[發(fā)明專利]復(fù)合材料缺陷熱影像圖的局部敏感判別分析方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011371261.6
• 申請(qǐng)日: 2020-11-30
• 公開(kāi)（公告）號(hào): CN112489016A
• 公開(kāi)（公告）日: 2021-03-12
• 發(fā)明（設(shè)計(jì)）人: 劉凱新;婁維堯;楊克允;馬正陽(yáng);蔡姚杰
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 周紅芳;朱盈盈

1.復(fù)合材料缺陷熱影像圖的局部敏感判別分析方法，其特征在于，包括如下步驟：

1)獲取缺陷熱成像序列集：

脈沖熱成像測(cè)試期間記錄的數(shù)據(jù)集被視為三維矩陣，其包含在不同采樣時(shí)間點(diǎn)收集的一系列熱圖像；

2)設(shè)置初始參數(shù)并計(jì)算最近鄰距離：

對(duì)于n個(gè)數(shù)據(jù)點(diǎn)，將它們的類別標(biāo)簽均設(shè)為1，確定最近鄰數(shù)k以及維數(shù)d；計(jì)算任意兩個(gè)數(shù)據(jù)點(diǎn)之間的距離，并且尋找每一個(gè)樣本數(shù)據(jù)點(diǎn)的k個(gè)最近鄰數(shù)據(jù)點(diǎn)N(x_i)；

3)構(gòu)造最近鄰域圖得到權(quán)值矩陣：

得到了N(x_i)之后，再將N(x_i)劃分為兩個(gè)子集，也就是與該數(shù)據(jù)點(diǎn)同類的數(shù)據(jù)集G_w(x_i)和不同類的數(shù)據(jù)集G_b(x_i)，構(gòu)造最近鄰域圖，其中的G_w(x_i)是和數(shù)據(jù)樣本點(diǎn)x_i相同類別的數(shù)據(jù)點(diǎn)集，G_b(x_i)則是和數(shù)據(jù)樣本點(diǎn)x_i不同類別的數(shù)據(jù)點(diǎn)集；

通過(guò)LSDT算法的兩個(gè)目標(biāo)函數(shù)，使得兩個(gè)鄰域數(shù)據(jù)點(diǎn)集G_w(x_i)和G_b(x_i)的類別邊緣最小化和最大化的目的，并獲得一個(gè)映射A，則對(duì)于數(shù)據(jù)集中第i和j個(gè)數(shù)據(jù)點(diǎn)x_i與x_j，分別有y_i＝A^Tx_i，y_j＝A^Tx_j，從而使得：

其中，S_b，ij代表最大化類別間鄰域點(diǎn)集G_b(x_i)的權(quán)矩陣，S_w，ij代表最小化類別內(nèi)鄰域點(diǎn)集G_w(x_i)的權(quán)值矩陣，對(duì)于S_b，ij和S_w，ij，分別定義如下：

4)計(jì)算拉普拉斯算子構(gòu)造最佳目標(biāo)函數(shù)：

由式(1)，可以推導(dǎo)并且簡(jiǎn)化如下：

而且在上面的式子中：X＝[x₁,x₂,…x_n]∈R^D×n，n表示數(shù)據(jù)樣本點(diǎn)的個(gè)數(shù)，D表示數(shù)據(jù)樣本點(diǎn)的維數(shù)，R表示數(shù)據(jù)樣本點(diǎn)的集合；和分別是對(duì)角矩陣，而且L_b＝(D_b-S_b)，其中S_b是最大化類別間鄰域點(diǎn)集G_b(x_i)的權(quán)矩陣，D_b是S_b經(jīng)過(guò)計(jì)算后的對(duì)角矩陣，是類別間鄰域點(diǎn)集上的拉普拉斯算子，在滿足約束條件A^TXD_WX^TA＝1時(shí)，LSDT的約束最佳目標(biāo)函數(shù)可以表示如下：

argmaxA^TX(ηL_b+(1-η)S_w)X^TA

其中，η∈[0,1]為調(diào)整敏感算子，而且η是一個(gè)常數(shù)；

5)特征值分解得到低維嵌入：

所需要的映射矩陣A可以通過(guò)如下的特征方程來(lái)求解：

X(ηL_b+(1-η)S_w)X^TA＝λXD_wX^TA

上述方程中λ指的是在求解特征方程的時(shí)候，得到的特征值；對(duì)應(yīng)的解矢量為α₁，α₂，…，α_d的話，每個(gè)解矢量所對(duì)應(yīng)的最大特征值就是λ₁，λ₂，…，λ_d，因此對(duì)應(yīng)的映射也就可以表示為：

x_i→y_i＝A^Tx_i，A＝(α₁，α₂，…α_d)；

6)缺陷圖像重構(gòu)及評(píng)估：

利用低維映射，對(duì)原始數(shù)據(jù)進(jìn)行圖像重構(gòu)，將矩陣重構(gòu)為大小為n_x×n_y的二維矩陣，得到對(duì)應(yīng)的主成分圖像；并使用信噪比進(jìn)行定量估計(jì)；信噪比越高，該方法識(shí)別缺陷的能力越大，計(jì)算方法如下:

式中M_def為缺陷區(qū)域像素值的均值，M_in為非缺陷區(qū)域像素值的均值，σ_in為非缺陷區(qū)域像素值的標(biāo)準(zhǔn)差。