[發(fā)明專利]一種基于特征挖掘和加權(quán)貝葉斯分類器的缺陷提取方法

有效

• 申請?zhí)枺?/td>: 201811451824.5
• 申請日: 2018-11-30
• 公開（公告）號: CN109636781B
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 殷春;張昊楠;程玉華;黃雪剛;薛婷;石安華;陳凱
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T7/136;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于特征挖掘和加權(quán)貝葉斯分類器的缺陷提取方法，其特征在于，包括以下步驟：

(1)、將紅外熱像儀獲取的熱圖像序列用三維矩陣S表示，其中的元素S(i,j,t)表示熱圖像序列的t幀熱圖像的第i行、第j列的像素值；

(2)、從三維矩陣S選出最大像素值S(i_zz,j_zz,t_zz)，其中，i_zz、j_zz和t_zz分別表示最大像素值像素點所在行的行數(shù)、所在列的列數(shù)以及所在幀的幀數(shù)；

(3)、對于三維矩陣S的t_zz幀，選取第j_zz行，根據(jù)像素值的變化，選取P個像素值跳變點，跳變點位于兩個跳變像素值像素點之間，以跳變點按行對三維矩陣S進行劃分，得到P+1個行數(shù)據(jù)塊；

在第p個行數(shù)據(jù)塊S^p中(p＝1,2,...,P+1)，找到最大像素值，記為其中，分別表示第p個行數(shù)據(jù)塊S^p中最大像素值像素點所在行的行數(shù)、所在列的列數(shù)以及所在幀的幀數(shù)，則最大像素值對應的瞬態(tài)熱響應為T為三維矩陣S幀的總數(shù)量；

設置第p個行數(shù)據(jù)塊S^p的溫度閾值為THRE^p，計算瞬態(tài)熱響應與距離最大像素值即溫度最大值像素點所在列由近及遠像素點像素值對應的瞬態(tài)熱響應之間的相關(guān)度Re^b，b依次取1,2,...，并判斷相關(guān)度Re^b是否小于溫度閾值THRE^p，當小于時，停止計算，此時，像素點間距b為第p個行數(shù)據(jù)塊行數(shù)據(jù)塊S^p的行步長，記為CL^p；

(4)、對于三維矩陣S的t_zz幀，選取第i_zz行，根據(jù)像素值的變化，選取Q個像素值跳變點，跳變點位于兩個跳變像素值像素點之間，以跳變點按列對三維矩陣S進行劃分，得到Q+1個列數(shù)據(jù)塊；

在第q個列數(shù)據(jù)塊S^q中(q＝1,2,...,Q+1)，找到最大像素值，記為其中，分別表示第q個列數(shù)據(jù)塊S^q中最大像素值像素點所在行的行數(shù)、所在列的列數(shù)以及所在幀的幀數(shù)，則最大像素值對應的瞬態(tài)熱響應為T為三維矩陣S幀的總數(shù)量；

設置第q個列數(shù)據(jù)塊S^q的溫度閾值為THRE^q，計算瞬態(tài)熱響應與距離最大像素值即溫度最大值像素點所在行由近及遠像素點像素值對應的瞬態(tài)熱響應之間的相關(guān)度Re^d，d依次取1,2,...，并判斷相關(guān)度Re^d是否小于溫度閾值THRE^q，當小于時，停止計算，此時，像素點間距d為第d個列數(shù)據(jù)塊S^q的列步長，記為CL^q；

(5)、分塊分步長選取瞬態(tài)熱響應

(5.1)、依據(jù)步驟(3)選取的P個像素值跳變點按列以及步驟(4)選取的K個像素值跳變點按行對三維矩陣S進行分塊，得到(P+1)×(Q+1)個數(shù)據(jù)塊，行上第p、列上第q個數(shù)據(jù)塊表示為S^p,q；

(5.2)、對于每個數(shù)據(jù)塊S^p,q，設置閾值DD，初始化集合編號g＝1，初始化像素點位置i＝1，j＝1，并將最大像素值S(i_zz,j_zz,t_zz)對應的瞬態(tài)熱響應S(i_zz,j_zz,t)，t＝1,2,...,T，存儲在集合X(g)中；然后計算數(shù)據(jù)塊S^p,q中像素點位于i行，j列的瞬態(tài)熱響應S^p,q(i,j,t)，t＝1,2,...,T，與集合X(g)間的相關(guān)度Re_i,j，并判斷：

如果Re_i,jDD，則g＝g+1，并將瞬態(tài)熱響應S^p,q(i,j,t)，t＝1,2,...,T作為一個新特征存儲在集合X(g)中；否則，令i＝i+CL^p，繼續(xù)計算下一個瞬態(tài)熱響應S^p,q(i,j,t)，t＝1,2,...,T與集合X(g)的相關(guān)度；如果i＞M^p,q，則令i＝i-M^p,q，j＝j+CL^q，即變化到第j+CL^q列進行計算，如果j＞N^p,q,則瞬態(tài)熱響應選取完畢，其中，M^p,q、N^p,q分別為數(shù)據(jù)塊S^p,q的行數(shù)、列數(shù)；

(6)、步驟(5)選取的所有(P+1)×(Q+1)個數(shù)據(jù)塊的所有集合X(g)即瞬態(tài)熱響應為G條，對這G條瞬態(tài)熱響應進行特征提取，并分為K類

(6.1)、特征提取：

計算每條瞬態(tài)熱響應的能量：

其中，g為瞬態(tài)熱響應序號，g＝1,2,...,G，x_g,t為瞬態(tài)熱響應g在t幀的像素值；

計算每條瞬態(tài)熱響應在吸熱過程中的溫度變化率：

其中，t_mid表示加熱終止幀序號，t₀表示加熱起始幀序號；

計算每條瞬態(tài)熱響應在放熱過程中的溫度變化率：

其中，t_end表示放熱結(jié)束幀序號；

計算每條瞬態(tài)熱響應的平均溫度值：

計算每條瞬態(tài)熱響應的最大溫度值：

完成特征提取后，每條瞬態(tài)熱響應可以表示為：

(6.2)、將每個特征下的連續(xù)數(shù)值離散化，離散化后每個特征可由4個離散的數(shù)值標記：

能量由很大E₁、較大E₂、較小E₃、很小E₄表示，同樣的，吸熱過程中的溫度變化率由很大V_up1、較大V_up2、較小V_up3、很小V_up4表示，放熱過程中的溫度變化率由很大V_down1、較大V_down2、較小V_down3、很小V_down4表示,平均溫度值由很大T_ave1、較大T_ave2、較小V_ave3、很小V_ave4表示,最大溫度值由很大T_max1、較大T_max2、較小T_max3、很小T_max4表示；

(6.3)、設置分類數(shù)目為K，類別表示為：C＝(c₁,c₂,...,c_K)，其中有一類表示無缺陷類別，剩下表示不同的缺陷類別，通過計算最大后驗概率得到最終的類別：

其中，h_nb(X_g)表示求瞬態(tài)熱響應X_g的類別，即滿足p(c_k)p(X_g|c_k)最大的類別c_k為瞬態(tài)熱響應X_g的類別；

其中，p(c_k)為類別c_k的先驗概率，其值為：

N_total為用于訓練的歷史數(shù)據(jù)中瞬態(tài)熱響應的總數(shù)，為用于訓練的歷史數(shù)據(jù)中在類別c_k的瞬態(tài)熱響應條數(shù)；

其中，似然概率p(X_g|c_k)的值為：

其中，權(quán)值w_E、分別為：

其中，分別為用于訓練的歷史數(shù)據(jù)中屬于能量很大E₁、較大E₂、較小E₃、很小E₄的瞬態(tài)熱響應條數(shù)，分別為用于訓練的歷史數(shù)據(jù)中屬于吸熱過程中的溫度變化率很大V_up1、較大V_up2、較小V_up3、很小V_up4的瞬態(tài)熱響應條數(shù)，分別為用于訓練的歷史數(shù)據(jù)中屬于放熱過程中的溫度變化率很大V_down1、較大V_down2、較小V_down3、很小V_down4的瞬態(tài)熱響應條數(shù)，分別為用于訓練的歷史數(shù)據(jù)中屬于平均溫度值很大T_ave1、較大T_ave2、較小T_ave3、很小T_ave4的瞬態(tài)熱響應條數(shù)，分別為用于訓練的歷史數(shù)據(jù)中屬于最大溫度值很大T_max1、較大T_max2、較小T_max3、很小T_max4的瞬態(tài)熱響應條數(shù)；

其中：

其中：h為離散數(shù)值的序號，KL表示Kullback–Leible散度，計算公式如下：

其中：p(c_k|E_h)、分別表示第h個離散能量、吸熱過程中的溫度變化率、放熱過程中的溫度變化率平均溫度值最大溫度值的數(shù)值屬于類別的后驗概率；

(7)、對于K類瞬態(tài)熱響應尋找每一類的代表，并構(gòu)成一個T×K的矩陣Y

(7.1)、首先求取每一類瞬態(tài)熱響應的中心，用每一類的均值表示該類的中心即：

其中，每一幀的均值可以通過下式計算：

其中，為c_k類瞬態(tài)熱響應的數(shù)量，分別表示c_k類第1條、第條瞬態(tài)熱響應在t幀的像素值；

(7.2)、用表示第c_k類的代表，并通過下式計算每一類的代表：

其中，表示除了類別c_k以外的其他類別集合；

即在類別c_k的條瞬態(tài)熱響應中找到一條瞬態(tài)熱響應滿足與其他類別c_u的瞬態(tài)熱響應中心的距離和最大；

(7.3)、將K類的瞬態(tài)響應代表按列放置，構(gòu)成一個T×K的矩陣Y；

(8)、將三維矩陣S中的每一幀從第一列開始，將后一列接在前一列的末尾，構(gòu)成新的一列，得到T幀對應的T列像素值，然后，依據(jù)時間先后，將T列像素值依次放置，構(gòu)成I×J行、T列二維圖像矩陣O，用矩陣Y對二維矩陣O進行線性變換，即：得到二維圖像矩陣R，其中，為K×T矩陣，是矩陣Y的偽逆矩陣，O^T二維圖像矩陣O的轉(zhuǎn)置矩陣，得到的二維圖像矩陣R為K行、I×J列；

二維圖像矩陣R的每一行，按J列依次進行截取，截取的J列按行依次放置，構(gòu)成一張I×J二維圖像，這樣K行，得到K張I×J二維圖像，這些圖片都包含了缺陷區(qū)域，為方便缺陷輪廓提取，選擇缺陷區(qū)域和非缺陷區(qū)域像素值差距最大的一張二維圖像，并記為f(x,y)；

(9)、采用Canny算子對的二維圖像f(x,y)進行邊緣提取，得到最終的缺陷圖像

(9.1)、對二維圖像f(x,y)平滑處理，得到圖像g₁(x,y)，然后計算：

G_x＝g₁(x,y)-g₁(x+1,y+1)

G_y＝g₁(x+1,y)-g₁(x,y+1)

G(x,y)＝|G_x|+|G_y|

其中，G_x、G_y分別表示在圖像水平、垂直方向的梯度，G(x,y)代表梯度幅值；

若G(x,y)G_a(x,y)，則保留G(x,y)的值，否則將此位置的幅值設為0，得到圖像g₂(x,y)，其中G_a(x,y)表示像素點(x,y)八鄰域像素點與該點梯度方向交點的梯度幅值；

(9.2)、①如果G_T(x,y)H_th，其中G_T(x,y)為圖像g₂(x,y)的像素點梯度幅值，則該像素點被保留為邊緣像素；②如果G_T(x,y)L_th，則該像素點被排除；③如果L_th≦G_T(x,y)≦H_th，則進一步判斷該像素8領(lǐng)域空間的像素是否存在高于H_th的像素點，若存在，則該像素點被保留為邊緣像素，否則，該像素點被排除，得到最終的缺陷圖像，其中，H_th和L_th分別為高閾值和低閾值。