【温度检测】热红外图像温度检测系统【含 GUI Matlab源码 1920期】

最新推荐文章于 2024-05-18 17:50:00 发布

Matlab仿真科研站

最新推荐文章于 2024-05-18 17:50:00 发布

阅读量627

点赞数 21

分类专栏： Matlab图像处理（仿真科研站版）文章标签： matlab

本文链接：https://blog.csdn.net/Matlab912100926/article/details/138335950

版权

Matlab图像处理（仿真科研站版）专栏收录该内容

763 篇文章 8 订阅

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、热红外图像温度检测简介

飞机主体合金可保持飞机外形承受空气动力，目前飞机主体材料用铝合金制造，其具有较高耐腐蚀性、高淬透性及高韧性。在飞机飞行时，由于发动机燃烧室燃烧等原因，导致飞机主体合金表面温度急速升高，使其发生故障的几率提升。因此，检测飞机主体合金表面温度尤为重要，当检测出高温时，可知飞机主体合金是否出现故障，以便迅速修复。

蒋凡等用标准温度法，研究电弧高温区自行判定的技术。荣彦超等在Matlab的基础上，研究短路熔痕凝固时，测量并计算熔体温度的方法，但检测过高温度的样本时，仍有检测失误的情况。

红外热成像技术具有检测面积大、检测速度快等优势，多用于目标探测、光学遥感等技术领域。在现有红外图像研究与应用范围内，通常只需研究图像内的目标，因此在图像处理时需突出目标与细节信息，并且降低图像噪声。本文作者研究基于红外图像的飞机主体合金温度检测法，采用改进的中值滤波算法，对采集图像进行去噪预处理；并用彩色图像种子区域生长法，提取红外图像中温度过高区域，实现不同温度下飞机主体合金高精度检测。

1 试验材料及方法
1.1 材料及准备
以38框BT20钛合金为试验样品，尺寸为150mm×80 mm×3 mm。放置于红外辐射器正前方180mm处。
用冷光源照射样品，用样品正前方1.0 m处的图像采集系统采集样品表面图像[9]。

1.2 方法
将样品表面温度升至50℃，采集其红外图像用于对照；用瞬态气动热试验模拟系统将样品温度从50℃升至1 000℃，升温速率为10℃/min，每升高50℃，保温1 min，直到1 000℃，保温8 s。期间对各温度样品表面温度进行检测，并采集红外图像。

1.2.1 红外图像预处理
对采集的飞机主体合金红外图像用改进的中值滤波算法进行预处理去噪。
提取红外图像中所有像素的灰度值，并按大小排序，提取排序中间值作为像素的灰度值：
在这里插入图片描述
红外图像灰度值中的噪声呈正态分布，采用中值滤波算法进行处理，输出噪声方差近似值：

1.2.2 彩色图像种子区域生长法
以RGB颜色空间为基础，采用种子区域生长法，提取红外图像内的数据信息和特征区域。

当背景温度变化时，红外图像的RGB值根据生成温度不同，与环境温度差距较大的特征区域会很明显。随温度升高，红色、绿色占比升高，变化梯度较大的是绿色占比，变化梯度较小的是红色占比，非单调性的是蓝色占比。种子区域生长法的作用是分割红外图像的绿色与红色占比。

红外图像中亮度越高，表示目标物的表面温度越高[15]。设定种子点为红外图像中亮度最高的像素点。遍历图像中待分割部分，确定矩阵大小，在此矩阵中计算像素均值，并取均值最大区域的中间点为种子点。

热故障或许发热程度不同，导致其特征出现在多个部位图像上。为将多个发热区域的种子点提取出来，找到亮度最高的像素点，以此为种子点，寻找与其像素值差距较小的点，并设定一定的像素值差距阈值，由此选取种子区域。

种子区域自动选取完后，寻找最佳种子生长条件，完成高温检测，为后续故障识别提供基础。最后，绿光、红光种子区域的交叉构成融合后的图像，即实现红外图像高温区域提取。

⛄二、部分源代码

function varargout = MainTempMonitor(varargin)
% MAINTEMPMONITOR MATLAB code for MainTempMonitor.fig
% MAINTEMPMONITOR, by itself, creates a new MAINTEMPMONITOR or raises the existing
% singleton*.
%
% H = MAINTEMPMONITOR returns the handle to a new MAINTEMPMONITOR or the handle to
% the existing singleton*.
%
% MAINTEMPMONITOR(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in MAINTEMPMONITOR.M with the given input arguments.
%
% MAINTEMPMONITOR(‘Property’,‘Value’,…) creates a new MAINTEMPMONITOR or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before MainTempMonitor_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to MainTempMonitor_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help MainTempMonitor

% Last Modified by GUIDE v2.5 26-Jun-2022 12:20:26

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @MainTempMonitor_OpeningFcn, …
‘gui_OutputFcn’, @MainTempMonitor_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before MainTempMonitor is made visible.
function MainTempMonitor_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to MainTempMonitor (see VARARGIN)

% Choose default command line output for MainTempMonitor
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes MainTempMonitor wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = MainTempMonitor_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% — Executes on button press in ReadFig.
function ReadFig_Callback(hObject, eventdata, handles)
% 读图
% hObject handle to ReadFig (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% global FileName
global I
[FileName,PathName] = uigetfile(‘.jpg’); % 打开窗口
TotalPath = [PathName, ‘’, FileName]; % 完整路径
IRGB = imread(TotalPath); % 读图
% I = rgb2gray(IRGB);
r = IRGB(:,:,1);
g = IRGB(:,:,2);
b = IRGB(:,:,3);
I = .299r + .587g + .114*b; % 转灰度图
set(handles.text5,‘String’,strcat(TotalPath,’ loaded.')) % 显示加载

axis(handles.FigOri);
imshow(I)
title(‘彩色图像灰度化’) % 画灰度图

% — Executes on button press in AddNoise.
function AddNoise_Callback(hObject, eventdata, handles)
% 加噪声按钮
% hObject handle to AddNoise (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
global I NoiseType J
if isempty(NoiseType) % 判断是否选择噪声类型
msgbox(‘未选择噪声类型’)
error(‘未选择噪声类型’)
end
t = get(handles.NoisePara, ‘String’);
if iscell(t)
tt = t{1};
elseif isa(t, ‘string’) || isa(t, ‘char’)
tt = t;
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]程杰.基于红外图像的飞机主体合金温度检测[J].兵器材料科学与工程. 2022,45(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰