[发明专利]一种基于LVQ-GMM算法和多目标优化分割算法的航天器缺陷检测方法

说明书

本发明公开了一种基于LVQ‑GMM算法和多目标优化分割算法的航天器缺陷检测方法，本发明基于LVQ‑GMM和多目标优化分割的航天器缺陷检测方法通过红外热图像序列数据中温度点最大值进行列向搜索比较获得变换列步长，同时利用瞬态热响应曲线中温度最大值对数据进行分块，获得每个数据块的变换行步长，使用变换列步长和变换行步长进行采样获得具有含有典型温度变化的瞬态热响应曲线构成的采样数据集，使用LVQ‑GMM算法，得到了采样数据集分类对应的高斯混合模型，从而得到了分类数据集的相应概率。利用概率对数据集中每一瞬态热响应曲线进行分类，并利用分类后的典型热响应曲线进行重构缺陷突像。构造双层多目标优化的热图像分割框架，实现缺陷的精准分割。

技术领域

本发明属于航天器的空间碎片撞击损伤检测应用以及模式识别技术领域，更具体地说，本发明涉及一种基于LVQ-GMM算法和多目标优化分割算法的航天器缺陷检测方法。

背景技术

日益恶化的空间碎片环境对航天器带来严重威胁，特别是微小流星体和轨道垃圾等大量毫米和微米级的微小空间碎片，撞击速度达每秒几公里甚至每秒几十公里，且无法对其进行跟踪预警和机动规避，对航天器撞击概率极高，危害相当巨大。长期在轨航天器(如航天飞机、通讯卫星、国际空间站等)均遭受过不同程度的微小空间碎片撞击，并且由于长期多次撞击产生的累积效应，会导致关键部件和器件发生结构损伤或者功能失效。鉴于微小空间碎片撞击航天器时间非常频繁，且超高速与低速/高速撞击具有完全不同的损伤机理和破坏模式，其撞击损伤缺陷非常复杂，因此暴露于空间碎片环境中的各类航天器必须进行撞击损伤缺陷的检测和评估。我国空间站预计2022年左右建成，总重量约90吨，预期在轨寿命10年以上，大型空间站受到空间碎片威胁显著增加，对撞击损伤缺陷的检测精度提出了更高要求。本发明应用对象——各类长期在轨航天器，对其进行损伤检测直接关系着航天任务能够是否能够顺利和安全的完成。同时，考虑到检测环境和检测对象的特殊性，必须采用非接触的原位无损检测方式，且能够获得更加直观、准确的缺陷检测结果。

红外热成像技术具有安全、直观、快速、高效、检测面积大、无接触等优点，在航天器在轨检测中发挥了重要作用，其基础原理是：基于傅里叶传热与红外辐射原理，当被检对象受到外部热激励时(太阳光照射或人工光源照射)，由于材料缺陷的存在导致热传导过程受到影响，并表现为被检对象表面瞬态温度响应的差异，通过红外热像仪采集表面温度场响应，从而了解被检对象表面和内部的缺陷状态。红外成像仪采集到的数据是由多帧红外热图像构成的红外热图像序列数据，其包含了被检区域内每个像素点的温度变化信息(瞬态热响应曲线)，通过对红外热图像序列数据进行分析和处理，获取缺陷的重构图像，从而实现对缺陷的准确识别。

由于空间碎片超高速损伤行为的复杂性，通常会导致航天器出现多种不同特征的损伤模式，比如撞击坑和撞击穿孔等表面损伤，以及不可见的内部层裂、背面剥落等内部损伤。上述不同损伤模式可能同时存在或部分存在，并表现为红外检测数据中的耦合效应，由此增加了损伤缺陷检测与评估过程的困难程度和复杂性，难以获得准确的航天器空间碎片撞击损伤情况。针对被检区域内包含的多种撞击损伤模式，需要通过设计有效的红外热图像序列数据分析处理方法，来实现对损伤缺陷的检测以及对损伤模式的分类识别，从而为航天器的空间碎片撞击损伤风险评估提供依据。

在现有技术中，聚类分析作为一种无监督学习算法，其不依赖预先定义的类或带类标记的训练实例，具有自动确定标记的特点，适用于对损伤模式复杂且不便于人工大量标记训练样本的数据分类过程。对于数据进行聚类的一般方法有K-Means和模糊C均值(FCM)算法等，其利用每个样本到聚类中心的紧密程度来对数据进行分类。这些基于距离作为度量依据的方法有一定局限性，多用于处理球状或类球状数据团，且每个数据团的观测数量应大致相同。这种划分方式在处理数据含有重叠情况时会造成一定的重复划分，影响由瞬态热响应曲线构成的变换矩阵的正确性，获得的缺陷重构图像缺陷不能满足缺陷识别的要求。