基于数据融合和RBF神经网络的表面缺陷深度估计方法

摘要

本发明公开了一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，利用独立成分分析ICA提取缺陷信息，将缺陷周围的热响应特征分离出来，得到独立成分和混叠向量；然后设置三个分类器，并利用数据融合对包含缺陷深度信息的混叠向量进行自动筛选，对选出的混叠向量进行傅里叶变换，并利用神经网络进行缺陷深度估计。这样通过数据融合方法选取的缺陷深度信息可以保证缺陷信息选取的准确度，其次，利用RBF神经网络对复杂的非线性输入仍然具有较好的输出精度，进一步保证了缺陷深度估计的精度。

主权项

一种基于数据融合和RBF神经网络的表面缺陷深度估计方法，其特征在于，包括以下步骤：(1)、采用脉冲涡流对待测件加热，再利用红外热像仪采集单位时长内的待测件红外热图像序列，且每帧红外热图像大小相同；(2)、利用独立成分分析算法处理红外热图像序列，得到n(n＝1,2,…,H)个独立成分和混叠向量；(3)、根据独立成分和混叠向量计算频谱信息(3.1)、设置分类器计算n个独立成分的的峰度系数kur(i)，再根据峰度系数kur(i)设置峰度系数分类器：$d_{1,i}=\left\{\begin{array}{c}1,\forall kur\left(j\right)<=kur\left(i\right),j\ne i\\ 0,\exists kur\left(j\right)>kur\left(i\right),j\ne i\end{array}\right.;$计算n个混叠向量在采样结束时刻和初始时刻的温度差值tep(i)，再根据温度差值tep(i)设置温差分类器：$d_{2,i}=\left\{\begin{array}{c}1,\forall tep\left(j\right)>=tep\left(i\right),j\ne i\\ 0,\exists tep\left(j\right)<tep\left(i\right),j\ne i\end{array}\right.$计算n个混叠向量在加热结束时刻以后的最大变化速度spe(i)，再根据最大变化速度spe(i)设置下降速度分类器：$d_{3,i}=\left\{\begin{array}{c}1,\forall spe\left(j\right)<=spe\left(i\right),j\ne i\\ 0,\exists spe\left(j\right)>spe\left(i\right),j\ne i\end{array}\right.$(3.2)、基于投票机制的决策融合对三种分类结果进行处理计算再根据M值找出对应M值的混叠向量；(3.3)、将步骤(3.2)找出的混叠向量的下降阶段进行傅里叶变换，得到混叠向量下降阶段的频谱信息；(4)、利用RBF神经网络进行表面缺陷深度估计将训练样本按照步骤(3.1)、(3.2)所述方法选出各个样本的对应M值的混叠向量，再按照步骤(3.3)所述方法得到该混叠向量下降阶段的频谱信息，并输入到RBF神经网络中进行训练，得到表面的深度缺陷。