GFRP層壓板脫黏缺陷的紅外脈沖熱波成像檢測

鐘佳岑, 徐浩軍, 魏小龍, 韓欣珉, 常怡鵬

(空軍工程大學航空工程學院，西安，710038)

玻璃纖維增強塑料(glass fiber reinforced plastic, GFRP)在航空航天飛行器制造領域的應用已經十分廣泛，采用GFRP制備的層壓板由于重量輕、強度高和耐腐蝕等特點，廣泛應用于飛機的雷達罩、進氣道和機翼前緣[1-2]。由于GFRP層壓板結構和制備工藝上的特殊性，其在制造和服役過程中極易產生脫黏缺陷[3]。當GFRP層壓板發(fā)生明顯脫黏時，無法通過肉眼從層壓板表面判斷其內部缺陷狀態(tài)，同時，由于需要在外場檢測中快速識別出缺陷，而傳統(tǒng)無損檢測技術(如超聲、射線檢測等)難以滿足外場技術保障要求[4]。GFRP層壓板脫黏的本質是層間膠接界面結合失效，紅外脈沖熱波成像檢測技術對該類缺陷具有較好的檢測能力[5]，其原理如圖1所示：以閃光燈產生的瞬時高能熱流加熱試樣表面，熱量傳遞至脫黏區(qū)時，由于脫黏區(qū)形成的空氣隙阻隔了熱傳導，致使熱傳導速率變慢，熱量在空氣隙上方發(fā)生堆積，引起脫黏區(qū)對應試樣表面溫度場異常，采用紅外熱像儀實時記錄試樣表面熱異常區(qū)變化過程，從而檢測和識別試樣脫黏缺陷。由于紅外脈沖熱波成像檢測技術具有非接觸、檢測速度快、效率高、適合在線檢測等突出優(yōu)勢[6]，近年來，該技術在復合材料無損檢測應用方面的發(fā)展十分迅速[7]。

圖1 紅外脈沖熱波成像檢測原理

提高表面熱圖中缺陷區(qū)和非缺陷區(qū)的對比度是識別GFRP層壓板脫黏缺陷的關鍵手段[8]。紅外脈沖熱波成像檢測技術發(fā)展初期，由于熱波圖像序列處理難度較大，要直接通過熱像儀采集的原始熱圖識別缺陷，研究人員主要關注熱激勵方式、材料熱物理參數(shù)、缺陷參數(shù)和檢測參數(shù)等對試樣表面熱響應的影響[9]。Fernando Lopez[10]等認為，對于脫黏缺陷，缺陷的可檢測性與缺陷參數(shù)、材料的物性參數(shù)和檢測參數(shù)均有關系，而其中影響最大的是缺陷深度和熱像儀采集頻率。隨著熱波圖像序列處理技術的迅速發(fā)展，通過從原始熱圖序列中提取的各種特征信息對圖像序列進行重構，極大地提高了缺陷區(qū)和非缺陷區(qū)的對比度[11]。從原始熱圖序列中提取表面熱信號特征信息以重構熱圖，即提高圖像對比度和信噪比，使缺陷邊緣輪廓更加清晰，能更加有效地識別缺陷邊緣的幾何特征，因此，近年來，熱波圖像序列處理算法成為了紅外脈沖熱波成像檢測技術的研究熱點[12]。如圖2所示，對熱圖序列進行重構主要有2種基本方法，一是對熱圖序列中每個像素點所對應溫度隨時間變化的表面熱信號進行處理，即提取表面熱信號的時域特征和頻域特征進行熱圖重構。熱信號重構(thermography signal reconstruction, TSR)[13]是利用時域特征對熱圖進行重構最典型的算法；基于頻譜細化的復調制Zoom-FFT[14]是利用頻域特征對熱圖進行重構最特殊的方法；二是將熱圖序列中單幀熱圖作為一個數(shù)據(jù)單元進行處理，其中最典型的方法是獨立分量分析(independent component analysis，ICA)[15-16]和主分量分析(principal component analysis，PCA)[16-17]。

圖2 熱圖序列重構處理流程

目前，上述TSR、ICA和PCA算法在不同類型缺陷檢測中均取得了較為理想的結果，2017年李曉青[18]采用量化準確率評估指標F-Score參數(shù)定量評估了TSR、ICA和PCA等熱圖重構算法在材料表面裂紋檢測中的效果，研究表明：ICA算法對材料表面裂紋的檢測效果最好。重構算法已經成為影響檢測結果的關鍵因素，然而針對GFRP層壓板脫黏缺陷識別問題，將上述4種熱圖重構算法進行對比并通過結合以充分挖掘熱圖序列在空間、時間上的異常信息來實現(xiàn)分離并強化缺陷信息的研究仍較少。

本文研究了閃光燈激勵下GFRP層壓板脫黏區(qū)的表面熱信號瞬態(tài)響應規(guī)律和原始熱圖序列變化過程，采用標準化對比度(normalized contrast，NC)和信噪比(signal-noise ratio, SNR)對TSR、Zoom-FFT、ICA和PCA重構熱圖序列進行對比評價，最終獲得了一種能夠顯著提高GFRP層壓板脫黏缺陷定量識別能力的方法。

1 試驗方法與過程

由于制備GFRP層壓板自然脫黏的試樣十分困難，因此在試驗研究中采用人工脫黏缺陷代替自然脫黏缺陷。試驗過程中采用低樹脂密度玻璃纖維增強塑料制備的層壓板，長355 mm，寬190 mm，高3 mm，在GFRP層壓板中制備了15個不同形狀、深度、尺寸的人工脫黏缺陷，如圖3所示。為了方便表述，將15個缺陷命名為A1、A2、A3、A4、A5、B1、B2、B3、B4、B5、C1、C2、C3、C4、C5，其中A、B、C分別表示缺陷深度為0.5 mm、1.0 mm、1.5 mm，人工脫黏缺陷的空氣隙厚度均為0.5 mm。

圖3 含脫黏缺陷的GFRP層壓板示意圖

采用的紅外脈沖熱波成像檢測工作站如圖4所示，主要包括2個ThermPusle C6100型高能閃光燈，一個非制冷焦平面紅外熱像儀以及數(shù)據(jù)采集、處理系統(tǒng)。采用閃光燈對試樣表面進行脈沖激勵，2個閃光燈單次脈沖輸出能量為0～6 kJ，閃光脈沖寬度為1～50 ms。采用紅外熱像儀采集試樣表面熱圖，其熱靈敏度：≤0.045 ℃；光譜響應范圍：8～14 μm；空間分辨率：300×400，單幀熱圖最高采集頻率：100 Hz。試驗時，熱像儀從脈沖激勵結束后采集試樣表面熱圖，持續(xù)采集40 s直至熱圖中缺陷信號消失。

圖4 紅外脈沖熱波成像檢測工作站

2 層壓板表面熱信號瞬態(tài)響應過程及熱圖序列預處理

2.1 層壓板表面熱信號瞬態(tài)響應

試驗過程中，熱像儀共采集256幀熱圖，試驗結束后，提取熱像儀采集的熱圖序列并對其進行處理。圖5為256幀熱圖序列中的部分原始熱圖。

圖5 脈沖激勵結束后不同時刻試樣表面熱圖

由圖所示，在脈沖激勵結束后，不同深度的脫黏缺陷由弱到強逐漸顯示在表面熱圖中，其中缺陷A1～A5和B1～B5最早出現(xiàn)在原始熱圖中，在第32幀缺陷顯示最清晰，可以清楚識別深度為0.5 mm和1.0 mm的10個缺陷，而深度為1.5 mm的缺陷C1～C5顯示較模糊。從第32幀之后，隨著降溫過程進行，缺陷C1～C5逐漸顯示在表面熱圖中，但缺陷特征較弱，A1～A5位置處的缺陷特征逐漸變弱直至消失。

圖6為降溫過程中，原始熱圖序列中不同深度的缺陷A2、B2、C2的中心點與非缺陷區(qū)任意一點對應的試樣表面熱信號變化趨勢。由圖所示，脈沖激勵后不同深度的缺陷區(qū)和非缺陷區(qū)熱信號衰減速率不同，相比非缺陷區(qū)，缺陷區(qū)熱信號衰減速率更慢，且缺陷深度越深，熱信號衰減速率越慢，最終缺陷區(qū)熱信號衰減到與非缺陷區(qū)熱信號相當。

圖6 表面熱信號變化

2.2 熱圖序列預處理

由于熱像儀采集的原始熱圖序列中包含大量噪聲，同時為了消除紅外鏡頭反射影響以及背景本身亮或暗區(qū)域影響，因此從采集的256幀熱圖序列中減去背景熱圖，將相減的結果作為原始熱圖序列進入后處理過程，進行熱波特征提取和分析。圖7為了減去背景熱圖的效果；圖7(a)為脈沖激勵開始前，試樣在環(huán)境溫度下的背景熱圖；圖7(b)為采集的熱圖序列中第32幀熱圖；圖7(c)為圖7(b)減圖7(a)的結果。由圖所示，減背景處理后熱圖整體質量更加清晰，熱圖整體噪聲明顯降低，而且熱圖中缺陷也更加清晰，然而，減背景后的熱圖中缺陷C1～C5仍然較模糊。下文中所有試驗涉及的原始熱圖序列，均指從閃光燈激勵結束時刻開始采集的256幀熱圖減背景后的熱圖序列。

圖7 原始熱圖減背景熱圖的結果

3 熱圖重構及重構效果定量評價

采用TSR、Zoom-FFT、ICA和PCA分別對原始熱圖序列進行特征提取和重構。為了對熱圖序列重構效果進行定量評價，采用2種客觀評價指標：信噪比SNR和標準化對比度NC對原始熱圖和重構熱圖進行對比評價。

1)信噪比的計算方法[19]：

(1)

圖8 缺陷區(qū)與非缺陷區(qū)選擇

2)標準化對比度的計算方法[20]：

(2)

3.1 TSR重構表面熱圖序列

TSR算法將原始熱圖序列中每一像素點對應熱信號隨時間變化曲線變換到對數(shù)域中，使用對數(shù)多項式近似擬合熱信號在對數(shù)域上隨時間的演變，并計算其一階導，采用一階導對熱圖序列進行重構。圖9為TSR重構熱圖序列的標準化對比度和信噪比結果。由圖9(a)所示，重構熱圖序列的標準化對比度總體高于原始熱圖序列，隨著降溫過程進行，在約第192幀之后，標準化對比度迅速減小；由圖9(b)所示，在第128幀之前，重構熱圖序列的信噪比略低于原始熱圖序列，在第128幀之后，重構熱圖序列的信噪比高于原始熱圖序列。

圖9 TSR重構熱圖序列結果

3.2 Zoom-FFT重構表面熱圖序列

復調制Zoom-FFT算法基于頻譜細化的思想，通過對缺陷信號的局部頻帶進行細化放大，使局部頻帶獲得較高的頻率分辨率，以此對缺陷信號進行精確估計。圖10為第1頻率分量對應相位重構熱圖序列的標準化對比度和信噪比結果。由圖10(a)所示，重構熱圖序列的標準化對比度整體高于原始熱圖序列，受缺陷區(qū)與非缺陷區(qū)相位差的影響，重構熱圖序列的標準化對比度穩(wěn)定性較差；由圖10(b)所示，第64幀之前，重構熱圖序列的信噪比略低于原始熱圖序列，第64幀之后，重構熱圖序列的信噪比高于原始熱圖序列。

圖10 Zoom-FFT重構熱圖序列結果

3.3 ICA重構表面熱圖序列

獨立分量分析基于盲源分離理論，通過一定的判決準則對混疊矩陣進行尋優(yōu)計算，最后將樣本數(shù)據(jù)在解混矩陣方向投影，以此將原始熱信號從混合信號中分離出來。本文采用最大負熵作為判決準則對混合信號進行解混，以G=y3作為判別準則中的非線性函數(shù)，相比G=tanh (y)等函數(shù)，加快運算速度的同時提高了ICA算法解混精度。

圖11為ICA重構熱圖序列的標準化對比度和信噪比結果，由圖11(a)所示，重構熱圖序列的標準化對比度曲線趨于水平且略高于原始熱圖序列；由圖11(b)所示，重構熱圖序列的信噪比呈現(xiàn)先增大后減小的趨勢，且整體高于原始熱圖序列。

圖11 ICA重構熱圖序列結果

3.4 PCA重構表面熱圖序列

主分量分析基于數(shù)據(jù)降維的思想，不同主分量對應降溫過程中不同時間范圍的熱圖特征，提取最能代表缺陷特征的主分量對熱圖序列進行重構，以達到增強缺陷顯示效果的目的。

表1為前6個主分量的貢獻率，而其余主分量代表噪聲信息，因此未進行展示。選取代表缺陷特征的前6個主分量對熱圖序列進行重構并與另外3種熱圖重構算法進行對比。圖12為前6個主分量重構熱圖序列中標準化對比度最高的一張。

表1 不同主分量的貢獻率

由圖12所示，在各主分量重構熱圖中，缺陷C1～C5與非缺陷區(qū)對比度較弱，缺陷細節(jié)特征較模糊。

圖12 前6個主分量重構熱圖對比

圖13為前6個主分量重構熱圖序列的標準化對比度和信噪比結果。由圖13(a)所示，重構熱圖序列的標準化對比度變化趨勢與原始熱圖序列相似，且整體高于原始熱圖序列，隨著降溫過程進行，在第160幀之后迅速減小到與原始熱圖序列相當；由圖13(b)所示，重構熱圖序列的信噪比整體高于原始熱圖序列，但其波動較大，原因在于現(xiàn)實過程中受噪聲和外界干擾等因素的影響，使部分熱信號為一混疊信號，不同時間段的噪聲成分在混疊信號中所占權重有差異，各混疊成分相互獨立且無法通過協(xié)方差矩陣的特征向量對噪聲成分進行有效分離，進行熱圖序列重構后，在權重系數(shù)較低的時間段其信噪比較高；而在權重系數(shù)較高的時間段其信噪比較低。

圖13 前6個主分量重構熱圖序列結果

綜上所述，TSR重構熱圖序列的標準化對比度先逐漸增大，隨著降溫過程進行又迅速減小，且整體高于原始熱圖序列；Zoom-FFT重構熱圖序列的標準化對比度整體高于原始熱圖序列，但穩(wěn)定性較差；ICA重構熱圖序列的標準化對比度趨于平穩(wěn)且略高于原始熱圖序列；PCA重構熱圖序列的標準化對比度整體高于原始熱圖序列。這說明，4種重構熱圖中缺陷區(qū)與非缺陷區(qū)的對比度均有所提高，對于缺陷的定量識別具有積極意義。

在降溫初期，TSR和Zoom-FFT重構熱圖序列的信噪比小于原始熱圖序列，而后大于原始熱圖序列；ICA和PCA重構熱圖序列的信噪比整體大于原始熱圖序列。說明4種重構算法均對熱圖噪聲有抑制作用，其中以PCA對熱圖噪聲的抑制最為顯著。

4 基于TSR增強的PCA重構表面熱圖序列

對比上述4種熱圖重構算法，其中TSR和Zoom-FFT通過提取表面熱信號瞬態(tài)響應以重構熱圖，相比Zoom-FFT，TSR對提高熱圖缺陷區(qū)與非缺陷區(qū)對比度最為顯著，但加大了熱信號的非線性混疊程度；ICA能對線性混疊信號進行解混，但對非線性混疊信號解混存在一定局限性；PCA雖不能通過協(xié)方差矩陣的特征向量對混疊信號進行分離，但能從不相關混疊信號中提取盡可能多的不同時間范圍的缺陷信息以此挖掘并強化缺陷信息。因此，為了提高GFRP層壓板脫黏缺陷定量識別能力，本文提出基于TSR增強的PCA算法，通過提取TSR重構熱圖序列的主分量進行熱圖重構。

圖14為重構熱圖序列的標準化對比度和信噪比結果，展示了部分原始熱圖與重構熱圖。

圖14 基于TSR增強的PCA重構熱圖序列結果

由圖14(a)所示，在160～192幀重構熱圖中，深度為1.0 mm和1.5 mm的缺陷區(qū)與非缺陷區(qū)對比度顯著提高；由圖14(b)所示，160幀之后重構熱圖序列的噪聲水平略有下降，但重構熱圖序列整體噪聲水平并未得到較大改善，原因在于TSR雖去除了加熱不均噪聲，但加大了熱信號的非線性混疊程度，使得大量噪聲難以分離。

由圖15所示，與原始熱圖相比，重構熱圖中缺陷顯現(xiàn)有所延后，該算法有效抑制了加熱不均和缺陷邊緣模糊，提高了深度為0.5 mm、1.0 mm、1.5 mm的缺陷區(qū)與非缺陷區(qū)對比度。說明該算法能顯著提高GFRP層壓板不同深度脫黏缺陷定量識別能力。

圖15 原始熱圖與重構熱圖

5 結論

1)采用紅外脈沖熱波成像檢測技術對GFRP層壓板脫黏缺陷進行檢測，采集了閃光燈激勵下人工脫黏缺陷試樣表面的原始熱圖序列，采用TSR、Zoom-FFT、ICA和PCA 4種重構算法對原始熱圖序列進行重構，并利用信噪比和標準化對比度2個指標對原始熱圖序列和4種重構熱圖序列進行對比評價。

2)對于不同深度的脫黏缺陷，從原始熱圖序列中均可識別深度為0.5 mm和1.0 mm的脫黏缺陷，而深度為1.5 mm的缺陷較為模糊。采用TSR、Zoom-FFT、ICA和PCA 4種熱圖重構算法對原始熱圖序列進行重構，重構熱圖中缺陷區(qū)與非缺陷區(qū)對比度均有所提高。

3)與原始熱圖序列相比，重構熱圖序列的標準化對比度和信噪比均有所提高，其中以TSR重構熱圖中缺陷區(qū)與非缺陷區(qū)對比度提高最為明顯，PCA對熱圖噪聲的抑制效果最佳。

4)對比4種熱圖重構算法，提出了基于TSR增強的PCA算法，該算法能夠有效提取缺陷特征，抑制加熱不均和缺陷邊緣模糊，提高不同深度的缺陷區(qū)與非缺陷區(qū)對比度。