基于熱圖重構(gòu)區(qū)域生長算法的碳纖維增強復(fù)合材料脫粘缺陷檢測

馮琪智，高 斌，楊 揚，田貴云,3

(1.電子科技大學(xué) 自動化工程學(xué)院，成都610000；2.中航工業(yè)成都飛機工業(yè)(集團)有限責任公司，成都610000;3.紐卡斯爾大學(xué) 電子電力與計算機工程學(xué)院，紐卡斯爾 NEI7RU)

基于熱圖重構(gòu)區(qū)域生長算法的碳纖維增強復(fù)合材料脫粘缺陷檢測

馮琪智1，高 斌1，楊 揚2，田貴云1,3

(1.電子科技大學(xué) 自動化工程學(xué)院，成都610000；2.中航工業(yè)成都飛機工業(yè)(集團)有限責任公司，成都610000;3.紐卡斯爾大學(xué) 電子電力與計算機工程學(xué)院，紐卡斯爾 NEI7RU)

提出了基于區(qū)域生長和熱成像信息重構(gòu)的融合算法，該算法能較好地解決OPT(光激勵紅外熱成像)方法缺陷檢測中分辨率低的難題，顯著提高缺陷和非缺陷區(qū)域的對比度，實現(xiàn)缺陷的精確檢出。為了評價不同算法的檢測性能，采用了基于事件的F-score評價方法來衡量檢測結(jié)果，該方法能定量比較不同特征提取算法。

光激勵紅外熱成像;碳纖維增強復(fù)合材料;脫粘;區(qū)域生長法

碳纖維增強復(fù)合材料(CFRP)是近幾十年來迅速發(fā)展起來的一種新型材料。由于其具有比強度高、比模量大、抗疲勞性能好、膨脹系數(shù)低以及可設(shè)計性強等優(yōu)點[1]，已經(jīng)成為航空航天、石油化工、風力發(fā)電等高新技術(shù)領(lǐng)域不可缺少的重要結(jié)構(gòu)材料。復(fù)合材料層壓板在生產(chǎn)制造、裝配和服役的過程中，材料內(nèi)部可能會因生產(chǎn)工藝和環(huán)境等因素的影響出現(xiàn)損傷和缺陷等質(zhì)量問題，例如分層、脫粘、開裂、沖擊缺陷等[2]。為了保障服役安全，需要對復(fù)合材料的內(nèi)部質(zhì)量進行監(jiān)測[3-4]。各類無損檢測技術(shù)(NDT)也就廣泛應(yīng)用于復(fù)合材料的結(jié)構(gòu)成型、裝配、試驗、維護和使用等過程中。目前，常用于復(fù)合材料內(nèi)部質(zhì)量的無損檢測技術(shù)包括微波檢測、超聲C掃描檢測和紅外熱波成像檢測等[5-6]。其中，紅外熱波成像檢測由于具有快速、無接觸、無污染等優(yōu)點而被應(yīng)用于復(fù)合材料內(nèi)部缺陷的檢測中[7-8]，其激勵源包括熱氣流、閃光燈、激光、超聲波和太赫茲光譜等。

光激勵紅外熱成像(OPT)檢測技術(shù)利用結(jié)構(gòu)或材料的熱輻射物理特性的不同，對試件采用主動加熱方法檢測材料表面和內(nèi)部的各種缺陷和損傷。OPT系統(tǒng)得到的圖像存在邊緣模糊、噪聲干擾和分辨率低等缺點，為了提高缺陷檢測的精度、效率和分辨率等，研究者采用了不同的特征提取算法來提取缺陷信息。郭興旺等[9]對熱圖像序列進行小波變換，采用基于像素級和特征級的圖像融合算法對熱像序列進行處理，其通過鋁合金試件的檢測試驗說明了該圖像融合算法能有效地減少加熱不均和背景噪聲對缺陷識別的不利影響。何煒等[10]利用快速傅里葉變換(FFT)處理鎖相熱成像數(shù)據(jù)，其計算速度比離散傅里葉變換更快，且能在頻域中觀測缺陷信息。劉濤等[11]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)，擬合函數(shù)關(guān)系來實現(xiàn)紅外熱波檢測對缺陷的定量識別，其借助數(shù)值計算的方法提供樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，證明了該方法的可行性。RAJIC等[12]采用主成分分析(PCA)方法，通過奇異值分解將熱圖像序列分解成一組正交統(tǒng)計模式，用于減少冗余、去除噪聲、描述主要的空間和時間的變化信息等。LIANG等[13]采用小波變換和PCA結(jié)合的方法檢測復(fù)合材料的沖擊缺陷。SRIPRAGASH等[14]用熱成像信號重構(gòu)(TSR)來檢測缺陷深度，并提高了熱圖像序列的時空分辨率。HYVARINEN等[15]采用獨立成分分析(ICA)方法，通過提取熱圖像序列中相互獨立的成分，去除數(shù)據(jù)冗余性，獲取數(shù)據(jù)的高階統(tǒng)計特性。SWITA等[16]利用K均值算法對紅外熱波圖像序列進行聚類分析，提取圖像序列中的深層信息，減少了數(shù)據(jù)量。MALDAGUE等[17]提出脈沖相位熱成像(PPT)算法，通過傅里葉變換將時間和空間信息轉(zhuǎn)化到頻域中，得到相位和幅值信息，通過缺陷和非缺陷區(qū)域相位和幅值信息的不同來提取缺陷信息。上述算法對微小缺陷或深層缺陷的識別精度較低，為解決此問題，筆者融合區(qū)域生長和熱成像信息重構(gòu)算法檢測脫粘缺陷，提高檢測精度和缺陷分辨率。

隨著特征提取算法的使用，出現(xiàn)了不同的衡量標準來衡量算法的檢測結(jié)果，例如信噪比(SNR)、檢出率和ROC(試件工作特征)曲線等。其中，信噪比是根據(jù)試件中缺陷和非缺陷區(qū)域的溫度差來反應(yīng)的，其容易受到非均勻加熱的干擾。為了解決此問題，對此類無損檢測技術(shù)提出了基于事件F-score的評價方法，該方法已被用于金屬部件檢查和紅外熱波成像檢測等方面[18]，F(xiàn)-score方法通過公式計算F值的大小來衡量算法檢測缺陷的有效性，基于F-score的方法能定量比較不同特征提取算法。

1 算法概述

1.1紅外熱波成像原理

當試件被熱源激勵后，在熱量趨于平衡的過程中，其表面溫度場隨時間和空間變化的物理特性可用已知的數(shù)學(xué)模型來表達，在進行理論分析時，每個像素點的溫度變化可簡化為一維熱傳導(dǎo)模型，且試件表面溫度的數(shù)學(xué)模型可表示為

1.2TSR算法原理

式(1)為特征提取算法的理論基礎(chǔ)，通過OPT系統(tǒng)獲得視頻數(shù)據(jù)，對每一幀圖像進行向量化，第i幀圖像向量化如圖1所示。則整個視頻序列可轉(zhuǎn)化為矩陣表示，見圖2。

圖1 第i幀圖像向量化示意

熱圖像重構(gòu)算法利用表面溫度在時間和空間上的變化信息，對熱圖像序列的每個像素點的時間信息進行處理，將每個像素點溫度響應(yīng)曲線從時域轉(zhuǎn)換到對數(shù)域。通過式(1)可知，非缺陷區(qū)域的溫度變化曲線滿足線性關(guān)系，缺陷區(qū)域溫度變化曲線是非線性的，TSR算法的表達式為：

式(2)表明，對于理想的非缺陷區(qū)域，對數(shù)衰減響應(yīng)曲線是斜率為-1/2的直線。在實際應(yīng)用中，溫度響應(yīng)曲線會受到不同因素的干擾，例如背景輻射、非線性相位響應(yīng)以及缺陷區(qū)域等，式(2)不滿足理想的線性關(guān)系。因此，每個像素點處的對數(shù)溫度變化可由n次多項式函數(shù)來近似擬合，其表達式為：

圖2 圖像序列轉(zhuǎn)化為矩陣示意

(3)

采用n階多項式擬合能消除噪聲,并且將熱譜序列壓縮到n+1幀的多項式系數(shù)中，提高了圖像的質(zhì)量，通過計算式(3)的一階和二階微分，可獲得缺陷信息。數(shù)學(xué)模型表達式為：

ln[Tsurface(t)]=exp{a0+a1ln(t)+a2[ln(t)]2+

通過式(3)和式(4)獲得的溫度變化曲線，可以觀察缺陷和非缺陷區(qū)域像素點在時間軸上熱響應(yīng)的差異。對式(4)求一階導(dǎo)得其差分溫度Tsurface(t)在時間軸上的變化率，二階導(dǎo)表示表面溫度曲線在時間軸上的凹凸性，TSR算法求導(dǎo)過程如圖3所示，所以進行二階求導(dǎo)獲得重構(gòu)之后的圖像能更加清晰地反應(yīng)缺陷區(qū)域和非缺陷區(qū)域溫度變化響應(yīng)的區(qū)別。

圖3 TSR算法求導(dǎo)過程示意

1.3基于區(qū)域生長的分割算法

借助集合概念對圖像分割有如下定義：令集合R代表整個圖像區(qū)域，對R的分割可看做將R分成N個滿足以下五個條件的非空子集R1,R2,…,RN。

(2) 對所有的i,j,i≠j時,有Ri∩Rj≠φ。

(3) 對i=1,2,…,N,有P(Ri)=true。

(4) 對i≠j,有P(Ri∪Rj)=false。

(5) 對i=1,2,…N,Ri是連接的區(qū)域。

其中P(Ri)為所有在集合Ri中元素的邏輯謂詞，φ表示空集。

選出利用TSR算法重構(gòu)的質(zhì)量較好的圖像，再利用區(qū)域生長法對其進行缺陷特征提取。大多數(shù)圖像分割算法是利用圖像中的像素值相似、圖像邊緣或者突變區(qū)域等進行特征提取的。圖像分割算法通常分為4個類別：基于閾值、邊緣檢測、區(qū)域生長法和混合方法同質(zhì)性準則。區(qū)域生長法(SRG)的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。首先對每個需要分割的區(qū)域找出一個種子像素點作為生長的起點,然后將種子像素鄰域中與種子有相同或相似性質(zhì)的像素( 根據(jù)事先確定的生長或相似準則來確定) 與種子像素合并成集合。而新的像素繼續(xù)做為種子向四周生長, 直到?jīng)]有滿足條件的像素可以合并進來，最終形成一個像素集合，得到區(qū)域。

影響區(qū)域生長法的關(guān)鍵問題有：① 選擇正確的種子像素，根據(jù)預(yù)估缺陷區(qū)域和非缺陷區(qū)域所占比例來確定，對于缺陷區(qū)域較少且不連續(xù)的數(shù)據(jù)，選擇非缺陷處的像素點為種子點效果更好；對于存在較大面積連續(xù)缺陷的數(shù)據(jù)，選擇缺陷區(qū)域的像素為種子點效果更佳，所以選擇非缺陷高亮度像素點作為種子點；② 確定生長過程中將相鄰像素包括進來的準則，再確定門限，經(jīng)過多組數(shù)據(jù)的重復(fù)試驗可知選擇門限范圍為1.3～1.8之間效果較好；③ 確定生長的終止條件。區(qū)域生長準則有基于區(qū)域灰度差、基于區(qū)域內(nèi)灰度分布統(tǒng)計、基于區(qū)域形狀這3類。筆者采用基于區(qū)域灰度差的準則。平均灰度的均勻測量度可以作為區(qū)域生長的相似性準則，設(shè)某一圖像區(qū)域R,其中像素數(shù)為N,則均值表示為：

因此，區(qū)域R的均勻測量度可表示為

式中：K為一閾值，在區(qū)域R中，各像素灰度值和均值的差不超過某一閾值K，其均勻測量度為真。

1.4可檢測性定量評估

為了客觀地評價檢測效果，采用F-score方法來衡量不同特征提取算法的檢測結(jié)果。檢測結(jié)果可以分為4類，TP為實際存在缺陷并被檢測出來的個數(shù)，F(xiàn)P為不是缺陷區(qū)域卻被檢測為缺陷區(qū)域的個數(shù)，F(xiàn)N為是缺陷區(qū)域但檢測結(jié)果顯示為沒有缺陷的個數(shù)，TN為不是缺陷也未被檢測為缺陷的個數(shù)，因此準確率P和召回率R可分別表示為：

為了平衡準確率和召回率，F(xiàn)-score是P和R的加權(quán)調(diào)和平均，可表示為

式中：α為準確率和召回率的所占比重，對于無損檢測的此類脫粘缺陷，α取值為1，即準確率和召回率同等重要。

實際缺陷分布如圖4所示，其中，缺陷區(qū)域為1,2,4,5，其余區(qū)域為非缺陷區(qū)域，圖5為經(jīng)過一種特征提取算法后可能得到的結(jié)果，估計缺陷區(qū)域為1,2,3,4，其余區(qū)域為非缺陷區(qū)域。根據(jù)定義可統(tǒng)計出TP，F(xiàn)P，F(xiàn)N和TN的值，由此計算出P和R均為3/4，當α=1時，F(xiàn)為3/4。當已知缺陷分布后，利用F-score方法能夠客觀定量地評價不同的處理算法。F-score系數(shù)統(tǒng)計如表1所示。

圖4 實際缺陷分布示意

圖5 檢測估計結(jié)果

表1 F-score系數(shù)統(tǒng)計

2 試驗系統(tǒng)和缺陷樣本

試驗所用的光激勵紅外熱成像(OPT)系統(tǒng)外觀如圖6所示，熱激勵裝置為Par64鹵素燈，其磨砂燈面產(chǎn)生的光比較柔和，功率為1 000 W，額定電壓為240 V。熱像儀為FLIR A655sc紅外熱像儀，其工作波段為7.5～14 mm，分辨率為640像素×480像素，溫度靈敏度為0.05 ℃(熱像儀工作在30 ℃及采樣頻率為50 Hz時)。碳纖維增強復(fù)合材料蜂窩夾芯板的缺陷分布如圖7所示，試件大小為250 mm×300 mm，上下層復(fù)合材料厚度分別為1 mm，中間為20 mm厚的紙蜂窩芯結(jié)構(gòu)，膠層為0.15 mm的J-116B膠粘劑，脫粘缺陷采用人工預(yù)置墊片，是厚度為0.1 mm的聚四氟乙烯用來模擬自然缺陷。缺陷直徑分別為3, 6, 10, 14, 18 mm，缺陷分布如圖7所示。

圖6 OPT系統(tǒng)外觀

圖7 碳纖維增強復(fù)合材料蜂窩夾芯板的缺陷分布示意

3 結(jié)果分析

選取PPT、ICA和PCA三種常用的缺陷特征提取算法用來比較。圖8是從未處理的圖像序列中選取的效果最好的熱像圖，由圖8可知，少部分的缺陷可以被清晰檢測，但是大多數(shù)的缺陷與背景融為一體，圖中圓形標記處為直徑小于10 mm的缺陷，檢測效果不明顯，與非缺陷區(qū)域無明顯溫差。圖8中圓圈標記處為漏檢結(jié)果。圖9為經(jīng)過PPT處理后的熱像圖，圖10為經(jīng)過PCA處理之后的熱像圖，圖11為經(jīng)過ICA處理之后的熱像圖，圖12是對原始數(shù)據(jù)進行TSR處理之后的熱像圖，能夠讓試件表面的溫度變化更加均勻，消除了噪聲的干擾，直徑為10，6 mm的缺陷清晰可見，提高了對比度和分辨率。圖13為經(jīng)過融合TSR和SRG處理后的結(jié)果，圓圈標記處為難檢處，直徑為3 mm的最小缺陷也能被清晰地辨別出來，該特征提取算法可增強缺陷區(qū)域與非缺陷區(qū)域的對比度，提高分辨率，將原本和背景融為一體的缺陷信息提取出來。

圖8 從未處理的圖像序列中選取的效果最好的熱像圖

圖9 經(jīng)過PPT處理的熱像圖

圖10 經(jīng)過PCA處理后的熱像圖

圖11 經(jīng)過ICA處理后的熱像圖

圖12 對原始數(shù)據(jù)進行TSR預(yù)處理后的熱像圖

圖13 經(jīng)過融合TSR和SRG處理后的熱像圖

為了客觀地衡量不同算法的提取效果，采用F-score定量評價檢測結(jié)果。由圖7可知，單面可觀測缺陷個數(shù)為10，和PPT、PCA算法相比，文中提出算法的F-score值高于20%。不同算法的檢測結(jié)果獲得的F-score值如表2所示。

表2 不同算法檢測結(jié)果獲得的F-score值

4 結(jié)語

利用光激勵紅外熱成像系統(tǒng)對復(fù)合材料脫粘缺陷進行檢測具有檢出率低的缺點，筆者提出的融合熱圖重構(gòu)的區(qū)域生長算法能夠挖掘出隱藏的缺陷信息，并且能提高缺陷區(qū)域與非缺陷區(qū)域的對比度。傳統(tǒng)的特征提取算法對微缺陷的檢測能力低于文中提出的算法。通過基于事件的F-score值能定量評估不同算法的處理結(jié)果的優(yōu)劣。

[1] 周正干,孫廣開,李洋. 先進無損檢測技術(shù)在復(fù)合材料缺陷檢測中的應(yīng)用[J]. 航空制造技術(shù),2016(4):30-35.

[2] 危荃, 金翠娥, 周建平, 等.空氣耦合超聲技術(shù)在航空航天復(fù)合材料無損檢測中的應(yīng)用[J]. 無損檢測, 2016, 38(8): 6-11.

[3] 汪星明, 郭耀紅, 朱慶友, 等. 復(fù)合材料無損檢測研究進展[J]. 玻璃鋼/復(fù)合材料, 2012(S1): 261-265.

[4] 黃松嶺, 李路明. 復(fù)合材料膠接缺陷的紅外熱像檢測[J]. 宇航材料工藝, 2002, 32(6): 43-46.

[5] 郭偉,董麗虹，徐濱士，等.主動紅外熱像無損檢測技術(shù)的研究現(xiàn)狀與進展[J]. 無損檢測， 2016,38(4)：58-66.

[6] 林鑫，劉哲軍，葛麗，等.復(fù)合材料粘接結(jié)構(gòu)紅外鎖相熱像法檢測[J].無損檢測， 2017, 39(1): 49-51.

[7] FERNANDES, HENRIQUE. Carbon fiber composites inspection and defect characterization using active infrared thermography: numerical simulations and experimental results[J].Applied Optics，2016，34 : 46-53.

[8] POUDEL, ANISH. Non-destructive evaluation of composite repairs by using infrared thermography[J]. Journal of Composite Materials,2016,50: 351-363.

[9] 郭興旺, 董淑琴. 基于小波變換的紅外熱波無損檢測融合算法[J].光學(xué)技術(shù),2008,34(5):659-663.

[10] 何煒,張存林. 紅外熱成像和光鎖相熱成像用于無損檢測中的實驗研究[D]. 北京：首都師范大學(xué), 2009.

[11] 劉濤, 李永峰，黃威.BP神經(jīng)網(wǎng)絡(luò)在紅外熱波無損檢測定量識別中的應(yīng)用[J]. 紅外與激光工程, 2012(9): 2304-2310.

[12] RAJIC, NIKOLAS. Principal component thermography for flaw contrast enhancement and flaw depth characterisation in composite structures[J].Composite Structures ,2002,58: 521-528.

[13] LIANG T，Ren W，TIAN G Y,et al. Low energy impact damage detection in CFRP using eddy current pulsed thermography[J]. Composite Structures,2016,143: 352-361.

[14] SRIPRAGASH, LETCHUMAN, MANNUR J.A normalization procedure for pulse thermographic nondestructive evaluation[J]. NDT & E International, 2016,83: 14-23.

[15] HYVARINEN, AAPO, ERKKI O. Independent component analysis: algorithms and applications[J]. Neural Networks,2000,13: 411-430.

[16] SWITA R. Cluster segmentation of thermal image sequences using kd-tree structure[J]. International Journal of Thermophysics, 2014, 35(12):2374-2387.

[17] MALDAGUE, XAVIER, SERGIO M.Pulse phase infrared thermography[J]. Journal of Applied Physics, 1996,79: 2694-2698.

[18] BENMOUSSAT. Automatic metal parts inspection: use of thermographic images and anomaly detection algorithms[J]. Infrared Physics and Technology ,2013,61: 68-80.

DebondingDefectDetectionofCFRPBasedonThermalSignalReconstructedRegionGrowingAlgorithm

FENG Qizhi1, GAO Bin1, YANG Yang2, TIAN Guiyun1,3

(1.School of Automation Engineering, University of Electronic Science and Technology, Chengdu 610000, China;2.China Aviation Industry Chengdu Aircraft Industry (Group) Co., Ltd., Chengdu 610000, China;3.College of Electrical, Electronic and Computer Engineering, University of Newcastle, Newcastle UEI7RU, UK)

In this paper, the fusion of seeded region growing and thermal signal reconstruction algorithm has been proposed to solve the problem of low resolution of defect detection. The algorithm can significantly enhance the contrast ration between defects and sound areas, and realize the accurate positioning of defects. In order to objectively and quantitatively evaluate the detection performance of different algorithms, the event based F-score is computed to measure the detection results.

optical pulsed thermography; carbon fiber reinforced composite; debonding; seeded region growing

TG115.28

： A

：1000-6656(2017)09-0029-06

2017-01-07

四川省科技支撐計劃資助項目(2016GZ0185)；國家自然科學(xué)基金資助項目(51377015,61401071，61527803)；NSAF聯(lián)合基金資助項目(U1430115)；中央高校基本業(yè)務(wù)費資助項目(ZYGX2014J068)；中國博士后科學(xué)基金資助項目(136413)

馮琪智(1993-)，女，碩士研究生，主要研究方向為復(fù)合材料無損檢測

高 斌(1983-)，男，教授，主要研究方向為無損檢測與機器學(xué)習，bin_gao@uestc.edu.cn

10.11973/wsjc201709007