[发明专利]光激励红外热成像无损检测方法、系统、存储介质及终端

说明书

本发明公开了一种光激励红外热成像无损检测方法、系统、存储介质及终端，属于光激励红外检测技术领域，方法包括：基于L4范数建立对矩阵Y进行稀疏表示的优化目标函数，并通过交替迭代的方式求解优化目标函数，进而得到稀疏系数矩阵X；将稀疏系数矩阵X逆矩阵化，得到缺陷信息增强后的图像序列。本发明基于L4范数建立对矩阵Y进行稀疏表示的优化目标函数，由于L4范数的特殊性质，使得基于L4范数的稀疏字典学习算法更易获得与真实字典相近的字典，从而更好的恢复数据的稀疏表示，更好的提取弱缺陷信息，提高了缺陷检测准确率。

技术领域

本发明涉及光激励红外检测技术领域，尤其涉及一种光激励红外热成像无损检测方法、系统、存储介质及终端。

背景技术

红外热成像检测技术是一种多学科交叉、多领域应用的新型无损检测技术。红外热成像检测技术的研究，对风洞压缩机叶片的表面扫查、航空航天设备外壳、石油化工管道、电力输送设备、机械、轨道交通和新能源等领域都具有重要意义。

红外热成像检测技术的基本原理是：通过特定的光激励模式加热被测试件，由于被测试件本身存在不连续性缺陷，会对热传递性能产生影响，使得被测试件表面产生温度差，进而导致被测试件表面的红外辐射能力产生差异。然后，利用红外热像仪对被测试件的辐射分布进行探测，通过采集的热像图序列，再通过相对应的寻优图像处理算法就可得到被测试件内部缺陷特征信息。然而由于热扩散和噪声的干扰，红外热成像仪采集到的热图像具有加热不均匀，分辨率低、噪声大和缺陷信息不明显等缺点，从而导致缺陷检测方法准确率低。

为了提高准确率，目前已有针对缺陷提取的处理方法，如传统的热成像无损检测算法热信号重构和脉冲相位法以及矩阵分解相关的主成分分析、独立成分分析、变分贝叶斯张量分解方法和稀疏集成矩阵分解方法。但是，上述方法均存在缺陷对比度和缺陷检出率低以及时间消耗过长等缺点。

发明内容

本发明的目的在于克服现有红外热成像检测方法缺陷对比度、缺陷检出率低，检测时间长的问题，提供了一种光激励红外热成像无损检测方法、系统、存储介质及终端。

本发明的目的是通过以下技术方案来实现的：一种光激励红外热成像无损检测方法，所述方法包括：

基于L4范数建立对矩阵Y进行稀疏表示的优化目标函数，并通过交替迭代的方式求解优化目标函数，进而得到稀疏系数矩阵X；

将稀疏系数矩阵X逆矩阵化，得到缺陷信息增强后的图像序列。

作为一选项，所述优化目标函数具体为：

Y＝DX,D^TD＝I,X～_iid BG(θ)

其中，||·||₄表示L4范数，||·||_F表示Frobenius范数，X～_iidBG(θ)表示稀疏系数矩阵X服从伯努利-高斯分布，θ是系数，用来控制X矩阵的稀疏程度，P∈SP(k)代表符号排列矩阵，矩阵A∈R^k×f是全局最大化器，I∈R^k×k是单位矩阵，C和ε是阈值参数。

作为一选项，所述通过交替迭代的方式求解优化目标函数具体为：

设置迭代次数q，q＝1,2,...Q，Q表示最大迭代次数；初始化A₀＝[eye(k,k)；zeros(f-k,k)]；

计算的导数得到

根据对进行SVD分解，其中，SVD(·)代表奇异值矩阵分解，U∈R^k×k是左奇异矩阵，V∈R^f×f是右奇异矩阵，Σ∈R^k×f是奇异值矩阵；