[发明专利]一种用于复材缺陷无损检测的红外热影像分析方法

权利要求书

1.一种用于复材缺陷无损检测的红外热影像分析方法，包括以下步骤：

(1)数据采集：利用红外热像仪获取聚合物复合材料内部缺陷的热影像数据；热影像数据采集过程包括试样的脉冲加热与试样表面热图像捕捉两个过程，首先，利用可以传递较大能量的闪光灯提供的热脉冲对试样加热，然后，在试样冷却阶段，通过红外摄像机采用一定的分辨率和采样率捕获物体表面的热图像；

(2)数据预处理：对传感器采集到的原始热影像数据进行预处理，包括三部分内容：首先，去除热图像的无效边缘，选择热图像的有效区域作为图像分析的感兴趣区域；其次，采集的原始热影像不能直接用OLPPT方法分析，需要将三维3-D的热影像数据矩阵扩展为可用于OLPPT分析的二维2-D矩阵；最后，由于数据中心化处理可以在一定程度上消除热图像中的不均匀背景，而且可以通过增强基函数的正交性来提高OLPPT模型的特征提取能力，因此，对2-D热影像数据进行像素点中心化；

(3)缺陷检测热影像数据分析模型OLPPT构建：计算特征空间的嵌入矩阵Y；

数据预处理后的热影像数据用X表示，x_i表示在同一位置不同采样时间采样的像素；基于OLPP算法，定义样本与维度对象后，通过主成分分析PCA投影丢弃特征值为0的特征向量，构建近邻图后计算得到权重矩阵S，最后通过正交基函数计算得到嵌入矩阵Y；具体过程为：

步骤3.1：样本与维度定义；

OLPPT模型将像素点作为样本，此时样本数m等于像素点数n_x×n_y，即m＝n_xn_y，样本维度n为热影像图片数量n_t，即n＝n_t；

步骤3.2：PCA投影；

通过丢弃对应于零特征值的特征分量，将热影像投影到PCA子空间中，用W_PCA表示PCA的转换矩阵；通过PCA投影，提取的特征在统计上是不相关的，并且新数据矩阵的秩等于特征数，即维数；

步骤3.3：构造近邻图；

定义G表示具有n个节点的近邻图；使用K近邻法算法构建G；第i个节点对应于像素向量x_i；如果x_i与x_j是相近的，则在节点i和j之间放置一个边，即x_i是x_j的K个最近邻点之一；

步骤3.4：选择权重：

如果节点i和j是相连的，则权重计算公式

其中：x_i、x_j分别为原始数据的第i个和第j个样本；

t∈R；

反之，S_ij＝0；图G的权重矩阵S模拟了热影像流形的局部结构；

步骤3.5：计算正交基函数：

定义D为对角矩阵，其对角元素是权重矩阵S的列的和，且D_ii＝∑_jS_ji；谱图理论中称为拉普拉斯矩阵L，定义为L＝D-S；设{a₁,a₂,…,a_k}为正交基矢量，定义：

A^(q-1)＝[a₁,…,a_q-1]

B^(q-1)＝[A^(q-1)]^T(XDX^T)^-1A^(q-1)

正交基矢量{a₁,a₂,…,a_k}可以按如下方式计算：

·计算a₁作为(XDX^T)^-1XLX^T的最小特征值相关的特征向量；

·计算a_k作为的最小特征值相关的特征向量；

步骤3.6：计算嵌入矩阵Y；

设W_OLPP＝[a₁,…,a_l]，则嵌入过程如下：

x_i→y_i＝W^Tx_i

W＝W_PCAW_OLPP

Y＝[y₁,y₂,…y_m]∈R^l，ln

其中：Y是嵌入矩阵；

y_i为热图像x_i的l维表示；

W是转换矩阵；

(4)OLPPT模型结果可视化：嵌入投影y可视化；

嵌入矩阵Y是特征空间中原数据矩阵X的表示；为了使缺陷可视化，矩阵Y中的l个列向量y，也称为嵌入式投影EP，被重新调整为大小为n_x×n_y的二维矩阵，然后得到l张可以识别缺陷的热图像；在该方法分析热成像数据的过程中，为了实现数据压缩，选择l小于n；

通过观察重构的热图像，判断缺陷的形状、位置等基本信息，观察噪音去除与背景分离的效果，综合分析结果来初步判定OLPPT模型对于聚合物复合材料内部缺陷检测的效果；若效果太差，则需要通过重新选择参数建立OLPPT模型；

(5)OLPPT模型效果定量评估：计算信噪比指标；

为了更客观地评估模型的性能，计算在热像数据处理方法比较中广泛使用的信噪比SNR指数；SNR指数的公式如下：

其中：M_def和M_in分别是有缺陷和完整区域的平均像素值；

σ_in是完整区域的像素值的标准偏差；

SNR指数是无量纲的，反映了有缺陷和无缺陷区域之间的热对比；因此，大的SNR值表示更好的缺陷识别能力。

2.如权利要求1所述的一种用于复材缺陷无损检测的红外热影像分析方法，所述步骤(2)的过程为：

步骤2.1：图像有效区域选择；

采集到的原始热图像并非全部区域对于数据分析都是有效的，含无效区域的热图像会因尺寸太大给数据处理带来诸多不便，因此，有必要去除原始图像无效边缘，选择热图像的子区域作为感兴趣区域；在实际过程中，仅对热图像的感兴趣区域进行图像处理；

步骤2.2：数据的扩展；

数据采集记录的热影像数据集可以被视为3-D矩阵，包含在不同采样时间实例处收集的一系列热图像；在测试的冷却阶段，捕捉到n_t帧热图像，每帧由n_x×n_y像素组成；每个像素的颜色表示相应位置的表面温度；由于OLPPT不能直接应用于三维热影像数据矩阵，因此将3-D矩阵转换为2-D扩展矩阵是必要的预处理步骤；在矩阵X＝[x₁,x₂,…,x_m]∈Rⁿ中，每一帧热影像都展开成一个长度为n_xn_y列向量x_i(i＝1，…,n_t)；x_i的每一个元素对应原始图像的一个像素；

步骤2.3：中心化处理；

考虑到热影像数据在采集过程中受到不均匀加热等因素的影响，收集的原始热像图中包含大量的不均匀背景和噪音，掩盖掉图像中有效的缺陷特征，导致热影像分析方法对缺陷检测效果并不理想；因此，在应用OLPPT方法之前，应该对热影像数据展开矩阵进行中心化预处理；中心化方式为像素点中心化，即展开的2-D矩阵减去变量的平均值。