CN114166850B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114166850B CN114166850B CN202111448558.2A CN202111448558A CN114166850B CN 114166850 B CN114166850 B CN 114166850B CN 202111448558 A CN202111448558 A CN 202111448558A CN 114166850 B CN114166850 B CN 114166850B
- Authority
- CN
- China
- Prior art keywords
- tensor
- decomposition
- rank
- infrared thermal
- image sequence
- 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 67
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000001931 thermography Methods 0.000 title claims abstract description 24
- 230000005284 excitation Effects 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012880 independent component analysis Methods 0.000 description 6
- 230000002950 deficient Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了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,先通过实验系统采集红外热图像序列,通过小波分解保留低频图像去除噪声后,再将热图序列看作一个三阶张量,分解为低秩张量、稀疏张量和噪声张量之和;建立目标函数,通过不同秩下的Tucker分解结果进行差分得到的结构之间的差异信息提取图像序列的前景部分即缺陷信息,然后引入概率张量来纠正潜在的不匹配模式,求解出提取缺陷后的热图像序列,从而实现红外热成像的缺陷检测,提高缺陷检出率。
Description
技术领域
本发明属于无损检测技术领域,更为具体地讲,涉及一种基于差分张量分解的光激励红外热成像缺陷检测方法。
背景技术
高质量和高安全性是在材料的生产和使用过程中备受关注的热点之一。业界通常使用无损检测技术进行材料的质量检测。作为一种不损害被测对象的检测技术,无损检测对提高产品质量和保障设备结构的安全服役等具有重要的作用。
红外热成像检测技术是常见的无损检测技术,通过获取物体的温度信息来进一步判断物理特征信息。作为红外热成像检测技术的一种,光激励红外热成像(OPT)的加热方式是通过有源光源对物体进行加热。它有三种激励模式:脉冲热成像(PT)、锁相热成像和脉冲压缩热成像。在检测过程中,热像仪记录材料的温度变化,通过分析材料不同区域的温度变化,从而实现大范围不同深度缺陷的快速检测,成为材料结构完整性评估和缺陷检测的重要依据。
由于环境噪声及热扩散的干扰,实验系统采集到的热图像具有加热不均匀,边缘模糊、环境噪声大和缺陷信息微弱等缺点。现在已有许多可以提高缺陷检测准确率的缺陷提取的处理方法,例如传统的热成像无损检测算法:脉冲相位法(PPT)和热信号重构(TSR)以及矩阵张量分解相关算法:主成分分析(PCA)、独立成分分析(ICA)、稀疏集成矩阵分解方法和低秩张量分解算法。但是,现有的方法在检测缺陷时可能存在运行时间过长和缺陷对比度低和缺陷检出率低等缺点。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于差分张量分解的光激励红外热成像缺陷检测方法,将不同秩下的Tucker分解结果进行差分,得到的结构之间的差异信息结合纠正潜在的不匹配模式的概率张量的算法对复合材料进行缺陷检测,无需做过多的参数调节和人为选择热图,能明显提高缺陷检测准确率、缺陷对比度、检测效率以及图像信噪比。
为实现上述发明目的,本发明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,其特征在于,包括以下步骤:
(4)、选取用于Tucker张量分解的Tcuker秩:ranktc(Y)=(rank(Y{1}),rank(Y{2}),r),其中,rank(·)表示求矩阵的秩,r的取值是1≤r≤rank(Y{3})间的整数值,Y{i}表示Y的模态i的矩阵化,i=1,2,3;
(5)、选取合适的阈值n1和n2,并建立如下目标方程;
其中,α、β为正则化系数;为待求的缺陷张量;/>为概率张量,表示稀疏分量S中每个像素位置为前景的概率;/>和/>分别是W和/>中的一元素;/>分别表示求F范数、L1范数和张量范数;⊙表示求哈达玛积;/>表示当r≤n1时的Tcuker分解结果,/>表示当r≤n2时的Tcuker分解结果;
(6)、使用Tucker分解求解目标方程得到稀疏分量S;
(7)、通过拉格朗日函数法求解缺陷张量W;
(8)、将缺陷张量W作为被增强显示的缺陷信息的热图像序列,从而完成红外热成像的缺陷检测。
本发明的发明目的是这样实现的:
本发明基于差分张量分解的光激励红外热成像缺陷检测方法,先通过实验系统采集红外热图像序列,通过小波分解保留低频图像去除噪声后,再将热图序列看作一个三阶张量,分解为低秩张量、稀疏张量和噪声张量之和;建立目标函数,通过不同秩下的Tucker分解结果进行差分得到的结构之间的差异信息提取图像序列的前景部分即缺陷信息,然后引入概率张量来纠正潜在的不匹配模式,求解出提取缺陷后的热图像序列,从而实现红外热成像的缺陷检测,提高缺陷检出率。
同时,本发明基于差分张量分解的光激励红外热成像缺陷检测方法还具有以下有益效果:
(1)、在预处理步骤使用小波分解,可以有效地抑制噪声,结合基于差分张量分解,能有效地增强缺陷区域与非缺陷区域的对比度,提高缺陷的检出率;
(2)、通过Tucker分解得到原始图像序列的低秩结构,再利用不同秩下的Tucker分解结果进行差分得到的结构之间的差异信息,从而提取热图像序列的前景部分即缺陷信息,这样有效地抑制了噪声,减少了背景的干扰;
(3)、引入概率张量来纠正潜在的不匹配模式,增强了图像对比度,增强了感兴趣区域的显示,抑制了光斑干扰等噪声信息。
附图说明
图1是本发明基于差分张量分解的光激励红外热成像缺陷检测方法流程图;
图2是Tucker分解的流程示意图;
图3是两种试件通过多种算法处理后可视化缺陷示意图。
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是本发明基于差分张量分解的光激励红外热成像缺陷检测方法流程图。
在本实施例中,如图1所示,本发明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,包括以下步骤:
S1、在光激励下采集被测试件的红外热图像序列,记为其中,R表示实数域,P1、P2、P3分别表示红外热图像序列的高度、宽度和帧数;在光源激励下,不同的材料及结构产生不同的热传导现象,材料表面形成的温度场可反映内部情况。当热像仪与光源在同侧时,隔热型缺陷区域表面温度高于其他区域,吸热型缺陷区域表面温度低于其他区域。材料表面的温度场经由热像仪采集,采集后的温度数据作为热图像以伪彩色图像的形式在计算机上显示,以便进一步分析缺陷位置和数量。
S3、将低频张量Y视为由背景信号(低秩分量)、缺陷信号(稀疏分量)和噪声分量混合成的单信道混合信号,由此建立数学模型:Y=L+S+N,其中,表示代表红外热图像的背景分量(低秩分量),稀疏分量/>表示缺陷分量(稀疏分量)稀疏矩阵,表示噪声分量。
S4、在上述分解框架下,通常使用TRPCA来解决问题。但此实施例不是直接约束L和S,而是使用Tucker分解来求解L和S。Tucker分解在低秩张量逼近中得到了广泛的应用,Tucker分解高度依赖于秩,Tucker秩决定了图像序列中的信息量,因此我们选取用于Tucker张量分解的Tcuker秩:ranktc(Y)=(rank(Y{1}),rank(Y{2}),r),其中,rank(·)表示求矩阵的秩,r的取值是1≤r≤rank(Y{3})间的整数值,Y{i}表示Y的模态i的矩阵化,i=1,2,3;
我们通过调整r的大小来提取L和S。当r足够小时,Tucker分解的结果可作为背景信息,随着r的逐渐增大,Tucker分解结果中的前景分量逐渐变多。通过不同r的值对应的Tucker分解结果做差分的方式就可以提取出S。详情如图2所示。
S5、上述提取秩增量对应的结果时,尽管两个秩下的Tucker分解结果有相似的模式,但通过直接减法的增量方式会导致部分模式不匹配,阻碍了前景的提取。因此,我们提出增加概率张量来纠正潜在的不匹配模式,并建立如下目标方程:
其中,n1和n2为选取合适的阈值,α、β为正则化系数;为待求的缺陷张量;/>为概率张量,表示稀疏分量S中每个像素位置为前景的概率;/>和/>分别是W和/>中的一元素;/>分别表示求F范数、L1范数和张量范数;⊙表示求哈达玛积;/>表示当r≤n1时的Tcuker分解结果,/>表示当r≤n2时的Tcuker分解结果;
S6、使用Tucker分解求解目标方程得到稀疏分量S;
S7、通过拉格朗日函数法求解缺陷张量W;
S8、将缺陷张量W作为被增强显示的缺陷信息的热图像序列,从而完成红外热成像的缺陷检测。
实验结果分析与对比:
为了评估本发明提出的算法,选择六种缺陷检测算法进行分析对比,分别是独立成分分析(ICA)、主成分分析(PCA)、脉冲相位法(PPT)、热信号重构(TSR)、稀疏结构算法和稀疏张量算法。三种评价指标被用作评价各算法性能,分别是信噪比(SNR)、F-score、和算法运行时间。
F-score的定义如下式:
其中,P是精确率,R是召回率,定义如下:
其中,TP为检出的且实际为缺陷的个数,FP为检出的但实际不是缺陷的个数,FN为未被检出的实际为缺陷的个数,γ表示精确率和召回率所占权重,取值为2。
缺陷与非缺陷区域的对比度可以使用SNR进行评估,定义如下:
其中,Td表示缺陷区域内像素值的和,Tnon表示非缺陷区域内像素值的和。
在本实施例中,使用两种类型的试件进行实验,试件1为平板型试件,试件2为直角型试件,缺陷在直角型的弯曲部位内部。对两种类型试件各取四组实验数据,共八组数据进行实验,图3中的(i)和(ii)为八组数据中的两组试件类型不一样的数据经各算法处理后的结果图,其中,(a)是原始图;(b)是ICA处理结果图;(c)是PCA处理结果图;(d)是TSR处理结果图;(e)是PPT处理结果图;(f)是稀疏结构算法处理结果图;(g)是稀疏张量算法处理结果图;(h)是本发明所述算法处理结果图。由各个结果图可知,本发明的算法对于热图像中的缺陷信息的显示有很好的增强效果,相较于其余算法,缺陷检出个数更多,缺陷对比度更高,背景光斑的滤除更加干净,图像噪声更少。
表1是各算法的三种评价指标结果比较,指标包括F-score,SNR和运行时间。八组实验数据分别经某种算法(例如PCA)处理计算后,三种评价指标中的每一种都含有八组实验数据对应的八个值,对某个评价指标的八个值取平均值就可以得到此算法的这个指标的值。表中数据的是通过上述方式计算得到的。对于F-score评价指标,本发明提出的算法拥有有最高的F-score,为100%。在其余算法结果中,主成分分析的处理结果的F-score相比最高,为96%,其次是稀疏结构算法的F-score为95%,然后是稀疏张量算法的F-score为94%,热信号重构的F-score最低,只有87%。对于SNR评价指标,本发明提出的算法同样拥有最高的SNR,为25.54。在余下六种算法结果中,稀疏张量算法的SNR为最高,但相较于本发明的算法的F-score低1.92,其次稀疏结构算法SNR为21.96,主成分分析的SNR为13.62,其余三种算法结果的SNR比较相近,都是在12到13之间。对于运行效率,主成分分析运行效率最高,独立成分分析次之,本专利算法排在中等偏上的位置,且在10秒内可以运行结束。稀疏张量算法和稀疏结构算法运行需要十多秒的时间。热信号重构的运行时间最长,为将近2分钟。综合三种评价指标来看,本专利算法在牺牲不多检测效率的基础上提高了检测精度。本专利算法针对的是检测精度要求高于检测效率的检测任务,此种检测速度可以被接受。
表1是各算法评价指标结果比较结果。
表1
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)
1.一种基于差分张量分解的光激励红外热成像缺陷检测方法,其特征在于,包括以下步骤:
(4)、选取用于Tucker张量分解的Tcuker秩:ranktc(Y)=(rank(Y{1}),rank(Y{2}),r),其中,rank(·)表示求矩阵的秩,r的取值是1≤r≤rank(Y{3})间的整数值,Y{i}表示Y的模态i的矩阵化,i=1,2,3;
(5)、选取合适的阈值n1和n2,并建立如下目标方程;
其中,α、β为正则化系数;为待求的缺陷张量;/>为概率张量,表示稀疏分量S中每个像素位置为前景的概率;/>和/>分别是W和/>中的一元素;/>||·||1,||·||分别表示求F范数、L1范数和张量范数;⊙表示求哈达玛积;/>表示当r≤n1时的Tcuker分解结果,/>表示当r≤n2时的Tcuker分解结果;
(6)、使用Tucker分解求解目标方程得到稀疏分量S;
(7)、通过拉格朗日函数法求解缺陷张量W;
(8)、将缺陷张量W作为被增强显示的缺陷信息的热图像序列,从而完成实现红外热成像的缺陷检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111448558.2A CN114166850B (zh) | 2021-11-30 | 2021-11-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111448558.2A CN114166850B (zh) | 2021-11-30 | 2021-11-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114166850A CN114166850A (zh) | 2022-03-11 |
CN114166850B true CN114166850B (zh) | 2023-06-09 |
Family
ID=80481969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111448558.2A Active CN114166850B (zh) | 2021-11-30 | 2021-11-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114166850B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131226A (zh) * | 2022-04-01 | 2022-09-30 | 重庆大学 | 一种基于小波张量低秩正则化的图像复原方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0580383A2 (en) * | 1992-07-20 | 1994-01-26 | Csir | Fluid analysis |
FR2743633A1 (fr) * | 1996-01-11 | 1997-07-18 | Nitto Chemical Industry Co Ltd | Procede de detection des defauts d'une structure |
CN107490599A (zh) * | 2017-09-29 | 2017-12-19 | 电子科技大学 | 一种铅钢多层材料脱粘缺陷周期脉冲热成像检测方法 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN112329764A (zh) * | 2020-09-28 | 2021-02-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于tv-l1模型的红外弱小目标检测方法 |
CN112461892A (zh) * | 2020-11-02 | 2021-03-09 | 浙江工业大学 | 一种用于复材缺陷无损检测的红外热影像分析方法 |
-
2021
- 2021-11-30 CN CN202111448558.2A patent/CN114166850B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0580383A2 (en) * | 1992-07-20 | 1994-01-26 | Csir | Fluid analysis |
FR2743633A1 (fr) * | 1996-01-11 | 1997-07-18 | Nitto Chemical Industry Co Ltd | Procede de detection des defauts d'une structure |
CN107490599A (zh) * | 2017-09-29 | 2017-12-19 | 电子科技大学 | 一种铅钢多层材料脱粘缺陷周期脉冲热成像检测方法 |
CN110108754A (zh) * | 2019-04-25 | 2019-08-09 | 四川沐迪圣科技有限公司 | 基于结构化稀疏分解的光激励红外热成像缺陷检测方法 |
CN112329764A (zh) * | 2020-09-28 | 2021-02-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于tv-l1模型的红外弱小目标检测方法 |
CN112461892A (zh) * | 2020-11-02 | 2021-03-09 | 浙江工业大学 | 一种用于复材缺陷无损检测的红外热影像分析方法 |
Non-Patent Citations (1)
Title |
---|
信赖域方法在红外图像序列处理中的应用;万李涛;熊楠菲;王栋;汪子君;;红外与激光工程(07);第258-264页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114166850A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Lopez et al. | Optimization of pulsed thermography inspection by partial least-squares regression | |
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 | |
Heideklang et al. | Multi-sensor image fusion at signal level for improved near-surface crack detection | |
Zhang et al. | Quality control of additively manufactured metallic structures with machine learning of thermography images | |
CN112461892B (zh) | 一种用于复材缺陷无损检测的红外热影像分析方法 | |
CN107870181A (zh) | 一种复合材料脱粘缺陷的后期识别方法 | |
TW201514927A (zh) | 適應性局部臨限及色彩篩選 | |
Kim et al. | Bidimensional statistical empirical mode decomposition | |
CN103308521A (zh) | 一种增强红外热波检测图像缺陷对比度的方法 | |
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 | |
CN109636755B (zh) | 一种通过加权估计实现红外热图像增强的方法 | |
CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
JP4315975B2 (ja) | ノイズ成分除去方法 | |
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 | |
CN105608674B (zh) | 一种基于图像配准、插值和去噪的图像增强方法 | |
Zhang et al. | A novel algorithm for fast compression and reconstruction of infrared thermographic sequence based on image segmentation | |
TWI303527B (en) | Image inspecting apparatus, image inspecting method and computer-readable storage medium | |
CN110222740B (zh) | 一种基于加性模糊的红外技术缺陷重构与特征提取方法 | |
Vrabie et al. | Active IR thermography processing based on higher order statistics for nondestructive evaluation | |
Li Vigni et al. | Coupling 2D‐wavelet decomposition and multivariate image analysis (2D WT‐MIA) | |
CN116778269A (zh) | 一种基于自编码器重构产品表面缺陷检测模型构建方法 | |
CN113763368B (zh) | 一种大尺寸试件多类型损伤检测特征分析方法 | |
CN112508862B (zh) | 一种通过改进gan增强裂纹磁光图像的方法 | |
CN113218998A (zh) | 一种基于全局莫兰指数的涡流热成像缺陷识别方法 |
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 |