System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及隐身涂层材料缺陷检测,尤其涉及一种基于深度学习的隐身涂层材料多源数据无损检测方法。
技术介绍
1、隐身涂层是一种可以吸收雷达发射的电磁波而涂覆在飞行器外表的涂料,具有提高飞行器雷达隐身性能及红外隐身性能的作用。而飞行器表面的隐身涂层可能会因为环境因素(如紫外线照射、温度变化、湿度等)、物理冲击、摩擦、老化等原因出现磨损、剥落或裂纹,从而降低其吸收或散射雷达波的能力,造成飞行器rcs值增加,隐身功能大大降低。由此,在第一时间知悉飞行器隐身涂层的状态便尤为重要。
2、目前主要检测隐身涂层缺陷的方式有目视法,涡流法,超声波检测法等。方法存在以下问题:
3、(1)目视法无法观测到涂层内部的缺陷且不能直接获得涂层吸波能力衰减的程度,涡流法无法检测非导电材料且复杂形状的物体检测难度较大,超声波检测法检测时需要使用耦合剂,会对涂层的吸波效果有一定的影响。
4、(2)红外热成像技术检测有着非接触式,检测面积大的优点,但热图像表达结果缺陷与非缺陷处对比度不高,仅凭肉眼容易发生误判,因此完整检测时间较长,准确率较低。
5、(3)根据图像判断损伤程度多为依据维修人员经验,目前暂无成体系的损伤程度分级。
技术实现思路
1、有鉴于此,本专利技术的目的是提供一种基于深度学习的隐身涂层材料多源数据无损检测方法,采用红外热成像检测技术与光学图像检测技术相结合的方式获得初步数据,利用深度学习技术得到检测模型,以解决单一来源数据导致的检测不准确以及检测方法
2、本专利技术解决技术问题采用如下技术方案:
3、一种基于深度学习的隐身涂层材料多源数据无损检测方法,包括如下步骤:
4、步骤s10:对待测试件进行热激励,获取红外热成像图像,并以相同角度采集待测试件涂层的光学图像;
5、步骤s20:对红外热成像图像进行预处理;
6、步骤s30:获取的红外热成像图像结合其对应的光学图像的变化情况,判断有损伤的试件的光学图像的损伤位置和形状,并进行标记;
7、步骤s40:计算获取到的热成像图像和光学图像四个通道像素值的均值和方差,对亮度和对比度进行归一化处理;处理完之后将红外图像作为第四个通道与光学图像进行堆叠操作;
8、步骤s50:同时对步骤s10获取的红外热成像图像和其对应的光学图像进行数据增强以扩充数据样本,将扩充后的数据样本数量按照8:2的比例划分为训练集和测试集;
9、步骤s60:将步骤s40得到的训练集输入到卷积神经网络yolo-v8中进行训练,在训练过程中将测试集输入训练的卷积神经网络yolo-v8中,实时监控测试集在卷积神经网络yol0-v8上的检测精度,通过调整卷积神经网络yolo-v8的超参数,对卷积神经网络yolo-v8进行优化,得到优化后的用于检测红外热成像图像的卷积神经网络yolo-v8模型;
10、步骤s70:采用步骤s10中的方式获取待测红外热成像图像和光学图像,经步骤s20、s30、s40处理,然后输入到步骤s60得到的优化后的用于检测混合图像的卷积神经网络yolo-v8模型中,检测混合图像是否含有损伤,如果含有损伤,则获得损伤的位置坐标及面积,按照内部规范对其进行损伤等级分级,并将损伤映射到试件的光学图像上。
11、进一步的,步骤s10具体包括以下步骤:
12、步骤s11:在维修场内架设光激励红外热成像无损检测系统,激励灯源采用卤素灯,色温4500~5500k,将红外热成像仪固定在灯架上,对准试件待测区域;
13、步骤s12:将光激励红外热成像无损检测系统放置于待测区域中心法线方向0.8~1.2米位置,激励电流为9a,即热时间2000ms,供电电压230v,激励信号为锁相脉冲信号,对区域进行扫描;
14、步骤s13:使用工业相机从待测区域中心法线方向采集涂层光学图像;
15、步骤s14:将获取到的涂层红外热成像图像及光学图像导入光激励红外热成像无损检测系统内。
16、进一步的,步骤s20中,对红外热成像图像进行预处理的方法为:将s10取得的红外热成像图像和光学图像进行尺寸对齐,采用的工业相机分辨率为(1920,1080,3),红外热成像图像分辨率为(640,480,1);使用opencv进行双线性插值,将红外图像调整为(1920,1080,1)。
17、进一步的,步骤s30中,标记光学图像的损伤位置和形状的方法为:用矩形框将损伤框出来,标记格式为[xmin,ymin,xmax,ymax],其中xmin,ymin为矩形框左上角坐标,xmax,ymax为矩形框右下角坐标。
18、进一步的,步骤s40中,采用下式对亮度和对比度进行归一化处理:
19、
20、式中,μ为四个通道像素值的均值,σ为四个通道像素值的方差,f(x,y)表示调整后的图像像素,g(x,y)表示调整前的图像像素,(x,y)表示像素点坐标位置。
21、进一步的,步骤s50中,使用mixup算法来进行数据增强,公式如下:
22、
23、其中,xnew为新生成的输入样本,ynew为新生成的标签,xa和xb为两个从原始数据集中随机选择的输入样本,ya和yb为分别对应xa和xb的两个标签,λ是一个介于0到1之间的随机权重,从beta分布中采样,定义为:
24、λ~beta(α,α)
25、其中,α是一个超参数,用于控制权重的分布;如果α较大,则λ的取值接近于0.5,生成的新样本更偏向两个样本的均匀混合;如果α较小,λ取值更趋向于接近0或1,新样本会更加接近某一个原始样本。
26、进一步的,步骤s60中,对卷积神经网络yolo-v8进行优化改进的方法为:在yolov8s的基础上用repblock模块替换backbone中的c2f模块,以增强网络的特征提取和特征表达能力;引入eca注意力机制,通过对通道权重的自适应调整,使模型聚焦于重要特征,yolov8s的头部部分采用解耦头部结构;在损失函数方面,yolov8引入了下式taskalignedassigner正样本分配策略,用于改进正负样本分配,提升训练效果;同时还引入分布式焦点损失来进一步优化损失函数的计算:
27、
28、其中,iou(b,bgt)是预测框b和真实框bgt的iou,是预测类别c的概率分数;
29、
30、其中,ldfl是分布式焦点损失,wi是对应的权重项,用于调整各个区间的重要性,pi是模型预测的分布概率,yi是真实分布概率。
31、进一步的,卷积神经网络yolo-v8的初始学习率为0.01,动量和权重衰减分别设置为0.9本文档来自技高网...
【技术保护点】
1.一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤S10具体包括以下步骤:
3.根据权利要求2所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤S20中,对红外热成像图像进行预处理的方法为:将S10取得的红外热成像图像和光学图像进行尺寸对齐,采用的工业相机分辨率为(1920,1080,3),红外热成像图像分辨率为(640,480,1);使用OpenCV进行双线性插值,将红外图像调整为(1920,1080,1)。
4.根据权利要求3所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤S30中,标记光学图像的损伤位置和形状的方法为:用矩形框将损伤框出来,标记格式为[Xmin,Ymin,Xmax,Ymax],其中Xmin,Ymin为矩形框左上角坐标,Xmax,Ymax为矩形框右下角坐标。
5.根据权利要求4所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征
6.根据权利要求5所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤S50中,使用Mixup算法来进行数据增强,公式如下:
7.根据权利要求6所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤S60中,对卷积神经网络YOLO-V8进行优化改进的方法为:在YOLOv8s的基础上用RepBlock模块替换Backbone中的C2f模块,以增强网络的特征提取和特征表达能力;引入ECA注意力机制,通过对通道权重的自适应调整,使模型聚焦于重要特征,YOLOv8s的头部部分采用解耦头部结构;在损失函数方面,YOLOv8引入了下式TaskAlignedAssigner正样本分配策略,用于改进正负样本分配,提升训练效果;同时还引入分布式焦点损失来进一步优化损失函数的计算:
8.根据权利要求7所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,卷积神经网络YOLO-V8的初始学习率为0.01,动量和权重衰减分别设置为0.937和0.0005;训练采用的优化器为SGD,批大小为32,Dropout率设置为0.5以减少过拟合。
...【技术特征摘要】
1.一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤s10具体包括以下步骤:
3.根据权利要求2所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤s20中,对红外热成像图像进行预处理的方法为:将s10取得的红外热成像图像和光学图像进行尺寸对齐,采用的工业相机分辨率为(1920,1080,3),红外热成像图像分辨率为(640,480,1);使用opencv进行双线性插值,将红外图像调整为(1920,1080,1)。
4.根据权利要求3所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤s30中,标记光学图像的损伤位置和形状的方法为:用矩形框将损伤框出来,标记格式为[xmin,ymin,xmax,ymax],其中xmin,ymin为矩形框左上角坐标,xmax,ymax为矩形框右下角坐标。
5.根据权利要求4所述的一种基于深度学习的隐身涂层材料多源数据无损检测方法,其特征在于,步骤s40中,采用下式对亮度和对比度进...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。