本发明专利技术公开了一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，通过重构模型和优化的模糊算法，对不同空间不程度缺陷进行提取和特征分析，使不同空间不同程度的缺陷特征能够精确的进行划分；同时，在优化的模糊算法中，构造新的目标函数，一部分包括赞成度与犹豫度的和，丰富了元素的特征信息，另一部分包含了模糊熵，对特征信息的不确定性进行了描述，对缺陷的区分提供了有效的帮助，这样的设计和构造具有良好的稳定性和高效性，对缺陷特征纹理的刻画和特征色差的表征有着突出的作用，能够合理的对不同空间不同程度的缺陷进行精确的评估和分析。
Information Entropy Additive Fuzzy Defect Feature Analysis and Reconstruction Method Based on Infrared Thermal Imaging
【技术实现步骤摘要】
基于红外热成像的信息熵加性模糊缺陷特征分析重构方法
本专利技术属于缺陷检测
，更为具体地讲，涉及一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法。
技术介绍
近年来，红外热成像检测技术得到飞速发展。其不损伤本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，实现大面积快速检测、节省大量人力物力。如果待检测试件表面存在缺陷，则会影响其热量分布。对待检测试件加热，从而产生高温区和低温区，由于温度的差异性，高温区热量通过热传导向低温区传递，导致被测件不同区域温度发生变化，通过红外热像仪采集试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被测件相关信息，实现缺陷的定性与定量检测。传统的缺陷分析方法主要针对于同一空间不同区域的缺陷特征，并且缺陷分布较为明确，通过相应的技术可以清晰的将缺陷进行划分，但对于在航空材料上的缺陷，其分布在不同层的空间中，同时撞击，腐蚀等因素造成不同程度的缺陷分布相互干扰，外界环境也会对缺陷产生影响。所以不同空间的损伤信息会被忽视，从而会对材料的缺陷类型进行了错误的判断。目前，由于外界环境和材料自身属性影响，形成了多种已知缺陷类型，散布坑缺陷，表面裂纹缺陷，内部层裂缺陷，内部剥落缺陷等，这些已知类型缺陷可以作为缺陷评估的建模基础。由于实际的缺陷信息目标在形态和类属方面存在着中介性，没有确定的边界来区分，所以针对不同区域的缺陷，FCM模糊算法被用在对缺陷信息进行归类和处理。但是传统的FCM算法不能完全的的表达每个元素的特征，不同空间不同程度的缺陷信息在处理过程中会丢失很多的有用像素特征，为了解决这类问题，本专利技术提出新的目标函数，包含了赞成度，犹豫度，不仅完善了特征元素的信息，同时处理了不同程度缺陷之间的相互干扰。在另一方面，新的目标函数中还用模糊熵对变量的不确定性进行了描述，使缺陷的相关性更为明确。从而能够对不同空间的缺陷精确的进行去干扰聚类。为了更加准确的判断材料的缺陷情况，本专利技术提出了一种有效的检测方法，不仅能够判断待检测材料表面空间损伤，去除噪声干扰，更重要的是能够更精确的获得内层空间的损伤情况。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，通过改进的模糊算法实现不同空间多个区域的缺陷检测及特征提取。为实现上述专利技术目的，本专利技术一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，其特征在于，包括以下步骤：(1)、待检测视频流预处理(1.1)、将待检测视频流用矩阵块表示为：其中，NI×NJ表示空间信息，NT表示时间信息；(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵Y；Y＝[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))]其中，NIJ＝NI×NJ；(1.3)、根据先验的l种缺陷类型，将待检测视频流改写为：其中，Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行向量，θ＝1,2,…,l，αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量，NC表示待检测视频流中表示特征缺陷的总帧数；(2)、缺陷重构(2.1)、采用奇异值分解算法将改写后的视频流Y分解为：YT＝U∑VT，其中，为左奇异矩阵，为奇异值矩阵，为右奇异矩阵；(2.2)、计算白化矩阵W和混合系数矩阵λ；(2.3)、将重构缺陷用矩阵表示为X＝W×Y；(2.4)、通过牛顿迭代法消除重构缺陷特征之间的相关性：w*＝E{xg(wTx)}-E{xg(wTx)}w其中，x是X的行向量，w为W的行向量，g(·)是对比度函数G的导数，E{·}表示求期望；(2.5)、按照步骤(2.4)所述方法对X的所有行进行处理后，得到重构后的缺陷特征信息矩阵：X*＝W*×Y，(2.6)、对白化矩阵W*进行时域分析，得到不同缺陷特征的实际分布情况，再比较W*中行向量w*的曲线趋势，将w*曲线趋势相近的视为相同缺陷类型，否则视为不同缺陷类型；合并相同缺陷类型的缺陷帧数，构成新的缺陷帧数其中，m＝1,2,…χ，且χ≤l，从而从X*中得到张第m类缺陷类型的重构图像，记为(3)、重构图像的特征提取(3.1)、利用巴特沃兹滤波器对重构图像进行纹理及色差分割；特征色差表示为：其中，ti表示中像素点(ti,tj)的行坐标，tj表示中像素点(ti,tj)的列坐标，D0为阈值；特征纹理表示为：(3.2)、对特征色差进行优化处理；(3.2.1)、设置迭代终止条件ε，迭代次数c，最大迭代次数cm，聚类数目τ，操作系数δ，权重系数b，模糊系数λ，赞成度μj(hi)c，犹豫度ξj(hi)c，聚类中心vjc，目标函数Jc；(3.2.2)、计算第c次迭代时每一类中单个像素点的赞成度μj(hi)c；其中，hi表示特征色差H中第i个像素点的像素值，j≠s；||·||表示求范数；(3.2.3)、计算第c次迭代时每一类的聚类中心vjc；其中，g表示特征色差H中像素点的个数；(3.2.4)、计算第c次迭代时每一类中单个像素点的犹豫度ξj(hi)c；(3.2.5)、计算第c次迭代时的目标函数Jc值；(3.2.6)、第c次迭代结束后，判断是否满足关系式：||Jc-Jc-1||≤ε，如果满足，则进入步骤(3.2.7)，否则迭代停止，跳转进入步骤(3.3)；(3.2.7)、判断当前迭代次数c是否达到设置的最大迭代次数cm，如果c＜cm，则将当前迭代次数c增加1，再返回步骤(3.2.2)；否则，迭代停止，跳转进入步骤(3.3)；(3.3)、根据赞成度最大化准则：Mj＝argmax(μj(hi)c)，找出最大赞成度Mj，Mj表示第j类的像素点的集合；然后根据Mj对特征色差H进行分类，分类完成后将vjc的数值赋值给对应的Mj，得到优化后的特征色差H*；(3.4)、优化的重构特征为为本专利技术的专利技术目的是这样实现的：本专利技术基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，通过重构模型和优化的模糊算法，对不同空间不程度缺陷进行提取和特征分析，使不同空间不同程度的缺陷特征能够精确的进行划分；同时，在优化的模糊算法中，构造新的目标函数，一部分包括赞成度与犹豫度的和，丰富了元素的特征信息，另一部分包含了模糊熵，对特征信息的不确定性进行了描述，对缺陷的区分提供了有效的帮助，这样的设计和构造具有良好的稳定性和高效性，对缺陷特征纹理的刻画和特征色差的表征有着突出的作用，能够合理的对不同空间不同程度的缺陷进行精确的评估和分析。同时，本专利技术基于红外热成像的信息熵加性模糊缺陷特征分析重构方法还具有以下有益效果：(1)、通过对不同空间不同程度的缺陷进行特征模型重构和评估分析，实现了精确的缺陷提取，为进一步对于缺陷模型撞击行为数据库的建立提供了基础理论；(2)、优化的模糊目标函数中，赞成度与犹豫度的和，丰富了特征缺陷的色差信息，对于轮廓的描述更加精确，而指数模糊熵的应用，增强了特征元素不确定性的描述，准确的对特征元素进行了聚类，使缺陷的描述更加完整和精确；(3)、使用巴特沃兹滤波器，将缺陷的特征信息分为特征轮廓和特征色差进行处理，使整体算法过程更加高效。附图说明图1是本专利技术基于红外热成像的信息熵加性模糊缺陷特征分析重构方法流程图；图2是特征色差优化处理流程图；本文档来自技高网...
【技术保护点】
1.一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，其特征在于，包括以下步骤：(1)、待检测视频流预处理(1.1)、将待检测视频流用矩阵块表示为：
【技术特征摘要】
1.一种基于红外热成像的信息熵加性模糊缺陷特征分析重构方法，其特征在于，包括以下步骤：(1)、待检测视频流预处理(1.1)、将待检测视频流用矩阵块表示为：其中，NI×NJ表示空间信息，NT表示时间信息；(1.2)、通过向量算子Vec()将矩阵块转换为二维矩阵Y；Y＝[Vec(Y(1)),Vec(Y(2)),…,Vec(Y(NT))]其中，NIJ＝NI×NJ；(1.3)、根据先验的l种缺陷类型，将待检测视频流改写为：其中，Xθ(tθ)表示待检测视频流中的第tθ帧第θ种缺陷特征行行向量，θ＝1,2,…,l，αθ(tθ)为Xθ(tθ)对应的特征系数矩阵列向量，NC表示待检测视频流中表示特征缺陷的总帧数；(2)、缺陷重构(2.1)、采用奇异值分解算法将改写后的视频流Y分解为：YT＝U∑VT，其中，为左奇异矩阵，为奇异值矩阵，为右奇异矩阵；(2.2)、计算白化矩阵W和混合系数矩阵λ；(2.3)、将重构缺陷用矩阵表示为X＝W×Y；(2.4)、通过牛顿迭代法消除重构缺陷特征之间的相关性：w*＝E{xg(wTx)}-E{xg(wTx)}w其中，x是X的行向量，w为W的行向量，g(·)是对比度函数G的导数，E{·}表示求期望；(2.5)、按照步骤(2.4)所述方法对X的所有行进行处理后，得到重构后的缺陷特征信息矩阵：X*＝W*×Y，(2.6)、对白化矩阵W*进行时域分析，得到不同缺陷特征的实际分布情况，再比较W*中行向量w*的曲线趋势，将w*曲线趋势相近的视为相同缺陷类型，否则视为不同缺陷类型；合并相同缺陷类型的缺陷帧数，构成新的缺陷帧数其中，m＝1,2,…χ，且χ≤l，从而从X*中得到张第m类缺陷类型的重构图像，记为(3)、重构图像的特征提取(3.1)、利用巴特沃兹滤波器对重构图像进行纹理及色差分割；特征色差表示为：其中，ti表示中像素点(ti,tj)的行坐标，tj表示中像素点(ti,tj)的列坐标，D0为阈值；特征纹理表示为：(3.2)、对特征色差进行优化处理；(3.2.1)、设置...
【专利技术属性】
技术研发人员：程玉华，殷春，黄雪刚，张博，张昊楠，薛婷，石安华，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。