基于紅外圖像處理技術(shù)的建筑外窗缺陷面積計(jì)算研究

張玲玲，許 廒，張繼冉，任攀攀，丁立斌，魏代曉

基于紅外圖像處理技術(shù)的建筑外窗缺陷面積計(jì)算研究

張玲玲1，許 廒2，張繼冉1，任攀攀1，丁立斌1，魏代曉3

（1. 煙臺(tái)大學(xué) 建筑學(xué)院，山東 煙臺(tái) 264005；2. 中鐵建工集團(tuán)第二建設(shè)有限公司，山東 青島 266112；3. 煙臺(tái)市建筑設(shè)計(jì)研究股份有限公司，山東 煙臺(tái) 264005）

將紅外熱成像與圖像處理技術(shù)結(jié)合應(yīng)用于建筑外窗缺陷的檢測(cè)，提出一種外窗缺陷檢測(cè)和面積計(jì)算方法。通過外窗缺陷檢測(cè)實(shí)驗(yàn)，利用壓差法進(jìn)行外窗空氣滲透檢測(cè)，求出滲透的缺陷面積。將紅外熱成像儀采集的外窗紅外圖像進(jìn)行圖像的預(yù)處理、外窗缺陷的檢測(cè)以及檢測(cè)后的面積計(jì)算，并建立外窗缺陷紅外圖像檢測(cè)模型。結(jié)果表明：利用加權(quán)平均法進(jìn)行灰度化處理，中值濾波進(jìn)行降噪處理、圖像銳化和直方圖均衡化進(jìn)行圖像增強(qiáng)處理，處理效果明顯，可作為外窗紅外圖像的預(yù)處理方式；Roberts算法對(duì)預(yù)處理后外窗紅外圖像的檢測(cè)與實(shí)驗(yàn)值差異最小，檢測(cè)信息更接近實(shí)際缺陷位置；將處理方法和檢測(cè)模型與建筑整體氣密性檢測(cè)結(jié)合，能夠在現(xiàn)場(chǎng)對(duì)外窗氣密性能等級(jí)進(jìn)行初步判定。

外窗缺陷；面積計(jì)算；紅外熱成像；圖像處理

0 引言

面對(duì)全球氣候環(huán)境挑戰(zhàn)，中國正努力實(shí)現(xiàn)2030年前碳達(dá)峰，2060年前碳中和的目標(biāo)，建筑能耗作為全球能源消耗的主要部分，隨著節(jié)能減排工作的不斷推進(jìn)，建筑節(jié)能成為一個(gè)長(zhǎng)期發(fā)展的目標(biāo)，對(duì)于作為建筑圍護(hù)結(jié)構(gòu)薄弱環(huán)節(jié)的門窗而言，門窗能耗占建筑能耗很大的比例，約占外墻總能耗的50%，窗戶氣密性能的降低，會(huì)導(dǎo)致建筑能耗增加和舒適度降低的問題[1-2]。提升外窗的氣密性能并減少外窗的耗能將會(huì)是提高建筑節(jié)能的重要途徑之一。對(duì)于外窗的氣密性能檢測(cè)，目前的檢測(cè)手段主要在實(shí)驗(yàn)室內(nèi)通過靜壓箱法進(jìn)行，將試件安裝在測(cè)試設(shè)備上，測(cè)出通過試件的空氣滲透量，確定其氣密性能等級(jí)并出具檢測(cè)報(bào)告[3]。此方法無法檢出產(chǎn)品存在缺陷的位置，不利于不合格產(chǎn)品的修補(bǔ)。同時(shí)因?qū)嶒?yàn)設(shè)備和環(huán)境的制約，檢測(cè)需要在實(shí)驗(yàn)室進(jìn)行，導(dǎo)致在建筑外窗安裝前，檢測(cè)數(shù)量龐多的外窗需采用抽樣檢測(cè)的方法，將樣品送往實(shí)驗(yàn)室，通過靜壓箱法判定是滿足相應(yīng)的等級(jí)。對(duì)于安裝在建筑的全部外窗，抽樣檢測(cè)的方法無法一一判定外窗的氣密性等級(jí)是否達(dá)標(biāo)[4-5]。目前雖已存在對(duì)外窗氣密性能進(jìn)行現(xiàn)場(chǎng)檢測(cè)的設(shè)備，但需要將設(shè)備安裝在建筑外窗上，若對(duì)建筑中的外窗逐一進(jìn)行氣密性能現(xiàn)場(chǎng)檢測(cè)，操作復(fù)雜且耗用大量時(shí)間，實(shí)際工程沒有廣泛開展，往往忽略了安裝后對(duì)外窗的氣密性檢測(cè)。在建筑的使用過程中，因建筑沉降、環(huán)境影響、人為因素導(dǎo)致的外窗變形，缺陷會(huì)逐漸增多[6]。對(duì)于安裝后的外窗，靜壓箱法已無法適用，現(xiàn)場(chǎng)檢測(cè)一般利用發(fā)煙筆或用手直接感受的方式尋找缺陷位置[7-8]，然而對(duì)于缺陷的準(zhǔn)確定位相對(duì)困難。實(shí)驗(yàn)室檢測(cè)和現(xiàn)場(chǎng)檢測(cè)，無法便捷和準(zhǔn)確地檢測(cè)出外窗缺陷的位置，不僅限制了外窗在生產(chǎn)和施工過程中生產(chǎn)工藝和安裝水平的提高，不利于缺陷的修補(bǔ)和氣密性能等級(jí)的提升，影響建筑能耗和室內(nèi)舒適度，也導(dǎo)致缺陷面積無法計(jì)算，使外窗能耗的量化分析存在困難。

紅外線熱成像儀利用探測(cè)器和熱成像系統(tǒng)，接收從物質(zhì)表面發(fā)出的紅外線，再通過熱成像儀的接收器把熱信號(hào)處理轉(zhuǎn)換成圖像信號(hào)。人類的肉眼無法直接對(duì)物質(zhì)內(nèi)的溫度變化做出觀測(cè)與辨認(rèn)，但近紅外熱成像技術(shù)可以協(xié)助人類在視覺上達(dá)到直接觀測(cè)溫度變化的目標(biāo)[9-10]。對(duì)于建筑的外窗而言，普通數(shù)碼圖像無法識(shí)別外窗缺陷，考慮外窗缺陷處溫度的異常的特點(diǎn)[11]，選用紅外熱成像儀進(jìn)行拍攝。同時(shí)，對(duì)于圖像處理的研究已經(jīng)有了豐富的成果[12-14]，利用圖像處理技術(shù)可以將圖像中內(nèi)部的邊界利用計(jì)算機(jī)手段進(jìn)行檢測(cè)[15-16]，在建筑與土木領(lǐng)域，已經(jīng)存在利用圖像處理技術(shù)對(duì)建筑輪廓提取、建筑損壞、墻體裂縫等檢測(cè)的研究[17-19]。對(duì)于紅外圖像處理技術(shù)，國內(nèi)外諸多學(xué)者利用紅外熱成像對(duì)建筑墻體的空鼓、損傷、滲漏等進(jìn)行無損檢測(cè)[20-22]，通過圖像中顏色變化代表的溫度異常，結(jié)合圖像處理技術(shù)改善紅外圖像質(zhì)量，對(duì)目標(biāo)缺陷進(jìn)行識(shí)別的同時(shí)提高檢測(cè)的準(zhǔn)確性[23-24]。紅外圖像處理技術(shù)已經(jīng)被廣泛使用在建筑行業(yè)[25-26]，但此項(xiàng)技術(shù)在建筑外窗檢測(cè)中的研究較少，其高效、快速、便捷、無損等特點(diǎn)能夠?yàn)橥獯叭毕莸默F(xiàn)場(chǎng)檢測(cè)提供便利。

本文提出一種基于紅外圖像處理技術(shù)的建筑外窗缺陷檢測(cè)的方法，以某建筑的外窗為例，利用壓差法進(jìn)行建筑外窗氣密性能的現(xiàn)場(chǎng)實(shí)驗(yàn)，并利用紅外熱成像儀對(duì)建筑外窗進(jìn)行紅外圖片的采集，利用圖像處理技術(shù)，對(duì)采集的圖像進(jìn)行一系列預(yù)處理，針對(duì)紅外圖像中的異常區(qū)域?qū)ν獯叭毕葸M(jìn)行檢測(cè)，并進(jìn)行缺陷的面積計(jì)算和模型建立。為建筑外窗缺陷檢測(cè)和外窗缺陷的面積計(jì)算提供一種新的途徑，改善建筑外窗在實(shí)驗(yàn)室和現(xiàn)場(chǎng)檢測(cè)中無法快速、準(zhǔn)確地定位缺陷位置的問題，給外窗能耗的量化分析提供了條件。

1 建筑外窗缺陷檢測(cè)實(shí)驗(yàn)

建筑外窗缺陷檢測(cè)，采用美國The Energy Conservatory公司DG700型測(cè)試系統(tǒng)進(jìn)行壓差法（“鼓風(fēng)門”）實(shí)驗(yàn)，并利用瑞典FLIR SYSTEMS AB公司FLIR B200紅外熱成像儀對(duì)外窗進(jìn)行紅外圖像的采集。

1.1 外窗空氣滲透檢測(cè)

對(duì)于外窗施工的缺陷檢測(cè)，應(yīng)在建筑施工過程中的門窗安裝后盡早進(jìn)行，以便找出外窗缺陷進(jìn)行補(bǔ)漏工作；對(duì)運(yùn)行階段建筑而言，進(jìn)行外窗缺陷檢測(cè)，發(fā)現(xiàn)外窗缺陷并修補(bǔ)，可以提高室內(nèi)舒適度。同時(shí)在檢測(cè)過程中，測(cè)出建筑整體氣密性的數(shù)值，有利于建筑整體滲漏的修補(bǔ)以及整體氣密性能的評(píng)價(jià)[27]。

DG700型測(cè)試系統(tǒng)包括密封與壓力調(diào)節(jié)、數(shù)據(jù)采集、TECTITE數(shù)據(jù)分析3部分。通過密封與壓力調(diào)節(jié)系統(tǒng)對(duì)房間向內(nèi)或向外鼓風(fēng)，形成室內(nèi)外壓差，從而形成空氣的流動(dòng)，求出空氣滲透量、房屋自然滲透率、滲漏面積等參數(shù)[28]。測(cè)試系統(tǒng)建立后，按照壓差法實(shí)驗(yàn)的相應(yīng)操作，進(jìn)行房間整體的氣密性測(cè)試；然后利用聚氯乙烯薄膜對(duì)待測(cè)外窗內(nèi)部包裹，完成封堵后的氣密性測(cè)試；對(duì)封堵前后實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)計(jì)算出差值，得到待測(cè)外窗的滲漏面積。

1.2 外窗紅外圖像的采集

圖1為紅外熱成像儀采集建筑外窗圖像的原理圖，儀器的視場(chǎng)角×決定了紅外熱成像儀的范圍，因此需要調(diào)整紅外熱成像儀的位置進(jìn)行圖像采集。將紅外熱成像儀通過三腳架放置在合適的位置處，水平拍攝建筑外窗，并使建筑外窗完全顯示在熱成像儀屏幕內(nèi)。為了減少環(huán)境因素對(duì)檢測(cè)結(jié)果的影響，拍攝選擇在陰天或傍晚的無風(fēng)少塵的環(huán)境進(jìn)行。

采集過程中在外窗空氣滲透檢測(cè)實(shí)驗(yàn)后進(jìn)行。DG700型測(cè)試系統(tǒng)測(cè)試出的滲漏區(qū)域數(shù)值分別是在10Pa條件下的等效滲漏面積（equivalent infiltration area, 以下簡(jiǎn)稱EqLA）和4Pa條件下的有效滲漏面積（effective infiltration area, 以下簡(jiǎn)稱ELA），The Energy Conservatory公司通過計(jì)算和驗(yàn)證得出測(cè)試系統(tǒng)在10Pa狀態(tài)下的EqLA更符合建筑物氣密性的物理變化結(jié)論，因此采集外窗紅外圖像時(shí)，設(shè)定風(fēng)機(jī)的運(yùn)行狀態(tài)也維持室內(nèi)外10Pa的壓差環(huán)境下，使紅外熱成像儀拍攝的外窗滲漏狀態(tài)與空氣滲透的實(shí)驗(yàn)EqLA狀態(tài)保持一致，后續(xù)經(jīng)外窗紅外圖像處理后的面積計(jì)算結(jié)果與EqLA實(shí)驗(yàn)值比較，確定外窗紅外圖像處理方式，從而實(shí)現(xiàn)外窗缺陷的判定和面積計(jì)算。

1. Thermal imager; 2. Tripod; 3. Building wall; 4. Building windows

2 建筑外窗紅外圖像處理

紅外圖像沒有立體感覺，對(duì)肉眼而言分辨較差，利用計(jì)算機(jī)處理手段對(duì)紅外圖像進(jìn)行處理可以解決肉眼分辨較差的問題，處理后的圖片能夠直觀反映相關(guān)的圖像信息。建筑外窗紅外圖像處理包括紅外圖像的預(yù)處理、外窗缺陷的檢測(cè)以及檢測(cè)后的面積計(jì)算。

2.1 紅外圖像預(yù)處理

對(duì)紅外圖像進(jìn)行灰度化處理，利用灰度值來代替紅外圖像的色彩值，灰度化處理往往也是處理RGB圖像的首個(gè)環(huán)節(jié)。本文通過分量法與加權(quán)平均法分別對(duì)外窗紅外圖像進(jìn)行灰度化處理，并生成能夠表現(xiàn)灰度分布特征的灰度直方圖。分量法是將圖像轉(zhuǎn)化為R、G、B三種灰度類型的圖像，可根據(jù)3個(gè)圖像的灰度值特點(diǎn)和圖像的應(yīng)用特點(diǎn)選擇不同分量的圖像。加權(quán)平均法是將R、G、B三個(gè)分量的圖像進(jìn)行加權(quán)取平均，獲得敏感度高的灰度圖像。將分量法生成的R、G、B圖像直方圖和加權(quán)平均法生成的圖像直方圖進(jìn)行對(duì)比，選取四張灰度化后區(qū)分更明顯的圖像進(jìn)行后續(xù)處理。

在紅外熱成像采集過程中，因采集環(huán)境中溫度、濕度等影響以及熱成像儀內(nèi)部光學(xué)元件，會(huì)造成的圖像存在噪聲問題。圖像中的噪聲呈現(xiàn)出孤立的像素點(diǎn)、塊，作為干擾信息影響圖像的品質(zhì)。因此在圖像處理時(shí)需要對(duì)圖像進(jìn)行降噪處理，但在后續(xù)對(duì)外窗的紅外圖像進(jìn)行缺陷測(cè)試時(shí)，還要保證圖像中的邊緣信息不能在降噪過程中被作為噪聲去除。中值濾波采用領(lǐng)域圖像中值進(jìn)行全像素輸出，通過噪聲處理能夠減少孤立的像素點(diǎn)，并且還可以保存領(lǐng)域圖像中的所有細(xì)節(jié)信息，符合后續(xù)缺陷檢測(cè)的處理需求，本文對(duì)外窗紅外圖像處理中降噪處理使用了中值濾波的處理方法。

圖像進(jìn)行降噪處理對(duì)圖像信息產(chǎn)生一定的濾除影響，在后續(xù)的紅外圖像處理中不利于缺陷的檢測(cè)識(shí)別，因此須對(duì)降噪后的圖像信息進(jìn)行增強(qiáng)處理。直方圖均衡化可以達(dá)到均勻分布直方圖的效果，擴(kuò)大了灰度分布區(qū)域，增加了圖像整體的對(duì)比度，進(jìn)而使圖像更加清晰。圖像銳化技術(shù)可以突出圖像細(xì)節(jié)，并增強(qiáng)圖像經(jīng)過濾波處理后的輪廓和邊緣等信息。采取直方圖均衡化以及圖像銳化兩個(gè)方法，對(duì)中值濾波處理后的圖像進(jìn)行了強(qiáng)化處理，通過對(duì)比處理的圖像選取適合增強(qiáng)外窗紅外圖像的降噪手段。

2.2 外窗缺陷檢測(cè)

邊緣檢測(cè)和區(qū)域分割技術(shù)利用圖像中邊緣處的差異對(duì)缺陷的分界線進(jìn)行提取，實(shí)現(xiàn)相應(yīng)的檢測(cè)。對(duì)于建筑外窗的紅外熱成像圖，缺陷區(qū)域與外窗正常區(qū)域的差別表現(xiàn)在灰度值上的差異。為更好地確定外窗缺陷檢測(cè)的方式，對(duì)預(yù)處理后的圖像分別進(jìn)行邊緣檢測(cè)或閾值分割的算法，對(duì)比處理結(jié)果確定適合外窗缺陷檢測(cè)的處理方法。本文選用Roberts、Sobel、Prewitt、Canny、Log算法[29]以及閾值分割法，對(duì)外窗缺陷的位置進(jìn)行相應(yīng)的檢測(cè)。

2.3 目標(biāo)面積計(jì)算

圖像面積計(jì)算可通過視場(chǎng)角與拍攝距離計(jì)算，對(duì)于確定尺寸的矩形物體，測(cè)算物體內(nèi)某部位面積可通過比例變換的方法求得。根據(jù)像素面積法原理計(jì)算紅外熱成像拍攝實(shí)際的缺陷面積[30-31]，計(jì)算原理如圖2所示。以紅外熱成像儀的拍攝光心位置為原點(diǎn)、熱成像鏡頭光軸平行于軸，建立了紅外熱成像坐標(biāo)系系(---)。

紅外熱成像圖中檢測(cè)缺陷區(qū)域所對(duì)應(yīng)的實(shí)際缺陷面積為：

式中：為拍攝距離；×為紅外熱成像儀視場(chǎng)角；、分別代表二值圖像的總行數(shù)和列數(shù)；、分別表示此像素在二值圖像中的行數(shù)和列數(shù)，缺陷連通區(qū)域中的任意的像素點(diǎn)的像素值表示為：

對(duì)于已經(jīng)確定尺寸的矩形物體測(cè)算物體內(nèi)部面積，通過像素坐標(biāo)中二值圖像的總行數(shù)和總列數(shù)、物體實(shí)際尺寸、，以及上述求得的缺陷區(qū)域像素點(diǎn)總和，可得到矩形物體內(nèi)部實(shí)際面積為：

3 結(jié)果與分析

3.1 外窗紅外圖像處理

圖3為建筑外窗灰度化處理結(jié)果，(a)～(d)，(e)～(h)為兩個(gè)外窗通過R分量法、G分量法、B分量法和加權(quán)平均法獲取的圖像，(a1)～(d1)，(e1)～(h1)為(a)～(d)，(e)～(h)各圖像對(duì)應(yīng)的灰度分度直方圖，橫縱坐標(biāo)分別代表像素值和像素?cái)?shù)。通過圖像對(duì)比發(fā)現(xiàn)，R、G、B三種分量圖像存在不同的特征：R的分量圖(a)、(e)圖像對(duì)比度很低；在灰度分布直方圖中(a1)、(e1)顯示像素完全聚集在某一區(qū)域。G的分量圖(b)、(f)圖像對(duì)比度較高，缺陷部位細(xì)節(jié)體現(xiàn)明顯；相比而言灰度分布直方圖(b1)、(f1)灰度分布較為分散、均勻。B的分量圖(c)、(g)圖像對(duì)比度過高，圖像區(qū)分明顯但圖中部分細(xì)節(jié)被掩蓋，不利于后續(xù)的缺陷檢測(cè)；但在灰度分布直方圖(c1)、(g1)中，像素分布分散。利用加權(quán)平均法處理的外窗圖像，處理結(jié)果與G的分量圖結(jié)果相似，(d)、(h)圖像也具有較高的對(duì)比度，細(xì)節(jié)體現(xiàn)良好，在灰度分布直方圖(d1)、(h1)中，灰度分布也較為分散。通過對(duì)外窗圖像灰度化處理結(jié)果綜合比較，選取加權(quán)平均法作為外窗紅外圖像的灰度化處理方式。

圖3 灰度化處理圖(a)～(h)與灰度分布直方圖(a1)～(h1)

圖4是采用不同方式進(jìn)行圖像增強(qiáng)處理的結(jié)果對(duì)比。(a)、(f)、(k)是灰度化處理后的外窗圖，經(jīng)過中值濾波處理后的圖像為(b)、(g)、(l)，后對(duì)其分別進(jìn)行圖像銳化和直方圖均衡化處理。圖中(c)、(h)、(m)是利用拉普拉斯進(jìn)行銳化結(jié)果，(d)、(i)、(n)為直方圖均衡化結(jié)果，(e)、(j)、(o)是兩種方式混合增強(qiáng)處理結(jié)果。從圖可知，經(jīng)過中值濾波處理的圖像，內(nèi)部細(xì)小噪聲被去除的同時(shí)，窗戶內(nèi)部缺陷的邊緣信息得到保留；經(jīng)銳化處理后，圖像內(nèi)缺陷邊緣得到銳化和增強(qiáng)，邊界得到突出；直方圖均衡化處理，圖像整體對(duì)比度得到提高，但造成噪聲再次產(chǎn)生。經(jīng)圖像銳化和直方圖均衡化混合處理，(e)、(j)、(o)邊緣較(c)、(h)、(m)更明顯，增強(qiáng)效果更好。因此選取圖像銳化和直方圖均衡化混合處理作為外窗圖像增強(qiáng)的處理方法。

圖5為不同外窗進(jìn)行圖像預(yù)處理效果，每行從左到右分別是建筑外窗原始紅外圖像、灰度化處理結(jié)果、中值濾波結(jié)果、圖像增強(qiáng)結(jié)果。通過處理結(jié)果可知，采用的預(yù)處理方法對(duì)建筑外窗的紅外圖像預(yù)處理具有普適性。

3.2 外窗缺陷識(shí)別

經(jīng)預(yù)處理后對(duì)外窗紅外圖像進(jìn)行缺陷檢測(cè)識(shí)別，發(fā)現(xiàn)外窗缺陷存在的具體位置，實(shí)現(xiàn)缺陷定位。圖6是以某建筑外窗為例，分別為Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法進(jìn)行檢測(cè)的結(jié)果。從圖可以知，外窗的缺陷從墻體和窗戶中分離，缺陷輪廓明顯，但輪廓內(nèi)部存在空洞。圖7是經(jīng)形態(tài)學(xué)處理后的結(jié)果，經(jīng)形態(tài)學(xué)處理后，外窗缺陷范圍內(nèi)部被填充，缺陷輪廓平滑。由于各方法對(duì)目標(biāo)缺陷的像素計(jì)算方式不同，導(dǎo)致在邊緣檢測(cè)中對(duì)外窗缺陷的邊緣識(shí)別存在差異，同時(shí)影響缺陷面積的計(jì)算結(jié)果。因此需要對(duì)比建筑外窗空氣滲透檢測(cè)的實(shí)驗(yàn)結(jié)果，確定面積吻合較高的檢測(cè)方法，并通過此方法檢測(cè)和定位外窗紅外圖像缺陷的具體位置。

圖4 圖像增強(qiáng)結(jié)果對(duì)比(a)、(f)、(k)灰度化處理；(b)、(g)、(l)中值濾波處理；(c)、(h)、(m)拉普拉斯銳化；(d)、(i)、(n)直方圖均衡化；(e)、(j)、(o)兩種方式混合

圖5 外窗紅外圖像預(yù)處理結(jié)果：(a)、(e)、(i)原始紅外圖像；(b)、(f)、(j)灰度化處理；(c)、(g)、(k)中值濾波；(d)、(h)、(l)圖像增強(qiáng)結(jié)果

圖6 各方法進(jìn)行外窗缺陷檢測(cè)結(jié)果：(a)～(f) Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法

圖7 各方法檢測(cè)后形態(tài)學(xué)處理結(jié)果：(a)～(f)Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法

3.3 外窗缺陷面積計(jì)算

表1為建筑外窗紅外熱成像圖經(jīng)過預(yù)處理、缺陷檢測(cè)、面積計(jì)算后的結(jié)果匯總。通過外窗空氣滲透檢測(cè)的實(shí)驗(yàn)值與Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法處理后的缺陷面積的對(duì)比，不同的檢測(cè)方法導(dǎo)致處理結(jié)果與實(shí)驗(yàn)值存在相應(yīng)的誤差。通過實(shí)驗(yàn)值與紅外檢測(cè)處理值的對(duì)比，利用Roberts進(jìn)行外窗缺陷檢測(cè)可以達(dá)到與實(shí)驗(yàn)值更為接近的結(jié)果，處理平均誤差為7.23%，可認(rèn)為此方法定位的外窗缺陷信息更符合實(shí)際外窗缺陷存在的位置。

除了不同的處理方式之間與實(shí)驗(yàn)測(cè)量值的誤差對(duì)比外，單獨(dú)對(duì)比各處理方式與實(shí)驗(yàn)值發(fā)現(xiàn)，利用各個(gè)方法進(jìn)行外窗缺陷檢測(cè)的缺陷面積普遍大于外窗缺陷檢測(cè)的實(shí)驗(yàn)值。這與紅外熱成像儀的實(shí)際參數(shù)與理論參數(shù)誤差對(duì)計(jì)算結(jié)果的影響有關(guān)，在進(jìn)行紅外檢測(cè)過程中溫度、濕度、風(fēng)速、太陽輻射、空氣質(zhì)量狀況等檢測(cè)的環(huán)境因素會(huì)對(duì)紅外輻射在傳輸中造成能量衰減[32]，使熱成像圖中缺陷的狀態(tài)與實(shí)際狀態(tài)存在一定的差異[33]，導(dǎo)致與實(shí)驗(yàn)值之間的誤差；同時(shí)紅外熱成像檢測(cè)的溫度異常部位，由于溫度異常的誤判[34]，實(shí)際不存在空氣滲透，也會(huì)使處理結(jié)果大于實(shí)驗(yàn)值。

表1 外窗缺陷面積對(duì)比

3.4 外窗缺陷紅外圖像檢測(cè)模型

為了更好確定Roberts檢測(cè)結(jié)果與實(shí)驗(yàn)測(cè)量值的關(guān)系，對(duì)建筑外窗的實(shí)驗(yàn)測(cè)量值和采集的各個(gè)外窗紅外熱成像處理值進(jìn)行比較。圖8是80組外窗缺陷實(shí)驗(yàn)值和與之對(duì)應(yīng)的圖像處理值繪制的散點(diǎn)圖，能夠發(fā)現(xiàn)圖像處理值與外窗缺陷實(shí)驗(yàn)值存在線性關(guān)系，求得線性回歸模型為：＝0.920＋0.118，其中，方統(tǒng)計(jì)量為0.999，擬合良好；＝81995.749，＝0，回歸模型顯著。外窗缺陷紅外圖像檢測(cè)模型使平均誤差降至0.76%，縮小了處理值與外窗缺陷實(shí)驗(yàn)值的差異，從而獲得更加準(zhǔn)確的外窗缺陷面積計(jì)算結(jié)果。

將采集的建筑外窗紅外熱成像圖經(jīng)處理后輸入模型，求出建筑外窗的缺陷面積，通過建筑整體氣密性能檢測(cè)實(shí)驗(yàn)，將測(cè)出的建筑整體空氣滲透量和滲透面積結(jié)合，求得對(duì)應(yīng)外窗的空氣滲透量，可以在現(xiàn)場(chǎng)快速對(duì)外窗氣密性能等級(jí)進(jìn)行簡(jiǎn)單的判定，檢測(cè)其是否達(dá)到氣密性能等級(jí)要求。

圖8 外窗缺陷實(shí)驗(yàn)值與圖像處理值的散點(diǎn)圖

4 結(jié)論

提出一種基于紅外圖像處理技術(shù)的建筑外窗缺陷檢測(cè)和面積計(jì)算方法，對(duì)外窗紅外熱成像圖中的缺陷進(jìn)行提取和計(jì)算，與外窗空氣滲透檢測(cè)實(shí)驗(yàn)測(cè)出的外窗空氣滲透面積進(jìn)行對(duì)比，確定建筑外窗紅外圖像的處理方式，并建立外窗缺陷紅外圖像檢測(cè)模型，實(shí)現(xiàn)建筑外窗缺陷的檢測(cè)和面積計(jì)算。結(jié)果表明：

①建筑外窗紅外圖像的預(yù)處理選用加權(quán)平均法進(jìn)行灰度化處理，中值濾波進(jìn)行降噪處理，圖像銳化和直方圖均衡化進(jìn)行圖像增強(qiáng)處理，預(yù)處理方法能夠在去除外窗紅外圖像噪聲的同時(shí)保留缺陷的邊緣信息，對(duì)建筑外窗的檢測(cè)具有普適性。

②在外窗紅外圖像的缺陷檢測(cè)中，利用Roberts算法檢測(cè)缺陷面積的平均誤差在7.23%，與實(shí)驗(yàn)值差異最小，可認(rèn)為定位的外窗缺陷信息會(huì)更符合實(shí)際外窗缺陷的存在位置。通過建立外窗缺陷紅外圖像檢測(cè)模型，將紅外圖像處理誤差降至0.76%，能夠獲得更接近實(shí)驗(yàn)值的外窗缺陷面積計(jì)算結(jié)果。

③通過處理方法和檢測(cè)模型，結(jié)合建筑整體氣密性能檢測(cè)實(shí)驗(yàn)，能夠?qū)ν獯皻饷苄阅艿燃?jí)進(jìn)行初步的判定。改善實(shí)際工程中，建筑外窗氣密性能現(xiàn)場(chǎng)檢測(cè)操作復(fù)雜的問題。

[1] Mathur U, Damle R. Impact of air infiltration rate on the thermal transmittance value of building envelope[J]., 2021, 40: 102302.

[2] Lai Y, Ridley I, Brimblecombe P. Blower-door estimates of PM 2.5 deposition rates and penetration factors in an idealized room[J]., 2022, 31(8): 2064-2082.

[3] 中國建筑科學(xué)研究院有限公司. 建筑外門窗氣密、水密、抗風(fēng)壓性能檢測(cè)方法: GB/T 7106-2019[S].國家市場(chǎng)監(jiān)督管理總局, 國家標(biāo)準(zhǔn)化管理委員會(huì), 2019.

China Academy of Building Research, Test methods of air permeability, water tightness, wind load resistance performance for building external windows and doors: GB/T 7106-2019[S].State Administration for Market Regulation; Standardization Administration, 2019.

[4] 張小愉. 建筑門窗三性檢測(cè)方法探究[J]. 中國建材科技, 2019, 28(6): 12-13.

ZHANG Xiaoyu. Exploration on three-character detection method of architectural doors and windows [J]., 2019, 28(6): 12-13.

[5] 張浚泉. 建筑門窗工程質(zhì)量檢測(cè)探討[J]. 門窗, 2017(2): 23-24. ZHANG Junquan. Discussion on quality inspection of building door and window engineering[J]., 2017(2): 23-24.

[6] Figuli L, Papan D, Papánová Z, et al. Experimental mechanical analysis of traditional in-service glass windows subjected to dynamic tests and hard body impact[J]., 2021, 27(2): 365-378.

[7] JI Y, Duanmu L. Airtightness field tests of residential buildings in Dalian, China[J]., 2017, 119(7): 20-30.

[8] Barreira E, Almeida R M S F, Moreira M. An infrared thermography passive approach to assess the effect of leakage points in buildings[J]., 2017, 140(4): 224-235.

[9] Freitas S S D , Freitas V P D , Barreira E . Detection of fade plaster detachments using infrared thermography – a nondestructive technique[J]., 2014, 70(11): 80-87.

[10] Ibarra-Castanedo C , Sfarra S , Klein M , et al. Solar loading thermography: time-lapsed thermographic survey and advanced thermographic signal processing for the inspection of civil engineering and cultural heritage structures[J]., 2017, 82: 56-74.

[11] Mahmoodzadeh M, Gretka V, Wong S, et al. Evaluating patterns of building envelope air leakage with infrared thermography[J]., 2020, 13(14): 3545.

[12] CHEN Y F, SANG N. Attention-based hierarchical fusion of visible and infrared images[J]., 2015, 126(23): 4243-4248.

[13] Louren?o Tomás, Matias Luís, Faria P . Anomalies detection in adhesive wall tiling systems by infrared thermography[J]., 2017, 148: 419-428.

[14] Hiasa S H, Birgul R, Catbas N, et al. A data processing methodology for infrared thermography images of concrete bridges[J]., 2017, 190(10): 205-218.

[15] Omar T, Nehdi M L, Zayed T. Infrared thermography model for automated detection of delamination in RC bridge decks[J]., 2018, 168: 313-327.

[16] LV C, WANG K, GU G, et al. Accurate full-edge detection and depth measurement of internal defects using digital speckle pattern interferometry[J]., 2019, 102(3): 1-8.

[17] Mohan A, Poobal S. Crack detection using image processing: A critical review and analysis[J]., 2017: 787-798.

[18] HAN Q, YIN Q, ZHENG X , et al. Remote sensing image building detection method based on mask R-CNN[J]., 2022, 8(1): 1847-1835.

[19] Gehri N, J Mata-Falcón, Kaufmann W. Automated crack detection and measurement based on digital image correlation[J]., 2020, 256: 119383.

[20] Thusyanthan I, Blower T, Cleverly W. Innovative uses of thermal imaging in civil engineering[J]., 2017, 170(CE2): 81-87.

[21] Ostańska Anna. Thermal imaging for detection of defects in envelopes of buildings in use: qualitative and quantitative analysis of building energy performance[J]., 2018, 62(4): 939-946.

[22] PAN N H, Tsai C H, CHEN K Y, et al. Enhancement of external wall decoration material for the building in safety inspection method[J]., 2020, 26: 216-226.

[23] JIANG M. Edge enhancement and noise suppression for infrared image based on feature analysis[J]., 2018, 91: 142-152.

[24] Kim C, Choi J S, Jang H, et al. Automatic detection of linear thermal bridges from infrared thermal images using neural network[J]., 2021, 11(3): 931.

[25] CHEN L, WANG Y, JIA S, et al. Development of panoramic infrared images for surface temperature analysis of buildings and infrastructures[J]., 2020, 232(1): 110660.

[26] D Antón, Amaro-Mellado J L. Engineering graphics for thermal assessment: 3D thermal data visualisation based on infrared thermography, GIS and 3D point cloud processing software[J]., 2021, 13(2): 335.

[27] Mun J, Lee J, Kim M. Estimation of infiltration rate (ACH Natural) using blower door test and simulation[J]., 2021, 14(4): 912.

[28] LI X, ZHOU W, LIN D. Research on air infiltration predictive models for residential building at different pressure[J]., 2020: 1-12.

[29] DI Yue, LI Meiyan, QIAO Tong, et al. Edge detection and mathematic fitting for corneal surface with Matlab software[J]., 2017, 10(3): 336-342.

[30] Thenkabail P S, Biradar R M, Noojipady P, et al. Sub-pixel area calculation methods for estimating irrigated areas[J]., 2007, 7(11): 2519.

[31] 李峰, 周雷, 苗剛中. 基于單目視覺的目標(biāo)測(cè)距方法[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報(bào), 2012, 42: 93-98.

LI Feng, ZHOU Lei, MIAO Gangzhong. Target ranging method based on monocular vision[J]., 2012, 42: 93-98.

[32] 楊玉忠, 李麗梅, 陳剛, 等. 利用紅外熱像儀測(cè)試窗洞口熱工缺陷的研究[J]. 建筑科學(xué), 2016, 32(8): 111-114.

YANG Yuzhong, LI Limei, CHEN Gang, et al. Study on the thermodynamic disfigurement testing for window opening by infrared thermography[J]., 2016, 32(8): 111-114.

[33] 馮力強(qiáng), 王歡祥, 晏大瑋, 等. 紅外熱像法檢測(cè)建筑外墻飾面層內(nèi)部缺陷試驗(yàn)研究[J]. 土木工程學(xué)報(bào), 2014, 47(6): 51-56.

FENG Liqiang, WANG Huanxiang, YAN Dawei, et al. Experimental study on internal defects detection of exterior wall finish coat by infrared thermography[J]., 2014, 47(6): 51-56.

[34] 田鵬飛, 周驥平, 朱興龍, 等. 基于紅外熱成像的氣密性檢測(cè)技術(shù)探討[J]. 揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 16(2): 45-48.

TIAN Pengfei, ZHOU Jiping, ZHU Xinglong, et al. Research on air tightness detection based on infrared thermal imaging[J].(Natural Science Edition), 2013, 16(2): 45-48.

Research on Calculation of Defect Area of Building Exterior Windows Based on Infrared Image Processing Technology

ZHANG Lingling1，XU Ao2，ZHANG Jiran1，REN Panpan1，DING Libin1，WEI Daixiao3

(1.,,264005,; 2.,266112,; 3..,.,264005,)

A method for defect detection and area calculation of exterior windows of buildings is proposed by combining infrared thermal imaging technology and image processing technology. Using equipment for detection of building exterior window defects, the differential-pressure method was utilized to detect the air penetration of an exterior window, and the defective area of the air penetration of this window was calculated. Infrared images of the exterior window of the building collected by an infrared thermal imager were subjected to image preprocessing, exterior window defect detection, and area calculation after inspection. Then, an infrared-image detection model of exterior window defects was established. The results show that preprocessing can make use of the weighted average method for grayscale processing, the median filter for noise reduction, image sharpening, and histogram equalization for image enhancement processing. The outcome of the aforementioned approaches is evident. The detection of the pretreatment infrared image, which is obtained using the Roberts algorithm, minimizes the difference between the test and experimental values. This makes the detection information closer to the actual position of the defect. A primary assessment of the airtightness performance level of exterior windows can be achieved by comparing the results provided by the proposed infrared image processing technology with airtightness on-site tests.

Exterior window defects, area calculation, infrared thermal imaging, image processing

TU111.4

A

1001-8891(2022)12-1358-09

2021-11-16；

2021-12-27.

張玲玲（1972-），女，教授，研究方向：建筑節(jié)能與綠色建筑。E-mail:305125954@qq.com。