小尺寸曲面构件全局缺陷精细定量识别方法技术

本发明专利技术公开了小尺寸曲面构件全局缺陷精细定量识别方法，包括：利用透视变换模型对图像进行拼接，得到完整的红外重构拼接图像，将图像划分为基准图像部分、配准图像部分以及重叠区域部分；对红外重构拼接图像进行缺陷特征区域提取，得到缺陷特征区域；根据缺陷特征区域所处不同位置设计不同的坐标转换算法，获得像素点对应的瞬态热响应曲线，使用欧式距离或动态时间归整算法对缺陷热扩散区域像素点进行统计，进而得到缺陷特征区域对应的像素点个数，完成缺陷定量识别。本发明专利技术提高了图像拼接精度，减小了拼接误差，解决了重叠区域由于透视变换可能使缺陷形态发生畸变导致的重叠部分提取的部分缺陷的像素点个数的不准确问题。分提取的部分缺陷的像素点个数的不准确问题。分提取的部分缺陷的像素点个数的不准确问题。

【技术实现步骤摘要】
小尺寸曲面构件全局缺陷精细定量识别方法


[0001]本专利技术属于损伤识别评估
，更具体地说，本专利技术涉及小尺寸曲面构件全局缺陷精细定量识别方法。

技术介绍

[0002]对于各类航空航天飞行器而言，由于在发射、运行或返回过程中受到各类微小碎片的高速/超高速撞击，使得飞行器表面产生复杂的微小损伤缺陷。考虑到空气动力学因素，航空航天飞行器外形通常都是曲面设计，因此在航空航天表面材料的损伤检测中，需要同时考虑到试件曲率造成的加热不均的影响，根据曲率角度调整红外热像仪和被测试件的相对位置或拍摄角度。调节红外热像仪焦距，并使红外热像仪拍摄角度与曲面切面方向近似垂直，直至其能够完整清晰的拍摄到被测对象标定区域红外图像。利用检测得到的红外图像序列进行重构，可得到局部检测部分对应的局部缺陷特征重构图像。由于损伤的未知性，热像仪在拍摄时都是按照一定的间隔进行拍摄，这样必定会产生重叠区域，因此要想得到完整的全局缺陷区域就必须用到拼接算法。
[0003]对于小尺寸曲面构件来说，热像仪在距离足够近的情况下，可以将局部材料表面近似等价于一个平面，这样能够避免曲面材料在拼接时带来的误拼接问题，但是在进行图像采集的过程中，如果镜头距离材料太近就会导致拍摄面积太小，那么对一个材料就需要进行多次拍摄，效率太低，同时由于表面曲率的影响，采集图像时热像仪角度会发生改变，因此需要使用八个自由度的透视变换模型进行拼接。
[0004]在得到了完整缺陷区域的情况下(缺陷区域初步定量)，需要进一步得到缺陷的准确信息，来判断出损伤的严重程度。由于在拼接过程中需要将配准图片进行变换，这样可能会使两张图片的重合区域产生形变，从而导致区域内的缺陷信息发生改变，因此直接对拼接后的图像进行缺陷信息的提取和量化并不能保证结果的准确性。
[0005]在对材料加热的过程中，损伤缺陷部分和正常无缺陷部分的温度变化信息的有差异的，我们可以利用这种差异性来得到缺陷位置的准确信息。因此，在得到缺陷的大致信息后，通过提出的坐标转换算法将缺陷信息回溯到红外视频流中，得到每个缺陷像素点对应的具有温度变化特征的瞬态热响应曲线，用以判断区域中的像素点是否为真实的缺陷，以此获得缺陷区域的准确大小。

技术实现思路

[0006]本专利技术的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。
[0007]为了实现根据本专利技术的这些目的和其它优点，提供了小尺寸曲面曲面构件全局缺陷精细定量识别方法，包括：首先，利用透视变换模型对图像进行拼接，得到完整的红外重构拼接图像，将图像划分为三个部分：基准图像部分、配准图像部分以及重叠区域部分；然后，对红外重构拼接图像进行缺陷特征区域提取，得到缺陷特征区域；最后，根据缺陷特征
区域所处不同位置设计不同的坐标转换算法，获得像素点对应的瞬态热响应曲线，使用欧式距离或动态时间归整算法对缺陷热扩散区域像素点进行统计，进而得到缺陷特征区域对应的像素点个数，完成缺陷定量识别。
[0008]优选的是，其中，还包括以下步骤：
[0009]步骤S1、确定红外重构拼接图像重叠区域，通过不同的红外视频流重构出不同红外重构图像，通过前一个红外重构图像和后一个红外重构图像之间的相互拼接得到红外重构拼接图像；
[0010]步骤S2、采取改进的区域生长算法来对缺陷进行分割，将灰度阈值设置为生长准则，进行红外重构拼接图像缺陷特征区域提取；
[0011]步骤S3、进行红外重构拼接图像缺陷特征区域(缺陷)定量识别。
[0012]优选的是，其中，所述步骤S1的具体方法包括：将得到的视频流记为V
G
(A
G
，K
G
，T
G
)，其中G＝1，2，...，N表示该视频流为第几个视频流，(A
G
，K
G
)表示拍摄区域的像素点坐标，其中A
G
＝1，2，...，M，K
G
＝1，2，...，N，T
G
＝1，2，3...，T表示视频流拍摄的帧数；通过不同的红外视频流重构出不同红外重构图像I
G
，通过前一个红外重构图像I
G
和后一个红外重构图像I
G+1
之间的相互拼接得到红外重构拼接图像；
[0013]步骤S11、进行红外重构图像拼接，使用的拼接算法的具体步骤包括：
[0014]步骤S111、采用SURF算法提取出检测图像的特征点并加以描述，最后得到匹配的特征点对；
[0015]步骤S112、采用RANSAC算法对得到的特征点对进行去误匹配，剔除误匹配的特征点对，获得最佳透视变换矩阵：
[0016][0017]步骤S113、利用最佳透视变换矩阵对配准图像I
G+1
进行变换：
[0018][0019][0020][0021]其中，变换前后配准图片的像素点点集分别为：I
G+1
(x
G+1_i
y
G+1_j
)，(x
G+1_i
，y
G+1_j
)是原图像素点坐标，是变换后的像素点坐标，w是透视变换尺度参数；用于线性变换，用于透视变换，用于平移；
[0022]步骤S114、将基准图像I
G
与变换后的配准图像进行拼接，得到完整拼接图像I
G
，
其中重叠区域可表示为
[0023]步骤S115、判断是否出现负坐标情况，若出现转步骤S12，若未出现转步骤13；
[0024]步骤S12、进行负坐标转换；对于步骤S114中得到的红外重构拼接图像I
G
来说，由于微小空间碎片的尺寸在0.1mm
‑
1mm，就可能在材料表面形成微小的缺陷，因此图像中的每一个像素点都很重要，要确保得到完整的拼接图像；
[0025]为了解决这个问题，本专利在变换矩阵的基础上提出了改进算法，在提高效率的同时减小了拼接误差，以下是算法步骤：
[0026]步骤S121、初始化变换矩阵输入改进前配准图像坐标点集输入基准图像坐标点集I
G
(x
G_i
y
G_j
)，初始化最小XY轴坐标值，这里人工设置min(x)＝1000，min(y)＝1000，其中设置min(x)＝1000，min(y)＝1000，其中
[0027]步骤S122、初始化i＝1，j＝1；
[0028]步骤S123、如果那么令α
G
＝min(x)，如果那么令β
G
＝min(y)；其中，α
G
，β
G
为变换矩阵的更新系数；
[0029]步骤S124、j＝j+1，如果j＞n，令j＝1，i＝i+1，返回步骤S123，直到i＞m；最后，我们得到更新系数α
G
和β
G
；
[0030]步骤S12本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.小尺寸曲面构件全局缺陷精细定量识别方法，其特征在于，包括：首先，利用透视变换模型对图像进行拼接，得到完整的红外重构拼接图像，将图像划分为三个部分：基准图像部分、配准图像部分以及重叠区域部分；然后，对红外重构拼接图像进行缺陷特征区域提取，得到缺陷特征区域；最后，根据缺陷特征区域所处不同位置设计不同的坐标转换算法，获得像素点对应的瞬态热响应曲线，使用欧式距离或动态时间归整算法对缺陷热扩散区域像素点进行统计，进而得到缺陷特征区域对应的像素点个数，完成缺陷定量识别。2.如权利要求1所述的小尺寸曲面构件全局缺陷精细定量识别方法，其特征在于，还包括以下步骤：步骤S1、确定红外重构拼接图像重叠区域，通过不同的红外视频流重构出不同红外重构图像，通过前一个红外重构图像和后一个红外重构图像之间的相互拼接得到红外重构拼接图像；步骤S2、采取改进的区域生长算法来对缺陷进行分割，将灰度阈值设置为生长准则，进行红外重构拼接图像缺陷特征区域提取；步骤S3、进行红外重构拼接图像缺陷特征区域定量识别。3.如权利要求2所述的小尺寸曲面构件全局缺陷精细定量识别方法，其特征在于，所述步骤S1的具体方法包括：将得到的视频流记为V
G
(A
G
，K
G
，T
G
)，其中G＝1，2，...，N表示该视频流为第几个视频流，(A
G
，K
G
)表示拍摄区域的像素点坐标，其中A
G
＝1，2，...，M，K
G
＝1，2，...，N，T
G
＝1，2，3...，T表示视频流拍摄的帧数；通过不同的红外视频流重构出不同红外重构图像I
G
，通过前一个红外重构图像I
G
和后一个红外重构图像I
G+1
之间的相互拼接得到红外重构拼接图像；步骤S11、进行红外重构图像拼接，使用的拼接算法的具体步骤包括：步骤S111、采用SURF算法提取出检测图像的特征点并加以描述，最后得到匹配的特征点对；步骤S112、采用RANSAC算法对得到的特征点对进行去误匹配，剔除误匹配的特征点对，获得最佳透视变换矩阵：步骤S113、利用最佳透视变换矩阵对配准图像I
G+1
进行变换：进行变换：进行变换：其中，变换前后配准图片的像素点点集分别为：I
G+1
(x
G+1_i
y
G+1_j
)，
(x
G+1_i
，y
G+1_j
)是原图像素点坐标，是变换后的像素点坐标，w是透视变换尺度参数；用于线性变换，用于透视变换，用于平移；步骤S114、将基准图像I
G
与变换后的配准图像进行拼接，得到完整拼接图像I
G
，其中重叠区域可表示为步骤S115、判断是否出现负坐标情况，若出现转步骤S12，若未出现转步骤13；步骤S12、进行负坐标转换；对于步骤S114中得到的红外重构拼接图像I
G
来说，由于微小空间碎片的尺寸在0.1mm
‑
1mm，就可能在材料表面形成微小的缺陷，因此图像中的每一个像素点都很重要，要确保得到完整的拼接图像；为了解决这个问题，本专利在变换矩阵的基础上提出了改进算法，在提高效率的同时减小了拼接误差，以下是算法步骤：步骤S121、初始化变换矩阵输入改进前配准图像坐标点集输入基准图像坐标点集I
G
(x
G_i
y
G_j
)，初始化最小XY轴坐标值，这里人工设置min(x)＝1000，min(y)＝1000，其中设置min(x)＝1000，min(y)＝1000，其中步骤S122、初始化i＝1，j＝1；步骤S123、如果那么令α
G
＝min(x)，如果那么令β
G
＝min(y)；其中，α
G
，β
G
为变换矩阵的更新系数；步骤S124、j＝j+1，如果j＞n，令j＝1，i＝i+1，返回步骤S123，直到i＞m；最后，我们得到更新系数α
G
和β
G
；步骤S125、如果α
G
＜0，则有令可得到可得到否则令α
G
＝0，获得最终更新系数α
G
，保证了X轴坐标值全为正；步骤S126、如果β
G
＜0，则有令可得到可得到否则令β
G
＝0，获得最终更新系数β
G
，保证了Y轴坐标值全为正；
步骤S127、更新变换矩阵，步骤S128、更新配准图像坐标点集其中i＝1，...，m；j＝1，...，n，I
G+1
为原始配准图片；步骤S129、更新基准图片坐标点集其中i＝1，...，m；j＝1，...，n，I
G
原始基准图像；步骤S1210、变换矩阵改进后得到的拼接图像为I
G_new
，其中得到改进后的重叠区域I
G_overlap_new
，其中步骤S13、划分红外重构拼接图像的三个区域，具体方法包括：步骤S131、初始化i＝1，j＝1；步骤S132、判断在当前像素点(i，j)下，基准图片和配准图片的像素值是否为零，若都为非零数值，则该像素点坐标值为交点坐标值，并作为重叠区域部分I
G_overlap_new

【专利技术属性】
技术研发人员：黄雪刚，罗健浩，刘俊杰，殷春，于哲峰，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：