本发明属于无损检测，尤其涉及一种超声红外技术中温度-空间曲线随时间变化特征提取方法。
背景技术：
1、红外热成像技术中常用的热激励方式包括闪光灯激励、激光激励、超声激励等。与其他激励方式相比，超声激励属于选择性激励，仅对缺陷区域激励，对非缺陷区域不激励。同时，超声激励不考虑热激励均匀性，对复杂结构试件可以取得更好的检测效果。此外，超声激励属于内部激励、体激励方式，发热区域较小，有助于微小缺陷的检测。
2、超声红外热成像技术是一种无损检测技术，主要包括超声热激励和红外探测两部分。首先采用超声波作为激励源，将其作用于被测材料或试件表面。超声波经过界面耦合在被测物体内，若被测材料或试件存在缺陷，缺陷处由于热弹效应、摩擦效应等产生热量，从而导致缺陷处及相邻位置温度升高。利用红外热成像仪观察和记录这些温度的变化，并采集红外热图像序列，对这些红外热图像序列进行处理便可得到相应缺陷的信息。现多将超声红外热成像技术应用于各种材料的质量检测和缺陷识别。
3、近年来，随着深度学习的蓬勃发展，基于深度学习的无损检测方法更多地被运用到无损检测领域中。与传统机器学习方法不同，深度学习方法不是直接从图像中提取特征，而是利用多个层次的网络结构，将图像中的浅层特征逐步映射到深层的特征，从而得到能够表达更多复杂语义信息的特征向量。但是，使用超声红外热成像技术得到的图像往往会伴随着成像对比度低，缺陷边界模糊等缺点，不利于使用深度学习方法进行特征处理。目前，红外热成像领域缺陷识别通常以二维图像或一维温度-时间信号作为输入，要么失去时间信息要么失去空间信息。因此，亟需提出一种超声红外技术中温度-空间曲线随时间变化特征提取方法，可以更好地提取超声红外热图序列中时间和空间特征，对无损检测领域中使用深度学习方法进行缺陷识别具有重要意义。
技术实现思路
1、为解决上述技术问题，本发明提出了一种超声红外技术中温度-空间曲线随时间变化特征提取方法，通过有效的特征提取，利用深度学习方法对试件进行缺陷定性识别，以解决上述现有技术存在的问题。
2、为实现上述目的，本发明提供了一种超声红外技术中温度-空间曲线随时间变化特征提取方法，包括以下步骤：
3、采集缺陷试件的红外热图像序列做减背景处理，获得温升热图，对所述温升热图作二值化处理，获得二值图像；
4、对二值图像进行类别标注，获取标注区域内每种坐标点的空间值时间序列和时空相关系数序列，并经拼接处理获得每种坐标点的复合序列；
5、基于空间注意力、通道注意力和se注意力机制，构建缺陷识别模型，基于每种坐标点的复合序列对所述缺陷识别模型进行训练；
6、基于训练后的缺陷识别模型对待测试件进行特征提取，识别出待测试件的缺陷。
7、可选地，获得温升热图的过程包括：从红外热图像序列中取前6帧的红外热图子序列，取平均作为背景热图；预设某一时刻，取预设时刻开始的连续6帧的红外热图子序列，取平均作为前景热图；用所有时间帧的前景热图减背景热图，获得温升热图。
8、可选地，获取每种坐标点的空间值时间序列的过程包括：获取温升热图中每种坐标点的温度-空间曲线，求取所述温度-空间曲线的最大温度值，对所述最大温度值进行最大值归一化，获得归一化空间序列；对所述归一化空间序列进行求和，获得求和结果，基于所述求和结果与最大温度值的比值，获得整体时间段内的空间值时间序列，预设时间段，选取预设时间段内每种坐标点的空间值时间序列。
9、可选地，获取每种坐标点的时空相关系数序列的过程包括：获取实验数据的标准差，对所述实验数据的标准差进行拟合处理，获得拟合标准差；基于所述拟合标准差获得归一化空间序列的类高斯序列；获取整体时间段内的归一化空间序列与类高斯序列的时空相关系数序列，预设时间段，获取预设时间段内的时空相关系数序列。
10、可选地，获取实验数据的标准差的过程包括：选取同一缺陷试件的不同缺陷信号，将不同缺陷信号分别对应于正常信号强度、较强信号强度以及较弱信号强度，并获取三种不同信号强度下的归一化空间序列，进而得到归一化空间序列曲线，分别拟合所述归一化空间序列曲线的类高斯曲线，进而获得类高斯曲线的标准差，基于三种类高斯曲线的标准差的均值作为实验数据的标准差。
11、可选地，基于缺陷识别模型处理数据的过程包括：将输入的数据输入到conv1卷积和conv2卷积进行卷积，输出分别通过conv3和conv4进行卷积，将conv3和conv4的输出分别送入空间注意力和通道注意力网络，同时，将conv3和conv4的输出拼接并送入第一bottleneck层，将第一bottleneck层的输出送入conv5卷积操作中；将conv5的输出分别与空间注意力和通道注意力的输出进行拼接，并分别送入conv6、conv7和conv8中，将conv7的输出再分别与conv6和conv8的输出进行拼接，并将拼接好的结果分别送到第二bottleneck层和第三bottleneck层；将第二bottleneck层和第三bottleneck层的输出分别传入se注意力机制，将两个se注意力机制的输出进行拼接送到第四bottleneck层，之后将第四bottleneck层的输出传入到一个池化层中进行自适应平均池化操作，然后将池化层的输出传入到一个全连接层中进行结果映射，最终使用softmax函数分类输出识别结果。
12、可选地，所述conv1卷积和conv2卷积均包括一次卷积核为1、填充为1的卷积和一次卷积核为3、填充为1的卷积。
13、可选地，二值图像中的坐标点类别包括：缺陷点、不良喷漆点、支撑柱点、热反射点和噪声点。
14、本发明还提供一种电子设备，包括：存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现超声红外技术中温度-空间曲线随时间变化特征提取方法的各个步骤。
15、本发明还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现超声红外技术中温度-空间曲线随时间变化特征提取方法的各个步骤。
16、与现有技术相比，本发明具有如下优点和技术效果：
17、(1)本发明通过提取坐标点的温度-空间序列，计算得到其在某时刻的最大归一化均值，多个时间下的空间值组成空间值时间序列。对于不同类型点，其受到超声激励后的热反应不同，其空间值时间序列曲线也具有不同特征，通过提取空间值序列，其中不仅包含了空间信息，还包含了时间信息，借此可显著区分不同类型点；
18、(2)本发明通过拟合缺陷点在某时间下归一化空间序列的类高斯序列，并和该时刻下待识别类型点的归一化空间序列求相关系数，得到该类型点在该时刻下与缺陷点的相似程度，由于不良喷漆点和缺陷点的归一化空间序列曲线特征相近，都与高斯曲线相似，而其它类型点的归一化空间序列曲线特征与高斯曲线有很大差异，故通过求坐标点在各时间下的相关系数序列，可帮助识别不同类型点，同时可弥补仅依据空间值序列对像素点进行分类时导致的缺陷点被错误判断为其他类型的问题，增加了缺陷识别的精度和效率。
1.一种超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
3.根据权利要求1所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
4.根据权利要求1所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
5.根据权利要求4所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
6.根据权利要求1所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
7.根据权利要求6所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
8.根据权利要求1所述的超声红外技术中温度-空间曲线随时间变化特征提取方法，其特征在于，
9.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器，用于存储程序；所述处理器，用于执行所述程序，实现如权利要求1-8中任一项所述的超声红外技术中温度-空间曲线随时间变化特征提取方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的超声红外技术中温度-空间曲线随时间变化特征提取方法的各个步骤。
