一种脉冲涡流热成像中缺陷的自动分割方法

摘要

本发明涡流脉冲热成像中缺陷的自动分割方法的提出，是基于ECPT缺陷行为的物理特性。缺陷区域将向外辐射更多能量，将其映射到图像直方图上，缺陷将分布在靠近直方图末梢的区域，且其所占比重相对背景来说较小。据此，本发明计算待分割图像的直方图进行分组，并计算各组累计像素个数Si的一阶导ki，选取绝对值最大值对应分组的下一个分组的像素平均值作为分割阈值，然后将小于分割阈值T的像素点去除，得到涡流脉冲热成像中的缺陷图像，从而实现了缺陷的分割，便于缺陷的识别和量化即定量检测和识别缺陷的目的。

说明书

技术领域

本发明属于无损检测和评估技术领域，特别是，更为具体地讲，涉及一种涡流脉冲热成像(ECPT，Eddy Current Pulsed Thermography)中缺陷的自动分割方法。

背景技术

无损检测技术具有广泛的科学基础和应用领域，是保证产品和工程质量的重要手段。涡流脉冲热成像(Eddy Current Pulsed Thermography,简称ECPT)结合了涡流和红外热成像技术，可实现大面积不同深度缺陷的无接触快速检测，已被广泛应用于导体材料无损检测领域，成为分析导体材料缺陷的重要手段。

在ECPT中，涡流在导体材料中的分布是不同的。当导体材料存在缺陷(如裂纹)，涡流行径会被迫转移，从而形成不同密度的涡流分布区域。在裂纹尖端和底部区域，其涡流密度要大于其他区域。由于焦耳热作用，涡流密度分布情况会直接反映为不同的温度分布，如裂纹两端及其底部会形成集热区，而其他区域温度则较低，导体材料表面热分布的不同现象，会被热像仪记录为热图序列。

目前，ECPT对导体材料缺陷的检测和表征已取得了大量成果。如独立成分分解法，该方法将热图序列执行独立成分分解(ICA)的操作，在没有任何先验信息下，ICA可根据热图在空间和时间上的响应信息，实现缺陷信息的增强和自动提取。独立成分分解属于现有技术，具体步骤可在论文《A.Hyvarinen,J.Karhunen,and E.Oja,“Independent component analysis and blind source separation,”John Wiley&Sons,pp.20–60,2001.》中得到。

在独立成分分解法中，选用ICA对热图序列作为预处理方法，然后将具有最大峭度的独立成分，按原热图尺寸重构成缺陷图像矩阵(重构步骤同样可以在《Bin Gao,Libing Bai,Guiyun Tian,W.L.Woo and Yuhua Cheng,“Automatic Defect Identification of Eddy Current Pulsed Thermography Using Single Channel Blind Source Separation,”IEEE Transactions on Instrumentation and Measurement, vol.63,no.4,pp.913-922.2014.》中得到)。

然而，缺陷定量检测研究还不够充分，且缺乏合适的自动分割方法，以便于缺陷的提取、识别和量化，这阻碍了ECPT在实际中的进一步应用。

发明内容

本发明的目的在于克服现有技术的不足，提出一种涡流脉冲热成像中缺陷的自动分割方法，以分割出缺陷，便于缺陷的识别和量化即定量检测和识别缺陷。

为实现上述发明目的，本发明涡流脉冲热成像中缺陷的自动分割方法，包括：

(1)、基于独立成分分解的热图序列预处理

通过涡流脉冲热成像检测系统，获得含缺陷导体表面的空间-时间热图响应序列(简称热图序列)，并对热图序列执行独立成分分析(Independent Component Analysis,ICA)，将具有最大峭度的独立成分，按原热图尺寸重构成缺陷图像矩阵，并以此缺陷图像矩阵作为待分割图像；

其特征在于，还包括以下步骤：

(2)、基于图像一阶统计特性的缺陷分割

2.1)、将待分割图像的直方图即包含缺陷的图像直方图平均地划分为n(n≥2)组，每一组的量级大小为：

其中，V_max和V_min是待分割图像上的最大像素值和最小像素值，这样，像素值V_i可定义为如下等式：

V_i＝V_min+i×ΔV,(i＝0,1,2...,n)>

其中，每一组可具体表示为：V₀～V₁,V₁～V₂,...,V_n-1～V_n，即：V_i～V_i+1，这样得到各组的累计像素个数S_i，以及每一组的像素平均值W_i：

其中，v为像素值，u_v为像素值v下对应的像素个数；

2.2)、计算累计像素个数S_i的一阶导k_i：

k_i＝S_i-S_i-1,(i＝1,2,...,n.其中S₀＝0)>

这样得到基于图像统计直方图的一阶导曲线；

2.3)、寻找绝对值最大的一阶导|k_i|_max，此时i为i_max；

如果i_max＝n，则将W_n作为分割阈值T，否则，作为分割阈值T，然后将小于分割阈值T的像素点去除，得到涡流脉冲热成像中的缺陷图像。

本发明的目的是这样实现的。

本发明涡流脉冲热成像中缺陷的自动分割方法的提出，是基于ECPT缺陷行为的物理特性。缺陷区域将向外辐射更多能量，将其映射到图像直方图上，缺陷将分布在靠近直方图末梢的区域，且其所占比重相对背景来说较小。据此，本发明计算待分割图像的直方图进行分组，并计算各组累计像素个数S_i的一阶导k_i，选取绝对值最大值对应分组的下一个分组的像素平均值作为分割阈值(绝对值最大值对应分组为最后一组，则该组像素平均值W_n作为分割阈值)，然后将小于分割阈值T的像素点去除，得到涡流脉冲热成像中的缺陷图像，从而实现了缺陷的分割，便于缺陷的识别和量化即定量检测和识别缺陷的目的。

附图说明

图1是本发明涡流脉冲热成像中缺陷的自动分割方法一种具体实施方式流程图；

图2是图1所示图像一阶统计特性的缺陷分割实例图，其中，(a)为经过ICA处理后得到的待分割图像，(b)为待分割图像的直方图，(c)分割得到的涡流脉冲热成像中的缺陷图像；

图3是遗传算法中的杂交(交叉)过程示意图；

图4是遗传算法中的变异过程示意图；

图5是在ECPT下，常用分割方法与本专利方法的分割结果对比图。

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。

图1是本发明涡流脉冲热成像中缺陷的自动分割方法一种具体实施方式流程图。

在本实施例中，如图1所示，本发明涡流脉冲热成像中缺陷的自动分割方法包括以下两个步骤：

S1、基于独立成分分解的热图序列预处理

首先，通过涡流脉冲热成像无损检测系统，在含缺陷导体上，获得含缺陷导体表面的空间-时间热图响应序列即热图序列，并对该热图序列执行独立成分分析(ICA)。在没有任何先验信息下，独立成分分析ICA可根据热图在空间和时间上的响应信息，实现缺陷信息的增强和自动提取。独立成分分解属于现有技术，在此不再赘述。

在本发明中，选用ICA作为预处理方法，然后将具有最大峭度的独立成分，按原热图尺寸重构成缺陷图像矩阵，并以此图像矩阵作为待分割图像，重构步骤同样属于现有技术，在此不再赘述。

S2、基于图像一阶统计特性的缺陷分割

在本实施例中，经过ICA处理后得到的待分割图像如图2(a)所示，其直方图如图2(b)所示，直方图直观地反映了在不同像素值上，其对应像素个数的分布情况。考虑到ECPT缺陷物理特性，本发明中，将包含缺陷的图像直方图平均地划分为n(n≥2)组，每一组的量级大小为：

其中，V_max和V_min是待分割图像上的最大像素值和最小像素值，这样，像素值V_i可定义为如下等式：

V_i＝V_min+i×ΔV,(i＝0,1,2...,n)>

其中，每一组可具体表示为：V₀～V₁,V₁～V₂,...,V_n-1～V_n，即：V_i～V_i+1，这样得到各组的累计像素个数S_i，以及每一组的像素平均值W_i：

其中，v为像素值，u_v为像素值v下对应的像素个数。

由于各组的累计像素个数S_i是一个离散模型，所以S_i的一阶导可表示为：

k_i＝S_i-S_i-1,(i＝1,2,...,n.其中S₀＝0)>

至此，可得到基于图像统计直方图的一阶导曲线，在本实施例中，如图2(b)所示。

寻找绝对值最大的一阶导|k_i|_max，此时i为i_max。并将此|k_i|_max作为缺陷区域和背景区域的权重交替点。

由于在涡流脉冲热成像检测中，缺陷区域分布在图像直方图靠近末梢的区域，为了能够准确得到缺陷，尽量避免背景干扰，将k_max右侧看做为缺陷区域。

在本发明方法中，如果i_max＝n，则将W_n作为分割阈值T，否则，作为分割阈值T，然后将小于分割阈值T的像素点去除，得到涡流脉冲热成像中的缺陷图像。

在本实施例中，如图2(b)所示，按照以上思想，将其等分为10份，即n＝10，并以图2(b)中圆点作为阈值，分割结果如图2(c)所示。

根据上述提出的图像一阶统计特性，可实现阈值的确定。然而，不同的分组将会影响绝对值最大的一阶导|k_i|_max和分割阈值T，从而影响最终缺陷分割的效果。

为了确定一个较为合适的分组数n，在本实施例中，遗传算法被引入，以优化分组数n，即优化统计特性，从而达到优化分割阈值T的目的，包括以下步骤：

3.1)、初始化群体和编码

等概率随机生成一定数量的个体，并以此作为初始种群{X₁,X₂,...,X_c,...,X_m}，其中，m为种群规模即生成个体的数量。种群规模不能太小也不能太大，否则会导致收敛速度过慢或得不到最优解，在本实施例中，种群规模m为10。X_c为第c个个体，每个个体的取值范围为可能的图像直方图平均地划分组数，具体根据实际情况确定，在本实施例中，直方图的划分份数的取值范围为2～255；

3.2)、适应度计算

适应度H可对每个个体的生存能力做出客观评价，值越大说明该个体越有可能逼近最优解。在本实施例中，采用图像熵作为评价函数：

其中，p_d代表像素值为d时对应的像素个数；

在本实施例中，将初始种群中的每个个体X_c作为分组数n，对待分割图像按照步骤S2的方法进行缺陷分割，得到一个缺陷图像R_c，然后进行二值化处理即去除的像素点像素值变为0，保留的像素点像素值变为1，并计算出其对应适应度H_c：

其中，p_d代表像素值为d时对应的像素个数，D＝1；

3.3)、遗传种子的选择

在本实施例中，遗传种子选择策略为：如果当前代种群中某一个体的适应度小于上一代种群中个体适应度的最大值，则将被上一代种群中适应度大于该个体适应度的个体随机替代，替换后的当前代种群作为遗传种子。如：上一代中种群个体适应度从小到大排列为{H₁,H₂,H₃,H₄,H₅,H₆}，当前代种群中个体适应度从小到大排列为{h₁,h₂,h₃,h₄,h₅,h₆}，将两代适应度从小到大排序为：H₁<H₂<H₃<h₁<h₂<H₄<H₅<H₆<h₃<h₄<h₅<h₆，则当前代种群中适应度为h₁和h₂的个体将被上一代种群中适应度为H₄，H₅或H₆的个体随机替代。

如果当前代种群为初始种群，则不进行遗传种子的选择，直接作为遗传种子。

3.4)、杂交

将遗传种子中的两个个体某些位进行交换即杂交，如图3所示，X₁低四位与X₂低四位进行交换。此过程需给定一个杂交率P_c，杂交率越大，各代充分交叉，但种群的优良模式遭到破坏的可能性增大；杂交率越低，遗传搜索可能陷入停滞状态，不利于求得最优解，一般取值为0.4～0.9。在本实施例中，杂交率P_c选为0.4；

3.5)、变异

将杂交后的遗传种子中某些个体上某些位进行改变即变异，如图4所示，第3位从1变为0。此过程需选取变异率P_m，不宜超过0.5，否则遗传算法将退化为随机搜索，难以收敛。在本实施例中，变异率P_m设置为0.3。

3.6)、将变异后的遗传种子作为新一代种群，按照3.2)方法计算每个个体的适应度H_c；

如果遗传代数达到设定值，则返回步骤3.3)；

如果遗传代数达到设定值，则停止迭代，将具有最大适应度的个体作为最优解，即最优的直方图划分份数即分组数n，在此分组数n下，得到对应分割阈值T，并以此作为最优分割阈值对待分割图像进行分割操作，最终得到分割结果即涡流脉冲热成像中的缺陷图像，用以定量检测和识别缺陷。

遗传代数可以设置为5～10次，在本实施例中，遗传代数设定为7。

上述参数的设置通过蒙特卡洛重复试验选定，具有稳定性。若希望更具体地理解遗传算法原理，可参看论文《D.E.Goldberg,J.H.Holland,“Genetic algorithms and machine learning,”Machine learning,vol.3,no.2,pp.95-99,1988.》。

图5是在ECPT下，常用分割方法与本专利方法的分割结果对比图。其中，图5(a)给出了自然裂纹试件图片，图5(b)为经ICA处理后得到的待分割图像，图5(c)～(e)分别为常用分割算法Otsu，迭代阈值法(IT)和Hamadani算法的分割结果图，图5(f)为本发明的分割结果。对比分割结果可知，如果采用常用分割方法分割缺陷，背景干扰极大，不利于缺陷的识别，而本发明提出的自动分割方法可有效抑制背景的干扰，同时较为准确地将缺陷分离出来。此处，将采用两个指标TPR＝TP/(TP+FN)和FPR＝FP/(TP+FP)对分割方法性能做出客观评价(TP表示缺陷存在且被检测到，FN表示缺陷存在却没有检测到，FP表示没有缺陷却误检到缺陷)，TPR越接近1，FPR越小，表示分割性能越好。在本实施例中，将如图5(b)中event1和event2视为缺陷，计算各分割方法的TPR和FPR，结果如表1所示。

Otsu IT Hamadani 本发明 TPR 1 1 1 1 FPR 2/3 2/3 2/3 1/2

表1

如表1所示，四种方法TPR都为1，说明这几种方法都能得到缺陷信息；而Otsu、迭代阈值和Hamadani的FPR要大于本专利所提出的方法，说明提出的本发明方法分割准确度较好，可得到较高质量的分割结果。

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。