一种基于多传感融合的检测缺陷图像融合方法技术

本发明专利技术公开了一种基于多传感融合的检测缺陷图像融合方法。该方法步骤包括：用FDST将检测图像分解为低、高频子代系数；用MSSTO提取低频子代系数中图像细节亮、暗信息；将亮、暗信息并入融合后的低频系数中，获取低频融合系数；用改进的空间频率MSF提取检测图像在垂直、水平和对角方向的梯度能量，计算高频子代系数的MSF值，作为PCNN的外部激励；用PCNN法获取高频融合系数；用FDST逆变换重构出多传感缺陷检测融合图像。本发明专利技术方法能有效提升缺陷检测对比度和信息丰富性，改善边缘轮廓和纹理信息的显示，有效地保留并融合源图像中主要信息，对于激光增材制造多传感视觉检测系统中的缺陷信息融合与表征分析有重要意义。信息融合与表征分析有重要意义。信息融合与表征分析有重要意义。

【技术实现步骤摘要】
一种基于多传感融合的检测缺陷图像融合方法


[0001]本专利技术属于激光增材制造缺陷检测
，具体涉及一种基于多传感融合的检测缺陷图像融合方法。

技术介绍

[0002]激光增材制造技术是一种成熟的加工技术，其加工过程主要包括材料供应、准备、加工和后处理。在激光增材制造过程中，零件的三维模型被切割成薄层，粉末层通过重涂机制被铺展到粉末床和粉末储存器内，加工系统利用高功率密度激光进行逐层扫描来选择性地熔化金属粉末，可加工复杂三维结构，并有效地进行原位合金化处理。具有高斯能量分布的激光光斑与粉末相互作用，粉末颗粒瞬时熔融和凝固，产生了许多复杂的非平衡化学与物理冶金过程，涉及到流体流动、动量、质量和传热等。迄今为止，利用激光增材制造技术成功实现了各类合金与金属的加工，主要包括铝合金、不锈钢、镍基高温合金和钛合金等。在激光增材制造工艺过程中，影响零件质量的因素有很多，包括粉末尺寸、激光功率、扫描速度等，参数控制不当将导致缺陷产生并严重恶化零件的物理和机械性能。然而，增材制造在生产加工的过程中仍存在较大的局限性，其原因主要有两个：质量和可重复性，这可能受到增材制造工艺中某些缺陷(如裂纹、球化)的严重影响。
[0003]为了解决这个问题，国内外学者对增材制造缺陷检测技术进行了大量研究，以提高零件的加工质量，其中出现了一系列由多个传感器组成的检测系统，即多传感检测系统，基于多传感监测光、声、热等信号，可为激光增材制造工艺过程中的缺陷检测和表征提供更全面、可靠、准确的信息。然而，在利用多传感视觉检测系统对激光增材制造工件缺陷进行实际检测和表征的过程中，由于检测环境的变化等不确定性因素，容易导致图像传感器采集到的检测图像质量不佳，难以分辨缺陷细节特征。但是，仅通过提升硬件的方法来实现图像质量的提高不仅难度大、周期长，而且成本高。

技术实现思路

[0004]为了克服现有技术的缺点与不足，本专利技术的目的在于提供一种基于多传感融合的检测缺陷图像融合方法，其能够有效提升缺陷检测图像对比度和信息丰富性，改善图像边缘缺陷轮廓和纹理信息，有效地保留并融合源图像中的主要信息，为缺陷特征提取与表征分析提供技术保障。
[0005]本专利技术提供的一种基于多传感融合的检测缺陷图像融合方法，所述缺陷检测图像融合方法主要应用于激光增材制造领域的工件缺陷检测，包括以下步骤：
[0006](一)采用有限离散剪切波变换(FDST)将缺陷检测图像A和图像B分别分解为低频子带系数和高频子带系数；
[0007](二)在所述FDST变换域，采用多尺度形态学翻转算子(MSSTO)分别提取图像A和图像B低频子带系数中的图像细节亮信息和暗信息；
[0008](三)将经多尺度形态学翻转算子MSSTO提取的图像亮信息和暗信息并入图像A和
图像B的低频子代系数进行融合，得到低频融合系数；
[0009]将经所述MSSTO提取的图像亮信息和暗信息并入融合后的低频系数中，得到低频融合系数；
[0010](四)在所述FDST变换域，采用改进的空间频率(MSF)提取图像在垂直、水平和对角方向的梯度能量，计算所述高频子带系数的MSF值，并作为脉冲耦合神经网络(PCNN)的外部激励；
[0011](五)利用所述PCNN方法获取高频融合系数；
[0012](六)利用有限离散剪切波变换FDST的逆变换，从低频融合系数和高频融合系数中重构出最终的融合图像。
[0013]利用所述FDST的逆变换，从融合后的所述低频子带融合系数和高频子带融合系数中重构出最终的融合图像。
[0014]本专利技术中，步骤(三)中，所述缺陷检测图像的低频子代系数融合策略表示为：
[0015][0016]其中，为图像A在位置(i,j)处的低频子带融合系数，为图像B在位置(i,j)处的低频子带融合系数，为融合图像在位置(i,j)处的低频子带融合系数，γ和ε是用于提升融合缺陷检测图像对比度的低频子带融合权值系数，其取值范围是[0,4]；MBF(i,j)是亮融合信息，MDF(i,j)是暗融合信息。
[0017]本专利技术中，步骤(四)中，所述高频子带系数融合策略是计算所述高频子带系数的MSF值，作为所述PCNN的外部激励。所述MSF值表示为：
[0018][0019]其中，CF为缺陷检测图像垂直方向的梯度能量，RF为水平方向的梯度能量，H和J为对角线方向的梯度能量。；
[0020]本专利技术中，提取检测图像MSF值的方法相比于传统的空间频率方法多计算了两个图像对角线方向的梯度能量，能够提取出更为丰富的图像信息，更适用于缺陷检测。
[0021]本专利技术中，图像A、图像B独立的选自可见光图像、红外图像或偏振图像中的任一种。图像A和图像B融合处理后可再与另一种独立的检测图像进行融合。
[0022]本专利技术中，利用平均梯度(AG)、信息熵(E)、空间频率(SF)、边缘强度(EI)、标准差(SD)、峰值信噪比(PSNR)和结构相似度(SSIM)来评价所述缺陷检测融合图像的性能。
[0023]与现有技术相比，本专利技术具有以下优点和有益效果：
[0024](1)本专利技术方法主要应用于激光增材制造领域的工件缺陷检测，利用有限离散剪切波变换(FDST)对检测图像进行多尺度分解，相比于传统的方法可获取更多的方向选择性以及更快的计算速度；利用多尺度形态学翻转算子(MSSTO)提取缺陷检测图像的亮、暗特征，然后和检测源图像融合，能够有效提升检测图像缺陷区域对比度。
[0025](2)本专利技术方法中脉冲耦合神经网络(PCNN)能够充分利用缺陷检测图像的局部像素信息，能够克服传统高频系数融合方法的不足，便于设计融合规则和确定融合系数；提取检测图像MSF值的方法相比于传统的空间频率方法能够提取出更为丰富的图像信息，更适用于缺陷检测。
[0026](3)本专利技术方法能够有效提升缺陷检测图像对比度和信息丰富性，改善检测图像缺陷边缘轮廓和纹理信息，有效地保留并融合源图像中的主要信息，对于激光增材制造多传感视觉检测系统中的缺陷信息融合与表征分析具有重要意义。
附图说明
[0027]图1为本专利技术的一种基于多传感融合的检测缺陷图像融合方法示意图。
[0028]图2为本专利技术实施例中的不同图像融合算法下的融合对比结果的示意图。
[0029]图3为本专利技术实施例中的不同图像融合算法下客观评价指标对比的示意图。
具体实施方式
[0030]下面结合实施例及附图，对本专利技术作进一步地详细说明，但本专利技术的实施方式不限于此。
[0031]实施例，如图1所示，一种基于多传感融合的检测缺陷图像融合方法，主要应用于激光增材制造领域的工件缺陷检测，包括六个基本步骤：
[0032](一)采用有限离散剪切波变换(FDST)将缺陷检测图像A和图像B分别分解为低频子带系数和高频子带系数；
[0033](二)在FDST变换域，采用多尺度形态学翻转算子(MSSTO)分别提取图像A和图像B低频子带系数中的图像细节亮信息和暗信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感融合的检测缺陷图像融合方法，其特征在于，所述缺陷检测图像融合方法主要应用于激光增材制造领域的工件缺陷检测，包括以下步骤：(一)采用有限离散剪切波变换FDST将缺陷检测图像A和图像B分别分解为低频子带系数和高频子带系数；(二)在有限离散剪切波变换FDST变换域，采用多尺度形态学翻转算子MSSTO分别提取图像A和图像B低频子带系数中的图像细节亮信息和暗信息；(三)将经多尺度形态学翻转算子MSSTO提取的图像亮信息和暗信息并入图像A和图像B的低频子代系数进行融合，得到低频融合系数；(四)在有限离散剪切波变换FDST变换域，采用改进的空间频率MSF提取图像在垂直、水平和对角方向的梯度能量，计算高频子带系数的MSF值，并作为脉冲耦合神经网络PCNN的外部激励；(五)利用脉冲耦合神经网络PCNN方法获取高频融合系数；(六)利用有限离散剪切波变换FDST的逆变换，从低频融合系数和高频融合系数中重构出最终的融合图像。2.根据权利要求1所述的基于多传感融合的检测缺陷图像融合方法...

【专利技术属性】
技术研发人员：孔令豹，彭星，
申请(专利权)人：复旦大学，
类型：发明
国别省市：