生后进行及时、迅速的发现和检测，同时，过度的数据块分割会造成表征缺陷部分的瞬态热响应数据的搜素遗漏和误去除，影响缺陷检测精度。本发明改进了针对红外热图像数据块的分块操作部分，首先基于瞬态热响应上升率找到三维数据块中代表背景区域的部分，根据背景区域的尺寸将数据块分成较大尺寸的数据块，在不同数据块中采取不同的搜索步长进行数据搜索，有效避免了基于温度最大值进行小尺寸分割块所造成的过度去冗余现象，提高数据处理速度和检测精确度。原专利中根据前沿最优解集
Figure BDA0002666682330000042
选择得到各类的瞬态热响应代表时，采取随机选择的方式，使得算法检测精度和准确性不高。本发明提出从前沿近似解集
Figure BDA0002666682330000043
中选出第i'类瞬态热响应的代表i'REP的基于加权隶属度的具体方案，避免随机选择带来的不确定性。原专利中在设定缺陷类别总数时采取固定缺陷类别数然后从红外数据中寻找各类别缺陷对应的热数据进行检测，造成缺陷类别的错误识别和漏检测。本发明提出基于斯皮尔曼相关系数的缺陷类别数判别方法，避免固定缺陷类别数检测带来的错检和漏检现象，提高检测精确度。原专利中表征动态多目标环境变化程度的指标采取了简单的算术平均值，造成对极端的函数值变化过于敏感。本发明改进动态多目标环境下每次环境变化剧烈程度的判别指标公式，避免环境变化后极端函数值对判别值产生过大的影响，提升应对动态环境变化的响应速度。
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，提供了一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法，包括以下步骤：
步骤一、将红外热像仪获取的航天器撞击损伤试件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；
步骤二、从三维矩阵S的所有瞬态热响应中，选取上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)，其中，izz、jzz分别表示上升率最小的瞬态热响应对应的像素点所在行的行数、所在列的列数；
步骤三、基于最小上升率瞬态热响应确定分块大小尺寸；
步骤四、根据分块大小尺寸进行分块并确定块内搜索步长；
步骤五、分块分步长选取瞬态热响应；
步骤六、采用无监督聚类算法对选取的瞬态热响应进行分类；
步骤七、基于动态建模的Chameleon聚类算法实现动态预测并利用基于惩罚项的边界交叉法进行多目标优化选取每类瞬态热响应的代表，构成矩阵Y；
步骤八、基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像f(x,y)；
步骤九、利用区域卷积神经网络R-CNN对二维图像f(x,y)进行特征提取，得到航天器撞击损伤试件的缺陷特征。
优选的是，其中，所述步骤三基于最小上升率瞬态热响应确定分块大小尺寸的具体步骤包括：
设置分块行阈值K_THVr，分块列阈值K_THVc，依次计算上升率最小的瞬态热响应对应的像素点所在列的其他温度点S(iN,jzz,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure BDA0002666682330000061
其中iN表示距离上升率最小的瞬态热响应对应的像素点最近的第N个点；一直寻找到第一个
Figure BDA0002666682330000062
小于分块行阈值K_THVr的像素点，统计像素点个数N；
依次计算上升率最小的瞬态热响应对应的像素点所在行的其他温度点S(izz,jM,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure BDA0002666682330000063
其中jM表示上升率最小的瞬态热响应对应的像素点最近的第M个点；一直寻找到第一个
Figure BDA0002666682330000064
小于分块列阈值K_THVc的像素点，统计像素点个数M。
优选的是，其中，所述步骤四根据分块大小尺寸进行分块并确定块内搜索步长的具体步骤包括：
根据基于分块行、列阈值得到的像素点个数M、N，将三维矩阵依次分解为个数为K个，大小为N×M的子三维矩阵块kS(in,jm,t)，其中k表示第k个子三维矩阵块，in、jm、t分别表示第k个子三维矩阵块的第in行、第jm列、第t帧的像素值，n＝1,2,…,N，m＝1,2,…,M，t＝1,2,…T，T为三维矩阵S帧的总数量；
在第k个子三维数据块kS(in,jm,t)中，以子三维数据块中心点为圆心，向四周搜索，找到子三维数据块内中心点，记为kS(kiN2,kjM/2,kt)，其中，kiN/2,kjM/2,kt分别表示第k个子三维数据块中块内极大值像素点所在行数、列数以及帧数；
设置第k个子三维数据块的块内行阈值R_THVk，依次计算子三维数据块内中心点所在帧、所在行的温度点kS(kin',kjM/2,kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure BDA0002666682330000065
其中kin'表示在第k个子三维数据块中，子三维数据块内中心点最近的第n'个像素点；计算并统计
Figure BDA0002666682330000066
的温度点个数，记为kRSS，作为第k个子三维数据块的块内行步长；
设置第k个子三维数据块的块内列阈值C_THVk，依次计算子三维数据块内中心点所在帧、所在列的温度点kS(kiN/2,kjm',kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure BDA0002666682330000067
其中kjm'表示在第k个子三维数据块中，距子三维数据块内中心点kS(kiN/2,kjM/2,kt)最近的第m'个像素点；计算并统计
Figure BDA0002666682330000071
的温度点个数，记为kCSS，作为第k个子三维数据块的块内列步长。
优选的是，其中，所述步骤五分块分步长选取瞬态热响应的具体步骤包括：
步骤S51、依据步骤三统计的M、N个像素值对三维矩阵S进行分块，得到K个大小为N×M×T的子三维数据块，其中kS(in,jm,t)表示第k个子三维数据块内的第in行、第jm列像素的瞬态热响应，其中t＝1,2,…,T，T为原三维矩阵S帧的总数量；
步骤S52、对于每个子三维数据块内的像素点kS(in,jm,t)，设置阈值DD，初始化集合编号g＝1，初始化像素点位置in＝1,jm＝1，并将块内极大值kS(kizz,kjzz,ktzz)对应的瞬态热响应kS(kizz,kjzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算子三维数据块内的像素点kS(in,jm,t)中的位于in行，jm列的瞬态热响应与集合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kS(in,jm,t)作为一个新特征存储在集合X(g)中；否则，令in＝in+kRSS，继续计算下一个瞬态热响应kS(in,jm,t)，t＝1,2,...,T与集合X(g)的相关度；如果in＞N，则令in＝in-N，jm＝jm+kCSS，即变化到第jm+kCSS列进行计算，如果jm＞M,则第k个子三维矩阵的瞬态热响应选取完毕，k＝k+1；其中，N、M分别为第k个子三维矩阵数据块kS(:,:,:)的行数、列数。
优选的是，其中，所述步骤六采用无监督聚类算法对选取的瞬态热响应进行分类的具体步骤包括：
将步骤五选取的所有K个数据块的所有集合X(g)即瞬态热响应采用模糊C均值聚类FCM算法分为L类，得到每个瞬态热响应所属的类别；具体而言，包括以下步骤：
步骤S61、设置聚类数目L，初始化迭代次数c＝0，设定终止迭代条件阈值ε；
步骤S62、利用公式计算隶属度矩阵U，计算公式为：
Figure BDA0002666682330000072
其中，i'＝1,2,…,L，c∈L，n'dk'＝||xk'-i'V||，n'＝i',j'，n'dk'表示第k'个像素点与第i'聚类中心i'V的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；i'uk'表示第k'个像素点隶属于第i'类的程度；
步骤S63、更新聚类公式i'V
Figure BDA0002666682330000081
其中，
Figure BDA0002666682330000082
表示第k'个像素点的热响应值；
步骤S64、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤S65；否则，令c＝c+1，返回步骤S62；
步骤S65、利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(i'uk')。
优选的是，其中，所述步骤七的具体步骤包括：
步骤S71、在第m+1次外部环境下，对第i'(i'＝1,...,L)个类瞬态热响应选代表时，定义多目标函数：
Figure BDA0002666682330000083
其中，
Figure BDA0002666682330000084
为第m+1次外部环境下第i'类瞬态热响应选出的一个瞬态热响应
Figure BDA0002666682330000085
的类内欧氏距离，表示为：
Figure BDA0002666682330000086
Figure BDA0002666682330000087
为第i'类瞬态热响应选出的一个瞬态热响应
Figure BDA0002666682330000088
的L-1个类间欧氏距离，由计算出的L-1个类间欧氏距离
Figure BDA0002666682330000089
重新编号组成，
Figure BDA00026666823300000810
表示为：
Figure BDA00026666823300000811
Figure BDA00026666823300000812
为瞬态热响应
Figure BDA00026666823300000813
在第t时刻的像素值即温度值，
Figure BDA00026666823300000814
为第i'类瞬态热响应聚类中心在第t时刻的像素值即温度值，
Figure BDA0002666682330000091
为第j'类瞬态热响应聚类中心在第t时刻的像素值即温度值；
步骤S72、第m-1次和第m次环境下得到的多目标函数近似前沿解集分别为
Figure BDA0002666682330000092
和
Figure BDA0002666682330000093
对应的种群瞬态热响应解集分别为
Figure BDA0002666682330000094
和
Figure BDA0002666682330000095
其数目分别为
Figure BDA0002666682330000096
和
Figure BDA0002666682330000097
在环境变化后，根据第m-1次和第m次环境的历史信息，预测计算第m+1次环境下的近似前沿解集的初始化种群瞬态热响应，步骤如下：
步骤S721、
Figure BDA0002666682330000098
是从
Figure BDA0002666682330000099
解集中随机选择NE个瞬态热响应
Figure BDA00026666823300000910
构成的瞬态热响应集，n'＝1,2,..,NE，计算
Figure BDA00026666823300000911
集中代表瞬态热响应的个数W，用于获得第m+1次环境下多方向预测集：
Figure BDA00026666823300000912
其中，W1和W2分别是W下限值和上限值，且有W1＝L+1，W2＝3L，
Figure BDA00026666823300000913
是第m次环境变化程度的评估值，由下式获得：
Figure BDA00026666823300000914
Figure BDA00026666823300000915
Figure BDA00026666823300000916
其中，
Figure BDA00026666823300000917
是从
Figure BDA00026666823300000918
解集中随机选择NE个瞬态热响应
Figure BDA00026666823300000919
构成的瞬态热响应集，n'＝1,2,..,NE；
步骤S722、选择W+1个代表瞬态热响应，具体步骤为：
步骤A、代表瞬态热响应构成的PS多方向预测集由两部分组成：
一是
Figure BDA00026666823300000920
解集瞬态热响应的中心，记为
Figure BDA00026666823300000921
Figure BDA00026666823300000922
其中，
Figure BDA00026666823300000923
为解集
Figure BDA00026666823300000924
中第n个瞬态热响应；
二是基于完全自适应谱聚类算法得到的能够充分描述当前PS形状和多样性的W个代表瞬态热响应集
Figure BDA0002666682330000101
此时，集合
Figure BDA0002666682330000102
中代表瞬态热响应的个数
Figure BDA0002666682330000103
为W个；
步骤B、用Chameleon聚类算法将解集
Figure BDA0002666682330000104
中的瞬态热响应聚类成聚类集合
Figure BDA0002666682330000105
步骤B1、构造K-最近邻图Gk，将瞬态热响应集
Figure BDA0002666682330000106
中每一个瞬态热响应看成空间中的一个点，对于每一个数据点，计算数据点与其他点的欧式距离：
Figure BDA0002666682330000107
其中，d为瞬态热响应的维数，NE为瞬态热响应集
Figure BDA0002666682330000108
中的瞬态热响应数据个数；对于每一个数据点，找出与它最近邻的k个数据点对象，分别在它与它最近邻的k个数据点之间加上一条带权重的边，得到一个K-最近邻图Gk，距离越大边的权值越小；边的权重设置如下：
Figure BDA0002666682330000109
其中
Figure BDA00026666823300001010
分别表示瞬态热响应集
Figure BDA00026666823300001011
中的第k和第j个瞬态热响应，k,j＝1,2,…,NE，
Figure BDA00026666823300001012
表示瞬态热响应集
Figure BDA00026666823300001013
中的第k和第j个瞬态热响应之间的欧式距离，
Figure BDA00026666823300001014
为预设常量；
步骤B2、基于以下最小加权和原则将K-最近邻图Gk划分成大量较小的子簇；
首先将初始K-最近邻图Gk分成包含两个近似数据点数量的子簇，其中每个子簇内数据点数量为|iGk|,i＝1,2，其范围为
Figure BDA00026666823300001015
统计满足子簇点数范围的所有分图策略，记所有满足子簇点数范围的分图策略个数为|1Nde|；统计每个分图策略下，将原始K-最近邻图Gk分成两个数据点数量位于点数范围内的子簇所需割断的所有带权边的集合，其中
Figure BDA00026666823300001016
表示第1次分割的第n个分图策略，其所需割断的边集合为
Figure BDA00026666823300001017
Figure BDA00026666823300001018
分别为需割断的每个边的权重，In为第n个分图策略所需割断的边的总数；计算所有分图策略的需割断权边的加权和，其中第n个分图策略的加权和公式如下：
Figure BDA0002666682330000111
计算所有n个分图策略的割边加权和最小值：
Figure BDA0002666682330000112
找到加权和最小值所对应的分图策略，将这个策略对应的边进行割断，分成两个子簇，进行第一次分图；
然后重复对已生成的两个子簇，每个子簇都单独做步骤B2的操作直到划分后的包含瞬态热响应数据点个数最多的子簇的数据点个数都小于等于k，即
Figure BDA0002666682330000113
其中iGk表示分割后得到的第i个子簇，
Figure BDA0002666682330000114
表示分割后得到的所有子簇总数，|iGk|表示第i个子簇所包含的瞬态热响应数据点个数；
步骤B3、访问每个子簇，利用如下公式计算它与邻近的每个簇的相对互连度RI和相对近似度RC：
Figure BDA0002666682330000115
Figure BDA0002666682330000116
其中iGk和jGk分别表示第i个子簇和与它邻近的j子簇，EC(iGk,jGk)表示连接子簇iGk和jGk的所有点所需边的权重之和，EC(iGk)表示将iGk划分为大致相等的两个部分的割掉的所有边的权重的最小和，
Figure BDA0002666682330000117
表示连接簇iGk和jGk的所有点所需边权重值取平均，
Figure BDA0002666682330000118
将iGk划分为大致相等的两个部分的割边的权重的最小平均值；
步骤B4、给定阈值THME和簇与簇之间的度量函数如下：
ME(iGk,jGk)＝RI(iGk,jGk)*(RC(iGk,jGk))α
其中α为是用来调节两个参量的比重的参数，α＞1，更重视相对近似性，α＜1更重视相对互连性；访问每个子簇iGk，iGk表示第i个子簇，通过度量函数公式计算该子簇与该子簇邻近的每个子簇的度量函数值，并将度量函数值记为VME，将该子簇与邻近所有子簇的度量函数值VME存放于列表
Figure BDA0002666682330000119
中；
步骤B5、从列表
Figure BDA0002666682330000121
中找出子簇iGk与子簇iGk邻近的所有子簇的度量函数值中最大的度量函数值
Figure BDA0002666682330000122
判断是否
Figure BDA0002666682330000123
若为真，则将该子簇iGk与最大度量值对应的与其邻近的子簇合并；
步骤B6、若找到的最大度量函数值
Figure BDA0002666682330000124
没超过阀值THME，则表明此聚类已合并完成，移除聚簇列表，加入到结果聚簇中；
步骤B7、递归步骤B-4至B-6，直到待合并聚簇列表最终大小为空；最后输出聚类结果
Figure BDA0002666682330000125
步骤C、计算聚类结果中每个类别的聚类中心：
Figure BDA0002666682330000126
其中
Figure BDA0002666682330000127
为第
Figure BDA0002666682330000128
个聚类结果
Figure BDA0002666682330000129
的第k个代表瞬态热响应，
Figure BDA00026666823300001210
为第h个聚类结果中所包含的瞬态热响应总数；
基于聚类结果
Figure BDA00026666823300001211
从每个类别中选择能够充分描述当前PS形状和多样性的一个代表瞬态热响应
Figure BDA00026666823300001212
Figure BDA00026666823300001213
其中，
Figure BDA00026666823300001214
为第
Figure BDA00026666823300001215
个聚类结果
Figure BDA00026666823300001216
的聚类中心；这样一共得到W个能够充分描述当前PS形状和多样性的代表瞬态热响应，加上
Figure BDA00026666823300001217
解集整体瞬态热响应的中心，构成W+1个PS多方向预测集；
步骤S723、根据第m-1次和第m次环境的PS多方向预测集
Figure BDA00026666823300001218
和
Figure BDA00026666823300001219
其中，
Figure BDA00026666823300001220
按照步骤S721、S722的方法获得，W'是
Figure BDA00026666823300001221
集中代表瞬态热响应的个数；
计算预测方向
Figure BDA00026666823300001222
Figure BDA00026666823300001223
其中，
Figure BDA00026666823300001224
是PS多方向预测集
Figure BDA00026666823300001225
中与
Figure BDA00026666823300001226
距离最近的瞬态热响应，其序号为h'；
步骤S724、迭代次数g'＝0时，第m+1次环境下的近似前沿解集的初始化种群瞬态热响应个数为Np，其中，
Figure BDA00026666823300001227
个初始种群瞬态热响应在取值范围内随机生成，
Figure BDA00026666823300001228
个初始种群瞬态热响应由下式预测获得：
Figure BDA0002666682330000131
其中，hn为瞬态热响应
Figure BDA0002666682330000132
所属聚类结果
Figure BDA0002666682330000133
的序号，
Figure BDA0002666682330000134
是一个服从均值为0，方差为
Figure BDA0002666682330000135
的正态分布的随机数，方差
Figure BDA0002666682330000136
的计算公式为：
Figure BDA0002666682330000137
步骤S73、初始化相关参数
初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA0002666682330000138
其中
Figure BDA0002666682330000139
初始化参考点
Figure BDA00026666823300001310
是函数
Figure BDA00026666823300001311
对应的参考点；
Figure BDA00026666823300001312
最大迭代次数g'max；
初始化每个种群瞬态热响应的进化速度为
Figure BDA00026666823300001313
种群瞬态热响应的全局最优和局部最优满足
Figure BDA00026666823300001314
步骤S74、利用
Figure BDA00026666823300001315
构造基于惩罚项的边界交叉法下每个种群瞬态热响应的动态目标函数适应度值
Figure BDA00026666823300001316
Figure BDA00026666823300001317
其中
Figure BDA00026666823300001318
为预设参数，
Figure BDA00026666823300001319
和
Figure BDA00026666823300001320
的设定如下：
Figure BDA00026666823300001321
Figure BDA00026666823300001322
步骤S75、对n＝1,...,NP：按照粒子群算法更新速度
Figure BDA00026666823300001323
和种群瞬态热响应
Figure BDA00026666823300001324
按照多目标优化算法比较
Figure BDA00026666823300001325
更新全局最优
Figure BDA00026666823300001326
局部最优
Figure BDA00026666823300001327
和参考点
Figure BDA00026666823300001328
从
Figure BDA00026666823300001329
中保留支配
Figure BDA00026666823300001330
的解向量，移除所有被
Figure BDA00026666823300001331
支配的解向量，如果
Figure BDA00026666823300001332
中的向量都不支配
Figure BDA00026666823300001333
将
Figure BDA00026666823300001334
加入
Figure BDA00026666823300001335
同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤S76、进化终止判断：若g'≤g'max，则重复步骤S75，若g'＞g'max，则得到第i'类温度瞬态热响应最终的前沿近似解集
Figure BDA0002666682330000141
步骤S77、基于加权隶属度方案从前沿近似解集
Figure BDA0002666682330000142
选出第i'类瞬态热响应的代表i'REP；
根据下列公式计算前沿近似解集
Figure BDA0002666682330000143
中第k个解对第l个目标函数的隶属度：
Figure BDA0002666682330000144
其中，Fl为第l个目标函数的值，Fl max、Fl min分别为对应目标函数的最大和最小值；
为目标函数设置权重λl,(l＝1,2,…,L)，计算前沿近似解集的隶属度加权值，取所得最大值对应的前沿解即为第i'类瞬态热响应的代表i'REP，公式如下：
Figure BDA0002666682330000145
其中，
Figure BDA0002666682330000146
为前沿近似解集
Figure BDA0002666682330000147
所包含的解集个数，L为目标函数个数，
Figure BDA0002666682330000148
为隶属度函数值；
所有L类的瞬态热响应代表按列放置，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。
优选的是，其中，所述步骤八基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像f(x,y)的具体步骤包括：
以i'REP和j'REP，(i',j'＝1,2,…,L)表示任意两个瞬态热响应代表，将i'REP和j'REP对应的各个时刻的温度元素值i'REPt,(t＝1,2,…,T)和j'REPt,(t＝1,2,…,T)转换为其在各自瞬态热响应向量总体时刻温度值中的降序排名，将温度值最高的元素转换为1，温度值最低的元素转换为T，其余温度值元素按大小顺序转换为排名并记为Ra(i'REPt)和Ra(j'REPt)；根据公式：
Figure BDA0002666682330000151
计算两个瞬态热响应代表之间对应时刻元素值的差异Da，最后根据公式：
Figure BDA0002666682330000152
计算两个瞬态热响应代表i'REP和j'REP之间的斯皮尔曼相关系数；
设定相关性阈值θ，两两之间比较斯皮尔曼相关系数，保留相关性最小的瞬态热响应代表，若Rs(i'REPt,j'REPt)＜θ，则保留第i，j类瞬态热响应代表，否则剔除其中一类，得到L'类瞬态热响应代表；所有L'类的瞬态热响应代表按列放置，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'；
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：
Figure BDA0002666682330000153
得到二维图像矩阵R，其中，
Figure BDA0002666682330000154
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差距最大的一张二维图像，即温度值差距最大的一张三维图像，并记为f(x,y)。
优选的是，其中，所述步骤九中利用区域卷积神经网络R-CNN对步骤七中得到的二维图像f(x,y)进行图像中的缺陷检测和缺陷区域分割，从而实现缺陷部分的定位识别和特征提取。
本发明至少包括以下有益效果：
1、本发明采用多目标优化方法实现了差异性与相似性的综合考量，并准确的刻画缺陷轮廓，弥补了传统方法对于降维处理上的一些不足，比只基于差异性的算法提取缺陷特征更具代表性；
2、本发明采用多方向预测策略，通过引入基于稀疏图，动态建模的Chameleon层次聚类算法，高质量地选择和引入多个代表瞬态热响应，具有高质量地描述任意PS(ParetoSet)的形状的能力，从而记录每次环境PS的分布情况，以此来预测PS的新位置。在环境发生了变化后，用前两次环境的代表瞬态热响应来预测PS的新位置，在新位置生成若干新的初始种群瞬态热响应，由此加快了对环境变化的响应。
3、本发明采用基于惩罚项的边界交叉法进行多目标问题分解。使得在处理目标数超过两维的多目标优化问题时，相比切比雪夫方法得到的最优解分布更均匀，并在处理高维多目标优化问题时，基于惩罚项的边界交叉法要显著优于切比雪夫方法，更契合航天器的空间碎片复杂撞击损伤检测评估方面的要求。同时，由于惩罚项的引入，能够自由地选择进化算法获得最优解的收敛性与多样性间的平衡，以应对动态环境下动态多目标优化问题的不同要求。
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是本发明基于动态多目标优化的红外热图像缺陷特征提取方法一种具体实施方式的流程图；
图2是改进后的红外热图像数据大尺寸分块变步长的瞬态热响应搜索流程图；
图3是基于动态建模的Chameleon聚类算法流程图；
图4是采用模糊C均值聚类对选取的瞬态热响应进行分类后的结果图；
图5是基于惩罚项的边界交叉法得到的缺陷1的前沿近似解集散点图，以及基于加权隶属度方案选择的缺陷1的瞬态热响应代表；
图6是基于惩罚项的边界交叉法得到的缺陷2的前沿近似解集散点图，以及基于加权隶属度方案选择的缺陷2的瞬态热响应代表；
图7是基于惩罚项的边界交叉法得到的背景区域的前沿近似解集散点图，以及基于加权隶属度方案选择的背景区域的瞬态热响应代表；
图8是缺陷1温度点的瞬态热响应曲线图；
图9是缺陷2温度点的瞬态热响应曲线图；
图10是背景区域温度点的瞬态热响应曲线图；
图11是基于本发明选取的对应缺陷1温度点的瞬态热响应曲线图；
图12是基于本发明选取的对应缺陷2温度点的瞬态热响应曲线图；
图13是基于本发明选取的对应背景区域温度点的瞬态热响应曲线图；
图14是基于本发明提取的缺陷特征图。
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1-3所示：本发明的一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法，包括：
步骤一、将红外热像仪获取的航天器撞击损伤试件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；
步骤二、从三维矩阵S的所有瞬态热响应中，选取上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)，其中，izz、jzz分别表示上升率最小的瞬态热响应对应的像素点所在行的行数、所在列的列数；
步骤三、基于最小上升率瞬态热响应确定分块大小尺寸；
步骤四、根据分块大小尺寸进行分块并确定块内搜索步长；
步骤五、分块分步长选取瞬态热响应；
步骤六、采用无监督聚类算法对选取的瞬态热响应进行分类；
步骤七、基于动态建模的Chameleon聚类算法实现动态预测并利用基于惩罚项的边界交叉法进行多目标优化选取每类瞬态热响应的代表，构成矩阵Y；
步骤八、基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像f(x,y)；
步骤九、利用区域卷积神经网络R-CNN对二维图像f(x,y)进行特征提取，得到航天器撞击损伤试件的缺陷特征。
本发明基于动态多目标优化的红外热图像缺陷特征提取方法，通过对热图像序列变换步长选取出像素点的瞬态热响应，并采用FCM进行分类，得到各个像素点的瞬态热响应的所属类别，然后考虑每个类别像素点与同类像素点的像素值(温度值)相似性，同时考虑该像素点(温度点)与不同类别像素点(温度点)的差异性，构造相应的多目标函数，同时，在每次环境发生变化后，通过预测机制，采用基于稀疏图，动态建模的Chameleon层次聚类算法，能够更准确地，高质量地获得任意形状的PS种群信息，提高了新环境下种群预测的速度和效率，能够进一步在动态环境下实现更快和更高质量的种群跟踪，从而减少新环境下的种群迭代时间。为种群进化提供引导方向，帮助多目标优化算法对新变化做出快速响应，通过基于惩罚项的边界交叉法的多目标优化算法，使得进化算法获得的最优解分布更均匀，同时更方便地根据不同的多目标优化问题环境灵活地决定最优解间多样性和收敛性间地平衡，从而更准确地获得热图像序列的降维结果，最后利用脉冲耦合神经网络进行特征提取，从而提取出红外热图像的缺陷特征。通过上述步骤，实现代表瞬态热相应的精确选择，保证了缺陷特征提取的精准度，同时降低了动态环境下获取各个类别信息代表瞬态热相应的计算消耗。
在上述技术方案中，所述步骤三基于最小上升率瞬态热响应确定分块大小尺寸的具体步骤包括：
设置分块行阈值K_THVr，分块列阈值K_THVc，依次计算上升率最小的瞬态热响应对应的像素点所在列的其他温度点S(iN,jzz,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure BDA0002666682330000181
其中iN表示距离上升率最小的瞬态热响应对应的像素点最近的第N个点；一直寻找到第一个
Figure BDA0002666682330000182
小于分块行阈值K_THVr的像素点，统计像素点个数N；
依次计算上升率最小的瞬态热响应对应的像素点所在行的其他温度点S(izz,jM,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure BDA0002666682330000183
其中jM表示上升率最小的瞬态热响应对应的像素点最近的第M个点；一直寻找到第一个
Figure BDA0002666682330000191
小于分块列阈值K_THVc的像素点，统计像素点个数M。
在上述技术方案中，所述步骤四根据分块大小尺寸进行分块并确定块内搜索步长的具体步骤包括：
根据基于分块行、列阈值得到的像素点个数M、N，将三维矩阵依次分解为个数为K个，大小为N×M的子三维矩阵块kS(in,jm,t)，其中k表示第k个子三维矩阵块，in、jm、t分别表示第k个子三维矩阵块的第in行、第jm列、第t帧的像素值，n＝1,2,…,N，m＝1,2,…,M，t＝1,2,…T，T为三维矩阵S帧的总数量；
在第k个子三维数据块kS(in,jm,t)中，以子三维数据块中心点为圆心，向四周搜索，找到子三维数据块内中心点，记为kS(kiN/2,kjM/2,kt)，其中，kiN/2,kjM/2,kt分别表示第k个子三维数据块中块内极大值像素点所在行数、列数以及帧数；
设置第k个子三维数据块的块内行阈值R_THVk，依次计算子三维数据块内中心点所在帧、所在行的温度点kS(kin',kjM/2,kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure BDA0002666682330000192
其中kin'表示在第k个子三维数据块中，子三维数据块内中心点最近的第n'个像素点；计算并统计
Figure BDA0002666682330000193
的温度点个数，记为kRSS，作为第k个子三维数据块的块内行步长；
设置第k个子三维数据块的块内列阈值C_THVk，依次计算子三维数据块内中心点所在帧、所在列的温度点kS(kiN2,kjm',kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure BDA0002666682330000194
其中kjm'表示在第k个子三维数据块中，距子三维数据块内中心点kS(kiN/2,kjM/2,kt)最近的第m'个像素点；计算并统计
Figure BDA0002666682330000195
的温度点个数，记为kCSS，作为第k个子三维数据块的块内列步长。
在上述技术方案中，所述步骤五分块分步长选取瞬态热响应的具体步骤包括：
步骤S51、依据步骤三统计的M、N个像素值对三维矩阵S进行分块，得到K个大小为N×M×T的子三维数据块，其中kS(in,jm,t)表示第k个子三维数据块内的第in行、第jm列像素的瞬态热响应，其中t＝1,2,…,T，T为原三维矩阵S帧的总数量；
步骤S52、对于每个子三维数据块内的像素点kS(in,jm,t)，设置阈值DD，初始化集合编号g＝1，初始化像素点位置in＝1,jm＝1，并将块内极大值kS(kizz,kjzz,ktzz)对应的瞬态热响应kS(kizz,kjzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算子三维数据块内的像素点kS(in,jm,t)中的位于in行，jm列的瞬态热响应与集合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kS(in,jm,t)作为一个新特征存储在集合X(g)中；否则，令in＝in+kRSS，继续计算下一个瞬态热响应kS(in,jm,t)，t＝1,2,...,T与集合X(g)的相关度；如果in＞N，则令in＝in-N，jm＝jm+kCSS，即变化到第jm+kCSS列进行计算，如果jm＞M,则第k个子三维矩阵的瞬态热响应选取完毕，k＝k+1；其中，N、M分别为第k个子三维矩阵数据块kS(:,:,:)的行数、列数。
在上述技术方案中，所述步骤六采用无监督聚类算法对选取的瞬态热响应进行分类的具体步骤包括：
将步骤五选取的所有K个数据块的所有集合X(g)即瞬态热响应采用模糊C均值聚类FCM算法分为L类，得到每个瞬态热响应所属的类别；具体而言，包括以下步骤：
步骤S61、设置聚类数目L，初始化迭代次数c＝0，设定终止迭代条件阈值ε；
步骤S62、利用公式计算隶属度矩阵U，计算公式为：
Figure BDA0002666682330000201
其中，i'＝1,2,…,L，c∈L，n'dk'＝||xk'-i'V||，n'＝i',j'，n'dk'表示第k'个像素点与第i'聚类中心i'V的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；i'uk'表示第k'个像素点隶属于第i'类的程度；
步骤S63、更新聚类公式i'V
Figure BDA0002666682330000202
其中，
Figure BDA0002666682330000211
表示第k'个像素点的热响应值；
步骤S64、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤S65；否则，令c＝c+1，返回步骤S62；
步骤S65、利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(i'uk')。
在上述技术方案中，所述步骤七的具体步骤包括：
步骤S71、在第m+1次外部环境下，对第i'(i'＝1,...,L)个类瞬态热响应选代表时，定义多目标函数：
Figure BDA0002666682330000212
其中，
Figure BDA0002666682330000213
为第m+1次外部环境下第i'类瞬态热响应选出的一个瞬态热响应
Figure BDA0002666682330000214
的类内欧氏距离，表示为：
Figure BDA0002666682330000215
Figure BDA0002666682330000216
为第i'类瞬态热响应选出的一个瞬态热响应
Figure BDA0002666682330000217
的L-1个类间欧氏距离，由计算出的L-1个类间欧氏距离
Figure BDA0002666682330000218
重新编号组成，
Figure BDA0002666682330000219
表示为：
Figure BDA00026666823300002110
Figure BDA00026666823300002111
为瞬态热响应
Figure BDA00026666823300002112
在第t时刻的像素值即温度值，
Figure BDA00026666823300002113
为第i'类瞬态热响应聚类中心在第t时刻的像素值即温度值，
Figure BDA00026666823300002114
为第j'类瞬态热响应聚类中心在第t时刻的像素值即温度值；
步骤S72、第m-1次和第m次环境下得到的多目标函数近似前沿解集分别为
Figure BDA00026666823300002115
和
Figure BDA00026666823300002116
对应的种群瞬态热响应解集分别为
Figure BDA00026666823300002117
和
Figure BDA00026666823300002118
其数目分别为
Figure BDA00026666823300002119
和
Figure BDA00026666823300002120
在环境变化后，根据第m-1次和第m次环境的历史信息，预测计算第m+1次环境下的近似前沿解集的初始化种群瞬态热响应，步骤如下：
步骤S721、
Figure BDA00026666823300002121
是从
Figure BDA00026666823300002122
解集中随机选择NE个瞬态热响应
Figure BDA00026666823300002123
构成的瞬态热响应集，n'＝1,2,..,NE，计算
Figure BDA00026666823300002124
集中代表瞬态热响应的个数W，用于获得第m+1次环境下多方向预测集：
Figure BDA0002666682330000221
其中，W1和W2分别是W下限值和上限值，且有W1＝L+1，W2＝3L，
Figure BDA0002666682330000222
是第m次环境变化程度的评估值，由下式获得：
Figure BDA0002666682330000223
Figure BDA0002666682330000224
Figure BDA0002666682330000225
其中，
Figure BDA0002666682330000226
是从
Figure BDA0002666682330000227
解集中随机选择NE个瞬态热响应
Figure BDA0002666682330000228
构成的瞬态热响应集，n'＝1,2,..,NE；
步骤S722、选择W+1个代表瞬态热响应，具体步骤为：
步骤A、代表瞬态热响应构成的PS多方向预测集由两部分组成：
一是
Figure BDA0002666682330000229
解集瞬态热响应的中心，记为
Figure BDA00026666823300002210
Figure BDA00026666823300002211
其中，
Figure BDA00026666823300002212
为解集
Figure BDA00026666823300002213
中第n个瞬态热响应；
二是基于完全自适应谱聚类算法得到的能够充分描述当前PS形状和多样性的W个代表瞬态热响应集
Figure BDA00026666823300002214
此时，集合
Figure BDA00026666823300002215
中代表瞬态热响应的个数
Figure BDA00026666823300002216
为W个；
步骤B、用Chameleon聚类算法将解集
Figure BDA00026666823300002217
中的瞬态热响应聚类成聚类集合
Figure BDA00026666823300002218
步骤B1、构造K-最近邻图Gk，将瞬态热响应集
Figure BDA00026666823300002219
中每一个瞬态热响应看成空间中的一个点，对于每一个数据点，计算数据点与其他点的欧式距离：
Figure BDA00026666823300002220
其中，d为瞬态热响应的维数，NE为瞬态热响应集
Figure BDA0002666682330000231
中的瞬态热响应数据个数；对于每一个数据点，找出与它最近邻的k个数据点对象，分别在它与它最近邻的k个数据点之间加上一条带权重的边，得到一个K-最近邻图Gk，距离越大边的权值越小；边的权重设置如下：
Figure BDA0002666682330000232
其中
Figure BDA0002666682330000233
分别表示瞬态热响应集
Figure BDA0002666682330000234
中的第k和第j个瞬态热响应，k,j＝1,2,…,NE，
Figure BDA0002666682330000235
表示瞬态热响应集
Figure BDA0002666682330000236
中的第k和第j个瞬态热响应之间的欧式距离，
Figure BDA0002666682330000237
为预设常量；
步骤B2、基于以下最小加权和原则将K-最近邻图Gk划分成大量较小的子簇；
首先将初始K-最近邻图Gk分成包含两个近似数据点数量的子簇，其中每个子簇内数据点数量为|iGk|,i＝1,2，其范围为
Figure BDA0002666682330000238
统计满足子簇点数范围的所有分图策略，记所有满足子簇点数范围的分图策略个数为|1Nde|；统计每个分图策略下，将原始K-最近邻图Gk分成两个数据点数量位于点数范围内的子簇所需割断的所有带权边的集合，其中
Figure BDA0002666682330000239
表示第1次分割的第n个分图策略，其所需割断的边集合为
Figure BDA00026666823300002310
Figure BDA00026666823300002311
分别为需割断的每个边的权重，In为第n个分图策略所需割断的边的总数；计算所有分图策略的需割断权边的加权和，其中第n个分图策略的加权和公式如下：
Figure BDA00026666823300002312
计算所有n个分图策略的割边加权和最小值：
Figure BDA00026666823300002313
找到加权和最小值所对应的分图策略，将这个策略对应的边进行割断，分成两个子簇，进行第一次分图；
然后重复对已生成的两个子簇，每个子簇都单独做步骤B2的操作直到划分后的包含瞬态热响应数据点个数最多的子簇的数据点个数都小于等于k，即
Figure BDA0002666682330000241
其中iGk表示分割后得到的第i个子簇，
Figure BDA0002666682330000242
表示分割后得到的所有子簇总数，|iGk|表示第i个子簇所包含的瞬态热响应数据点个数；
步骤B3、访问每个子簇，利用如下公式计算它与邻近的每个簇的相对互连度RI和相对近似度RC：
Figure BDA0002666682330000243
Figure BDA0002666682330000244
其中iGk和jGk分别表示第i个子簇和与它邻近的j子簇，EC(iGk,jGk)表示连接子簇iGk和jGk的所有点所需边的权重之和，EC(iGk)表示将iGk划分为大致相等的两个部分的割掉的所有边的权重的最小和，
Figure BDA0002666682330000245
表示连接簇iGk和jGk的所有点所需边权重值取平均，
Figure BDA0002666682330000246
将iGk划分为大致相等的两个部分的割边的权重的最小平均值；
步骤B4、给定阈值THME和簇与簇之间的度量函数如下：
ME(iGk,jGk)＝RI(iGk,jGk)*(RC(iGk,jGk))α
其中α为是用来调节两个参量的比重的参数，α＞1，更重视相对近似性，α＜1更重视相对互连性；访问每个子簇iGk，iGk表示第i个子簇，通过度量函数公式计算该子簇与该子簇邻近的每个子簇的度量函数值，并将度量函数值记为VME，将该子簇与邻近所有子簇的度量函数值VME存放于列表
Figure BDA0002666682330000247
中；
步骤B5、从列表
Figure BDA0002666682330000248
中找出子簇iGk与子簇iGk邻近的所有子簇的度量函数值中最大的度量函数值
Figure BDA0002666682330000249
判断是否
Figure BDA00026666823300002410
若为真，则将该子簇iGk与最大度量值对应的与其邻近的子簇合并；
步骤B6、若找到的最大度量函数值
Figure BDA00026666823300002411
没超过阀值THME，则表明此聚类已合并完成，移除聚簇列表，加入到结果聚簇中；
步骤B7、递归步骤B-4至B-6，直到待合并聚簇列表最终大小为空；最后输出聚类结果
Figure BDA00026666823300002412
步骤C、计算聚类结果中每个类别的聚类中心：
Figure BDA0002666682330000251
其中
Figure BDA0002666682330000252
为第
Figure BDA0002666682330000253
个聚类结果
Figure BDA0002666682330000254
的第k个代表瞬态热响应，
Figure BDA0002666682330000255
为第h个聚类结果中所包含的瞬态热响应总数；
基于聚类结果
Figure BDA0002666682330000256
从每个类别中选择能够充分描述当前PS形状和多样性的一个代表瞬态热响应
Figure BDA0002666682330000257
Figure BDA0002666682330000258
其中，
Figure BDA0002666682330000259
为第
Figure BDA00026666823300002510
个聚类结果
Figure BDA00026666823300002511
的聚类中心；这样一共得到W个能够充分描述当前PS形状和多样性的代表瞬态热响应，加上
Figure BDA00026666823300002512
解集整体瞬态热响应的中心，构成W+1个PS多方向预测集；
步骤S723、根据第m-1次和第m次环境的PS多方向预测集
Figure BDA00026666823300002513
和
Figure BDA00026666823300002514
其中，
Figure BDA00026666823300002515
按照步骤S721、S722的方法获得，W'是
Figure BDA00026666823300002516
集中代表瞬态热响应的个数；
计算预测方向
Figure BDA00026666823300002517
Figure BDA00026666823300002518
其中，
Figure BDA00026666823300002519
是PS多方向预测集
Figure BDA00026666823300002520
中与
Figure BDA00026666823300002521
距离最近的瞬态热响应，其序号为h'；
步骤S724、迭代次数g'＝0时，第m+1次环境下的近似前沿解集的初始化种群瞬态热响应个数为Np，其中，
Figure BDA00026666823300002522
个初始种群瞬态热响应在取值范围内随机生成，
Figure BDA00026666823300002523
个初始种群瞬态热响应由下式预测获得：
Figure BDA00026666823300002524
其中，hn为瞬态热响应
Figure BDA00026666823300002525
所属聚类结果
Figure BDA00026666823300002526
的序号，
Figure BDA00026666823300002527
是一个服从均值为0，方差为
Figure BDA00026666823300002528
的正态分布的随机数，方差
Figure BDA00026666823300002529
的计算公式为：
Figure BDA00026666823300002530
步骤S73、初始化相关参数
初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure BDA00026666823300002531
其中
Figure BDA0002666682330000261
初始化参考点
Figure BDA0002666682330000262
是函数
Figure BDA0002666682330000263
对应的参考点；
Figure BDA0002666682330000264
最大迭代次数g'max；
初始化每个种群瞬态热响应的进化速度为
Figure BDA0002666682330000265
种群瞬态热响应的全局最优和局部最优满足
Figure BDA0002666682330000266
步骤S74、利用
Figure BDA0002666682330000267
构造基于惩罚项的边界交叉法下每个种群瞬态热响应的动态目标函数适应度值
Figure BDA0002666682330000268
Figure BDA0002666682330000269
其中
Figure BDA00026666823300002610
为预设参数，
Figure BDA00026666823300002611
和
Figure BDA00026666823300002612
的设定如下：
Figure BDA00026666823300002613
Figure BDA00026666823300002614
步骤S75、对n＝1,...,NP：按照粒子群算法更新速度
Figure BDA00026666823300002615
和种群瞬态热响应
Figure BDA00026666823300002616
按照多目标优化算法比较
Figure BDA00026666823300002617
更新全局最优
Figure BDA00026666823300002618
局部最优
Figure BDA00026666823300002619
和参考点
Figure BDA00026666823300002620
从
Figure BDA00026666823300002621
中保留支配
Figure BDA00026666823300002622
的解向量，移除所有被
Figure BDA00026666823300002623
支配的解向量，如果
Figure BDA00026666823300002624
中的向量都不支配
Figure BDA00026666823300002625
将
Figure BDA00026666823300002626
加入
Figure BDA00026666823300002627
同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤S76、进化终止判断：若g'≤g'max，则重复步骤S75，若g'＞g'max，则得到第i'类温度瞬态热响应最终的前沿近似解集
Figure BDA00026666823300002628
步骤S77、基于加权隶属度方案从前沿近似解集
Figure BDA00026666823300002629
选出第i'类瞬态热响应的代表i'REP；
根据下列公式计算前沿近似解集
Figure BDA00026666823300002630
中第k个解对第l个目标函数的隶属度：
Figure BDA0002666682330000271
其中，Fl为第l个目标函数的值，Fl max、Fl min分别为对应目标函数的最大和最小值；
为目标函数设置权重λl,(l＝1,2,…,L)，计算前沿近似解集的隶属度加权值，取所得最大值对应的前沿解即为第i'类瞬态热响应的代表i'REP，公式如下：
Figure BDA0002666682330000272
其中，
Figure BDA0002666682330000273
为前沿近似解集
Figure BDA0002666682330000274
所包含的解集个数，L为目标函数个数，
Figure BDA0002666682330000275
为隶属度函数值；
所有L类的瞬态热响应代表按列放置，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。
在上述技术方案中，所述步骤八基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像f(x,y)的具体步骤包括：
以i'REP和j'REP，(i',j'＝1,2,…,L)表示任意两个瞬态热响应代表，将i'REP和j'REP对应的各个时刻的温度元素值i'REPt,(t＝1,2,…,T)和j'REPt,(t＝1,2,…,T)转换为其在各自瞬态热响应向量总体时刻温度值中的降序排名，将温度值最高的元素转换为1，温度值最低的元素转换为T，其余温度值元素按大小顺序转换为排名并记为Ra(i'REPt)和Ra(j'REPt)；根据公式：
Figure BDA0002666682330000276
计算两个瞬态热响应代表之间对应时刻元素值的差异Da，最后根据公式：
Figure BDA0002666682330000277
计算两个瞬态热响应代表i'REP和j'REP之间的斯皮尔曼相关系数；
设定相关性阈值θ，两两之间比较斯皮尔曼相关系数，保留相关性最小的瞬态热响应代表，若Rs(i'REPt,j'REPt)＜θ，则保留第i，j类瞬态热响应代表，否则剔除其中一类，得到L'类瞬态热响应代表；所有L'类的瞬态热响应代表按列放置，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'；
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：
Figure BDA0002666682330000281
得到二维图像矩阵R，其中，
Figure BDA0002666682330000282
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差距最大的一张二维图像，即温度值差距最大的一张三维图像，并记为f(x,y)。
在上述技术方案中，所述步骤九中利用区域卷积神经网络R-CNN对步骤七中得到的二维图像f(x,y)进行图像中的缺陷检测和缺陷区域分割，从而实现缺陷部分的定位识别和特征提取。
实施例：
在本实施例中，在试件上有两种缺陷，即由于撞击导致的表层击穿的缺陷1以及撞击导致的表层剥落的缺陷2。
改进后的红外热图像数据大尺寸分块变步长的瞬态热响应搜索流程图如图2所示。
基于动态建模的Chameleon聚类算法流程图如图3所示。
在本实例中，采用模糊C均值聚类对选取的瞬态热响应进行分类后的结果图如图4所示。
采集基于惩罚项的边界交叉法获得的缺陷1温度点、缺陷2温度点以及材料本身温度点的近似前沿解集为1AP、2AP以及3AP。同时采用加权隶属度方案选择的缺陷1温度点、缺陷2温度点以及材料本身温度点的代表瞬态热响应为AFV2、BFV15以及CFV19，如图5，6，7所示。
在试件的热像图序列中直接提取三个已知温度点，即材料本身温度点、缺陷1温度点以及缺陷2温度点的瞬态热响应曲线，分别记为TTRBackground、TTRDe1以及TTRDe2，如图8、9、10所示。
用本发明中动态多目标优化选瞬态热响应代表的方法，获得了三个瞬态热响应代表：AFV2、BFV15以及CFV19，它们分别对应缺陷1温度点、缺陷2温度点以及材料本身温度点，其曲线如图11、12、13所示。
由热响应曲线可知：缺陷1温度点峰值大大高于背景区域温度峰值和缺陷2温度峰值，缺陷2温度点的峰值较高，高于背景区域峰值，背景区域温度点峰值最低。三个特征相比，缺陷1温度点吸热最多，缺陷2温度点吸收热量较多。
本发明的瞬态热响应曲线与直接从热像图序列提取对应的瞬态热响应曲线相关度如表1所示。
表1
本身温度点 缺陷1温度点 缺陷2温度点
本发明 0.994 0.990 0.990
从表1，可以看出，本发明方法选取的瞬态热响应曲线的相关性较好。
在本实施例中，提取的缺陷特征如图12所示。
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 (8)

1.一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，包括以下步骤：
步骤一、将红外热像仪获取的航天器撞击损伤试件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；
步骤二、从三维矩阵S的所有瞬态热响应中，选取上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)，其中，izz、jzz分别表示上升率最小的瞬态热响应对应的像素点所在行的行数、所在列的列数；
步骤三、基于最小上升率瞬态热响应确定分块大小尺寸；
步骤四、根据分块大小尺寸进行分块并确定块内搜索步长；
步骤五、分块分步长选取瞬态热响应；
步骤六、采用无监督聚类算法对选取的瞬态热响应进行分类；
步骤七、基于动态建模的Chameleon聚类算法实现动态预测并利用基于惩罚项的边界交叉法进行多目标优化选取每类瞬态热响应的代表，构成矩阵Y；
步骤八、基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像；
步骤九、利用区域卷积神经网络R-CNN对二维图像进行特征提取，得到航天器撞击损伤试件的缺陷特征。
2.如权利要求1所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤三基于最小上升率瞬态热响应确定分块大小尺寸的具体步骤包括：
设置分块行阈值K_THVr，分块列阈值K_THVc，依次计算上升率最小的瞬态热响应对应的像素点所在列的其他温度点S(iN,jzz,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure FDA0002666682320000011
其中iN表示距离上升率最小的瞬态热响应对应的像素点最近的第N个点；一直寻找到第一个
Figure FDA0002666682320000012
小于分块行阈值K_THVr的像素点，统计像素点个数N；
依次计算上升率最小的瞬态热响应对应的像素点所在行的其他温度点S(izz,jM,t)与上升率最小的瞬态热响应对应的像素点S(izz,jzz,t)的相关度
Figure FDA0002666682320000021
其中jM表示上升率最小的瞬态热响应对应的像素点最近的第M个点；一直寻找到第一个
Figure FDA0002666682320000022
小于分块列阈值K_THVc的像素点，统计像素点个数M。
3.如权利要求1所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤四根据分块大小尺寸进行分块并确定块内搜索步长的具体步骤包括：
根据基于分块行、列阈值得到的像素点个数M、N，将三维矩阵依次分解为个数为K个，大小为N×M的子三维矩阵块kS(in,jm,t)，其中k表示第k个子三维矩阵块，in、jm、t分别表示第k个子三维矩阵块的第in行、第jm列、第t帧的像素值，n＝1,2,…,N，m＝1,2,…,M，t＝1,2,…T，T为三维矩阵S帧的总数量；
在第k个子三维数据块kS(in,jm,t)中，以子三维数据块中心点为圆心，向四周搜索，找到子三维数据块内中心点，记为kS(kiN/2,kjM/2,kt)，其中，kiN/2,kjM/2,kt分别表示第k个子三维数据块中块内极大值像素点所在行数、列数以及帧数；
设置第k个子三维数据块的块内行阈值R_THVk，依次计算子三维数据块内中心点所在帧、所在行的温度点kS(kin',kjM/2,kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure FDA0002666682320000023
其中kin'表示在第k个子三维数据块中，子三维数据块内中心点最近的第n'个像素点；计算并统计
Figure FDA0002666682320000024
的温度点个数，记为kRSS，作为第k个子三维数据块的块内行步长；
设置第k个子三维数据块的块内列阈值C_THVk，依次计算子三维数据块内中心点所在帧、所在列的温度点kS(kiN/2,kjm',kt)与子三维数据块内中心点kS(kiN/2,kjM/2,kt)的相关度
Figure FDA0002666682320000025
其中kjm'表示在第k个子三维数据块中，距子三维数据块内中心点kS(kiN/2,kjM/2,kt)最近的第m'个像素点；计算并统计
Figure FDA0002666682320000026
的温度点个数，记为kCSS，作为第k个子三维数据块的块内列步长。
4.如权利要求1所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤五分块分步长选取瞬态热响应的具体步骤包括：
步骤S51、依据步骤三统计的M、N个像素值对三维矩阵S进行分块，得到K个大小为N×M×T的子三维数据块，其中kS(in,jm,t)表示第k个子三维数据块内的第in行、第jm列像素的瞬态热响应，其中t＝1,2,…,T，T为原三维矩阵S帧的总数量；
步骤S52、对于每个子三维数据块内的像素点kS(in,jm,t)，设置阈值DD，初始化集合编号g＝1，初始化像素点位置in＝1,jm＝1，并将块内极大值kS(kizz,kjzz,ktzz)对应的瞬态热响应kS(kizz,kjzz,t)，t＝1,2,...,T，存储在集合X(g)中；然后计算子三维数据块内的像素点kS(in,jm,t)中的位于in行，jm列的瞬态热响应与集合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kS(in,jm,t)作为一个新特征存储在集合X(g)中；否则，令in＝in+kRSS，继续计算下一个瞬态热响应kS(in,jm,t)，t＝1,2,...,T与集合X(g)的相关度；如果in＞N，则令in＝in-N，jm＝jm+kCSS，即变化到第jm+kCSS列进行计算，如果jm＞M,则第k个子三维矩阵的瞬态热响应选取完毕，k＝k+1；其中，N、M分别为第k个子三维矩阵数据块kS(:,:,:)的行数、列数。
5.如权利要求4所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤六采用无监督聚类算法对选取的瞬态热响应进行分类的具体步骤包括：
将步骤五选取的所有K个数据块的所有集合X(g)即瞬态热响应采用模糊C均值聚类FCM算法分为L类，得到每个瞬态热响应所属的类别；具体而言，包括以下步骤：
步骤S61、设置聚类数目L，初始化迭代次数c＝0，设定终止迭代条件阈值ε；
步骤S62、利用公式计算隶属度矩阵U，计算公式为：
Figure FDA0002666682320000031
其中，i'＝1,2,…,L，c∈L，n'dk'＝||xk'-i'V||，n'＝i',j'，n'dk'表示第k'个像素点与第i'聚类中心i'V的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；i'uk'表示第k'个像素点隶属于第i'类的程度；
步骤S63、更新聚类公式i'V
Figure FDA0002666682320000041
其中，
Figure FDA0002666682320000042
表示第k'个像素点的热响应值；
步骤S64、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤S65；否则，令c＝c+1，返回步骤S62；
步骤S65、利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(i'uk')。
6.如权利要求1所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤七的具体步骤包括：
步骤S71、在第m+1次外部环境下，对第i'(i'＝1,...,L)个类瞬态热响应选代表时，定义多目标函数：
Figure FDA0002666682320000043
其中，
Figure FDA0002666682320000044
为第m+1次外部环境下第i'类瞬态热响应选出的一个瞬态热响应
Figure FDA0002666682320000045
的类内欧氏距离，表示为：
Figure FDA0002666682320000046
Figure FDA0002666682320000047
为第i'类瞬态热响应选出的一个瞬态热响应
Figure FDA0002666682320000048
的L-1个类间欧氏距离，由计算出的L-1个类间欧氏距离
Figure FDA0002666682320000049
重新编号组成，
Figure FDA00026666823200000410
表示为：
Figure FDA00026666823200000411
Figure FDA00026666823200000412
为瞬态热响应
Figure FDA00026666823200000413
在第t时刻的像素值即温度值，
Figure FDA00026666823200000414
为第i'类瞬态热响应聚类中心在第t时刻的像素值即温度值，
Figure FDA00026666823200000415
为第j'类瞬态热响应聚类中心在第t时刻的像素值即温度值；
步骤S72、第m-1次和第m次环境下得到的多目标函数近似前沿解集分别为
Figure FDA0002666682320000051
和
Figure FDA0002666682320000052
对应的种群瞬态热响应解集分别为
Figure FDA0002666682320000053
和
Figure FDA0002666682320000054
其数目分别为
Figure FDA0002666682320000055
和
Figure FDA0002666682320000056
在环境变化后，根据第m-1次和第m次环境的历史信息，预测计算第m+1次环境下的近似前沿解集的初始化种群瞬态热响应，步骤如下：
步骤S721、
Figure FDA0002666682320000057
是从
Figure FDA0002666682320000058
解集中随机选择NE个瞬态热响应
Figure FDA0002666682320000059
构成的瞬态热响应集，n'＝1,2,..,NE，计算
Figure FDA00026666823200000510
集中代表瞬态热响应的个数W，用于获得第m+1次环境下多方向预测集：
Figure FDA00026666823200000511
其中，W1和W2分别是W下限值和上限值，且有W1＝L+1，W2＝3L，
Figure FDA00026666823200000512
是第m次环境变化程度的评估值，由下式获得：
Figure FDA00026666823200000513
Figure FDA00026666823200000514
Figure FDA00026666823200000515
其中，
Figure FDA00026666823200000516
是从
Figure FDA00026666823200000517
解集中随机选择NE个瞬态热响应
Figure FDA00026666823200000518
构成的瞬态热响应集，n'＝1,2,..,NE；
步骤S722、选择W+1个代表瞬态热响应，具体步骤为：
步骤A、代表瞬态热响应构成的PS多方向预测集由两部分组成：
一是
Figure FDA00026666823200000519
解集瞬态热响应的中心，记为
Figure FDA00026666823200000520
Figure FDA00026666823200000521
其中，
Figure FDA00026666823200000522
为解集
Figure FDA00026666823200000523
中第n个瞬态热响应；
二是基于完全自适应谱聚类算法得到的能够充分描述当前PS形状和多样性的W个代表瞬态热响应集
Figure FDA00026666823200000524
此时，集合
Figure FDA00026666823200000525
中代表瞬态热响应的个数
Figure FDA00026666823200000526
为W个；
步骤B、用Chameleon聚类算法将解集
Figure FDA0002666682320000061
中的瞬态热响应聚类成聚类集合
Figure FDA0002666682320000062
步骤B1、构造K-最近邻图Gk，将瞬态热响应集
Figure FDA0002666682320000063
中每一个瞬态热响应看成空间中的一个点，对于每一个数据点，计算数据点与其他点的欧式距离：
Figure FDA0002666682320000064
其中，d为瞬态热响应的维数，NE为瞬态热响应集
Figure FDA0002666682320000065
中的瞬态热响应数据个数；对于每一个数据点，找出与它最近邻的k个数据点对象，分别在它与它最近邻的k个数据点之间加上一条带权重的边，得到一个K-最近邻图Gk，距离越大边的权值越小；边的权重设置如下：
Figure FDA0002666682320000066
其中
Figure FDA0002666682320000067
分别表示瞬态热响应集
Figure FDA0002666682320000068
中的第k和第j个瞬态热响应，k,j＝1,2,…,NE，
Figure FDA0002666682320000069
表示瞬态热响应集
Figure FDA00026666823200000610
中的第k和第j个瞬态热响应之间的欧式距离，
Figure FDA00026666823200000611
为预设常量；
步骤B2、基于以下最小加权和原则将K-最近邻图Gk划分成大量较小的子簇；
首先将初始K-最近邻图Gk分成包含两个近似数据点数量的子簇，其中每个子簇内数据点数量为|iGk|,i＝1,2，其范围为
Figure FDA00026666823200000612
统计满足子簇点数范围的所有分图策略，记所有满足子簇点数范围的分图策略个数为|1Nde|；统计每个分图策略下，将原始K-最近邻图Gk分成两个数据点数量位于点数范围内的子簇所需割断的所有带权边的集合，其中
Figure FDA00026666823200000613
表示第1次分割的第n个分图策略，其所需割断的边集合为
Figure FDA00026666823200000614
Figure FDA00026666823200000615
分别为需割断的每个边的权重，In为第n个分图策略所需割断的边的总数；计算所有分图策略的需割断权边的加权和，其中第n个分图策略的加权和公式如下：
Figure FDA00026666823200000616
计算所有n个分图策略的割边加权和最小值：
Figure FDA0002666682320000071
找到加权和最小值所对应的分图策略，将这个策略对应的边进行割断，分成两个子簇，进行第一次分图；
然后重复对已生成的两个子簇，每个子簇都单独做步骤B2的操作直到划分后的包含瞬态热响应数据点个数最多的子簇的数据点个数都小于等于k，即
Figure FDA0002666682320000072
其中iGk表示分割后得到的第i个子簇，
Figure FDA0002666682320000073
表示分割后得到的所有子簇总数，|iGk|表示第i个子簇所包含的瞬态热响应数据点个数；
步骤B3、访问每个子簇，利用如下公式计算它与邻近的每个簇的相对互连度RI和相对近似度RC：
Figure FDA0002666682320000074
Figure FDA0002666682320000075
其中iGk和jGk分别表示第i个子簇和与它邻近的j子簇，EC(iGk,jGk)表示连接子簇iGk和jGk的所有点所需边的权重之和，EC(iGk)表示将iGk划分为大致相等的两个部分的割掉的所有边的权重的最小和，
Figure FDA0002666682320000076
表示连接簇iGk和jGk的所有点所需边权重值取平均，
Figure FDA0002666682320000077
将iGk划分为大致相等的两个部分的割边的权重的最小平均值；
步骤B4、给定阈值THME和簇与簇之间的度量函数如下：
ME(iGk,jGk)＝RI(iGk,jGk)*(RC(iGk,jGk))α
其中α为是用来调节两个参量的比重的参数，α＞1，更重视相对近似性，α＜1更重视相对互连性；访问每个子簇iGk，iGk表示第i个子簇，通过度量函数公式计算该子簇与该子簇邻近的每个子簇的度量函数值，并将度量函数值记为VME，将该子簇与邻近所有子簇的度量函数值VME存放于列表
Figure FDA0002666682320000078
中；
步骤B5、从列表
Figure FDA0002666682320000079
中找出子簇iGk与子簇iGk邻近的所有子簇的度量函数值中最大的度量函数值
Figure FDA00026666823200000710
判断是否
Figure FDA00026666823200000711
若为真，则将该子簇iGk与最大度量值对应的与其邻近的子簇合并；
步骤B6、若找到的最大度量函数值
Figure FDA0002666682320000081
没超过阀值THME，则表明此聚类已合并完成，移除聚簇列表，加入到结果聚簇中；
步骤B7、递归步骤B-4至B-6，直到待合并聚簇列表最终大小为空；最后输出聚类结果
Figure FDA0002666682320000082
步骤C、计算聚类结果中每个类别的聚类中心：
Figure FDA0002666682320000083
其中
Figure FDA0002666682320000084
为第
Figure FDA0002666682320000085
个聚类结果
Figure FDA0002666682320000086
的第k个代表瞬态热响应，
Figure FDA0002666682320000087
为第h个聚类结果中所包含的瞬态热响应总数；
基于聚类结果
Figure FDA0002666682320000088
从每个类别中选择能够充分描述当前PS形状和多样性的一个代表瞬态热响应
Figure FDA0002666682320000089
Figure FDA00026666823200000810
其中，
Figure FDA00026666823200000811
为第
Figure FDA00026666823200000812
个聚类结果
Figure FDA00026666823200000813
的聚类中心；这样一共得到W个能够充分描述当前PS形状和多样性的代表瞬态热响应，加上
Figure FDA00026666823200000814
解集整体瞬态热响应的中心，构成W+1个PS多方向预测集；
步骤S723、根据第m-1次和第m次环境的PS多方向预测集
Figure FDA00026666823200000815
和
Figure FDA00026666823200000816
其中，
Figure FDA00026666823200000817
按照步骤S721、S722的方法获得，W'是
Figure FDA00026666823200000818
集中代表瞬态热响应的个数；
计算预测方向
Figure FDA00026666823200000819
Figure FDA00026666823200000820
其中，
Figure FDA00026666823200000821
是PS多方向预测集
Figure FDA00026666823200000822
中与
Figure FDA00026666823200000823
距离最近的瞬态热响应，其序号为h'；
步骤S724、迭代次数g'＝0时，第m+1次环境下的近似前沿解集的初始化种群瞬态热响应个数为Np，其中，
Figure FDA00026666823200000824
个初始种群瞬态热响应在取值范围内随机生成，
Figure FDA00026666823200000825
个初始种群瞬态热响应由下式预测获得：
Figure FDA00026666823200000826
其中，hn为瞬态热响应
Figure FDA00026666823200000827
所属聚类结果
Figure FDA00026666823200000828
的序号，
Figure FDA00026666823200000829
是一个服从均值为0，方差为
Figure FDA0002666682320000091
的正态分布的随机数，方差
Figure FDA0002666682320000092
的计算公式为：
Figure FDA0002666682320000093
步骤S73、初始化相关参数
初始化迭代次数g'＝0，一组均匀分布的权重向量
Figure FDA0002666682320000094
其中
Figure FDA0002666682320000095
初始化参考点
Figure FDA0002666682320000096
是函数
Figure FDA0002666682320000097
对应的参考点；
Figure FDA0002666682320000098
最大迭代次数g'max；
初始化每个种群瞬态热响应的进化速度为
Figure FDA0002666682320000099
种群瞬态热响应的全局最优和局部最优满足
Figure FDA00026666823200000910
步骤S74、利用
Figure FDA00026666823200000911
构造基于惩罚项的边界交叉法下每个种群瞬态热响应的动态目标函数适应度值
Figure FDA00026666823200000912
Figure FDA00026666823200000913
其中
Figure FDA00026666823200000914
为预设参数，
Figure FDA00026666823200000915
和
Figure FDA00026666823200000916
的设定如下：
Figure FDA00026666823200000917
Figure FDA00026666823200000918
步骤S75、对n＝1,...,NP：按照粒子群算法更新速度
Figure FDA00026666823200000919
和种群瞬态热响应
Figure FDA00026666823200000920
按照多目标优化算法比较
Figure FDA00026666823200000921
更新全局最优
Figure FDA00026666823200000922
局部最优
Figure FDA00026666823200000923
和参考点
Figure FDA00026666823200000924
从
Figure FDA00026666823200000925
中保留支配
Figure FDA00026666823200000926
的解向量，移除所有被
Figure FDA00026666823200000927
支配的解向量，如果
Figure FDA00026666823200000928
中的向量都不支配
Figure FDA00026666823200000929
将
Figure FDA00026666823200000930
加入
Figure FDA00026666823200000931
同时n＝n+1，若n≤NP，则g'＝g'+1；
步骤S76、进化终止判断：若g'≤g'max，则重复步骤S75，若g'＞g'max，则得到第i'类温度瞬态热响应最终的前沿近似解集
Figure FDA0002666682320000101
步骤S77、基于加权隶属度方案从前沿近似解集
Figure FDA0002666682320000102
选出第i'类瞬态热响应的代表i'REP；
根据下列公式计算前沿近似解集
Figure FDA0002666682320000103
中第k个解对第l个目标函数的隶属度：
Figure FDA0002666682320000104
其中，Fl为第l个目标函数的值，Fl max、Fl min分别为对应目标函数的最大和最小值；
为目标函数设置权重λl,(l＝1,2,…,L)，计算前沿近似解集的隶属度加权值，取所得最大值对应的前沿解即为第i'类瞬态热响应的代表i'REP，公式如下：
Figure FDA0002666682320000105
其中，
Figure FDA0002666682320000106
为前沿近似解集
Figure FDA0002666682320000107
所包含的解集个数，L为目标函数个数，
Figure FDA0002666682320000108
为隶属度函数值；
所有L类的瞬态热响应代表按列放置，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。
7.如权利要求1所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤八基于斯皮尔曼相关系数进行实际缺陷类别数判别，并根据实际缺陷类别数矩阵变化得到二维图像f(x,y)的具体步骤包括：
以i'REP和j'REP，(i',j'＝1,2,…,L)表示任意两个瞬态热响应代表，将i'REP和j'REP对应的各个时刻的温度元素值i'REPt,(t＝1,2,…,T)和j'REPt,(t＝1,2,…,T)转换为其在各自瞬态热响应向量总体时刻温度值中的降序排名，将温度值最高的元素转换为1，温度值最低的元素转换为T，其余温度值元素按大小顺序转换为排名并记为Ra(i'REPt)和Ra(j'REPt)；根据公式：
Figure FDA0002666682320000111
计算两个瞬态热响应代表之间对应时刻元素值的差异Da，最后根据公式：
Figure FDA0002666682320000112
计算两个瞬态热响应代表i'REP和j'REP之间的斯皮尔曼相关系数；
设定相关性阈值θ，两两之间比较斯皮尔曼相关系数，保留相关性最小的瞬态热响应代表，若Rs(i'REPt,j'REPt)＜θ，则保留第i，j类瞬态热响应代表，否则剔除其中一类，得到L'类瞬态热响应代表；所有L'类的瞬态热响应代表按列放置，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'；
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：
Figure FDA0002666682320000113
得到二维图像矩阵R，其中，
Figure FDA0002666682320000114
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差距最大的一张二维图像，即温度值差距最大的一张三维图像，并记为f(x,y)。
8.如权利要求7所述的用于微小空间碎片撞击事件动态监测的损伤特征识别方法，其特征在于，所述步骤九中利用区域卷积神经网络R-CNN对步骤七中得到的二维图像f(x,y)进行图像中的缺陷检测和缺陷区域分割，从而实现缺陷部分的定位识别和特征提取。
CN202010920880.XA 2020-09-04 2020-09-04 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法 Active CN112037211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010920880.XA CN112037211B (zh) 2020-09-04 2020-09-04 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010920880.XA CN112037211B (zh) 2020-09-04 2020-09-04 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法

Publications (2)

Publication Number Publication Date
CN112037211A CN112037211A (zh) 2020-12-04
CN112037211B true CN112037211B (zh) 2022-03-25

Family

ID=73591389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010920880.XA Active CN112037211B (zh) 2020-09-04 2020-09-04 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法

Country Status (1)

Country Link
CN (1) CN112037211B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158399B (zh) * 2020-12-14 2024-03-12 中国国家铁路集团有限公司 钢轨廓形动态拼接处理方法及装置
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
CN112906713B (zh) * 2021-01-28 2022-03-04 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可视化特征提取方法
TWI770992B (zh) * 2021-05-07 2022-07-11 宏茂光電股份有限公司 避免過度配適之配適法
CN113628231B (zh) * 2021-10-11 2022-01-25 中国人民解放军国防科技大学 一种未知形状小天体的撞击中心计算方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003141530A (ja) * 2001-10-30 2003-05-16 Mitsubishi Electric Corp 画像処理システム
CN101320485A (zh) * 2008-06-03 2008-12-10 东南大学 一种基于立体匹配的人脸三维模型获取方法
CN102590247A (zh) * 2012-03-05 2012-07-18 上海海事大学 一种基于x光图像处理技术的钢丝绳损伤检测方法
CN103440625A (zh) * 2013-08-16 2013-12-11 浙江大学 基于纹理特征加强的高光谱图像处理方法
CN104933434A (zh) * 2015-06-16 2015-09-23 同济大学 一种结合LBP特征提取和surf特征提取方法的图像匹配方法
CN105190724A (zh) * 2013-03-11 2015-12-23 林肯环球股份有限公司 在虚拟现实环境中提供增强的教学和训练的系统和方法
CN107330395A (zh) * 2017-06-27 2017-11-07 中国矿业大学 一种基于卷积神经网络的虹膜图像加密方法
CN108460716A (zh) * 2018-01-30 2018-08-28 大连工业大学 专色印刷图像数字水印方法及系统
CN108830839A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种基于行列变步长分割的压容器的热图像缺陷检测方法
CN109325531A (zh) * 2018-09-17 2019-02-12 平安科技（深圳）有限公司 基于图像的车辆定损方法、装置、设备及存储介质
CN109767438A (zh) * 2019-01-09 2019-05-17 电子科技大学 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
JP2019095886A (ja) * 2017-11-20 2019-06-20 株式会社パスコ 建物被害推定装置
CN111598887A (zh) * 2020-05-25 2020-08-28 中国空气动力研究与发展中心超高速空气动力研究所 一种基于lvq-gmm算法和多目标优化分割算法的航天器缺陷检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003141530A (ja) * 2001-10-30 2003-05-16 Mitsubishi Electric Corp 画像処理システム
CN101320485A (zh) * 2008-06-03 2008-12-10 东南大学 一种基于立体匹配的人脸三维模型获取方法
CN102590247A (zh) * 2012-03-05 2012-07-18 上海海事大学 一种基于x光图像处理技术的钢丝绳损伤检测方法
CN110544404A (zh) * 2013-03-11 2019-12-06 林肯环球股份有限公司 在虚拟现实环境中提供增强的教学和训练的系统和方法
CN105190724A (zh) * 2013-03-11 2015-12-23 林肯环球股份有限公司 在虚拟现实环境中提供增强的教学和训练的系统和方法
CN103440625A (zh) * 2013-08-16 2013-12-11 浙江大学 基于纹理特征加强的高光谱图像处理方法
CN104933434A (zh) * 2015-06-16 2015-09-23 同济大学 一种结合LBP特征提取和surf特征提取方法的图像匹配方法
CN107330395A (zh) * 2017-06-27 2017-11-07 中国矿业大学 一种基于卷积神经网络的虹膜图像加密方法
JP2019095886A (ja) * 2017-11-20 2019-06-20 株式会社パスコ 建物被害推定装置
CN108460716A (zh) * 2018-01-30 2018-08-28 大连工业大学 专色印刷图像数字水印方法及系统
CN108830839A (zh) * 2018-05-29 2018-11-16 电子科技大学 一种基于行列变步长分割的压容器的热图像缺陷检测方法
CN109325531A (zh) * 2018-09-17 2019-02-12 平安科技（深圳）有限公司 基于图像的车辆定损方法、装置、设备及存储介质
CN109767438A (zh) * 2019-01-09 2019-05-17 电子科技大学 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
CN111598887A (zh) * 2020-05-25 2020-08-28 中国空气动力研究与发展中心超高速空气动力研究所 一种基于lvq-gmm算法和多目标优化分割算法的航天器缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Alpha divergences based mass transport models for image matching problems;CHEN P;《Inverse Problems and Imaging》;20131231;第551-590页 *
应用于压力容器红外无损检测的SIFT图像拼接方法;黄雪刚 等;《电子测量与仪器学报》;20191231;第31-40页 *
深度学习在图像识别中的应用研究综述;郑远攀等;《计算机工程与应用》;20190419(第12期);第2-36页 *
自动指纹识别系统预处理技术及细节特征提取算法的研究;杨小冬等;《南京大学学报(自然科学版)》;20060730(第04期);第351-361页 *
航空发动机内窥故障智能诊断技术研究;牟君鹏;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170315;C031-1197 *

Also Published As

Publication number Publication date
CN112037211A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112037211B (zh) 一种用于微小空间碎片撞击事件动态监测的损伤特征识别方法
CN112016628B (zh) 一种基于动态多目标预测的空间碎片撞击损伤判读方法
US11475360B2 (en) System and method for relational time series learning with the aid of a digital computer
CN112016627B (zh) 一种在轨航天器微小撞击损伤可视化检测评估方法
CN109767438B (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
CN111079602B (zh) 基于多尺度区域特征约束的车辆细粒度识别方法及装置
CN111598887B (zh) 一种基于lvq-gmm算法和多目标优化分割算法的航天器缺陷检测方法
Di Prinzio et al. Data-driven catchment classification: application to the pub problem
US20150185270A1 (en) Method for recognizing transformer partial discharge pattern based on singular value decomposition algorithm
CN108985360B (zh) 基于扩展形态学与主动学习的高光谱分类方法
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN109767437B (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
CN105260738A (zh) 基于主动学习的高分辨率遥感影像变化检测方法及系统
CN108229550A (zh) 一种基于多粒度级联森林网络的云图分类方法
CN112233099B (zh) 一种可重复使用航天器表面撞击损伤特征识别方法
CN109784392A (zh) 一种基于综合置信的高光谱图像半监督分类方法
CN111832608A (zh) 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法
CN112818822B (zh) 一种航空航天复合材料损伤区域自动识别方法
CN107491734A (zh) 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法
CN112215830B (zh) 一种航天防热材料撞击损伤特征类型判读方法
Yao et al. Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China
CN107798345A (zh) 基于块对角与低秩表示的高光谱伪装目标检测方法
CN107766792B (zh) 一种遥感图像舰船目标识别方法
CN106228197A (zh) 一种基于自适应极限学习机的卫星图像云量识别方法
Wang et al. Particle swarm optimization for fuzzy c-means clustering

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