CN113218998B - 一种基于全局莫兰指数的涡流热成像缺陷识别方法 - Google Patents
一种基于全局莫兰指数的涡流热成像缺陷识别方法 Download PDFInfo
- Publication number
- CN113218998B CN113218998B CN202110458323.5A CN202110458323A CN113218998B CN 113218998 B CN113218998 B CN 113218998B CN 202110458323 A CN202110458323 A CN 202110458323A CN 113218998 B CN113218998 B CN 113218998B
- Authority
- CN
- China
- Prior art keywords
- infrared thermal
- thermal image
- sparse
- iteration
- component
- 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 63
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000001931 thermography Methods 0.000 title claims abstract description 26
- 238000010438 heat treatment Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 235000009508 confectionery Nutrition 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 102000027549 TRPC Human genes 0.000 description 2
- 108060008648 TRPC Proteins 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004154 testing of material 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G06T5/70—
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
Abstract
本发明公开了一种基于全局莫兰指数的涡流热成像缺陷识别方法，先采集被测试件在加热过程和放热过程期间的三维红外热图像序列，然后建立稀疏分解的模型，采用交替方向乘子法(ADMM)交替迭代求解三维红外热图像序列，并以全局莫兰指数为收敛评判指标，将三维红外热图像序列分解成稀疏成分和低秩成分；最后，迭代停止时，选取特定帧红外热图像作为最终分离出的缺陷信息。
Description
技术领域
本发明属于无损检测技术领域，更为具体地讲，涉及一种基于全局莫兰指数的涡流热成像缺陷识别方法。
背景技术
无损检测是指在不损伤被测试件的前提下对试件缺陷进行检测和识别，对现代工业生产的安全性，可靠性保障等方面具有重要意义。涡流热成像无损检测技术相比其他无损检测技术具有操作难度低，检测范围大，无需接触试件等优势，被广泛应用在导电材料检测中。
随着工业技术的发展，工件结构愈发复杂，涡流热成像的原始图像序列中常常混杂着大量的噪音成分，如图1所示，甚至严重干扰了对缺陷信息的准确识别。因此，对涡流热成像的原始图像序列进行后处理，强化其中的缺陷信息，对实现缺陷准确识别具有重要意义。
早期，人们使用FFT，TSR，PCA等传统数据处理方法去除数据中的噪音，但是由于这类方法没有针对缺陷信息单独建模，对缺陷信息的敏感性不高，在面对复杂试件时效果不佳。目前国际上较为先进的涡流热成像后处理算法以稀疏分解方法为主，其利用了缺陷信息的变化剧烈，在图像中占比较小等数据特征将缺陷信息建模成为稀疏分量。从而将缺陷识别问题转换为稀疏成分提取问题。其中，以TRPCA为代表的稀疏分解算法已经取得了远优于FFT，TSR，PCA等传统方法的识别效果。
尽管在识别效果上表现出色，但是目前的稀疏分解算法时间复杂度过高，严重制约了其在工业上的应用。以图1为例，0.5s的检测过程内提取的数据量为80帧240*640的图像序列，对于该数据，目前最先进的TNN-TRPCA算法需要处理600秒左右。此外，由于该算法同样需要人为设定迭代阈值，因此其结果存在人为因素的干扰。具体表现为，尽管处理结果相比传统识别方法有所提升，但是过小或过大的阈值设定会导致结果存在一定程度的过拟合或欠拟合现象。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于全局莫兰指数的涡流热成像缺陷识别方法，通过采用全局莫兰指数来量化缺陷位置处的空间温度聚集特征，进而实现缺陷检测，从而改善现有的使用TRPCA法分析涡流热成像图像序列时存在的时间过长，过拟合严重等不足。
为实现上述发明目的，本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法，其特征在于，包括以下步骤：
(1)、采集被测试件的三维红外热图像序列；
将激励线圈放置在被测试件的正上方，然后在激励线圈内部持续通入t1秒的交流电流，使被测试件表面激励出涡流，实现被测试件的加热，此阶段称为加热过程；
加热过程结束后，停止对激励线圈通电，然后在环境中自然冷却，持续时间为t2秒，此阶段称为放热过程；
在加热过程和放热过程期间，使用红外热成像仪记录被测试件表面温度变化信息，设红外热成像仪的分辨率为M*N，在t1+t2秒期间共采集P帧图像，则获取的三维红外热图像序列记为X∈RM*N*P，R表示实数域；
(2)、对三维红外热图像序列进行稀疏分解；
(2.1)、建立稀疏分解的优化目标函数；
其中，||·||*表示求核范数，其用来约束低秩成分；||·||1表示求1范数，用来约束稀疏成分；λ表示稀疏成分的系数，用来平衡核范数与1范数对优化目标函数结果的影响；
(2.2)、采用交替方向乘子法ADMM将三维红外热图像序列X分解为稀疏成分S与低秩成分L，且使优化目标函数值最小；
(2.2.1)、初始化稀疏项S0，低秩项L0，迭代误差Y0，更新步长
步长最大值
初始化当前迭代次数k＝0；
(2.2.2)、固定稀疏项Sk，用拉格朗日法更新低秩成分Lk+1：将稀疏项Sk带入至低秩项的增广拉格朗日函数并求解Lk+1；
其中，||·||F表示求F范数；
(2.2.3)、固定低秩项Lk+1，用拉格朗日法更新稀疏成分Sk+1：将步骤(2.2.2)求解的Lk+1带入至稀疏项的增广拉格朗日函数并求解Sk+1；
(2.2.4)、更新迭代误差Yk+1；
(2.2.5)、更新步长
其中，ρ为更新倍率；
(2.3)、记录第k次迭代结束的稀疏项Sk+1与低秩项Lk+1，然后提取稀疏项Sk+1，取加热结束时刻对应的一帧红外热图像，记为
(2.4)、计算红外热图像
的全局莫兰指数Ik+1；
(2.4.1)、将红外热图像
中每个像素点按列通过对应温度值进行标记，得到如下矩阵：
(2.4.2)、计算红外热图像
中所有像素点的像素均值
(2.4.3)、计算权重值；
若像素点i与像素点j相邻，则第i个像素点和第j个像素点之间的权重值ψij为1，否则，其权重值ψij为0；
计算红外热图像
中所有像素点两两间的权重值之和S0；
(2.4.4)、将
S0代入如下公式，计算红外热图像
的全局莫兰指数Ik+1；
其中，n＝M*N，yi,yj分别表示像素点i、j的像素值；
对(6)式进行化简，求得红外热图像
的全局莫兰指数Ik+1为：
其中，r、c分别行和列，且满足r＝mod(n,M)，
mod(·)表示求余数，
表示向上取整；X表示红外热图像
的第r行第c列的像素值，
表示表示红外热图像
的像素均值；
(2.5)、判断迭代是否停止；
(2.5.1)、设置计数器Cnt，初始化Cnt＝0；
(2.5.2)、将第k次迭代结束后计算得到全局莫兰指数Ik+1与前一次循环计算的全局莫兰指数Ik进行比较，如果Ik+1<Ik，则将计数器Cnt的值加1；否则，将计数器Cnt的值清零；
(2.5.3)、收敛性判断：当计数器Cnt的计数值达到p时，则停止迭代，并进入步骤(3)；否则，将当前迭代次数k增加1，再返回步骤(2.2.2)；
(3)、缺陷识别；
以第k次迭代结束后的稀疏项Sk+1为基准，提取第k-p次迭代结束后的稀疏项Sk-p+1，并将Sk-p+1作为三维红外热图像序列X∈RM*N*P中提取出的缺陷成分。
本发明的发明目的是这样实现的：
本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法，先采集被测试件在加热过程和放热过程期间的三维红外热图像序列，然后建立稀疏分解的模型，采用交替方向乘子法(ADMM)交替迭代求解三维红外热图像序列，并以全局莫兰指数为收敛评判指标，将三维红外热图像序列分解成稀疏成分和低秩成分；最后，迭代停止时，选取特定帧红外热图像作为最终分离出的缺陷信息。
同时，本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法还具有以下有益效果：
(1)、本发明将涡流热成像图像序列中缺陷信息的空间特征融合到了算法中，这样可以显著降低迭代次数，提升运算时间，同时，有效改善过拟合以及背景噪声对检测结果的影响；
(2)、本发明免去了人工设定收敛阈值的过程，避免了人为因素的干扰。
附图说明
图1是含有干扰信息的原始涡流热成像图；
图2是本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法流程图；
图3是被测试件的红外热图像序列采集装置图；
图4是被测试件实物图；
图5是采用本发明提出的方法处理后的涡流热成像图；
图6是采用TRPCA方法处理后的涡流热成像图；
图7是采用本发明提出的方法处理后的涡流热成像三维视图；
图8是采用TRPCA方法处理后的涡流热成像三维视图；
图9是本发明的收敛判据(全局莫兰指数)与迭代次数的关系图；
图10是传统求解方法ADMM法收敛判据与迭代次数的关系图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
实施例
图1是本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法流程图。
在本实施例中，如图2所示，本发明一种基于全局莫兰指数的涡流热成像缺陷识别方法，包括以下步骤：
S1、采集被测试件的三维红外热图像序列；
如图3所示，将激励线圈放置在被测试件的正上方，然后在激励线圈内部持续通入t1秒的交流电流，使被测试件表面激励出涡流，实现被测试件的加热，此阶段称为加热过程；
加热过程结束后，停止对激励线圈通电，然后在环境中自然冷却，持续时间为t2秒，此阶段称为放热过程；
在加热过程和放热过程期间，使用红外热成像仪记录被测试件表面温度变化信息，设红外热成像仪的分辨率为M*N，在t1+t2秒期间共采集P帧图像，则获取的三维红外热图像序列记为X∈RM*N*P，R表示实数域；
在本实施例中，被测试件如图4所示，设置加热过程t1为0.2s，放热过程t2为0.2s，热像仪采样率为200fps，分辨率为240*640，获取的三维红外热图像序列为X∈R240*640*80。
S2、对三维红外热图像序列进行稀疏分解；
S2.1、建立公式(1)所示的标准稀疏分解模型TRPCA，作为稀疏分解的优化目标函数；
其中，||·||*表示求核范数，其用来约束低秩成分；||·||1表示求1范数，用来约束稀疏成分；λ表示稀疏成分的系数，用来平衡核范数与1范数对优化目标函数结果的影响；
由于缺陷信息在三维红外热图像序列X中占比小，变化剧烈，具备稀疏特征，因此稀疏成分S代表缺陷信息。非缺陷信息变化缓慢，帧与帧之间差异较小，因此低秩成分L代表背景信息。
S2.2、采用交替方向乘子法ADMM将三维红外热图像序列X分解为稀疏成分S与低秩成分L，且使优化目标函数值最小；
S2.2.1、初始化稀疏项S0，低秩项L0，迭代误差Y0，更新步长
步长最大值
初始化当前迭代次数k＝0；在本实施例中，S0＝0，L0＝0，Y0＝0，
S2.2.2、固定稀疏项Sk，用拉格朗日法更新低秩成分Lk+1：将稀疏项Sk带入至低秩项的增广拉格朗日函数并求解Lk+1；
其中，||·||F表示求F范数；
S2.2.3、固定低秩项Lk+1，用拉格朗日法更新稀疏成分Sk+1：将步骤(2.2.2)求解的Lk+1带入至稀疏项的增广拉格朗日函数并求解Sk+1；
S2.2.4、更新迭代误差Yk+1；
S2.2.5、更新步长
其中，ρ为更新倍率，在本实施例中设置为1.1；
S2.3、记录第k次迭代结束的稀疏项Sk+1与低秩项Lk+1，然后提取稀疏项Sk+1，取加热结束时刻对应的一帧红外热图像，记为
在本实施例中，加热结束时刻即为t1＝0.2s时，对应为第40帧红外热图像；
S2.4、计算红外热图像
的全局莫兰指数Ik+1；
全局莫兰指数是衡量所有空间单元与周边区域相关性的重要指标，以往主要用于地理分析，我们将其引入到涡流热成像图像序列中，以帮助量化高温像素的空间聚集特性的强弱；全局莫兰指数值介于-1和1之间，越接近1，表示高属性值单元的空间分布越集中；越接近-1则对应着越分散的空间分布；越接近0则代表越随机的空间单元分布。
S2.4.1、将红外热图像
中每个像素点按列通过对应温度值进行标记，得到如下矩阵：
S2.4.2、计算红外热图像
中所有像素点的像素均值
S2.4.3、计算权重值；
若像素点i与像素点j相邻，则第i个像素点和第j个像素点之间的权重值ψij为1，否则，其权重值ψij为0；
计算红外热图像
中所有像素点两两间的权重值之和S0；
S2.4.4、将
S0代入如下公式，计算红外热图像
的全局莫兰指数Ik+1；
其中，n＝M*N＝240*640，yi,yj分别表示像素点i、j的像素值；
对(6)式进行化简，求得红外热图像
的全局莫兰指数Ik+1为：
其中，r、c分别行和列，且满足r＝mod(n,M)，
mod(·)表示求余数，
表示向上取整；X表示红外热图像
的第r行第c列的像素值，
表示表示红外热图像
的像素均值；
S2.5、判断迭代是否停止；
S2.5.1、设置计数器Cnt，初始化Cnt＝0；
S2.5.2、将第k次迭代结束后计算得到全局莫兰指数Ik+1与前一次循环计算的全局莫兰指数Ik进行比较，如果Ik+1<Ik，则将计数器Cnt的值加1；否则，将计数器Cnt的值清零；
S2.5.3、收敛性判断：当计数器Cnt的计数值达到p时，则停止迭代，并进入步骤S3，本实施例中，p的取值为5；否则，将当前迭代次数k增加1，再返回步骤S2.2.2；
S3、缺陷识别；
以第k次迭代结束后的稀疏项Sk+1为基准，提取第k-p次迭代结束后的稀疏项Sk-p+1，并将Sk-p+1作为三维红外热图像序列X∈RM*N*P中提取出的缺陷成分；
在本实施例中，第23次到第28次迭代结束后计算的全局莫兰指数依次为0.718，0.713，0.699，0.692，0.673，0.657。因此，根据S2.5的判断条件，当迭代到第28次时，Cnt的计数值达到5，迭代停止。提取第23次迭代的结果S24作为最终提取出的缺陷成分。
操作到此步骤后，基于全局莫兰指数的涡流热成像缺陷识别方法全部完成。最终输出的结果为图5所示。与图1相比，从图5可以看出，缺陷信息得到了极大地增强显示，背景噪音几乎被完全去除。相比图6所示的使用传统ADMM法求解的TRPCA的输出结果，本发明可以有效改善了其出现的过拟合现象，具体体现在以下两个方面：1)、图7和图8分别是图5与图6的三维显示的结果，增加了Z轴表示图像的像素值，可以明显看出图8中非缺陷区域残余的噪音得到了充分地抑制；2)、经计算，图6的信噪比为25.1dB，相比之下图5的信噪比为50.8dB，这说明，图5比图6更出色地抑制了噪音。
图9是本发明的收敛判据(全局莫兰指数)与迭代次数的关系图，图10是传统求解方法ADMM法收敛判据与迭代次数的关系图。从图10可以看出，ADMM法以两次迭代的差的无穷范数为收敛判据，其迭代次数取决于人工设置的阈值，通常情况下阈值设定为1e-5，即当无穷范数小于1e-5时停止迭代。本实施例中，传统求解方法ADMM法需要的迭代次数为183次。而从图9可以看出，本发明使用莫兰指数的拐点作为收敛判据，不仅避免了人工设定阈值，实现了自适应停止迭代，同时迭代次数也大大降低。本实施例中，本发明提出的算法需要的迭代次数为23次，仅为ADMM法的1/8。而在运行时间上，本实施例中，ADMM法求解耗时为602.2s，本发明提出的算法耗时为72.8s，速度提升了近8倍。由此看出，本发明与传统ADMM法相比，在时间成本上具有显著的优越性。
综述，本发明中提出的一种基于全局莫兰指数的涡流热成像缺陷识别方法是对稀疏分解方法的一种改进，具体说来，以往的稀疏分解方法只利用了缺陷信息时间变化剧烈的稀疏特征，而本发明在此基础上还考虑了缺陷信息独有的空间聚合特性，结合全局莫兰指数加速了稀疏张量分解的迭代过程，使结果在满足工程中最优的情况下停止，相比此类问题的求解方法ADMM法，本发明提出的方法可以显著降低82％-97％的迭代次数，运算时间减少到之前的五分之一到八分之一，同时，在效果上也有效改善了过拟合以及背景噪声对检测结果的影响。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于全局莫兰指数的涡流热成像缺陷识别方法，其特征在于，包括以下步骤：
(1)、采集被测试件的三维红外热图像序列；
将激励线圈放置在被测试件的正上方，然后在激励线圈内部持续通入t1秒的交流电流，使被测试件表面激励出涡流，实现被测试件的加热，此阶段称为加热过程；
加热过程结束后，停止对激励线圈通电，然后在环境中自然冷却，持续时间为t2秒，此阶段称为放热过程；
在加热过程和放热过程期间，使用红外热成像仪记录被测试件表面温度变化信息，设红外热成像仪的分辨率为M*N，在t1+t2秒期间共采集P帧图像，则获取的三维红外热图像序列记为X∈RM*N*P，R表示实数域；
(2)、对三维红外热图像序列进行稀疏分解；
(2.1)、建立稀疏分解的优化目标函数；
其中，||·||*表示求核范数，其用来约束低秩成分；||·||1表示求1范数，用来约束稀疏成分；λ表示稀疏成分的系数，用来平衡核范数与1范数对优化目标函数结果的影响；
(2.2)、采用交替方向乘子法ADMM将三维红外热图像序列X分解为稀疏成分S与低秩成分L，且使优化目标函数值最小；
(2.2.1)、初始化稀疏成分S0，低秩成分L0，迭代误差Y0，更新步长
步长最大值
初始化当前迭代次数k＝0；
(2.2.2)、固定稀疏成分Sk，用拉格朗日法更新低秩成分Lk+1：将稀疏成分Sk带入至低秩成分 的增广拉格朗日函数并求解Lk+1；
其中，||·||F表示求F范数；
(2.2.3)、固定低秩成分Lk+1，用拉格朗日法更新稀疏成分Sk+1：将步骤(2.2.2)求解的Lk+1带入至稀疏成分的增广拉格朗日函数并求解Sk+1；
(2.2.4)、更新迭代误差Yk+1；
(2.2.5)、更新步长
其中，ρ为更新倍率；
(2.3)、记录第k次迭代结束的稀疏成分Sk+1与低秩成分Lk+1，然后提取稀疏成分Sk+1，取加热结束时刻对应的一帧红外热图像，记为
(2.4)、计算红外热图像
的全局莫兰指数Ik+1；
(2.4.1)、将红外热图像
中每个像素点按列通过对应温度值进行标记，得到如下矩阵：
(2.4.2)、计算红外热图像
中所有像素点的像素均值
(2.4.3)、计算权重值；
若像素点i与像素点j相邻，则第i个像素点和第j个像素点之间的权重值ψij为1，否则，其权重值ψij为0；
计算红外热图像
中所有像素点两两间的权重值之和S0；
(2.4.4)、将yi、yj、
S0代入如下公式，计算红外热图像
的全局莫兰指数Ik+1；
其中，n＝M*N，yi,yj分别表示像素点i、j的像素值；
对(6)式进行化简，求得红外热图像
的全局莫兰指数Ik+1为：
其中，r、c分别是行和列，且满足r＝mod(n,M)，
mod(·)表示求余数，
表示向上取整；χ表示红外热图像
的第r行第c列的像素值，
表示红外热图像
的像素均值；
(2.5)、判断迭代是否停止；
(2.5.1)、设置计数器Cnt，初始化Cnt＝0；
(2.5.2)、将第k次迭代结束后计算得到全局莫兰指数Ik+1与前一次循环计算的全局莫兰指数Ik进行比较，如果Ik+1<Ik，则将计数器Cnt的值加1；否则，将计数器Cnt的值清零；
(2.5.3)、收敛性判断：当计数器Cnt的计数值达到p时，则停止迭代，并进入步骤(3)；否则，将当前迭代次数k增加1，再返回步骤(2.2.2)；
(3)、缺陷识别；
以第k次迭代结束后的稀疏成分Sk+1为基准，提取第k-p次迭代结束后的稀疏成分Sk-p+1，并将Sk-p+1作为三维红外热图像序列X∈RM*N*P中提取出的缺陷成分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458323.5A CN113218998B (zh) | 2021-04-27 | 2021-04-27 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110458323.5A CN113218998B (zh) | 2021-04-27 | 2021-04-27 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113218998A CN113218998A (zh) | 2021-08-06 |
| CN113218998B true CN113218998B (zh) | 2022-03-25 |
Family
ID=77089125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110458323.5A Active CN113218998B (zh) | 2021-04-27 | 2021-04-27 | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113218998B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113804727B (zh) * | 2021-08-30 | 2022-06-14 | 电子科技大学 | 一种基于电阻抗成像的涡流热成像缺陷重构方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104833699A (zh) * | 2015-04-21 | 2015-08-12 | 电子科技大学 | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 |
| CN108332859A (zh) * | 2018-01-18 | 2018-07-27 | 广州大学 | 一种城市热岛范围的提取方法及装置 |
| CN108577840A (zh) * | 2018-02-11 | 2018-09-28 | 南京邮电大学 | 一种动态磁共振稳健pca成像方法 |
| CN109738512A (zh) * | 2019-01-08 | 2019-05-10 | 重庆大学 | 基于多物理场融合的无损检测系统及方法 |
| CN109884180A (zh) * | 2019-02-14 | 2019-06-14 | 昆明理工大学 | 一种导电结构缺陷稀疏电涡流快速成像检测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10541109B2 (en) * | 2016-07-27 | 2020-01-21 | Battelle Memorial Institute | Sensing analytical instrument parameters, specimen characteristics, or both from sparse datasets |
| US10572978B2 (en) * | 2016-12-05 | 2020-02-25 | Kennesaw State University Research And Service Foundation, Inc. | Moran's / for impulse noise detection and removal in color images |
-
2021
- 2021-04-27 CN CN202110458323.5A patent/CN113218998B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104833699A (zh) * | 2015-04-21 | 2015-08-12 | 电子科技大学 | 一种基于贪婪稀疏分解的ecpt缺陷快速检测方法 |
| CN108332859A (zh) * | 2018-01-18 | 2018-07-27 | 广州大学 | 一种城市热岛范围的提取方法及装置 |
| CN108577840A (zh) * | 2018-02-11 | 2018-09-28 | 南京邮电大学 | 一种动态磁共振稳健pca成像方法 |
| CN109738512A (zh) * | 2019-01-08 | 2019-05-10 | 重庆大学 | 基于多物理场融合的无损检测系统及方法 |
| CN109884180A (zh) * | 2019-02-14 | 2019-06-14 | 昆明理工大学 | 一种导电结构缺陷稀疏电涡流快速成像检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| Moran’s Index-Based Tensor Decomposition for Eddy Current Pulsed Thermography Sequence Processing;Libing Bai 等;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》;20210712;第70卷;第6009212页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113218998A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
| CN110108754B (zh) | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 | |
| CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
| Sun et al. | Development of a physics-informed doubly fed cross-residual deep neural network for high-precision magnetic flux leakage defect size estimation | |
| 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 | |
| CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
| CN109636755B (zh) | 一种通过加权估计实现红外热图像增强的方法 | |
| CN111738363A (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| CN114862838A (zh) | 基于无监督学习的缺陷检测方法及设备 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN113218998B (zh) | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 | |
| CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
| CN113657449A (zh) | 一种含噪标注数据的中医舌象腐腻分类方法 | |
| CN110766657B (zh) | 一种激光干扰图像质量评价方法 | |
| CN112233068B (zh) | 交替卷积全变分正则化张量分解的红外成像缺陷检测方法 | |
| CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN109427049B (zh) | 一种涂层缺陷的检测方法 | |
| CN109636781B (zh) | 一种基于特征挖掘和加权贝叶斯分类器的缺陷提取方法 | |
| Ziabari et al. | Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction | |
| CN115631186B (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
| CN112085727A (zh) | 一种热轧钢材表面氧化铁皮结构智能识别方法 | |
| CN110880170A (zh) | 一种复合材料缺陷的深度预测方法 | |
| CN114166850B (zh) | 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 | |
| CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
| CN116559196A (zh) | 一种电弧增材制造缺陷检测系统及方法 |
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 |