[发明专利]一种基于迭代生成稀疏主成分模型的红外无损检测方法

说明书

本发明公开了一种基于迭代生成稀疏主成分模型的红外热成像无损检测方法，该方法利用SPCT方法对预处理后的红外热图像数据集进行去噪、降维、特征提取，得到可视化的分量加载图像；并将该分量加载图像与预处理后的红外热图像进行融合；利用融合之后的红外热图像对生成式对抗神经网络进行训练，选取若干张生成的假热图像与初始红外热图像拼接成增广红外热图像数据集，并作为初始红外热图像数据集进行迭代循环。本发明既解决了原始热图像数据集不足的问题，同时利用SPCT方法进一步提高了热图像的信噪比，具有很好的实际应用前景。

技术领域

本发明属于缺陷检测技术领域，具体是涉及一种基于迭代生成稀疏主成分模型的红外无损检测方法。

背景技术

近年来，复合材料的研究已经比较成熟，各种性能优良的复合材料被研制出来，其中包括碳纤维增强复合材料(Carbon Fiber Reinforced Polymer,CFRP)，因其具有强度高、质量轻、抗腐蚀、抗氧化、耐高温等优点，在航天航空、汽车等领域中有着广泛的应用前景。然而在复合材料的制备以及使用过程中，复合材料的表面及内部可能会产生各种各样的缺陷或损伤，从而产生不可忽视的安全隐患，甚至导致难以预见的严重后果。因此，快速、准确、高效地检测出复合材料中是否存在缺陷以及缺陷的位置、形状与尺寸具有非常重要的意义。

复合材料中的缺陷主要包括：脱粘、侵蚀、裂纹、气泡、夹杂、层板分层、芯材变形等缺陷。另外在使用的过程中也可能产生表面划痕、表面裂纹、穿透穿孔、芯材压坏等损伤。这些缺陷与损伤有的在复合材料的表面，用肉眼便可以观察到；而有的缺陷存在于复合材料的内部，无法用肉眼直接检测，此时有必要使用无损检测技术才能识别出内部缺陷。

目前针对复合材料的无损检测方法有很多，比如红外热成像检测、超声检测、X射线检测、涡流检测等方法。其中红外热成像无损检测技术具有设置简单、成本低、速度快、无接触、无污染、检测面积大、结果直观等优点，从而被广泛应用于复合材料的无损检测领域。然而，由于传感器的灵敏度、红外热图像的分辨率、背景噪声以及测量噪声等原因的限制，原始的红外热图像一般会存在信噪比不高、缺陷边缘模糊、检测精度较低等问题，使用肉眼直接识别缺陷任然很困难，因此增强缺陷特征信息，降低背景噪声，提高缺陷特征提取能力是非常有必要的。

目前研究者已经提出了许多有效的热像数据处理方法来提高缺陷的可见性，比如脉冲相位热成像、惩罚最小二乘法、热成像序列重建、主成分热成像(PCT)及其扩展方法、独立主成分热成像等方法。近年来，逐渐兴起的深度学习算法正在广泛应用于各种领域中。然而，目前深度学习算法在无损检测领域中的应用还不成熟。而且，目前很多研究工作只使用单一的热图像数据分析方法，在复杂的工程环境中，仅仅使用单一的方法很难满足实际需求。

因此，需要提出一种适用于红外热成像的深度学习结合其他模型的无损检测技术。

发明内容

本发明的目的在于满足无损检测复合材料内部缺陷的实际需求，并且针对现有无损检测技术的局限性，提供一种基于迭代生成稀疏主成分模型的复合材料无损检测方法。

一种基于迭代生成稀疏主成分模型的红外热成像无损检测方法，包括：

(1)采集待测对象的若干张红外热图像，组成初始红外热图像数据集；

(2)对初始红外热图像数据集进行预处理，得到预处理后的红外热图像数据集；

(3)利用加载施加稀疏约束改进的PCT方法(稀疏主成分热成像(SPCT)方法)对预处理后的红外热图像数据集进行去噪、降维、特征提取，得到可视化的缺陷特征加载图像；

(4)提取缺陷特征加载图像的R、G、B分量加载图像，并计算分量加载图像的信噪比：

当信噪比满足要求时，输出缺陷特征加载图像或/和R、G、B分量加载图像；