本發(fā)明屬于無損檢測和評(píng)估
技術(shù)領(lǐng)域：
，更為具體地講，涉及一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法。
背景技術(shù)：
：碳纖維增強(qiáng)復(fù)合材料(CFRP)由于具有比強(qiáng)度高、比模量大、抗疲勞性能好、膨脹系數(shù)低以及可設(shè)計(jì)性強(qiáng)等優(yōu)點(diǎn)，已經(jīng)成為航空航天等高新
技術(shù)領(lǐng)域：
不可缺少的重要結(jié)構(gòu)材料。但在生產(chǎn)制造、裝配、長期服役等過程中難免遭受損傷，復(fù)合材料疊合結(jié)構(gòu)常見的內(nèi)部缺陷包括分層、脫粘、夾雜等，由于內(nèi)部結(jié)構(gòu)的變形不易檢測且造成的損傷性極大，隨著復(fù)合材料的加工工藝和使用要求的不斷提高，對其無損檢測技術(shù)也提出了更高的要求。光激勵(lì)紅外熱成像(OPT)檢測技術(shù)由于具有安全無污染、可實(shí)現(xiàn)大面積、無接觸的快速檢測等優(yōu)點(diǎn)，被廣泛的應(yīng)用于復(fù)合材料在線檢測，其利用不同結(jié)構(gòu)或材料的熱輻射特性不同，對試件采用主動(dòng)加熱方法檢測材料表面及以下缺陷。但光激勵(lì)紅外熱成像系統(tǒng)得到的圖像，受熱像儀和復(fù)合材料橫向熱擴(kuò)散的影響，具有分辨率較低，邊沿模糊，噪聲干擾的缺點(diǎn)，為了提高缺陷檢測的準(zhǔn)確性和效率，很多特征提取算法被用于圖像缺陷信息的提取，如熱成像信號(hào)重構(gòu)(TSR)、主成分分析(PCA)和脈沖相位熱成像(PPT)等。但在實(shí)際應(yīng)用中，這些傳統(tǒng)算法的效果并非十分理想，本發(fā)明采用的集成變分貝葉斯張量分解算法(EVBTF)能較為明顯的提高缺陷檢測準(zhǔn)確度和分辨率。同時(shí)采用基于事件F-score的評(píng)價(jià)方法，來定量評(píng)估算法的處理結(jié)果。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法，通過集成變分貝葉斯張量分解算法處理得到圖像缺陷信息，具有自動(dòng)準(zhǔn)確檢測、識(shí)別缺陷的特點(diǎn)。為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法，其特征在于，包括以下步驟：(1)、通過光激勵(lì)紅外熱成像檢測系統(tǒng)，獲得含缺陷樣本表面的空間-時(shí)間熱圖視頻，對每一幀熱圖像按列依次取值并順序化排列，向量化每一幀熱圖像，得到每一幀熱圖量并依次作為新矩陣的列向量，構(gòu)架出一個(gè)新矩陣Y'，再對這個(gè)新矩陣Y'做歸一化，得到矩陣Y；(2)、對矩陣Y進(jìn)行變分貝葉斯張量分解在變分貝葉斯張量分解模型的第一層輸入矩陣Y，通過變分貝葉斯張量分解得到低秩張量、稀疏張量和噪聲張量；在第二層輸入第一層輸出的低秩張量，再次通過變分貝葉斯張量分解得到低秩張量、稀疏張量和噪聲張量；依次類推，通過n層變分貝葉斯張量分解后得到最終的低秩張量、稀疏張量和噪聲張量；(3)、對第n層變分貝葉斯張量分解后得到稀疏張量進(jìn)行還原，得到稀疏矩陣，再對稀疏矩陣的每一列依次重構(gòu)回缺陷圖像，通過對比缺陷圖像進(jìn)行缺陷檢測和識(shí)別。本發(fā)明的發(fā)明目的是這樣實(shí)現(xiàn)的：本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法，將含有缺陷的樣本在光激勵(lì)紅外熱成像系統(tǒng)作用下熱源在材料不同區(qū)域的熱擴(kuò)散和熱輻射特性不同，在缺陷處存在高溫區(qū)域，熱像儀采集到的表面溫度場隨時(shí)間和空間的變換能夠反映出一定的缺陷信息，并為后期特征提取算法提供信息，再基于集成變分貝葉斯張量分解算法提取復(fù)合材料脫粘缺陷的信息。同時(shí)，本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法還具有以下有益效果：(1)、通過使用集成變分貝葉斯算法提高了缺陷檢測的精度，提高了缺陷區(qū)域和非缺陷區(qū)域的對比度；(2)、提高了缺陷檢測的結(jié)果圖像的分辨率，解決了檢測的結(jié)果圖像低分辨率的問題；(3)、提高了紅外熱成像對多層材料的檢測深度，與目前存在的紅外熱成像領(lǐng)域的特征提取算法相比，檢測結(jié)果有很大的提高；(4)首次將貝葉斯張量分解算法引入紅外熱成像領(lǐng)域，并比傳統(tǒng)算法取得更加好的結(jié)果。附圖說明圖1是本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法流程圖；圖2是預(yù)處理向量化示意圖；圖3變分貝葉斯張量分解算法公式示意圖；圖4是實(shí)驗(yàn)數(shù)據(jù)處理效果對比圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明的具體實(shí)施方式進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。實(shí)施例圖1是本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法流程圖。在本實(shí)施例中，如圖1所示，本發(fā)明一種對復(fù)合材料脫粘缺陷的高分辨率檢測與識(shí)別方法，包括以下步驟：S1、預(yù)處理當(dāng)試件被熱源激勵(lì)后，在熱趨于平衡的過程中，部分缺陷信息能夠在紅外熱圖像中顯示出來，其表面溫度場隨時(shí)間和空間變化的物理特性可用已知數(shù)學(xué)模型來表達(dá)，在進(jìn)行理論分析時(shí)，每個(gè)像素點(diǎn)的溫度變化可簡化為一維熱傳導(dǎo)模型，并在此基礎(chǔ)上進(jìn)行后處理分析，試件表面溫度的數(shù)學(xué)模型可表示為：其中，是熱擴(kuò)散率，k表示熱導(dǎo)率，ρ表示密度，c表示比熱容；Q是表面施加的熱量；t是時(shí)間。方程(1)為特征提取算法提供了理論基礎(chǔ)。通過光激勵(lì)紅外熱成像無損檢測系統(tǒng)，在含有缺陷的試件上獲得熱圖像序列且其數(shù)學(xué)模型如方程(1)所示，將此張量轉(zhuǎn)化為一個(gè)矩陣，通過將每一幀圖像進(jìn)行向量化，轉(zhuǎn)換方式如圖2.1所示，則整個(gè)視頻序列可排序?yàn)橐粋€(gè)新的矩陣表示，該過程轉(zhuǎn)換示意圖如圖2.2所示。再對所得矩陣進(jìn)行歸一化，通過將矩陣中的每個(gè)值都除以矩陣中的最大值，這樣，每個(gè)輸入矩陣的值的都在0到1之間。S2、對歸一化后的矩陣進(jìn)行變分貝葉斯張量分解集成變分貝葉斯張量分解模型(EVBTF)是基于變分貝葉斯張量分解(VBTF)的框架，變分貝葉斯可以表示為：Y＝X+S+N(2)其中，是輸入張量，是低秩張量，是稀疏張量，是噪聲張量，N從表示張量的維度，Ii(i＝1,…,N)表示第i個(gè)維度的大小。當(dāng)維度為2時(shí)，張量就是一個(gè)矩陣，I1和I2分別代表矩陣的行和列。從上式可以看出熱圖像序列可以表示為三個(gè)矩陣的和，可以通過[CANDECOMP/PARAFAC(CP)]分解將X分解成多個(gè)分量，表達(dá)式如下所示：其中，代表向量的輸出結(jié)果，An(n＝1,…,N)表示潛在的因子矩陣，[[·]]表示CP分解，也就是說一個(gè)張量利用CP分解得到A1,…,AN矩陣。代表An的第r列，代表An的第i行。R是矩陣X的秩，遠(yuǎn)小于X的行數(shù)和列數(shù)，服從零均值的高斯先驗(yàn)分布，每個(gè)S和N矩陣都服從零均值的高斯分布。所有的參數(shù)均服從伽瑪分布，輸入系數(shù)λ、γ和τ分別與和和和相關(guān)，參數(shù)數(shù)量級(jí)為10-6大小，圖3顯示了公式的流程。采用Kullback-Leiber(KL)散度和平均場方法來估計(jì)最優(yōu)不同因子矩陣，因此，的后驗(yàn)可估計(jì)為：其中，E[·]表示期望，vec表示向量化操作，Λ表示參數(shù)λ的對角化，λ是一個(gè)向量，對角化的意思就是讓這個(gè)向量的每一個(gè)元素依次對應(yīng)對角化后的矩陣的對角線上的元素，矩陣的其他元素為0，表示協(xié)方差矩陣，表示Khatri–Rao積，除掉第n個(gè)元素，具體表達(dá)如下：其中，⊙表示Khatri–Rao積，表示此矩陣的第in行?？杀硎緸椋浩渲?，'*'表示Hadamard積，E[·]表示期望，參數(shù)λ可如下估計(jì)：其中，λr表示λ中的第r個(gè)元素；則S的每個(gè)元素可估計(jì)為：其中，<·>表示內(nèi)積，后驗(yàn)分布γ可表示為：參數(shù)τ可通過如下計(jì)算：其中，其中，||·||F表示矩陣二范數(shù)，運(yùn)算結(jié)果是得到一個(gè)張量X，如公式3.這是變分貝葉斯張量分解一層結(jié)構(gòu)模型，但是通過變分貝葉斯張量分解算法后低秩張量可能仍然含有部分有用的信息。因此，我們提出一種新的多層變分貝葉斯張量分解算法，即EVBTF算法，其多層結(jié)構(gòu)可表示為：上式中第一層的張量Y可表示為三個(gè)張量的和，之后的其余層更新過程與第一層方式相同，上一層的低秩張量是下一層的輸入張量。因此，最終的公式可以表示為：其中，是低秩張量，是第i個(gè)稀疏張量，是第i個(gè)噪聲張量，并且n由層數(shù)所決定。集成變分貝葉斯張量分解模型的輸入矩陣為變換和歸一化后的熱圖像序列，超參數(shù)和的值設(shè)置為10-6，而等于1.2，層數(shù)n設(shè)置為4，缺陷檢測效果最優(yōu)。所提方法具體流程如表1所示。表1是集成變分貝葉斯張量分解算法流程表S3、缺陷檢測和識(shí)別在步驟S1的開始做了歸一化除了最大值處理，因此這里需要把第四層變分貝葉斯張量分解后得到稀疏張量進(jìn)行還原，也就是把得到的稀疏張量乘以開始除的那個(gè)最大值，這樣得到一個(gè)新矩陣，命名為稀疏矩陣，具體還原的方法為：Sresult＝S4×max(Y')其中，Sresult表示稀疏矩陣，S4表示第四層變分貝葉斯張量分解后得到稀疏張量，max(Y')表示新矩陣Y'的最大值；再對稀疏矩陣的每一列依次重構(gòu)回缺陷圖像，通過對比缺陷圖像進(jìn)行缺陷檢測和識(shí)別。實(shí)例結(jié)果分析與對比為了評(píng)估缺陷檢測結(jié)果，F(xiàn)-score被用來衡量不同特征提取算法處理結(jié)果。檢測結(jié)果可以分為四類，TP表示實(shí)際存在缺陷并被檢測出來的個(gè)數(shù)，F(xiàn)P表示不是缺陷區(qū)域卻被檢測為缺陷區(qū)域的個(gè)數(shù)，F(xiàn)N表示是缺陷區(qū)域但檢測結(jié)果顯示為沒有缺陷的個(gè)數(shù)，TN表示不是缺陷也未被檢測為缺陷的個(gè)數(shù)，因此準(zhǔn)確率P和召回率R可分別表示為：為了平衡準(zhǔn)確率和召回率，F(xiàn)-score是P和R的加權(quán)調(diào)和平均：上式中α表示準(zhǔn)確率和召回率的所占比重，對于無損檢測的此類脫粘缺陷，α取值為1，即準(zhǔn)確率和召回率同等重要。對一組前期采集數(shù)據(jù)進(jìn)行不同的特征提取處理算法，包括主成分分析(PCA)、脈沖相位熱圖像(PPT)、熱成像信號(hào)重構(gòu)(TSR)，以及本發(fā)明的集成變分貝葉斯張量分解算法(EVBTF)，圖4.1為樣本缺陷分布示意圖，圖4.2為手動(dòng)選擇的較優(yōu)樣本原始圖像，第160幀，由于熱擴(kuò)散的影響，只有幾個(gè)脫粘缺陷能分辨出來，圖4.3為經(jīng)PPT處理結(jié)果，圖4.4為經(jīng)TSR處理結(jié)果，只能明顯的看到幾個(gè)缺陷的信息，還有幾個(gè)十分模糊，圖4.5為經(jīng)PCA處理結(jié)果，能看到大部分的缺陷信息，比較小的缺陷比較模糊，圖4.6為經(jīng)EVBTF處理結(jié)果，能夠清晰的看到14個(gè)缺陷，最后兩個(gè)小的缺陷看的比較模糊，本方法構(gòu)造空間瞬態(tài)多層挖掘結(jié)構(gòu)，其能夠提取隱藏的異常信息，從而增強(qiáng)缺陷區(qū)域和非缺陷區(qū)域的對比度。為了定量評(píng)估結(jié)果，計(jì)算不同特征提取算法的F值，每個(gè)缺陷區(qū)域被認(rèn)為是一個(gè)事件，因此事件總數(shù)為16，不同算法的F-score值如表2所示，與PPT，TSR和PCA相比，本發(fā)明提出的算法的F-score要平均高出20％多。表2是各算法的F-score值PPTTSRPCAEVBTF缺陷樣本0.670.670.931盡管上面對本發(fā)明說明性的具體實(shí)施方式進(jìn)行了描述，以便于本
技術(shù)領(lǐng)域：
的技術(shù)人員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于具體實(shí)施方式的范圍，對本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護(hù)之列。當(dāng)前第1頁1 2 3