[发明专利]一种基于行变步长分割的高压容器热成像缺陷检测方法

摘要

本发明公开了一种基于行变步长分割的高压容器热成像缺陷检测方法，通过从涡流脉冲热图像中选出最大像素值点，根据最大像素值点利用皮尔孙相关系数法计算相关系数，进而得到变换步长，然后结合变换步长计算每个像素点的瞬态热响应，并进行分类处理，再利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，最后经过降维处理后采用Canny算子算法进行特征提取，从而提取出涡流脉冲热图像的缺陷特征。

主权项

1.一种基于行变步长分割的高压容器热成像缺陷检测方法，其特征在于，包括以下步骤：(1)、将涡流脉冲热图像用三维矩阵S表示，其中，S(i,j,:)表示三维矩阵S的第i行和第j列，第三个维度表示时间；(2)、从三维矩阵S选出像素值最大的点S(Izz,Jzz,Tzz)，其中，Izz、Jzz和Tzz分别表示最大像素值点的行对应值、列对应值和时间对应值；随着时间维度的变化，根据最大像素值点S(Izz,Jzz,Tzz)得到最大像素值点对应的时间矩阵S(Izz,Jzz,：)，以及最大像素值点所在行中其余像素点对应的时间矩阵S(Izz,j,：)，j＝1,2,…,N，N表示最大像素值点所在行中像素点的总个数；设置阈值Ref_cl；计算距离最大像素值点对应的时间矩阵S(Izz,Jzz,：)最近的的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，再判断pcc是否小于Ref_cl，如果pcc≥Ref_cl，则继续计算下一个距离次近的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，直到得到的pcc＜Ref_cl时，计算结束，然后统计pcc≥Ref_cl的像素点的个数，并记为CL，最后将CL作为变换步长；(3)、从大到小设定K个温度阈值T(m)，m＝1,2,…,K，根据每个像素点的热响应曲线的峰值将所有像素点分成K+1个数据块，Sk(m,n,:)表示第k个数据块在m行n列的瞬态热响应值；(4)、在第k个数据块中，按照步骤(2)所述方法选出最大像素值点对应的时间矩阵以及最大像素值点所在列中其余像素点对应的时间矩阵i＝1,2,…,M，M表示最大像素值点所在列中像素点的总个数；设置阈值REFR^k，再按照步骤(2)所述方法计算皮尔孙相关系数pcc，最终得到步长(5)、分块分步计算每一个像素点的瞬态热响应(5.1)、将最大瞬态热响应值存储在X(:,1)中，然后计算Sk(i,j,:)与X(:,1)的pcc值；(5.2)、设置阈值CC，集合X(:,g)；如果pcc＜CC，则将S^k(i,j,:)作为一个新特征存储在X(:,g)中；否则，令继续计算下一个与X(:,1)的的pcc值；如果i＞M，则令i＝i‑M，j＝j+CI，即变化到第j+CI列进行计算，如果j＞N,则瞬态热响应的计算过程完毕；(6)、将集合X(:,g)中的像素点分为L类(6.1)、设置聚类数目L，L满足：2≤L≤n；并初始化聚类中心V0，初始化迭代次数c＝0；设定终止迭代条件阈值ε；(6.2)、利用公式计算隶属度矩阵U；其中，i'＝1,2,…,L，c∈L，dn'k'＝||xk'‑Vi'||，n'＝i',j'，dn'k'表示第k'个像素点与第i'聚类中心Vi'的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；ui'k'表示第k'个像素点隶属于第i'类的程度；(6.3)、更新聚类中心Vi'其中，g表示集合X(:,g)中的像素点总个数；表示第k'个像素点的热响应值；(6.4)、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤(6.5)；否则，令c＝c+1，返回步骤(6.2)；(6.5)、利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(ui'k')；(7)、对三维矩阵S进行降维处理(7.1)、计算第i'个类别中所有像素点的像素均值MCi'；(7.2)、计算MC^i'对应的时间矩阵与第i^*个类别中第j^*个像素点瞬态响应值对应的时间矩阵的pcc值，记为其中，i^*＝1,2…,L,i'＝1,2…,L,i^*≠i'，j^*＝1,2,…,K^*，K^*表示第i^*个类别中像素点的个数；对第i^*个类别中得到的求和，得到再从所有的中选出最大的并记为最后将存在二维矩阵Y中；(8)、将三维矩阵S变换为二维矩阵O，再对二维矩阵O和Y进行线性变换，即：其中，是Y的伪逆矩阵；(9)、采用Canny算子算法对矩阵R进行特征提取；(9.1)、选取一高斯滤波器利用高斯滤波器对矩阵R进行平滑处理，即对矩阵R中每个像素点进行卷积运算：g₁(x,y)＝h(x,y,σ)*R(x,y)，R(x,y)表示矩阵R中坐标为(x,y)的像素点的像素值；(9.2)、利用一阶偏导的有限差分法计算g1(x,y)的梯度幅值；(9.2.1)、计算梯度幅值G(x,y)：Gx＝g1(x,y)‑g1(x+1,y+1)，Gy＝g1(x+1,y)‑g1(x,y+1)，G(x,y)＝|Gx|+|Gy|，其中，Gx代表在X轴方向梯度，Gy代表在Y轴方向梯度；(9.2.2)、计算幅值G_a(x,y)：其中，是以像素点(x,y)为中心8邻域像素点的连线，G_x,y是以像素点(x,y)的梯度方向方向的直线，G_a(x,y)为其两者交点的幅值；(9.3)、幅值G(x,y)同Ga(x,y)进行比较，若G(x,y)>Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设置为0；然后将保留的幅值对应的像素点进行非极大值抑制，得到图像G2；(9.4)、对非极大值抑制后的图像G2与预设的高阈值H_th和低阈值L_th进行判断；如果图像G2中某一像素点g2(x,y)的梯度幅值过高阈值H_th，则将像素点g2(x,y)记为边缘像素点；如果图像G2中某一像素点g2(x,y)的梯度幅值低于低阈值L_th，则将像素点g2(x,y)删除；如果图像G2中某一像素点g2(x,y)的梯度幅值介于高阈值H_th和低阈值L_th之间，则判断像素点g2(x,y)的8领域空间内是否存像素点的梯度幅值高于高阈值H_th，若存在，则保留像素点g2(x,y)，并记为边缘像素点；否则将像素点g2(x,y)删除；最终得到一幅显现缺陷特征的图像。