CN112461892B - 一种用于复材缺陷无损检测的红外热影像分析方法 - Google Patents
一种用于复材缺陷无损检测的红外热影像分析方法 Download PDFInfo
- Publication number
- CN112461892B CN112461892B CN202011201479.7A CN202011201479A CN112461892B CN 112461892 B CN112461892 B CN 112461892B CN 202011201479 A CN202011201479 A CN 202011201479A CN 112461892 B CN112461892 B CN 112461892B
- Authority
- CN
- China
- Prior art keywords
- thermal image
- matrix
- data
- thermal
- olppt
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 74
- 239000002131 composite material Substances 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000003703 image analysis method Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 15
- 229920000642 polymer Polymers 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 10
- 238000010438 heat treatment Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 4
- 238000001931 thermography Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000013144 data compression Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 239000011737 fluorine Substances 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 description 12
- 239000004918 carbon fiber reinforced polymer Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 5
- 229920000049 Carbon (fiber) Polymers 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 239000004917 carbon fiber Substances 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 239000004809 Teflon Substances 0.000 description 2
- 229920006362 Teflon® Polymers 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种用于复材缺陷无损检测的红外热影像分析方法，包括以下步骤：(1)数据采集：利用红外热像仪获取聚合物复合材料内部缺陷的热影像数据，包括试样的脉冲加热与试样表面热图像捕捉两个过程；(2)数据预处理：对传感器采集到的原始热影像数据进行预处理，包括三部分内容：a)图像有效区域选择b)数据的扩展c)中心化处理；(3)缺陷检测热影像数据分析模型OLPPT构建：计算特征空间的嵌入矩阵Y；(4)OLPPT模型结果可视化：嵌入投影y可视化；(5)OLPPT模型效果定量评估：计算信噪比指标。
Description
技术领域
本发明涉及一种用于复材缺陷无损检测的红外热影像分析方法，特别涉及一种工业生产中聚合物复合材料缺陷检测过程热影像数据的处理和分析方法。
背景技术
聚合物复合材料由于其良好的特性已成为制造业中产品制造的重要材料。然而，在复合材料的制造过程中，会出现纤维断裂、空洞等各种类型的隐形缺陷，这会对复合材料产品的质量产生负面影响。因此，准确、有效、及时地检测复合材料中的缺陷，对提高社会效益和经济效益具有重要意义。无损检测(NDT)技术由于其无损和检测全面的优势已成为复合缺陷检测的优先选择。常用的NDT方法包括红外热成像(IRT)，超声波检测，电阻检测和射线后向散射检测等。其中，IRT因其低成本、易操作和宽扫描范围而广受欢迎。根据外部热源的加热时间，IRT中的主动主动热成像技术主要分为脉冲热成像(PT)和锁相热成像。
近年来，PT由于其低成本、易操作和快速扫描速度而备受关注。为了应用PT，照相闪光通常用于产生短的能量脉冲以在短时间内加热目标物体的表面，然后热通量扩散到材料中，使用红外热像仪记录表面温度响应为热图像的时间序列。然而，仅通过目视检查通常难以识别热图像中的缺陷，主要原因是热图像中通常包含测量噪声和不均匀背景。此外，高频红外摄像机在测试过程中经常会捕获大量的热图像，使用目视逐一检查费力又耗时。因此，有必要采用有效的热成像数据处理方法来改进热成像缺陷分析的结果。
目前，已经开发了许多常见的热成像数据处理技术，包括脉冲相位热成像，差分绝对对比度，热成像序列重建(TSR)，主成分热成像(PCT)，数学形态学，惩罚最小二乘法等。其中，PCT通过线性投影，期望数据方差在投影维度中最大以最大限度地保留数据结构的特征，并实现热图像中的缺陷识别。基于傅里叶热传导原理，TSR为每个像素的表面温度响应建立多项式滤波器，减少数据中的测量噪声，并导出所获得的滤波信号，以进一步改善缺陷检测结果。先前的研究表明，这些方法从不同角度分析热成像数据，达到去除不均匀背景，降低噪声和特征提取的目的。然而，这些缺陷评估方法对缺陷信息提取仍然非常有限，缺陷检测不完全、不集中等问题一直存在。
非线性降维方法作为统计学和机器学习的一个分支，已经在多个实际应用领域中有了行之有效的技术。流形学习作为一种典型的非线性降维技术，能够在低维空间反映高维数据空间中的固有低维流形。在特征提取方面，它通常优于主成分分析(PCA)等传统的线性方法。在此发明中，提出了一种正交局部保持投影热影像数据分析方法(OLPPT)。作为流形学习方法，该方法不仅在保持原始热成像数据的固有结构特征的同时提高了辨别能力，而且在提高识别效率的同时减少了计算时间和成本。OLPPT是基于正交局部保留投影(OLPP)算法开发的，OLPP以局部保留投影(LPP)为基础，它在保留局部结构和内部信息方面更为强大，并建立了能反映流形几何形状和样本点的类关系，然后通过保留该图形结构来获得邻接图。
事实上，若使用OLPPT获得的所有维数，则投影图只是一个不会扭曲度量结构的旋转图。因此，OLPPT的性能对维度的数量并不敏感。由于热影像数据尺寸较大，图像中像素较多且数据实际上位于低维流形上，因此OLPPT比对维度敏感的LPP更适合用来分析热影像数据，且预期OLPPT具有更强的鉴别能力。然而，经文献检索发现，流形学习的概念很少应用于热成像数据分析，故而本文提出基于一种正交局部保持投影的流形学习热影像数据分析方法OLPPT。
发明内容
本发明要克服上述现有聚合物复合材料缺陷检测热影像数据处理技术的不足，提出一种基于正交局部保留投影的热影像数据分析方法(OLPPT)，对聚合物复合材料内部缺陷进行有效检测，以实现对缺陷信息的精确识别。
本发明解决其技术问题所采用的技术方案是：
一种用于复材缺陷无损检测的红外热影像分析方法，包括以下步骤：
(1)数据采集：利用红外热像仪获取聚合物复合材料内部缺陷的热影像数据；
热影像数据采集过程包括试样的脉冲加热与试样表面热图像捕捉两个过程。首先，利用可以传递较大能量的闪光灯提供的热脉冲对试样加热。然后，在试样冷却阶段，通过红外摄像机采用一定的分辨率和采样率捕获物体表面的热图像。
(2)数据预处理：对传感器采集到的原始热影像数据进行预处理；
热影像数据的质量对流形学习模型的缺陷检测性能起决定性作用。数据预处理包括三部分内容：首先，去除热图像的无效边缘，选择热图像的有效区域作为图像分析的感兴趣区域；其次，采集的原始热影像不能直接用OLPPT方法分析，需要将三维(3-D)的热影像数据矩阵扩展为可用于OLPPT分析的二维(2-D)矩阵；最后，由于数据中心化处理可以在一定程度上消除热图像中的不均匀背景，而且可以通过增强基函数的正交性来提高OLPPT模型的特征提取能力，因此，对2-D热影像数据进行像素点中心化。
(3)缺陷检测热影像数据分析模型OLPPT构建：计算特征空间的嵌入矩阵Y；
数据预处理后的热影像数据仍然用X表示，xi表示在同一位置不同采样时间采样的像素。基于OLPP算法，定义样本与维度对象后，通过PCA投影丢弃特征值为0的特征向量，构建近邻图后计算得到权重矩阵S，最后通过正交基函数计算得到嵌入矩阵Y。
(4)OLPPT模型结果可视化：嵌入投影y可视化；
嵌入矩阵Y是特征空间中原数据矩阵X的表示。为了使缺陷可视化，矩阵Y中的l个列向量y(也称为嵌入式投影，EP)被重新调整为大小为nx×ny的二维矩阵，然后得到l张可以识别缺陷的热图像。在该方法分析热成像数据的过程中，为了实现数据压缩，通常选择l小于n。
通过观察重构的热图像，判断缺陷的形状、位置等基本信息，观察噪音去除与背景分离的效果，综合分析结果来初步判定OLPPT模型对于聚合物复合材料内部缺陷检测的效果。若效果太差，则需要通过重新选择参数建立OLPPT模型。
(5)OLPPT模型效果定量评估：计算信噪比指标；
为了更客观地评估模型的性能，计算在热像数据处理方法比较中广泛使用的信噪比(SNR)指数。SNR的公式如下：
其中：Mdef和Min分别是有缺陷和完整区域的平均像素值；
σin是完整区域的像素值的标准偏差。
SNR指数是无量纲的，反映了有缺陷和无缺陷区域之间的热对比。因此，大的SNR值表示更好的缺陷识别能力。
进一步，所述步骤(2)的具体包括：
步骤2.1：图像有效区域选择；
采集到的原始热图像并非全部区域对于数据分析都是有效的，含无效区域的热图像会因尺寸太大给数据处理带来诸多不便，比如数据计算复杂度、计算时间和效率。因此，有必要去除原始图像无效边缘，选择热图像的子区域作为感兴趣区域。在实际过程中，仅对热图像的感兴趣区域进行图像处理。
步骤2.2：数据的扩展；
数据采集记录的热影像数据集可以被视为3-D矩阵，包含在不同采样时间实例处收集的一系列热图像。如图2所示，在测试的冷却阶段，捕捉到nt帧热图像，每帧由nx×ny像素组成。每个像素的颜色表示相应位置的表面温度。由于OLPPT不能直接应用于三维热影像数据矩阵，因此将3-D矩阵转换为2-D扩展矩阵是必要的预处理步骤。在矩阵X＝[x1,x2,···,xm]∈Rn中，每一帧热影像都展开成一个长度为nxny列向量xi(i＝1，…,nt)。xi的每一个元素对应原始图像的一个像素。
步骤2.3：中心化处理；
考虑到热影像数据在采集过程中受到不均匀加热等因素的影响，收集的原始热像图中包含大量的不均匀背景和噪音，掩盖掉图像中有效的缺陷特征，导致热影像分析方法对缺陷检测效果并不理想。因此，在应用OLPPT方法之前，应该对热影像数据展开矩阵进行中心化预处理。中心化方式为像素点中心化，即展开的2-D矩阵减去变量的平均值。
更进一步，所述步骤(3)的过程为：
步骤3.1：样本与维度定义；
OLPPT模型将像素点作为样本，此时样本数等于像素点数(m＝nxny)，样本维度为热影像图片数量(n＝nt)。
步骤3.2：PCA投影；
通过丢弃对应于零特征值的特征分量，将热影像投影到PCA子空间中，用WPCA表示PCA的转换矩阵。通过PCA投影，提取的特征在统计上是不相关的，并且新数据矩阵的秩等于特征数(维数)。
步骤3.3：构造近邻图；
定义G表示具有n个节点的近邻图。使用K近邻法算法构建G。第i个节点对应于像素向量xi。如果xi与xj是相近的，则在节点i和j之间放置一个边，即xi是xj的K个最近邻点之一。
步骤3.4：选择权重；
如果节点i和j是相连的，则权重计算公式
其中：xi、xj分别为原始数据的第i个和第j个样本；
反之，Sij＝0。图G的权重矩阵S模拟了热影像流形的局部结构。
步骤3.5：计算正交基函数；
定义D为对角矩阵，其对角元素是权重矩阵S的列(或行，因为S是对称矩阵)的和，且Dii＝∑jSji。谱图理论中称为拉普拉斯矩阵L，定义为L＝D-S。设{a1,a2,···,ak}为正交基矢量，定义：
A(q-1)＝[a1,···,aq-1]
B(q-1)＝[A(q-1)]T(XDXT)-1A(q-1)
正交基矢量{a1,a2,···,ak}可以按如下方式计算：
·计算a1作为(XDXT)-1XLXT的最小特征值相关的特征向量。
·计算ak作为
的最小特征值相关的特征向量。
步骤3.6：计算嵌入矩阵Y；
设WOLPP＝[a1,···,al]，则嵌入过程如下：
xi→yi＝WTxi
W＝WPCAWOLPP
Y＝[y1,y2,···ym]∈Rl(l＜＜n)
其中；Y是嵌入矩阵；
yi为热图像xi的l维表示；
W是转换矩阵。
本发明的优点是：本发明利用可保留局部特征的流形学习方法提取热影像中的缺陷信息，提出一种正交局部保留投影热影像数据分析模型，以促进IRT技术对复合材料内部缺陷识别的能力。该方法从缺陷检测任务的角度出发，学习和提取热图像数据流形中的局部结构和空间信息，提高了IRT缺陷检测的表现。此外，该模型对维度的数量并不敏感，特别适用于分析维度较高的图像数据，而对识别效率和计算成本上没有消极影响。
附图说明
图1是本发明方法的流程图；
图2是本发明提出的3-D热影像数据扩展为2-D矩阵的示意图；
图3是本方明制作的CFRP试样中缺陷位置示意图；
图4是不同采样时间点记录的几帧原始热图像；
图5是本发明提出的OLPPT方法对CFRP试样内部缺陷的分析结果；
图6是RAW和PCT、LPPT、OLPPT三种方法对CFRP试样缺陷检测信噪比值比较。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
为有效证明本发明提出OLPPT模型的效果，使用人工制造的碳纤维增强聚合物(CFRP)样本作为缺陷检测对象。
CFRP缺陷试样制作过程：在该CFRP试样的制造过程中，通过在执行叠层的步骤中将三个具有不同形状的扁平布置的Teflon条带插入碳纤维板中，有目的地产生不同位置、形状、深度的缺陷。最浅的缺陷位于右下象限，是通过在单层碳纤维板下插入梯形Teflon带而产生的，深度约为0.05厘米。在试样的中间部分，在两层碳纤维板下面有一个圆形缺陷，它的深度约为0.10厘米。最深的缺陷位于左上角，这是一个由三层碳纤维覆盖的菱形缺陷，深度为0.15厘米。每个缺陷区域的大小约为3平方厘米。在注入环氧树脂之后，这些缺陷是不可见的。CFRP样品的完整部分的热扩散率约为0.36-0.40mm2/s。缺陷信息示意图如附图5所示。
如附图1所示，一种用于碳纤维增强聚合物复合材料缺陷检测的正交局部保留投影热影像分析方法包括以下步骤：
(1)数据采集：利用红外热像仪获取聚合物复合材料内部缺陷的热影像数据
脉冲加热：利用3ms内传递能量为3200J闪光灯提供的热脉冲对CFRP试样加热。试样表面热图像捕捉：试样在冷却阶段期间，通过红外摄像机(TAS-G100EXD，NEC型)捕获物体表面的热图像，其中安装在该摄像机中的传感器是非制冷微测辐射热计焦平面阵列。实验布局以反射模式设置。实验中采用的分辨率和采样率分别为像素320×240和30帧/秒，共捕捉到73张热图像，部分热图像如附图4所示。
(2)数据预处理：对传感器采集到的原始热影像数据进行预处理
热影像数据的质量对流形学习模型的缺陷检测性能起决定性作用。数据预处理主要包括以下三部分内容：
a)图像有效区域选择：
最初采集到的原始热图像去除无效边缘，剩余区域作为感兴趣区域(ROI)，ROI包含308×212像素。
b)数据的扩展：
3-D矩阵中每一帧热成像图像都被展开成2-D矩阵中一个长度为65296的列向量xi(i＝1，…，73)。每一个xi的元素对应原始图像的一个像素。
c)中心化处理：
中心化方式为：像素点中心化，即展开的2-D矩阵减去变量的平均值(即2-D矩阵行中心化)。
(3)缺陷检测热影像数据分析模型OLPPT构建：
步骤1:数据转换与维度定义
数据预处理后的二维矩阵X，如附图3，将像素点作为样本，此时样本数等于像素点数(m＝65296)，样本维度等于拍摄的热影像图片数量(n＝73)。
步骤2：PCA投影
通过丢弃对应于零特征值的特征分量，将热影像投影到PCA子空间中，用WPCA表示PCA的转换矩阵。PCA投影率为0.995。通过PCA投影，提取的特征在统计上是不相关的，并且新数据矩阵的秩等于特征数(维数)。
步骤3：构造邻接图
定义G表示具有n个节点的近邻图。使用K近邻法算法构建G，K-最近邻数设置为5(近邻数常选择4，5，6)。
步骤4：选择权重
如果节点i和j是相连的，则权重计算模式选为热核模式：
其中：xi、xj分别为原始数据的第i个和第j个样本；
反之，Sij＝0。图G的权重矩阵S模拟了热影像流形的局部结构。
步骤5：计算正交基函数；
定义D为对角矩阵，其对角元素是权重矩阵S的列(或行，因为S是对称矩阵)的和，且Dii＝∑jSji。谱图理论中称为拉普拉斯矩阵L，定义为L＝D-S。设{a1,a2,···,ak}为正交基矢量，定义：
A(q-1)＝[a1,···,aq-1]
B(q-1)＝[A(q-1)]T(XDXT)-1A(q-1)
正交基矢量{a1,a2,···,ak}可以按如下方式计算：
·计算a1作为(XDXT)-1XLXT的最小特征值相关的特征向量。
·计算ak作为
的最小特征值相关的特征向量。
步骤6：计算嵌入矩阵Y；
设WOLPP＝[a1,···,al]，则嵌入过程如下：
xi→yi＝WTxi
W＝WPCAWOLPP
Y＝[y1,y2,···ym]∈Rl(l＜＜n)
其中：Y是嵌入矩阵；
yi为热图像xi的l维表示；
W是转换矩阵。
(4)OLPPT模型结果可视化：嵌入投影y可视化
嵌入矩阵Y是特征空间中原数据矩阵X的表示，为了使缺陷可视化，矩阵Y中的每个列向量y(也称为嵌入式投影，简记为EP)被重新调整为大小为308×212的二维矩阵，然后得到6张可以识别缺陷的热图像，如附图5所示。有图可知，OLPPT模型对CFRP试样内部缺陷检测效果良好，一定程度上去除了噪音，并将由不均匀加热导致的不均匀背景与缺陷特征分离开，使得缺陷信息容易识别。从图中可以清楚的检测出人工制作的缺陷试样中缺陷的位置与形状信息，这表明本文提出的OLPPT模型对于聚合复合材料缺陷检测非常有效，是一种良好的热影像数据处理模型。
(5)OLPPT模型效果定量评估：建立正交局部保留投影热影像分析模型
为了更客观地评估OLPPT模型的性能，将本方法与原始热图像(RAW),以及已有的聚合物复合材料热影像分析方法PCT、局部保留投影热成像(LPPT)进行比较，用SNR作为评价指标。从附图6结果可知，OLPPT方法的聚合物复合材料缺陷评估效果明显优于其他方法，所提出的OLPPT方法具有出色的综合性能。
因此，用于聚合物缺陷检测的正交局部保留投影热影像分析方法具有通用性强、准确度高的特点，能够对聚合物复合材料内部缺陷进行有效识别，同时也适用于分析不同类型的IRT加热程序和由不同类型的测试材料记录的热成像数据。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种用于复材缺陷无损检测的红外热影像分析方法，包括以下步骤：
(1)数据采集：利用红外热像仪获取聚合物复合材料内部缺陷的热影像数据；热影像数据采集过程包括试样的脉冲加热与试样表面热图像捕捉两个过程，首先，利用可以传递较大能量的闪光灯提供的热脉冲对试样加热，然后，在试样冷却阶段，通过红外摄像机采用一定的分辨率和采样率捕获物体表面的热图像；
(2)数据预处理：对传感器采集到的原始热影像数据进行预处理，包括三部分内容：首先，去除热图像的无效边缘，选择热图像的有效区域作为图像分析的感兴趣区域；其次，采集的原始热影像不能直接用OLPPT方法分析，需要将三维3-D的热影像数据矩阵扩展为可用于OLPPT分析的二维2-D矩阵；最后，由于数据中心化处理可以在一定程度上消除热图像中的不均匀背景，而且可以通过增强基函数的正交性来提高OLPPT模型的特征提取能力，因此，对2-D热影像数据进行像素点中心化；
(3)缺陷检测热影像数据分析模型OLPPT构建：计算特征空间的嵌入矩阵Y；
数据预处理后的热影像数据用X表示，xi表示在同一位置不同采样时间采样的像素；基于OLPP算法，定义样本与维度对象后，通过主成分分析PCA投影丢弃特征值为0的特征向量，构建近邻图后计算得到权重矩阵S，最后通过正交基函数计算得到嵌入矩阵Y；具体过程为：
步骤3.1：样本与维度定义；
OLPPT模型将像素点作为样本，此时样本数m等于像素点数nx×ny，即m＝nxny，样本维度n为热影像图片数量nt，即n＝nt；
步骤3.2：PCA投影；
通过丢弃对应于零特征值的特征分量，将热影像投影到PCA子空间中，用WPCA表示PCA的转换矩阵；通过PCA投影，提取的特征在统计上是不相关的，并且新数据矩阵的秩等于特征数，即维数；
步骤3.3：构造近邻图；
定义G表示具有n个节点的近邻图；使用K近邻法算法构建G；第i个节点对应于像素向量xi；如果xi与xj是相近的，则在节点i和j之间放置一个边，即xi是xj的K个最近邻点之一；
步骤3.4：选择权重：
如果节点i和j是相连的，则权重计算公式
其中：xi、xj分别为原始数据的第i个和第j个样本；
t∈R；
反之，Sij＝0；图G的权重矩阵S模拟了热影像流形的局部结构；
步骤3.5：计算正交基函数：
定义D为对角矩阵，其对角元素是权重矩阵S的列的和，且Dii＝∑jSji；谱图理论中称为拉普拉斯矩阵L，定义为L＝D-S；设{a1,a2,…,ak}为正交基矢量，定义：
A(q-1)＝[a1,…,aq-1]
B(q-1)＝[A(q-1)]T(XDXT)-1A(q-1)
正交基矢量{a1,a2,…,ak}可以按如下方式计算：
·计算a1作为(XDXT)-1XLXT的最小特征值相关的特征向量；
·计算ak作为
的最小特征值相关的特征向量；
步骤3.6：计算嵌入矩阵Y；
设WOLPP＝[a1,…,al]，则嵌入过程如下：
xi→yi＝WTxi
W＝WPCAWOLPP
Y＝[y1,y2,…ym]∈Rl，l<<n
其中：Y是嵌入矩阵；
yi为热图像xi的l维表示；
W是转换矩阵；
(4)OLPPT模型结果可视化：嵌入投影y可视化；
嵌入矩阵Y是特征空间中原数据矩阵X的表示；为了使缺陷可视化，矩阵Y中的l个列向量y，也称为嵌入式投影EP，被重新调整为大小为nx×ny的二维矩阵，然后得到l张可以识别缺陷的热图像；在该方法分析热成像数据的过程中，为了实现数据压缩，选择l小于n；
通过观察重构的热图像，判断缺陷的形状、位置等基本信息，观察噪音去除与背景分离的效果，综合分析结果来初步判定OLPPT模型对于聚合物复合材料内部缺陷检测的效果；若效果太差，则需要通过重新选择参数建立OLPPT模型；
(5)OLPPT模型效果定量评估：计算信噪比指标；
为了更客观地评估模型的性能，计算在热像数据处理方法比较中广泛使用的信噪比SNR指数；SNR指数的公式如下：
其中：Mdef和Min分别是有缺陷和完整区域的平均像素值；
σin是完整区域的像素值的标准偏差；
SNR指数是无量纲的，反映了有缺陷和无缺陷区域之间的热对比；因此，大的SNR值表示更好的缺陷识别能力。
2.如权利要求1所述的一种用于复材缺陷无损检测的红外热影像分析方法，所述步骤(2)的过程为：
步骤2.1：图像有效区域选择；
采集到的原始热图像并非全部区域对于数据分析都是有效的，含无效区域的热图像会因尺寸太大给数据处理带来诸多不便，因此，有必要去除原始图像无效边缘，选择热图像的子区域作为感兴趣区域；在实际过程中，仅对热图像的感兴趣区域进行图像处理；
步骤2.2：数据的扩展；
数据采集记录的热影像数据集可以被视为3-D矩阵，包含在不同采样时间实例处收集的一系列热图像；在测试的冷却阶段，捕捉到nt帧热图像，每帧由nx×ny像素组成；每个像素的颜色表示相应位置的表面温度；由于OLPPT不能直接应用于三维热影像数据矩阵，因此将3-D矩阵转换为2-D扩展矩阵是必要的预处理步骤；在矩阵X＝[x1,x2,…,xm]∈Rn中，每一帧热影像都展开成一个长度为nxny列向量xi(i＝1，…,nt)；xi的每一个元素对应原始图像的一个像素；
步骤2.3：中心化处理；
考虑到热影像数据在采集过程中受到不均匀加热等因素的影响，收集的原始热像图中包含大量的不均匀背景和噪音，掩盖掉图像中有效的缺陷特征，导致热影像分析方法对缺陷检测效果并不理想；因此，在应用OLPPT方法之前，应该对热影像数据展开矩阵进行中心化预处理；中心化方式为像素点中心化，即展开的2-D矩阵减去变量的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201479.7A CN112461892B (zh) | 2020-11-02 | 2020-11-02 | 一种用于复材缺陷无损检测的红外热影像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011201479.7A CN112461892B (zh) | 2020-11-02 | 2020-11-02 | 一种用于复材缺陷无损检测的红外热影像分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112461892A CN112461892A (zh) | 2021-03-09 |
| CN112461892B true CN112461892B (zh) | 2022-07-22 |
Family
ID=74835780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011201479.7A Active CN112461892B (zh) | 2020-11-02 | 2020-11-02 | 一种用于复材缺陷无损检测的红外热影像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112461892B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10473603B2 (en) * | 2017-04-18 | 2019-11-12 | Saudi Arabian Oil Company | Apparatus, system and method for inspecting composite structures using quantitative infra-red thermography |
| CN113295732B (zh) * | 2021-04-22 | 2022-09-30 | 杭州申昊科技股份有限公司 | 可供检测管道缺陷的管道机器人及其控制方法与控制系统 |
| CN113702439A (zh) * | 2021-08-20 | 2021-11-26 | 浙江科技学院 | 一种基于迭代生成稀疏主成分模型的红外无损检测方法 |
| CN113552172A (zh) * | 2021-08-27 | 2021-10-26 | 浙江工业大学 | 基于多层自编码器的红外热成像缺陷检测图像处理方法 |
| CN113884538A (zh) * | 2021-10-18 | 2022-01-04 | 沈阳工业大学 | 大型风力机叶片内部微小缺陷的红外热像检测方法 |
| CN114166850B (zh) * | 2021-11-30 | 2023-06-09 | 电子科技大学 | 一种基于差分张量分解的光激励红外热成像缺陷检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1822048A (zh) * | 2005-01-25 | 2006-08-23 | 西门子共同研究公司 | 适用于图像/体积/视频分割和聚类的用于鉴别多通道图像中的像素的流形学习 |
| CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
| CN105447884A (zh) * | 2015-12-21 | 2016-03-30 | 宁波大学 | 一种基于流形特征相似度的图像质量客观评价方法 |
| CN106097327A (zh) * | 2016-06-06 | 2016-11-09 | 宁波大学 | 结合流形特征及双目特性的立体图像质量客观评价方法 |
-
2020
- 2020-11-02 CN CN202011201479.7A patent/CN112461892B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1822048A (zh) * | 2005-01-25 | 2006-08-23 | 西门子共同研究公司 | 适用于图像/体积/视频分割和聚类的用于鉴别多通道图像中的像素的流形学习 |
| CN104483962A (zh) * | 2014-11-20 | 2015-04-01 | 沈阳化工大学 | 基于多向正交局部保持投影的间歇过程在线故障检测方法 |
| CN105447884A (zh) * | 2015-12-21 | 2016-03-30 | 宁波大学 | 一种基于流形特征相似度的图像质量客观评价方法 |
| CN106097327A (zh) * | 2016-06-06 | 2016-11-09 | 宁波大学 | 结合流形特征及双目特性的立体图像质量客观评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| Image denoising using 2D orthogonal locality;Gitam Shikkenawis等;《The Institution of Engineering and Technology》;20200203;第552-560页 * |
| Subspace Learning and Feature Selection via;Fotios D. Mandanas等;《IEEE TRANSACTIONS ON SIGNAL PROCESSING》;20200430;第1-14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112461892A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112461892B (zh) | 一种用于复材缺陷无损检测的红外热影像分析方法 | |
| CN108198181B (zh) | 一种基于区域分割和图像融合的红外热图像处理方法 | |
| Liu et al. | Spatial-neighborhood manifold learning for nondestructive testing of defects in polymer composites | |
| Marani et al. | Modeling and classification of defects in CFRP laminates by thermal non-destructive testing | |
| CN112837294B (zh) | 基于卷积自编码器图像扩增的热成像缺陷检测方法 | |
| Usamentiaga et al. | Automated dynamic inspection using active infrared thermography | |
| CN112489016B (zh) | 复合材料缺陷热影像图的局部敏感判别分析方法 | |
| CN112798648B (zh) | 基于生成核主成分热影像分析的复合材料缺陷检测方法 | |
| CN113160195B (zh) | 一种基于生成热成像的复合材料缺陷无损检测方法 | |
| CN105352998B (zh) | 脉冲涡流红外热图像的独立成分个数确定方法 | |
| Ramirez-Rozo et al. | Infrared thermal image segmentation using expectation-maximization-based clustering | |
| Liu et al. | Non-destructive defect evaluation of polymer composites via thermographic data analysis: A manifold learning method | |
| Deng et al. | Line scanning thermography reconstruction algorithm for defects inspection with novel velocity estimation and image registration | |
| Florez-Ospina et al. | From local to global analysis of defect detectability in infrared non-destructive testing | |
| Forero-Ramírez et al. | Detection of internal defects in carbon fiber reinforced plastic slabs using background thermal compensation by filtering and support vector machines | |
| CN109427049B (zh) | 一种涂层缺陷的检测方法 | |
| CN113884538A (zh) | 大型风力机叶片内部微小缺陷的红外热像检测方法 | |
| CN109816651B (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
| CN111833335A (zh) | 一种基于超分辨率重建的点阵结构缺陷检测方法及系统 | |
| Shahsavarani et al. | Multi-modal image processing pipeline for NDE of structures and industrial assets | |
| Liang et al. | Application of tensor decomposition methods in eddy current pulsed thermography sequences processing | |
| CN109886930B (zh) | 基于变化率与温度差异的热图像缺陷特征提取方法 | |
| CN112986329B (zh) | 大尺寸非平面试件超高速撞击损伤的红外热成像检测方法 | |
| Liu et al. | Orthogonal locality preserving projections thermography for subsurface defect detection | |
| Venegas et al. | Advances in RGB projection technique for thermographic NDT: Channels selection criteria and visualization improvement |
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 |