CN116643249B - Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 - Google Patents
Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 Download PDFInfo
- Publication number
- CN116643249B CN116643249B CN202310927766.3A CN202310927766A CN116643249B CN 116643249 B CN116643249 B CN 116643249B CN 202310927766 A CN202310927766 A CN 202310927766A CN 116643249 B CN116643249 B CN 116643249B
- Authority
- CN
- China
- Prior art keywords
- representing
- gfrp
- image
- imaging
- signal
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 111
- 230000007547 defect Effects 0.000 title claims abstract description 98
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000012800 visualization Methods 0.000 title claims abstract description 10
- 102100040287 GTP cyclohydrolase 1 feedback regulatory protein Human genes 0.000 title claims abstract 24
- 101710185324 GTP cyclohydrolase 1 feedback regulatory protein Proteins 0.000 title claims abstract 24
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 43
- 230000001629 suppression Effects 0.000 claims abstract description 36
- 238000012512 characterization method Methods 0.000 claims abstract description 27
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 52
- 239000000523 sample Substances 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 24
- 230000002950 deficient Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 38
- 238000012360 testing method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 239000003365 glass fiber Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 125000005842 heteroatom Chemical group 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000011208 reinforced composite material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法,属于GFRP缺陷检测技术领域,该方法包括:获取GFRP的稀疏采样反射信号;利用自适应奇异值分解,对稀疏采样信号进行杂波抑制处理;基于杂波抑制处理结果,利用快速成像算子的稀疏高分辨近场毫米波成像算法对GFRP进行反演成像;基于反演成像的处理结果,对GFRP内部分层缺陷进行定量表征。本发明通过上述设计,能有效地对GFRP内部分层缺陷进行快速可视化检测及精确定量表征。
Description
技术领域
本发明属于GFRP缺陷检测技术领域,尤其涉及一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法。
背景技术
玻璃纤维增强复合材料(Glass fiber reinforced polymer,GFRP),是一种质量轻、比强度高、耐腐蚀、电热绝缘性能好、耐瞬时超高温性能好的复合材料,被广泛应用于航天航空、能源电力、交通运输等重要工程领域的关键结构。然而,在玻璃纤维复合板材进行加工装配或服役时,因其层状叠加结构影响,在受到冲击时容易引发较高的层间应力致使面板之间发生分离,产生内部分层缺陷,严重影响着GFRP结构完整性及试件服役安全。因此,开展对GFRP内部分层缺陷的无损检测及对定量表征研究,对工程安全有着重要的意义。
目前对GFRP进行无损检测的方法主要有超声波检测、红外成像检测、射线检测、太赫兹检测等。这些方法在实际检测中均会存在一定的局限性:超声检测不能实现非接触检测,且耦合剂的选择会对检测信号产生较大的影响;射线检测设备成本较高,且被测试件较厚时,可能出现穿透深度不够的情况;红外成像方法在检测时会对周边环境辐射无差别接收,造成信号干扰;太赫兹检测受其穿透性的影响,不易检测较厚的工件,且检测效率相对较低。
毫米波成像无损检测是利用缺陷与介质材料的毫米波响应差异,通过测量目标的反射信号,对其进行参数提取及信号处理,实现成像反演及缺陷表征。由于毫米波成像无损检测具有穿透能力强、分辨率高、探测深度大、方向性好、非接触、可视化等优点,因此在非金属材料检测领域得到广泛的应用。近年来,利用毫米波技术对GFRP进行无损检测引起国内外学者的广泛关注。虽然当前毫米波无损检测研究在内部缺陷检测方面已有显著成果,但在以下方面还需进一步研究:在数据采集方面,目前单探头检测的数据采集按照奈奎斯特采样定理进行,导致数据采集耗时;在信号处理算法方面,目前成像前处理中滤波处理及杂波抑制处理较少,实验采样数据中杂波干扰较大,因此缺陷特征不明显,对比度较差;在成像算法方面,目前多为特征提取的传统方法进行成像,电磁波信息利用不完善,成像质量较低;在定量表征方面,目前研究大多仅针对GFRP内部缺陷的检出,而对缺陷的自动化定量表征研究较少。
发明内容
针对现有技术中的上述不足,本发明提供的一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法,能有效地对GFRP内部分层缺陷进行快速可视化检测及精确定量表征。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法,包括以下步骤:
S1、获取GFRP的稀疏采样信号;
S2、利用自适应奇异值分解,对稀疏采样信号进行杂波抑制处理;
S3、基于杂波抑制处理结果,利用快速成像算子的稀疏高分辨近场毫米波成像算法对GFRP进行反演成像;
S4、基于反演成像的处理结果,对GFRP内部分层缺陷进行定量表征。
本发明的有益效果是:本发明,首先为了缩短数据采集时间,提出一种稀疏数据采集策略,提高数据采集效率;其次,针对传统SVD方法对信号子空间划分不准确从而导致所感兴趣的信息也被抑制的问题,提出依据图像标准差调节奇异值序列的自适应奇异值分解方法提高信噪比;再次,为获取目标的二维毫米波图像,基于波谱重构过程构造快速成像算子,利用稀疏重构实现对检测目标的快速反演成像;再次,为实现对缺陷的定量表征,利用OTSU图像分割算法分离目标与背景,通过灰度遍历的方式寻找最佳阈值,使目标与背景两区域的类间方差最大;最后通过Regionprops函数统计缺陷区域像素值分布,得到缺陷的位置及面积信息,能有效地对GFRP内部缺陷进行快速可视化检测及精确定量表征。
进一步地,所述步骤S1包括以下步骤:
S101、产生一维Logistic混沌随机序列:
其中,和/>分别表示第k个和第k+1个序列值,/>表示系统参数,且/>;
S102、对一维Logistic混沌随机序列进行非线性变换:
其中,表示经非线性变换的序列值;
S103、对经非线性变换后的一维Logistic混沌随机序列进行二值化映射处理:
其中,表示经二值化映射后的序列值,/>表示概率,/>表示阶跃函数;
S104、利用经二值化映射后的随机序列,构造稀疏随机测量控制矩阵;
其中,表示稀疏随机测量控制矩阵,/>表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,/>表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,/>表示归一化系数,/>表示稀疏随机测量控制矩阵中第/>个的元素值;
S105、利用稀疏随机测量控制矩阵控制探头进行数据采集,得到GFRP的稀疏采样毫米波反射信号,其矩阵大小为/>。
上述进一步方案的有益效果是:本发明通过确知的数据采集控制矩阵控制探头在二维空间进行稀疏采集,降低数据采集量、提高数据采集效率,同时使得采样空间位置满足稀疏重构要求的随机性。
再进一步地,所述步骤S2包括以下步骤:
S201、根据下式,利用奇异值分解对稀疏采样毫米波反射信号进行分解:
其中,表示稀疏采样毫米波反射信号,其秩为/>的/>维矩阵,/>和/>分别表示稀疏采样毫米波反射信号矩阵的左右奇异向量,H表示共轭转置,/>表示第i个奇异值序列;
S202、根据分解结果,利用下式对稀疏采样毫米波反射信号进行子空间划分:
其中,表示稀疏采样毫米波回波信号,/>表示奇异值分解(SVD)分解后的第一个奇异值序列,/>表示SVD分解后的第二个奇异值序列,/>表示SVD分解后的第/>个奇异值序列,/>表示奇异值序列索引,/>,/>表示稀疏采样毫米波回波信号/>的秩,/>分别表示奇异值/>、/>对应的信号子空间中的杂波集合,/>分别表示奇异值/>、/>对应的信号子空间中的GFRP信号集合,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>和/>分别表示/>对应的左右奇异向量,H表示共轭转置;
S203、根据子空间划分结果,将第一奇异值缩小k 1倍,同时将第二个奇异值/>放大k 2倍,得到杂波抑制后的回波信号/>,完成对杂波抑制的处理,其中,奇异值优化系数k 1和k 2的选取由图像标准差确定:
其中,表示图像标准差,/>表示图像的像素数,与数据空间采集点数对应,表示图像中第/>行第/>列的像素值,/>表示图像像素均值;
所述杂波抑制后的回波信号为:
。
上述进一步方案的有益效果是:本发明在成像的过程中对杂波进行抑制,最大程度保留GFRP反射信号并抑制杂波信号,提出一种基于自适应奇异值分解的直达波及耦合信号消除方法,该方法依据图像标准差对奇异值进行自适应调节,使得信号信噪比最大,有效抑制直达波及探头耦合分量,充分利用回波信号中的所有有效信息成分,实现对耦合及其他杂波信号的有效抑制,凸显目标特征。
再进一步地,所述步骤S3包括以下步骤:
S301、基于杂波抑制处理结果,构建成像反演模型:
其中,表示经杂波抑制处理后的GFRP反射信号,即信号/>,/>表示快速成像算子,/>表示待重构的GFRP反射系数,即成像结果图像的像素矩阵;
S302、构建基于波谱重构的快速成像算子:
其中,表示快速成像算子,/>表示二维空间傅里叶逆变换,/>表示对输入信号进行二维空间傅里叶变换,/>表示空间匹配滤波器,H表示共轭转置,/>和/>分别表示沿/>轴方向和/>轴方向进行一维傅里叶变换,/>表示行数,/>和/>分别表示傅立叶正变换和逆变换的相位因子,/>和/>分别表示沿着/>轴和/>轴进行傅立叶逆变换,/>表示虚数,/>表示空间匹配滤波器中最后一个元素,/>表示空间匹配滤波中任意一个元素,/>和/>分别表示在空间位置索引m和n的波数,/>表示在空气中沿着波传播方向的波数,/>表示在GFRP中沿波传播方向的波数,/>表示空间波谱约束函数,/>表示相位因子,/>表示探头到GFRP表面的距离,/>表示缺陷到GFRP构件前表面的距离,/>的构造思路与/>相同,/>的构造思路与/>相同,/>表示傅里叶变换算子/>中的第个元素,/>表示傅立叶逆变换算子中/>中的第/>个元素;
S303、根据快速成像算子以及成像反演模型,利用下式获取GFRP反射系数的估计值,并基于反射系数的估计值得到对应图像的像素值,完成反演成像的处理:
其中,表示反射系数的估计值,其维数为/>,矩阵中的元素值即为图像的像素值,通过/>得到的图像函数表示为/>,/>,/>,/>表示待重构的GFRP反射系数,/>表示正则化参数,/>表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,/>表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,/>和/>表示图像中第/>行第/>列。
上述进一步方案的有益效果是:本发明利用上述二维成像方法,通过快速成像算子实现高效成像处理,同时可利用少量的检测数据实现对GFRP内部缺陷的稀疏快速高分辨二维成像。
再进一步地,所述步骤S4包括以下步骤:
S401、基于反演成像的处理结果,对图像函数进行像素值归一化处理,得到函数/>;
S402、利用最大类间方差算法OTSU计算得到分层缺陷与背景的图像分割最优阈值T;
S403、根据最优阈值T对进行二值化处理,得到仅包含缺陷的二维图像,/>表示图像中缺陷像素区域,/>表示图像中缺陷像素的位置;
S404、根据仅包含缺陷的二维图像,利用像素统计函数Regionprops获取每部分缺陷区域的质心坐标;
S405、根据质心坐标计算得到缺陷面积/>,得到GFRP内部分层位置及面积的定量表征。
上述进一步方案的有益效果是:本发明利用OTSU图像分割和像素统计函数Regionprops,得到GFRP内部分层缺陷的位置及面积参数,实现对缺陷的定量表征。
附图说明
图1为本发明的方法流程图。
图2为本实施例中二维扫查成像几何示意图。
图3为本实施例中毫米波信号反射原理图。
具体实施方式
下面对本发明的具体实施方式进行描述,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。
实施例
如图1所示,本发明提供了一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法,其实现方法如下:
S1、获取GFRP的稀疏采样信号,其实现方法如下:
S101、产生一维Logistic混沌随机序列:
其中,和/>分别表示第k个和第k+1个序列值,/>表示系统参数,且/>;
S102、对一维Logistic混沌随机序列进行非线性变换:
其中,表示经非线性变换的序列值;
S103、对经非线性变换后的一维Logistic混沌随机序列进行二值化映射处理:
其中,表示经二值化映射后的序列值,/>表示概率,/>表示阶跃函数;
S104、利用经二值化映射后的随机序列,构造稀疏随机测量控制矩阵;
其中,表示稀疏随机测量控制矩阵,/>表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,/>表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,/>表示归一化系数,/>表示稀疏随机测量控制矩阵中第/>个的元素值;
S105、利用稀疏随机测量控制矩阵控制探头进行数据采集,得到GFRP的稀疏采样毫米波反射信号,其矩阵大小为/>;
S2、利用自适应奇异值分解,对稀疏采样信号进行杂波抑制处理,其实现方法如下:
S201、根据下式,利用奇异值分解对稀疏采样毫米波反射信号进行分解:
其中,表示稀疏采样毫米波反射信号,其秩为/>的/>维矩阵,/>和/>分别表示稀疏采样毫米波反射信号矩阵的左右奇异向量,H表示共轭转置,/>表示第i个奇异值序列;
S202、根据分解结果,利用下式对稀疏采样毫米波反射信号进行子空间划分:
其中,表示稀疏采样毫米波回波信号,/>表示奇异值分解(SVD)分解后的第一个奇异值序列,/>表示SVD分解后的第二个奇异值序列,/>表示SVD分解后的第/>个奇异值序列,/>表示奇异值序列索引,/>,/>表示稀疏采样毫米波回波信号/>的秩,/>分别表示奇异值/>、/>对应的信号子空间中的杂波集合,/>分别表示奇异值/>、/>对应的信号子空间中的GFRP信号集合,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>和/>分别表示/>对应的左右奇异向量,H表示共轭转置;
S203、根据子空间划分结果,将第一奇异值缩小k 1倍,同时将第二个奇异值/>放大k 2倍,得到杂波抑制后的回波信号/>,完成对杂波抑制的处理,其中,奇异值优化系数k 1和k 2的选取由图像标准差确定:
其中,表示图像标准差,/>表示图像的像素数,与数据空间采集点数对应,表示图像中第/>行第/>列的像素值,/>表示图像像素均值;
所述杂波抑制后的回波信号为:
;
S3、基于杂波抑制处理结果,利用快速成像算子的稀疏高分辨近场毫米波成像算法对GFRP进行反演成像,其实现方法如下:
S301、基于杂波抑制处理结果,构建成像反演模型:
其中,表示经杂波抑制处理后的GFRP反射信号,即信号/>,/>表示快速成像算子,/>表示待重构的GFRP反射系数,即成像结果图像的像素矩阵;
S302、构建基于波谱重构的快速成像算子:
其中,表示快速成像算子,/>表示二维空间傅里叶逆变换,/>表示对输入信号进行二维空间傅里叶变换,/>表示空间匹配滤波器,H表示共轭转置,/>和/>分别表示沿/>轴方向和/>轴方向进行一维傅里叶变换,/>表示行数,/>和/>分别表示傅立叶正变换和逆变换的相位因子,/>和/>分别表示沿着/>轴和/>轴进行傅立叶逆变换,/>表示虚数,/>表示空间匹配滤波器中最后一个元素,/>表示空间匹配滤波中任意一个元素,/>和/>分别表示在空间位置索引m和n的波数,/>表示在空气中沿着波传播方向的波数,/>表示在GFRP中沿波传播方向的波数,/>表示空间波谱约束函数,/>表示相位因子,/>表示探头到GFRP表面的距离,/>表示缺陷到GFRP构件前表面的距离,/>的构造思路与/>相同,/>的构造思路与/>相同,/>表示傅里叶变换算子/>中的第个元素,/>表示傅立叶逆变换算子中/>中的第/>个元素;
S303、根据快速成像算子以及成像反演模型,利用下式获取GFRP反射系数的估计值,并基于反射系数的估计值得到对应图像的像素值,完成反演成像的处理:
其中,表示反射系数的估计值,其维数为/>,矩阵中的元素值即为图像的像素值,通过/>得到的图像函数表示为/>,/>,/>,/>表示待重构的GFRP反射系数,/>表示正则化参数,/>表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,/>表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,/>和/>表示图像中第/>行第/>列;
S4、基于反演成像的处理结果,对GFRP内部分层缺陷进行定量表征,其实现方法如下:
S401、基于反演成像的处理结果,对图像函数进行像素值归一化处理,得到函数/>;
S402、利用最大类间方差算法OTSU计算得到分层缺陷与背景的图像分割最优阈值T;
S403、根据最优阈值T对进行二值化处理,得到仅包含缺陷的二维图像,/>表示图像中缺陷像素区域,/>表示图像中缺陷像素的位置;
S404、根据仅包含缺陷的二维图像,利用像素统计函数Regionprops获取每部分缺陷区域的质心坐标;
S405、根据质心坐标计算得到缺陷面积/>,得到GFRP内部分层位置及面积的定量表征。
本实施例中,在杂波抑制处理中,首先,对数据进行SVD分解求出奇异值矩阵;其次,依据图像标准差对前两项奇异值进行优化,当标准差最大时,依据对应放缩倍数求解新奇异值矩阵;再次,进行奇异值矩阵与左右奇异向量相乘重组,获取杂波抑制后的回波信号,完成自适应SVD杂波抑制处理。在成像中,采用基于传统波谱重构成像算子的快速稀疏成像,其中依据传统波谱重构过程构建快速成像算子中,首先,对上述数据进行二维空间傅里叶逆变换,将空间域转化为波数域;其次,在波数域上构建线性色散空间滤波器,对信号进行匹配滤波;再次,将匹配滤波后的数据进行二维傅里叶变换转化回空间域,完成波谱重构二维成像。在定量表征中,首先,对上述图像通过最大类间方差算法OTSU寻找缺陷与背景的分割阈值;其次,依据此最优阈值T进行图像的二值化处理,得到仅含缺陷的二维图像;再次,利用像素统计函数Regionprops寻找各缺陷质心坐标;最后,根据质心坐标求解缺陷面积,完成缺陷位置及面积的定量表征。
下面对本发明作进一步地说明。
本实施例中,关于GFRP内部缺陷的波谱重构成像及定量表征,如图2所示(图2中、/>、/>表示探头扫描面坐标轴三个方向,/>表示扫描面坐标原点,/>、/>表示探头在/>轴和/>轴移动的长度,/>、/>表示GFRP对应的坐标轴两个方向),控制探头在/>和/>两个方向连续移动并进行电磁波的收发测量,扫描范围为/>×/>,GFRP(Glass Fiber ReinforcedPolymers)试件内有分层缺陷,被测件与探头所在扫描平面距离为/>。控制探头在进行二维扫描时,以矩阵形式记录各采样位置/>的散射情况,每个矩阵元素对应一个空间采样坐标点的回波信号/>,包括幅值和相位两部分。回波信号/>,在实际测量中采用单发单收模式即/>信号,如下式所示,其与波数/>、试件厚度/>以及异质界面处的反射系数/>有关,/>可由波阻抗/>推导得出,/>则与磁导率/>和介电常数/>有关。因空气与GFRP材料的介电常数/>不同,所以当毫米波信号传播到空气与GFRP材料的异质界面处时会发生反射。因此,当GFRP试件内部存在分层缺陷时,回波信号/>会发生改变。
如图3所示,图3中(表示干扰信号,/>表示空气介电常数,/>表示目标信号,/>表示GFRP介电常数,提离即探头到被测件的距离),当波导探头照射GFRP试件时,信号首先会在波导探头耦合处发生一次反射,剩余毫米波信号由波导探头继续发射,由空气层传播到GFRP试件表面;此时,一部分信号发生反射,另一部分信号则透过空气-GFRP异质界面继续在GFRP试件内传播,当遇到内部分层缺陷时信号再一次发生反射,各反射信号杂糅在一起被波导探头天线接收并被系统采样记录为/>。
因此,信号主要由两部分组成,即:
其中,为杂波信号,包括探头天线耦合信号及直达波信号等,/>为目标缺陷处反射信号。为实现对GFRP内部分层缺陷的二维成像,因此对目标反射信号进行分析。如图2所示,探头天线此时坐标为/>,用/>表示GFRP试件的反射系数,则试件某点/>处的反射信号为:
其中,表示探头与目标散射点之间的距离:
波谱重构成像的主要任务就是对二维数据进行处理,重建目标/>处二维反射系数分布,求解出缺陷处的反射系数/>,其与图像函数/>对应,实现对GFRP试件内部缺陷的二维成像。上述成像过程用矩阵表示即为本发明中的快速成像算子。为实现对缺陷的定量表征,首先将图像函数/>进行函数值的归一化处理为函数/>,其次通过阈值分割的方式分离出函数/>的目标区域/>,最后对/>函数进行二值化处理为函数/>,/>表示图像中缺陷像素区域,即目标区域,/>表示图像中缺陷像素的位置,实现对缺陷的可视化检测:
因此,为实现对GFRP内部分层缺陷的可视化检测及定量表征,本发明设计了基于波谱重构的二维成像及定量表征算法,此算法包含杂波抑制、二维成像和定量表征三部分。第一,为了实现高效数据采集,本发明提出了一种基于混沌序列的稀疏采样控制方法,该方法提高了数据采集效率、降低了数据量;第二,为实现高质量成像及高精度定量表征,首先需对实验采样数据进行杂波抑制处理,提高信噪比;为此,本发明提出了一种基于自适应奇异值分解的杂波抑制方法,此方法基于传统SVD分解,针对传统SVD分解滤波中子空间划分不准确的问题,提出一种自适应优化奇异值的方法对回波信号进行杂波抑制。第三,为求解出缺陷处的图像函数,因此设计了基于波谱重构成像算子的稀疏高分辨成像算法对目标反射信号/>进行反演成像。第四,为实现对GFRP内部分层缺陷的定量表征,首先开发最大类间方差算法OTSU实现目标缺陷与背景的分离,然后对缺陷的像素信息进行统计,完成对缺陷数量、位置及面积的高效高精度检测。
本实施例中,基于自适应奇异值分解的杂波抑制,在对目标回波信号进行数据处理时,为实现对目标的二维高质量成像,则首先需抑制杂波来提高信号的信噪比。若不进行杂波抑制处理而直接进行成像,受干扰信号/>的影响,二维图像中目标的对比度会极差。因此,首先需对干扰信号进行杂波抑制处理。
本实施例中,本发明基于奇异值分解(SVD)的杂波抑制方法属于子空间算法的一种,其主要思想为将信号向量空间分解为目标信号主导和噪声信号主导的两个子空间,并通过简单去除噪声主导子空间的信号向量分量来抑制杂波。设每个采样点处的目标回波信号组成一个秩为/>的/>维稀疏采样信号矩阵/>,则矩阵/>的奇异值分解形式为:
其中,分别表示维度为/>、/>的正交矩阵(m、n对应采样点);/>为/>维对角阵,其对角线元素为矩阵/>的奇异值/>,且以非增顺序排列,即/>,/>表示奇异值的总数,/>表示共轭转置;因为矩阵/>的秩为/>,从上式奇异值分解中除去矩阵的零奇异值,可以得到矩阵/>奇异值分解的精简形式:
其中,表示稀疏采样信号,其秩为/>的/>维矩阵,/>和/>分别表示稀疏采样信号矩阵的左右特征向量,H表示共轭转置,/>表示第i个奇异值序列。将奇异值分解的精简形式改写成向量子空间分解过后的形式:/>
其中,表示目标信号子空间集合;/>表示杂波信号子空间集合。在基于SVD的杂波抑制技术中,在划分好目标与杂波的子空间后,因不同奇异值对应其相应的子空间信号向量,所以可以通过将对应奇异值置零的方式进行杂波主导子空间信号向量/>的归零,达到杂波抑制的目的。
但在实际奇异值分解滤波时常有信号子空间划分不够准确的问题,致使杂波子空间向量去除效果不佳。因此对SVD方法进行改进,提出一种新的基于自适应奇异值分解的杂波抑制方法,不再拘泥于对信号子空间的划分问题,而是对分解后的特定子空间进行处理,通过子空间对应的奇异值大小进行优化,来提高子空间中目标信号与噪声信号能量比例,实现对强杂波的抑制。
改写奇异值分解的精简形式为下式,其中,分别表示第一个和第二个信号子空间中杂波集合;/>分别表示第一个和第二个信号子空间中目标信号集合。直达波及探头耦合反射波能量都远强于目标信号能量,且在SVD分解中,子空间的划分基于能量比例,因此强杂波信号主要存在于第一个奇异值对应的子空间中,而目标信号则主要存在于第二个奇异值对应的子空间中。因此,第一个子空间回波信号中干扰信号占比较大,即;第二个子空间回波信号中目标信号占比较大,即/>。由此可将第一个奇异值缩小/>倍来抑制杂波,将第二个奇异值/>放大/>倍来提高信号的信噪比。
其中,表示稀疏采样毫米波回波信号,/>表示奇异值分解(SVD)分解后的第一个奇异值序列,/>表示SVD分解后的第二个奇异值序列,/>表示SVD分解后的第/>个奇异值序列,/>表示奇异值序列索引,/>,/>表示稀疏采样毫米波回波信号/>的秩,/>分别表示奇异值/>、/>对应的信号子空间中的杂波集合,/>分别表示奇异值/>、/>对应的信号子空间中的GFRP信号集合,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>表示奇异值/>对应的左奇异向量,/>表示奇异值/>对应的右奇异向量,/>和/>分别表示/>对应的左右奇异向量,H表示共轭转置。
奇异值优化系数、/>的选取由图像标准差来确定,其范围选定为1到/>。图像标准差是指图像像素灰度值相对于均值的离散程度。如果图像标准差越大,表明图像中灰度级分别越分散,图像质量也就越好,也就代表图像中缺陷与背景分离程度越大,干扰信号抑制效果越好,奇异值优化系数/>、/>选取越合理。图像标准差/>计算公式为:
其中,表示图像标准差,/>表示图像的像素数,与数据空间采集点数对应,/>表示图像中第/>行第/>列的像素值,/>表示图像像素均值。
当图像标准差最大时,分解信号变为,通过矩阵重组,即可得出杂波抑制后的信号/>。
本实施例中,通过所提自适应奇异值分解法,可以合理对回波信号进行杂波抑制处理,依据图像标准差得到具有最佳信噪比的/>信号,并利用/>信号代替目标缺陷处信号/>进行接下来的成像处理。
本实施例中,基于波谱重构成像算子的稀疏二维成像方法,为获取较为准确的检测结果,则需要高分辨率、目标特征清晰的二维图像。在现有的毫米波成像算法中,波谱重构算法相较于距离多普勒算法、后向投影算法等在反演重构时具有高效性,可以对整个成像区域基于散射点模型进行精确聚焦,因此开发基于波谱重构成像算子的稀疏成像来实现对GFRP内部缺陷的二维高分辨成像表征。
本实施例中,快速成像算子构造的主要思路依据目标对电磁波的作用原理,即平面波传播发生改变的过程相当于平面波经过了一个线性空间不变的系统,而传播现象因此可以看作是一个具有有限空间带宽的线性色散空间滤波器,该滤波器在空间频域通带内不改变波的幅值,但存在相移量。因此,波谱重构成像的核心思路为在空间波数域对毫米波信号做出相位补偿,为求解缺陷处点目标的目标像函数,可利用探头天线在/>处滤波后的信号/>通过波谱重构成像反演出目标缺陷/>处的目标像函数/>。
算法主要步骤为首先利用二维傅里叶变换将接收到的反射波由空间域转换成波数域,然后构造匹配滤波器对空间波谱进行滤波,最后再逆变换得到目标的散射特性分布,即重建目标位置处的散射强度分布。
首先,将滤波后的信号转化为空间波数域,求出毫米波空间域频谱:
上式毫米波空间域频谱中,对应扫描平面的扫描范围,/>和/>分别表示方向上的空间波数,/>表示虚数,/>和/>表示积分变量。
其次,如图2所示,对毫米波空间频谱进行相位补偿,求解出目标缺陷处/>平面上的频谱/>:
上式中,为带通线性色散空间滤波器的传递函数,用来等效不同方向传播的平面波分量从/>往回传播到/>平面位置的过程,以此来补偿相位,/>、/>均表示电磁波正向传播方向,/>表示探头提离,即探头到被测件的距离,其数学表达式为:
此外,在进行传递函数计算时,需考虑到GFRP内部缺陷与探头的距离为,/>表示缺陷与GFRP构件表面距离。对传递函数在频域上进行处理,其中,空间波数/>,表示发射信号频率,/>表示介质中电磁波传播速度,/>分别与空气和GFRP介电常数有关。如下式所示:
最后,对目标平面处频谱进行二维傅里叶逆变换,得到对应空间坐标位置的目标散射强度,即图像函数/>:
图像函数中,/>和/>均表示积分变量,/>、/>表示分别沿/>轴和/>轴的空间波数分量,/>可以通过傅里叶变换对的自变量依赖关系计算出来:
分别表示平面扫描时沿两坐标轴的步进长度,即采样间隔。
在上述波谱重构算法的基础上,建立稀疏重构二维成像模型。在建立成像模型时,需要构建信号字典,即快速成像算子。结合成像模型,要得到目标的像函数/>,需构造快速成像算子/>。利用二维傅里叶变换可以求出目标散射分布,则/>可以表示为以下矩阵形式:
/>
通过上述过程对快速成像算子进行构造,并利用下式获取场景中散射系数的估计值,并基于散射系数的估计值得到对应图像的像素值,完成反演成像的处理:
其中,表示反射系数的估计值,其维数为/>,矩阵中的元素值即为图像的像素值,通过/>得到的图像函数表示为/>,/>,/>,/>表示待重构的GFRP反射系数,/>表示正则化参数,/>表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,/>表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,/>和/>表示图像中第/>行第/>列。
本实施例中,GFRP内部缺陷的定量表征,为实现对缺陷的定量评估,首先需要对图像(对应上述求解的目标像函数/>)进行处理,将二维图像/>的仅含缺陷像素区域/>与背景区域/>分离开;其次,对仅含缺陷的二维图像/>分区域进行像素统计,以区域中心坐标表征缺陷位置,以区域面积表征缺陷尺寸。主要步骤为:首先对目标像函数/>进行像素值归一化处理后得到函数/>;其次,通过最大类间方差算法OTSU得到图像分割最佳阈值/>;再次,依据此阈值/>对/>进行二值化处理得到仅含缺陷区域/>的函数/>;最后,利用像素统计函数Regionprops获得每部分缺陷区域的质心坐标/>,并依据质心坐标求出每块缺陷区域的像素数目并转化成缺陷面积/>,以实现缺陷位置及面积的定量表征。
本实施例中,最大类间方差算法OTSU是在灰度直方图的基础上采用最小二乘法原理推导出来的,具有统计意义上的最佳分割。其基本原理是以最佳阈值将图像的灰度值分割成两部分,使两部分之间的方差最大,即具有最大的分离性。记t为缺陷与背景的分割阈值,缺陷像素点数占图像比例为,平均灰度为/>;背景像素点数占图像比例为,平均灰度为/>,图像的总平均灰度为/>,/>为目标缺陷和背景图像的方差,则有:
联立,/>求得:
该算法主要任务为在阈值t变量中寻找最优阈值,使图像中缺陷像素区域/>与背景区域/>的类间方差/>最大。首先,将整个图像区域/>的像素值/>标准化为255级灰度值;其次,采用整数遍历及小数遍历两步走的方式,逐步逼近寻找阈值,即首先在1到255整数范围内寻找最佳整数阈值/>;然后,在/>到/>范围内继续遍历,/>和/>表示调整后新的阈值范围,当方差/>最大时,可以认为此时图像中缺陷像素区域/>和背景区域/>差异最大,此时的/>是最优阈值。最后根据最优阈值/>分割图像函数/>为,并对其进行二值化处理,即将图像中缺陷像素区域/>像素值置1,背景区域/>像素值置0,得到仅含缺陷的二维图像函数/>。
为进一步实现对缺陷位置及面积的定量表征,因此对进行像素统计函数Regionprops像素统计,得到每块区域的质心坐标/>与缺陷面积/>,实现对缺陷的定量表征。
综上所述,为实现对GFRP内部脱粘缺陷的精确有效无损检测及缺陷参数定量表征,本发明提出一种基于快速稀疏毫米波成像的GFRP内部分层缺陷的毫米波成像可视化定量检测方法。方法主要包含核心点:(1)为了提高平面扫描模式下检测数据采集效率、降低数据量,采用稀疏重构技术,在此框架下,为了加快成像反演的速度,根据传统波谱重构成像的处理过程构造稀疏成像算子,大幅度提升成像效率,降低计算对内存的影响;(2)在成像的过程中对杂波进行抑制,提出一种基于自适应奇异值分解的直达波及耦合信号消除方法,该方法依据图像标准差对奇异值进行自适应调节,使得信号信噪比最大,有效抑制直达波及探头耦合分量;(3)基于图像后处理的缺陷定位机定量表征:利用最大类间方差算法OTSU和像素统计函数Regionprops,得到GFRP内部分层缺陷的位置及面积参数,实现对缺陷的定量表征。
Claims (4)
1.一种GFRP内部分层缺陷的毫米波成像可视化定量检测方法,其特征在于,包括以下步骤:
S1、获取GFRP的稀疏采样信号;
S2、利用自适应奇异值分解,对稀疏采样信号进行杂波抑制处理;
S3、基于杂波抑制处理结果,利用快速成像算子的稀疏高分辨近场毫米波成像算法对GFRP进行反演成像;
所述步骤S3包括以下步骤:
S301、基于杂波抑制处理结果,构建成像反演模型:
s=Ag
其中,s表示经杂波抑制处理后的GFRP反射信号,即信号Sre,A表示快速成像算子,g表示待重构的GFRP反射系数,即成像结果图像的像素矩阵;
S302、构建基于波谱重构的快速成像算子:
其中,A表示快速成像算子,表示二维空间傅里叶逆变换,F2D(·)表示对输入信号进行二维空间傅里叶变换,H表示空间匹配滤波器,H表示共轭转置,/>和/>分别表示沿X轴方向和Y轴方向进行一维傅里叶变换,M表示行数,f和f'分别表示傅立叶正变换和逆变换的相位因子,/>和/>分别表示沿着X轴和Y轴进行傅立叶逆变换,j表示虚数,h(M,N)表示空间匹配滤波器中最后一个元素,hm,n表示空间匹配滤波中任意一个元素,km和kn分别表示在空间位置索引m和n的波数,k1表示在空气中沿着波传播方向的波数,k2表示在GFRP中沿波传播方向的波数,circ(·)表示空间波谱约束函数,exp(·)表示相位因子,R0表示探头到GFRP表面的距离,R1表示缺陷到GFRP构件前表面的距离,/>的构造思路与/>相同,/>的构造思路与/>相同,f(M-1)(M-1)表示傅里叶变换算子/>中的第(M-1)×(M-1)个元素,f'(M-1)(M-1)表示傅立叶逆变换算子中/>中的第(M-1)×(M-1)个元素;
S303、根据快速成像算子以及成像反演模型,利用下式获取GFRP反射系数的估计值,并基于反射系数的估计值得到对应图像的像素值,完成反演成像的处理:
其中,表示反射系数的估计值,其维数为M×N,矩阵中的元素值即为图像的像素值,通过/>得到的图像函数表示为g(m,n),m=1,2,…M,n=1,2,…N,g表示待重构的GFRP反射系数,λ表示正则化参数,M表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,N表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,m和n表示图像中第m行第n列;
S4、基于反演成像的处理结果,对GFRP内部分层缺陷进行定量表征。
2.根据权利要求1所述的GFRP内部分层缺陷的毫米波成像可视化定量检测方法,其特征在于,所述步骤S1包括以下步骤:
S101、产生一维Logistic混沌随机序列:
xk+1=μxk(1-xk),0<xk<1
其中,xk和xk+1分别表示第k个和第k+1个序列值,μ表示系统参数,且μ=4;
S102、对一维Logistic混沌随机序列进行非线性变换:
其中,yn表示经非线性变换的序列值;
S103、对经非线性变换后的一维Logistic混沌随机序列进行二值化映射处理:
其中,zn表示经二值化映射后的序列值,p表示概率,sgn(·)表示阶跃函数;
S104、利用经二值化映射后的随机序列,构造稀疏随机测量控制矩阵;
其中,Φ表示稀疏随机测量控制矩阵,M表示矩阵的行数,即实际可视化定量检测中探头在水平方向移动的空间采样点数,N表示矩阵的列数,即实际可视化定量检测中探头在垂直方向移动的空间采样点数,表示归一化系数,zMN-1表示稀疏随机测量控制矩阵中第(MN-1)个的元素值;
S105、利用稀疏随机测量控制矩阵控制探头进行数据采集,得到GFRP的稀疏采样毫米波反射信号S,其矩阵大小为M×N。
3.根据权利要求1所述的GFRP内部分层缺陷的毫米波成像可视化定量检测方法,其特征在于,所述步骤S2包括以下步骤:
S201、根据下式,利用奇异值分解对稀疏采样毫米波反射信号进行分解:
其中,S表示稀疏采样毫米波反射信号,其秩为r的M×N维矩阵,μi和vi分别表示稀疏采样毫米波反射信号矩阵的左右奇异向量,H表示共轭转置,σi'表示第i个奇异值序列;
S202、根据分解结果,利用下式对稀疏采样毫米波反射信号进行子空间划分:
其中,S表示稀疏采样毫米波回波信号,σ1表示奇异值分解SVD分解后的第一个奇异值序列,σ2表示SVD分解后的第二个奇异值序列,σi表示SVD分解后的第i个奇异值序列,i表示奇异值序列索引,i=3,4,…,r,r表示稀疏采样毫米波回波信号S的秩,W1、W2分别表示奇异值σ1、σ2对应的信号子空间中的杂波集合,T1、T2分别表示奇异值σ1、σ2对应的信号子空间中的GFRP信号集合,μ1表示奇异值σ1对应的左奇异向量,v1表示奇异值σ1对应的右奇异向量,μ2表示奇异值σ2对应的左奇异向量,v2表示奇异值σ2对应的右奇异向量,μi和vi分别表示σi对应的左右奇异向量,H表示共轭转置;
S203、根据子空间划分结果,将第一奇异值σ1缩小k1倍,同时将第二个奇异值σ2放大k2倍,得到杂波抑制后的回波信号Sre,完成对杂波抑制的处理,其中,奇异值优化系数k1和k2的选取由图像标准差确定:
其中,std表示图像标准差,M*N表示图像的像素数,与数据空间采集点数对应,F(m,n)表示图像中第m行第n列的像素值,u表示图像像素均值;
所述杂波抑制后的回波信号Sre为:
4.根据权利要求1所述的GFRP内部分层缺陷的毫米波成像可视化定量检测方法,其特征在于,所述步骤S4包括以下步骤:
S401、基于反演成像的处理结果,对图像函数g(m,n)进行像素值归一化处理,得到函数g'(m,n);
S402、利用最大类间方差算法OTSU计算得到分层缺陷与背景的图像分割最优阈值T;
S403、根据最优阈值T对g'(m,n)[(m,n)∈A]进行二值化处理,得到仅包含缺陷的二维图像,A表示图像中缺陷像素区域,(m,n)表示图像中缺陷像素的位置;
S404、根据仅包含缺陷的二维图像,利用像素统计函数Regionprops获取每部分缺陷区域的质心坐标(mi,ni);
S405、根据质心坐标(mi,ni)计算得到缺陷面积Si,得到GFRP内部分层位置及面积的定量表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927766.3A CN116643249B (zh) | 2023-07-27 | 2023-07-27 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927766.3A CN116643249B (zh) | 2023-07-27 | 2023-07-27 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116643249A CN116643249A (zh) | 2023-08-25 |
CN116643249B true CN116643249B (zh) | 2023-10-10 |
Family
ID=87643817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927766.3A Active CN116643249B (zh) | 2023-07-27 | 2023-07-27 | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116643249B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152377A (ja) * | 2014-02-13 | 2015-08-24 | 株式会社豊田中央研究所 | ミリ波イメージング装置 |
CN106501315A (zh) * | 2016-11-25 | 2017-03-15 | 哈尔滨工业大学 | Gfrp裂纹缺陷的缩短相关热层析成像检测方法与系统 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN111614864A (zh) * | 2020-05-23 | 2020-09-01 | 南京南大智慧城市规划设计股份有限公司 | 基于svd及cbc模式结合的图像压缩加密传输方法 |
CN114169373A (zh) * | 2021-12-10 | 2022-03-11 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于变分模态分解的gfrp内部缺陷特征提取方法 |
WO2023045431A1 (zh) * | 2021-09-26 | 2023-03-30 | 南京隼眼电子科技有限公司 | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7937229B2 (en) * | 2007-05-29 | 2011-05-03 | Massachusetts Institute Of Technology | System and method for detecting damage, defect, and reinforcement in fiber reinforced polymer bonded concrete systems using far-field radar |
US8413485B2 (en) * | 2009-07-17 | 2013-04-09 | Airbus Operations Gmbh | Detection method and detection device for detecting core defects and delaminations in sandwich structures |
-
2023
- 2023-07-27 CN CN202310927766.3A patent/CN116643249B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015152377A (ja) * | 2014-02-13 | 2015-08-24 | 株式会社豊田中央研究所 | ミリ波イメージング装置 |
CN106501315A (zh) * | 2016-11-25 | 2017-03-15 | 哈尔滨工业大学 | Gfrp裂纹缺陷的缩短相关热层析成像检测方法与系统 |
CN107193003A (zh) * | 2017-07-20 | 2017-09-22 | 电子科技大学 | 一种稀疏奇异值分解扫描雷达前视成像方法 |
CN111614864A (zh) * | 2020-05-23 | 2020-09-01 | 南京南大智慧城市规划设计股份有限公司 | 基于svd及cbc模式结合的图像压缩加密传输方法 |
WO2023045431A1 (zh) * | 2021-09-26 | 2023-03-30 | 南京隼眼电子科技有限公司 | 逆合成孔径雷达成像方法、装置、电子设备及存储介质 |
CN114169373A (zh) * | 2021-12-10 | 2022-03-11 | 中国兵器工业集团第二一四研究所苏州研发中心 | 一种基于变分模态分解的gfrp内部缺陷特征提取方法 |
Non-Patent Citations (3)
Title |
---|
Visual Quantitative Detection of Delamination Defects in GFRP via Microwave;Xihan Yang et al.;sensors;第23卷(第14期);正文第1-4节,附图1-13 * |
朱路 ; 宋超 ; 刘媛媛 ; 黄志群 ; 王杨 ; .基于混合稀疏基字典学习的微波辐射图像重构方法.电子与信息学报.2016,38(11),全文. * |
洋麻/棉混纺织物增强环氧树脂复合材料的性能研究;王春红;贾瑞婷;王利军;岳鑫敏;张青菊;胡秀东;;材料导报(S2);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116643249A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113888471B (zh) | 一种基于卷积神经网络的高效高分辨力缺陷无损检测方法 | |
Sun et al. | Advanced signal processing methods for ground-penetrating radar: Applications to civil engineering | |
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 | |
Bi et al. | Multifrequency compressed sensing for 2-D near-field synthetic aperture radar image reconstruction | |
Hu et al. | Ultrasonic sparse-TFM imaging for a two-layer medium using genetic algorithm optimization and effective aperture correction | |
CN110717478B (zh) | 一种基于微波的物体检测系统及方法 | |
CN108646247B (zh) | 基于伽马过程线性回归的逆合成孔径雷达成像方法 | |
Randazzo et al. | A two-step inverse-scattering technique in variable-exponent Lebesgue spaces for through-the-wall microwave imaging: Experimental results | |
CN103575808A (zh) | 基于多角度立体匹配的高实时定量超声检测方法 | |
Sutcliffe et al. | Virtual source aperture imaging for non-destructive testing | |
CN111488549A (zh) | 一种基于深度学习求解电磁逆散射问题的混合输入方法 | |
CN116643249B (zh) | Gfrp内部分层缺陷的毫米波成像可视化定量检测方法 | |
CN113777166A (zh) | 一种基于超声平面波成像和时间反转算子相结合的高分辨缺陷无损检测方法 | |
CN117406190A (zh) | 基于雷达信号的无开挖拉棒腐蚀检测方法、装置及设备 | |
Hanabusa et al. | Deep-learning-based calibration in contrast source inversion based microwave subsurface imaging | |
CN117147694A (zh) | 基于逆问题的超声全聚焦成像稀疏正则化重构方法及设备 | |
Zhang et al. | Sweep frequency microwave NDT for subsurface defect detection in GFRP | |
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 | |
CN111610202B (zh) | 基于时间反演的介质材料损伤探测系统及方法 | |
Fang et al. | Visualization and quantitative evaluation of delamination defects in GFRPs via sparse millimeter-wave imaging and image processing | |
Tian et al. | Phased array ultrasonic S-scan testing of near-detection-surface defects based on a background subtraction algorithm | |
Yang et al. | The application of terahertz technology in ultra high voltage large tonnage insulator detection | |
CN111090102B (zh) | 一种超分辨反射式太赫兹三维目标重建成像方法 | |
Moreau et al. | Efficient imaging techniques using an ultrasonic array | |
Zhao et al. | Wavelet analysis of poorly-focused ultrasonic signal of pressure tube inspection in nuclear industry |
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 |