[论文解读] Low-rank Convex/Sparse Thermal Matrix Approximation for Infrared-based Diagnostic System

Bardia Yousefi, Clemente Ibarra‐Castanedo+1 more|arXiv (Cornell University)|Oct 14, 2020

Infrared Thermography in Medicine参考文献 41被引用 11

一句话总结

本论文提出了一种低秩凸、半和稀疏非负矩阵分解（NMF），以提升红外热成像中的缺陷检测与热不均性分析效果。该方法应用于主动热成像（CFRP、铝材、PMMA）和被动乳腺筛查（DMR数据集），稀疏-NMF、凸-NMF和半-NMF在性能上优于最先进的方法如PCT和NMF，在CFRP缺陷检测中准确率最高达97.4%，在区分症状性与健康乳腺病例中准确率达77.8%，且对高斯噪声具有强鲁棒性。

ABSTRACT

Active and passive thermography are two efficient techniques extensively used to measure heterogeneous thermal patterns leading to subsurface defects for diagnostic evaluations. This study conducts a comparative analysis on low-rank matrix approximation methods in thermography with applications of semi-, convex-, and sparse- non-negative matrix factorization (NMF) methods for detecting subsurface thermal patterns. These methods inherit the advantages of principal component thermography (PCT) and sparse PCT, whereas tackle negative bases in sparse PCT with non-negative constraints, and exhibit clustering property in processing data. The practicality and efficiency of these methods are demonstrated by the experimental results for subsurface defect detection in three specimens (for different depth and size defects) and preserving thermal heterogeneity for distinguishing breast abnormality in breast cancer screening dataset (accuracy of 74.1%, 75.8%, and 77.8%).

研究动机与目标

• 评估低秩凸、半和稀疏-NMF在主动热成像中检测热缺陷方面的性能。
• 评估这些NMF变体在被动热成像中检测乳腺癌筛查热不均性的能力。
• 将所提出的NMF方法与最先进的热成像技术（如PCT、CCIPCT和稀疏-PCT）进行比较。
• 分析这些方法在加性高斯噪声（3%至20%）下的鲁棒性。
• 探究基于NMF的低秩逼近是否能提升异质热模式中缺陷的可见性与分类准确率。

提出的方法

• 将半-NMF、凸-NMF和稀疏-NMF应用于主动和被动热成像中热图像序列的低秩矩阵逼近。
• 使用热水平互相关矩阵（TLCMs）提取五种纹理特征（对比度、相关性、差异性、同质性、能量），用于乳腺热成像。
• 基于提取的特征训练逻辑回归模型，对DMR数据集中症状性与健康受试者进行分类。
• 采用Jaccard指数对主动热成像中的缺陷检测进行定量评估。
• 通过加性高斯噪声下的信噪比（SNR）评估鲁棒性（噪声水平为3%至20%）。
• 基于不同方法间的比较验证结果，优化正则化与迭代参数。

实验结果

研究问题

• RQ1 与PCT及相关方法相比，半-NMF、凸-NMF和稀疏-NMF是否能提升主动热成像中的缺陷检测准确率？
• RQ2 这些NMF变体是否能有效检测被动热成像中乳腺癌筛查的热不均性？
• RQ3 凸-NMF在区分症状性与健康乳腺病例方面的性能与半-NMF和稀疏-NMF相比如何？
• RQ4 这些基于NMF的方法在加性高斯噪声水平逐渐增加时，其准确率能保持到何种程度？
• RQ5 与标准的PCT和NMF方法相比，基于NMF的低秩逼近是否能增强缺陷可见性与分类鲁棒性？

主要发现

• 稀疏-NMF在小于1 mm的缺陷中达到90.6%的准确率，对CFRP缺陷（>10 mm）准确率为42.7%，对PMMA缺陷（1–3 mm）准确率为46.9%。
• 凸-NMF在缺陷≤1 mm时准确率达91.2%，对CFRP缺陷（>10 mm）准确率达97.4%，对PMMA缺陷（≤1 mm）准确率为86.8%。
• 半化-NMF在缺陷≤1 mm时准确率为86.4%，对CFRP缺陷（>1 mm）准确率为81.7%。
• 在被动热成像中，凸-NMF在DMR数据集中区分症状性与健康受试者的准确率达77.8%，优于其他方法。
• 所有三种NMF变体——半-NMF、凸-NMF和稀疏-NMF——在加性高斯噪声（3%至20%）下均表现出强鲁棒性，性能优于PCT、CCIPCT和稀疏-PCT。
• NMF-gd（梯度下降）在优化目标函数方面表现略优于NMF-nnls（非负最小二乘），表明算法选择对准确率具有显著影响。