本發(fā)明屬于缺陷檢測(cè)，具體涉及基于sm-igabea模型的階梯式渦流熱成像缺陷重構(gòu)方法。

背景技術(shù)：

1、儲(chǔ)油罐是原油沉淀、儲(chǔ)存、運(yùn)輸?shù)年P(guān)鍵設(shè)備。在長(zhǎng)期使用過程中受到內(nèi)部環(huán)境介質(zhì)的腐蝕作用。這導(dǎo)致罐體局部變薄或罐體透水穿孔，嚴(yán)重影響企業(yè)的安全生產(chǎn)。儲(chǔ)油罐體積大，一次清洗大修難度大、費(fèi)用高。對(duì)于儲(chǔ)油罐的檢測(cè)，一直缺乏高效可靠的無損檢測(cè)手段。階梯式渦流熱成像技術(shù)在無損檢測(cè)中有著廣闊的應(yīng)用前景。它通過樣品中缺陷信息與表面溫度場(chǎng)分布的關(guān)系來實(shí)現(xiàn)定量分析。具有無污染、非接觸、能在部分有防爆要求的場(chǎng)所下檢測(cè)等優(yōu)點(diǎn)。

2、然而，階梯式渦流熱成像技術(shù)由于激勵(lì)條件弱，致使其溫升低且加熱時(shí)間長(zhǎng)，模糊效應(yīng)使得其檢測(cè)的缺陷難以被量化。缺陷的尺寸會(huì)對(duì)罐體的拉伸強(qiáng)度造成影響，嚴(yán)重情況下會(huì)使得設(shè)備出現(xiàn)泄漏，因此缺陷尺寸的量化評(píng)估對(duì)于評(píng)估損傷程度具有非常重要的意義。以往通過罐體表面溫度響應(yīng)的時(shí)間峰值對(duì)缺陷測(cè)量深度，但該方法對(duì)紅外熱像儀幀率的要求極高，而該類型的紅外熱像儀往往十分昂貴，這給sect技術(shù)在工程的應(yīng)用帶來了困難。另一方面，在實(shí)際工業(yè)檢測(cè)中，檢測(cè)物體表面往往伴隨著發(fā)射率不一致，空間熱輻射與長(zhǎng)時(shí)間加熱導(dǎo)致的模糊效應(yīng)等問題，使得主流重構(gòu)方法得到的壓縮圖像背景域呈現(xiàn)不均勻，缺陷邊緣模糊等問題，難以對(duì)缺陷實(shí)現(xiàn)有效分割。因此，降低對(duì)紅外熱像儀幀率要求，消除測(cè)量噪聲和背景不均勻的影響，對(duì)罐體內(nèi)部的缺陷重構(gòu)有重要的研究?jī)r(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于針對(duì)上述現(xiàn)有技術(shù)中的問題，提供基于sm-igabea模型的階梯式渦流熱成像缺陷重構(gòu)方法，利用sm-igabea模型重構(gòu)圖像，以降低對(duì)紅外熱像儀幀率要求，消除測(cè)量噪聲與背景不均勻的影響，通過重構(gòu)圖像的一階微分實(shí)現(xiàn)缺陷的分割，通過分割域均值與缺陷的幾何特征實(shí)現(xiàn)缺陷深度的測(cè)量。

2、本發(fā)明采用的技術(shù)方案如下：

3、基于sm-igabea模型的階梯式渦流熱成像缺陷重構(gòu)方法，其特征在于，包括如下步驟：

4、s1、獲取紅外熱圖像序列；

5、利用階梯式渦流熱成像無損檢測(cè)平臺(tái)對(duì)常溫狀態(tài)下存在已知缺陷的試件進(jìn)行加熱，并采集整個(gè)加熱階段的p幀紅外熱圖像，組成紅外圖像時(shí)間序列s，其中，每幀紅外熱圖像的大小為m×n，m、n分別為紅外熱圖像長(zhǎng)、高；

6、s2、奇異值分解降噪重構(gòu)；

7、s2.1、按時(shí)間離散為多個(gè)熱圖像xi，將單個(gè)形狀為m×n圖像xi通過svd方法分解為三個(gè)矩陣的乘積，即；

8、xnewi＝urvt

9、s2.2、然后選擇前k個(gè)最大的奇異值進(jìn)行重構(gòu)得到降噪重構(gòu)后的離散熱圖xnewi，使單張熱圖上的噪音信息極大程度消除，即；

10、

11、s2.3、將分解降噪重構(gòu)后的離散熱圖xnewi按時(shí)間順序，重新組合為降噪后的紅外圖像時(shí)間序列snew；

12、s3、通過三階統(tǒng)計(jì)量偏度(即sm模型)實(shí)現(xiàn)熱圖像序列的壓縮；

13、s3.1、將紅外圖像時(shí)間序列snew按像素位置進(jìn)行分解為一維的時(shí)間序列數(shù)據(jù)p(x,y)，并通過三階統(tǒng)計(jì)量計(jì)算每個(gè)像素p(x,y)點(diǎn)對(duì)應(yīng)的偏度值ske(p(x,y))，即；

14、

15、其中，是像素p(x,y)點(diǎn)的一維時(shí)序溫度數(shù)據(jù)的均值，n為幀數(shù)；

16、s3.2、將所有像素點(diǎn)的偏度值ske(p(x,y))按所在位置(x,y)進(jìn)行拼接重組，實(shí)現(xiàn)熱圖像序列的壓縮，壓縮后的矩陣為偏度矩陣ske。

17、s4、采用改進(jìn)高斯背景消除算法(即igabea)方法實(shí)現(xiàn)不均勻背景的去除；

18、s4.1、計(jì)算偏度矩陣ske與尺度因子σ為1到n的高斯函數(shù)的卷積，即；

19、

20、其中，σi為第i個(gè)尺寸因子，li(x,y,σi)為采用第i個(gè)尺寸因子估計(jì)的背景圖；

21、s4.2、通過偏度矩陣ske與不同尺寸因子估計(jì)背景矩陣li(x,y,σi)的差分，得到去除不均勻背景后的偏度圖像序列di(x,y,σi)，即；

22、di(x,y,σi)＝|ske(p(x,y))-li(x,y,σi)|

23、s4.3、采用三階非線性收斂因子實(shí)現(xiàn)去除不均勻背景后的偏度圖像序列di(x,y,σi)的壓縮與重建，即；

24、

25、其中，dnewi(x,y)為壓縮重建后的像素位置為(x,y)的去除背景的值，將其按位置重建為矩陣形式dnew；

26、s5、遺傳算法實(shí)現(xiàn)最佳壓縮重建圖的構(gòu)建；

27、s5.1、按橫向與縱向計(jì)算s4.3重建偏度矩陣dnew的一階微分，分別為dx與dy，找到dx與dy同時(shí)為0，且提取位置的左右或上下微分值符號(hào)相反的像素點(diǎn)，該像素點(diǎn)所在位置即缺陷中心位置，并提取該位置的dnew值為sked矩陣；

28、s5.2、提取dx與dy同時(shí)為0，且提取位置的左右或上下微分值符號(hào)相同的像素點(diǎn)，，提取這些像素點(diǎn)的dnew值為skes矩陣作為背景域的信號(hào)強(qiáng)度，并計(jì)算這些像素點(diǎn)的標(biāo)準(zhǔn)差σref；

29、s5.3、計(jì)算當(dāng)前尺度因子σ下，壓縮重建結(jié)果圖中各缺陷的信噪比snr，即；

30、

31、s5.4、設(shè)置遺傳算法的優(yōu)化變量為尺度因子σ，優(yōu)化目標(biāo)為缺陷域的信噪比snr；

32、s5.5、重復(fù)s4.1-s5.3，直到遺傳算法收斂，從而獲得缺陷增強(qiáng)后的矩陣dnew；

33、s6、基于一階微分均值的缺陷分割；

34、s6.1、計(jì)算增強(qiáng)后的矩陣dnew通過缺陷中心的縱向與橫向的一階微分drx與dry；

35、s6.2、提取一階微分drx與dry中最大最小值的四個(gè)位置，提取這四個(gè)位置對(duì)應(yīng)dnew的重建值；

36、s6.3、計(jì)算提取的4個(gè)重建值的均值vmean，在矩陣dnew中高于vmean的認(rèn)為是缺陷所在區(qū)域被賦值為1，在矩陣dnew中低于vmean的認(rèn)為是背景所在區(qū)域被賦值為0，從而完成缺陷的分割任務(wù)；

37、s7、缺陷切平面的測(cè)量；

38、s7.1、計(jì)算s6.2中，一階微分drx最大最小值的距離，并按照像素點(diǎn)與實(shí)際距離的比例尺進(jìn)行縮放，從而得到缺陷的寬度wd；

39、s7.2、計(jì)算s6.2中，一階微分dry最大最小值的距離，并按照像素點(diǎn)與實(shí)際距離的比例尺進(jìn)行縮放，從而得到缺陷的高度hd；

40、s8、基于三元線性回歸的缺陷深度重建；

41、s8.1、提取s(6.3)中缺陷域位置在在s(3.2)中偏度矩陣ske中計(jì)算缺陷區(qū)域的偏度均值skemeand，提取s7.1-s7.2的寬度wd與高度hd；

42、s8.2、將skemeand，wd與hd輸入擬合模型實(shí)現(xiàn)缺陷深度dd的重建，即；

43、

44、其中ts為鋼板厚度。

45、進(jìn)一步地，s1中，交變電流頻率為50-200hz，電流小于等于20a，熱像儀采樣頻率小于等于10hz。

46、進(jìn)一步地，s5.1中，若橫向縱向的一階微分取值均為0，且左右或上下像素點(diǎn)位置處的一階微分取值異號(hào)，則表明缺陷中心處于該位置。

47、進(jìn)一步地，s6.3中，大于4個(gè)重建值的均值vmean，在圖像dnew中高于vmean的認(rèn)為是缺陷所在區(qū)域被賦值為1，在圖像dnew中低于vmean的認(rèn)為是背景所在區(qū)域被賦值為0。

48、進(jìn)一步地，s8.2中，利用缺陷域偏度均值skemeand與缺陷的長(zhǎng)寬實(shí)現(xiàn)缺陷的深度測(cè)量。

49、本發(fā)明的有益效果為：

50、本發(fā)明提出了基于sm-igabea模型的階梯式渦流熱成像缺陷重構(gòu)方法，利用sm-igabea模型重構(gòu)圖像，有效消除測(cè)量噪聲與背景不均勻的影響，并實(shí)現(xiàn)缺陷的重構(gòu)與量化。還降低了測(cè)量方法對(duì)紅外熱像儀高幀率的依賴，有效降低了該項(xiàng)技術(shù)的應(yīng)用成本。