[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

说明书

本发明公开了一种基于光学和红外图像融合的低发射率涂层智能探损方法，首先，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；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；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；最后，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，实现了低发射率涂层损伤的自动、快速检测，准确率达到95％以上。

技术领域

本发明属于低发射率涂层损伤检测技术领域，涉及一种基于卷积神经网络以及光学和红外图像融合的低发射率涂层智能探损方法。

背景技术

低发射率材料是涂敷型隐身功能表面材料，低发射率涂层被广泛用于飞机、舰船、导弹、军用车辆及其它武器装备。在武器装备寿命期内的任何低发射率涂层在贮存、运输和使用过程中，均会受到环境因素的影响和作用，从而引起涂层变色、粉化、起层、开裂、附着力下降等物理化学性能的变化和涂层低发射率性能的衰退。

目前，对低发射率涂层损伤检测主要采用反射积分球检测法和人眼观察法，以逐点扫查为主，无法进行大面积快速成像。因此，低发射率涂层的损伤识别对专业人士依赖性强，效率低，且容易因人为因素造成误判和漏判。公开号为CN111461120A、名称为一种基于区域的卷积神经网络物体表面缺陷检测方法，提出了一种对普通物体的损伤进行检测的方法，但其仅考虑了物体的光学图像信息，模型所能提取的特征有限，因此将其应用于低发射率涂层损伤检测时存在检测准确率不高、检测误差较高的问题，导致其不适用于低发射率涂层损伤检测。

发明内容

本发明实施例的目的在于提供一种基于光学和红外图像融合的低发射率涂层智能探损方法，以解决现有低发射率涂层损伤检测、识别方法对专业人士依赖性强、效率低、容易因人为因素造成误判和漏判的问题，以及准确率低、检测误差较高的问题。

本发明实施例所采用的技术方案是，基于光学和红外图像融合的低发射率涂层智能探损方法，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。

本发明实施例的有益效果是，首先采集低发射率涂层的光学图像以及与其同位置同视角的红外图像，保证损伤在光学图像和红外图像中的位置坐标是相同的，然后对两种图像在通道维度进行叠加，叠加后图像损伤位置坐标不变，这样就可以对损伤位置进行定位，即可以将叠加后图像直接应用到“目标检测”卷积神经网络中，通过卷积神经网络提取特征，实现低发射率涂层损伤的自动、快速检测，解决了现有低发射率涂层损伤检测、识别方法对专业人士依赖性强、效率低、容易因人为因素造成误判和漏判的问题。直接在通道维度融合图像，然后输入至目标检测卷积神经网络，最大程度的保留和提取了光学图像和红外图像的特征，保证卷积神经网络模型能够提取到更多的特征，进而有效降低检测误差，确保了检测准确率，准确率达到95％以上，解决了现有低发射率涂层损伤检测、识别方法准确率低、检测误差较高的问题。

附图说明