[发明专利]基于光学和红外图像融合的低发射率涂层智能探损方法

权利要求书

1.基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，按照以下步骤进行：

步骤S1、建立或选择卷积神经网络，并对其进行训练和优化，得到用于检测低发射率涂层损伤的卷积神经网络模型；

步骤S2、获取待检测的低发射率涂层的光学图像以及与其同位置、同视角、同尺寸的红外图像，并对获取的光学图像及与其同位置、同视角、同尺寸的红外图像进行图像融合，得到待检测的低发射率涂层的融合图像；

步骤S3、对待检测的低发射率涂层的融合图像进行归一化处理，得到待检测的数据样本；

步骤S4、将待检测的数据样本输入用于检测低发射率涂层损伤的卷积神经网络模型，对待检测的低发射率涂层进行损伤自动检测。

2.根据权利要求1所述的基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，所述步骤S1的具体实现过程如下：

步骤S11、获取用于训练模型的有损伤和无损伤的低发射率涂层图像，包括有损伤和无损伤的低发射率涂层光学图像以及与该光学图像同位置、同视角、同尺寸的红外图像，其中有损伤的低发射率涂层图像的损伤类别已知；

步骤S12、对获取的有损伤和无损伤的低发射率涂层光学图像以及与该光学图像同位置、同视角、同尺寸的红外图像一一对应进行图像融合，得到用于训练模型的有损伤和无损伤的低发射率涂层的融合图像；

步骤S13、对所得用于训练模型的有损伤和无损伤的低发射率涂层的融合图像中的损伤位置进行标记，然后对标记后的用于训练模型的有损伤和无损伤的低发射率涂层的融合图像进行归一化处理，获得训练数据样本，并将训练数据样本随机划分为训练集和测试集；

步骤S14、对训练集进行数据增强，扩充训练集的数据样本；

步骤S15、建立或选择卷积神经网络，然后利用数据增强后的训练集对卷积神经网络进行训练，在每隔一定训练轮次后将测试集输入训练所得卷积神经网络中，实时监控测试集在卷积神经网络上的检测精度，并不断调节超参数控制训练过程，对卷积神经网络进行优化，得到用于检测低发射率涂层损伤的卷积神经网络模型。

3.根据权利要求2所述的基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，所述图像融合，是将获取的待检测的低发射率涂层光学图像，或是将获取的有损伤和无损伤的低发射率涂层光学图像，和与该光学图像同位置、同视角、同尺寸的红外图像在通道维度进行对应叠加融合，将三通道的RGB光学图像在通道维度叠加红外图像得到四通道的RGBI融合图像。

4.根据权利要求2所述的基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，所述步骤S13中是采用矩形框框住用于训练模型的低发射率涂层的融合图像中的损伤，对所得用于训练模型的低发射率涂层的融合图像中的损伤位置进行标记，标记格式为[损伤类型,x_min,y_min,x_max,y_max]，x_min和y_min为标记的矩形框的左上角的坐标，x_max和y_max为标记的矩形框的右下角的坐标；矩形框的坐标是以当前处理的图像的左上角为坐标原点，以坐标原点向右为x轴的正方向，以坐标原点向下为y轴的正方向，坐标轴以每个像素为一个单位建立坐标系后得到的。

5.根据权利要求2～4任一项所述的基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，所述归一化处理，是按照下式进行：

其中，μ为所有待检测的低发射率涂层的融合图像或所有用于训练模型的有损伤和无损伤的低发射率涂层的融合图像的RGBI四个通道像素值的均值，σ为所有待检测的低发射率涂层的融合图像或所有用于训练模型的有损伤和无损伤的低发射率涂层的融合图像的RGBI四个通道像素值的方差；g(x,y)表示归一化前的图像像素，x,y为当前像素点的横坐标和纵坐标，f(x,y)表示归一化后的图像像素。

6.根据权利要求2～4任一项所述的基于光学和红外图像融合的低发射率涂层智能探损方法，其特征在于，所述步骤S14的卷积神经网络选用卷积神经网络YOLO-V3。