一种基于自学习拼接算法的航天器撞击损伤检测方法技术

本发明专利技术公开了一种基于自学习拼接算法的航天器撞击损伤检测方法，首先基于温度变化特征分离出突显缺陷特征的损伤温度重构图像；然后采用SIFT特征点检测算法实现特征点的快速检测同时生成损伤温度特征向量，再利用PCA算法对损伤温度特征向量进行降维，提高算法速度；基于损伤温度特征向量的余弦值作为相似性度量，实现特征点的粗匹配；最后搭建自优化匹配优化网络，获得优化后的精确匹配点对集合，并估计出几何变换矩阵的参数，实现图像拼接。本发明专利技术实现对缺陷模式特征的自学习过程，实现对数据特征的进一步压缩提取，从而实现适应性和鲁棒性更强的优化匹配结果，使各检测区域的损伤温度重构图像有效融合，实现对航天器表面大范围的快速损伤检测和损伤程度的初步判断。

【技术实现步骤摘要】
一种基于自学习拼接算法的航天器撞击损伤检测方法
本专利技术属于缺陷检测
，更为具体地讲，涉及一种基于自学习拼接算法的航天器撞击损伤检测方法。
技术介绍
目前，流星体和轨道碎片可能引起的超高速撞击已成为航天器空间活动的主要威胁之一，并将对航天器产生更严重的影响，如表面的弹坑和嵌入杂质造成的内部缺陷。考虑到碎片撞击事件的随机性，撞击的影响程度是不确定的，会导致复杂多变的损伤模式，因此航天器潜在损伤的检测是一个重要的研究方向。为了获得有效的航天器损伤检测和评估结果，需要对航天器整体或大范围局部区域进行原位无损检测。无损检测方法主要包括超声检测、磁粉检测和渗透检测等。利用上述方法进行检测，虽然具有检出率高、灵敏度高、缺陷显示直观等优点，但同时存在劳动强度大、检修周期长、效率低、成本高、环保性和安全性差等问题，相当程度制约了检测工作的开展和效率。近年来，光脉冲热图像检测法作为一种无损检测新技术得到飞速发展。因其快速高效、低损耗、高安全性等特性，有效解决上述传统无损检测方法存在的劳动强度大、周期长、效率低、安全性差等问题，同时针对大体积的航天器作为检测对象，可实现大面积快速检测，节省人力物力。在光脉冲热图像检测系统中，利用脉冲激励控制光源对航天器大范围区域进行热辐射并用红外热像仪记录相应区域的温度场分布。对热辐射引起的表面温度场变化，损伤区域与正常表面区域会产生差异性，可通过对红外热图像序列的温度变化特征进行分析处理来重构出突显损伤区域的图像结果(损伤温度重构图像)。损伤温度重构图像不仅直观地呈现出检测区域的损伤分布，同时能反映出无法直接观测的近表面缺陷和碎片撞击造成的内部缺陷。航天器体积庞大，表面结构复杂，在进行损伤检测时，单次检测范围有限，可能无法反映损伤的分布情况和检测区域内某些损伤的完整性状。针对损伤缺陷的定性和定量研究十分重要，但是初步地掌握检测区域内损伤分布情况和基本损伤程度也非常重要。航天器在宇宙执行飞行任务的过程中可能受到来自空间碎片或微流星体的超高速撞击，造成在航天器的表面及亚表面产生多种多样的损伤模式，如表皮脱落、环形撞击坑、表面裂纹、内部凹陷、穿孔等。对于一些应用场景环境相对稳定的器件或者容器的缺陷检测中，如发动机、高压容器的缺陷检测，其产生的缺陷模式相对单一，分布相对单调。由于超高速撞击造成的损伤具有随机性和多变性，产生的损伤模式分布复杂，且可能在同一损伤处同时存在多种损伤模式，甚至可能产生未知的损伤模式，令相关研究人员无法人为的准确标定和评估。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于自学习拼接算法的航天器撞击损伤检测方法，实现适应性和鲁棒性更强的优化匹配结果，对缺陷进行准确标定和评估，使各检测区域的损伤温度重构图像有效融合，实现对航天器表面大范围的快速损伤检测和损伤程度的初步判断。为实现上述专利技术目的，本专利技术基于自学习拼接算法的航天器撞击损伤检测方法，其特征在于，包括以下步骤：(1)、获取子区域损伤温度重构图像对航天器的一个大范围检测区域，由红外热像仪拍摄多个含重叠区域的红外视频流；对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像；这样得到该大范围检测区域的各个子区域的损伤温度重构图像；(2)、特征点检测、描述以及降维对包括重叠区域的子区域的损伤温度特征重构图像I1、I2，采用SIFT特征点检测算法进行特征点检测，得到特征点；然后构建特征点的特征描述，得到各个特征点的损伤温度特征向量；再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维，这样得到损伤温度特征重构图像I1的所有特征点的特征向量xm(维度为64维)构成特征向量集合M为损伤温度特征重构图像I1检测到的特征点数量，损伤温度特征重构图像I2的所有特征点的特征向量yn(维度为64维)构成特征向量集合N为温度变化特征重构图像I2检测到的特征点数量；(3)、粗匹配对于特征向量集合的特征向量xm，计算其与征向量集合中所有特征向量yn的向量夹角的余弦值dm1,dm2,....,dmN，然后，在余弦值dm1,dm2,....,dmN找到最大值dmg与次大值dmp，当：则认为特征向量xm与特征向量yg相互匹配，为一粗匹配点对，其中，dthreshold为设定的阈值，根据具体情况确定，这样得到粗匹配点对集合其中，x′t,y′t为第t对粗匹配点对，T为粗匹配点(特征向量)对的个数；(4)、剔除误匹配点对4.1)、构建衡量粗匹配点对集合中粗匹配点对相似程度的偏差向量Vt：其中，x′t(r)和y′t(r)分别为粗匹配集合中第t对粗匹配点对的第r维；4.2)、设置自优化匹配网络结构自优化匹配网络包括三层：输入层的神经元个数s1为64，与输入对象即偏差向量Vt的维度一致，隐藏层神经元个数s2为32，利用自优化匹配网络去学习偏差向量Vt的”'压缩”'表示，输出端的神经元个数s3为2，标记类别0和1；相应的参数设置：最大迭代次数100，稀疏参数ρ＝0.05，在自优化匹配网络中训练稀疏自编码器时使用的总体代价函数为：F(J,b)为自编码器代价函数，其中J为回归系数，描述各属性在预测中的重要性，b为线性回归中的常量，γ为影响系数；隐含层的惩罚因子表示隐藏神经元j的平均激活度，用于限制隐藏神经元的平均活跃度；4.3)、训练自优化匹配网络利用前期实验试件中两两损伤温度特征重构图像的粗匹配集合构建偏差向量V′i，i＝1,2,…k，k为粗匹配点(特征向量)对的个数，构建集合A＝{V′1,...,V′k}，并作为无标签数据集训练自优化匹配网络中的稀疏自编码器；将前期实验试件中两两损伤温度特征重构图像的粗匹配集合进行进一步迭代筛选出正确匹配点对，将正确匹配点对标记为1，将剔除掉的错误匹配点对标记为0，构建集合其中，ci为分类标记，两特征向量错误匹配表示为0，两特征向量正确匹配表示为1，i＝1,2,…k，并作为有标签数据集，将其中的偏差向量Vi′，i＝1,2,…k，输入到训练后的稀疏自编码器，得到相应的编码向量Y′i，从而得到分类器样本训练集选择可实现简单的二分类功能的分类器(如SVM分类器)，用样本训练集对其进行训练，得到一个输出为0或1标签的分类器，0表示两特征向量错误匹配，1表示两特征向量正确匹配，至此，自优化匹配网络训练完成；4.4)、将偏差向量Vt输入到训练完成的自优化匹配网络中，首先在训练后的稀疏自编码器进行编码，得到编码向量Zt，然后输入到分类器中，输出为0或1；对于粗匹配点对集合将分类器输出为1的对应粗匹配点对保留，将分类器输出为0的对应粗匹配点对剔除，得到匹配点对集合W为匹配点(特征向量)对数量；(5)、图像拼接根据匹配点对集合中的匹配点对估计出几何变换矩阵H的参数，本文档来自技高网...

【技术保护点】
1.一种基于自学习拼接算法的航天器撞击损伤检测方法，其特征在于，包括以下步骤：/n(1)、获取子区域损伤温度重构图像/n对航天器的一个大范围检测区域，由红外热像仪拍摄多个含重叠区域的红外视频流；/n对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像；/n这样得到该大范围检测区域的各个子区域的损伤温度重构图像；/n(2)、特征点检测、描述以及降维/n对包括重叠区域的子区域的损伤温度特征重构图像I

【技术特征摘要】
20200527 CN 20201046135941.一种基于自学习拼接算法的航天器撞击损伤检测方法，其特征在于，包括以下步骤：
(1)、获取子区域损伤温度重构图像
对航天器的一个大范围检测区域，由红外热像仪拍摄多个含重叠区域的红外视频流；
对每个获得的视频流进行采样得到一个红外图像序列，并将其视为输入的盲源信号，利用独立成分分析法(ICA算法)进行信号分离，获得突出各个缺陷信息的损伤温度重构图像；
这样得到该大范围检测区域的各个子区域的损伤温度重构图像；
(2)、特征点检测、描述以及降维
对包括重叠区域的子区域的损伤温度特征重构图像I1、I2，采用SIFT特征点检测算法进行特征点检测，得到特征点；然后构建特征点的特征描述，得到各个特征点的损伤温度特征向量；再利用PCA算法对检测到的特征点的损伤温度特征向量进行降维，这样得到损伤温度特征重构图像I1的所有特征点的特征向量xm(维度为64维)构成特征向量集合M为损伤温度特征重构图像I1检测到的特征点数量，损伤温度特征重构图像I2的所有特征点的特征向量yn(维度为64维)构成特征向量集合N为温度变化特征重构图像I2检测到的特征点数量；
(3)、粗匹配
对于特征向量集合的特征向量xm，计算其与征向量集合中所有特征向量yn的向量夹角的余弦值dm1,dm2,....,dmN，然后，在余弦值dm1,dm2,....,dmN找到最大值dmg与次大值dmp，当：



则认为特征向量xm与特征向量yg相互匹配，为一粗匹配点对，其中，dthreshold为设定的阈值，根据具体情况确定，这样得到粗匹配点对集合其中，x′t,y′t为第t对粗匹配点对，T为粗匹配点(特征向量)对的个数；
(4)、剔除误匹配点对
4.1)、构建衡量粗匹配点对集合中粗匹配点对相似程度的偏差向量Vt：



其中，x′t(r)和y′t(r)分别为粗匹配集合中第t对粗匹配点对的第r维；
4.2)、设置自优化匹配网络结构
自优化匹配网络包括三层：输入层的神经元个数s1为64，与输入对象即偏差向量Vt的维度一致，隐藏层神经元个数s2为32，利用自优化匹配网络去学习偏差向量Vt的”'压缩”'表示，输出端的神经元个数s3为2，标记类别0和1；
相应的参数设置：最大迭代次数100，稀疏参数ρ＝0.05，在自优化匹配网络中训练稀疏自编码器时使用的总体代价函数为：



F(J，b)为自编码器代价函数，其中J为回归系数，描述各属性在预测中的重要性，b为线性回归中的常量，γ为影响系数；
对于隐含层的惩罚因子




表示隐藏神经元j的平均激活度，...

【专利技术属性】
技术研发人员：陈凯，杨晓，殷春，张阔，程玉华，黄雪刚，石安华，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51