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 PDF

Info

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
Application number
CN201910373516.3A
Other languages
English (en)
Other versions
CN110298061A (zh
Inventor
黄雪刚
殷春
张昊楠
李毅
石安华
姜林
文雪忠
巩德兴
陈晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Original Assignee
Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center filed Critical Ultra High Speed Aerodynamics Institute China Aerodynamics Research and Development Center
Priority to CN201910373516.3A priority Critical patent/CN110298061B/zh
Publication of CN110298061A publication Critical patent/CN110298061A/zh
Application granted granted Critical
Publication of CN110298061B publication Critical patent/CN110298061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种多损伤特征重构的空间碎片防护构型损伤评估方法
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；
Figure BDA0002050834100000031
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：
Figure BDA0002050834100000032
其中
Figure BDA0002050834100000033
表示核函数，C为归一化常数；
步骤Ⅲ、当
Figure BDA0002050834100000034
时，使得/>
Figure BDA0002050834100000035
Z中包含平滑后图像的空间信息及颜色信息；否则k＝k+1，返回步骤Ⅱ；
步骤Ⅳ、将满足
Figure BDA0002050834100000036
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/>
Figure BDA0002050834100000037
如果/>
Figure BDA0002050834100000038
则将其与邻域合并，最终得到Q'类像素点；
求取每一类像素点幅值的均值作为该区域中每个像素点的幅值，即：
Figure BDA0002050834100000039
表示分割后所得图像的第i个像素点幅值。
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
Figure BDA00020508341000000310
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
Figure BDA0002050834100000041
NIJ＝NI×NJ；即：/>
Figure BDA0002050834100000042
为(了重))构]不同的损伤信息，将视频流写为：
Figure BDA0002050834100000043
其中
Figure BDA0002050834100000044
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，/>
Figure BDA0002050834100000045
和/>
Figure BDA0002050834100000046
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
Figure BDA0002050834100000047
为左奇异矩阵，/>
Figure BDA0002050834100000048
为奇异值矩阵，/>
Figure BDA0002050834100000049
为右奇异矩阵；其中，通过计算SSTvi＝λivi得到vi表示右奇异向量，/>
Figure BDA00020508341000000410
表示奇异值，/>
Figure BDA00020508341000000411
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/>
Figure BDA00020508341000000412
个特征信息表示表面损伤特征，奇异值满足aB＜δ＜aF时的/>
Figure BDA00020508341000000413
个特征信息表示亚表面损伤特征，奇异值满足aN＜δ＜aB时的/>
Figure BDA00020508341000000414
个特征信息表示非损伤区域特征，其中
Figure BDA00020508341000000415
aN,aB,aF是正整数；因此视频流可以被表示为ST≈U'∑'V'T；
Figure BDA00020508341000000416
表示分类后的不同区域的主要信息集合，而/>
Figure BDA00020508341000000417
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：
Figure BDA00020508341000000418
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/>
Figure BDA00020508341000000419
行的表面损伤特征XF，/>
Figure BDA00020508341000000420
行的亚表面损伤特征XB和/>
Figure BDA00020508341000000421
行的非损伤区域特征XN；
2.3、将损伤特征矩阵
Figure BDA00020508341000000422
中，表示相应损伤特征的行向量用图像进行特征描述；根据损伤特征的行向量特征分布情况，可以得到/>
Figure BDA00020508341000000423
张表面损伤信息重构图像
Figure BDA00020508341000000424
张亚表面损伤信息重构图像/>
Figure BDA00020508341000000425
以及/>
Figure BDA00020508341000000426
张背景重构图像
Figure BDA0002050834100000051
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
Figure BDA0002050834100000052
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：
Figure BDA0002050834100000053
其中Ωf表示像素点的集合，τ＝2；
3.4、计算目标函数：
Figure BDA0002050834100000054
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；
3.5、
Figure BDA0002050834100000055
其中Lf表示像素点f的类别，u* fm表示像素点对于第m类的隶属度；然后将/>
Figure BDA0002050834100000056
作为像素点f的幅值，/>
Figure BDA0002050834100000057
表示第Lf个聚类中心的值；由此得到分割后的图像/>
Figure BDA0002050834100000058
步骤4、具体包括：
4.1、t＝1时，初始化低频子带
Figure BDA0002050834100000059
低通滤波器fl，高通滤波器fh；最大变换次数T；
4.2、对图像进行行变换，
Figure BDA00020508341000000510
Figure BDA00020508341000000511
进而存在行变换后的图像:
Figure BDA00020508341000000512
对/>
Figure BDA00020508341000000513
和/>
Figure BDA00020508341000000514
进行列下采样，得到/>
Figure BDA00020508341000000515
4.3、对图像进行列变换，
Figure BDA00020508341000000516
Figure BDA00020508341000000517
进而得到变换后的图像：
Figure BDA00020508341000000518
分别对/>
Figure BDA00020508341000000519
进行列下采样，得到/>
Figure BDA0002050834100000061
二者中分别包含了一部分低频子带/>
Figure BDA0002050834100000062
Figure BDA0002050834100000063
和三部分高频子带/>
Figure BDA0002050834100000064
4.4、t＝t+1，直到t＞T，否则返回步骤4.2；
4.5、tt＝T时，初始化
Figure BDA0002050834100000065
lRtt表示融合后的低频子带，a和b表示融合系数，满足a+b＝1；
4.6、
Figure BDA0002050834100000066
hRtt表示融合后的高频子带，lRtt和hRtt组成图像Rtt；
4.7、对Rtt的行进行上采样得到
Figure BDA0002050834100000067
然后对其列进行变换/>
Figure BDA0002050834100000068
Figure BDA0002050834100000069
最终得到图像/>
Figure BDA00020508341000000610
其中/>
Figure BDA00020508341000000611
和/>
Figure BDA00020508341000000612
表示逆变换；相同的，对/>
Figure BDA00020508341000000613
的列进行上采样得到/>
Figure BDA00020508341000000614
然后对其行进行变换/>
Figure BDA00020508341000000615
Figure BDA00020508341000000616
最终由
Figure BDA00020508341000000617
得到图像lRtt-1；
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；
Figure BDA0002050834100000081
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：
Figure BDA0002050834100000082
其中
Figure BDA0002050834100000083
表示核函数，C为归一化常数；
步骤Ⅲ、当
Figure BDA0002050834100000084
时，使得/>
Figure BDA0002050834100000085
Z中包含平滑后图像的空间信息及颜色信息；否则k＝k+1，返回步骤Ⅱ；
步骤Ⅳ、将满足
Figure BDA0002050834100000086
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/>
Figure BDA0002050834100000087
如果/>
Figure BDA0002050834100000088
则将其与邻域合并，最终得到Q'类像素点；
求取每一类像素点幅值的均值作为该区域中每个像素点的幅值，即：
Figure BDA0002050834100000089
表示分割后所得图像的第i个像素点幅值；
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
Figure BDA00020508341000000810
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
Figure BDA00020508341000000811
NIJ＝NI×NJ；即：/>
Figure BDA00020508341000000812
为了重构不同的损伤信息，将视频流写为：
Figure BDA0002050834100000091
其中
Figure BDA0002050834100000092
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，/>
Figure BDA0002050834100000093
和/>
Figure BDA0002050834100000094
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
Figure BDA0002050834100000095
为左奇异矩阵，/>
Figure BDA0002050834100000096
为奇异值矩阵，/>
Figure BDA0002050834100000097
为右奇异矩阵；其中，通过计算SSTvi＝λivi得到vi表示右奇异向量，/>
Figure BDA0002050834100000098
表示奇异值，/>
Figure BDA0002050834100000099
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/>
Figure BDA00020508341000000910
个特征信息表示表面损伤特征，奇异值满足aB＜δ＜aF时的/>
Figure BDA00020508341000000911
个特征信息表示亚表面损伤特征，奇异值满足aN＜δ＜aB时的/>
Figure BDA00020508341000000912
个特征信息表示非损伤区域特征，其中
Figure BDA00020508341000000913
aN,aB,aF是正整数；因此视频流可以被表示为ST≈U'∑'V'T；
Figure BDA00020508341000000914
表示分类后的不同区域的主要信息集合，而/>
Figure BDA00020508341000000915
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：
Figure BDA00020508341000000916
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/>
Figure BDA00020508341000000917
其中/>
Figure BDA00020508341000000918
表示伪逆运算；其中X*矩阵中包括/>
Figure BDA00020508341000000919
行的表面损伤特征XF，/>
Figure BDA00020508341000000920
行的亚表面损伤特征XB和/>
Figure BDA00020508341000000921
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
Figure BDA0002050834100000101
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：
Figure BDA0002050834100000102
其中Ωf表示像素点的集合，τ＝2；
3.4、计算目标函数：
Figure BDA0002050834100000103
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；
3.5、
Figure BDA0002050834100000104
其中Lf表示像素点f的类别，u* fm表示像素点对于第m类的隶属度；然后将/>
Figure BDA0002050834100000105
作为像素点f的幅值，/>
Figure BDA0002050834100000106
表示第Lf个聚类中心的值；由此得到分割后的图像/>
Figure BDA0002050834100000107
步骤4、具体包括：
4.1、t＝1时，初始化低频子带
Figure BDA0002050834100000108
低通滤波器fl，高通滤波器fh；最大变换次数T；
4.2、对图像进行行变换，
Figure BDA00020508341000001024
Figure BDA00020508341000001011
进而存在行变换后的图像:
Figure BDA00020508341000001012
对/>
Figure BDA00020508341000001013
和/>
Figure BDA00020508341000001014
进行列下采样，得到/>
Figure BDA00020508341000001015
4.3、对图像进行列变换，
Figure BDA00020508341000001016
Figure BDA00020508341000001017
进而得到变换后的图像：
Figure BDA00020508341000001018
分别对/>
Figure BDA00020508341000001019
进行列下采样，得到/>
Figure BDA00020508341000001020
二者中分别包含了一部分低频子带/>
Figure BDA00020508341000001021
Figure BDA00020508341000001022
和三部分高频子带/>
Figure BDA00020508341000001023
4.4、t＝t+1，直到t＞T，否则返回步骤4.2；
4.5、tt＝T时，初始化
Figure BDA0002050834100000111
lRtt表示融合后的低频子带，a和b表示融合系数，满足a+b＝1；
4.6、
Figure BDA0002050834100000112
hRtt表示融合后的高频子带，lRtt和hRtt组成图像Rtt；
4.7、对Rtt的行进行上采样得到
Figure BDA0002050834100000113
然后对其列进行变换/>
Figure BDA0002050834100000114
Figure BDA0002050834100000115
最终得到图像/>
Figure BDA0002050834100000116
其中/>
Figure BDA0002050834100000117
和/>
Figure BDA0002050834100000118
表示逆变换；相同的，对/>
Figure BDA0002050834100000119
的列进行上采样得到/>
Figure BDA00020508341000001110
然后对其行进行变换/>
Figure BDA00020508341000001111
Figure BDA00020508341000001112
最终由
Figure BDA00020508341000001113
得到图像lRtt-1；
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
Figure FDA0004174235060000011
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/>
Figure FDA0004174235060000012
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：
Figure FDA0004174235060000013
其中
Figure FDA0004174235060000014
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，/>
Figure FDA0004174235060000015
和
Figure FDA0004174235060000016
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
Figure FDA0004174235060000021
为左奇异矩阵，
Figure FDA0004174235060000022
为奇异值矩阵，/>
Figure FDA00041742350600000223
为右奇异矩阵；其中，通过计算SSTvi＝λivi得到vi表示右奇异向量，/>
Figure FDA0004174235060000023
表示奇异值，/>
Figure FDA0004174235060000024
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
Figure FDA0004174235060000025
个特征信息表示表面损伤特征，奇异值满足aB＜δ＜aF时的/>
Figure FDA0004174235060000026
个特征信息表示亚表面损伤特征，奇异值满足aN＜δ＜aB时的/>
Figure FDA0004174235060000027
个特征信息表示非损伤区域特征，其中
Figure FDA0004174235060000028
aN,aB,aF是正整数；因此视频流可以被表示为ST≈U'∑'V'T；
Figure FDA0004174235060000029
表示分类后的不同区域的主要信息集合，而/>
Figure FDA00041742350600000210
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：
Figure FDA00041742350600000211
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/>
Figure FDA00041742350600000212
行的表面损伤特征XF，/>
Figure FDA00041742350600000213
行的亚表面损伤特征XB和/>
Figure FDA00041742350600000214
行的非损伤区域特征XN；
2.3、将损伤特征矩阵
Figure FDA00041742350600000215
中，表示相应损伤特征的行向量用图像进行特征描述；根据损伤特征的行向量特征分布情况，可以得到/>
Figure FDA00041742350600000216
张表面损伤信息重构图像
Figure FDA00041742350600000217
Figure FDA00041742350600000218
张亚表面损伤信息重构图像/>
Figure FDA00041742350600000219
以及/>
Figure FDA00041742350600000220
张背景重构图像
Figure FDA00041742350600000221
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
Figure FDA00041742350600000222
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：
Figure FDA0004174235060000031
其中Ωf表示像素点的集合，τ＝2；
3.4、计算目标函数：
Figure FDA0004174235060000032
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；
3.5、
Figure FDA0004174235060000033
其中Lf表示像素点f的类别，u*fm表示像素点对于第m类的隶属度；然后将/>
Figure FDA0004174235060000034
作为像素点f的幅值，/>
Figure FDA0004174235060000035
表示第Lf个聚类中心的值；由此得到分割后的图像/>
Figure FDA0004174235060000036
步骤4、具体包括：
4.1、t＝1时，初始化低频子带
Figure FDA0004174235060000037
低通滤波器fl，高通滤波器fh；最大变换次数T；
4.2、对图像进行行变换，
Figure FDA0004174235060000038
Figure FDA0004174235060000039
进而存在行变换后的图像:
Figure FDA00041742350600000310
对/>
Figure FDA00041742350600000311
和/>
Figure FDA00041742350600000312
进行列下采样，得到/>
Figure FDA00041742350600000313
4.3、对图像进行列变换，
Figure FDA00041742350600000323
Figure FDA00041742350600000322
进而得到变换后的图像：
Figure FDA00041742350600000314
分别对/>
Figure FDA00041742350600000315
进行列下采样，得到/>
Figure FDA00041742350600000316
二者中分别包含了一部分低频子带/>
Figure FDA00041742350600000317
Figure FDA00041742350600000318
和三部分高频子带/>
Figure FDA00041742350600000319
4.4、t＝t+1，直到t＞T，否则返回步骤4.2；
4.5、tt＝T时，初始化
Figure FDA00041742350600000320
lRtt表示融合后的低频子带，a和b表示融合系数，满足a+b＝1；
4.6、
Figure FDA00041742350600000321
hRtt表示融合后的高频子带，lRtt和hRtt组成图像Rtt；
4.7、对Rtt的行进行上采样得到
Figure FDA0004174235060000041
然后对其列进行变换/>
Figure FDA0004174235060000042
Figure FDA0004174235060000043
最终得到图像/>
Figure FDA0004174235060000044
其中/>
Figure FDA0004174235060000045
和/>
Figure FDA0004174235060000046
表示逆变换；相同的，对/>
Figure FDA00041742350600000419
的列进行上采样得到/>
Figure FDA0004174235060000047
然后对其行进行变换/>
Figure FDA0004174235060000048
Figure FDA0004174235060000049
最终由
Figure FDA00041742350600000410
得到图像lRtt-1；
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；
Figure FDA00041742350600000411
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：
Figure FDA00041742350600000412
其中
Figure FDA00041742350600000413
表示核函数，C为归一化常数；
步骤Ⅲ、当
Figure FDA00041742350600000414
时，使得/>
Figure FDA00041742350600000415
Z中包含平滑后图像的空间信息及颜色信息；否则k＝k+1，返回步骤Ⅱ；
步骤Ⅳ、将满足
Figure FDA00041742350600000416
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/>
Figure FDA00041742350600000417
如果/>
Figure FDA00041742350600000418
则将其与邻域合并，最终得到Q'类像素点；
求取每一类像素点幅值的均值作为该区域中每个像素点的幅值，即：
Figure FDA0004174235060000051
Figure FDA0004174235060000052
表示分割后所得图像的第i个像素点幅值。
CN201910373516.3A 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 Active CN110298061B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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