【技术实现步骤摘要】
一种基于特征点优化提取的损伤温度重构图像拼接方法
[0001]本专利技术属于缺陷检测
,更为具体地讲,涉及一种基于特征点优化提取的损伤温度重构图像拼接方法。
技术介绍
[0002]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的劳动强度大、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。
[0003]如果待检测试件表面存在损伤,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,导致被测试件的不同区域温度发生变化,通过红外热像仪采集被测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,来获取被测试件相关信息,实现损伤的定性与定量检测。
[0004]高压容器的制造过程需要多个行业专业技术和各个学科知识的配合,包括:冶金、机械加工、化工、腐蚀防护和检测等。随着各个行业的进步,尤其是计算机技术的飞速发展所带动的冶金,机械加工和无损检测等技术的发展,使得高压容器的制造技术得到了飞跃的进步。但是高压容器作为存储、输送压缩空气的特殊设备,容易产生疲劳裂纹、腐蚀凹坑等缺陷,可能造成气体泄漏,设备断裂等危害事故。
[0005]高压容器的体积庞大,红外热像仪无法一次性检测到高压容器全部表面来进行分析,因此需要对获得的图像进行拼接融合处理,以此来进行针对缺陷处的检测和评估。同时因拍摄角度和环境亮度等其他因素的干扰,容易对图像配准过程产生干扰,影响配准的准 ...
【技术保护点】
【技术特征摘要】
1.一种基于特征点优化提取的损伤温度重构图像拼接方法,其特征在于,包括以下步骤:(1)获取子区域损伤温度重构图像对高压容器的一个大范围检测区域,由红外热像仪拍摄多个含重叠区域的红外视频流;对每个获得的视频流进行采样得到一个红外图像序列,并将其视为输入的盲源信号,利用独立成分分析法(ICA算法)进行信号分离,获得突出各个缺陷信息的损伤温度重构图像;这样得到该大范围检测区域的各个子区域的损伤温度重构图像;(2)、特征点检测、描述以及降维对包含重叠区域的子区域的损伤温度重构图像I1、I2,采用SIFT特征点检测算法进行特征点检测,得到特征点;然后构建特征点的特征描述,得到各个特征点的损伤温度特征向量;再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维,这样得到损伤温度重构图像I1的所有特征点的特征向量x
m
(维度为64维)构成特征向量集合以及对应特征点在损伤温度重构图像中的坐标位置集合M为损伤温度重构图像I1检测到的特征点数量,j
m
、k
m
分别表示I1第m个特征点的横坐标和纵坐标。损伤温度重构图像I2的所有特征点的特征向量y
n
(维度为64维)构成特征向量集合以及对应特征点在重构图像中的坐标位置集合N为损伤温度重构图像I2检测到的特征点数量,p
n
、q
n
分别表示I2第n个特征点的横坐标和纵坐标;(3)、粗匹配对于损伤温度重构图像I1的特征向量集合的特征向量x
m
,计算其与损伤温度重构图像I2的特征向量集合中所有特征向量y
n
的向量夹角的余弦值d
m1
,d
m2
,....,d
mN
,然后,在余弦值d
m1
,d
m2
,....,d
mN
找到最大值d
me
与次大值d
mo
,当:则认为特征向量x
m
与特征向量y
e
相互匹配,为一粗匹配点对,其中,d
threshold
为设定的阈值,根据具体情况设定,这样得到粗匹配点对集合其中,x
′
t
,y
′
t
为第t对粗匹配点对,T为粗匹配点(特征向量)对的个数;(4)、剔除误匹配点对4.1)、构建衡量粗匹配点对集合中粗匹配点对相似程度的偏差向量V
t
:其中,x
′
t
(l)和y
′
t
(l)分别为粗匹配集合中第t对粗匹配点对的第l维;4.2)、采用GAN(Generative Adversarial Networks,生成式对抗网络)获取RBF(Radial Basis Function,径向基函数)神经网络训练数据
4.2.1)、设置生成式对抗网络结构生成式对抗网络包括生成模型G和判别模型D,其中:生成模型G基于输入的服从高斯分布的随机噪声向量z
u
(维数为100),u=1,2,...,U,U为随机噪声向量个数,通过依据两幅已知匹配点的损伤温度重构图像I
′1、I
′2构建的偏差向量V
′
s
的数据分布生成RBF神经网络训练数据集其中,s=1,2,
…
,S,S为损伤温度重构图像I
′1、I
′2的匹配点对的个数,的匹配点对的个数,为第r个训练数据,R为生成的训练数据总数,生成模型G设置为3层全连接神经网络,输入层神经元个数g1为100,与随机噪声向量z
u
维数一致,隐含层神经元个数g2为512,输出层神经元个数g3为64,与偏差向量V
t
维数一致,输出层数据为生成模型G生成数据判别模型D的输入数据为依据两幅已知匹配点的损伤温度重构图像I
′1、I
′2构建的偏差向量V
′
s
和生成模型G生成数据其目的为尽可能正确判断输入数据是来自于真实数据偏差向量V
t
还是来自生成数据判别模型D设置为3层全连接神经网络,输入层神经元个数a1为64,与偏差向量V
′
s
和生成数据维数一致,隐含层神经元个数a2为512,输出层神经元个数a1为1,输出层数据为判别模型D对输入数据真伪的概率判断(0到1之间);4.2.2)、训练生成式对抗网络设置生成模型G最大迭代训练次数iter,初始化生成模型参数GW(生成模型各层神经元权值)和DW(判别模型各层神经元权值);4.2.2.1)、从S个偏差向量V
′
s
中采样C个样本V
c
,c=1,2,
…
,C,从U个噪声向量z
u
中采样C个样本z
c
,c=1,2,
…
,C;4.2.2.2)、固定生成模型G参数GW,C个样本z<...
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。