针对管道内壁缺陷深度检测的问题,建立了一种基于电涡流主动热激励的红外热成像管道缺陷深度检测方法。阐述了红外热成像管道缺陷深度检测的机理,针对埋地管道检测对热激励的特殊要求,设计了参数可调控的电涡流热激励实验装置,按照管道内壁形状制作了检测试件,通过基于电涡流的主动热激励实验,分析了谐振频率、提离高度、输入电功率这3个重要参数对热激励效率的影响,并得出它们的优化值。在此基础上,对预先设计带有不同深度缺陷的检测试件进行主动热激励,并获取其红外热图像,通过分析热图像数据发现,缺陷与非缺陷区域间灰度均值的差值随缺陷深度的变化而变化,一在定条件下二者呈单值对应关系,且具有较好的线性度。利用这一规律,通过实验数据拟合建立了槽形缺陷和圆形缺陷的深度检测模型,实验测试显示所建立的模型具有一定的检测精度。研究结果表明:在优化的电涡流主动热激励条件下,可以通过红外热图像计算出缺陷深度,所提出的基于电涡流主动热激励的红外热成像管道缺陷深度检测方法具有可行性。

为实现干制红枣的快速鉴别, 提出了一种基于近红外高光谱成像技术的鉴别方法。 采集四个品种共240个样本干制红枣的近红外高光谱图像(1　000～1　600　nm)。 通过主成分分析法(principal component analysis, PCA)、 载荷系数法(x-Loading Weights, x-LW)和连续投影算法(successive projections algorithm, SPA)分别提取7个、 8个和10个特征波长; 基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。 分别以光谱特征、 纹理特征、 光谱和纹理融合特征作为输入, 建立偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 反向传播神经网络(back-propagation neural network, BPNN)和最小二乘支持向量机(least squares support vector machines, LS-SVM)模型。 结果显示, 基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率; 基于融合特征的BPNN模型的结果最优, 对预测集样本鉴别正确率为100%。 说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。