[發(fā)明專利]基于結(jié)構(gòu)化稀疏分解的光激勵(lì)紅外熱成像缺陷檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910339601.8
• 申請(qǐng)日: 2019-04-25
• 公開(kāi)（公告）號(hào): CN110108754B
• 公開(kāi)（公告）日: 2021-10-22
• 發(fā)明（設(shè)計(jì)）人: 高斌;劉麗
• 申請(qǐng)（專利權(quán)）人: 四川沐迪圣科技有限公司
• 主分類號(hào): G01N25/72
• 分類號(hào): G01N25/72
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

本發(fā)明公開(kāi)了一種基于結(jié)構(gòu)化稀疏分解的光激勵(lì)紅外熱成像缺陷檢測(cè)方法，通過(guò)將熱圖序列的每一幀圖像進(jìn)行小波分解，僅保留低頻部分，形成新的熱圖序列，并依次排列重構(gòu)為新矩陣，將新矩陣分解為低秩矩陣，稀疏矩陣和噪聲矩陣之和，其中低秩矩陣表示熱圖像的背景，稀疏矩陣表示熱圖像中的缺陷。將稀疏矩陣進(jìn)一步地分解為字典矩陣和權(quán)值矩陣的乘積，其中字典矩陣用于表征同一塊試件上不同的缺陷所具有的不同的熱模式，權(quán)值矩陣具有稀疏約束和非負(fù)約束。采用奇異值閾值分解法求解低秩矩陣，采用頂點(diǎn)成分分析法求解字典矩陣，采用乘數(shù)交替方向法求解權(quán)值矩陣，最后將稀疏矩陣重構(gòu)為缺陷圖像矩陣，從而實(shí)現(xiàn)紅外熱成像的缺陷檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于無(wú)損檢測(cè)技術(shù)領(lǐng)域，更為具體地講，涉及一種基于結(jié)構(gòu)化稀疏分解的光激勵(lì)紅外熱成像缺陷檢測(cè)方法。

背景技術(shù)

無(wú)損檢測(cè)技術(shù)是控制產(chǎn)品質(zhì)量、保證在役設(shè)備安全運(yùn)行的重要手段。紅外熱成像檢測(cè)技術(shù)是通過(guò)物體的輻射能量的變化過(guò)程與溫度之間的對(duì)應(yīng)關(guān)系進(jìn)行溫度測(cè)量，從而判斷物體的物理特征信息。光激勵(lì)紅外熱成像利用光源的有源加熱方式來(lái)檢測(cè)物體表面和內(nèi)部的各種缺陷，可實(shí)現(xiàn)大范圍不同深度缺陷的快速檢測(cè)，近年來(lái)在復(fù)合材料無(wú)損檢測(cè)領(lǐng)域得到廣泛的應(yīng)用，成為復(fù)合材料的缺陷檢測(cè)以及結(jié)構(gòu)完整性評(píng)估的重要依據(jù)。

但是，由光激勵(lì)紅外熱成像系統(tǒng)采集到的熱圖像由于受到熱擴(kuò)散的影響和噪聲的干擾，具有較低的分辨率，尤其是當(dāng)缺陷信號(hào)很微弱時(shí)，通常會(huì)被背景信號(hào)和噪聲信號(hào)淹沒(méi)，導(dǎo)致錯(cuò)誤判定缺陷數(shù)量。為了提高缺陷檢測(cè)的準(zhǔn)確率，目前已有針對(duì)缺陷提取的處理方法，如主成分分析、獨(dú)立成分分析、熱信號(hào)重構(gòu)、脈沖相位法和變分貝葉斯張量分解方法。但是這些方法對(duì)于檢測(cè)復(fù)雜表面和不規(guī)則表面上的缺陷具有較差的準(zhǔn)確率，其中，變分貝葉斯張量分解方法非常耗時(shí)。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于結(jié)構(gòu)化稀疏分解的光激勵(lì)紅外熱成像缺陷檢測(cè)方法，直接處理紅外熱像儀所記錄的熱圖序列，從而增強(qiáng)缺陷信號(hào)，準(zhǔn)確定位缺陷位置。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明一種基于結(jié)構(gòu)化稀疏分解的光激勵(lì)紅外熱成像缺陷檢測(cè)方法，其特征在于，包括以下步驟：

(1)、通過(guò)光激勵(lì)紅外熱成像無(wú)損檢測(cè)系統(tǒng)在含有缺陷的被測(cè)試件上獲取紅外熱圖序列，記為X∈R^m×n×f，其中，R表示實(shí)數(shù)域，m和n分別表示紅外熱圖像的高度和寬度，f表示紅外熱圖序列的總幀數(shù)；

(2)、將X的每一幀紅外熱圖像進(jìn)行小波分解，僅保留低頻部分，記為紅外熱圖序列A∈R^m×n×f；

(3)、將紅外熱圖序列A的每幀按行依次取每個(gè)像素點(diǎn)的像素值，再按取值順序垂直排列，最后將垂直排列后的每幀紅外熱圖依次排列，構(gòu)架出一個(gè)新矩陣并轉(zhuǎn)置，將轉(zhuǎn)置后的矩陣記為Y∈R^f×p，p的大小為m×n；

(4)、將矩陣Y分解為三個(gè)矩陣之和，即Y＝L+S+N，其中，L表示低秩矩陣，S表示稀疏矩陣，N表示噪聲矩陣；

(5)、將矩陣S分解為字典矩陣和權(quán)值矩陣的乘積，即S＝DW，其中，D表示字典矩陣，W表示權(quán)值矩陣；

因此，矩陣Y能夠分解為：Y＝L+DW+N；

(6)、建立優(yōu)化目標(biāo)函數(shù)；

subject to:W≥0

其中，||·||_*表示核范數(shù)，||·||_2,1表示L_2,1范數(shù)，||·||_F表示Frobenius范數(shù)，μ和λ表示正則參數(shù)，分別用于控制L的秩和W的稀疏程度；

(7)、設(shè)置迭代次數(shù)k，k＝1,2,…,K，K表示最大迭代次數(shù)；使用奇異值閾值算法求解第k迭代時(shí)的低秩矩陣L^k；