[發明專利]基于光學和紅外圖像融合的低發射率涂層智能探損方法

在審

• 申請號: 202011187315.3
• 申請日: 2020-10-30
• 公開（公告）號: CN112258490A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 魏小龍;徐浩軍;武欣;李益文;李玉琴;何衛鋒;裴彬彬;聶祥樊;華為卓;陳戈
• 申請（專利權）人: 中國人民解放軍空軍工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 西安知誠思邁知識產權代理事務所(普通合伙) 61237
• 代理人: 麥春明

1.基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，按照以下步驟進行：

步驟S1、建立或選擇卷積神經網絡，并對其進行訓練和優化，得到用于檢測低發射率涂層損傷的卷積神經網絡模型；

步驟S2、獲取待檢測的低發射率涂層的光學圖像以及與其同位置、同視角、同尺寸的紅外圖像，并對獲取的光學圖像及與其同位置、同視角、同尺寸的紅外圖像進行圖像融合，得到待檢測的低發射率涂層的融合圖像；

步驟S3、對待檢測的低發射率涂層的融合圖像進行歸一化處理，得到待檢測的數據樣本；

步驟S4、將待檢測的數據樣本輸入用于檢測低發射率涂層損傷的卷積神經網絡模型，對待檢測的低發射率涂層進行損傷自動檢測。

2.根據權利要求1所述的基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，所述步驟S1的具體實現過程如下：

步驟S11、獲取用于訓練模型的有損傷和無損傷的低發射率涂層圖像，包括有損傷和無損傷的低發射率涂層光學圖像以及與該光學圖像同位置、同視角、同尺寸的紅外圖像，其中有損傷的低發射率涂層圖像的損傷類別已知；

步驟S12、對獲取的有損傷和無損傷的低發射率涂層光學圖像以及與該光學圖像同位置、同視角、同尺寸的紅外圖像一一對應進行圖像融合，得到用于訓練模型的有損傷和無損傷的低發射率涂層的融合圖像；

步驟S13、對所得用于訓練模型的有損傷和無損傷的低發射率涂層的融合圖像中的損傷位置進行標記，然后對標記后的用于訓練模型的有損傷和無損傷的低發射率涂層的融合圖像進行歸一化處理，獲得訓練數據樣本，并將訓練數據樣本隨機劃分為訓練集和測試集；

步驟S14、對訓練集進行數據增強，擴充訓練集的數據樣本；

步驟S15、建立或選擇卷積神經網絡，然后利用數據增強后的訓練集對卷積神經網絡進行訓練，在每隔一定訓練輪次后將測試集輸入訓練所得卷積神經網絡中，實時監控測試集在卷積神經網絡上的檢測精度，并不斷調節超參數控制訓練過程，對卷積神經網絡進行優化，得到用于檢測低發射率涂層損傷的卷積神經網絡模型。

3.根據權利要求2所述的基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，所述圖像融合，是將獲取的待檢測的低發射率涂層光學圖像，或是將獲取的有損傷和無損傷的低發射率涂層光學圖像，和與該光學圖像同位置、同視角、同尺寸的紅外圖像在通道維度進行對應疊加融合，將三通道的RGB光學圖像在通道維度疊加紅外圖像得到四通道的RGBI融合圖像。

4.根據權利要求2所述的基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，所述步驟S13中是采用矩形框框住用于訓練模型的低發射率涂層的融合圖像中的損傷，對所得用于訓練模型的低發射率涂層的融合圖像中的損傷位置進行標記，標記格式為[損傷類型,x_min,y_min,x_max,y_max]，x_min和y_min為標記的矩形框的左上角的坐標，x_max和y_max為標記的矩形框的右下角的坐標；矩形框的坐標是以當前處理的圖像的左上角為坐標原點，以坐標原點向右為x軸的正方向，以坐標原點向下為y軸的正方向，坐標軸以每個像素為一個單位建立坐標系后得到的。

5.根據權利要求2～4任一項所述的基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，所述歸一化處理，是按照下式進行：

其中，μ為所有待檢測的低發射率涂層的融合圖像或所有用于訓練模型的有損傷和無損傷的低發射率涂層的融合圖像的RGBI四個通道像素值的均值，σ為所有待檢測的低發射率涂層的融合圖像或所有用于訓練模型的有損傷和無損傷的低發射率涂層的融合圖像的RGBI四個通道像素值的方差；g(x,y)表示歸一化前的圖像像素，x,y為當前像素點的橫坐標和縱坐標，f(x,y)表示歸一化后的圖像像素。

6.根據權利要求2～4任一項所述的基于光學和紅外圖像融合的低發射率涂層智能探損方法，其特征在于，所述步驟S14的卷積神經網絡選用卷積神經網絡YOLO-V3。