CN110298061B - 一种多损伤特征重构的空间碎片防护构型损伤评估方法 - Google Patents
一种多损伤特征重构的空间碎片防护构型损伤评估方法 Download PDFInfo
- Publication number
- CN110298061B CN110298061B CN201910373516.3A CN201910373516A CN110298061B CN 110298061 B CN110298061 B CN 110298061B CN 201910373516 A CN201910373516 A CN 201910373516A CN 110298061 B CN110298061 B CN 110298061B
- Authority
- CN
- China
- Prior art keywords
- damage
- image
- representing
- information
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多损伤特征提取的超高速撞击损伤检测方法,通过建立多稀疏模型,并运用独立成分分析重构待检测试件表面及亚表面的损伤信息;之后,通过图像平滑和分割算法去除图像中与损伤无关的信息;最终通过图像融合算法实现对于损伤情况的准确描述。本发明将数学模型与超高速撞击损伤特性结合在一起,提出新的损伤检测模型。不仅能够重构表面损伤,同时能够重构待检测试件的亚表面的损伤情况;本发明提出了对于超高速撞击损伤检测的整体算法框架,其中包括:碎片云图像的处理;表面损伤和亚表面损伤信息的重构;平滑和分割来去除非损伤噪声;图像融合实现损伤的可视化准确描述。
Description
技术领域
本发明属于航天器空间碎片撞击防护技术领域,更为具体的讲,涉及一种针对空间碎片超高速撞击防护结构缓冲屏产生的二次碎片云及其对后墙损伤状态的综合评估方法。
背景技术
微流星体和地球轨道垃圾等空间碎片的超高速撞击是导致在轨航天器表面物理损伤的主要原因之一,空间碎片超高速撞击速度通常达到每秒几公里甚至几十公里。对于质量较大的空间碎片国际上统一进行编目和跟踪预警以实现航天器在轨调整规避,然而对于厘米级以下的空间碎片则需要有效的被动防护手段。因此,暴露于空间碎片环境中的各类航天器必须进行空间碎片防护设计以及地面超高速撞击防护性能考核评估。
经典的空间碎片Whipple防护构型由具有间隔的两层铝合金薄板组成,其中前板(也称为缓冲屏)主要作用是在超高速初始撞击过程中对空间碎片进行有效地破碎而产生二次碎片云,通过碎片云的动能分散作用而显著减少对防护结构后板(也称为后墙)的损伤。基于上述基本防护原理,国内外开发出了很多用于空间碎片防护构型的新型缓冲屏材料,以增强缓冲屏对超高速空间碎片的破碎能力,从而提高防护构型的空间碎片防护能力。为了评价这些新型缓冲屏材料的空间碎片超高速撞击防护能力,需要结合碎片云结构特征(既缓冲屏对弹丸的破碎形态)及其对后墙损伤状态进行综合评价。由于碎片云特殊的结构特征造成了后墙会出现多种不同的损伤模式,既包括表面可见的撞击坑、穿孔等,也包括表面不可见的内部层裂、背面剥落等损伤模式,它们可能同时存在也可能部分存在,因此对其进行损伤评价具有很大难度。
目前针对航天器防护结构的不同缓冲屏材料防护性能进行评估,主要是依靠多次超高速撞击试验以测得防护结构后墙发生可见穿孔损伤时的临界弹丸直径。上述损伤评价方法需要开展不同撞击参数下的大量超高速撞击试验,不仅试验测试成本较高,而且受人为主观因素影响较大。更为关键的是,上述损伤评估方法仅仅依靠观察后墙是否发生穿孔损伤,忽略了其它的碎片云撞击后墙损伤特征,没有将后墙的类型损伤、损伤程度与碎片云特征结合起来,从而也无法对不同缓冲屏材料的空间碎片超高速撞击损伤进行准确评估,因此需要发展针对碎片云超高速撞击损伤的具有较高可视化和自动化程度的综合评估技术。为此,本发明基于均值漂移算法对碎片云图像进行处理,基于模糊C均值(FCM)和独立成分分析(ICA)提取碎片云撞击后墙的多类型损伤特征图像,结合碎片云结构特征与后墙多损伤融合图像综合评估不同缓冲屏材料防护构型的超高速撞击损伤行为。
发明内容
本发明的目的在于克服现有防护构型性能评估技术的不足,提出一种基于碎片云结构特征及其对后墙损伤图像的超高速撞击损伤评估方法,具有合理性强,结果更加准确,可视化效果好等优点。
为了实现根据本发明的这些目的和其它优点,提供了一种多损伤特征重构的空间碎片防护构型缓冲屏损伤评估方法,包括以下步骤:
步骤一、将待评估缓冲屏材料前板与航天用铝合金后墙板组成Whipple防护构型;利用超高速弹道靶设备发射铝合金弹丸超高速撞击Whipple防护构型,用于模拟空间碎片超高速撞击防护构型过程,铝合金弹丸直径与缓冲屏厚度基本相当;
步骤二、利用多站光电探测器测得铝合金弹丸撞击速度,利用超高速序列激光阴影成像设备记录铝合金弹丸超高速撞击缓冲屏产生的二次碎片云阴影图像序列;同时获取碎片云撞击后墙的损伤样品;
步骤三、通过均值漂移算法对碎片云序列激光阴影图像进行平滑和分割,以消除噪声干扰,提取碎片云主要特征信息;
步骤四、通过对后墙损伤样品进行主动加热,并利用红外热像仪获取后墙损伤的红外热图像序列,通过建立多稀疏模型,并运用独立成分分析重构后墙损伤样品表面及亚表面的损伤信息,通过图像平滑和分割算法去除图像中与损伤无关的信息;最终通过图像融合算法实现对于损伤情况的准确描述。
优选的是,所述步骤一中,缓冲屏厚度与铝合金后墙厚度为毫米级。
优选的是,所述步骤三中,通过均值漂移算法对碎片云序列激光阴影图像进行平滑和分割的过程包括以下步骤:
步骤Ⅰ、k=1时,将碎片云图像通过S=(ss,sc)表示,其中ss表示像素点的空域二维坐标信息,sc表示像素点值域的颜色信息;初始化空间窗口大小hs和颜色窗口大小hc,其二者表示邻域的大小;终止条件ε;i=1,2,...,K,K表示像素点数目;初始化区域最小像素点数M;
步骤Ⅱ、更新每个像素点的幅值:
步骤Ⅳ、将满足的像素点合并在一起,其中,Z=(zs,zc);并对其进行编号使得像素点被分为Q类,其中每一类的编号为Cq,q=1,2,...,Q;统计每一类中像素点个数为/>如果/>则将其与邻域合并,最终得到Q'类像素点;
优选的是,所述步骤四包括以下过程:
步骤1、将碎片云撞击后墙得到的损伤样品进行主动激励加热,利用红外热像仪记录后墙损伤样品的红外热图像视频流;将待检测视频流通过矩阵块表示,其中NI×NJ表示空间信息,NT表示时间信息;通过向量算子Vec将矩阵块转换为二维矩阵NIJ=NI×NJ;即:/>为(了重))构]不同的损伤信息,将视频流写为:
其中表示表面损伤,亚表面损伤和非损伤区域的主要特征,XF(tF),XB(tB),XN(tN)表示特征矩阵的行向量,/>和/>分别表示不同区域的混合系数矩阵;λF(tF),λB(tB),λN(tN)表示列向量;
步骤2、为了重构表面损伤特征XF和亚表面损伤特征XB;采用以下过程:
2.1、采用奇异值分解将视频流S分解为:ST=U∑VT,其中为左奇异矩阵,/>为奇异值矩阵,/>为右奇异矩阵;其中,通过计算SSTvi=λivi得到vi表示右奇异向量,/>表示奇异值,/>表示左奇异向量;在奇异值矩阵∑中,前NC个主要奇异值信息代表了损伤试件的整体信息,根据经验阈值的选取,奇异值满足aF<δ时的/>个特征信息表示表面损伤特征,奇异值满足aB<δ<aF时的/>个特征信息表示亚表面损伤特征,奇异值满足aN<δ<aB时的/>个特征信息表示非损伤区域特征,其中aN,aB,aF是正整数;因此视频流可以被表示为ST≈U'∑'V'T;表示分类后的不同区域的主要信息集合,而/>表示将其从时域转换到空域;
2.2、计算白化矩阵W和混合系数矩阵λ:之后重构损伤的主要信息矩阵可以表示为:X=W×S;然后,通过牛顿迭代法消除重构损伤特征之间的相关性:w*=E{xg(wTx)}-E{xg(wTx)}w,其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数;则得到新的损伤特征信息矩阵:X*=W*×S;其中X*矩阵中包括/>行的表面损伤特征XF,/>行的亚表面损伤特征XB和/>行的非损伤区域特征XN;
步骤3、其包括以下过程:
3.1、k=0,用F表示图像SF或SB;初始化像素点类别数M,M≥2;聚类中心D=(d1,d2,...,dM);隶属度矩阵U;终止条件ε;计算目标函数H(k);
3.2、k=k+1,更新隶属度矩阵U
其中m=1,2,…,M,Ff表示图像的第f个像素点,f=1,...,NI×NJ;
3.3、计算聚类中心:
其中Ωf表示像素点的集合,τ=2;
3.4、计算目标函数:
如果|H(k)-H(k-1)|<ε,得到此时的隶属度矩阵和聚类中心分别记为U*,D*,否则返回步骤3.2;
步骤4、具体包括:
4.4、t=t+1,直到t>T,否则返回步骤4.2;
4.8、tt=tt-1,直到tt<1时,得到最终融合图像R=lR0;否则,返回步骤4.6。
本发明一种基于多损伤特征提取的超高速撞击损伤检测方法,通过建立多稀疏模型,并运用独立成分分析重构待检测试件表面及亚表面的损伤信息。之后,通过图像平滑和分割算法去除图像中与损伤无关的信息。最终通过图像融合算法实现对于损伤情况的准确描述。
本发明至少包括以下有益效果:
(1)本发明将数学模型与超高速撞击损伤特性结合在一起,提出新的损伤检测模型。不仅能够重构表面损伤,同时能够重构待检测试件的亚表面的损伤情况;
(2)本发明提出了对于超高速撞击损伤检测的整体算法框架,其中包括:碎片云图像的处理;表面损伤和亚表面损伤信息的重构;平滑和分割来去除非损伤噪声;图像融合实现损伤的可视化准确描述,如图2所示。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明:
图1是本发明红外视频流组成说明;
图2是图像融合算法示意图;
图3是防护构型示意图;
图4是ICA重构结果图像;
图5是FCM图像分割结果;
图6是多尺度图像融合算法结果图。
具体实施方式:
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
实施例1:
一种多损伤特征重构的空间碎片防护构型缓冲屏损伤评估方法,包括以下步骤:
步骤一、将待评估缓冲屏材料前板与航天用铝合金后墙板组成Whipple防护构型;利用超高速弹道靶设备发射铝合金弹丸超高速撞击Whipple防护构型,用于模拟空间碎片超高速撞击防护构型过程,铝合金弹丸直径与缓冲屏厚度基本相当;缓冲屏厚度与铝合金后墙厚度为毫米级;
步骤二、利用多站光电探测器测得弹丸撞击速度,利用超高速序列激光阴影成像设备记录弹丸超高速撞击缓冲屏产生的二次碎片云阴影图像序列,根据缓冲屏和后墙间隔距离、图像序列间隔时间等已知参数,从而基于碎片云图像序列测得碎片云结构特征参数以及运动特征参数;其中碎片云结构特征参数主要包括碎片颗粒尺寸、前端空泡结构尺寸、碎片颗粒质量分布等;
步骤三、为了对撞击缓冲屏产生二次碎片云的碎片颗粒进行量化,通过均值漂移算法对碎片云的序列激光阴影图像进行平滑和分割,以消除噪声干扰,获取碎片云主要特征信息;
步骤四、通过对后墙损伤样品进行主动加热,并利用红外热像仪获取后墙损伤的红外热图像序列,通过建立多稀疏模型,并运用独立成分分析重构后墙损伤样品表面及亚表面的损伤信息,通过图像平滑和分割算法去除图像中与损伤无关的信息;最终通过图像融合算法实现对于损伤情况的准确描述;
所述步骤三中,通过均值漂移算法对碎片云序列激光阴影图像进行平滑和分割的过程包括以下步骤:
步骤Ⅰ、k=1时,将碎片云图像通过S=(ss,sc)表示,其中ss表示像素点的空域二维坐标信息,sc表示像素点值域的颜色信息;初始化空间窗口大小hs和颜色窗口大小hc,其二者表示邻域的大小;终止条件ε;i=1,2,...,K,K表示像素点数目;初始化区域最小像素点数M;
步骤Ⅱ、更新每个像素点的幅值:
步骤Ⅳ、将满足的像素点合并在一起,其中,Z=(zs,zc);并对其进行编号使得像素点被分为Q类,其中每一类的编号为Cq,q=1,2,...,Q;统计每一类中像素点个数为/>如果/>则将其与邻域合并,最终得到Q'类像素点;
所述步骤四包括以下过程:
步骤1、将碎片云撞击后墙得到的损伤样品进行主动激励加热,利用红外热像仪记录后墙损伤样品的红外热图像视频流;将待检测视频流通过矩阵块表示,其中NI×NJ表示空间信息,NT表示时间信息;通过向量算子Ve将矩阵块转换为二维矩阵NIJ=NI×NJ;即:/>为了重构不同的损伤信息,将视频流写为:
其中表示表面损伤,亚表面损伤和非损伤区域的主要特征,XF(tF),XB(tB),XN(tN)表示特征矩阵的行向量,/>和/>分别表示不同区域的混合系数矩阵;λF(tF),λB(tB),λN(tN)表示列向量;
步骤2、为了重构表面损伤特征XF和亚表面损伤特征XB;采用以下过程:
2.1、采用奇异值分解将视频流S分解为:ST=U∑VT,其中为左奇异矩阵,/>为奇异值矩阵,/>为右奇异矩阵;其中,通过计算SSTvi=λivi得到vi表示右奇异向量,/>表示奇异值,/>表示左奇异向量;在奇异值矩阵∑中,前NC个主要奇异值信息代表了损伤试件的整体信息,根据经验阈值的选取,奇异值满足aF<δ时的/>个特征信息表示表面损伤特征,奇异值满足aB<δ<aF时的/>个特征信息表示亚表面损伤特征,奇异值满足aN<δ<aB时的/>个特征信息表示非损伤区域特征,其中aN,aB,aF是正整数;因此视频流可以被表示为ST≈U'∑'V'T;表示分类后的不同区域的主要信息集合,而/>表示将其从时域转换到空域;
2.2、计算白化矩阵W和混合系数矩阵λ:之后重构损伤的主要信息矩阵可以表示为:X=W×S;然后,通过牛顿迭代法消除重构损伤特征之间的相关性:w*=E{xg(wTx)}-E{xg(wTx)}w,其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数;则得到新的损伤特征信息矩阵:X*=W*×S;混合系数矩阵可以表示为/>其中/>表示伪逆运算;其中X*矩阵中包括/>行的表面损伤特征XF,/>行的亚表面损伤特征XB和/>行的非损伤区域特征XN;
2.3、将损伤特征矩阵X*分为XF,XB,XN;其中,通过XF得到表面损伤信息重构图像SF,通过XB得到亚表面损伤信息重构图像SB;
步骤3、其包括以下过程:
3.1、k=0,用F表示图像SF或SB;初始化像素点类别数M,M≥2;聚类中心D=(d1,d2,...,dM);隶属度矩阵U;终止条件ε;计算目标函数H(k);
3.2、k=k+1,更新隶属度矩阵U
其中m=1,2,…,M,Ff表示图像的第f个像素点;
3.3、计算聚类中心:
其中Ωf表示像素点的集合,τ=2;
3.4、计算目标函数:
如果|H(k)-H(k-1)|<ε,得到此时的隶属度矩阵和聚类中心分别记为U*,D*,否则返回步骤3.2;
步骤4、具体包括:
4.4、t=t+1,直到t>T,否则返回步骤4.2;
4.8、tt=tt-1,直到tt<1时,得到最终融合图像R=lR0;否则,返回步骤4.6。
实验仿真
为了能够更好提起碎片撞击后墙试件的损伤信息,本实施例针对图3所示试件的Whipple防护结构后墙进行损伤检测。采用本发明中描述的首先运用ICA求解模型,之后运用FCM对去除图像噪声信息,最终运用基于多尺度变换的图像融合算法实现对试件损伤的准确描述。
下面利用本发明所述方法对试件进行计算分析。
本发明所述方法首先采集试件的原始数据序列,采集时间是8秒,得到S'∈R512 ×640×544的矩阵块,如图1所示,其中包含了不同损伤信息。之后运用向量算子将其转化为二维矩阵。然后利用独立成分分析(ICA)重构得到表面损伤图像和亚表面损伤图像如图4所示。
通过模糊C均值(FCM)对所得图像进行平滑和分割,对于表面图像设置像素点类别数为10,对于亚表面图像设置像素点类别数为4,终止条件ε=0.01。处理后的亚表面图像如图5所示。
运用多尺度图像融合的方式对表面和亚表面损伤信息进行融合,设置低通和高通滤波器fl=[1,1],fl=[1,-1],变换次数T=2。融合后的图像如图6所示。可以看出该图像能够清楚地描述当前待检测试件的损伤情况。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (3)
1.一种多损伤特征重构的空间碎片防护构型缓冲屏损伤评估方法,其特征在于,包括以下步骤:
步骤一、将待评估缓冲屏材料前板与航天用铝合金后墙板组成Whipple防护构型;利用超高速弹道靶设备发射铝合金弹丸超高速撞击Whipple防护构型,用于模拟空间碎片超高速撞击防护构型过程,铝合金弹丸直径与缓冲屏厚度基本相当;
步骤二、利用多站光电探测器测得铝合金弹丸撞击速度,利用超高速序列激光阴影成像设备记录铝合金弹丸超高速撞击缓冲屏产生的二次碎片云阴影图像序列;同时获取碎片云撞击后墙的损伤样品;
步骤三、通过均值漂移算法对二次碎片云阴影图像序列进行平滑和分割,以消除噪声干扰,提取碎片云主要特征信息;
步骤四、通过对后墙损伤样品进行主动加热,并利用红外热像仪获取后墙损伤的红外热图像序列,通过建立多稀疏模型,并运用独立成分分析重构后墙损伤样品表面及亚表面的损伤信息,通过图像平滑和分割算法去除图像中与损伤无关的信息;最终通过图像融合算法实现对于损伤情况的准确描述;
其中,所述步骤四包括以下过程:
步骤1、将碎片云撞击后墙得到的损伤样品进行主动激励加热,利用红外热像仪记录后墙损伤样品的红外热图像视频流;将待检测视频流通过矩阵块表示,其中NI×NJ表示空间信息,NT表示时间信息;通过向量算子Ve将矩阵块转换为二维矩阵/>NIJ=NI×NJ;即:S=[Vec(S′(1)),...,Vec(S′(NT))],为了重构不同的损伤信息,将视频流写为:
其中表示表面损伤,亚表面损伤和非损伤区域的主要特征,XF(tF),XB(tB),XN(tN)表示特征矩阵的行向量,/>和分别表示不同区域的混合系数矩阵;λF(tF),λB(tB),λN(tN)表示列向量;
步骤2、为了重构表面损伤特征XF和亚表面损伤特征XB;采用以下过程:
2.1、采用奇异值分解将视频流S分解为:ST=U∑VT,其中为左奇异矩阵,为奇异值矩阵,/>为右奇异矩阵;其中,通过计算SSTvi=λivi得到vi表示右奇异向量,/>表示奇异值,/>表示左奇异向量;在奇异值矩阵∑中,前NC个主要奇异值信息代表了损伤试件的整体信息,根据经验阈值的选取,奇异值满足aF<δ时的个特征信息表示表面损伤特征,奇异值满足aB<δ<aF时的/>个特征信息表示亚表面损伤特征,奇异值满足aN<δ<aB时的/>个特征信息表示非损伤区域特征,其中aN,aB,aF是正整数;因此视频流可以被表示为ST≈U'∑'V'T;表示分类后的不同区域的主要信息集合,而/>表示将其从时域转换到空域;
2.2、计算白化矩阵W和混合系数矩阵λ:之后重构损伤的主要信息矩阵可以表示为:X=W×S;然后,通过牛顿迭代法消除重构损伤特征之间的相关性:w*=E{xg(wTx)}-E{xg(wTx)}w,其中,x是X的行向量,w为W的行向量,g(·)是对比度函数G的导数;则得到新的损伤特征信息矩阵:X*=W*×S;其中X*矩阵中包括/>行的表面损伤特征XF,/>行的亚表面损伤特征XB和/>行的非损伤区域特征XN;
步骤3、其包括以下过程:
3.1、k=0,用F表示图像SF或SB;初始化像素点类别数M,M≥2;聚类中心D=(d1,d2,...,dM);隶属度矩阵U;终止条件ε;计算目标函数H(k);
3.2、k=k+1,更新隶属度矩阵U
其中m=1,2,…,M,Ff表示图像的第f个像素点,f=1,...,NI×NJ;
3.3、计算聚类中心:
其中Ωf表示像素点的集合,τ=2;
3.4、计算目标函数:
如果|H(k)-H(k-1)|<ε,得到此时的隶属度矩阵和聚类中心分别记为U*,D*,否则返回步骤3.2;
步骤4、具体包括:
4.4、t=t+1,直到t>T,否则返回步骤4.2;
4.8、tt=tt-1,直到tt<1时,得到最终融合图像R=lR0;否则,返回步骤4.6。
2.如权利要求1所述的多损伤特征重构的空间碎片防护构型缓冲屏损伤评估方法,其特征在于,所述步骤一中,缓冲屏厚度与铝合金后墙厚度为毫米级。
3.如权利要求1所述的多损伤特征重构的空间碎片防护构型缓冲屏损伤评估方法,其特征在于,所述步骤三中,通过均值漂移算法对二次碎片云阴影图像序列进行平滑和分割的过程包括以下步骤:
步骤Ⅰ、k=1时,将碎片云图像通过S=(ss,sc)表示,其中ss表示像素点的空域二维坐标信息,sc表示像素点值域的颜色信息;初始化空间窗口大小hs和颜色窗口大小hc,其二者表示邻域的大小;终止条件ε;i=1,2,...,K,K表示像素点数目;初始化区域最小像素点数M;
步骤Ⅱ、更新每个像素点的幅值:
步骤Ⅳ、将满足的像素点合并在一起,其中,Z=(zs,zc);并对其进行编号使得像素点被分为Q类,其中每一类的编号为Cq,q=1,2,...,Q;统计每一类中像素点个数为/>如果/>则将其与邻域合并,最终得到Q'类像素点;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373516.3A CN110298061B (zh) | 2019-05-07 | 2019-05-07 | 一种多损伤特征重构的空间碎片防护构型损伤评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373516.3A CN110298061B (zh) | 2019-05-07 | 2019-05-07 | 一种多损伤特征重构的空间碎片防护构型损伤评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298061A CN110298061A (zh) | 2019-10-01 |
CN110298061B true CN110298061B (zh) | 2023-06-27 |
Family
ID=68026647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373516.3A Active CN110298061B (zh) | 2019-05-07 | 2019-05-07 | 一种多损伤特征重构的空间碎片防护构型损伤评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298061B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132802B (zh) * | 2020-05-27 | 2022-06-14 | 电子科技大学 | 一种基于自学习拼接算法的航天器撞击损伤检测方法 |
CN113221433B (zh) * | 2021-06-04 | 2022-12-13 | 北京航空航天大学 | 一种基于密度信息的高速撞击碎片重构方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495960A (zh) * | 2011-12-02 | 2012-06-13 | 北京理工大学 | 一种碎片对航天器结构破坏效应的粒子评估方法 |
CN105659753B (zh) * | 2011-12-09 | 2014-08-13 | 北京空间飞行器总体设计部 | 一种基于玄武岩纤维织物的填充式Whipple防护结构及制造方法 |
CN109131947A (zh) * | 2018-08-16 | 2019-01-04 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种超高速撞击防护装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2475926B (en) * | 2009-12-07 | 2011-10-19 | Phs Space Ltd | Debris impact mitigation apparatus for spacecraft |
-
2019
- 2019-05-07 CN CN201910373516.3A patent/CN110298061B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495960A (zh) * | 2011-12-02 | 2012-06-13 | 北京理工大学 | 一种碎片对航天器结构破坏效应的粒子评估方法 |
CN105659753B (zh) * | 2011-12-09 | 2014-08-13 | 北京空间飞行器总体设计部 | 一种基于玄武岩纤维织物的填充式Whipple防护结构及制造方法 |
CN109131947A (zh) * | 2018-08-16 | 2019-01-04 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种超高速撞击防护装置及方法 |
Non-Patent Citations (6)
Title |
---|
"Hypervelocity impact testing on stochastic and structured open porosity cast Al-Si cellular structures for space applications";,R.voillat 等;《Advances in space research》;20130201;全文 * |
"Primary study on shielding performance of aerogel/fiberglass composite stuffed in thermal insulation shield";Huang xuegang 等;《procedia engineering》;20171231;全文 * |
"空间碎片撞击典型航天器结构损伤模式识别技术研究";刘源;《中国博士学位论文全文数据库工程科技辑》;20190115;全文 * |
"空间碎片环境中的航天器生存力评估";马振凯;《中国优秀硕士学位论文全文数据库工程科技辑》;20180215;全文 * |
"超高速碰撞产生的碎片云研究进展";邸德宁 等;《兵工学报》;20181015;全文 * |
基于拟流体模型的SPH新方法及其在弹丸超高速碰撞薄板中的应用;强洪夫等;《***与冲击》;20171125(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298061A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110294147B (zh) | 一种空间碎片防护构型缓冲屏损伤评估方法 | |
CN108596213A (zh) | 一种基于卷积神经网络的高光谱遥感图像分类方法及*** | |
CN110298061B (zh) | 一种多损伤特征重构的空间碎片防护构型损伤评估方法 | |
CN112818822B (zh) | 一种航空航天复合材料损伤区域自动识别方法 | |
CN102800070B (zh) | 基于区域和人眼对比敏感特性的异源图像融合方法 | |
CN103745216B (zh) | 一种基于空域特性的雷达图像杂波抑制方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN105718942A (zh) | 基于均值漂移和过采样的高光谱图像不平衡分类方法 | |
CN107273852A (zh) | 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法 | |
Mumtaz et al. | Computer aided visual inspection of aircraft surfaces | |
Picard et al. | Deep learning-assisted classification of site-resolved quantum gas microscope images | |
CN110211103B (zh) | 基于红外热成像的信息熵加性模糊缺陷特征分析重构方法 | |
Gupta et al. | Studying the statistics of natural X-ray pictures | |
CN110222740B (zh) | 一种基于加性模糊的红外技术缺陷重构与特征提取方法 | |
Aswathy et al. | ADMM based hyperspectral image classification improved by denoising using Legendre Fenchel transformation | |
CN107871123B (zh) | 一种逆合成孔径雷达空间目标分类方法及*** | |
Sulochana et al. | Denoising and dimensionality reduction of hyperspectral images using framelet transform with different shrinkage functions | |
CN113807206B (zh) | 一种基于去噪任务辅助的sar图像目标识别方法 | |
CN104007047A (zh) | 一种颗粒体系动力链的识别方法 | |
Ariputhiran | Feature extraction and classification of high resolution satellite images using GLCM and back propagation technique | |
CN113902973A (zh) | 自编码器和低维流形建模的高光谱异常检测方法 | |
Pham et al. | Covariance-based texture description from weighted coherency matrix and gradient tensors for polarimetric SAR image classification | |
CN110223274B (zh) | 一种基于乘性模糊的红外技术缺陷重构与特征提取方法 | |
Zeltmann et al. | Denoising of sparse three-and four-dimensional hyperspectral electron microscopy data using a total variational method | |
Tian et al. | A Tracking Algorithm for Debris Cloud Fragments Produced by Different Hypervelocity Impacts Through Image Processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |