《基于热图时序特征的红外无损检测方法.pdf》由会员分享，可在线阅读，更多相关《基于热图时序特征的红外无损检测方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 103439342 A (43)申请公布日 2013.12.11 CN 103439342 A *CN103439342A* (21)申请号 201310422628.6 (22)申请日 2013.09.17 G01N 21/88(2006.01) (71)申请人 华东交通大学 地址 330013 江西省南昌市双港东大街 808 号 (72)发明人 周建民 李鹏 符正晴 蔡莉 胡林海 尹洪妍 (74)专利代理机构 南昌新天下专利商标代理有 限公司 36115 代理人 施秀瑾 (54) 发明名称 基于热图时序特征的红外无损检测方法 (57) 摘要 本发明公开了一种基于热。
2、图时序特征的红外 无损检测方法， 是基于热图时序特征和 PNN， 提出 了一种以像素为单位， 实现缺陷红外无损检测的 新方法。研究首先采用红外热像仪获取加热试 件在降温过程中的红外时序热图 ； 其次， 提取时 序热图中正常和异常区域的灰度值， 建立不同区 域的灰度值与时间的关系， 进而获得相应的时序 初始特征 ； 再次， 采用主成分分析实现初始特征 降维， 获得时序特征 ； 最后， 以时序特征为训练样 本， 构建概率神经网络。 (51)Int.Cl. 权利要求书 2 页 说明书 4 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书4页 (10)申请公布号 。
3、CN 103439342 A CN 103439342 A *CN103439342A* 1/2 页 2 1 基于热图时序特征的红外无损检测方法， 其特征在于 ： 首先， 使用红外热源对钢板 进行加热后， 采用红外热像仪获取钢板在降温过程中其表面的红外辐射信息， 生成红外时 序热图 ； 其次 , 对图像进行灰度化处理， 提取特定区域像素点的灰度值作为时序特征并采 用曲线拟合处理数据 ； 然后， 采用主成分分析方法提取正常区域和异常区域像素点的特征 向量 ； 最后基于概率神经网络 , 以像素为单位实现缺陷的红外无损检测。 2. 一种基于热图时序特征的红外无损检测方法， 其特征在于 ： 包括下列步。
4、骤 ： 一、 红外时序热图采集 首先， 采用热激励源距离试件 10cm 对试件缺陷面加热 20min 后 ； 其次， 通过红外热 像仪自动采集试件降温过程中的红外时序热图， 间隔时间为 30s， 热图像上某一像素点 处的灰度值f(i,j)与该温度值T(i,j)存在如下关系 ： 式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T为红外热图像最高温度，T 为红外热图像最低温度， 缺陷的出现会产生温度场发生变化， 会破坏其所在区域灰度值的 排布规律， 表现为图像中灰度的异常区域 ； 二、 初始特征获取 首先， 通过灰度化和标准化， 将采集的热图转变成像素为 137177 的灰度图， 其次， 。
5、分 别获取各时序热图中正常区域和不同缺陷类型的异常区域像素点的灰度值， 并分别对各种 区域灰度值与时间的关系进行曲线拟合， 最后， 在拟合曲线上每隔 30s 选取一个灰度值， 组 成时序初始特征 ； 三、 初始特征的主成分提取 （1） 建立初始特征矩阵X： 分别以不同缺陷类型的异常区域和正常区域抽取训练集样 品的灰度特征点， 经标准化后， 建立初始特征矩阵X为 式中，N为训练样本数，p为初始特征维数， 每隔 30s 取某点的灰度值，p为 30， （2） 计算初始特征矩阵 X 的标准化矩阵 S， （3） 计算标准化矩阵S的特征值 ， 其中i=1， 2，,p， 特征值按由大到小顺序排 列， 并计算。
6、出累积贡献率， 确定贡献率大于 80% 的主成分个数m， （4） 计算主成分 ： 确定贡献率大于 80% 的主成分， 并作为新特征用于后续的神经网络 识别 ； 四、 构建概率神经网络 测试样品的特征矢量由输入层放入神经网络后， 模式层与累加层将计算出该样品在每 一模式类的概率密度， 具有最大值的那一类将被认为是当前测试样品的模式类， 其中， 概率 密度的计算公式如下 ： 权 利 要 求 书 CN 103439342 A 2 2/2 页 3 式中，X为测试样品的p维特征向量，fA(X) 为X属于其中一种缺陷类型的概率密度函 数，XAi为其中一种缺陷类型的第i个训练样品的特征向量，为其中一种缺陷类。
7、型中训练 样品的个数， 为平滑参数， 其取值确定了以样本为中心的钟状曲线的宽度， 根据提取出的序列灰度样本集， 及其对该时序特征进行主成分分析获得的主成分得 分， 即可对 PNN 神经网络进行训练， 当正常区域和不同缺陷类型的异常区域的训练集样品 放入模式层之后， 用于识别的概率神经网络就已训练完成， 然后依次选取若干组不同缺陷 类型的异常区域和若干组正常区域的待测像素点为测试样本进行测试， 采用概率神经网络 训练， 平均识别率达到 90%， 最终实现了以像素点为单位并以时序特征为特征向量的缺陷检 测。 权 利 要 求 书 CN 103439342 A 3 1/4 页 4 基于热图时序特征的红。
8、外无损检测方法 技术领域 0001 本发明涉及一种红外无损检测方法， 尤其是一种基于热图时序特征的红外无损检 测方法。 背景技术 0002 红外无损检测法是近年来发展迅速的一种无损检测方法， 与常规的涡流、 射线等 检测技术相比， 该项检测技术具有非接触、 全场、 大面积、 快速、 直观、 易实现检测自动化等 优点， 采用专用软件对获得的红外图像进行处理后， 可进行识别缺陷， 除此之外， 检测时对 周围环境没有特殊要求， 设备轻便、 可移动， 特别适合现场应用和在线、 在役检测。在国外， 该技术已被用于金属和非金属材料及其复合结构件的无损检测。 0003 红外无损检测技术对温度具有高敏感性， 。
9、是一种非接触、 不破坏、 实时、 快速的无 损检测方法， 能检测小于 0.1 C 的温度变化并能在线检测物体表面温度， 具有快速、 准确、 直观等优点。目前 , 红外无损检测的研究主要通过分析某一个时间点 , 检测物不同位置的 温度差异或者某两个时刻点,检测物相同位置的温度差异,并借助图像处理来实现缺陷检 测的。该过程中， 一方面由于可获取的特征较少 ； 另一方面， 由于单纯图像处理的识别效果 差等原因， 最终局限了红外无损检测研究的发展。 发明内容 0004 本发明的目的是一种基于热图时序特征的红外无损检测方法， 采用时序特征的方 法， 以更全面地体现出被检测物表面灰度值随时间变化的信息 ；。
10、 采用主成分分析方法和概 率神经网络， 以像素单位实现红外无损检测， 使整个方案更简洁、 操作更简单， 效果更准确。 0005 鉴于上述需解决的问题， 本发明针对不同缺陷类型检测的需要， 首先使用红外热 源对被检物进行加热后， 采用红外热像仪获取被检物在降温过程中其表面的红外辐射信 息， 并生成红外时序热图 ； 其次， 对图像进行处理， 划分正常区域和异常区域， 提取特定区域 像素点的灰度值， 并采用曲线拟合处理数据达到减少系统误差 ； 然后， 根据拟合后的曲线获 取相同时间间隔的时序特征， 采用主成分分析方法提取主成分作为训练样本 ； 最后构建概 率神经网络并以每个像素点的时序特征作为测试样。
11、本放入概率神经网络中对每个像素点 进行缺陷的判定， 从而实现缺陷红外无损检测。本发明有效解决了传统方法中特征信息缺 乏， 单一图像处理识别效果差的问题。 本发明具有效率高、 成本低、 检测范围广等特点， 为红 外无损检测技术提出了更有益的解决方案。 0006 基于热图时序特征的红外无损检测方法， 它包括热激励系统、 图像采集系统以及 计算机图像处理系统， 其中热激励系统采用 250w 的红外热源， 用于加热试件， 将热源放在 试件的正上方， 设定好热源与试件的固定距离， 使得加热均匀 ； 然后通过红外热像仪拍摄 红外热图， 红外热像仪其光谱范围为 8m-14m， 测温范围为 -20至 400，。
12、 热灵敏度为 0.08， 设定为自动采样， 红外热像仪固定在实验桌上， 其视场刚好覆盖试件的表面， 其输 出信号通过 USB 数据传输线与计算机相连， 在计算机内部装有图像处理软件， 控制器与计 说 明 书 CN 103439342 A 4 2/4 页 5 算机通过 RS232 串口线相连。通过计算机内系统自带的软件对数据进行处理。 0007 为了达到上述的发明目的， 本发明包括下列步骤 ： 一、 红外时序热图采集 首先， 采用热激励源距离试件10cm对试件缺陷面加热20min后 ； 其次， 通过红外热像仪 自动采集试件降温过程中的红外时序热图， 间隔时间为 30s， 红 外 热 图 的 灰 。
13、度 级 直 接 反 应 了 温 度 高 低 及 其 分 布 特 征。 因 此，温 差 越 大，图 像 的 对 比 度 也 越 大，就 越 利 于 识 别 目 标。 热 图 像 上 某 一 像 素 点 处的灰度值f(i,j)与该温度值T(i,j)存在如下关系 ： 式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T为红外热图像最高温度，T 为红外热图像最低温度。缺陷的出现会产生温度场发生变化， 会破坏其所在区域灰度值的 排布规律， 表现为图像中灰度的异常区域。 0008 二、 初始特征获取 研究提出了一种获取时序初始特征的方法。 首先， 通过灰度化和标准化， 将采集的热图 转变成像素为 1。
14、37177 的灰度图 ； 其次， 分别获取各时序热图中正常区域和不同缺陷类型 的异常区域像素点的灰度值， 并分别对各种区域灰度值与时间的关系进行曲线拟合 ； 最后， 在拟合曲线上每隔 30s 选取一个灰度值， 组成时序初始特征。 0009 三、 初始特征的主成分提取 （1） 建立初始特征矩阵X。 分别以不同缺陷类型的异常区域和正常区域抽取训练集样 品的灰度特征点， 经标准化后， 建立初始特征矩阵X为 式中，N为训练样本数 ；p为初始特征维数， 每隔 30s 取某点的灰度值，p为 30。 0010 （2） 计算初始特征矩阵 X 的标准化矩阵 S。 0011 （3） 计算标准化矩阵S的特征值 ， 。
15、其中i=1， 2，,p， 特征值按由大到小顺 序排列， 并计算出累积贡献率， 确定贡献率大于 80% 的主成分个数m。 0012 （4） 计算主成分 ： 确定贡献率大于 80% 的主成分， 并作为新特征用于后续的神经 网络识别。 0013 四、 构建概率神经网络 概率神经网络是基于贝叶斯分类规则与概率密度函数估计方法发展而来的一种并行 分类算法。PNN 由输入层、 模式层、 求和层、 输出层共 4 层组成。测试样品的特征矢量由输入 层放入神经网络后， 模式层与累加层将计算出该样品在每一模式类的概率密度， 具有最大 值的那一类将被认为是当前测试样品的模式类。其中， 概率密度的计算公式如下 ： 说。
16、 明 书 CN 103439342 A 5 3/4 页 6 式中，X为测试样品的p维特征向量，fA(X) 为X属于其中一种缺陷类型的概率密度函 数，XAi为此种缺陷类型的第i个训练样品的特征向量，为其中一种缺陷类型中训练样品 的个数， 为平滑参数， 其取值确定了以样本为中心的钟状曲线的宽度。 0014 根据提取出的序列灰度样本集， 及其对该时序特征进行主成分分析获得的前三个 主成分得分， 即可对 PNN 神经网络进行训练。当正常区域和不同缺陷类型的异常区域的训 练集样品放入模式层之后， 用于识别的概率神经网络就已训练完成。然后依次选取若干组 不同缺陷类型的异常区域和若干组正常区域的待测像素点为。
17、测试样本进行测试， 采用概率 神经网络训练， 平均识别率达到 90%， 最终实现了以像素点为单位并以时序特征为特征向量 的缺陷检测。 0015 本发明的有益效果是 ： 首先使用红外热源对钢板进行加热后， 采用红外热像仪获 取钢板在降温过程中其表面的红外辐射信息， 并生成红外时序热图 ； 然后对图像进行处理， 提取特定区域像素点的灰度值并用曲线拟合方式进行数据处理。然后， 采用主成分分析方 法提取正常区域和异常区域像素点的特征向量 ； 最后基于概率神经网络实现缺陷无损检 测。本发明提出了一种基于时序提取特征的红外无损检测方法， 并以像素为单位实现缺陷 红外无损检测。该方法具有效率高、 成本低、 。
18、检测范围广等特点。可以更全面地体现出被检 测物表面灰度值随时间变化的信息， 并以像素单位实现红外无损检测， 使整个方案更简洁、 操作更简单， 效果更准确， 克服了单张图片检测、 获得特征信息量少的局限性等缺点。 具体实施方式 0016 本发明包括下列步骤 ： 一、 红外时序热图采集 首先， 采用热激励源距离试件10cm对试件缺陷面加热20min后 ； 其次， 通过红外热像仪 自动采集试件降温过程中的红外时序热图， 间隔时间为 30s， 红外热图的灰度级直接反应了温度高低及其分布特征。因此， 温差越大， 图像的对比 度也越大， 就越利于识别目标。热图像上某一像素点处的灰度值f(i,j)与该温度值。
19、 T(i,j)存在如下关系 ： 式中，f(i,j)为灰度图像，T(i,j)为图像的热场，T为红外热图像最高温度，T 为红外热图像最低温度。缺陷的出现会产生温度场发生变化， 会破坏其所在区域灰度值的 排布规律， 表现为图像中灰度的异常区域。 0017 二、 初始特征获取 研究提出了一种获取时序初始特征的方法。 首先， 通过灰度化和标准化， 将采集的热图 说 明 书 CN 103439342 A 6 4/4 页 7 转变成像素为 137177 的灰度图 ； 其次， 分别获取各时序热图中正常区域和两种缺陷类型 的异常区域像素点的灰度值， 并分别对各种区域灰度值与时间的关系进行曲线拟合 ； 最后， 在。
20、拟合曲线上每隔 30s 选取一个灰度值， 组成时序初始特征。 0018 三、 初始特征的主成分提取 （1） 建立初始特征矩阵X。 分别以不同缺陷类型的异常区域和正常区域抽取训练集样 品的灰度特征点， 经标准化后， 建立初始特征矩阵X为 式中，N为训练样本数 ；p为初始特征维数， 每隔 30s 取某点的灰度值，p为 30。 0019 （2） 计算初始特征矩阵 X 的标准化矩阵 S。 0020 （3） 计算标准化矩阵S的特征值 ， 其中i=1， 2，,p， 特征值按由大到小顺 序排列， 并计算出累积贡献率， 确定贡献率大于 80% 的主成分个数m。 0021 （4） 计算主成分 ： 确定贡献率大于。
21、 80% 的主成分， 并作为新特征用于后续的神经 网络识别。 0022 四、 构建概率神经网络 概率神经网络是基于贝叶斯分类规则与概率密度函数估计方法发展而来的一种并行 分类算法。PNN 由输入层、 模式层、 求和层、 输出层共 4 层组成。测试样品的特征矢量由输入 层放入神经网络后， 模式层与累加层将计算出该样品在每一模式类的概率密度， 具有最大 值的那一类将被认为是当前测试样品的模式类。其中， 概率密度的计算公式如下 ： 式中，X为测试样品的p维特征向量，fA(X) 为X属于其中一种缺陷类型的概率密度函 数，XAi为此种缺陷类型的第i个训练样品的特征向量，为其中一种缺陷类型中训练样品 的个数， 为平滑参数， 其取值确定了以样本为中心的钟状曲线的宽度。 0023 根据提取出的序列灰度样本集， 及其对该时序特征进行主成分分析获得的前三个 主成分得分， 即可对 PNN 神经网络进行训练。当正常区域和不同缺陷类型的异常区域的训 练集样品放入模式层之后， 用于识别的概率神经网络就已训练完成。然后依次选取 145 组 一种缺陷类型的区域、 102 组另一种缺陷类型的区域、 200 组正常区域的待测像素点为测试 样本进行测试， 采用概率神经网络训练， 平均识别率达到 95%。最终实现了以像素点为单位 并以时序特征为特征向量的缺陷检测。 说 明 书 CN 103439342 A 7 。