基于数据融合和RBF神经网络的表面缺陷深度估计方法

摘要

本发明公开了一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，利用独立成分分析ICA提取缺陷信息，将缺陷周围的热响应特征分离出来，得到独立成分和混叠向量；然后设置三个分类器，并利用数据融合对包含缺陷深度信息的混叠向量进行自动筛选，对选出的混叠向量进行傅里叶变换，并利用神经网络进行缺陷深度估计。这样通过数据融合方法选取的缺陷深度信息可以保证缺陷信息选取的准确度，其次，利用RBF神经网络对复杂的非线性输入仍然具有较好的输出精度，进一步保证了缺陷深度估计的精度。

说明书

技术领域

本发明属于材料缺陷检测技术领域，更为具体地讲，涉及一种基于数据融合和RBF神经网络的表面缺陷深度估计方法。

背景技术

无损检测是保障重大工程装备制造质量和运行安全的关键技术。其中，脉冲涡流红外热图像缺陷检测技术是近年来无损检测领域的研究热点。脉冲涡流红外热图像缺陷检测技术主要包含脉冲涡流激励和红外热成像技术。在材料有缺陷存在的情况下，涡流转化为焦耳热后会在在材料内部产生高温区和低温区，并通过热传导引起材料表面的温度变化。这种温度变化由高速高分辨率红外热像仪记录存储后，通过热图像序列的形式输出,最后再通过处理这些热图像序列来提取缺陷信息。

缺陷定量分析包括对缺陷大小，深度等信息的分析。目前已有大量学者对缺陷的量化进行了研究。其中，利用脉冲涡流红外热图像序列对缺陷深度进行估计的方法中，都需要人为选择具有代表性的缺陷信息，来实现缺陷深度的估计。为了实现表面缺陷深度的自动选取，本发明提出一种基于数据融合和RBF神经网络的缺陷深度估计算法，来改进现有方法需要人为选择信息进行缺陷深度估计的不足。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，先通过数据融合方法自动提取最能代表缺陷深度数据的信息，再利用傅里叶变换提取频谱信息，最后用RBF神经网络实现缺陷深度的估计。

为实现上述发明目的，本发明为一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，其特征在于，包括以下步骤：

(1)、采用脉冲涡流对待测件加热，再利用红外热像仪采集单位时长内的待测件红外热图像序列，且每帧红外热图像大小相同；

(2)、利用独立成分分析算法处理红外热图像序列，得到n(n＝1,2,…,H)个独立成分和混叠向量，其中，H表示热图像序列总帧数；

(3)、根据独立成分和混叠向量计算频谱信息

(3.1)、设置分类器

计算n个独立成分的峰度系数kur(i)，再根据峰度系数kur(i)设置峰度系数分类器：

$d_{1,i}=\left(\begin{array}{c}1,\forall kur\left(j\right)<=kur\left(i\right),j\ne i\\ 0,\exists kur\left(j\right)>kur\left(i\right),j\ne i\end{array}\right);$

计算n个混叠向量在采样结束时刻和初始时刻的温度差值tep(i)，再根据温度差值tep(i)设置温差分类器：

$d_{2,i}=\left(\begin{array}{c}1,\forall tep\left(j\right)>=tep\left(i\right),j\ne i\\ 0,\exists tep\left(j\right)<tep\left(i\right),j\ne i\end{array}\right);$

计算n个混叠向量在加热结束时刻以后的最大变化速度spe(i)，再根据最大变化速度spe(i)设置下降速度分类器：

$d_{3,i}=\left(\begin{array}{c}1,\forall spe\left(j\right)<=spe\left(i\right),j\ne i\\ 0,\exists spe\left(j\right)>spe\left(i\right),j\ne i\end{array}\right);$

(3.2)、基于投票机制的决策融合对三种分类结果进行处理

计算再根据M值找出对应M值的混叠向量，并将该混叠向量的下降阶段标记为f(t)；

(3.3)、将步骤(3.2)找出的混叠向量的下降阶段f(t)进行傅里叶变换，得到混叠向量下降阶段的频谱信息；

(4)、利用RBF神经网络进行表面缺陷深度估计

将训练样本按照步骤(3.1)、(3.2)所述方法选出各个样本的对应M值的混叠向量，再按照步骤(3.3)所述方法得到该混叠向量下降阶段的频谱信息，并输入到RBF神经网络中进行训练，得到表面的深度缺陷。

本发明的发明目的是这样实现的：

本发明基于数据融合和RBF神经网络的表面缺陷深度估计方法，利用独立成分分析ICA提取缺陷信息，将缺陷周围的热响应特征分离出来，得到独立成分和混叠向量；然后设置三个分类器，并利用数据融合对包含缺陷深度信息的混叠向量进行自动筛选，对选出的混叠向量进行傅里叶变换，并利用神经网络进行缺陷深度估计。这样通过数据融合方法选取的缺陷深度信息可以保证缺陷信息选取的准确度，其次，利用RBF神经网络对复杂的非线性输入仍然具有较好的输出精度，进一步保证了缺陷深度估计的精度。

同时，本发明基于数据融合和RBF神经网络的表面缺陷深度估计方法还具有以下有益效果：

(1)、利用独立成分分析算法提取缺陷深度信息，验证了独立成分分析算法在缺陷深度估计方面的应用价值，为缺陷深度估计方法提供了新的思路与技术路线；

(2)、利用数据融合方法自动筛选出缺陷深度信息，减少了人为干预与误差，有利于缺陷自动化分析；

(3)、RBF神经网络方法具有自学习和自组织功能。将其与数据融合方法结合起来，可以保证神经网络输入的稳定性，进而增强RBF神经网络的可靠性。

附图说明

图1是本发明基于数据融合和RBF神经网络的表面缺陷深度估计方法流程图；

图2是脉冲涡流红外热成像缺陷检测平台；

图3是圆孔型缺陷参数图；

图4是矩形缺陷参数图；

图5是圆孔1和圆孔3的独立成分分析结果图；

图6是矩形1和矩形3的独立成分分析结果图；

图7是圆孔2的独立成分分析结果图；

图8是矩形2的独立成分分析结果图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于数据融合和RBF神经网络的表面缺陷深度估计方法流程图。

在本实施例中，如图1所示，本发明一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，其特征在于，包括以下步骤：

S1、采集红外热图像序列

采用脉冲涡流对待测件加热，再利用红外热像仪采集单位时长内的待测件红外热图像序列，且每帧红外热图像大小相同。

S2、利用独立成分分析算法处理红外热图像序列，得到n(n＝1,2,…,H)个独立成分和混叠向量，其中，H表示热图像序列总帧数；

在本实施例中，利用独立成分分析算法处理红外热图像序列为现有技术，在此不再赘述，具体可以参考白利兵的电涡流脉冲热成像无损检测技术研究；

通过该处理后，红外热图像序列的特征被分离开，并由n个统计独立的独立成分图像表征出来，同时热响应特征被保存在混叠向量中；又因缺陷深度和缺陷热响应冷却阶段特征关系密切，所以独立成分分析得到的混叠向量可以用来估计缺陷深度。

S3、根据独立成分和混叠向量计算频谱信息

S3.1、设置分类器

计算n个独立成分的峰度系数kur(i)，将峰度系数最大的独立成分设置为d_1,i＝1，其余设置为0，再根据峰度系数kur(i)设置峰度系数分类器：

$d_{1,i}=\left(\begin{array}{c}1,\forall kur\left(j\right)<=kur\left(i\right),j\ne i\\ 0,\exists kur\left(j\right)>kur\left(i\right),j\ne i\end{array}\right);$

其中，i,j∈[1,n]；

计算n个混叠向量在采样结束时刻和初始时刻的温度差值tep(i)，将具有温度差值最小的混叠向量设置为d_2,i＝1，其余设置为0，再根据温度差值tep(i)设置温差分类器：

$d_{2,i}=\left(\begin{array}{c}1,\forall tep\left(j\right)>=tep\left(i\right),j\ne i\\ 0,\exists tep\left(j\right)<tep\left(i\right),j\ne i\end{array}\right)$

其中，i,j∈[1,n]；

计算n个混叠向量在加热结束时刻以后的最大变化速度spe(i)，将具有最大变化速度的混叠向量设置为d_3,i＝1，其余设置为0，再根据最大变化速度spe(i)设置下降速度分类器：

$d_{3,i}=\left(\begin{array}{c}1,\forall spe\left(j\right)<=spe\left(i\right),j\ne i\\ 0,\exists spe\left(j\right)>spe\left(i\right),j\ne i\end{array}\right)$

S3.2、基于投票机制的决策融合对三种分类结果进行处理

计算再根据M值找出对应M值的混叠向量，并将该混叠向量的下降阶段标记为f(t)，用于后续的缺陷深度估计；

S3.3、将步骤S3.2找出的混叠向量的下降阶段f(t)进行傅里叶变换，得到混叠向量下降阶段的频谱信息；

S4、利用RBF神经网络进行表面缺陷深度估计

将训练样本按照步骤S3.1、S3.2所述方法选出各个样本的对应M值的混叠向量，再按照步骤S3.3所述方法得到该混叠向量下降阶段的频谱信息，并输入到RBF神经网络中进行训练，得到表面的深度缺陷。

实例

图2是脉冲涡流红外热成像缺陷检测平台。

图3是圆孔型缺陷参数图。

图4是矩形缺陷参数图。

为了验证本发明提出的方法的可靠性，采用两种形状的缺陷对提出的方法进行验证，两种缺陷都是不锈钢覆面焊缝人工缺陷。其中，第一种形状的缺陷是3个圆孔型缺陷，缺陷的具体参数如图3所示；第二种形状的缺陷是3个矩形缺陷，缺陷的具体参数如图4所示。

利用图2所示的检测平台分别对各个缺陷进行加热，采集热图像数据。用本发明提出的方法进行对采集得到的热图像序列进行处理，用训练好的RBF神经网络估计他们的深度。为了不引入形状等其他影响因子对缺陷深度估计的干扰，根据缺陷形状将缺陷分为两组进行深度估计，即圆孔型缺陷为一组，矩形缺陷为一组。

在对缺陷进行深度估计前，需要先训练RBF神经网络。本发明将圆孔1、3和矩形1、3分别作为两组训练样本，分别对RBF网络进行训练，训练得到的两个RBF神经网络分别用来估计圆孔型缺陷深度和矩形缺陷深度。

圆孔型缺陷深度估计RBF神经网络训练过程如下：

1)、如图5(a)和图5(b)所示，分别计算圆孔1和圆孔3的独立成分和混叠向量，为了保留99.9％以上的原始数据信息，圆孔型缺陷计算3个独立成分和3个混叠向量，即n＝3。

2)、分别计算圆孔1和圆孔3的各个独立成分的峰度系数kur(i)，各个混叠向量的温差tep(i)和最大下降速度spe(i)，其中，i＝1,2,3。以上计算值的具体数值如表1所示。

表1是圆孔1和圆孔3的kur(i)、tep(i)、spe(i)值。

表1

根据分类器准则可得，

圆孔1：d_1,1(1)＝1，d_1,2(1)＝0，d_1,3(1)＝0；d_2,1(1)＝0，d_2,2(1)＝1，d_2,3(1)＝0；d_3,1(1)＝0，d_3,2(1)＝1，d_3,3(1)＝0。

圆孔3：d_1,1(3)＝1，d_1,2(3)＝0，d_1,3(3)＝0；d_2,1(3)＝0，d_2,2(3)＝1，d_2,3(3)＝0；d_3,1(3)＝0，d_3,2(3)＝1，d_3,3(3)＝0。

3)、用基于投票机制的决策融合可得，在圆孔1样本中，M对应的混叠向量为图5(a)中的第二个混叠向量，将其标记为A_1,2，则f(t)＝A_1,2的下降阶段，利用f(t)的频率分布作为样本来训练RBF神经网络。同理可得，圆孔3样本中，M对应的混叠向量为图5(b)中的第二个混叠向量，将其标记为A_3,2，则f(t)＝A_3,2的下降阶段也是含有缺陷信息的代表性信号，用来作为RBF的另一个训练样本。

4)、将A_1,2和A_3,2的下降阶段分别进行傅里叶变换，得到其频谱信息，将其输入到RBF神经网络中进行训练，且对应的输出分别为5和1，圆孔型缺陷深度估计的RBF神经网络训练就结束了。

同理，将矩形1和3作为训练样本，按照圆孔1和圆孔3所述训练方法可得矩形缺陷深度估计的RBF神经网络的训练过程，在训练过程中，矩形1和矩形3的kur(i)、tep(i)、spe(i)值如表2所示，分类器结果如表3所示，其对应的独立成分分析结果如图6(a)和图6(b)所示，最终对应的输出同样为5和1。

表2是矩形1和矩形3的kur(i)、tep(i)、spe(i)值。

表2

表3是矩形1和矩形3的分类器结果。

表3

RBF神经网络训练完成后，就可以开始对其进行测试了。对于圆孔型缺陷深度估计RBF神经网络，圆孔2是测试样本。首先，按照步骤S2所述方法对圆孔2进行独立成分分析，其独立成分分析结果如图7所示。

表4是测试样本圆孔2的kur(i)、tep(i)、spe(i)值。

表4

接下来进行缺陷深度估计：保留计算得到的独立成分和混叠向量；计算该样本3个独立成分的峰度系数kur(i)(i＝1,2,3)，3个混叠向量的温差特征tep(i)和最快下降速度spe(i)(i＝1,2,3)，最终的计算结果如表4所示。

根据分类器准则可得，圆孔2：d_1,1(2)＝1，d_1,2(2)＝0，d_1,3(2)＝0；d_2,1(2)＝0，d_2,2(2)＝1，d_2,3(2)＝0；d_3,1(2)＝0，d_3,2(2)＝1，d_3,3(2)＝0。用基于投票机制的决策融合可得，在圆孔2样本中，M对应的混叠向量记为A_2,2，则f(t)＝A_2,2的下降阶段，对混叠向量A_2,2的下降阶段进行傅里叶变换，得到其频谱信息，再将所得的频谱信息输入到圆孔型深度估计RBF神经网络进行深度估计，估计的结果为3.3261mm，实际深度为3mm，利用误差率计算公式：est＝3.3261，tru＝3，可得误差率为0.1087。

同理，利用矩形缺陷深度估计RBF神经网络进行深度估计的结果为4.4507mm，实际深度为4mm，利用误差率计算公式可得，误差率为0.1127。在测试过程中，矩形2的kur(i)、tep(i)、spe(i)值如表5所示，分类器结果如表6所示，其对应的独立成分分析结果如图8所示

表5测试样本矩形缺陷2的kur(i)、tep(i)、spe(i)值。

表5

表6矩形2的分类器结果。

A_5,1A_5,2A_5,3d_1,i100d_2,i010d_3,i010

表6

综上所述，本发明提出的方法可以估计出缺陷的深度，且结果较为准确。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。