论文部分内容阅读
涡流脉冲热成像技术(ECPT)现已被广泛应用于导体材料的缺陷检测和评估,比如风机叶片,铁轨,碳纤维复合材料等。国内外研究者提出了多类红外热成像缺陷特征提取算法(包括:主成分分析算法、脉冲相位法、热图像重构法、独立成分分析等),提高缺陷检测的精度。然而,上述算法未完全消除背景和噪声信息的干扰,缺陷特征提取的精度和准确率需要提升。针对上述问题,本文主要研究内容包括:1)通过分析含有缺陷的试件的温度变化规律,发现其在物理层面的独立性和特异性,提出不同热模式特征的线性混合模型。针对缺陷特征在物理层面展现空间稀疏特性,提出了稀疏线性混合模型。此模型与变分贝叶斯矩阵分解模型相吻合,变分贝叶斯模型能实现参数的自动更新,并用于缺陷特征的提取。2)在上述模型基础上,由于检测对象和缺陷类型的多样性,稀疏控制的自适应性需要深入研究,变分贝叶斯矩阵分解无法适应所有类型缺陷,因此,提出了自适应变分贝叶斯矩阵分解算法,此算法能够通过迭代的方式优化块状区域稀疏程度的自适应控制,并且可以解决过稀疏和欠稀疏分解问题,提高缺陷的检测精度,降低背景信息(包括:边缘信息,线圈信息等)和噪声信息对缺陷特征提取的干扰。在该算法中,利用变分贝叶斯方法将参数的学习和调整作为矩阵分解的一部分,解决参数手动选择问题。3)针对自适应变分贝叶斯矩阵分解算法的计算复杂度问题,在上述模型基础上,提出了自相关性区块判别的变分贝叶斯矩阵分解算法,通过在迭代过程中自动删除未含有缺陷信息的块状区域,减少图像的维度,从而降低计算复杂度和运行时间。4)为了客观的衡量不同特征提取算法对缺陷特征的提取效果,本文采用基于事件的F-score来进行评判,通过自然缺陷和人工缺陷的实验对比可知,自适应变分贝叶斯的F-score值高于其他的特征提取算法,但是它的计算复杂度也高于其他的特征提取算法。自相关性判别的变分贝叶斯矩阵分解算法可以平衡上述两个问题,此算法在不同种类的缺陷上面的检测精度高于其他的特征提取算法,略低于自适应变分贝叶斯矩阵分解算法,但是计算复杂度却远远低于自适应变分贝叶斯矩阵分解算法。