CN112818762B - 一种大尺寸复合材料及其夹层结构快速无损检测方法 - Google Patents
一种大尺寸复合材料及其夹层结构快速无损检测方法 Download PDFInfo
- Publication number
- CN112818762B CN112818762B CN202110054508.XA CN202110054508A CN112818762B CN 112818762 B CN112818762 B CN 112818762B CN 202110054508 A CN202110054508 A CN 202110054508A CN 112818762 B CN112818762 B CN 112818762B
- Authority
- CN
- China
- Prior art keywords
- signal
- sparse representation
- sampling
- self
- defect
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002131 composite material Substances 0.000 title claims abstract description 26
- 238000009659 non-destructive testing Methods 0.000 title abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012512 characterization method Methods 0.000 claims abstract description 4
- 238000012706 support-vector machine Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 44
- 230000007547 defect Effects 0.000 claims description 40
- 230000002950 deficient Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 239000013074 reference sample Substances 0.000 claims description 3
- 238000011895 specific detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 6
- 229920007790 polymethacrylimide foam Polymers 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000000835 fiber Substances 0.000 description 5
- 239000011494 foam glass Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Toxicology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明是一种大尺寸复合材料快速无损检测方法,其特点是，包括:依据标准件随机采样获取无缺陷参考信号样本集快速稀疏表征矢量；快速稀疏表征，参考信号和采样信号的稀疏表征均采用基于小波域模极大值的信号奇异性度量的并行降噪与稀疏表征、采用非线性支持向量机的特征聚类、相关熵的自适应观测模型及Sigmoid函数的归一化；采用相关熵自适应模型的无掩模压缩感知(Compressedsensing，CS)拓扑分布优化策略，快速表征结果与相关熵自适应模型通过加权判定信号的同质与异质性，结合结构化思想的分块随机形式，在CS理论框架下，设计结构化易存储的测量矩阵，为快速检测后的重构提供有效数据。该方法与检测对象参数紧密联系，实现方法简单易行、工程实用性强。
Description
技术领域
本发明属于本发明专利涉及复合材料及其夹层结构无损检测领域，具体涉及一种大尺寸复合材料及其夹层结构快速无损检测方法。
背景技术
复合材料及其夹层结构在力学、加工成型等方面的优异性能，使其备受宇宙航空领域的推崇，成为航空、航天、射电天文等关键部件不可或缺的重要组成。因此，对其缺陷及损伤程度的准确无损评估至关重要。然而，与金属结构相比，一方面，由于复合材料本质复杂，使其疲劳、断裂的成因较之金属结构更不好理解，其夹层结构中紧密层叠或结构复杂的缺陷或损伤目标检测一直是该研究领域的技术瓶颈。既要保证承重结构设计的作用，又要能对制备、使用过程中的缺陷进行标定，以有利于控制生产质量及维修。另一方面，现有的复合材料检测方法，基于成熟经典金属材料无损检测与复合材料特性的结合发展而来，如基于射线、超声、涡流等的检测技术，其中很多方法对大部分泡沫、塑料等复合材料及其夹层结构形式是失效的，技术革新迫在眉睫。太赫兹 (Terahertz，THz)技术作为重要的交叉前沿领域，为工业技术革新提供了很有前景的发展机遇。与传统手段相比，THz无损检测技术在复合材料及其夹层结构应用中，拥有无法比拟的技术优势，表现出巨大的应用潜力。例如：比传统射线法成像对比度更高；比微波成像分辨率更好；散射相对小，穿透性优于可见光和近中红外光；非电离，比X射线更安全等。使其有力补充了现有无损检测手段的不足。
相比于非相干的连续THz技术，基于相干测量的THz-TDS，具有宽带性、高信噪比、相干性和指纹谱性等特点。检测信号同时包含宽频带强度、相位等信息，获取信息更加丰富，成像方法更加灵活，所成图像具备“图谱合一”特性，有潜在的目标定性、定量鉴别力，更适合无损检测应用中目标信息的准确表征。
然而，基于传统THz-TDS光栅扫描的无损检测方式，虽能获取较全面的目标信息，但检测效率低，难以实现目标的快速鉴别。且大尺度复合材料及其夹层结构的检测需求，也给原位无损检测提出了新的要求。既要保证承重结构设计的作用，又要能对制备、使用过程中的缺陷目标进行标定，以有利于控制生产质量及维修。因此，相应的无损检测方法表征缺陷目标的能力显得至关重要。由此可见，目标快速、准确、直观表征是实现大尺度复合材料及其夹层结构 THz-TDS无损检测急迫需要解决的问题。
发明内容
本发明所要解决的技术问题在于提供一种大尺度复合材料及其夹层结构的快速太赫兹无损检测方法，针对大尺度复合材料及其夹层结构的快速THz-TDS 无损检测问题，通过缺陷信号的快速特征稀疏化、自适应鉴别压缩采样数据量及获取时间实现快速无损检测。
本发明是这样实现的，一种大尺寸复合材料及其夹层结构快速无损检测方法，该方法包括：
一种大尺寸复合材料及其夹层结构快速无损检测方法，该方法包括：
步骤1，基于标准件的无掩模压缩感知自适应拓扑分布优化快速稀疏表征判别依据，对标准件随机采样获取无缺陷参考信号样本集，通过小波域模极大值与李氏指数计算，根据信号、噪声奇异性不同特点对小波域模极大值在不同尺度上进行信号特征稀疏化筛选，采用径向基核函数的非线性支持向量机对稀疏化筛选后无缺陷参考信号进行特征的聚类处理，采用相关熵自适应模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用 Sigmoid函数实现归一化，获得无掩模CS自适应拓扑分布优化的参考稀疏表征矢量作为判别依据；
步骤2，基于结构化思想的分块随机CS自适应拓扑分布优化策略：依据检测对象尺度与检测精度确定采样的初级分块和扫描步长，基于等距受限约束与二维正态随机分布确定测量矩阵，每一级各个分块采用相同的测量矩阵进行分块扫描，对采样点信号采用与无缺陷参考信号一样采用步骤1实现快速稀疏表征；为判别采样点是否为缺陷目标点建立相关熵的自适应观测模型，根据不同的光谱特性对由无掩模压缩感知分块邻域内的信号分配不同的权重，与无缺陷参考稀疏表征相比较确定缺陷目标点，记录缺陷信号及坐标，以采样点信号与参考稀疏表征矢量比较结果记录缺陷信号坐标自适应调整压缩感知拓扑分布方向，以记录缺陷信号坐标为中心进行重新下一级分块，分块、扫描步长大小减半，直至分块尺度与检测精度达到一定比例关系，则无需比较进行特征域全扫。
进一步地，步骤1中采样获取无缺陷参考信号样本集，进行信号奇异性检测包括：
随机采样获取无缺陷信号样本集并编号；
由信号特点确定小波基及变换的尺度级别，基于小波变换模极大值计算每个样本在各尺度上的李氏指数实现THz-TDS奇异性度量；
依据信号、噪声的局部奇异性特点进行小波变换模极大值的筛选，滤除李氏指数小于0的模极大值。
进一步地，，步骤2重新下一级分块包括：
采样点领域内根据具体检测目标的指标要求确定扫描步长，增加以该采样点为中心的邻域采样点数进行重新分块域扫描，并根据快速稀疏表征与步骤1 中判别依据的稀疏表征矢量基于相关熵的自适应观测模型进行比较，判定采样拓扑方向，各块内分别判别优化压缩感知拓扑分布策略，直至分块尺度达到检测精度3倍或扫描步长5倍，则无需比较进行特征域全扫。
步骤1中聚类包括：无缺陷参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量xk，k＝1，2，……，l，被径向基核函数非线性映射，即：
K(||xk-y||)＝exp(-γ||xk-y||2/2σ2)
式中，xk为输入样本特征，y表示高斯核函数的中心，σ为函数值跌至零的速度参数，
表示核的灵活性。实现映射域的特征聚类，根据无缺陷稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得无缺陷参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。
进一步地，相关熵自适应观测模型用于估计数据的分布，度量任意矢量a、 b之间相似度，定义为：
式中：B为特征数，kσ(·)代表满足Mercer定理的高斯核函数， kσ(·)＝exp[-||·||2/(2σ2)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵模型自适应观测模型在步骤1应用中矢量a，矢量b代表无缺陷参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，ai,p和bi,p代表两个不同无缺陷参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性进而对矢量进行；在步骤2应用中矢量a，矢量b分别代表代表无缺陷参考信号和被检测对象随机采样信号特征的稀疏化矢量，bi,p代表由步骤1获得的无缺陷参考信号样本的稀疏表征矢量，ai,p则代表分块域内的所有采样点信号稀疏表征矢量，i代表小波变换的尺度，p代表同一尺度内第p 个特征值；
基于相关熵自适应观测模型度量结果，用Sigmoid函数进行归一化处理：
S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数；
步骤2中权重分配包括：当采样点稀疏表征矢量归一化结果权重高于一定阈值时就认为其与参考信号稀疏表征矢量归一化不同，则重新下一级分块时以该点为中心采样并判定，权重的表达式为：
式中：S代表Sigmoid函数，t1和t2为阈值用于确定采样点信号与参考信号的同质性判定采样点拓扑方向，通过调整阈值的大小提高目标有效信息检测的精度，最终实现自适应的CS拓扑优化。
本发明与现有技术相比，有益效果在于：本发明无掩模CS拓扑分布优化方式，在不改变传统光栅扫描结构的前提下，避免了由于掩模失准等硬件加工精度问题引起的检测误差，不增加额外硬件的同时,获取采样点完整的有效的提高了大尺寸复合材料及其夹层结构太赫兹无损检测的检测效率与检测精度。简单通用、鲁棒性强、适于并行处理。
附图说明
图1是一种大尺寸复合材料及其夹层结构快速无损检测方法整体方案框图；
图2是基于稀疏表征的分块式自适应无掩模CS分布优化流程图；
图3是无缺陷参考信号稀疏表征流程图；
图4是基于结构化思想的随机CS自适应拓扑分布优化策略分块域扫描详细步骤；
图5是特征域扫描详细步骤；
图6是PMI泡沫玻璃纤维夹层结构空洞、裂纹缺陷预置尺寸预置示意图(a)PMI泡沫玻璃纤维夹层结构空洞缺陷处THz-TDS无损检测信号并行降噪、稀疏前小波域模极大值仿真结果图；(b)是PMI泡沫玻璃纤维夹层结构空洞缺陷处THz-TDS无损检测信号并行降噪、稀疏后小波域模极大值仿真结果图； (c)是PMI泡沫玻璃纤维夹层结构裂纹缺陷处THz-TDS无损检测信号并行降噪、稀疏前小波域模极大值仿真结果图；(d)是PMI泡沫玻璃纤维夹层结构裂纹缺陷处THz-TDS无损检测信号并行降噪、稀疏后小波域模极大值仿真结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面利用附图和实施例对本发明的一种基于太赫兹时域光谱技术的大尺寸复合材料快速无损检测方法进行详细说明。
参照图1，一种大尺寸复合材料快速无损检测方法，针对传统光学扫描成像的固有限制以及现有技术的局限性，以无掩模CS拓扑分布优化策略实现 THz-TDS NDT效率提升。
包括以下步骤：
步骤1，基于标准件的无掩模压缩感知(Compressed sensing，CS)自适应拓扑分布优化快速稀疏表征判别依据。对标准件随机采样获取无缺陷参考信号样本集，通过小波域模极大值与李氏指数计算，根据信号、噪声奇异性不同特点对小波域模极大值在不同尺度上进行信号特征稀疏化筛选，采用径向基核函数的非线性支持向量机对稀疏化筛选后无缺陷参考信号进行特征的聚类处理，采用相关熵自适应模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用Sigmoid函数实现归一化，获得无掩模压CS自适应拓扑分布优化的参考稀疏表征矢量作为判别依据；
步骤2，基于结构化思想的分块随机CS自适应拓扑分布优化策略。依据检测对象尺度与检测精度确定采样的初级分块和扫描步长，基于等距受限约束与二维正态随机分布确定测量矩阵，每一级各个分块采用相同的测量矩阵进行分块扫描，对采样点信号采用与无缺陷参考信号一样采用步骤1实现快速稀疏表征；为判别采样点是否为缺陷目标点建立相关熵的自适应观测模型，根据不同的光谱特性对由无掩模压缩感知分块邻域内的信号分配不同的权重，与无缺陷参考稀疏表征相比较确定缺陷目标点，记录缺陷信号及坐标，以采样点信号与参考稀疏表征矢量比较结果记录缺陷信号坐标自适应调整压缩感知拓扑分布方向，以记录缺陷信号坐标为中心进行重新下一级分块，分块、扫描步长大小减半，直至分块尺度与检测精度达到一定比例关系，则无需比较进行特征域全扫。至此基于缺陷的局域稀疏分布事实压缩THz-TDS NDT获取时间、数据量实现大尺度复合材料及其夹层结构的快速无损检测。整体快速检测流程如附图2所示确定无掩模CS方案。
针对传统光学扫描成像的固有限制以及现有技术的局限性，以无掩模CS拓扑分布优化策略实现THz-TDS NDT效率提升。
步骤1中基于标准件的无掩模CS自适应拓扑分布优化快速稀疏表征判别依据，参照附图3，包括以下步骤：
1)采样标准件无缺陷处N个样本信号：随机采集被检测对象标准件参考信号作为样本信号集，初始化样本训练集编号i、小波基及尺度j；
2)参考信号快速稀疏表征：依据步骤1得到的采样信号采用信号奇异性检测实现并行降噪与稀疏表征，具体为；
①基于小波变换模极大值奇异性度量的THz-TDS并行降噪与稀疏化筛选
信号f(t)的小波变换定义为：
将小波变换按卷积来定义，一个信号的小波变换就可以看作是信号通过一个系统的输出，而该系统的冲激响应恰好是φs(t)，其中
t和τ都是时间变量。前者看作位移后者作为积分变量。
小波变换同时能够考量信号时频域的奇异性，以Wf(s,t)表示函数f(x)的小波变换，在尺度s0下，称点(s0,x0)是局部极值点，
在t0上有一过零点，则t0点为小波变换s0尺度下的模极大值点。
一个信号f(t)∈R在某处的奇异性常用奇异指数Lipschitzα来描述，简称李氏指数，是信号局域特征的一种度量。
根据李氏指数定义，设0≤α≤1，存在常数k，对t0邻域t有： |f(t)-f(t0)|≤k|t-t0|α成立，则称f(t)在t0为李氏指数α的。其表征了信号f(t)在该点的正则性，表征信号在该点的规则性(奇异性)的度量。
其中，α＝1时，f(x)在t0点平滑无奇异性；0<α<1，f(x)在t0点单调下降；α＝0， f(x)在t0点间断；α越小说明f(x)在t0点冲激性越强，且有用信号奇异性表现为正，α>0,噪声则为负，α<0。
当t在区间[A,B]中，s＝2j时，若Wf(s,t)满足：
|Wf(2j,t)|≤k(2j)α (2)
其中：k是一个常数，则f(t)在区间[A,B]、尺度sj上的李氏指数均匀为α。
当小波在两个不同的尺度sj，sj+1，且Wf(2j,t0)为t＝t0点小波模极大值时，对上式两端取以2为底的对数：
对两式相减得到：
可见，α>0时，小波变换模极大值与尺度j成正比；反之，成反比；α＝0，小波变换模极大值不变。
基于信号的奇异性具有局部性而噪声的奇异性具有全局性特点，同时信号的奇异性一般为正即α>0，噪声则α<0。因此，以此为判定指标滤除Lipschitz 指数α<0的模极大值，即可实现THz-TDS的去噪处理及小波域模极大值筛选即实现了信号降噪与稀疏化，这就为THz-TDS信号快速降维及特征提取的准确性提升奠定了基础。
②基于稀疏化筛选的特征聚类
无缺陷参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量xk，k＝1，2，……，l，被径向基核函数非线性映射，即：
K(||xk-y||)＝exp(-γ||xk-y||2/2σ2) (5)
式中，xk为输入样本特征，y表示高斯核函数的中心，σ为函数值跌至零的速度参数，
表示核的灵活性。实现映射域的特征聚类，根据无缺陷稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得无缺陷参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。
③基于相关熵的自适应观测模型建立
由于相同的缺陷在特征上也存在一定的异质性，因此相同缺陷的光谱差异也会较大。从相邻采样点之间空间关系的同质和异质考虑，基于相关熵的自适应观测模型，根据不同的光谱特性对由无掩模CS分块邻域内的信号分配不同的权重。
相关熵自适应观测模型用于估计数据的分布，度量任意矢量a、b之间相似度，定义为：
式中：B为特征数，kσ(·)代表满足Mercer定理的高斯核函数， kσ(·)＝exp[-||·||2/(2σ2)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵模型自适应观测模型在步骤1应用中矢量a，矢量b代表无缺陷参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，ai,p和bi,p代表两个不同无缺陷参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性进而对矢量进行；在步骤2应用中矢量a，矢量b分别代表代表无缺陷参考信号和被检测对象随机采样信号特征的稀疏化矢量，bi,p代表由步骤1获得的无缺陷参考信号样本的稀疏表征矢量，ai,p则代表分块域内的所有采样点信号稀疏表征矢量，i代表小波变换的尺度，p代表同一尺度内第p 个特征值。
④稀疏表征矢量归一化
基于相关熵自适应观测模型度量结果，用Sigmoid函数进行归一化处理：
S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数。
步骤2为基于结构化思想的分块随机CS自适应拓扑分布优化策略：由于检测对象的尺度和检测精度要求与材料本身特性、应用场合、力学性能等因素联系紧密，因此首先，采样的初始分块参数主要依据目标尺寸及目标或损伤检测指标(允许目标或损伤的极限)确定，基于等距受限约束与二维正态随机分布确定测量矩阵，每一级各个分块采用相同的测量矩阵进行分块扫描，每个分块采用相同的初始测量矩阵，这样有利于降低存储需求并实现结构化的高效采样；其次，对分块CS获得的信号依次经过稀疏化、聚类、归一化实现快速稀疏表征，相关熵的自适应观测模型，根据不同的光谱特性对由无掩模CS分块邻域内的信号分配不同的权重，与无缺陷参考稀疏表征相比较确定缺陷目标点，记录缺陷信号及坐标，以采样点信号与参考稀疏表征矢量比较结果记录缺陷信号坐标自适应调整CS拓扑分布方向，以记录缺陷信号坐标为中心进行重新下一级分块，分块、扫描步长大小减半，直至分块尺度与检测精度达到一定比例关系，则无需比较进行特征域全扫。至此基于缺陷的局域分布事实压缩 THz-TDS NDT获取时间、数据量实现大尺度复合材料及其夹层结构的快速无损检测。具体流程参照附图4。
①分块参数及测量矩阵初始化
CS拓扑优化方面，根据压缩传感(CS)理论可知，在一定条件下，测量矩阵的构造是压缩感知理论的关键：测量矩阵在测量值获取和信号重构方面都有重要的作用；相同重建算法下，测量矩阵性能越好，信号重构质量越高。压缩感知的核心在降维运算-使用尽可能少的探测维度探测高维度的信号。因此，基于THz-TDS无掩模CS成像机理的分析在CS拓扑优化方面主要考虑两个条件：一个是测量数M应满足方程，即M＝O(klog(N/k))，k代表稀疏度；另一个是测量矩阵和稀疏基应满足受限等距性质。
基于上述考虑，采用结构化思想将N×N的采样区域分割成大小为B×B的小块，分块的大小主要根据目标的尺寸及技术指标确定初始值，每个的小块用相同的测量矩阵进行采样。第i块图像的矢量化表示为：
相应的分块CS测量可以写成：
yi＝ΦBxi (9)
其中
为测量矩阵，
为块xi的压缩观测值，其中MB<<B。
因为ΦB的行由彼此不相干的随机单位脉冲构成，每个块的测量矩阵是大小为B×B单位矩阵的随机子矩阵。以相同的测量矩阵逐块地CS等效于应用全局块对角矩阵Φ＝diag[ΦB,...,ΦB,]作为测量矩阵进行采样。相似的全局测量矩阵
也是大小为N×N的单位矩阵的随机子矩阵。显然，测量矩阵Φ与用于 x稀疏表示的任意正交基Ψ(除单位矩阵外)是不相干的，因此传感矩阵θ＝ΦΨ满足RIP条件。压缩采样y＝Φx是在空间域实现的，相当于Φ和x的傅里叶变换之间的傅里叶变换域卷积。
由CS理论可知，对于用正交基Ψ表示的任意K稀疏信号，当测量总数满足该条件时MBT≥C(KlogN+log3N)，原始信号可以超过1-O(N-1)很高的概率重建。由于对于所有块用相同的随机采样方式，因此降低了测量矩阵的存储空间，实现了结构化测量对初始采样数据的编号不用重复记录而且重构更容易实现。
②采样信号快速稀疏表征及基于相关熵自适应观测模型的特征比较
为准确判定CS拓扑优化策略，明确增加采样点的方向，首先依据步骤1 对分块采样信号进行快速并行降噪与稀疏表征、特征聚类、归一化，引入相关熵估计目标数据的分布，度量目标与参考稀疏表征矢量a、b之间相似度，以判定两个向量的同质性，具体模型参照公式(6)，将采样信号归一化稀疏表征结果与参考信号的稀疏表征结果进行比较，判断一致性并记录缺陷目标信号及坐标。
③自适应无CS拓扑分布方向优化策略
当采样点稀疏表征矢量归一化结果权重高于一定阈值时就认为其与参考信号稀疏表征矢量归一化不同，则重新下一级分块时以该点为中心采样并判定。权重的表达式为：
式中：S代表Sigmoid函数，t1和t2为阈值用于确定采样点信号与参考信号的同质性判定采样点拓扑方向，通过调整阈值的大小可以提高目标有效信息检测的精度，最终实现自适应的CS拓扑优化。
④重新下一级分块
采样点领域内根据具体检测目标的指标要求确定扫描步长，增加以该采样点为中心的邻域采样点数进行重新分块域扫描，并根据快速稀疏表征与步骤1 中判别依据的稀疏表征矢量基于相关熵的自适应观测模型进行比较，判定采样拓扑方向，各块内分别判别优化压缩感知拓扑分布策略，直至分块尺度达到检测精度3倍或扫描步长5倍，则无需比较进行全扫。
⑤特征域扫描
依据分块尺度达到检测精度3倍或扫描步长5倍与同时所有分块域扫描结束，判定最小特征域并进行全扫描结束，采用与分块扫描相同方式判定并记录缺陷目标信号与坐标，全扫描完毕则无掩模CS结束。参照图5。
PMI泡沫玻璃纤维夹层结构缺陷预置示意图如图6(a)、(b)、(c)和(d) 所示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种大尺寸复合材料及其夹层结构快速无损检测方法，其特征在于，该方法包括：
步骤1，基于标准件的无掩模压缩感知自适应拓扑分布优化快速稀疏表征判别依据，对标准件随机采样获取无缺陷参考信号样本集，通过小波域模极大值与李氏指数计算，根据信号、噪声奇异性不同特点对小波域模极大值在不同尺度上进行信号特征稀疏化筛选，采用径向基核函数的非线性支持向量机对稀疏化筛选后无缺陷参考信号进行特征的聚类处理，采用相关熵的自适应观测模型对参考信号样本集的同质性进行度量，在不同尺度上对比信号特征聚类结果并应用Sigmoid函数实现归一化，获得无掩模CS自适应拓扑分布优化的参考稀疏表征矢量作为判别依据；
步骤2，基于结构化思想的分块随机CS自适应拓扑分布优化策略：依据检测对象尺度与检测精度确定采样的初级分块和扫描步长，基于等距受限约束与二维正态随机分布确定测量矩阵，每一级各个分块采用相同的测量矩阵进行分块扫描，对采样点信号采用与无缺陷参考信号一样采用步骤1实现快速稀疏表征；为判别采样点是否为缺陷目标点建立相关熵的自适应观测模型，根据不同的光谱特性对由无掩模压缩感知分块邻域内的信号分配不同的权重，与无缺陷参考稀疏表征相比较确定缺陷目标点，记录缺陷信号及坐标，以采样点信号与参考稀疏表征矢量比较结果记录缺陷信号坐标自适应调整压缩感知拓扑分布方向，以记录缺陷信号坐标为中心进行重新下一级分块，分块、扫描步长大小减半，直至分块尺度与检测精度达到一定比例关系，则无需比较进行特征域全扫步骤1中采样获取无缺陷参考信号样本集，进行信号奇异性检测，包括：
随机采样获取无缺陷信号样本集并编号；
由信号特点确定小波基及变换的尺度级别，基于小波变换模极大值计算每个样本在各尺度上的李氏指数实现THz-TDS奇异性度量；
依据信号、噪声的局部奇异性特点进行小波变换模极大值的筛选，滤除李氏指数小于0的模极大值；
相关熵的自适应观测模型用于估计数据的分布，度量任意矢量a、b之间相似度，定义为：
式中：B为特征数，kσ(·)代表满足Mercer定理的高斯核函数，kσ(·)＝exp[-||·||2/(2σ2)]；选择σ＝0.05同时兼顾同质和异质信息；相关熵的自适应观测模型在步骤1应用中矢量a，矢量b代表无缺陷参考信号稀疏化、聚类后样本集结果中任意两个样本信号特征的稀疏化矢量，ai,p和bi,p代表两个不同无缺陷参考信号样本相同尺度的稀疏表征特征值，分别在不同尺度上对样本特征进行度量同质性和异质性进而对矢量进行；在步骤2应用中矢量a，矢量b分别代表无缺陷参考信号和被检测对象随机采样信号特征的稀疏化矢量，bi,p代表由步骤1获得的无缺陷参考信号样本的稀疏表征矢量，ai,p则代表分块域内的所有采样点信号稀疏表征矢量，i代表小波变换的尺度，p代表同一尺度内第p个特征值；
基于相关熵的自适应观测模型度量结果，用Sigmoid函数进行归一化处理：
S代表Sigmoid函数，exp代表指数函数，f(a,b)代表相关熵度量函数；
步骤2中权重分配包括：当采样点稀疏表征矢量归一化结果权重高于一定阈值时就认为其与参考信号稀疏表征矢量归一化不同，则重新下一级分块时以该点为中心采样并判定，权重的表达式为：
式中：S代表Sigmoid函数，t1和t2为阈值用于确定采样点信号与参考信号的同质性判定采样点拓扑方向，通过调整阈值的大小提高目标有效信息检测的精度，最终实现自适应的无掩模CS自适应拓扑分布优化；
依据分块尺度达到检测精度3倍或扫描步长5倍与同时所有分块域扫描结束，判定最小特征域并进行全扫描结束，采用与分块扫描相同方式判定并记录缺陷目标信号与坐标，全扫描完毕则无掩模CS自适应拓扑分布优化结束。
2.按照权利要求1所述的方法，其特征在于，步骤2重新下一级分块包括：
采样点领域内根据具体检测目标的指标要求确定扫描步长，增加以该采样点为中心的邻域采样点数进行重新分块域扫描，并根据快速稀疏表征与步骤1中判别依据的稀疏表征矢量基于相关熵的自适应观测模型进行比较，判定采样拓扑方向，各块内分别判别优化压缩感知拓扑分布策略，直至分块尺度达到检测精度3倍或扫描步长5倍，则无需比较进行特征域全扫。
3.按照权利要求1所述的方法，其特征在于，步骤1中聚类包括：无缺陷参考信号样本集每一个样本信号的特征稀疏化筛选结果作为输入参考样本特征空间矢量xk，k＝1，2，……，l，被径向基核函数非线性映射，即：
K(||xk-y||)＝exp(-g||xk-y||2/2s2)
式中，xk为输入样本特征，y表示高斯核函数的中心，s为函数值跌至零的速度参数，
表示核的灵活性，实现映射域的特征聚类，根据无缺陷稀疏表征矢量作为输入样本特征，通过径向基核函数非线性映射，获得无缺陷参考信号样本集根据不同尺度上小波域模极大值的位置、大小稀疏表征特征聚类的样本分类结果，选出特征较集中的样本集作为下一步归一化的输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110054508.XA CN112818762B (zh) | 2021-01-15 | 2021-01-15 | 一种大尺寸复合材料及其夹层结构快速无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110054508.XA CN112818762B (zh) | 2021-01-15 | 2021-01-15 | 一种大尺寸复合材料及其夹层结构快速无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112818762A CN112818762A (zh) | 2021-05-18 |
| CN112818762B true CN112818762B (zh) | 2022-06-07 |
Family
ID=75869389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110054508.XA Active CN112818762B (zh) | 2021-01-15 | 2021-01-15 | 一种大尺寸复合材料及其夹层结构快速无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112818762B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113556132B (zh) * | 2021-08-23 | 2022-12-13 | 国家电网有限公司 | 一种基于信号奇异性检测改进的电力信号压缩感知新方法 |
| CN118018372B (zh) * | 2024-04-09 | 2024-06-21 | 中国人民解放军海军工程大学 | 基于广义循环相关熵的改进msk载波估计方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106441575A (zh) * | 2016-09-18 | 2017-02-22 | 河南工业大学 | 一种太赫兹时域光谱稀疏成像方法 |
| CN106950555A (zh) * | 2017-05-03 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种基于太赫兹孔径编码成像体制的面目标成像方法 |
| CN106952315A (zh) * | 2017-03-22 | 2017-07-14 | 广东工业大学 | 一种基于bfgs的对太赫兹复值数据进行图像快速重构的方法 |
| CN109297925A (zh) * | 2018-10-09 | 2019-02-01 | 天津大学 | 一种基于分块压缩感知的太赫兹高分辨率快速成像装置 |
| US10295462B1 (en) * | 2016-03-02 | 2019-05-21 | Hrl Laboratories, Llc | Detection by active spatially and spectrally structured sensing and learning (DAS4L) |
| CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
| CN111224938A (zh) * | 2019-11-08 | 2020-06-02 | 吉林大学 | 一种无线地震仪网络压缩数据传输方法 |
| CN111669183A (zh) * | 2020-06-30 | 2020-09-15 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8860835B2 (en) * | 2010-08-11 | 2014-10-14 | Inview Technology Corporation | Decreasing image acquisition time for compressive imaging devices |
-
2021
- 2021-01-15 CN CN202110054508.XA patent/CN112818762B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10295462B1 (en) * | 2016-03-02 | 2019-05-21 | Hrl Laboratories, Llc | Detection by active spatially and spectrally structured sensing and learning (DAS4L) |
| CN106441575A (zh) * | 2016-09-18 | 2017-02-22 | 河南工业大学 | 一种太赫兹时域光谱稀疏成像方法 |
| CN106952315A (zh) * | 2017-03-22 | 2017-07-14 | 广东工业大学 | 一种基于bfgs的对太赫兹复值数据进行图像快速重构的方法 |
| CN106950555A (zh) * | 2017-05-03 | 2017-07-14 | 中国人民解放军国防科学技术大学 | 一种基于太赫兹孔径编码成像体制的面目标成像方法 |
| CN109297925A (zh) * | 2018-10-09 | 2019-02-01 | 天津大学 | 一种基于分块压缩感知的太赫兹高分辨率快速成像装置 |
| CN109993105A (zh) * | 2019-03-29 | 2019-07-09 | 北京化工大学 | 一种改进的自适应稀疏采样故障分类方法 |
| CN111224938A (zh) * | 2019-11-08 | 2020-06-02 | 吉林大学 | 一种无线地震仪网络压缩数据传输方法 |
| CN111669183A (zh) * | 2020-06-30 | 2020-09-15 | 中南大学 | 一种压缩感知采样与重建方法、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Xing Liyun 等.Void and crack detection of polymethacrylimide foams based on terahertz time-domain spectroscopic imaging.《JOURNAL OF SANDWICH STRUCTURES & MATERIALS》.2017,第19卷(第3期),348-363. * |
| 佘荣斌.高效率近场太赫兹单像素成像技术研究.《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》.2020,(第07期), * |
| 邢砾云.小波域马尔可夫随机场在THz图像处理中的应用(英文).《红外与激光工程》.2014,第43卷(第07期), * |
| 邢砾云.航空泡沫芯材及夹层结构的太赫兹无损检测研究.《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》.2017,(第03期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112818762A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107817493B (zh) | 一种基于压缩感知的2d近场合成孔径雷达图像重建方法 | |
| Sun et al. | Advanced signal processing methods for ground-penetrating radar: Applications to civil engineering | |
| CN111553877B (zh) | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 | |
| CN112001270B (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| CN110674835B (zh) | 一种太赫兹成像方法及系统和一种无损检测方法及系统 | |
| CN104182768B (zh) | 逆合成孔径雷达图像的质量分类方法 | |
| CN106770691A (zh) | 一种基于压缩感知的汽轮机叶轮超声相控阵信号压缩方法 | |
| CN113848252A (zh) | 一种基于超声导波和卷积神经网络的腐蚀成像方法 | |
| CN111445515A (zh) | 基于特征融合网络的地下圆柱体目标半径估算方法及系统 | |
| CN116542912A (zh) | 一种多目标视觉跟踪的柔性体桥梁振动检测模型、应用 | |
| CN110836878B (zh) | 一种卷积插值耦合高斯混合模型快速三维荧光寻峰方法 | |
| Takahashi et al. | Microwave subsurface imaging method by incorporating radar and tomographic approaches | |
| Hanabusa et al. | Deep-learning-based calibration in contrast source inversion based microwave subsurface imaging | |
| CN116930904A (zh) | 一种探地雷达图像对齐及差异检测方法 | |
| Fang et al. | Visualization and quantitative evaluation of delamination defects in GFRPs via sparse millimeter-wave imaging and image processing | |
| CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
| CN112819813B (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
| CN116400724A (zh) | 一种输电线路无人机智能巡检方法 | |
| CN115616044A (zh) | 基于压缩感知流型辨识的变化灵敏度场电容层析成像方法 | |
| CN109214405A (zh) | 一种自适应联合特征字典进行遥感图像稀疏识别的方法 | |
| CN109099880B (zh) | 岩体结构面粗糙度系数全域搜索测量方法 | |
| Liu et al. | High-Speed Surface Roughness Recognition by Scattering on Terahertz Waves | |
| Ghasr et al. | Non-uniform manual scanning for microwave nondestructive evaluation imaging | |
| CN116643249B (zh) | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
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 |