[发明专利]复合材料缺陷热影像图的局部敏感判别分析方法

说明书

本发明公开了复合材料缺陷热影像图的局部敏感判别分析方法，包括如下步骤：1)获取缺陷热成像序列集；2)设置初始参数并计算最近邻距离；3)构造最近邻域图得到权值矩阵；4)计算拉普拉斯算子构造最佳目标函数；5)特征值分解得到低维嵌入；6)缺陷图像重构及评估；本发明从仿真数据中提取的特征及建立复合材料缺陷热影像图的局部敏感判别模型并对训练模型进行评估，LSDT方法更好地将信息进行处理，可以在很大程度上分离不均匀背景，缺陷特征和测量噪声，从而更加有助于进行缺陷识别。

技术领域

本发明属于复合材料缺陷无损检测技术领域，具体涉及复合材料红外热成像的局部敏感判别模型方法。

背景技术

复合材料具有高比强度、高比模量、耐高温、耐腐蚀、抗疲劳等特征，因而被广泛应用于航空航天、船舶等重要工业领域。虽然复合材料的优点很多，但是由于复合材料的内部缺陷的存在，会严重降低产品质量以及复合材料应用的可靠性与安全性。

各种各样的缺陷都会导致复合材料的各个方面的性能降低，然后影响到构件的最终性能。一种典型例子就是碳纤维复合材料中的纤维断裂能够使得该材料的拉伸强度减少约为原有的1/4，压缩强度则大约会减少1/10；另一种不同的情况则是，热塑性复合材料中的纤维弯曲能够导致材料的强度减少约1/5。

无损检测是一种不伤害被测试工件，根据被测试工件的各种性质和特征，就可以检测出被测工件中是否存在缺陷，以及缺陷的大小、位置的技术。热成像无损检测因为其全面性，全程性，互容性的特点，成为最常用的一种方法。工作原理就是利用被测工件的不连续性缺陷对热传导所产生的影响，从而使得整个工件的各个部分在温度变化的过程中，同一时间各个部分的温度表现有所差异，利用温度的差异，来检测出被测工件各个部分的热传导能力的差异，从而判断工件内部的工件位置和形状。

近来，由于流形学习独特的特征提取能力，流形学习自被提出以后，流形学习开始蓬勃发展起来，随之也就获得了大量的理论研究成果，比如说等距映射算法(Isomap)，局部线性嵌入算法(LLE)，海森特征映射(HLLE)，拉普拉斯特征映射算法(LE)，局部切空间校准算法(LTSA)，局部保持投影算法(LPP)，黎曼流形学习方法(RML)等。并且这些算法已经在图像处理如人脸图像、手写数字图像、语言处理等方面都取得了比较好的效果。

但是许多现在已经常用的流形学习方法，在面对新的可靠性与有效性需求时经常会通过应用各种新的思路来改进原有的流形学习方法，从而使得新的算法可以满足需求。例如脉冲热成像(PT)是一种广泛使用的非破坏性测试方法，用于检测结构中的缺陷区域。为了提高热成像数据的空间和时间分辨率，通常采用热成像信号重建(TSR)进行数据处理和分析。然而TSR仅沿时间方向执行数据滤波，而空间信息不用于降低噪声，也不能处理热图像中通常存在的非均匀背景。

基于以上方面因素的考虑，本发明开发了热成像局部敏感判别分析算法LSDT对热影像数据进行分析。虽然不能完全去除噪音和不均匀背景的影响，但是通过利用LSDT方法来实现四大目的，也就是：首先，减少我们在测试过程噪音的干扰因素；其次，尽可能地就是在一定程度上去除不均匀背景对实验结果的影响；然后，我们还要通过LSDT方法成功达到一个特征提取的核心目的；最后，也就是最核心的目标就是要对高维数据成功进行数据降维，得到能够比较大程度保留高维数据内部结构的低维数据。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供复合材料缺陷热影像图的局部敏感判别分析方法，实现对复合材料缺陷的准确识别。

本发明提供如下技术方案：

复合材料缺陷热影像图的局部敏感判别分析方法，其特征在于，包括如下步骤:

1)获取缺陷热成像序列集：

脉冲热成像测试期间记录的数据集被视为三维矩阵，其包含在不同采样时间点收集的一系列热图像；

2)设置初始参数并计算最近邻距离：