1.本发明涉及一般的航空学领域。更具体地，涉及通过主动红外热成像对航空部件进行无损检测，航空部件为具有复杂几何形状的装配至飞行器发动机的部件，如推力反向器的内部固定结构(ifs)或其他叠层复合结构。然而，对所考虑的航空部件的类型或组成此部件的材料没有限制，其可以是或不是复合材料。
背景技术：2.已知地，无损检测是一组方法，该方法使得可以表征结构或材料的完整性状态和/或质量而不对其造成影响。在航空领域，更普遍地在表征其状态或质量的结构昂贵和/或其操作可靠性至关重要的任何领域，无损检测都是优选的但非限制性的应用。不仅在生产过程中而且在使用过程或在维护过程中，均可有利地对所考虑的结构或材料进行无损检测。
3.主动热成像或主动红外热成像是用在航空领域进行无损检测的已知技术之一。其首先基于所考虑部件的受控激发。这种激发导致所考虑部件的热状态发生变化(例如，在激发源是闪光灯的情况下，部件的表面温度瞬时升高若干度)。此外，借助于红外摄像机观察部件表面温度的变化(例如，在闪光灯激发的情况下部件表面温度的逐渐降低)。红外摄像机提供数字热图像的时间序列，以表示在不同时刻部件表面不同点处的温度。例如，每一数字图像是以灰度级进行编码的图像，在该图像上，与部件的点相关联的每一像素均具有表征在获取数字图像时该点处温度的递增函数的灰度级。观察红外摄像仪提供的数字热图像的时间序列使得可以检测部件表面温度演变是否存在异常，该异常可能由部件固有缺陷(例如，空隙、鼓包等)引起，并且可能会干扰热量从表面扩散至部件内部。
4.实际上，对大尺寸部件(例如，通常为若干平方米的ifs)的完整无损检测需要对热图像的时间序列分为若干“单元”进行获取，以覆盖其整个表面，每一单元获取涉及一个部件不同的所谓单元获取区。因此，在考虑到每一单元获取之间的潜在重叠区的同时，单元区的并置使得可以获得部件作为一个整体的表征。
5.为了从单元区的数字热图像的时间序列中检测航空部件的单元区中是否存在异常，已提出形成单元区的特性图像，单元区的特性图像的每一像素与特性向量(特别是导数值)相关联。
6.已在专利fr3071611中提出一种方法，该方法使得可以估算温度自然对数的一阶和/或二阶导数，并使用由此估算的导数作为特性向量来确定所考虑的材料成分中是否存在缺陷。为了估算上述导数，现有技术首先通过自然对数函数来转换由红外摄像机提供的数字图像的像素幅度的差异(与从激发之前获取的图像估算的平衡处的幅度相比)和获取这些数字图像的时刻，时间基点来自激发的时刻。
7.尽管获取存在异质性、导数可根据专用的时间采样计划进行估算且所有单元区是固定的，但是检测方法可以定义和估算同质的完整参数。然而，某些单元区不是很厚，因此与之相关的获取时间较短，“长时间”的估计时刻未被预计。这导致了异质性残余：不同单元区的特性像素可能具有不同的尺寸。
8.因此，以已知的方式，一种用于对航空部件进行无损检测的方法包括：
9.获取步骤，通过主动红外热成像系统获取所述航空部件每一单元区的多个数字图像，该数字图像在确定的时间段、指定的获取时段内定义的多个获取时刻获取，在获取时刻获取的数字图像的每一像素于该获取时刻在航空部件的一点处具有幅度；
10.估算步骤，根据所述单元区获取的数字图像，估算所述单元区的每一像素的至少一个特性向量，以便形成表征所述单元区的特性图像；
11.根据所述特性图像标注所述航空部件的每一单元区的每一像素的异常指数。
12.在实践中，航空部件还可能是异质的，因为其构成材料的热特性可能在空间上发生变化，特别是在存在缺陷的情况下，并可能具有复杂的几何形状。用于获取此类部件的热图像的若干参数也可能会发生变化，尤其是当需要若干单元获取来覆盖整体的大部分时，各单元区之间会不同。当两个相邻的单元区具有不同的厚度时，两个相邻的单元区的获取条件也可能改变，则确定部件每一单元区的每一像素的异常指数是复杂的。这种解释难度妨碍了特性向量解释的自动化。
13.此外，在实践中，为了确定单元区的异常指数，操作员使用可以将特性图像的图形解释可视化以便检测航空部件上可能存在的异常的检测装置，以在需要的情况下在部件的所述单元区的表面上定位此异常，并在需要的情况下评估此异常的深度。此检测装置被配置为向操作员提供可理解的信息，以帮助其就航空部件的完整性做出决策。
14.以视觉方式确定单元区的异常指数非常耗时耗力且会因为操作员不同而变化。况且航空部件可能包括数百个单元区，使得缺点翻倍。
15.因此，本发明旨在通过提出一种用于无损检测的方法以至少部分消除前述缺点，该方法的注释步骤至少是部分自动的，以便在提高正确性的同时减少确定单元区异常指数所需的时间。
16.通过专利us2005/008215a1、cn110322429a、us10546207b2、us9519844b1、us8287183b2已知现有技术中的方法，其将根据参考标记确定的像素标记特性与静态特性标记进行比较，而不考虑或在参考标记中、或在将测试标记与参考标记进行比较的度量中存在的潜在变化。仅当部件的材料堆叠在径向上同质时，前述文件的方法才有意义。
技术实现要素：17.本发明涉及一种用于对航空部件进行无损检测的方法，包括：
18.获取步骤，通过主动红外热成像系统获取所述航空部件的单元区的多个数字图像，数字图像在确定的时间段、指定的获取时段内定义的多个获取时刻获取，在获取时刻获取的数字图像的每一像素于该获取时刻在航空部件的一点处具有幅度；
19.估算步骤，根据所述单元区获取的数字图像来估算表征所述单元区的特性图像，所述特性图像的每一像素包括特性向量；
20.分割步骤，将所述特性图像分割为多个预测微区；
21.比较步骤，通过统计预测算法将每一预测微区的每一像素的所述特性向量与所述单元区的预测微区的预先估算的局部统计模型进行比较，所述局部统计模型在下文中称为局部模型，以便确定每一预测微区的每一像素的异常指数，从而形成所述单元区的每一预测微区的异常微图，所有单元区的异常微图的集合形成所述单元区的异常图；
22.预测微区的每一局部模型从至少一个带注释的特性图像的像素的特性向量中获取，所述带注释的特性图像表征与待检测的航空部件对应的至少一个学习航空部件的单元区；
23.通过学习算法从带注释的特性图像的学习微区的像素的特性向量中获取预测微区的局部模型，学习微区包括所述预测微区。
24.优选地，所述预测微区全部设于所述学习微区中。
25.鉴于预测微区的规模，所述部件基本是同质的，按单元区和按预测微区的局部模型架构使得可以做出非常正确的预测。此外，由于这种同质性，所述局部模型包括的参数很少，因此实现起来简单快速，这加快了对每一像素的异常指数的确定。有利地，这使得可以定义具有学习基础的局部模型，学习基础包括有限数量样本。因此学习得以加速。此外，可同步学习局部模型。通过使用包括所述预测微区的学习微区，可以降低与获取所述部件的数字图像相关的位置不确定性。这有利地使得可以消除与所述预测微区之间的获取及过渡相关的影响。因此，所述方法的鲁棒性得以增强。由于本发明，可以对异质材料进行建模，并且可以观察两种健全材料之间的过渡区。
26.优选地，所述方法包括将每一预测微区的每一像素的异常指数与预定阈值进行比较以形成所述单元区的二值预测掩码的步骤。该二值预测掩码很容易被操作员解读。
27.优选地，每一预测微区相对于包括该预测微区的所述学习微区居中。这有利地使得可以对所述预测微区外围上同质的特性向量进行平滑处理。所述预测微区之间的过渡因此得以改善。
28.优选地，每一预测微区的尺寸比包括该预测微区的所述学习微区的尺寸小。因此，所述学习微区的这种尺寸设置使得可以最佳方式减少边缘效应，以消除与所述预测微区之间的获取及过渡相关的影响。有利地，预测微区的像素不仅用于学习对应的局部模型，而且还用于学习相邻/并置微区的局部模型。
29.优选地，所述预测微区与所述学习微区是同心的。进一步优选地，所述预测微区具有第一半径，所述学习微区具有大于或等于所述第一半径两倍的第二半径。换言之，所述预测微区与所述学习微区之间存在大于或等于所述第一半径的余量。优选地，所述余量等于所述第一半径。
30.优选地，所述学习算法是增量统计算法，以便实现动态更新。增量是指按顺序浏览对学习有贡献的数据样本，且每一数据样本在局部模型的学习过程中仅被浏览一次。这有利地使得能够进一步为学习提供新样本以改进局部模型。进一步优选地，所述学习算法是fisvdd类型的统计算法。对于这种类型的统计算法，学习的算法复杂度与s2成正比，其中，s是确定所述局部模型的支持向量的数量。由于支持向量的数量较少(与局部同质性相关)，所述fisvdd类型的统计算法因此得到加速。存储器管理的复杂性也得以降低，这使得可以通过将若干局部模型的学习与确定的技术资源(内存、计算能力等)并行化来加速所述方法。
31.优选地，在获取步骤中，所述航空部件固定设置且所述主动红外热成像系统的获取装置活动设置，以获取每一单元区的多个数字图像，特别是获取以视频形式的数字图像。优选地，对于与每一单元区对应的所述获取系统的每一位置，所述获取装置使得可以获取包括多个数字图像的数字视频。
32.优选地，所述方法还包括：由操作员分析所述异常微图的步骤、在所述预测微区在所述预测算法的意义上包含可疑像素时由所述操作员对所述预测微区进行注释的步骤、根据所述带注释的预测微区和所述学习算法来更新所述预测微区的所述局部模型的步骤、以及根据所述预测微区的所述异常指数的确定来更新所述局部模型的步骤。
33.因此，有利地，可在实施所述检测方法的过程中以增量方式动态更新局部模型。
34.本发明还涉及一种用于对航空部件进行无损检测的系统，包括：
35.主动红外热成像系统，包括激发装置和获取装置，所述获取装置被配置为在确定的时间段、指定的获取时段内定义的多个获取时刻来获取所述航空部件单元区的数字图像，在所述激发装置激发所述航空部件后，在获取时刻获取的数字图像的每一像素于所述获取时刻在航空部件的一点处具有幅度；
36.估算装置，其被配置为根据所述单元区获取的数字图像估算表征所述单元区的特性图像，所述特性图像的每一像素包括特性向量；
37.检测装置，其被配置为：
38.将所述特性图像分割为多个预测微区；
39.通过统计预测算法，将每一预测微区的每一像素的特性向量与所述单元区的预测微区的预先估算的局部统计模型进行比较，所述局部统计模型在下文中称为局部模型，以便确定每一预测微区的每一像素的异常指数，从而形成所述单元区的每一预测微区的异常微图，所有单元区的异常微图的集合形成所述单元区的异常图；
40.预测微区的每一局部模型从至少一个带注释的特性图像的所述像素的所述特性向量中获取，所述带注释的特性图像表征与待检测的所述航空部件对应的至少一个学习航空部件的单元区；
41.通过学习算法从包括所述预测微区的带注释的特性图像的学习微区的像素的特性向量来获取预测微区的所述局部模型。
42.本发明还涉及一种位于信息或记录载体上的计算机程序，所述程序能够在估算装置、检测装置或更一般地在计算机中实现，此程序包括适于实现如上所述的无损检测方法的分割步骤的指令。此程序可使用任何编程语言，并可呈源代码、目标代码或源代码与目标代码之间的中间代码的形式，诸如部分编译形式，或任何其他期望形式。
43.本发明还针对一种可由计算机读取并包括用于如上所述的计算机程序的指令的信息或记录载体。所述信息载体可以是任何能够存储所述程序的实体或装置。例如，所述载体可包括存储装置，诸如rom，例如cd rom或微电子电路的rom，或磁性记录装置，例如软盘或硬盘。此外，所述信息载体可以是可传输载体，诸如电或光信号，其可经由电缆或光缆、通过无线电或通过其他方式传送。根据本发明的所述程序尤其可在互联网类型的网络上下载。替代地，所述信息载体可以是集成有所述程序的集成电路，所述电路适于执行或用于执行所述方法。
附图说明
44.通过阅读以下仅作为示例给出的描述，并通过参考作为非限制性示例给出的附图，可以更好地理解本发明，在附图中相同的附图标记用以指代相似对象，其中：
45.图1是本发明的一个实施例的无损检测系统的示意图；
46.图2是航空部件的单元获取区的示意图；
47.图3是多个时间数字图像形成特性图像的示意图；
48.图4是无损检测方法的步骤示意图；
49.图5a是将特性图像分割为预测微区的步骤的示意图；
50.图5b是局部模型的数据库的示意图；
51.图6是通过比较来确定预测微区的像素的异常指数的步骤示意图；
52.图7是实施预测方法的示意图；
53.图8是单元区的若干预测微区的二值预测掩码的示意图；
54.图9是实施从局部模型学习的方法的示意图；
55.图10是从多个学习微区获得局部模型的示意图；
56.图11是与学习微区相关联的预测微区的示意图；
57.图12a、图12b、图12c是预测微区及其学习微区随预测微区在单元区中的位置的变化而变化的示意图；
58.图13是实现动态学习方法的示意图。
59.应当注意，附图以详细方式阐述了本发明以用于实现本发明，如有需要，所述附图显然能够更好地定义本发明。
具体实施方式
60.参考图1，其示出了本发明的一个实施例的用于无损检测的系统1。在此示例中，系统1使得可以对异质、具有复杂几何形状的大型航空部件进行无损检测，如装配至飞行器的推力反向器的内部固定结构(ifs)。然而，对应用无损检测的部件的性质则没有任何限制。更一般地，部件可以是任何类型的部件，优选为航空部件，如装配至飞行器发动机等的部件，这些部件可具有任何尺寸和几何形状、异质或非异质等。不言而喻，本发明还适用于航空领域以外的工业领域。
61.如图1所示，无损检测系统1包括：主动热成像系统3、估算装置4、检测装置5以及可视化装置6，检测装置5被配置为根据估算装置4估算的数据来确定航空部件2的异常指数，可视化装置6用于使航空部件2的异常指数可视化。
62.如图1所示，主动热成像系统3包括用于在透射和/或反射中激发的一个或多个激发源3a。航空部件2安装在为实现此目的而提供的物理支撑件上(图中未示出)，能够测量所有或部分航空部件2在确定周期tacq内对激发源3a的激发的响应(此处是热响应)的获取装置3b可根据获取装置3b的位置进行变化。
63.在此处描述的实施例中，激发源3a是能够引起航空部件2脉冲激发(例如闪光类型)的热源。此处的重点将放在由航空部件2的反射引起的激发上。
64.航空部件2受到脉冲激发后，其表面的温度即刻升高(例如升高10度-15度)。然后，大量热量扩散至航空部件2中导致航空部件2表面的温度降低，直至达到或几乎达到激发前航空部件2的初始温度(换言之，室温)。
65.获取装置3b为红外摄像机，其能够在确定的时间段(持续时间)、指定的获取时间内(借助于适当的传感器)捕获航空部件2对由激发源3a向其施加的脉冲激发的热表面响应。红外摄像机3b还能够提供在获取时段内反映此响应的数字热图像的时间序列。优选地，
红外摄像机3b可以获取包括数字图像的数字视频。
66.参考图3，红外摄像机提供的每一数字图像imj(j＝1、
……
、4)与在获取时段内定义的获取时刻tj对应，j表示大于1的整数。获取时刻tj在获取时段内均匀地间隔开。为了简化，此处认为时间基点是激发开始的时刻，具体是在由红外热成像系统3对航空部件2进行脉冲激发的情况下的激发时刻。在激发源3a的激发之后，每一数字图像imj仅反映航空部件2一部分的热表面响应，即指定的单元区的热表面响应。整个航空部件2上的热响应是通过执行多个单元获取来获得的，每一单元获取潜在地具有不同获取时段，且每一单元获取在专用于航空部件2的单元获取区，即指定的单元区zui上执行。
67.优选地，根据红外摄像机3b的特性以及由对导数的估算精度的要求引起的由摄像机进行的测量的要求(例如，空间分辨率、时间分辨率、信噪比)来选择单元区zui的尺寸。此外，单元区zui的选择应使得所选单元区的并置能覆盖整个航空部件2(如前在图2中的描述)或航空部件2的至少预先选择的部分，尤其是无损检测所希望将其作为基地的那部分。为了执行此多个单元获取，红外摄像机3b可放置在例如能够绕航空部件2移动的臂上并将红外摄像机3b朝向每一单元区zui进行定位。在其余描述中，可以注意到zu1、zu2、
……
、zui，i表示大于1的整数、在单位获取期间考虑的单元区zui，和由单元区zui的红外摄像机3b提供的热图像imj(zui)，j＝1、
……
、4(i)。每一单元获取对应一获取时段或持续时间tacqi，i＝1、
……
、n。
68.如前所述，航空部件2的每一数字图像imj(zui)反映获取时刻tj航空部件2的单元区zui的热响应，进一步而言是对由激发源3a产生激发(此处为脉冲激发)的热响应。每一数字图像都是以相同的视点获得。数字图像包括与单元区zui的空间采样对应的多个像素，换言之，每一像素与单元区zui的一个点相关联。参考图3，在图像imj(zui)上每一像素与获取时刻tj处的幅度相关联，此处该幅度是部件表面温度的确定递增函数。
69.在此处描述的实施例中，由红外摄像机3b提供的数字热图像是以灰度级编码的二维图像：图像的每一像素因此具有幅度，此处为灰度级，该灰度级反映表面温度或更准确地反映由像素表征的航空部件2的一点处的表面温度的递增函数。此递增函数以已知方式通过组合关于单色辐射的普朗克定律和红外摄像机3b的传感器的假设线性(至少根据某种近似值)响应得到：其反映将由红外摄像机3b的传感器在由像素表示的点处捕获的光谱亮度转换为灰度级，此光谱亮度反映航空部件在该点处的表面温度(即，温度越高，亮度越高)。
70.根据本发明，由获取装置3尤其是由红外摄像机3b获取的数字图像被提供给估算装置4，以便形成如图3所示的特性图像imc(zui)。具体地，通过数字图像im1(zui)、
……
、imj(zui)、
……
、imj(zui)，根据特定于估算的k索引抽样产生若干特性图像imc1(zui)、
……
、imck(zui)、
……
、imck(zui)。每一图像imck(zui)是通过若干图像{imcj(zui)}估算的，索引为{j}，诸如{tj}，其与tk(局部估算)相邻。
71.在此处描述的实施例中，估算装置4被配置为根据由红外摄像机3b提供的数字图像来对特性图像imc(zui)的每一像素来估算特性向量vc。例如，如专利申请fr3071611a1所公开的，特性向量vc呈温度的第一数学函数f1相对于时间的第二数学函数f2的至少一个导数的形式，具体是neperian对数函数。不言而喻，特性向量vc可呈不同的形式。
72.在此示例性实施例中，根据估算采样计划在若干时刻对导数进行估算。换言之，具有标量值imck(zui)的特性图像或具有向量值imc(zui)的特性图像(即每一像素包含一个
向量)的集合被予以考量。因此，特性向量vc具有向量值，更准确地，它是一个向量，其分量是在不同时刻{k}估算的对数导数。
73.在此处描述的实施例中，估算装置4具有计算机的硬件架构，尤其包括处理器、随机存取存储器、只读存储器、非易失性闪存以及尤其使估算装置能够与检测装置5通信的通信装置。该通信装置包括例如数字数据总线，或者当估算装置4与检测装置5经由电信网络(本地或其他网络、有线或无线网络等)连接，则该通信装置包括使得可以在此网络上进行通信的网卡或接口。优选地，检测装置5具有计算机的硬件架构。更优选地，这同样适用于可视化装置6。在此示例中，参考图1，估算装置4、检测装置5和可视化装置6可位于同一设备7(如计算机)内。
74.检测装置5的只读存储器构成本发明的记录载体，其可由处理器读取且上面记录有本发明的计算机程序。
75.如前所述，用于无损检测的系统1还包括用于检测航空部件2的检测装置5。此检测装置5被配置为使得可以通过分析由估算装置4获得的特性向量vc来检测航空部件2的完整性(即检测航空部件2中是否存在缺陷/异常)。检测装置5被配置为确定单元区zui的每一像素的异常指数。
76.根据本发明，检测装置5被配置为根据估算装置4提供的特性图像imc自动检测航空部件2上的缺陷，并确定关于航空部件2的完整性的诊断(例如，是否检测到材料结构中存在缺陷或有异常迹象)，而无需操作员的干预。
77.图4示出了实施例图1所示的用于无损检测的系统1的方法的不同步骤，以对本发明的航空部件2进行无损检测。根据本发明，航空部件的无损检测基于主动红外热成像法。主动红外热成像法是现有技术，前面已经作了简要回顾，这种方法通过主动热成像系统3来实现。更具体地，主动热成像系统3借助于激发源3a，此处为反射，将脉冲激发施加在航空部件2上，该航空部件2位于为实现此目的而提供的支撑件上。红外摄像机3b于确定的获取时段内在多个获取时刻捕获航空部件2对该脉冲激发的热响应。在此处设想的示例中，航空部件2为大尺寸的ifs，如前所述，在航空部件2上连续执行若干个单元获取。
78.每一单元获取在tacqn的单元获取时段内执行，每一单元获取针对不同的单元区zui，i＝1、
……
、n，如前所述，n个并置的单元获取区zui可以覆盖整个航空部件2。对于由i索引的每一单元获取，红外摄像机3b生成航空部件2的多个数字图像imj，j＝1、
……
、j(n)，以表征航空部件在不同获取时刻tj(j＝1、
……
、3(i))时捕获的响应(步骤e10)。在此处描述的实施例中，假设在时间段tacqn上定义的获取时刻tj(j＝1、
……
、3(i))以足够小的间距均匀地间隔开，以便良好地表征热航空部件2的单元区zui对施加至部件的脉冲激发的响应，以及确保在存在统计观测噪声的情况下的精确估算的观测冗余。在每一所考虑的单元区zui上获取的数字图像imj(zui)表征了航空部件2的表面温度被激发源3a施加脉冲激发后的演变。更具体地，数字图像imj(zui)记为pix的每一像素与由数字图像的空间采样产生的单元区zui的点对应。图像imj(zui)的每一像素pix具有记为amp(pix)的幅度，该幅度表示在获取时刻tj、在与像素对应的单元区zui的一点处的航空部件2的表面温度的递增函数。
79.主动热成像系统3接下将数码相机3b获取的数字图像imj(zui)，(j＝1、
……
、j，i＝1、
……
、n)提供给估算装置4。根据本发明，估算装置4根据接收数字热图像来估算特性图
像imc(zui)，其中，如专利申请fr3071611中所述(步骤e20)，记为pix的每一像素与特性向量vc相关联。
80.估算装置4将每一单位获取区zui的特性图像imc提供给检测装置5，检测装置5执行分割步骤(步骤e30)和比较步骤(步骤e40)以便确定异常微图，具体为预测图cdp或预测掩码mdp，异常微图被传输至可视化装置6以便由操作员查阅(步骤e50)。
81.以下将详细描述分割步骤e30。
82.根据本发明，参考图5a，单元区zui的每一特性图像imc被分割/切分/划分成包括多个像素的多个预测微区mzpm(zui)。分割在切分模型dec-mod中进行，切分模型dec-mod被配置为形成相关预测微区mzpm(zui)。在此示例中，预测微区mzpm(zui)具有相同的形式，但不言而喻，其也可具有不同形状。每一预测微区mzpm(zui)包括多个像素。每一特性图像imc的每一像素仅属于单个预测微区mzpm(zui)。使用大于像素的微区使得可以通过利用局部同质数据的假设来学习局部可变性的分布。
83.如前所述，每一像素与特性向量vc相关联。如下文将详细描述的，其目的是确定航空部件2的每一单元区zui的每一预测微区mzpm的每一像素的异常指数。
84.为了确定异常指数，参考图5b，所述方法执行包括多个局部模型mzpm(zui)-mod的数据库db-mod，如下文将描述的，每一局部模型特定于单元区zui的预测微区mzpm。
85.在执行比较步骤e40时，参考图6，通过统计预测算法alg_pred将每一预测微区mzpm(zui)与预先估算的局部统计模型mzpm(zui)-mod(以下简称局部模型)进行比较，以确定异常指数。对于预测微区mzpm(zui)的给定像素，低异常指数对应健全像素sain，而高异常指数对应于非健全像素nsain。
86.在此示例中，fisvdd类型(fast incremental support vector data description快速增量支持向量数据描述)的统计预测算法alg_pred因其在本发明背景下具有许多优势被应用，该统计预测算法例如在h.jiang、h.wang、w.hu、d.kakde和a.chaudhuri于2017年8月的文献“fast incremental svdd learning algorithm with the gaussian kernel(使用高斯核的快速增量svdd学习算法)”(https://www.researchgate.net/publication/319463824)fast incremental svdd learning algorithm with the gaussian kernel)中已知。该统计预测算法alg_pred实现支持向量，并在支持向量的数量和尺寸减小时特别高效。如下文将描述的，鉴于每一局部模型mzpm(zui)-mod因其局部性而具有有限数量的支持向量，本实施方式中情况正是如此。根据本发明，参考图5b，局部模型mzpm(zui)-mod的数据库db-mod是可用的。下面将描述局部模型mzpm(zui)-mod的学习。
87.统计预测算法alg_pred优选地是无监管的，而是基于对健全数据的尽可能详尽的了解，并无需对可设想的缺陷的详尽了解。因此，两个不同的特性向量vc可能产生相同的异常指数。
88.使用局部模型自然使得可以通过位置来区分像素的特性向量vc，特性向量在给定的微区中可能是正常的，而在相邻的微区中可能是异常的。顺便提及，全局模型使得无法检测此异常，其检测能力依赖于精确位置。
89.参考图7，示出了单元区zui的视频v(zui)，其经历了如前所述的估算其像素的特性向量vc以形成特性图像imc(zui)的估算步骤e20。
90.所述方法包括分割步骤e30，在此步骤中，通过使用预定切分模型dec-mod将每一特性图像imc(zui)切分成预测微区mzpm(zui)。
91.所述方法接下来包括比较步骤e40，在此步骤中，将每一预测微区mzpm(zui)与其对应的局部模型mzpm(zui)-mod进行比较，以便通过统计预测算法alg_pred来确定每一预测微区mzpm(zui)的每一像素的异常指数(sain或nsain)。因为局部模型mzpm(zui)-mod尺寸小并已在最佳获取条件下确定，所以该比较步骤e40执行起来简单且快速。因此减少了必要的计算能力。
92.有利地，对每一预测微区mzpm(zui)的每一像素的异常指数的估算可同时进行，以减少处理单元区zui的时间。
93.实际上，在比较步骤e40期间，对于每一特性像素z，应用以下公式来确定异常程度。
94.[数学公式1]
[0095]
q(z)＝∑
iai
k(xk,xi)-∑
iai
k(z,xi)
[0096]
公式，其中
[0097]
αi是支持向量的拉格朗日乘数
[0098]
k是核函数
[0099]
xi是支持向量并与特性像素具有相同的尺寸，甚至通过构建构成在学习过程中观察到的所有像素中的选择。
[0100]
αi和xi在学习过程中被习得，并构成局部模型的参数。
[0101]
通过构建，当异常指数q(z)小于0时，像素z为“健全”。反之，当异常指数q(z)大于0时，像素z为“非健全”。换言之，在学习过程中未观察到类似像素。根据每一单元区zui的异常指数q(z)，可形成预测图cdp(zui)。这种预测图cdp(zui)使得可以通过仅向操作员呈现相关信息(特别是连续信息)来帮助操作员的决策。通过对预测图cdp的异常指数q(z)进行阈值化，以有利方式获得具有二值信息(健全sain或非健全nsain异常指数)的二值预测掩码mdp。
[0102]
因此，对于每一单元区zui，具有健全sain异常指数的预测微区mzpm(zui)的像素被自动确定。
[0103]
如图7所示，方法包括可视化步骤e50，在该步骤，操作员可以可视化估算单元区zui的预测微区mzpm(zui)的不同像素的异常指数。然后操作员便可确定被认为是非健全的预测微区mzpm(zui)的像素是否真的存在缺陷还是假警报。操作员因此可将精力集中在异常指数提示为非健全nsain的像素上，以便确定预测微区mzpm(zui)是否真的存在异常。
[0104]
参考图8，以示意性方式示出了第一单元区zu1的若干预测区mzpi-mzp4的二值预测掩码mdp，其中，七个像素被认为是非健全(在图8中用黑色表示)。有利地，操作员可确定被认为是非健全的像素是否真的存在缺陷还是假警报。
[0105]
此后将描述相关的且具有低计算成本的局部模型mzpm(zui)-mod的确定。
[0106]
在本示例中，参考图9和图10，fisvdd(快速增量支持向量数据描述)类型的增量统计学习算法alg_app被应用。如下文所述，每一局部模型mzpm(zui)-mod是通过学习确定的。
[0107]
参考图9，与待检测的航空部件2对应的带注释的视频va(zui)可用，即学习航空部件2_app的样本的单元区zui的视频可用，其中，已针对每一像素预先确定异常指数(sain或
nsain)。优选地，仅使用已排除异常的像素的视频。替代地，包含异常的视频可用于局部模型的学习或更新。在学习过程中将仅访问视频的正常像素。每一带注释的视频va(zui)包括多个学习图像imc_app。
[0108]
学习图像imc_app经历如前所述估算其像素的特性向量vc的估算步骤e20，以形成带注释的特性图像imca(zui)。
[0109]
根据如前所述的分割步骤e30，通过使用预定的切分模型dec-mod，将带注释的特性图像imca(zui)切分成预测微区mzpm(zui)。有利地，鉴于对于这种无损检测，航空部件2以非常精确的方式安装在其支撑件上，因此对于相同的单元区zui，预测微区mzpm(zui)的可变性很小。这种特性使得可以降低异质性，从而减小局部模型的尺寸。每一预测微区mzpm(zui)的每一像素的异常指数(sain或nsain)因注释而成为已知的。
[0110]
根据本发明，预测微区mzpm(zui)的局部模型mzpm(zui)-mod是借助于学习算法alg_app从带注释的特性图像imca(zui)的学习微区mzam(zui)的像素的特性向量vc中获得的，其中，学习微区包括预测微区mzpm(zui)。
[0111]
参考图11，其示出了具有正方形形状的学习微区mza的示例性轮廓。然而不言而喻，它可具有不同的形状，尤其是大致呈圆形。学习微区mza包括优选地相对学习微区mza居中的预测微区mzp。优选地，预测微区mzp代表学习微区mza表面的5％与15％，以减小任何边缘效应。
[0112]
如图11所示，每一预测微区mzp具有第一半径rp，每一学习微区mza具有大于或等于第一半径rp的两倍的第二半径ra。优选地，预测微区mzp与学习微区mza是同心的。换言之，预测微区mzp与学习微区mza之间存在大于或等于第一半径rp的余量d(d＝ra-rp)。优选地，余量d等于第一半径rp。该余量d使得可以考虑累积的位置不确定性(部件位置误差和获取装置位置误差)并通过估算局部同质性来减少学习部件的数量。
[0113]
参考图12a至图12c，其示出了航空部件2的第一样本e1的带注释的特性图像imca的同一单元区zu1的若干学习微区mza。每一学习微区mza唯一地属于与学习微区mza相关联的预测微区mzp所属的单元区zu1。
[0114]
此外，如图12a和图12b所示，鉴于学习微区mza的预测微区mzp位于单元区zu1的边缘上，学习微区mza被截断。相反，如图12c所示，学习微区mza在外围上绕预测微区mzp延伸。
[0115]
在此示例中，参考图10，根据学习航空部件2_app的若干样本el、e2、
……
、ek，同一第一单元区zu1的同一第一预测微区mzp1的多个第一学习微区mza1(zu1)(ek)得以确定。每一学习微区mza1(zu1)(ek)的每一像素的异常指数是已知的。因此可使用学习算法alg_app来估算第一单元区zu1的第一预测微区mzp1的局部模型mzp1(zu1)-mod。
[0116]
重复学习以获得每一单元区zui的每一预测微区mzpm的局部模型mzp1(zu1)-mod。有利地，每一预测微区mzpm的有限尺寸与大质量的获取(由于航空部件2以精确方式得到支持，因此获取条件变化较小)相结合，使得可以形成具有小尺寸的局部模型mzpm(zui)-mod，这加速了对局部模型的确定。鉴于模型是局部的，与必须考虑更大异质性的全局模型相比，其复杂性降低。异质性越大，定义局部模型的参数数量就越大。样本ek的数量越大，包括每一部件之间的可变性的局部模型mzp1(zu1)-mod就越准确。优选地，样本ek属于预先注释过的学习基础ba。
[0117]
在图10中示出了来自预先获得的学习基础ba的统计学习方法，但该学习方法也可
以是动态的，如下文将参考图13所描述的。
[0118]
如下文将描述的，鉴于增量学习算法alg_app使得可以在获得学习特性图像imc_app时更新局部模型mzpm(zui)-mod，因此该增量学习算法alg_app是优选的。增量是指对学习有贡献的每一特性图像在局部模型的学习过程中仅被浏览一次。因此，局部模型的准确性随着时间的推移而增加。
[0119]
有利地，如图13所示，学习方法是动态的并与检测方法结合。
[0120]
在执行预测微区mzpm(zui)的方法期间，预测算法alg_pred通过依靠局部模型mzpm(zui)-mod来确定预测微区mzpm(zui)的像素是健全sain还是非健全nsain。如果所有像素都为健全sain，则对另一预测微区mzpm+1(zui)执行该预测方法。
[0121]
如果预测微区mzpm(zui)的一个或多个像素为非健全nsain，则操作员op分析预测图cdp或预测微区mzpm(zui)的二值预测掩码mdp，以确定潜在的假警报。如果对于操作员op一切合规，则对另一预测微区mzpm+1(zui)执行该预测方法。相反，如果操作员op检测到假警报，被认为是非健全nsain的像素实际上为健全sain，则操作员对预测微区mzp(zui)进行注释并将其传输至学习算法alg_app，该学习算法alg_app更新预测算法alg_pred所基于的局部模型mzpm(zui)-mod。因此，鉴于学习算法alg_app是增量的，局部模型mzpm(zui)-mod被细化以降低计算成本。
[0122]
由于局部模型，使得在位置上临近的区和/或具有不同厚度的区之间可能无需非常异质的特性向量便可进行。此外，高性能预测alg_pred和学习alg_app算法的使用在其用于低计算成本时可提高准确性，这对于分析大尺寸航空部件是最佳的。
技术特征：1.用于对航空部件(2)进行无损检测的方法，其特征是，包括：获取步骤(e10)，通过主动红外热成像系统(3)获取所述航空部件(2)的单元区(zui)的多个数字图像，所述数字图像在确定的时间段、指定的获取时段内定义的多个获取时刻获取，在获取时刻获取的数字图像的每一像素于获取时刻在所述航空部件(2)的一点处具有幅度；所述航空部件(2)固定设置，所述主动红外热成像系统的获取装置(3b)活动设置以获取每一单元区(zui)的多个数字图像；估算步骤(e20)，根据单元区(zui)获取的数字图像估算表征所述单元区(zui)的特性图像(imc)，所述特性图像(imc)的每一像素包括特性向量(vc)；分割步骤(e30)，将所述特性图像(imc)分割为多个预测微区(mzpm(zui))，每一预测微区(mzpm(zui))包括多个像素；比较步骤(e40)，通过统计预测算法(alg_pred)将每一预测微区(mzpm(zui))的每一像素的所述特性向量(vc)与所述单元区(zui)的所述预测微区(mzpm(zui))的预先估算的局部统计模型(mzpm(zui)-mod)进行比较，所述局部统计模型被称为局部模型(mzpm(zui)-mod)，以确定每一预测微区(mzpm(zui))的每一像素的异常指数，从而形成所述单元区(zui)的每一预测微区(mzpm(zui))的异常微图，所有单元区(zui)的异常微图的集合形成所述单元区(zui)的异常图；预测微区(mzpm(zui))的每个局部模型(mzpm(zui)-mod)从至少一个带注释的特性图像(imca)的像素的特性向量中获取，所述带注释的特性图像表征与待检测的所述航空部件(2)对应的至少一个学习航空部件(2_app)的单元区，所述学习航空部件(2_app)的单元区与待检测的所述航空部件(2)的所述单元区(zui)对应；通过学习算法(alg_app)从带注释的特性图像(imca)的学习微区(mzam)的像素的特性向量获取预测微区(mzpm(zui))的局部模型(mzpm(zui)-mod)，所述带注释的特性图像(imca)以与先前类似的方式被分割为预测微区，所述带注释的特性图像的学习微区(mzam)包括所述带注释的特性图像(imca)的每一预测微区。2.如权利要求1所述的方法，其特征是，将每一预测微区(mzpm)的每一像素的异常指数与预定阈值进行比较，以形成所述单元区(zui)的二值预测掩码(mdp)。3.如权利要求1或2所述的方法，其特征是，每一预测微区(mzpm)相对于包含该预测微区的所述学习微区(mzam)居中。4.如权利要求1-3中任一项所述的方法，其特征是，每一预测微区(mzpm)的尺寸比包含该预测微区的所述学习微区(mzam)的尺寸小。5.如权利要求4所述的方法，其特征是，所述预测微区(mzpm)与所述学习微区(mzam)是同心的。6.如权利要求1-5中任一项所述的方法，其特征是，所述预测微区(mzpm)具有第一半径(rp)，所述学习微区(mzam)具有大于或等于所述第一半径(rp)两倍的第二半径(ra)。7.如权利要求1-6中任一项所述的方法，其特征是，所述学习算法(alg_app)是增量统计算法，以实现动态更新。8.如权利要求7所述的方法，其特征是，所述学习算法(alg_app)是fisvdd(快速增量支持向量数据描述)类型的统计算法。9.如权利要求1-8中任一项所述的方法，其特征是，还包括：由操作员分析所述异常图
的步骤、在所述预测微区(mzpm(zui))在所述预测算法的意义上包含可疑像素时由操作员对所述预测微区(mzpm(zui))进行注释的步骤以及通过所述带注释的预测微区(mzpm(zui))和所述学习算法(alg_app)来更新所述预测微区(mzpm(zui))的所述局部模型(mzpm(zui)-mod)的步骤。10.用于对航空部件(2)进行无损检测的系统(1)，其特征是，包括：主动红外热成像系统(3)，所述主动红外热成像系统(3)包括激发装置(3a)和获取装置(3b)，所述获取装置(3b)被配置为在确定的时间段、指定的获取时段内定义的多个获取时刻来获取所述航空部件的单元区(zui)的数字图像，通过所述激发装置(3a)激发所述航空部件(2)后，在获取时刻获取的数字图像的每一像素于获取时刻在所述航空部件的一点处具有幅度；所述航空部件(2)固定设置，并且所述主动红外热成像系统的所述获取装置(3b)活动设置以获取每一单元区(zui)的多个数字图像；估算装置(4)，其被配置为根据所述单元区(zui)获取的数字图像来估算表征所述单元区(zui)的特性图像(imc)，所述特性图像(imc)的每一像素包括特性向量(vc)；检测装置(5)，其被配置为：将所述特性图像(imc)分割为多个预测微区(mzpm)，每一预测微区mzpm(zui)包括多个像素；通过统计预测算法(alg_pred)将每一预测微区(mzpm(zui))的每一像素的所述特性向量(vc)与所述单元区(zui)的所述预测微区(mzpm(zui))的预先估算的局部统计模型(mzpm(zui)-mod)进行比较，所述局部统计模型被称为局部模型(mzpm(zui)-mod)，以确定每一预测微区(mzpm(zui))的每一像素的异常指数，从而形成所述单元区(zui)的每一预测微区(mzpm(zui))的异常微图，所有单元区(zui)的所述异常微图的集合形成所述单元区(zui)的异常图；预测微区(mzpm(zui))的每一局部模型(mzpm(zui)-mod)从至少一个带注释的特性图像(imca)的像素的特性向量中获取，所述带注释的特性图像表征与待检测的所述航空部件(2)对应的至少一个学习航空部件(2_app)的单元区(zui)，所述学习航空部件(2_app)的所述单元区与待检测的所述航空部件(2)的所述单元区(zui)对应；通过学习算法(alg_app)从带注释的特性图像(imca)的学习微区(mzam)的像素的特性向量获取预测微区(mzpm)的局部模型(mzpm(zui)-mod)，所述带注释的特性图像(imca)以与之前类似的方式被分割为预测微区mzpm(zui)，所述带注释的特性图像(imca)的学习微区(mzam)中包括所述带注释的特性图像(imca)的每一预测微区(mzpm)。
技术总结用于对航空部件进行无损检测的方法，包括获得航空部件的单元区的多个数字图像的步骤，估算表征单元区的特性图像(IMC)的步骤，特性图像(IMC)的每一像素包括特性向量(VC)，将特性图像(IMC)分割为多个预测微区(MZP)的步骤，将每一预测微区(MZP)的每一像素的特性向量(VC)与预测微区(MZP)的预先估算的局部统计模型(MZP(ZU)-MOD)进行比较的步骤，预测微区(MZP))的局部模型(MZP(ZU)-MOD)由学习算法从带注释的特性图像的学习微区的像素的特性向量中获得，学习微区中包含预测微区。学习微区中包含预测微区。学习微区中包含预测微区。
技术研发人员：亚历克西斯
受保护的技术使用者：赛峰集团
技术研发日：2021.03.09
技术公布日：2022/11/1
