详情

原文传递基于结构化稀疏分解的光激励红外热成像缺陷检测方法

专利名称：	基于结构化稀疏分解的光激励红外热成像缺陷检测方法
摘要：	本发明公开了一种基于结构化稀疏分解的光激励红外热成像缺陷检测方法，通过将热图序列的每一帧图像进行小波分解，仅保留低频部分，形成新的热图序列，并依次排列重构为新矩阵，将新矩阵分解为低秩矩阵，稀疏矩阵和噪声矩阵之和，其中低秩矩阵表示热图像的背景，稀疏矩阵表示热图像中的缺陷。将稀疏矩阵进一步地分解为字典矩阵和权值矩阵的乘积，其中字典矩阵用于表征同一块试件上不同的缺陷所具有的不同的热模式，权值矩阵具有稀疏约束和非负约束。采用奇异值阈值分解法求解低秩矩阵，采用顶点成分分析法求解字典矩阵，采用乘数交替方向法求解权值矩阵，最后将稀疏矩阵重构为缺陷图像矩阵，从而实现红外热成像的缺陷检测。
专利类型：	发明专利
国家地区组织代码：	四川;51
申请人：	四川沐迪圣科技有限公司
发明人：	高斌;刘丽
专利状态：	有效
申请日期：	2019-04-25T00:00:00+0800
发布日期：	2019-08-09T00:00:00+0800
申请号：	CN201910339601.8
公开号：	CN110108754A
代理机构：	成都行之专利代理事务所(普通合伙)
代理人：	温利平
分类号：	G01N25/72(2006.01);G;G01;G01N;G01N25
申请人地址：	610036 四川省成都市高新区紫瑞大道292号1层
主权项：	1.一种基于结构化稀疏分解的光激励红外热成像缺陷检测方法，其特征在于，包括以下步骤： (1)、通过光激励红外热成像无损检测系统在含有缺陷的被测试件上获取红外热图序列，记为X∈Rm×n×f，其中，R表示实数域，m和n分别表示红外热图像的高度和宽度，f表示红外热图序列的总帧数； (2)、将X的每一帧红外热图像进行小波分解，仅保留低频部分，记为红外热图序列A∈Rm×n×f； (3)、将红外热图序列A的每帧按行依次取每个像素点的像素值，再按取值顺序垂直排列，最后将垂直排列后的每帧红外热图依次排列，构架出一个新矩阵并转置，将转置后的矩阵记为Y∈Rf×p，p的大小为m×n； (4)、将矩阵Y分解为三个矩阵之和和，即Y＝L+S+N，其中，L表示低秩矩阵，S表示稀疏矩阵，N表示噪声矩阵； (5)、将矩阵S分解为字典矩阵和权值矩阵的乘积，即S＝DW，其中，D表示字典矩阵，W表示权值矩阵；因此，矩阵Y能够分解为：Y＝L+DW+N； (6)、建立优化目标函数； subject to:W≥0 其中，\|\|·\|\|*表示核范数，\|\|·\|\|2,1表示L2,1范数，\|\|·\|\|F表示Frobenius范数，μ和λ表示正则参数，分别用于控制L的秩和W的稀疏程度； (7)、设置迭代次数k，k＝1,2,…,K，K表示最大迭代次数；使用奇异值阈值算法求解第k迭代时的低秩矩阵Lk； (8)、使用顶点成分分析算法求解第k迭代时的字典矩阵Dk； Dk+1←VCA(Y-Lk+1) 其中，VCA(·)表示顶点成分分析法； (9)、根据求解出的Lk和Dk，求解第k次次迭代时的权值矩阵Wk；其中，lR+(W)表示W具有的非负约束； (10)、判断当前迭代次数k是否到达最大迭代次数K，如果达到，则进入步骤(11)；否则，转到至步骤(7)，直至k＝K后，再进入步骤(11)； (11)、根据上述迭代求解得到的权值矩阵W，还原出稀疏矩阵S，再将稀疏矩阵S按原热图尺寸重构为缺陷图像矩阵，从而实现红外热成像的缺陷检测。 2.根据权利要求1所述的基于结构化稀疏分解的光激励红外热成像缺陷检测方法，其特征在于，所述步骤(9)中，求解权值矩阵Wk的具体方法为： (2.1)、采用乘数交替方向法，将原优化变量Wk转化为两个优化变量和Z，并设置优化的目标函数；；令 g(Z)≡λ\|\|Z\|\|2,1+lR+(Z) 则上述目标函数简写为：其中，为待求解的权值矩阵，Z为乘数交替方向法中的优化变量，lR+(Z)表示Z的非负约束； (2.2)、求解Wk； (2.2.1)、设置迭代次数i＝1,2,…,L，L为最大迭代次数； (2.2.2)、根据乘数交替方向法将上述目标函数变形为：其中，τ表示正则化参数； (2.2.3)、对变形后的目标函数求解，得到Z、U的求解结果；的求解结果为：其中，I表示单位矩阵，T表示转置； Z的求解结果为：其中，令则vect-soft(M,λ/τ)表示矩阵M逐行输入vect-soft进行计算，具体解决过程为：其中，Mr,:表示矩阵M的第r行： U的求解结果为： (2.2.4)、通过迭代交替求解的方式求解Z、U，直到当前迭代次数i到达最大迭代次数L时结束，并将第L次求解的赋给Wk，即：
所属类别：	发明专利