专利名称：一种复合材料内部缺陷类型自动识别检测方法
技术领域：
本发明涉及ー种红外热波无损检测技术，具体地说是ー种复合材料内部缺陷类型自动识别检测的方法。
背景技术：
红外热波无损检测技术是ー门新兴的学科，其原理是通过热源对待检测试件进行加热，采用红外热像仪采集试件表面温度的实时图像信号。在热传导过程中，当试件内部存在断裂、气孔、分层等缺陷时，材料的热传导性能会发生改变，试件的表面温度产生不均匀分布。通过处理采集的温度信号，从而可以判断试件内部缺陷信息。红外热波无损检测具有非接触性測量、测试速度快、灵敏度高、可实现自动检测等优点，已广泛用于航空航天复合新型材料及其力学特性研究的检测领域。
目前，对相应的红外序列图像的处理方法的研究主要集中于两方面ー种是通过红外序列图像建立热物理模型来计算材料的内部的热物理性质分布的反推法，如脉冲热像法、脉冲相位法等；ー种是采用图像处理手段分析图像序列中的缺陷信息。反推法主要缺点是需要建立完备的材料热传模型以及测量大量的材料物理參数，只有在可控实验室条件易于实现，而在实际工程应用中具有较大的局限性。因此，通过对不需要建立物理模型的图像处理方法对红外序列图像中缺陷信息进行快速分析成为ー种较好的分析方法。而目前能够实现复合材料内部缺陷类型自动识别检测的方法的技术方案尚未见报道。
发明内容
针对现有技术对复合材料内部缺陷的检测方法需要建立完备的材料热传模型以及測量大量的材料物理參数，在实际工程应用中的较大局限性等不足之处，本发明要解决的技术问题是提供ー种不需要建立物理模型的对红外序列图像中缺陷信息进行快速分析的复合材料内部缺陷类型自动识别检测的方法。为解决上述技术问题，本发明采用的技术方案是本发明ー种复合材料内部缺陷类型自动识别检测方法包括以下步骤利用红外热波无损检测设备对复合材料进行检测，生成红外图像；对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络參数训练的结果完成识别分类判断。对红外序列图像进行相空间重构方法为
把每帧红外图像数据进行有序排列，构成ー维向量，对构成的所有向量依次排列，构成ニ维矩阵，即为包含缺陷全部空间与时间信息的缺陷矩阵。所述确定复合材料缺陷的位置包括以下步骤通过奇异值分解算法对红外序列图像进行相空间重构得到的ニ维矩阵进行处理，得到奇异矩阵及其投影矩阵，提取反映缺陷空间位置信息的投影矩阵的列/行向量构造ニ维图像矩阵，并通过预先确定的灰度阈值定位图像位置。所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵，其中对反映时间特征的投影矩阵进行再重构过程为对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解 提取包含时间特征的投影矩阵的首行/列数据，通过对提取的首行/列数据进行变换，构造缺陷时间特征矩阵。对反映空间特征的投影矩阵进行再重构过程为对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据，通过截取与原缺陷图像行像素长度相等的数据构成第一行，并依次类推构造缺陷空间特征矩阵。提取缺陷时间信息和空间信息的代数特征过程为对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解，提取奇异向量，从奇异向量的第一个值的平方和进行累加，直到选取累加值占全部奇异向量的奇异值平方累加和的70% 90%的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。构造混合特征向量作为缺陷的特征表征过程为在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上，结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合，构成缺陷混合特征向量。所述缺陷分类识别的网络训练的步骤为设定神经网络输入层、隐含层和输出层的节点数目、初始參数以及误差函数；通过梯度下降法对神经网络參数进行训练，当误差达到误差要求时停止训练。本发明具有以下有益效果及优点I.复合材料的自动分类识别。本方法采用红外热波无损检测技木，结合图像处理方法确定缺陷位置，并运用奇异值分解提取缺陷的特征值，运用RBF神经网络进行识别分类，通过该方法可以实现对复合材料的部缺陷实现自动识别检測。2.复合材料比単一材料更为优良的性能，但在力学破损、失效等方面的特性十分复杂。通过缺陷自动识别检测，可以实现对复合材料的损伤类型进行快速的检测，可以辅助实现对复合材料的力学研究中实现材料缺陷演化过程的研究，并可以对复合材料的使用情况提供快速检测手段，因而具有极其重要的实际意义和研究价值。
图I本发明复合材料内部缺陷自动识别方法流程图；图2本发明方法中复合材料红外序列图像相空间重构示意图；图3A为本发明方法中缺陷序列图像样本图像(第I帧)(来自于热障涂层实测图像)；图3B为本发明方法中缺陷序列图像样本图像(第25帧)(来自于热障涂层实测图像)；图3C为本发明方法中缺陷序列图像样本图像(第45帧)(来自于热障涂层实测图像)；图3D为本发明方法中缺陷序列图像样本图像(第60帧)(来自于热障涂层实测图像)；图4A为本发明方法中缺陷空间向量第一列重构矩阵的图像示意图；图4B为本发明方法中缺陷空间向量第二列重构矩阵的图像示意图；
图4C为本发明方法中缺陷空间向量第三列重构矩阵的图像示意图；图5为本发明方法缺陷定位与分割示意图；图6为本发明方法RBF神经网络结构示意图。
具体实施例方式本发明提出的复合材料内部缺陷自动识别检测的方法是基于红外无损检测技木，步骤为利用红外热波无损检测设备对复合材料进行检测，生成红外图像；对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及两个投影矩阵，对上述两个投影矩阵进行再重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络參数训练的结果完成识别分类判断。本实施例中的试件以航空发动机叶片热障涂层缺陷样本为例。本发明方法如图I所示，包括以下步骤I)利用红外热波无损检测设备对复合材料进行检测生成红外图像本实施例中，通过高能闪光灯对试件进行主动加热，通过红外热像仪进行红外辐射信号的捕捉，红外热像仪输出端接显示红外图像的成像装置，如图3A 3D所示，是通过红外热像仪采集的发动机叶片热障涂层ニ维红外图像，其中每帧图像为缺陷在热成像过程中有明显特征变化的图像。2)对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域由于红外序列图像为三维矩阵数据，在通过奇异值分解(SVD)进行缺陷特征提取之前，需要对其进行相空间重构，相空间重构过程示意图如图2所示。设缺陷区域的红外序列图像的第i帧为Xi，对图像数据从左到右，从上到下排列，构成ー维矩阵，则从t帧图像序列得到t个ー维矩阵，并按行方向依次排列构成包含缺陷全部空间与时间信息的ニ维矩阵Y。对缺陷图像序列相空间重构后的矩阵Y进行奇异值分解，根据奇异值分解理论，ニ维矩阵Y的表现形式如下所示r
权利要求
1.一种复合材料内部缺陷类型自动识别检测方法，其特征在于包括以下步骤 利用红外热波无损检测设备对复合材料进行检测，生成红外图像； 对采集的红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域； 对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征； 运用RBF神经网络分类器，将已知的缺陷样本通过提取缺陷的特征表征，生成训练集，作为神经网络的输入，完成缺陷分类识别的网络训练；对待识别的复合材料缺陷，输入到RBF神经网络，利用网络參数训练的结果完成识别分类判断。
2.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于对红外序列图像进行相空间重构方法为 把每帧红外图像数据进行有序排列，构成ー维向量，对构成的所有向量依次排列，构成ニ维矩阵，即为包含缺陷全部空间与时间信息的缺陷矩阵。
3.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于所述确定复合材料缺陷的位置包括以下步骤 通过奇异值分解算法对红外序列图像进行相空间重构得到的ニ维矩阵进行处理，得到奇异矩阵及其投影矩阵，提取反映缺陷空间位置信息的投影矩阵的列/行向量构造ニ维图像矩阵，并通过预先确定的灰度阈值定位图像位置。
4.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于所述两个投影矩阵为包括反映时间特征的投影矩阵和反映空间特征的投影矩阵，其中对反映时间特征的投影矩阵进行再重构过程为 对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含时间特征的投影矩阵的首行/列数据，通过对提取的首行/列数据进行变换，构造缺陷时间特征矩阵。
5.按权利要求4所述的复合材料内部缺陷类型自动识别检测方法，其特征在于对反映空间特征的投影矩阵进行再重构过程为 对具有缺陷区域的红外序列图像进行相空间重构后的缺陷矩阵，通过奇异值分解提取包含空间特征的投影矩阵的首列/行数据，通过截取与原缺陷图像行像素长度相等的数据构成第一行，并依次类推构造缺陷空间特征矩阵。
6.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于提取缺陷时间信息和空间信息的代数特征过程为 对两个投影矩阵进行再重构得到的缺陷空间特征矩阵和缺陷时间特征矩阵分别进行奇异值分解，提取奇异向量，从奇异向量的第一个值的平方和进行累加，直到选取累加值占全部奇异向量的奇异值平方累加和的70% 90%的奇异值作为特征值构造缺陷时间信息和缺陷空间信息的代数特征。
7.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于构造混合特征向量作为缺陷的特征表征过程为 在缺陷时间信息的代数特征和缺陷空间信息的代数特征的基础上，结合缺陷相空间矩阵奇异值分解后的奇异值向量进行组合，构成缺陷混合特征向量。
8.按权利要求I所述的复合材料内部缺陷类型自动识别检测方法，其特征在于所述缺陷分类识别的网络训练的步骤为 设定神经网络输入层、隐含层和输出层的节点数目、初始參数以及误差函数； 通过梯度下降法对神经网络參数进行训练，当误差达到误差要求时停止训练。
全文摘要
本发明涉及一种复合材料内部缺陷类型自动识别检测方法，步骤为利用红外热波无损检测设备对复合材料进行检测，生成红外图像；对红外序列图像进行相空间重构，确定复合材料缺陷的位置并分割图像的缺陷区域；对具有缺陷区域的红外序列图像进行相空间重构，进行奇异值分解得到奇异矩阵及左右两个投影矩阵，对上述两个投影矩阵分别进行再次矩阵重构，再次通过奇异值分解提取缺陷时间信息和空间信息的代数特征，构造混合特征向量作为缺陷的特征表征；运用RBF神经网络分类器结果完成识别分类判断。本发明对复合材料的部缺陷实现自动识别检测，对复合材料的损伤类型进行快速的检测，对复合材料的使用情况提供快速检测手段，具有重要的实际意义和研究价值。
文档编号G01N25/72GK102692429SQ20111007160
公开日2012年9月26日 申请日期2011年3月24日 优先权日2011年3月24日
发明者崔云刚, 张志强, 王立勇, 赵大威, 赵怀慈, 郝明国 申请人:中国科学院沈阳自动化研究所