With the increasing importance of using carbon fiber reinforced polymer (CFRP) composite in the aircraft industry, it becomes ever more critical to monitor the quality and health of CFRP during the manufacturing process as well as the in-service procedure. The most common types of defects in the CFRP are debonds and delaminations. It is difficult to detect the inner defects on a complex-shaped specimen using conventional nondestructive testing (NDT) methods. In this paper, an unsupervised machine learning method based on wavelet-integrated alternating sparse dictionary matrix decomposition is proposed to extract the weaker and deeper defect information for CFRP by using the optical pulse thermography (OPT) system. We propose to model the low-rank and sparse decomposition jointly in an alternating manner. By incorporating the low-rank information into the sparse matrix and vice versa, the weaker defects will be more efficiently extracted from noise and background. In addition, the integration of wavelet analysis with dictionary factorization enables an efficient time-frequency mining of information and significantly removes the high frequency noise as well as boosts the speed of computations. To investigate the efficacy and robustness of the proposed method, experimental studies have been carried out for inner debond defects on both regular- and irregular-shaped CFRP specimens. A comparative analysis has also been undertaken to study the proposed method against the general OPTNDT methods. The MATLAB demo code can be linked: http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm.

中文翻译：

---

热成像CFRP缺陷检测中的小波积分交替稀疏字典矩阵分解

随着在航空工业中使用碳纤维增强聚合物（CFRP）复合材料的重要性日益提高，在制造过程以及使用过程中监控CFRP的质量和健康状况变得越来越重要。CFRP中最常见的缺陷类型是脱胶和分层。使用常规的无损检测（NDT）方法很难检测出复杂形状的样本上的内部缺陷。提出了一种基于小波积分交替稀疏字典矩阵分解的无监督机器学习方法，利用光脉冲热成像（OPT）系统提取CFRP的弱点和深点缺陷信息。我们建议以交替的方式联合建模低秩分解和稀疏分解。通过将低等级信息合并到稀疏矩阵中，反之亦然，较弱的缺陷将更有效地从噪声和背景中提取出来。此外，将小波分析与字典分解结合在一起，可以高效地进行时频信息挖掘，并显着消除了高频噪声并提高了计算速度。为了研究该方法的有效性和鲁棒性，已经对规则和不规则形状的CFRP标本的内部脱胶缺陷进行了实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。较弱的缺陷将更有效地从噪声和背景中提取出来。此外，将小波分析与字典分解结合在一起，可以高效地进行时频信息挖掘，并显着消除了高频噪声，并提高了计算速度。为了研究该方法的有效性和鲁棒性，已经对规则和不规则形状的CFRP标本的内部脱胶缺陷进行了实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。较弱的缺陷将更有效地从噪声和背景中提取出来。此外，将小波分析与字典分解结合在一起，可以高效地进行时频信息挖掘，并显着消除了高频噪声，并提高了计算速度。为了研究该方法的有效性和鲁棒性，已经对规则和不规则形状的CFRP标本的内部脱胶缺陷进行了实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。小波分析与字典因式分解的集成实现了信息的高效时频挖掘，并显着消除了高频噪声并提高了计算速度。为了研究该方法的有效性和鲁棒性，已经对规则和不规则形状的CFRP标本的内部脱胶缺陷进行了实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。小波分析与字典因式分解的集成实现了信息的高效时频挖掘，并显着消除了高频噪声并提高了计算速度。为了研究该方法的有效性和鲁棒性，已经对规则和不规则形状的CFRP标本的内部脱胶缺陷进行了实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。已经对规则和不规则形状的CFRP标本进行了内部脱胶缺陷的实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。已经对规则和不规则形状的CFRP标本进行了内部脱胶缺陷的实验研究。还进行了比较分析，以针对通用的OPTNDT方法研究所提出的方法。可以链接MATLAB演示代码：http://faculty.uestc.edu.cn/gaobin/zh_CN/lwcg/153392/list/index.htm。