公开(公告)号：CN117974494A

公开(公告)日：2024-05-03

申请号：CN202410375079.X

申请日：2024-03-29

Applicant: 哈尔滨工业大学

Inventor： 张海 ,  胡珏 ,  汪信 ,  姜贵民

IPC: G06T5/70 ,  G06F17/10 ,  G01J5/48 ,  G01N25/72

Abstract: 本发明属于无损检测技术领域，涉及一种基于正则化低秩张量分解的文化遗产红外热成像去噪方法。本发明解决了目前的文化遗产红外热成像检测方法中存在无法很好地分离噪声和缺陷的问题。本发明包括以下步骤：步骤1：定义张量#imgabs0#，#imgabs1#，#imgabs2#，#imgabs3#；#imgabs4#表示第#imgabs5#热成像序列帧;#imgabs6#是帧数;#imgabs7#和#imgabs8#是图像的高度和宽度；y表示热成像序列的每一帧。#imgabs9#表示一个实数矩阵。#imgabs10#表示实数集。步骤2：采用正则化低秩张量分解模型将文化遗产红外图像分解为低秩张量数据部分和混合噪声信息部分；从图像处理的角度，获得的数据看作是低秩图像和噪声的混合体。步骤3：采用基于ALM（增广拉格朗日乘子）的求解器算法进行去噪，从观测到的图像#imgabs11#中分离并去除噪声成分#imgabs12#和#imgabs13#。

公开(公告)号：CN116091479A

公开(公告)日：2023-05-09

申请号：CN202310177506.9

申请日：2023-02-28

Applicant: 哈尔滨工业大学

Inventor： 张海 ,  胡珏 ,  张志洋

IPC: G06T7/00 ,  G06T7/70 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/80

Abstract: 基于红外和可见光融合的囊体缺陷自动检测方法属于自动检测技术领域，尤其涉及一种基于红外和可见光融合的囊体缺陷自动检测方法。本发明提供一种基于红外和可见光融合的囊体缺陷自动检测方法。本发明包括以下步骤：步骤1：分别采集囊体表面的红外图像和可见光图像，并将图像中的气孔缺陷、蒙皮与骨架粘接处的脱粘缺陷手动做好标记；步骤2：将步骤1中得到的图像划分为训练集、验证集和测试集，并将同一帧率的可见光图像和红外图像利用拉普拉斯法进行特征融合；步骤3：将训练集送入基于YOLOX和空间通道注意力机制的联合网络中进行训练并得到算法模型，并利用验证集的运算结果反向调整网络的权重参数并进行迭代训练。

公开(公告)号：CN118112052A

公开(公告)日：2024-05-31

申请号：CN202410516357.9

申请日：2024-04-28

Applicant: 哈尔滨工业大学

Inventor： 张海 ,  胡珏 ,  汪信 ,  姜贵民

IPC: G01N25/72 ,  G06F30/10 ,  G06F30/20 ,  G06T17/00 ,  G06T7/00 ,  G06F111/10 ,  G06F119/08

Abstract: 本发明属于自动检测技术领域，尤其涉及一种基于数值模拟的文化遗产红外热成像缺陷检测方法。本发明旨在提供一种基于数值模拟的文化遗产红外热成像缺陷检测方法，以解决当前无损检测技术在文化遗产领域应用中存在的局限性。本发明采用以下步骤：步骤1:制作红外热成像实验样品。选择的文化遗产艺术品或其仿制品作为样品A和样品B，制作并进行分析。利用x‑z坐标参考系定位。步骤2:执行红外热成像实验。步骤3:进行数值模拟实验。利用CAD软件对样品进行三维建模，并结合物理参数，使用仿真软件进行热传递和热响应的模拟实验，以优化实验方案并预测实验结果。步骤4:实施数值模拟仿真实验。步骤5:对比分析实际实验与仿真实验结果。

公开(公告)号：CN118037754A

公开(公告)日：2024-05-14

申请号：CN202410282089.9

申请日：2024-03-13

Applicant: 哈尔滨工业大学

Inventor： 张海 ,  胡珏 ,  张志洋 ,  姜贵民

IPC: G06T7/11 ,  G06F30/20 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06T7/00 ,  G06V10/26 ,  G06V10/44 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明属于自动检测技术领域，尤其涉及一种大型囊体材料红外热成像缺陷自适应分割方法。本发明提供一种大型囊体材料红外热成像缺陷自适应分割方法。本发明包括以下步骤：步骤1）采集飞艇囊体蒙皮材料的红外图像，利用仿真软件模拟热场下材料表面微孔缺陷的红外热成像得到仿真图像，对仿真图像进行数据样本量扩增，将红外图像和扩增后的仿真图像中的微孔缺陷做好标记；步骤2）将步骤1）中得到的图像划分为训练集、验证集和测试集，其中仿真图像为训练集和验证集，采集得到的红外图像为测试集；步骤3）将训练集送入基于U‑Net网络和空间‑通道注意力机制结合的深度学习网络中进行训练。