基于深度卷积自编码器的艺术品缺陷检测方法技术

本发明专利技术公开了基于深度卷积自编码器的艺术品缺陷检测方法，包括以下步骤：

【技术实现步骤摘要】
基于深度卷积自编码器的艺术品缺陷检测方法


[0001]本专利技术涉及红外热成像领域，特别涉及一种基于深度卷积自编码器的艺术品缺陷检测方法
。

技术介绍

[0002]近年来，无损检测
(Non
‑
destructive Evaluation,NDE)
在应用新材料和调查方法的基础上，大力研究用于文化遗产诊断和保护的物理和化学领域的创新技术
。
为了不损害文化遗产以及不影响被检测物体的观赏性，
NDE
技术成为最具吸引力的检测技术之一
。
目前，
NDE
已不再是仅仅使用
X
射线，还包括声
、
电
、
磁
、
电磁波
、
中子
、
激光等
。
目前，基于不同物理现象已开发多种
NDE
技术，代表性的有超声检测
、
红外热成像检测
、
射线检测
、
涡流检测等
。
其中，红外热成像
(Infrared Thermography,IRT)
检测技术因其成本低
、
操作简单以及在检测艺术品内部结构和缺陷中深受人们喜爱
。
[0003]然而，
IRT
技术进行检测也会有不同原因对实验造成干扰，比如：热源的不均匀加热以及实验环境的噪声干扰，使得
IRT
获得的热图像存在大量的噪声和不均匀背景，只通过视觉查看，很难发现其内部信息所存在的问题
。
人们针对检测结果中内部结构的可见性，目前已经提出了许多采集数据以及处理艺术品热影像数据的方法
。
其中主成分热成像
(Principal Component Thermography,PCT)
及其变体因其在数据压缩
、
降噪和保持数据全局结构的能力突出而广受欢迎
。
然而，获得的热影像数据为非线性数据，利用线性方法并不能很好展现目标特征
。
近年来，各种非线性方法层出不穷
。
其中，深度学习在图像处理领域取得了显著的成果
。
利用深度学习可以构建多个处理层，并逐步实现抽象的特征表示
。
但是，在实际获取的热成像数据中，往往因其低质量导致检测效果较差
。
如何提升数据质量，成为研究的主要目标
。
[0004]在众多深度学习的方法中，自编码器
(Autoencoder,AE)
是一种无监督的生成式模型，它可以利用编码和解码过程实现高维和低维空间的双向映射，经常被应用于图像增强
、
减少噪声
、
非线性降维以及提取特征的任务
。
卷积自编码器
(Convolutional AE,CAE)
作为
AE
的一个变体，继承了卷积神经网络优秀的图像处理和信息提取能力，同时对于含有较多像素点的图像，它能更好地保留图像信号的空间信息，从而达到对图像进行降噪的效果
。
但是由于
IRT
系统获取的热图像含有较多的噪声和不均匀背景，在特征提取过程中，使用单隐藏层自编码器进行特征提取往往得不到我们所需要的内部特征信息，这极大影响了对缺陷的判断
。
深层自编码器方法通过在合理的范围内增加隐藏层数，让自编码器网络能够抽象出层次高的特征
。
通过控制神经元数量使得数据更加紧凑，进而消除噪声的影响
。
然而，以上方法研究对象均为复合材料，对于艺术品中内部结构以及缺陷信息的检测并没有研究
。
[0005]本专利技术提出了一种称为深度卷积自动编码器热成像
(Deep Convolution Autoencoder Thermography,DCAT)
的数据分析方法
。
对热图像数据进行了数据增强和特征提取两个步骤
。
首先，通过卷积操作增强图像数据，使学到的图像更具鲁棒性
。
接下来，特征提取阶段可以抽象出数据中的非线性特征，并可视化隐藏层的结果
。DCAT
既展示了其在热
成像领域将缺陷从背景中分离出来的能力，又提高了样本缺陷的检测精度
。

技术实现思路

[0006]鉴于现有技术存在的问题，本专利技术提出了基于深度卷积自编码器的艺术品缺陷检测方法，该方法利用自编码器的数据增强和降维能力，对热影像数据进行增强与特征提取，实现缺陷的定位
。
[0007]本专利技术解决其技术问题所采用的技术方案：
[0008]基于深度卷积自编码器的艺术品缺陷检测方法，包括以下步骤：
[0009](1)
获取热影像数据集：
[0010]通过红外热成像系统获得实验所使用的热影像数据，获得的数据为三维矩阵
n
t
×
n
x
×
n
y
，并展开为二维矩阵
n
t
×
n
x
n
y
；
[0011](2)
数据集的预处理：
[0012]对步骤
(1)
中获取的热影像数据进行数据归一化处理，使其变成无量纲数据集；
[0013](3)
建立
DCAT
神经网络模型并训练
[0014]建立基于深度卷积自编码器的神经网络，将数据集输入所建立的
DCAT
神经网络进行训练；
[0015](4)
对
DCAT
神经网络训练所建立的模型进行性能评估
[0016]将热影像数据集送入
DCAT
模型进行训练预测评估；采用
F
分数作为评价指标对模型进行评估，验证
DCAT
模型的性能
。
[0017]进一步地，所述步骤
(2)
的具体过程如下：
[0018]步骤2：为消除过程变量之间因量纲带来的差异性，对数据进行归一化处理，公式如下：
[0019][0020]其中：为标准化处理后的数据集，
x
为所采集的原始数据集；
x
min
为原始数据的最小值，
x
max
为原始数据的最大值
。
[0021]进一步地，所述步骤
(3)
的具体过程如下：
[0022]步骤
3.1
：建立
DCAT
模型数据增强部分
[0023]H
＝
P(W3*Y+c1)
[0024]Z
＝
Q(W4*H+本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度卷积自编码器的艺术品缺陷检测方法，其特征在于，包括以下步骤：
(1)
获取热影像数据集：通过红外热成像系统获得实验所使用的热影像数据，获得的数据为三维矩阵
n
t
×
n
x
×
n
y
，并展开为二维矩阵
n
t
×
n
x
n
y
；
(2)
数据集的预处理：对步骤
(1)
中获取的热影像数据进行数据归一化处理，使其变成无量纲数据集；
(3)
建立
DCAT
神经网络模型并训练建立基于深度卷积自编码器的神经网络，将数据集输入所建立的
DCAT
神经网络进行训练；
(4)
对
DCAT
神经网络训练所建立的模型进行性能评估将热影像数据集送入
DCAT
模型进行训练预测评估；采用
F
分数作为评价指标对模型进行评估，验证
DCAT
模型的性能
。2.
根据权利要求1所述的基于深度卷积自编码器的艺术品缺陷检测方法，其特征在于，所述步骤
(2)
的具体过程如下：步骤2：为消除过程变量之间因量纲带来的差异性，对数据进行归一化处理，公式如下：其中：为标准化处理后的数据集，
x
为所采集的原始数据集；
x
min
为原始数据的最小值，
x
max
为原始数据的最大值
。3.
根据权利要求1或2所述的基于深度卷积自编码器的艺术品缺陷检测方法，其特征在于，所述步骤
(3)
的具体过程如下：步骤
3.1
：建立
DCAT
模型数据增强部分
H
＝
P(W3*Y+c1)Z
＝
Q(W4*H+c2)
式中，
Y
为原始热成像数据；
H
为编码器压缩的数据；
Z
为解码后的热成像数据；
W3和
W4分别是编码器和解码器的权重；
c1和
c2是编码器和解码器的偏置项；
P(
·
)
和
Q(
·
)
分别是编码器和解码器的非线性激活函数；
*
表示二维卷积操作；将最大池化用于
DCAT
模型数据增强中，能够更多保留图像的纹理信息；在编码器中，由2层卷积层和1层池化层组成，将数据输入到编码器中，获得输入数据的编码结果；与编码器相反，解码器对编码结果执行卷积和上采样操作，以重建原始热图像；通过卷积操作，能够提取到数据的本质特征并消除冗余...

【专利技术属性】
技术研发人员：刘毅，王富民，江知力，余清，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：