CN112381792B - 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法 - Google Patents

基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法 Download PDF

Info

Publication number
CN112381792B
CN112381792B CN202011273131.9A CN202011273131A CN112381792B CN 112381792 B CN112381792 B CN 112381792B CN 202011273131 A CN202011273131 A CN 202011273131A CN 112381792 B CN112381792 B CN 112381792B
Authority
CN
China
Prior art keywords
shielding film
electromagnetic shielding
absorbing coating
representing
radar
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
CN202011273131.9A
Other languages
English (en)
Other versions
CN112381792A (zh
Inventor
魏小龙
徐浩军
李益文
裴彬彬
何卫锋
武欣
李玉琴
张琳
化为卓
韩欣珉
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.)
Air Force Engineering University of PLA
Original Assignee
Air Force Engineering University of PLA
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 Air Force Engineering University of PLA filed Critical Air Force Engineering University of PLA
Priority to CN202011273131.9A priority Critical patent/CN112381792B/zh
Publication of CN112381792A publication Critical patent/CN112381792A/zh
Application granted granted Critical
Publication of CN112381792B publication Critical patent/CN112381792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法：获取有损伤和无损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和对应的光学图像；判断光学图像损伤的位置和形状；SAR二维像经处理得到训练集和测试集；将训练集输入到YOLO‑V3中进行训练；待检测的SAR二维像和光学图像经处理，输入到优化后的YOLO‑V3模型中，检测是否有损伤，如有则将损伤在光学图像上标记出来。本发明基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法利用深度学习技术得到检测模型，方便工作人员操作，减小对专业人士的依赖，降低成本，提高效率。

Description

基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化 成像在线检测方法
技术领域
本发明属于雷达吸波涂层、电磁屏蔽材料损伤检测技术领域，涉及基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法。
背景技术
雷达吸波涂层是具有电磁波吸收功能的涂敷型涂料，电磁屏蔽薄膜具有电磁波屏蔽能力。雷达吸波涂层、电磁屏蔽薄膜具有施工简单、吸波性能或电磁屏蔽性能好、不受武器形状限制等特点，广泛应用飞机、导弹、舰艇、坦克装甲车辆等武器装备的隐身设计中，然而在装备的服役及作训过程中可能会因碰撞、划伤、自然老化等因素，出现局部脱落、腐蚀氧化等物理化学损伤改变，致使涂层的吸波能力或薄膜的电磁屏蔽能力降低或丧失，严重影响装备的隐身性能。因此，对雷达吸波涂层与电磁屏蔽薄膜的损伤在线检测研究具有十分重要的意义。
目前，对雷达吸波涂层与电磁屏蔽薄膜的损伤在线检测主要是目视法、电磁参数检测法等。目视法不能直接获得吸波涂层吸收衰减效果，电磁参数检测法需要制备标准样件，不适用于曲面等特殊结构，并不适用于在线检测。当前已经有研究将卷积神经网络应用到涂层损伤缺陷的在线无损检测中，研究大多是基于物体的光学图像，而光学图像只能反映损伤物理尺度(深度、面积等)，而由于涂层或薄膜损伤导致的局部散射特征变化，还与损伤的位置和具体形状相关，仅依赖损伤物理尺度无法获得局部隐身性能的变化，因此采用局部二维散射成像的方式获得散射特性的变化，是雷达吸波涂层与电磁屏蔽薄膜的损伤在线检测的关键，但基于二维散射成像检测对专业人士依赖度较高，造成了检测成本高，效率低等问题，且易因人为因素造成错判、漏判，降低了检测的准确度。
发明内容
为了达到上述目的，本发明提供基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，利用深度学习技术得到检测模型，方便工作人员操作，减小了对专业人士的依赖，降低了成本，提高了效率，解决了现有技术中存在的检测损伤类型受限、方法繁琐、对专业人士依赖度较高、检测成本高、效率低、检测准确性差的问题。
本发明所采用的技术方案是，基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，包括以下步骤：
步骤S10、采用相对法测量雷达吸波涂层/电磁屏蔽薄膜的吸波特性，分别获取有损伤和无损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，并采集其对应的光学图像；
步骤S20、根据步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像结合其对应的光学图像的变化情况，判断有损伤的雷达吸波涂层/电磁屏蔽薄膜的光学图像的损伤位置和形状，用矩形框将损伤框出来，标记格式为[xmin,ymin,xmax,ymax]，其中xmin,ymin为矩形框左上角坐标，xmax,ymax为矩形框右下角坐标；
步骤S30、对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像进行归一化处理；
步骤S40、同时对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和其对应的光学图像进行数据增强以扩充数据样本，将扩充后的数据样本数量按照8:2的比例划分为训练集和测试集；
步骤S50、将步骤S40得到的训练集输入到卷积神经网络YOLO-V3中进行训练，在训练过程中将测试集输入训练的卷积神经网络YOLO-V3中，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，通过调整卷积神经网络YOLO-V3的超参数，对卷积神经网络YOLO-V3进行优化，得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型；
步骤S60、采用步骤S10中的方式获取待检测雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像，经步骤S30处理，然后输入到步骤S50得到的优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型中，检测雷达吸波涂层/电磁屏蔽薄膜中是否含有损伤，如果含有损伤，则获得损伤的位置坐标，并通过可视化处理将损伤在雷达吸波涂层/电磁屏蔽薄膜的光学图像上标记出来。
进一步地，步骤S10具体包括以下步骤：
步骤S11：在全屏蔽吸波暗室中架设发射天线和接收天线，设置收发天线间距和距离目标区域，极化方式为VV极化，将收发天线固定在滑轨上，矢网的工作频率设置为8GHz～12GHz；
步骤S12：在目标区摆放泡沫支架，设置总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为背景电平数据文件；
步骤S13：在泡沫支架上摆放定标体，按照步骤S12设置的总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为定标体回波数据文件；
步骤S14：在泡沫支架上摆放雷达吸波涂层/电磁屏蔽薄膜，按照步骤S12设置的总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为目标回波数据文件；
步骤S15：对步骤S12、步骤S13、步骤S14获得的测试结果数据在计算机上进行处理，获取雷达吸波涂层/电磁屏蔽薄膜的SAR二维像；
步骤S16：使用工业相机从固定的角度和距离采集雷达吸波涂层/电磁屏蔽薄膜的光学图像。
进一步地，步骤S30具体包括以下步骤：分别计算步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的RGB三个通道的像素值的均值μ和方差σ；然后采用下式对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的亮度和对比度进行归一化调整：
Figure BDA0002778289960000031
式中，f(x,y)表示调整后的图像像素，g(x,y)表示调整前的图像像素，其中(x，y)表示像素点坐标位置。
进一步地，步骤S40中，数据增强包括：随机旋转、随机裁剪、随机缩放、马赛克中的任一种或几种。
进一步地，步骤S50具体包括以下步骤：
将步骤S40得到的训练集的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，输入到卷积神经网络YOLO-V3中，输出得到卷积神经网络YOLO-V3的预测结果，即[xmin,ymin,xmax,ymax]预测，与该SAR二维像相对应的光学图像的真实标记[xmin,ymin,xmax,ymax]做比较，求损失函数，对损失函数求梯度，然后修正模型，使损失函数值减小，进行至少3000轮次的训练，并在每10轮次训练完成后将测试集输入训练的卷积神经网络YOLO-V3中，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，并通过调节超参数得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型。
更进一步地，步骤S50中，卷积神经网络YOLO-V3的初始学习率为0.0001，使用以下方法变化学习率，如下式所示：
Figure BDA0002778289960000041
式中，ηt表示当前训练轮次的学习率，ηmax表示学习率的最大值，ηmin表示学习率的最小值，Tcur表示当前执行的训练轮次数量，T表示总训练轮次。
更进一步地，损失函数L，如下式所示：
Figure BDA0002778289960000042
式中，S2为卷积神经网络产生的网格数量，B为卷积神经网络中以每个网格的中心为中心产生的候选框数量，
Figure BDA0002778289960000043
表示第i个网格的第j个候选框中包含损伤；/>
Figure BDA0002778289960000044
表示输出预测框的中心点的横坐标；/>
Figure BDA0002778289960000045
表示输入标签的真实框的中心点的横坐标；/>
Figure BDA0002778289960000046
表示输出预测框的中心点的纵坐标；/>
Figure BDA0002778289960000047
表示输入标签的真实框的中心点的纵坐标；/>
Figure BDA0002778289960000048
表示输出预测框的长度；
Figure BDA0002778289960000049
表示输入标签的真实框的长度，/>
Figure BDA00027782899600000410
表示输入标签的真实框的宽度；/>
Figure BDA00027782899600000411
表示输出预测框的宽度。
更进一步地，修正模型，使损失函数值减小的方法采用下式：
Figure BDA00027782899600000412
式中，wi,t+1表示第t+1次迭代中网络的第i个权重参数；wi,t表示第t次迭代中网络的第i个权重参数；α为学习率；bi,t+1表示第t+1次迭代中网络的第i个偏置参数；bi,t表示第t次迭代中网络的第i个偏置参数；t为迭代次数；β1，β2均为指数加权参数；
Figure BDA0002778289960000051
表示β1的t次方，
Figure BDA0002778289960000052
表示β2的t次方；/>
Figure BDA0002778289960000053
均为中间变量；wi,t-1表示第t-1次迭代中网络的第i个权重参数；L表示损失函数；wi表示第i个权重参数；bi表示第i个偏置参数；ε是防止分母为零的一个小量，取ε＝1×10-9。
本发明的有益效果是：
(1)与现有的雷达吸波涂层/电磁屏蔽薄膜损伤检测技术相比，本发明利用深度学习技术得到检测模型，方便工作人员操作，减小了对专业人士的依赖，降低了成本，提高了效率；
(2)与现有的利用卷积神经网络检测物体缺陷的技术相比，本发明不仅能检测雷达吸波涂层/电磁屏蔽薄膜脱落崩边等物理损伤，还能检测腐蚀氧化等化学损伤，提高了检测准确度，有利于装备雷达吸波涂层/电磁屏蔽薄膜的维护。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明具有物理尺度损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像；图1中的a为具有物理尺度损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，图1中的b为具有物理尺度损伤的雷达吸波涂层/电磁屏蔽薄膜的光学图像。
图2是本发明具有腐蚀氧化损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像；图2中的a为具有腐蚀氧化损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，图2中的b为具有腐蚀氧化损伤的雷达吸波涂层/电磁屏蔽薄膜的光学图像。
图3是本发明基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法的流程示意图。
图4是本发明基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法的图片获取过程示意图。
图5是本发明卷积神经网络YOLO-V3的检测过程示意图。
图6是本发明卷积神经网络YOLO-V3输出预测图像示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，包括以下步骤：
步骤S10：采用相对法测量雷达吸波涂层/电磁屏蔽薄膜的吸波特性，获取雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，并采集其对应的光学图像，包括有损伤的雷达吸波涂层/电磁屏蔽薄膜和无损伤的雷达吸波涂层/电磁屏蔽薄膜；具体过程如下：
步骤S11：在全屏蔽吸波暗室中架设好发射天线和接收天线，收发天线间距为145mm，距离目标区域1300mm，极化方式为VV极化，将收发天线固定在长度为1002mm的滑轨上，矢网的工作频率设置为8GHz～12GHz。
步骤S12：在目标区摆放泡沫支架，使收发天线在滑轨上从左到右按照“走-停-走-停”的顺序进行扫描，总扫描范围为1002mm，测量间距为6mm，将测量结果存储为背景电平数据文件；
步骤S13：在泡沫支架上摆放定标体，使收发天线在滑轨上从左到右按照“走-停-走-停”的顺序进行扫描，总扫描范围为1002mm，测量间距为6mm，将测量结果存储为定标体回波数据文件；
步骤S14：在泡沫支架上摆放雷达吸波涂层/电磁屏蔽薄膜，使收发天线在滑轨上从左到右按照“走-停-走-停”的顺序进行扫描，总扫描范围为1002mm，测量间距为6mm，将测量结果存储为目标回波数据文件；
步骤S15：对步骤S12，步骤S13，步骤S14获得的数据在工程计算机上进行进一步的处理，获取雷达吸波涂层/电磁屏蔽薄膜的SAR二维像。
步骤S16：使用工业相机从固定的角度和距离采集雷达吸波涂层/电磁屏蔽薄膜的光学图像。
在本实施例中，共获得雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像各3000张，其中有损伤的图像各2400张，无损伤的图像各600张；其中，损伤主要包括：物理尺度损伤和腐蚀氧化损伤；物理尺度损伤表现为开裂等现象，其光学图像和SAR二维像如图1所示；腐蚀氧化损伤表现为锈蚀起泡等现象，其光学图像和SAR二维像如图2所示。
步骤S20：根据步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像结合其对应的光学图像的变化情况，判断有损伤的雷达吸波涂层/电磁屏蔽薄膜的光学图像的损伤位置和形状，用矩形框将损伤框出来，标记格式为[xmin,ymin,xmax,ymax]，其中xmin,ymin为矩形框左上角坐标，xmax,ymax为矩形框右下角坐标。
步骤S30：对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像进行归一化处理：分别计算步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的RGB三个通道的像素值的均值μ和方差σ，设g(x,y)表示调整前的图像像素，f(x,y)表示调整后的图像像素，采用f(x,y)对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的亮度和对比度进行归一化调整：
Figure BDA0002778289960000071
使图像像素值分布近似于标准正态分布，其中x,y表示像素点坐标位置，在本实施例中，均值μ为[0.479，0.448，0.416]，方差σ为[0.223，0.226，0.228]。
归一化处理的优势是减轻模型的训练难度，提高模型的泛化能力，并防止梯度***的发生。
步骤S40：同时对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和其对应的光学图像进行数据增强以扩充数据样本，将扩充后的数据样本数量按照8:2的比例划分为训练集和测试集；在本实施例中，采用随机旋转、随机裁剪、随机缩放以及马赛克数据增强的方式对样本进行数据增强。
步骤S50：将步骤S40得到的训练集输入到卷积神经网络YOLO-V3中进行训练，在训练过程中将测试集输入训练的卷积神经网络YOLO-V3中，通过调整卷积神经网络YOLO-V3的超参数(包括ηmax和ηmin)，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，对卷积神经网络YOLO-V3进行优化，得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型；
原始卷积神经网络YOLO-V3模型初始学习率为0.0001，使用“step”方法变化学习率，本实施例采用以下方法变化学习率，定义为式(1)
Figure BDA0002778289960000081
其中，ηt表示当前训练轮次的学习率，ηmax和ηmin分别表示学习率的最大值和最小值，定义了学习率的范围，Tcur表示当前执行了多少个训练轮次，T表示总训练轮次。
其中，卷积神经网络模型YOLO-V3的训练，具体为：
将训练集中的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，主要包含散射特征，输入到卷积神经网络YOLO-V3中，输出得到卷积神经网络YOLO-V3的预测结果，即[xmin,ymin,xmax,ymax]预测，与该SAR二维像相对应的光学图像的真实标记[xmin,ymin,xmax,ymax]做比较，求损失函数，然后反向传播，具体是：对损失函数求梯度，然后修正模型，使损失函数值逐渐减小，如此反复进行至少3000轮次的训练，并在每10轮次训练完成后将测试集输入卷积神经网络YOLO-V3，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，防止模型过拟合，并通过调节超参数得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型。
卷积神经网络YOLO-V3是实时目标检测算法YOLO的第三个版本，其基础框架是特征提取网络darknet-53的前52层(没有池化层和全连接层)，使用步长为2的卷积来进行降采样，DarkNet-53经历5次下采样，同时网络中使用了上采样、route操作，还在网络结构中进行3次检测。
在卷积神经网络YOLO-V3模型训练过程中，采用leaky ReLU激活函数防止梯度消失，加速网络训练。该函数能够在不额外增加成本的同时提高精确度，并且能够使梯度在进行反向传播的同时能很好地传递到前面的网络层，防止梯度消失的问题，同时加速网络训练。
leaky ReLU激活函数定义式为：
y＝max(ax,x),a∈(0,1) (2)；
其中，x为单个神经元的加权求和值。
损失函数用来表示预测结果与真实标记之间的差异，见定义式(3)
Figure BDA0002778289960000082
其中，S2为卷积神经网络产生的网格数量，B为卷积神经网络中以每个网格的中心为中心产生的候选框数量，
Figure BDA0002778289960000091
表示第i个网格的第j个候选框中包含损伤；/>
Figure BDA0002778289960000092
表示输出预测框的中心点的横坐标；/>
Figure BDA0002778289960000093
表示输入标签的真实框的中心点的横坐标；/>
Figure BDA0002778289960000094
表示输出预测框的中心点的纵坐标；/>
Figure BDA0002778289960000095
表示输入标签的真实框的中心点的纵坐标；/>
Figure BDA0002778289960000096
表示输出预测框的长度；/>
Figure BDA0002778289960000097
表示输入标签的真实框的长度，/>
Figure BDA0002778289960000098
表示输入标签的真实框的宽度；/>
Figure BDA0002778289960000099
表示输出预测框的宽度。
损失函数以w和b为参数。网络训练的目的是为了找到使损失函数L达到最小化的w和b的值；在本发明中，对w和b进行更新，更新方式见公式(4)；
Figure BDA00027782899600000910
其中，式中，wi,t+1表示第t+1次迭代中网络的第i个权重参数；wi,t表示第t次迭代中网络的第i个权重参数；α为学习率；bi,t+1表示第t+1次迭代中网络的第i个偏置参数；bi,t表示第t次迭代中网络的第i个偏置参数；t为迭代次数；β1，β2均为指数加权参数，本发明实施例取β1＝0.9，β2＝0.999；
Figure BDA00027782899600000911
表示β1的t次方，/>
Figure BDA00027782899600000912
表示β2的t次方；/>
Figure BDA00027782899600000913
Figure BDA00027782899600000914
均为中间变量；wi,t-1表示第t-1次迭代中网络的第i个权重参数；L表示损失函数；wi表示第i个权重参数；bi表示第i个偏置参数；ε是防止分母为零的一个小量，取ε＝1×10-9。
步骤S60：采用步骤S10中的方式获取待检测雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像，经步骤S30处理，然后输入到步骤S50得到的优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型中，检测雷达吸波涂层/电磁屏蔽薄膜中是否含有损伤，如果含有损伤，获得损伤的位置坐标，并将损伤在雷达吸波涂层/电磁屏蔽薄膜的光学图像上标记出来，使损伤在光学图像上可视化。
本发明将数据集按照8：2的方式划分为训练集和测试集，不管是训练集还是测试集均带有真实标签(即通过人工判定标记的标签)，训练集用来训练模型，测试集则用来检测模型的检测效果，既用测试集来评判输出项判定的损伤，评价指标是根据SAR二维像确定的，当某一区域散射特性发生明显变化(既反射率较大)时继认为是损伤，散射特性未发生明显变化(既反射率较小)时不判定为损伤。采用IOU方法衡量预测损伤边界与真实损伤情况的精度，既用两者的交集(较差重叠的部分)除以两者的并集，IOU值越接近于1，则越精确。
根据散射特性的不同进行判定损伤的类型，模型在训练过程中会学到不同类型的损伤对应的SAR二维像具有不同的散射特性，模型会提取这种特征然后做出判断。输出预测图像为光学图像，如图6所示。
损伤的散射特性和光学图像具有一定的对应关系，但是这种关系是一种经验关系，其表现为在有损伤的位置反射率较大，散射特征明显，而损伤的类别、形状、深度、位置的不同会影响SAR二维像上表现为损伤区域的形状、面积和位置的不同，但这需要依靠具有成熟经验的专业人士通过SAR二维像的表征来对损伤进行判断，这不仅对专业人士的知识和经验要求较高，而且效率低下，且十分容易出现错判漏判问题。通过训练得深度学习模型，使模型学习得到“专业人士的知识和经验”，获取检测、识别损伤的能力，极大的提高了检测效率和检测精度。
需要说明的是，在本申请中，诸如第一、第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，包括以下步骤：
步骤S10、采用相对法测量雷达吸波涂层/电磁屏蔽薄膜的吸波特性，分别获取有损伤和无损伤的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，并采集其对应的光学图像；
步骤S20、根据步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像结合其对应的光学图像的变化情况，判断有损伤的雷达吸波涂层/电磁屏蔽薄膜的光学图像的损伤位置和形状，用矩形框将损伤框出来，标记格式为[xmin,ymin,xmax,ymax]，其中xmin,ymin为矩形框左上角坐标，xmax,ymax为矩形框右下角坐标；
步骤S30、对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像进行归一化处理；
步骤S40、同时对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和其对应的光学图像进行数据增强以扩充数据样本，将扩充后的数据样本数量按照8:2的比例划分为训练集和测试集；
步骤S50、将步骤S40得到的训练集输入到卷积神经网络YOLO-V3中进行训练，在训练过程中将测试集输入训练的卷积神经网络YOLO-V3中，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，通过调整卷积神经网络YOLO-V3的超参数，对卷积神经网络YOLO-V3进行优化，得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型；
步骤S60、采用步骤S10中的方式获取待检测雷达吸波涂层/电磁屏蔽薄膜的SAR二维像和光学图像，经步骤S30处理，然后输入到步骤S50得到的优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型中，检测雷达吸波涂层/电磁屏蔽薄膜中是否含有损伤，如果含有损伤，则获得损伤的位置坐标，并将损伤在雷达吸波涂层/电磁屏蔽薄膜的光学图像上标记出来；
步骤S10具体包括以下步骤：
步骤S11：在全屏蔽吸波暗室中架设发射天线和接收天线，设置收发天线间距和距离目标区域，极化方式为VV极化，将收发天线固定在滑轨上，矢网的工作频率设置为8GHz～12GHz；
步骤S12：在目标区摆放泡沫支架，设置总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为背景电平数据文件；
步骤S13：在泡沫支架上摆放定标体，按照步骤S12设置的总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为定标体回波数据文件；
步骤S14：在泡沫支架上摆放雷达吸波涂层/电磁屏蔽薄膜，按照步骤S12设置的总扫描范围和测量间距，使收发天线在滑轨上从左到右按照走-停-走-停的顺序进行扫描，将测量结果存储为目标回波数据文件；
步骤S15：对步骤S12、步骤S13、步骤S14获得的测试结果数据在计算机上进行处理，获取雷达吸波涂层/电磁屏蔽薄膜的SAR二维像；
步骤S16：使用工业相机从固定的角度和距离采集雷达吸波涂层/电磁屏蔽薄膜的光学图像。
2.根据权利要求1所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，所述步骤S30具体包括以下步骤：分别计算步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的RGB三个通道的像素值的均值μ和方差σ；然后采用下式对步骤S10获取的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像图像的亮度和对比度进行归一化调整：
Figure FDA0004051843270000021
式中，f(x,y)表示调整后的图像像素，g(x,y)表示调整前的图像像素，其中(x，y)表示像素点坐标位置。
3.根据权利要求1所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，步骤S40中，所述数据增强包括：随机旋转、随机裁剪、随机缩放、马赛克中的任一种或几种。
4.根据权利要求1所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，所述步骤S50具体包括以下步骤：
将步骤S40得到的训练集的雷达吸波涂层/电磁屏蔽薄膜的SAR二维像，输入到卷积神经网络YOLO-V3中，输出得到卷积神经网络YOLO-V3的预测结果，即[xmin,ymin,xmax,ymax]预测，与该SAR二维像相对应的光学图像的真实标记[xmin,ymin,xmax,ymax]做比较，求损失函数，对损失函数求梯度，然后修正模型，使损失函数值减小，进行至少3000轮次的训练，并在每10轮次训练完成后将测试集输入训练的卷积神经网络YOLO-V3中，实时监控测试集在卷积神经网络YOLO-V3上的检测精度，并通过调节超参数得到优化后的用于检测雷达吸波涂层/电磁屏蔽薄膜内外损伤的卷积神经网络YOLO-V3模型。
5.根据权利要求4所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，步骤S50中，所述卷积神经网络YOLO-V3的初始学习率为0.0001，使用以下方法变化学习率，如下式所示：
Figure FDA0004051843270000031
式中，ηt表示当前训练轮次的学习率，ηmax表示学习率的最大值，ηmin表示学习率的最小值，Tcur表示当前执行的训练轮次数量，T表示总训练轮次。
6.根据权利要求4所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，所述损失函数L，如下式所示：
Figure FDA0004051843270000032
式中，S2为卷积神经网络产生的网格数量，B为卷积神经网络中以每个网格的中心为中心产生的候选框数量，
Figure FDA0004051843270000033
表示第i个网格的第j个候选框中包含损伤；/>
Figure FDA0004051843270000034
表示输出预测框的中心点的横坐标；/>
Figure FDA0004051843270000035
表示输入标签的真实框的中心点的横坐标；/>
Figure FDA0004051843270000036
表示输出预测框的中心点的纵坐标；/>
Figure FDA0004051843270000037
表示输入标签的真实框的中心点的纵坐标；/>
Figure FDA0004051843270000038
表示输出预测框的长度；/>
Figure FDA0004051843270000039
表示输入标签的真实框的长度，/>
Figure FDA00040518432700000310
表示输入标签的真实框的宽度；/>
Figure FDA00040518432700000311
表示输出预测框的宽度。
7.根据权利要求4所述的基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法，其特征在于，所述修正模型，使损失函数值减小的方法采用下式：
Figure FDA0004051843270000041
式中，wi,t+1表示第t+1次迭代中网络的第i个权重参数；wi,t表示第t次迭代中网络的第i个权重参数；α为学习率；bi,t+1表示第t+1次迭代中网络的第i个偏置参数；bi,t表示第t次迭代中网络的第i个偏置参数；t为迭代次数；β1，β2均为指数加权参数；
Figure FDA0004051843270000042
表示β1的t次方，/>
Figure FDA0004051843270000043
表示β2的t次方；/>
Figure FDA0004051843270000044
均为中间变量；wi,t-1表示第t-1次迭代中网络的第i个权重参数；L表示损失函数；wi表示第i个权重参数；bi表示第i个偏置参数；ε是防止分母为零的一个小量，取ε＝1×10-9。/>
CN202011273131.9A 2020-11-13 2020-11-13 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法 Active CN112381792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011273131.9A CN112381792B (zh) 2020-11-13 2020-11-13 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011273131.9A CN112381792B (zh) 2020-11-13 2020-11-13 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法

Publications (2)

Publication Number Publication Date
CN112381792A CN112381792A (zh) 2021-02-19
CN112381792B true CN112381792B (zh) 2023-05-23

Family

ID=74583975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011273131.9A Active CN112381792B (zh) 2020-11-13 2020-11-13 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法

Country Status (1)

Country Link
CN (1) CN112381792B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202421499U (zh) * 2011-12-30 2012-09-05 北京华航无线电测量研究所 一种单天线阵列全方位扫描的毫米波成像装置
CN107563411A (zh) * 2017-08-07 2018-01-09 西安电子科技大学 基于深度学习的在线sar目标检测方法
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103926274B (zh) * 2014-04-22 2017-01-25 哈尔滨工业大学 一种cfrp层板缺陷的红外热波雷达成像无损检测方法
CN104614726B (zh) * 2015-03-05 2017-05-10 北京航空航天大学 一种阵列可伸缩式便携mimo‑sar测量雷达***及其成像方法
CN109427049B (zh) * 2017-08-22 2022-01-18 成都飞机工业（集团）有限责任公司 一种涂层缺陷的检测方法
CN110164473B (zh) * 2019-05-21 2021-03-26 江苏师范大学 一种基于深度学习的和弦排列检测方法
CN110363820B (zh) * 2019-06-28 2023-05-16 东南大学 一种基于激光雷达、图像前融合的目标检测方法
CN110473231B (zh) * 2019-08-20 2024-02-06 南京航空航天大学 一种具有预判式学习更新策略的孪生全卷积网络的目标跟踪方法
CN110992337A (zh) * 2019-11-29 2020-04-10 添维信息科技(天津)有限公司 一种集装箱残损检测方法及***
CN110910382A (zh) * 2019-11-29 2020-03-24 添维信息科技(天津)有限公司 一种集装箱检测***
CN111223162B (zh) * 2020-01-06 2023-06-23 华北电力大学（保定） 一种用于重建epat图像的深度学习方法及***
CN111401225B (zh) * 2020-03-13 2022-08-30 河海大学常州校区 基于改进逻辑回归分类的人群异常行为检测方法
CN111721834B (zh) * 2020-06-22 2023-08-08 南京南瑞继保电气有限公司 一种电缆局部放电在线监测缺陷辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202421499U (zh) * 2011-12-30 2012-09-05 北京华航无线电测量研究所 一种单天线阵列全方位扫描的毫米波成像装置
CN107563411A (zh) * 2017-08-07 2018-01-09 西安电子科技大学 基于深度学习的在线sar目标检测方法
WO2019144575A1 (zh) * 2018-01-24 2019-08-01 中山大学 一种快速行人检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MEASUREMENT RESULTS AND MODELING ASPECTS FOR THE UWB RADIO CHANNEL;Jiirgen Kunisch等;《2002 IEEE Conference on Ultra Wideband Systems and Technologies》;19-24 *
基于YOLO v3的输电线路缺陷快速检测方法;周仿荣;方明;马御棠;潘浩;;云南电力技术(第04期);116-120、124 *
面向全息化参数诊断的等离子体成像***基础研究;刘玉桃;《中国又休息硕士学位论文全文数据库 基础科学辑》(第6期);A005-337 *

Also Published As

Publication number Publication date
CN112381792A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN113469177B (zh) 基于深度学习的排水管道缺陷检测方法及***
CN112395987B (zh) 基于无监督域适应cnn的sar图像目标检测方法
CN107451999A (zh) 基于图像识别的异物检测方法和装置
CN108846397B (zh) 一种基于图像处理的电缆半导电层自动检测方法
CN110889843B (zh) 基于最大稳定极值区域的sar图像舰船目标检测方法
CN106530271A (zh) 一种红外图像显著性检测方法
CN107292879A (zh) 一种基于图像分析的金属板材表面异常检测方法
CN109948527B (zh) 基于集成深度学习的小样本太赫兹图像异物检测方法
CN112258490A (zh) 基于光学和红外图像融合的低发射率涂层智能探损方法
CN106646469A (zh) 基于变异系数法的sar船只检测优化方法
CN109900363A (zh) 一种基于轮廓提取的目标物红外测温方法和装置
CN112258495A (zh) 一种基于卷积神经网络的建筑木材裂缝识别方法
CN110706208A (zh) 一种基于张量均方最小误差的红外弱小目标检测方法
CN111368653B (zh) 一种基于r-d图与深度神经网络的低空小目标检测方法
CN106709515A (zh) 一种适用于下视景象匹配选区准则干预方法
CN108734122A (zh) 一种基于自适应样本选择的高光谱城区水体检测方法
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN107369163B (zh) 一种基于最佳熵双阈值分割的快速sar图像目标检测方法
CN112381792B (zh) 基于深度学习的雷达吸波涂层/电磁屏蔽薄膜损伤的智能化成像在线检测方法
CN113327253A (zh) 一种基于星载红外遥感影像的弱小目标检测方法
CN116740125A (zh) 基于光线折射和深度学习实现透明流体可视化的检测方法
CN115375675B (zh) 一种基于图像数据的煤炭质量检测方法
CN115908843A (zh) 过热度识别模型训练方法、识别方法、设备及存储介质
Bibikov et al. Detection and color correction of artifacts in digital images
CN113705672B (zh) 图像目标检测的阈值选取方法、***、装置及存储介质

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