技术领域
[0001] 本
发明属于缺陷检测技术领域，更为具体地讲，涉及一种基于行变步长分割的高压容器热成像缺陷检测方法。
背景技术
[0002] 高压容器的制造涉及到学科知识和多个行业专业技术的配合，其中包括：
冶金、腐烛与防护、
机械加工、安全防护、化工、检测。随着近几年各行业技术的不断进步，尤其是由计算机技术的飞速发展所带动的冶金、机械加工、
焊接和
无损检测等技术的发展，使得
压力容器制造技术得到了长足的进步。
[0003] 气体压缩技术广泛的应用在
天然气汽车充气站与压缩空
气动力车充气站，而
天然气汽车充气站与压缩
空气动力车充气站需要大量的高压储气设备。在军事领域，可用于开展各类气动力试验的设备主要包括：常规高超声速
风洞、脉冲型高超声速风洞(包括激波风洞/炮风洞和高超声速脉冲燃烧风洞等)以及弹道靶设备等。
[0004] 表面无损检测是压力管道、压力容器等承压设备定检工作中的关键检验项目。对于Cr-Mo
钢、标准
抗拉强度下限值≥540MPa钢制设备、盛装介质有明显
应力腐蚀倾向等设备定期检验时，均要求应进行检测比例不小于20％的表面无损检测。
[0005] 按照现行安全技术法规、相关技术标准，主要包括磁粉检测和渗透检测。用上述方法检测时，虽然具有缺陷检出率较高、灵敏度高、缺陷显示直观、易识别等优点，但同时存在需去除涂层、打磨受检面等表面预处理，存在劳动强度大、检修周期长、效率低、成本高、污染环境、损伤本体、安全性差等问题，很大程度上制约了检测工作的开展，在易燃爆环境，因安全隐患大，传统检测表面方法往往无法在现场实施。
[0006] 近年来，
涡流等表面检测检测新技术得到飞速发展。其不损伤本体、快速高效等特性，能有效地解决传统无损检测方法存在劳动强度大、周期长、效率低、安全性差等问题，实现大面积快速检测、节省大量人力物力。涡流红外检测是基于
电磁学中的涡流现象与
焦耳热现象，运用高速高
分辨率红外热像仪获取
温度场分布，并通过对红外热
图像序列的分析处理来检测结构缺陷及材料电磁热特性变化。其检测结果为图像，直观易懂，单次检测面积大，效率高，检测时无需
接触被测件表面，同时可利用涡流效应检测表面及近表面缺陷，可检测更深层缺陷,这些都是这种检测方法的优势。
[0007] 根据
电磁感应定律，当通入高频的交变
电流的感应线圈靠近导体试件时，在试件的表面会感生出涡流，如果被测件中有缺陷，涡流将被迫绕过缺陷，改变其流向，这将使得被测件内部涡流
密度发生变化。由焦耳定律可知，涡流在被测件中转换成焦耳热，导致被测件中产生的热量不均匀，从而产生高温区和低温区，由于温度的差异性，高温区热量通
过热传导向低温区传递，导致被测件不同区域温度发生变化，通过红外热像仪采集试件温度的变化过程，然后将采集的热图像视频交给计算机进行分析处理，来获取被测件相关信息，实现缺陷的定性与定量检测。
[0008] 在
现有技术中，名称为《脉冲涡流红外热图像的特征提取方法》的
专利中，利用了步长搜索的方法进行缺陷特征的提取，且在搜索过程中利用了COV相关度进行聚类划分是一种硬划分，即是它把每一个待识别的对象严格的划分到某一类中，具有非此即彼的性质。而实际的缺陷信息目标在形态和类属方面存在着中介性，没有确定的边界来区分；此外，该方法仅仅是在脉冲涡流红外热图像中搜索具有区域代表性的热响应数据，并根据搜索得到的代表热响应数据聚类，从每个聚类中筛选与其他聚类中心距离和最大的热响应数据构建二维矩阵，从而提取到缺陷特征，然而这样得到的缺陷特征不明显，边缘信息不清楚，从而达不到一定的精准度，而本发明在该
基础上，通过使用模糊C均值，根据各个类别的隶属度来对类别进行软划分，从而精确的对缺陷信息进行归类和处理，最后采用Canny算子
算法进行进一步的特征提取，保证了缺陷特征提取的精准度。
发明内容
[0009] 本发明的目的在于克服现有技术的不足，提供一种基于行变步长分割的高压容器热成像缺陷检测方法，使城域网与接入网得到有效融合，同时具有可扩展、高灵活以及低成本的性能。
[0010] 为实现上述发明目的，本发明一种基于行变步长分割的高压容器热成像缺陷检测方法，其特征在于，包括以下步骤：
[0011] (1)、将涡流脉冲热图像用三维矩阵S表示，其中，S(i,j,:)表示三维矩阵S的第i行和第j列，第三个维度表示时间；
[0012] (2)、从三维矩阵S选出
像素值最大的点S(Izz,Jzz,Tzz)，其中，Izz、Jzz和Tzz分别表示最大像素值点的行对应值、列对应值和时间对应值；
[0013] 随着时间维度的变化，根据最大像素值点S(Izz,Jzz,Tzz)得到最大像素值点对应的时间矩阵S(Izz,Jzz,：)，以及最大像素值点所在行中其余像素点对应的时间矩阵S(Izz,j,：)，j＝1,2,…,N，N表示最大像素值点所在行中像素点的总个数；
[0014] 设置
阈值Ref_cl；计算距离最大像素值点对应的时间矩阵S(Izz,Jzz,：)最近的的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，再判断pcc是否小于Ref_cl，如果pcc≥Ref_cl，则继续计算下一个距离次近的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，直到得到的pcc＜Ref_cl时，计算结束，然后统计pcc≥Ref_cl的像素点的个数，并记为CL，最后将CL作为变换步长；
[0015] (3)、从大到小设定K个温度阈值T(m)，m＝1,2,…,K，根据每个像素点的热响应曲线的峰值将所有像素点分成K+1个数据
块，Sk(m,n,:)表示第k个数据块在m行n列的瞬态热响应值；
[0016] (4)、在第k个数据块中，按照步骤(2)所述方法选出最大像素值点对应的时间矩阵以及最大像素值点所在列中其余像素点对应的时间矩阵 M表示最大像素值点所在列中像素点的总个数；
[0017] 设置阈值REFRk，再按照步骤(2)所述方法计算皮尔孙相关系数pcc，最终得到步长[0018] (5)、分块分步计算每一个像素点的瞬态热响应
[0019] (5.1)、将最大瞬态热响应值存储在X(:,1)中，然后计算Sk(i,j,:)与X(:,1)的pcc值；
[0020] (5.2)、设置阈值CC，集合X(:,g)；如果pcc＜CC，则将Sk(i,j,:)作为一个新特征存储在X(:,g)中；否则，令 继续计算下一个与X(:,1)的的pcc值；如果i＞M，则令i＝i-M，j＝j+CI，即变化到第j+CI列进行计算，如果j＞N,则瞬态热响应的计算过程完毕；
[0021] (6)、将集合X(:,g)中的像素点分为L类
[0022] (6.1)、设置聚类数目L，L满足：2≤L≤n；并初始化聚类中心V0，初始化
迭代次数c＝0；设定终止迭代条件阈值ε；
[0023] (6.2)、利用公式 计算隶属度矩阵U；
[0024] 其中，i'＝1,2,…,L，c∈L，dn'k'＝||xk'-Vi'||，n'＝i',j'，dn'k'表示第k'个像素点与第i'聚类中心Vi'的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；ui'k'表示第k'个像素点隶属于第i'类的程度；
[0025] (6.3)、更新聚类中心Vi'
[0026]
[0027] 其中，g表示集合X(:,g)中的像素点总个数； 表示第k'个像素点的热响应值；
[0028] (6.4)、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤(6.5)；否则，令c＝c+1，返回步骤(6.2)；
[0029] (6.5)、利用隶属度最大化准则对所有像素点
去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(ui'k')；
[0031] (7.1)、计算第i'个类别中所有像素点的像素均值MCi'；
[0032] (7.2)、计算MCi'对应的时间矩阵与第i*个类别中第j*个像素点瞬态响应值 对应的时间矩阵的pcc值，记为 其中，i*＝1,2…,L,i'＝1,2…,L,i*≠i'，j*＝1,2,…,K*，K*表示第i*个类别中像素点的个数；
[0033] 对第i*个类别中得到的 求和，得到 再从所有的 中选出最大的并记为 最后将 存在二维矩阵Y中；
[0034] (8)、将三维矩阵S变换为二维矩阵O，再对二维矩阵O和Y进行线性变换，即：其中，是Y的伪逆矩阵；
[0035] (9)、采用Canny算子算法对矩阵R进行特征提取；
[0036] (9.1)、选取一高斯
滤波器 利用高斯滤波器对矩阵R进行平滑处理，即对矩阵R中每个像素点进行卷积运算：g1(x,y)＝h(x,y,σ)*R(x,y)，R(x,y)表示矩阵R中坐标为(x,y)的像素点的像素值；
[0037] (9.2)、利用一阶偏导的有限差分法计算g1(x,y)的梯度幅值；
[0038] (9.2.1)、计算梯度幅值G(x,y)：Gx＝g1(x,y)-g1(x+1,y+1)，Gy＝g1(x+1,y)-g1(x,y+1)，G(x,y)＝|Gx|+|Gy|，其中，Gx代表在X轴方向梯度，Gy代表在Y轴方向梯度；
[0039] (9.2.2)、计算幅值Ga(x,y)： 其中， 是以像素点(x,y)为中心8邻域像素点的连线，Gx,y是以像素点(x,y)的梯度方向的直线，Ga(x,y)为其两者交点的幅值；
[0040] (9.3)、幅值G(x,y)同Ga(x,y)进行比较，若G(x,y)>Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设置为0；然后将保留的幅值对应的像素点进行非极大值抑制，得到图像G2；
[0041] (9.4)、对非极大值抑制后的图像G2与预设的高阈值H-th和低阈值L-th进行判断；
[0042] 如果图像G2中某一像素点g2(x,y)的梯度幅值超过高阈值H-th，则将像素点g2(x,y)记为边缘像素点；
[0043] 如果图像G2中某一像素点g2(x,y)的梯度幅值低于低阈值L-th，则将像素点g2(x,y)删除；
[0044] 如果图像G2中某一像素点g2(x,y)的梯度幅值介于高阈值H-th和低阈值L-th之间，则判断像素点g2(x,y)的8领域空间内是否存像素点的梯度幅值高于高阈值H-th，若存在，则保留像素点g2(x,y)，并记为边缘像素点；否则将像素点g2(x,y)删除；最终得到一幅显现缺陷特征的图像。
[0045] 本发明的发明目的是这样实现的：
[0046] 本发明一种基于行变步长分割的高压容器热成像缺陷检测方法，通过从涡流脉冲热图像中选出最大像素值点，根据最大像素值点利用皮尔孙相关系数法计算相关系数，进而得到变换步长，然后结合变换步长计算每个像素点的瞬态热响应，并进行分类处理，再利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，最后经过降维处理后采用Canny算子算法进行特征提取，从而提取出涡流脉冲热图像的缺陷特征。
[0047] 同时，本发明一种基于行变步长分割的高压容器热成像缺陷检测方法还具有以下有益效果：
[0048] (1)、本发明采用定步长与变步长的结合实现了高效提取试件中的缺陷信息，并准确的刻画缺陷轮廓，弥补了传统方法对于缺陷提取上的一些不足；
[0049] (2)、本发明提取缺陷特征与ICA算法提取缺陷特征更有效，同时减少了更多的冗余计算，花费更少时间去提取缺陷信息；
[0050] (3)、本发明利用Canny算子进行特征提取，使用两个阈值检测强、弱的边缘来确定边缘点，具有
定位精度高、误判率低和抑制虚假边缘的特点。
附图说明
[0051] 图1是本发明基于行变步长分割的高压容器热成像缺陷检测方法
流程图；
[0052] 图2是Canny算子中计算幅值的示意图；
[0053] 图3是试件1和试件2的示意图；
[0054] 图4是试件1在不同时刻的瞬态热响应曲线；
[0055] 图5是试件1通过本发明进行缺陷特征提取的结果图；
[0056] 图6是试件1在不同时刻的
混叠向量应曲线；
[0057] 图7是试件1通过ICA算法进行缺陷特征提取的结果图；
[0058] 图8是试件1在T1时刻瞬态热响应和混叠向量的对比曲线；
[0059] 图9是试件1在T2时刻瞬态热响应和混叠向量的对比曲线；
[0060] 图10是试件1通过本发明和ICA算法提取的缺陷特征对比图；
[0061] 图11是试件2在不同时刻的瞬态热响应曲线；
[0062] 图12是试件2通过本发明进行缺陷特征提取的结果图；
[0063] 图13是试件2在不同时刻的混叠向量应曲线；
[0064] 图14是试件2通过ICA算法进行缺陷特征提取的结果图；
[0065] 图15是试件2在T1时刻瞬态热响应和混叠向量的对比曲线；
[0066] 图16是试件2在T2时刻瞬态热响应和混叠向量的对比曲线；
[0067] 图17是试件2通过本发明和ICA算法提取的缺陷特征对比图；
[0068] 图18是试件1通过ICA处理时间和本发明处理时间的对比图；
[0069] 图19是试件2通过ICA处理时间和本发明处理时间的对比图。
具体实施方式
[0070] 下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会
淡化本发明的主要内容时，这些描述在这里将被忽略。
[0072] 图1是本发明基于行变步长分割的高压容器热成像缺陷检测方法流程图。
[0073] 在本实施例中，如图1所示，本发明一种基于PCC的涡流脉冲热图像缺陷特征提取方法，包括以下步骤：
[0074] S1、将涡流脉冲热图像用三维矩阵S表示，其中，S(i,j,:)表示三维矩阵S的第i行和第j列，第三个维度表示时间；
[0075] S2、为了找到在
水平轴上有温度差异最大的区域的长度，从三维矩阵S选出像素值最大的点S(Izz,Jzz,Tzz)，其中，Izz、Jzz和Tzz分别表示最大像素值点的行对应值、列对应值和时间对应值；
[0076] 随着时间维度的变化，根据最大像素值点S(Izz,Jzz,Tzz)得到最大像素值点对应的时间矩阵S(Izz,Jzz,：)，以及最大像素值点所在行中其余像素点对应的时间矩阵S(Izz,j,：)，j＝1,2,…,N，N表示最大像素值点所在行中像素点的总个数；
[0077] 设置阈值Ref_cl；计算距离最大像素值点对应的时间矩阵S(Izz,Jzz,：)最近的的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，再判断pcc是否小于Ref_cl，如果pcc≥Ref_cl，则继续计算下一个距离次近的像素点对应的时间矩阵S(Izz,j,：)间的皮尔孙相关系数pcc，直到得到的pcc＜Ref_cl时，计算结束，然后统计pcc≥Ref_cl的像素点的个数，并记为CL，最后将CL作为变换的行步长；
[0078] S3、从大到小设定K个温度阈值T(m)，m＝1,2,…,K，根据每个像素点的热响应曲线的峰值将所有像素点分成K+1个数据块，Sk(m,n,:)表示第k个数据块在m行n列的瞬态热响应值；
[0079] S4、在第k个数据块中，按照步骤S2所述方法选出最大像素值点对应的时间矩阵以及最大像素值点所在列中其余像素点对应的时间矩阵 M表示最大像素值点所在列中像素点的总个数；
[0080] 设置阈值REFRk，再按照步骤S2所述方法计算皮尔孙相关系数pcc，计算方法相同，在此不再赘述，最终得到列步长
[0081] S5、分块分步计算每一个像素点的瞬态热响应
[0082] S5.1、将最大瞬态热响应值存储在X(:,1)中，然后计算Sk(i,j,:)与X(:,1)的pcc值；
[0083] S5.2、设置阈值CC，集合X(:,g)；如果pcc＜CC，则将Sk(i,j,:)作为一个新特征存储在X(:,g)中；否则，令 继续计算下一个与X(:,1)的的pcc值；如果i＞M，则令i＝i-M，j＝j+CI，即变化到第j+CI列进行计算，如果j＞N,则瞬态热响应的计算过程完毕；
[0084] S6、将集合X(:,g)中的像素点分为L类
[0085] S6.1、设置聚类数目L，L满足：2≤L≤n；并初始化聚类中心V0，初始化迭代次数c＝0；设定终止迭代条件阈值ε；
[0086] S6.2、利用公式 计算隶属度矩阵U；
[0087] 其中，i'＝1,2,…,L，c∈L，dn'k'＝||xk'-Vi'||，n'＝i',j'，dn'k'表示第k'个像素点与第i'聚类中心Vi'的欧氏距离，xk'表示第k'个像素点的坐标；τ为常数；ui'k'表示第k'个像素点隶属于第i'类的程度；
[0088] S6.3、更新聚类中心Vi'
[0089]
[0090] 其中，g表示集合X(:,g)中的像素点总个数； 表示第k'个像素点的热响应值；
[0091] S6.4、如果迭代次数到达最大值L或者前后两次聚类中心之差绝对值小于ε，则算法结束，并输出隶属度矩阵U和聚类中心V，再进入步骤S6.5；否则，令c＝c+1，返回步骤S6.2；
[0092] S6.5、利用隶属度最大化准则对所有像素点去模糊化，得到每个像素点所属类别，即Mk'＝argi'max(ui'k')；
[0093] S7、对三维矩阵S进行降维处理
[0094] S7.1、计算第i'个类别中所有像素点的像素均值MCi'；
[0095] S7.2、计算MCi'对应的时间矩阵与第i*个类别中第j*个像素点瞬态响应值 对应的时间矩阵的pcc值，记为 其中，i*＝1,2…,L,i'＝1,2…,L,i*≠i'，j*＝1,* * *2,…,K，K表示第i个类别中像素点的个数；
[0096] 对第i*个类别中得到的 求和，得到MPi*，再从所有的 中选出最大的并记为 最后将 存在二维矩阵Y中；
[0097] S8、将三维矩阵S变换为二维矩阵O，再对二维矩阵O和Y进行线性变换，即：其中， 是Y的伪逆矩阵；
[0098] S9、采用Canny算子算法对矩阵R进行特征提取；
[0099] S9.1、选取一高斯滤波器 利用高斯滤波器对矩阵R进行平滑处理，即对矩阵R中每个像素点进行卷积运算：g1(x,y)＝h(x,y,σ)*R(x,y)，R(x,y)表示矩阵R中坐标为(x,y)的像素点的像素值；
[0100] S9.2、利用一阶偏导的有限差分法计算g1(x,y)的梯度幅值；
[0101] S9.2.1、计算梯度幅值G(x,y)：Gx＝g1(x,y)-g1(x+1,y+1)，Gy＝g1(x+1,y)-g1(x,y+1)，G(x,y)＝|Gx|+|Gy|，其中，Gx代表在X轴方向梯度，Gy代表在Y轴方向梯度；这样通过一阶偏导的有限差分法可以检测出图像中的像素点是否是边缘像素点，也就是判断一个像素点是否在斜坡上；
[0102] S9.2.2、计算幅值Ga(x,y)： 在本实施例中，如图2所示，是以像素点(x,y)为中心8邻域像素点的连线，即田子型连线；Gx,y是以像素点(x,y)的梯度方向的直线，即穿过田子型连线的直线；Ga(x,y)为其两者交点的幅值；
[0103] S9.3、对梯度幅值进行非极大值抑制，仅仅得到全局的梯度并不足以确定边缘，因此，为了确定边缘，必须保留局部梯度最大的点，且要抑制非极大值点。下面我们将幅值G(x,y)同Ga(x,y)进行比较，若G(x,y)>Ga(x,y)，则保留G(x,y)的值，否则将此时的幅值设置为0；然后将保留的幅值对应的像素点进行非极大值抑制，得到图像G2；
[0104] S9.4、对非极大值抑制后的图像G2与预设的高阈值H-th和低阈值L-th进行判断；
[0105] 如果图像G2中某一像素点g2(x,y)的梯度幅值超过高阈值H-th，则将像素点g2(x,y)记为边缘像素点；
[0106] 如果图像G2中某一像素点g2(x,y)的梯度幅值低于低阈值L-th，则将像素点g2(x,y)删除；
[0107] 如果图像G2中某一像素点g2(x,y)的梯度幅值介于高阈值H-th和低阈值L-th之间，则判断像素点g2(x,y)的8领域空间内是否存像素点的梯度幅值高于高阈值H-th，若存在，则保留像素点g2(x,y)，并记为边缘像素点；否则将像素点g2(x,y)删除；最终得到一幅显现缺陷特征的图像。
[0108] 实验仿真
[0109] 为了能够更好的加强试件缺陷的信息，本实施例针对图3(a)和图3(b)所示的试件1、试件2的圆孔型缺陷所采集到的热图像序列进行了处理。采用本发明中描述的皮尔逊相关度运算进行分区变步长搜索，然后进行反混合矩阵伪逆矩阵
向量处理，得到融合后的独立成分。
[0110] 下面分别利用本发明所述方法和ICA算法对试件1，试件2进行计算分析。
[0111] 试件1：本发明所述方法首先采集试件1的原始数据序列，热序列的
采样时间是18秒，两个温度阈值分别设置为：T(1)＝29，T(2)＝40，Ref_cl＝0.97。大于阈值Ref_cl的瞬态热响的个数是10。REFR1＝0.97,REFR2＝0.95,REFR3＝0.93。提取试件1的瞬态热响应如图4(a)和图4(b)所示，然后再进行缺陷特征的提取，得到图5(a)和图5(b)所示的结果。在同样的基础上，ICA算法提取到试件1的混叠向量如图6(a)和图6(b)所示，然后再进行缺陷特征的提取，得到图7(a)和图7(b)所示的结果。
[0112] 针对试件1，通过选取的缺陷
位置的瞬态响应和混叠向量的比较，如图8所示，两者的峰值与曲线走势基本相同，故本发文明所述方法同ICA一样可以提取相应的特征信息。
[0113] 针对试件1，通过选取的缺陷周围区域的瞬态响应和混叠向量的比较，如图9所示，两者的峰值与曲线走势基本相同，故本发文明所述方法同ICA一样可以提取相应的特征信息。
[0114] 最后，试件1经过Canny算子方法处理之后，得到图10(a)所示的缺陷，而ICA算法处理之后，得到图10(b)所示的缺陷，通过对试件1进行Canny算子方法处理后与ICA算法处理后的比较，可以看出Canny算子处理后，图像能清楚辨别出缺陷边缘，缺陷特征更加明显，为后续实验分析打下基础。
[0115] 试件2：两个温度阈值分别设置为：T(1)＝40，T(2)＝80，Ref_cl＝0.98。大于阈值Ref_cl的瞬态热响的个数是12。REFR1＝0.98,REFR2＝0.96,REFR3＝0.94。类别L＝2。
[0116] 提取试件2的瞬态热响应如图11(a)和图11(b)所示，然后再进行缺陷特征的提取，得到图12(a)和图12(b)所示的结果。在同样的基础上，ICA算法提取到试件2的混叠向量如图13(a)和图13(b)所示，然后再进行缺陷特征的提取，得到图14(a)和图14(b)所示的结果。
[0117] 针对试件2，，通过选取的缺陷位置的瞬态响应和混叠向量的比较，如图15所示，两者的峰值与曲线走势基本相同，故本发文明所述方法同ICA一样可以提取相应的特征信息。
[0118] 针对试件2，通过选取的缺陷周围区域的瞬态响应和混叠向量的比较，如图16所示，两者的峰值与曲线走势基本相同，故本发文明所述方法同ICA一样可以提取相应的特征信息。
[0119] 最后，试件2经过Canny算子方法处理之后，得到图17(a)所示的缺陷，而ICA算法处理之后，得到图17(b)所示的缺陷，通过对试件1进行Canny算子方法处理后与ICA算法处理后的比较，可以看出Canny算子处理后，图像能清楚辨别出缺陷边缘，缺陷特征更加明显，为后续实验分析打下基础。
[0120] 试件1进行ICA处理时间和本发明所述方法处理时间比较，如图18所示，新方法可以更有效率的完成缺陷轮廓提取，在提取缺陷信息基本相同的基础上，用时大幅度减少。
[0121] 试件2进行ICA处理时间和本发明所述方法处理时间比较，如图19所示，新方法可以更有效率的完成缺陷轮廓提取，在提取缺陷信息基本相同的基础上，用时大幅度减少。
[0122] 尽管上面对本发明说明性的具体实施方式进行了描述，以便于
本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的
权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
