【技术实现步骤摘要】
一种大尺寸试件红外检测特征综合判读方法
[0001]本专利技术属于装备缺陷检测
，更具体地说，本专利技术涉及一种大尺寸试件红外检测特征综合判读方法。
技术介绍
[0002]压力容器在航空航天、能源化工、冶金机械等领域应用非常广泛，比如火箭燃料贮箱、空间站密封舱等，由于其常常用于盛放具有一定压力的易燃易爆的液体或者气体，因此对其进行安全性检测至关重要。压力容器常见的缺陷类型有疲劳裂纹缺陷、焊接缺陷、腐蚀缺陷等，相应的常规检测手段较为成熟。但是，对于内径大于等于2米以上的大型压力容器而言，对其进行快速地、全方位地、细致地缺陷检测是非常困难的。红外热成像检测技术是一种有效的针对大型压力容器损伤缺陷的非接触无损检测方法，它通过控制热激励方法和测量材料表面的温度变化获取材料表面及其亚表面的结构信息，从而达到检测的目的。在获取结构信息时，常常用到红外热像仪记录试件表面或者亚表面随时间变化的温度场信息，并将其转换为热图像序列呈现出来。通过对热图像序列的瞬态热响应进行分析和特征提取，得到能够表征和强化缺陷特性的重构图像，从而实现对缺陷的检测和判读。虽然重构热图像在表征某一类缺陷损伤区域特征时具有良好的可检测性能，但在应用到大尺寸压力容器损伤缺陷检测上时，由于检测条件限制，单次检测并不能同时得到大尺寸压力容器整体的全部缺陷情况。因此，需要对大尺寸压力容器进行分区域的多次红外检测，从而获得全面准确的检测结果。
[0003]本专利技术中，我们在利用BIRCH聚类算法和基于密度的DPC聚类算法分别提高算法聚类效率后，更重要的是...
【技术保护点】
【技术特征摘要】
1.一种大尺寸试件红外检测特征综合判读方法，其特征在于，包括以下步骤：步骤一、对大尺寸试件进行红外检测，获取得到大尺寸试件的红外热图像序列，利用红外特征提取和红外热图像重构算法从多个红外热图像序列中获取大尺寸试件的红外热重构图像；步骤二、对大尺寸试件缺陷区域的红外热重构图像进行图像下采样，得到蕴含较低红外热辐射数据量的下采样红外热图像，基于下采样红外热图像获取下采样热图像的热幅值融合粗权重图；基于下采样热图像和下采样融合粗权重图进行多目标优化导向滤波，获取Pareto最优权重向量；进行多目标导向滤波的滤波输入和滤波输出关系建模；对导向滤波的线性变换参数进行多目标优化问题建模，得到多目标导向滤波线性参数最终的前沿近似解集；利用基于切比雪夫分解法和粒子群的多目标优化方法，对多目标优化问题进行优化；基于加权隶属度方案从最优Pareto最优解集中选出拥有最大加权隶属度的导向滤波线性变换系数折衷解，记录对应的最优权重向量组，这样就得到了综合多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层；步骤三、基于多目标最优权重配比参数，在原红外重构热图像层面进行多目标导向滤波融合算法；对大尺寸撞击试件中缺陷区域红外热重构图像分解成基础层红外热图像和细节层红外热图像；计算得到初始的红外热辐射粗融合权重图；获取原红外重构热图像层面的多目标导向滤波最优滤波算子；利用多目标优化得到的最优导向滤波算子对得到的红外检测区域红外热重构图像的红外热幅值融合粗权重图进行多目标导向滤波，以得到修正后的基础层和细节层的红外热幅值融合权重图像；最后将精修后的热幅值融合权重图经过归一化处理；基于得到的精修后的细节层热幅值融合权重图和基础层热幅值融合权重图，将大尺寸试件典型类型缺陷红外热重构图像间的细节层红外热图像信息和基础层红外热图像信息进行融合，得到融合了多张多检测区域红外热重构图像有效信息的基础层红外热图像和细节层红外热图像，最后结合加权平均后的基础层热图像和细节层热图像得到最终融合检测红外热图像。2.如权利要求1所述的大尺寸试件红外检测特征综合判读方法，其特征在于，所述步骤一利用红外特征提取和红外热图像重构算法从红外热图像序列中获取红外重构热图像的具体步骤包括：步骤S11、对由红外热像仪获取到的热图像序列S中，提取各瞬态热响应的特征信息并构成特征矩阵Fe；其中，S(i,j,t)表示热图像序列的t帧热图像的第i行、第j列的像素值，t＝1,...,T，T为总帧数，i＝1,...,I，I为总行数，j＝1,...,J，J为总列数；Fe(i,j,f)表示特征矩阵的第i行、第j列的坐标位置对应的第f(f＝1,
…
,6)个特征信息；其中第一个特征信息为热幅值峰值，即Fe(i,j,1)＝max(S(i,j,:))，S(i,j,:)表示第i行、第j列的坐标位置上在整个T帧过程中的温度变化情况；第二个特征信息为热幅值均值，即第3个特征信息为变异系数，即第4个特征信息为上
升速率，即其中t
max
表示热辐射峰值对应的帧数；第5个特征信息为下降速率，即第6个特征信息为热辐射峰度，表征瞬态热响应曲线尖峰或平坦，即最终得到热图像序列S的特征矩阵Fe；步骤S12、利用BIRCH聚类算法将特征矩阵Fe自适应聚类成|C|类；构建三元组聚类特征CF，CF＝{N,LS,SS}，其中，N是该节点拥有的样本点数量，LS是该节点中拥有的样本点各特征维度的和向量，SS表示这个节点中拥有的样本点各特征维度的平方和；基于CF生成聚类特征树，定义内部节点的最大CF数B，叶子节点的最大CF数L，叶节点每个CF的最大样本半径阈值T；从根节点不断寻找满足在超球体半径阈值T内的聚类特征，在叶节点数小于L的情况下创建新的叶节点并放入满足条件的新样本；判断检查并分裂叶节点，最终得到聚类特征树；对聚类特征树进行筛选，去除异常的CF节点；使用全局聚类算法对全部叶节点进行聚类修补聚类特征树；将全局聚类中心点作为种子，将数据点重新分配到最近的种子上，保证重复数据分到同一个簇中，同时添加簇标签；基于对特征矩阵数据聚类的结果，将聚类簇标签同步到原始热图像序列中的各个瞬态热响应形成聚类Cluster[h],h＝1,2,...,|Num_Cluster|，其中h表示类别标签，|Num_Cluster|表示类别总数；步骤S13、分别从不同聚类中提取典型特征瞬态热响应并基于它们重构热图像；计算聚类结果中每个类别的聚类中心作为各类缺陷的典型特征瞬态热响应：其中为第h个聚类结果Cluster[h],h＝1,...,|Num_Cluster|的第k个代表瞬态热响应，Cluster[h]为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的典型瞬态热响应组成矩阵Y；利用矩阵Y和S的信息进行红外热图像重构，将S的每一帧图像按列提取成一个列向量并按时间顺序排列构成I
×
J行、T列二维图像矩阵O，基于下列变换公式得到重构矩阵R：其中，为|Num_Cluster|
×
T矩阵，是矩阵Y的伪逆矩阵，O
T
是二维图像矩阵O的转置矩阵，得到的重构矩阵R为|Num_Cluster|行、I
×
J列；截取重构矩阵R的每一行，构成一张I
×
J二维图像，得到|Num_Cluster|张I
×
J二维图像，这些图片即为包含了不同热响应区域特征信息的红外重构热图像，将其中的非缺陷背景区域重构热图像记为
B
R，将所有类别特征瞬态热响应对应的重构热图像记为
i
R，i＝1,...,|Num_Cluster|；其中，除开无缺陷损伤的背景区域热图像以外，每一张红外重构热图像包含了复杂类型缺陷其中一类缺陷的特征热重构信息。
3.如权利要求1所述的大尺寸试件红外检测特征综合判读方法，其特征在于，所述步骤一对大尺寸试件进行多次红外检测，获取得到大尺寸试件的多个热图像序列，利用红外特征提取和红外热图像重构算法从多个热图像序列中获取大尺寸试件的多张重构红外热图像，具体方法包括：步骤S11、将从红外热像仪获取的多个热图像序列用三维矩阵集{S1,...,S
i
,...,S
|C|
}表示，其中S
i
表示第i次红外检测中红外热像仪所得到的热图像序列，|C|表示总的热图像序列数；S
i
(m,n,t)表示第i个热图像序列中的第t帧热图像的第m行、第n列坐标位置上的温度值，其中t＝1,...,T，T为总帧数，m＝1,...,M，M为总行数，n＝1,...,N，N为总列数；步骤S12、对于第i个热图像序列S
i
，利用基于分块变步长的瞬态热响应数据提取算法，提取出第i个热图像序列S
i
中有价值的瞬态热响应数据集X
i
(g)；通过阈值将第i个热图像序列S
i
分解成K个不同的数据块
k
S
i
(m',n',t)其中k表示第i个热图像序列S
i
中的第k个子数据块，m'、n'、t分别表示第k个子数据块的第m'行、第n'列、第t帧的坐标位置上的温度值，然后根据不同数据块内的温度变化特征，定义第i个热图像序列S
i
中第k个数据块内的搜索行步长
k
RSS
i
和列步长
k
CSS
i
；基于不同数据块内的不同搜索步长，k＝1,...,K，比较数据点之间的相关系数，搜索到一系列相关系数大于阈值THC
cr
的瞬态热响应并加入第i个热图像序列S
i
中的瞬态热响应数据集X
i
(g)；步骤S13、利用基于密度峰值的DPC聚类算法将第i个热图像序列S
i
的瞬态热响应集X
i
(g)中的瞬态热响应自适应聚类；先任意计算两个瞬态热响应样本间的距离；根据截断距离计算出各个瞬态热响应样本的局部密度ρ
i
；计算每个瞬态热响应样本到局部密度比它大且距离最近的瞬态热响应样本点的距离δ
i
；利用ρ
i
和δ
i
画出决策图，将ρ
i
和δ
i
都相对较高的点标记为簇中心，ρ
i
相对较低但是δ
i
相对较高的点标记为噪声；将剩余瞬态热响应样本点分配到它的最近邻且密度比其大的样本点所在的簇得到最终的瞬态热响应簇划分，将热图像序列S
i
的瞬态热响应集X
i
(g)自适应聚类形成聚类集合其中h表示缺陷类别标签，H表示当前红外检测区域中所存在的复杂类型缺陷的类别总数；步骤S14、分别从不同聚类中提取第i次检测区域中各类复杂缺陷的代表性特征瞬态热响应并基于它们重构热图像；计算聚类结果中每个类别的聚类中心作为各类缺陷的代表性特征瞬态热响应：其中为第h个聚类结果
X(g)
Cluster[h],h＝1,
…
,H中的第k个瞬态热响应，|
X(g)
Cluster[h]|为第h个聚类结果中所包含的瞬态热响应总数，用各个类别缺陷的代表性瞬态热响应组成矩阵Y
i
；利用矩阵Y
i
和S
i
的信息进行红外热图像重构，将第i个热图像序列S
i
的每一帧图像按列提取成一个列向量并按时间顺序排列构成M
×
N行、T列的二维图像矩阵O
i
，基于下列变换公式得到第i次检测的热幅值重构矩阵R
i
：其中，为H
×
T矩阵，是代表性瞬态热响应矩阵Y
i
的伪逆矩阵，(O
i
)
T
是二维图像矩阵O
i
的转置矩阵，得到的重构矩阵为H行、M
×
N列，截取重构矩阵R
i
的每一行，构成一张M
×
N二维图像，得到H张M
×
N二维图像，这些图片即为包含了第i次红外检测所得到的热图像序列中不同热响应区域特征信息的重构热图像，将其中的非缺陷背景区域重构热图像记为
B
R，将各个类别缺陷区域对应的重构热图像记为
h
R，h＝1,...,H
‑
1，其中，除开无缺陷损伤的背景区域热图像以外，每一张重构热图像包含了当前检测区域中的复杂类型缺陷其中一类缺陷的特征热重构信息，将第i次红外检测中得到的所检测区域中的典型类型缺陷重构热图像记为
Def.(i)
R；步骤S15、若i＜|C|，则i+1并重复步骤S12～步骤S14，直到从多次检测得到的多个热图像序列中都分别得到了当前次所检测区域中的所有类型缺陷重构热图像，然后计算当前区域中所有类型缺陷重构热图像的PSNR值，基于峰值信噪比PSNR最大原则选取各个检测区域中的典型类型缺陷重构热图像，即获得了大尺寸试件的每个检测区域中的典型类型缺陷重构热图像集{
Def.(1)
R,
…
,
Def.(i)
R,
…
,
Def.(|C|)
R}，其中
Def.(i)
R表示第i个热图像序列中所检测区域的典型类型缺陷重构热图像，i＝1,...,|C|。4.如权利要求2所述的大尺寸试件红外检测特征综合判读方法，其特征在于，所述步骤二对除开背景区域热图像以外的(|C|
‑
1)张红外重构图像{1R,
…
,
i
R,
…
,
|C|
‑1R}中每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像{1R
down
…
,
i
R
down
,
…
,
|C|
‑1R
down
}，下采样热图像的大小尺寸为I'
×
J',并基于下采样热图像执行如下的多目标导向滤波权重获取层步骤，具体方法包括：步骤S21、基于下采样红外热图像
i
R
down
获取下采样热图像中热幅值融合粗权重图
i
P
down
：
i
H
down
＝
i
R
down
*L
i
S
down
＝|
i
H
down
|*GF其中，L是拉普拉斯滤波器；|
i
H
down
|为高通热图像的绝对值，GF是一个高斯低通滤波器；基于下列公式得到下采样热图像中热幅值融合粗权重图
i
P
down
：其中，为下采样粗权重图
i
P
down
的各个位置坐标的热幅值融合权重值，
i
P
kdown
为
i
P
down
的第k个坐标点的热幅值融合权重值，k＝1,...,I
′×
J
′
，是热幅值显著性特征图
i
S
down
中第k个坐标点对应的辐射显著性水平值，k＝1,...,I
′×
J
′
；步骤S22、基于下采样热图像{1R
down
…
,
i
R
down
,
…
,
|Num_Cluster|
‑1R
down
}和下采样融合粗权重图{1P
down
…
,
i
P
down
,
…
,
|Num_Cluster|
‑1P
down
}进行多目标优化导向滤波，获取Pareto最优权重向量，具体方法为：步骤S221、多目标导向滤波的滤波输入和滤波输出关系建模：以红外下采样热图像
i
R
down
为引导图像，以下采样热幅值融合粗权重图
i
P
down
为输入图像，进行多目标导向滤波；在多目标导向滤波时，定义导向滤波窗w
k
为引导图像，也就是下采样红外热图像
i
R
down
中的以第k个坐标点为中心的局部矩形窗口，k＝1,...,I
′×
J
′
，其大小尺寸为(2r+1)
×
(2r+1)，则多目标导向滤波的输入输出关系为：
其中，表示以红外下采样热图像
i
R
down
为引导图像，以下采样热幅值融合粗权重图
i
P
down
为输入图像进行多目标引导滤波得到的下采样输出图像
i
O
down
的第n个坐标点对应的导向滤波输出值，n＝1,...,I
′×
J
′
；为
i
R
down
的第n个坐标点对应的下采样重构图像热幅值，n＝1,...,I
′×
J
′
；a
k
和b
k
表示以为中心的导向滤波窗w
k
内的线性变换参数，k＝1,...,I
′×
J
′
；步骤S222、为了获取各个重构热图像各个坐标对应的热幅值的融合最优权重值，对导向滤波的线性变换参数a
k
和b
k
的进行多目标优化问题建模，具体方法为：步骤S2221、基于下采样热幅值融合粗权重图
i
P
down
和红外下采样热图像
i
R
down
，定义各个坐标点位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数位置上的红外大型尺寸缺陷边缘特征感知加权导向滤波代价函数其中，和为由大尺寸缺陷感知滤波代价函数决定的最优线性变换系数；为权重图
i
P
down
的第n个坐标点对应的热辐射融合权重值；ε为正则化因子；是边缘感知权重因子，其定义如下：其中，表示下采样红外热图像
i
R
down
中，以坐标点为中心的3
×
3窗口中的各坐标点对应的热辐射值的方差，ζ是一个非常小的常量，其大小为(0.001
×
DR(
i
P
down
))2，DR(
·
)为图像的动态范围，通过最小化代价函数得到如下的最优线性变换系数的表达式：函数得到如下的最优线性变换系数的表达式：其中，表示表示下采样红外热图像
i
R
down
和下采样热幅值融合粗权重图
i
P
down
的哈达马积在矩形窗w
k
内的各坐标点对应的热幅值均值，是矩阵的哈达马积，和分别表示下采样红外热图像
i
R
down
和下采样融合粗权重图
i
P
down
在矩形窗w
k
内的均值，表示采样红外热图像
i
R
down
在矩形窗w
k
内的各坐标点对应的热幅值方差；步骤S2222、基于下采样热幅值融合粗权重图
i
P
down
和红外下采样热图像
i
R
down
，定义各个坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数坐标点位置上的梯度域红外细小尺寸缺陷细节纹理导向滤波代价函数
其中，和为由梯度域细微缺陷细节纹理导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；ν
k
为调整a
k
的因子；为梯度域多窗口边缘感知权重，其定义如下：下：表示下采样红外热图像
i
R
down
中，以坐标点为中心的导向滤波窗w
k
内的各坐标点对应的热幅值标准差，ν
k
的定义如下：其中，η为表示下采样红外热图像
i
R
down
中，以坐标点为中心的3
×
3窗口中的各坐标点对应的热幅值标准差，表示下采样红外热图像
i
R
down
中，以坐标点为中心的导向滤波矩形窗w
n
内的各坐标点对应的热幅值标准差，n∈I
×
J；通过最小化梯度域导向滤波代价函数得到和的计算公式为：的计算公式为：其中，表示表示下采样红外热图像
i
R
down
和下采样热幅值融合粗权重图
i
P
down
的哈达马积在矩形窗w
k
内的各坐标点对应的热幅值均值，ν
k
为调整a
k
的因子；步骤S2223、基于下采样热幅值融合粗权重图
i
P
down
和红外下采样热图像
i
R
down
，定义局部LoG算子空间噪声消除导向滤波代价函数LoG算子空间噪声消除导向滤波代价函数其中，和为由局部LoG算子空间噪声导向滤波代价函数决定的最优线性变换系数；ε为正则化因子；为局部LoG边缘权重因子，其定义如下：其中，LoG(
·
)为高斯拉普拉斯边缘检测算子，I'
×
J'为红外下采样热图像总的坐标点
数，|
·
|为取绝对值操作，δ
LoG
为LoG图像最大值的0.1倍；通过最小化梯度域导向滤波代价函数得到和的计算公式为：的计算公式为：其中和分别表示红外下采样热图像
i
R
down
和下采样粗权重图
i
P
down
在矩形窗w
k
内的各坐标点对应的热幅值均值；步骤S2224、同时优化3个代价函数，建立以下多目标优化问题：Minimize F(a
k
')＝[
Inf.Sig
E1(a
k
'),
Inf.Min
E2(a
k
'),
Inf.Noi
E3(a
k
')]
T
其中，a
k
'为第k个导向滤波窗w
k
中的线性变换系数，
Inf.Sig
E1(a
k
')为具有明显梯度变化的红外热图像大尺寸缺陷边缘保留融合代价函数，
Inf.Min
E2(a
′
k
)为尺寸大小和梯度变化不明显的红外热图像微小缺陷细节纹理保留融合代价函数，E3(a
k
')为红外热图像噪声信息感知和消除代价函数；步骤S223、利用基于切比雪夫分解法和粒子群的多目标优化方法，对上述多目标优化问题进行优化，具体方法包括：步骤S2231、初始化多目标优化相关参数，初始化迭代次数g'＝0，一组均匀分布的权重向量其中，L＝3为同时考虑的导向滤波代价函数总数，初始化导向滤波线性变换系数的Pareto最优参考点
i
r＝{
i
r1,...,
i
r3}，是第l个导向滤波代价函数E
l
(a
k
')对应的参考点；
i
AP(0)＝Φ；最大迭代次数g'
max
；初始化第n个导向滤波线性变换系数种群个体粒子群相关参数；步骤S2232、利用利用切比雪夫分解法将原始多目标问题分解成一系列的标量子目标问题：步骤S2233、对n＝1,...,N
P
：按照粒子群算法比较和更新速度，局部最优和全局最优解，利用对应于各个权重向量的方向向量指导各个种群解的进化方向，保留非支配导向滤波线性变换系数解集；同时n＝n+1，若n≤N
P
，则g'＝g'+1；步骤S2234、进化终止判断：若g'≤g'
max
，则重复步骤S2233，若g
′
＞g
′
max
，则得到多目标
导向滤波线性参数最终的前沿近似解集
i
AP；步骤S224、基于加权隶属度方案从最优Pareto最优解集
i
AP中选出拥有最大加权隶属度的导向滤波线性变换系数折衷解，记录它对应的最优权重向量组这样，就得到了综合多种导向滤波器的最优权重配比，接下来将最优权重参数传递到原始红外热图像融合层。5.如权利要求3所述的大尺寸试件红外检测特征综合判读方法，其特征在于，所述步骤二对大尺寸撞击试件中的每一个检测区域中的一共|C|张典型类型缺陷红外重构图像{
Def.(1)
R,
…
,
Def.(i)
R,
…
,
Def.(|C|)
R}中每一张进行图像下采样，得到蕴含较低红外热辐射数据量的下采样热图像{
Def.(1)
R
down
,
…
,
Def.(i)
R
down
,
…
,
Def.(C)
R
down
}，下采样热图像的大小尺寸为M'
×
N',并基于下采样热图像执行如下的多目标导向滤波权重获取层步...
【专利技术属性】
技术研发人员：黄雪刚，谭旭彤，殷春，雷光钰，姜林，罗庆，石安华，
申请(专利权)人：中国空气动力研究与发展中心超高速空气动力研究所，
类型：发明
国别省市：
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。