張振偉,吳迎紅,張 強,郭 琪,張存林,趙躍進

(1.首都師范大學(xué) 物理系 太赫茲光電子學(xué)教育部重點實驗室,北京 100048;2.西安航天化學(xué)動力有限公司,西安 710025;3.北京理工大學(xué) 光電學(xué)院 精密光電測試儀器及技術(shù)北京市重點實驗室,北京 100081)

0 引言

外防涂層是保護固體火箭發(fā)動機殼體免受飛行氣動加熱致使殼體失強的功能層,殼體與外防護涂層界面脫粘是非常有害的質(zhì)量缺陷[1-5],影響飛行安全,嚴重時會導(dǎo)致飛行失敗。界面脫粘可以分為間隙型缺陷和緊貼無黏結(jié)缺陷。前者表現(xiàn)為厚度突起、局部松動等特征,通常界面明顯分離,間隙分離得越小,檢測識別越困難,直到間隙小到不可見。后者表現(xiàn)為殼體與涂層緊密接觸沒有間隙,也就是處于界面分子間可能形成鍵合的距離范圍,但是其間的黏結(jié)作用不充分,黏結(jié)力不足,此時這種結(jié)構(gòu)很容易被誤認為是黏好區(qū),隱蔽性強,檢測識別更加困難。黏結(jié)力是由殼體材料與涂層材料界面間的機械嵌合力、范德華力、氫鍵力和化學(xué)鍵力等共同構(gòu)成的復(fù)合作用力[6]。相對應(yīng),黏結(jié)良好就是界面間形成足夠的黏結(jié)力。

隨著固體火箭發(fā)動機在大氣層中的高速飛行應(yīng)用越來越多,特別是超音速飛行、重復(fù)飛行等情景,氣動加熱越來越成為不容忽視的有害因素。涂層脫粘問題受到廣泛的重視,超聲成像技術(shù)和紅外熱波成像技術(shù)在檢測該類問題中發(fā)揮了重要的支撐作用。超聲檢測通過解析不同界面聲壓反射系數(shù)幅度譜、層間的多階諧振頻率等信息,當存在空隙型脫粘缺陷時,聲阻抗匹配關(guān)系與無脫粘時發(fā)生突變,進而導(dǎo)致回波信號特征的變化,進而識別缺陷[7-10],而緊貼型缺陷對回波信號的相位特征基本沒有影響[11]。在檢測涂層類薄層結(jié)構(gòu)試件時,高頻超聲[12]、陣列超聲[13]、顯微超聲[14]、激光超聲[15]等技術(shù)的快速發(fā)展,結(jié)合聲場的設(shè)計優(yōu)化[16],在水浸或油浸耦合條件下,采用μs級的時域超聲脈沖的收發(fā),超聲檢測的空間分辨率和層析分辨率能夠達到mm級別和μm量級[17]。干耦合超聲技術(shù)無需耦合劑,但是會在一定程度上降低檢測精度和準確度[18]。另外,利用超聲技術(shù)時,檢測結(jié)果與涂層結(jié)構(gòu)的聲學(xué)特性、涂層與基底材料的聲阻抗的差異密切相關(guān),如果涂層聲衰減較高、涂層與殼體的聲阻抗差異較小時,都將影響檢測效果[19]。另一種脈沖紅外熱成像技術(shù)利用主動激勵的能量脈沖在被測目標形成熱波傳導(dǎo),通過監(jiān)測熱流動變化過程分析目標中的缺陷和界面異常[20-22]。采用ms量級窄脈沖作為熱源實現(xiàn)脈沖熱激勵,再結(jié)合高幀頻高靈敏熱成像探測技術(shù),能夠獲得μm級的層分辨率[23]。同樣對涂層材料的熱傳導(dǎo)性,受熱激勵的損傷特性,熱容量以及熱輻射能力的差異性等都有要求[24]。這兩類技術(shù)在物理原理上能夠非常好的解釋空隙型脫粘缺陷,但是對于緊貼型無黏結(jié)缺陷界面特征的感知還沒有明確的公開報道,在聲傳播和熱傳導(dǎo)過程中,如何感知殼體與涂層界面黏結(jié)力的差異尚需要深入研究。

近年來,太赫茲技術(shù)快速發(fā)展[25-28],特別是基于太赫茲時域光譜技術(shù)的檢測成像應(yīng)用[29-31]。其中的太赫茲信號本質(zhì)上是ps量級的瞬態(tài)電磁波包,對應(yīng)THz量級的頻帶寬度,中心頻率對應(yīng)的波長為亞毫米量級(1 THz頻率,對應(yīng)波長約為0.3 mm),同時具備振幅和相位特征,并且能夠透入大部分非金屬非極性材料,與被測目標發(fā)生相互作用,通過解析不同界面回波的時域和頻域特性,分析目標特征[32]。通過對太赫茲波束準直聚焦,遠場成像衍射極限能夠接近波長尺寸[33],還可以通過近場技術(shù)[34-35]突破衍射極限,空間分辨率達到nm量級。此外,相比于前兩種技術(shù),該技術(shù)不僅能夠檢測空隙型脫粘缺陷,而且能夠感知黏結(jié)力的特性[36-38],具有識別緊貼型無黏結(jié)缺陷的潛在能力。這是由于許多大分子的整體振動能級和轉(zhuǎn)動能級,分子間作用力、范德華力、氫鍵力等處于THz波段,與太赫茲波相互作用更敏感,結(jié)合脈沖太赫茲信號的寬譜特性,物質(zhì)微觀的鍵合作用的總體變化將影響宏觀的太赫茲脈沖信號的整體變化,再結(jié)合后端機器學(xué)習(xí)方法,能夠分類識別缺陷特征。同樣,太赫茲信號并不是適合所有的涂層材料和結(jié)構(gòu),對于含有高散射媒介、高反射微粒等高損耗要素的涂層材料,以及非金屬復(fù)合基底材料,非特征信號干擾會更加復(fù)雜,可能會降低檢測質(zhì)量,感知涂層和殼體界面鍵合特征更困難。另外,太赫茲檢測裝置和關(guān)鍵部件的成熟度仍然需要進一步優(yōu)化提高,特別是光纖耦合式的高功率寬帶相干源和高靈敏的相干探測器,以及高效的太赫茲波束傳導(dǎo)和調(diào)控元件。在應(yīng)用上,各類材料在太赫茲波段的標準數(shù)據(jù)庫仍較匱乏,儀器的便攜性和針對應(yīng)用場景的適配性都有待進一步改善。

本文針對涂層緊貼型無黏結(jié)缺陷檢測問題,采用自行搭建的光纖耦合反射式太赫茲時域光譜成像系統(tǒng),檢測預(yù)制缺陷的標準殼體與涂層結(jié)構(gòu)試件,經(jīng)過數(shù)據(jù)標準化預(yù)處理、數(shù)據(jù)降維和機器學(xué)習(xí)分類,實現(xiàn)了試件上黏好區(qū)、緊貼型無黏結(jié)區(qū)、交界區(qū)和微小缺陷區(qū)的有效預(yù)測,獲得特征分類圖像,驗證了緊貼型無黏結(jié)缺陷的自動化識別和缺陷分布成像的可能性。結(jié)果直觀準確,與實際試件特征相符合。

1 實驗

1.1 實驗設(shè)備

實驗裝備為自行搭建的光纖耦合式太赫茲時域光譜成像系統(tǒng)。采用光纖飛秒激光器,光脈沖通過尾纖輸出,被分為兩束。一束直接連接到光纖耦合光導(dǎo)天線,另一路連接高速延遲線,再連接到另一路光導(dǎo)天線。光導(dǎo)天線對被集成到一個垂直反射模塊中,通過該模塊,發(fā)射的太赫茲信號垂直照射到被測涂層,透入到殼體和涂層界面并被反射,回波序列被探測。只有當太赫茲信號與探測飛秒脈沖同時到達探測光導(dǎo)天線,太赫茲電場驅(qū)動光生載流子運動,形成光電流,太赫茲信號被探測,太赫茲電場信號正比于光電流的變化率。延遲裝置調(diào)節(jié)太赫茲信號與探測飛秒脈沖的相對相位,實現(xiàn)太赫茲時域波形的采集,同時也決定信號波形的時域?qū)挾?、?shù)據(jù)點時間分辨率和信號采集效率。結(jié)合掃描裝置實現(xiàn)對被測目標成像。圖1是太赫茲系統(tǒng)結(jié)構(gòu)示意圖。

圖1 太赫茲系統(tǒng)結(jié)構(gòu)圖Fig.1 Structural diagram of THz system

1.2 實驗樣品及其制備

標準試件尺寸為100 mm×100 mm,外防涂層選用質(zhì)地柔軟的室溫固化型硅橡膠涂層,其對金屬基底有較好的吸附作用,能緊密貼附于基底上。先在涂層與金屬基底之間一部分面積預(yù)置聚四氟乙烯薄膜,固化后有薄膜區(qū)域涂層與基底不黏結(jié),取出薄膜,再通過加壓過程,使兩層緊密貼合,得到緊貼型無黏結(jié)缺陷。其他條件與黏結(jié)良好區(qū)域相一致,以便更好地突出涂層和金屬基底界面特征的差異。圖2(a)是樣品檢測時的實物照片,圖2(b)是樣品特征區(qū)域分布圖,試件中有金屬區(qū)、黏好區(qū)、緊貼型無黏結(jié)區(qū)、交界區(qū)和微小缺陷區(qū)。

圖2 涂層試件((a)檢測時照片;(b)特征區(qū)域分布)Fig.2 Coating specimen( (a)Photo;(b)Distributions of different features)

金屬區(qū)是裸露的金屬基底,該處主要用于評價系統(tǒng)信號,不用于分類識別。黏好區(qū)表示涂層緊緊附著在金屬基底上,有足夠強的相互作用力,通過工藝流程確保作用力有效。緊貼型無黏結(jié)區(qū)表示涂層與金屬基底表面相互接觸,但是黏結(jié)力不足或失效。交界區(qū)表示黏好區(qū)與緊貼型無黏結(jié)區(qū)相連的區(qū)域,本質(zhì)是漸變的微小間隙,在制作無黏結(jié)特征時,需要撤去預(yù)制的薄膜,而交界過渡區(qū)在加壓過程中不能達到無黏結(jié)區(qū)的緊密貼合程度,形成單獨的特征。黏好區(qū)的黑色虛線框部分,涂層表面有一直徑約為3 mm小凸起,當基底上存在砂粒等異物時,涂層會形成類似的小凸起,用于檢驗對微小缺陷的檢出能力。

2 算法原理

2.1 主成分分析算法

主成分分析(Principal Components Analysis,PCA)是從數(shù)據(jù)整體出發(fā),并在歐氏空間中進行數(shù)據(jù)投影降維。通過線性映射將高維數(shù)據(jù)投影至低維子空間中,同時使數(shù)據(jù)的方差最大,并且重構(gòu)均方根誤差最小。在降維的過程中,需要計算原始數(shù)據(jù)的協(xié)方差矩陣,并根據(jù)相應(yīng)的特征值獲取特征向量。新的特征向量即為主成分,在低維空間中彼此正交,特征值體現(xiàn)了原始數(shù)據(jù)的投影方差,通過累積方差貢獻率選取主成分個數(shù)[39-41]。貢獻率的選取取決于分類效果是否符合標準試件物理特征的分布情況,以及太赫茲信號標準化處理。本文中,選取原始信號、第二主峰信號、第二主峰對齊信號的前三主成分,累計方差貢獻率分別為35.98%、61.46%和67.85%。

2.2 局部線性嵌入算法

局部線性嵌入LLE(Local Linear Embedding,LLE)算法是ROWEIS 和SAUL[42]首先提出的一種將復(fù)雜高維數(shù)據(jù)投影到一個相對低維的空間里的非線性降維方法。LLE 方法的思想是將高維空間的數(shù)據(jù)重構(gòu)為低維局部線性模型,通過數(shù)據(jù)在低維空間上的投影提取數(shù)據(jù)的局部距離關(guān)系,利用樣本空間中局部的線性來逼近全局的非線性,并保持樣本固有的幾何性質(zhì)。

2.3 等距特征映射算法

等距特征映射Isomap(Isometric Mapping,Isomap)是建立在經(jīng)典MDS基礎(chǔ)上的非線性降維方法,主要思想是從全局的角度來保持降維前后的數(shù)據(jù)間距離不變[43]。算法步驟首先要構(gòu)造近鄰圖G;再計算圖G的最短路徑;最后通過最短路徑距離矩陣構(gòu)建輸出向量。算法通過保持數(shù)據(jù)間的測地線距離而完成低維嵌入。

2.4 支持向量機

支持向量機SVM(Support Vector Machines,SVM)[44-46]的基本思想是將原始數(shù)據(jù)映射到高維空間,尋找最優(yōu)超平面,將各類數(shù)據(jù)的間隔最大化,實現(xiàn)分類。懲罰因子與核參數(shù)共同決定SVM的分類效果與泛化能力。本文中,選取徑向基函數(shù)作為核函數(shù),將原始數(shù)據(jù)映射到高維空間。通過5折交叉驗證的網(wǎng)格搜尋法獲得核參數(shù)γ和懲罰因子C。

3 結(jié)果與討論

3.1 涂層厚度識別

圖3為太赫茲波垂直入射標準試件時的傳輸示意圖,S0為垂直入射的太赫茲脈沖,R0為太赫茲波到達涂層上表面時,返回的第一主峰信號;一部分太赫茲波穿透涂層,到達涂層和金屬基底的黏結(jié)界面,返回攜帶試件黏結(jié)界面信息的第二主峰信號R1。

圖3 太赫茲波傳輸示意圖Fig.3 Transmission diagram of THz wave

隨機選取第20列第80行的樣本點,為圖5紅點處顯示位置。畫出此樣本點的太赫茲反射時域信號圖,如圖4所示,受太赫茲波在試件內(nèi)傳輸路徑影響,涂層上表面反射信號R0和黏結(jié)界面反射信號R1之間的峰峰值時間差是Δt,ns為折射率,c為光速,可以簡單通過時域延遲計算涂層厚度：

圖4 太赫茲反射信號圖Fig.4 THz reflected signal

圖5 涂層厚度分布圖Fig.5 Distribution diagram of coating thickness

(1)

先驗獲得試件涂層太赫茲波段的平均折射率約為1.72,圖2(b)黃色虛線框內(nèi)區(qū)域整體作為一組數(shù)據(jù)集合D,通過公式(1),得到右半部分試件的涂層厚度分布成像。如圖5所示,涂層的平均厚度約為0.72 mm,最厚處約為0.76 mm,最薄處約為0.67 mm。區(qū)域內(nèi)涂層厚度并不完全一致,這是由于工藝環(huán)節(jié)不可避免的隨機偶然性所致。

3.2 時域信號特征提取

3.2.1 時域信號預(yù)處理

數(shù)據(jù)集合D中,如圖6(a)所示,黏好區(qū)、緊貼型無黏結(jié)區(qū)、交界區(qū)和微小缺陷區(qū)的原始時域信號相互重疊。僅憑脈沖信號的直觀差異難以精確地區(qū)分出各類區(qū)域。原始時域信號中的第二個主峰為金屬基底與涂層界面反射信號,黏結(jié)特征主要反映為第二個主峰的差異,因此分割出原始時域信號中第二主峰用于進一步運算,如圖6(c)所示。

圖6 時域信號圖((a)原始信號(整體);(b)原始信號;(c)第二主峰信號(整體);(d)第二主峰信號;(e)第二主峰對齊信號(整體);(f)第二主峰對齊信號)Fig.6 Time domain signals((a)All original signals;(b)Original signals;(c)All second echo signals;(d)Second echo signals;(e)All second aligned echo signals;(f)Second aligned echo signals)

標準試件基底與涂層界面在同一相位平面。但是由于涂層厚度差異,以及測量角度、系統(tǒng)信號隨機波動導(dǎo)致的信號時間延遲,原始信號的界面回波并不在同一相位面。因此,需要進一步消除界面回波相位不一致性的影響,只保留信號形狀的差異。選取一個統(tǒng)一基準,例如第二個主峰信號最大值相位,進行相位對齊處理,只看信號本身形狀的差異,如圖6(e)所示。當?shù)诙鞣宓男盘柼卣鬏^為明顯時,可以采取峰值位置作為基準,當信號特征較差時,需要更深入的討論。圖6(a)、(c)和(e)為整體數(shù)據(jù),為了更清楚地看清四類特征的界面回波,圖6(b)、(d)和(f)顯示了對應(yīng)的單個界面回波波形。

3.2.2 時域信號特征值成像

對數(shù)據(jù)集合D以最大值、最小值、峰峰值成像的方式進行圖像重構(gòu)[29]。如圖7(a)所示,為信號最大值成像,上半部分的深色區(qū)域為緊貼型無黏結(jié)區(qū),下半部分淺色區(qū)域為黏好區(qū)。通過重構(gòu)后的圖像可以初步判斷標準試件黏好區(qū)、緊貼型無黏結(jié)區(qū)、交界區(qū)和微小缺陷區(qū)的分布情況,但圖像中黏好區(qū)和緊貼型無黏結(jié)區(qū)域,存在混疊。圖7(b)和(c)分別為時域信號最小值成像和峰峰值成像,黏好區(qū)和緊貼型無黏結(jié)區(qū)的顏色混疊更嚴重,采用傳統(tǒng)的特征參數(shù)難以有效區(qū)分四類區(qū)域,因此,需要引入后端處理,對信號進行精確分類。

圖7 特征值成像((a)最大值成像;(b)最小值成像;(c)峰值成像)Fig.7 Imagingof characteristic value((a)Imaging of maximum;(b)Imaging of minimum; (c)Imaging of peak-peak)

3.2.3 信號降維

分別采用Isomap、LLE和PCA方法對原始時域信號、第二主峰信號、第二主峰對齊信號進行降維,并采用前三個特征參數(shù)對信號進行可視化。

如圖8所示,采用Isomap降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現(xiàn)混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區(qū)分。采用LLE降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現(xiàn)混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區(qū)分。采用PCA降維時,原始信號和第二主峰信號降維散點圖中,四類信號出現(xiàn)混疊;第二主峰對齊信號降維散點圖中,四類信號基本可以區(qū)分。可以看出,將原始時域信號進行截取、對齊預(yù)處理之后,信號的可區(qū)分性更好,四類信號散點圖基本能區(qū)分。

圖8 時域信號降維三維散點圖((a)原始信號Isomap降維;(b)第二主峰信號Isomap降維;(c)第二主峰對齊信號Isomap降維;(d)原始信號LLE降維;(e)第二主峰信號LLE降維;(f)第二主峰對齊信號LLE降維;(g)原始信號PCA降維;(h)第二主峰信號PCA降維;(i)第二主峰對齊信號PCA降維)

3.2.4 SVM預(yù)測分類

3.2.4.1 采用4059個樣本點進行SVM預(yù)測分類

在數(shù)據(jù)集D中有5000個樣本點。隨機選取4059個樣本點作為訓(xùn)練集,如圖9所示,紅色框區(qū)域為緊貼型無黏結(jié)區(qū)共2250個樣本點,藍色框區(qū)域為黏好區(qū)共1700個樣本點,綠色框區(qū)域為交界區(qū)共100個樣本點,黃色框區(qū)域為微小缺陷區(qū)共9個樣本點。整體數(shù)據(jù)集D作為測試集。

圖9 4059個樣本點訓(xùn)練集區(qū)域Fig.9 Training set of 4059 sample points

將降維后的前三維特征參數(shù)作為訓(xùn)練集輸入支持向量機模型,經(jīng)過支持向量機訓(xùn)練,得到黏好區(qū)、緊貼型無黏結(jié)區(qū)、交界區(qū)和微小缺陷區(qū)的四分類模型。再將測試集輸入四分類模型,得到最后的預(yù)測結(jié)果。預(yù)測結(jié)果與實物進行對照,如圖10所示。由圖10可見：

圖10 4059樣本點SVM預(yù)測圖((a)原始信號Isomap-SVM;(b)第二主峰信號Isomap-SVM;(c)第二主峰對齊信號Isomap-SVM;(d)原始信號LLE-SVM;(e)第二主峰信號LLE-SVM;(f)第二主峰對齊信號LLE-SVM;(g)原始信號PCA-SVM;(h)第二主峰信號PCA-SVM;(i)第二主峰對齊信號PCA-SVM)

(1)Isomap-SVM預(yù)測結(jié)果中,采用原始信號與第二主峰信號信號進行預(yù)測時,預(yù)測結(jié)果與實物不符;采用第二主峰對齊信號進行預(yù)測時,大致能區(qū)分四類區(qū)域,但是緊貼型無黏結(jié)區(qū)與黏好區(qū)的某些區(qū)域仍有混疊。

(2)LLE-SVM預(yù)測結(jié)果中,采用原始信號與第二主峰信號進行預(yù)測時,微小缺陷區(qū)不能被識別;采用第二主峰對齊信號進行預(yù)測時,大致能區(qū)分四類區(qū)域,但一些緊貼型無黏結(jié)區(qū)和黏好區(qū)被識別為交界區(qū)域。

(3)PCA-SVM預(yù)測結(jié)果中,采用原始信號不能預(yù)測出四類區(qū)域;采用第二主峰信號進行預(yù)測時,能大致區(qū)分四類區(qū)域,但是黏好區(qū)和緊貼型無黏結(jié)區(qū)仍有部分混疊;采用第二主峰對齊信號進行預(yù)測時,預(yù)測結(jié)果基本與實物的四類區(qū)域相符合。

3.2.4.2 采用1859個樣本點進行SVM預(yù)測分類

降低訓(xùn)練樣本量進一步預(yù)測結(jié)果。隨機選取數(shù)據(jù)集D中的1859個樣本點作為訓(xùn)練集,如圖11所示,紅色框區(qū)域為緊貼型無黏結(jié)區(qū)共900個樣本點,藍色框區(qū)域為黏好區(qū)共900個樣本點,綠色框區(qū)域為交界區(qū)共50個樣本點,黃色框區(qū)域為微小缺陷區(qū)共9個樣本點。數(shù)據(jù)集D作為測試集。

圖11 1959個訓(xùn)練集區(qū)域Fig.11 Training set of 1959 sample points

預(yù)測結(jié)果,如圖12所示。Isomap-SVM預(yù)測結(jié)果中,采用原始信號、第二主峰信號信號、第二主峰對齊信號進行預(yù)測時,預(yù)測結(jié)果與實物不符。LLE-SVM預(yù)測結(jié)果中,采用原始信號與第二主峰信號進行預(yù)測時,有部分黏好區(qū)被識別為微小缺陷區(qū)和交界區(qū);采用第二主峰對齊信號進行預(yù)測時,有一些緊貼型無黏結(jié)區(qū)被識別為交界區(qū)域。PCA-SVM預(yù)測結(jié)果中,采用原始信號和第二主峰信號進行預(yù)測時,四類區(qū)域存在混疊;采用第二主峰對齊信號進行預(yù)測時,預(yù)測結(jié)果基本與實物圖的四類區(qū)域相符合。綜上,經(jīng)過處理,且采用PCA-SVM方法,樣本點較少時,仍能得到與實物四類區(qū)域相符的預(yù)測圖,可以實現(xiàn)小樣本數(shù)據(jù)對緊貼型無黏結(jié)、微小缺陷特征的自動識別。

圖12 1859樣本點SVM預(yù)測圖((a)原始信號Isomap-SVM;(b)第二主峰信號Isomap-SVM;(c)第二主峰對齊信號Isomap-SVM ;(d)原始信號LLE-SVM;(e)第二主峰信號LLE-SVM(f)第二主峰對齊信號LLE-SVM;(g)原始信號PCA-SVM;(h)第二主峰信號PCA-SVM;(i)第二主峰對齊信號PCA-SVM)Fig.12 SVM predicted image of 1859 sample points((a)Original signals Isomap-SVM;(b)Second echo signals Isomap-SVM;(c)Second aligned echo signals Isomap-SVM;(d)Original signals LLE-SVM ;(e)Second echo signals LLE-SVM;(f)Second aligned echo signals LLE-SVM;(g)Original signals PCA-SVM;(h)Second echo signals PCA-SVM;(i)Second aligned echo signals PCA-SVM)

4 結(jié)論

(1)本文驗證了一種基于太赫茲時域光譜成像技術(shù)非接觸無損檢測的自動識別金屬基底硅橡膠涂層結(jié)構(gòu)中緊貼型無黏結(jié)缺陷的方法。

(2)利用太赫茲信號的特點,并通過較理想化的試件制備突出了基底材料與涂層材料界面間復(fù)合鍵合作用差異導(dǎo)致的太赫茲脈沖信號的宏觀變化。進一步通過PCA-SVM方法增強了特征表現(xiàn)的差異,實現(xiàn)了四類特征區(qū)域準確分類成像,比傳統(tǒng)直接成像方法圖像結(jié)果更直觀,與實際試件特征更相符,并且還可以部分代替人工對成像數(shù)據(jù)的判讀工作,效率更高。

(3)檢測方案結(jié)果表明,太赫茲技術(shù)有望將固體火箭發(fā)動機外防涂層脫粘缺陷的檢測能力進一步提升,還可用于內(nèi)絕熱結(jié)構(gòu)缺陷檢測等其他類似應(yīng)用。同時,更深入的界面特性與太赫茲脈沖信號的相互作用機理,以及在更復(fù)雜的殼體材料和涂層材料界面條件下,對無黏結(jié)缺陷的有效檢出仍需要更多的理論和實驗探索。