基于激光联动扫描的单目动态三维主动热成像研究

为了满足对非平面碳纤维复合材料无损检测的需求,文中提出了一种仅使用一台热像仪对运动试件进行主动三维热成像的系统,称为单目动态三维主动热成像。该系统融合了检测对象的三维轮廓与和主动热成像检测,能够对具有复杂几何形状的复合材料试件进行检测,并给出直观的热成像缺陷检查结果。不同于传统的三维主动热成像检测方法需要额外的三维相机获取检测对象表面轮廓信息;该系统不需要独立的三维传感器,而热像仪同时作为三维传感器与温度传感器。为了实现这一功能,在线激光联动扫描热成像的基础上,文中提出了一个统一联动扫描模型和针孔相机投影模型的数学模型,将线激光作为主动热成像的热激励和三维重建的空间编码。在算法中,该模型实现了对重构热图序列和三维形状点云的无特征配准,该配准方法工作快速、稳健,不需要关键点。标准高度试件标定实验结果表明:在1~150mm的高度测量范围,平均误差0.16mm,最大误差不超过0.25 mm。碳纤维进气管实验表明,该方法具有大尺寸碳纤维复合材料三维温度场重建与检测检测能力。文中提出的单目三维动态热成像系统结构简单、工作稳定,可用于在生产线的三维测量、缺陷检测和质量控制。

激光热成像无损检测研究进展(特邀)

红外热成像是无损检测技术的典型代表。按有无外部激励源,红外热成像可大致分为被动式热成像与主动式热成像两类。其中,以激光作为激励源的主动式热成像,因其输出功率稳定、能量分布均匀、可控性强等诸多优势于近些年得到了广泛的应用。文中首先介绍了激光热成像无损检测系统的构成与激光热成像的分类,并进一步探讨了激光热成像无损检测系统的优化与相关图像处理方法,并从应用角度对现有主要研究工作进行了综述、分析、总结与对比。目前,基于激光热成像的无损检测方法在实际应用过程中存在精度不够,效率偏低,检测对象受限等问题。为提升检测效果,研究人员从激励方式、检测条件、图像处理等方面出发提出了多类优化策略。随着新一代信息技术的发展与检测技术精度要求的提高,激光热成像无损检测从裂纹等表面缺陷的检测,拓展至包括分层、脱粘等内部缺陷检测,从缺陷定性分析拓展至缺陷定量计算,从二维缺陷识别拓展至三维缺陷重构。通过详细分析现有研究,认为提升激光源性能、开发小型便携式激光器、结合智能算法的三维缺陷定量检测等是激光热成像无损检测未来的发展方向。

基于一维卷积神经网络的联动扫描热成像缺陷自动识别与深度回归

联动扫描热成像(joint scanning thermography,JST)可以用于检测大面积对象的缺陷,但原始热图像缺陷信息模糊且无法实现缺陷定量。针对联动扫描热成像重构后的图像序列,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)的缺陷识别和定量方法,以图像序列中像素点对应的一维温度时间序列为网络输入,将缺陷深度作为输出,实现了碳纤维复合材料板中缺陷的自动检测和深度定量。实验结果显示,基于1D-CNN的检测方法准确实现了对缺陷自动检测,其对训练集数据的预测准确率最高可达98.8%,测试集准确率在70%左右,相比传统处理方法取得了更好的效果。

基于双阈值的ANN-SNN转换方法优化

脉冲神经网络作为第三代神经网络,能够克服许多人工神经网络中所存在的问题,如高功耗、鲁棒性较差等;通过对预训练好的人工神经网络模型进行转换是获取深度脉冲神经网络模型的一种主要方法,然而通过这种方法获取的脉冲神经网络的延迟较高,无法满足实时性要求;文章在双阈值转换方法的基础上,采用阈值平衡技术对转换过程进行优化,通过理论推导,提出了一种对称阈值LeakyReLU激活函数,并对人工神经网络到脉冲神经网络的转换流程进行了梳理;此外,采用了泄漏机制对转换后的脉冲神经网络模型结构进行了优化,并通过脉冲时序依赖可塑性学习规则对该结构进行训练;最终,在MNIST数据集与CIFAR-10数据集上进行了实验,结果表明,优化后脉冲神经网络的收敛速度与鲁棒性得到了大幅提升。

光伏电池图像序列的深度学习检测方法

为了实现光伏电池工厂端的智能检测,使用热红外相机采集电致热成像(Electro-thermography,ET)与短波红外相机采集电致发光现象(Electroluminescence,EL)检测光伏电池缺陷。提出一种基于光流法处理光伏电池热流场的热图像序列分析方法,准确找到异常发热源。并与短波红外成像找到的异常发光源融合,建立光伏电池检测数据库。通过深度卷积神经网络,实现对光伏电池内部缺陷与划痕、覆盖、裂纹、缺损等人工缺陷的有效识别。试验结果表明,基于光流的深度学习方法在均方误差、平均梯度、信息熵指标上优于主成分分析(Principalcomponentanalysis,PCA)与独立成分分析(Independentcomponent analysis,ICA),并在卷积网络的训练中,能使网络更快地收敛。