孔松濤，黃鎮，楊謹如
重慶科技學院機械與動力工程學院
摘要：紅外熱像是目前被廣泛應用于各個領域的一種無損檢測技術，但因設備的不足和使用環境的影響，紅外圖像會出現低分辨率、低對比度、低信噪比等缺陷，這無疑會對缺陷的定性和定量識別帶來很大的困難，所以紅外圖像的處理則成為了無損檢測中極其重要的環節，對整個工業領域的發展起著促進作用。本文介紹了紅外技術中圖像處理部分，包括預處理和圖像識別；列舉了目前在圖像預處理階段被廣泛使用的處理技術，如神經網絡、視網膜皮層、數字細節增強、Contourlet變換等技術，并簡要列出其優缺點；介紹了主要運用于復合材料檢測中的圖像識別技術，如：溫度信號重構、脈沖相位法、主成分分析、獨立成分分析、區域生長法等技術，并給出了學者們的部分實驗結果和實驗結論；最后總結了該技術的發展趨勢。
關鍵詞：紅外熱像；紅外無損檢測；圖像預處理；圖像識別
0 引言
紅外熱像（infrared thermography）是目前運用非常廣泛的一種快速高效的無損檢測技術，通過外部施加的熱或冷激勵使被測物體內的異性結構以表面溫度場變化的差異形式表現出來，從而達到缺陷部位的定性和定量分析。其成像原理是利用紅外探測儀將接受到的被測物體的紅外輻射映射成灰度值，再轉化為可視溫度分布圖（紅外熱像圖）。最早在二戰末期應用于軍事偵察領域，因其本身具有快速高效、無需停運、無需取樣、可進行無污染、非接觸、大面積檢測、以及其直觀成像等優點，而被作為復合材料的無損檢測技術應用于工業領域，如航空航天、機械、油氣、建筑等領域。
1 、紅外熱像技術的發展現狀
自20世紀以來，紅外熱像技術得到快速發展。20世紀90年代，美國無損檢測協會和材料試驗協會針對紅外熱成像技術指定了相應標準，并在無損檢測手冊紅外與熱檢測分冊中描述了基于紅外熱像的無損檢測技術在各個領域的運用。目前美國、俄羅斯、法國、德國、加拿大、澳大利亞等國已將紅外熱像技術廣泛運用于航空航天復合材料構件內部缺陷及膠接質量的檢測、蒙皮鉚接質量檢測等。近年來，紅外熱像技術與智能手機、無人機等設備充分結合，并在各個領域廣泛使用，如美國的Fluke和FLIR、德國Testo、國內武漢高德、浙江大立等企業。
國內的紅外熱像檢測技術比歐美、俄羅斯等發達國家起步較晚，但經過十幾年的發展，目前也取得較為顯著的成果。中國特種設備研究院和武漢工程大學將紅外熱像技術運用于壓力設備缺陷檢驗，取得了一系列顯著的成果。西南交通大學、昆明物理研究所、北京航空材料研究院、北京理工大學、西北工業大學等將紅外熱像技術運用于航空航天夾層結構件的缺陷檢測，取得了有效進展。在石油化工領域，各位學者將紅外熱像技術用于高溫高壓容器和管道的缺陷、保溫層破損、以及內部液體流動情況的檢測，也取得了許多成果。
2 、紅外圖像預處理
紅外技術應用的核心工作在于圖像的處理及利用，不僅在無損檢測領域，在軍事監測、人臉識別等領域的應用更加重要。紅外圖像的處理主要分為圖像預處理和圖像識別，預處理是開展后續工作的基礎，其主要分為圖像的非均勻性校正和圖像增強兩個方面。
2.1 圖像的非均勻性校正
由于材料、生產工藝等因素，紅外設備探測元存在響應不一致的問題，因此導致紅外圖像的非均勻性，其嚴重影響了成像的質量。目前非均勻性校正算法主要分為兩大類：一類基于標定的校正算法，如兩點校正算法、多點校正算法、多項式擬合算法，具有算法簡單、精度高等優點，所以被廣泛使用。另一類基于場景的校正算法，如時域高通濾波算法、神經網絡算法、統計恒定法在克服紅外焦平面器件響應偏移誤差方面存在優勢，但相關硬件要求較高，且算法復雜耗時。
兩點校正法是開展最早、且最為成熟的算法之一，其原理簡單，計算量小，目前仍被廣泛使用。該校正算法是建立在兩個假設條件下：一是每個探測單元的響應是線性的；二是探測單元的響應具有時不變性，其原理如圖1所示。
圖1 兩點校正示意圖
但兩點校正法是假設探測單元的響應是線性的，但實際情況卻更為復雜，因此在兩點校正法的基礎上提出了多點溫度校正算法。多點校正的實質是在圖像上選取多個溫度點，就相鄰兩點之間進行兩點校正，所適用的溫度范圍也就更廣。中國科學院沈陽自動化研究所、中國科學院長春光學精密機械與物理研究所、中國科學院大學等驗證了多點溫度校正法實時性的優點，且有效提高非均勻性校正的精度。
隨著科技的發展，紅外熱像技術的運用也更加廣泛，被測物體以及檢測環境的復雜程度也越來越高，基于標定的校正方法已經逐漸跟不上發展的需求了。而國內外的學者也逐步投入更多精力在基于場景的非均勻校正方法的研究上，早在20世紀90年代，美國海軍研究實驗室的D.A.Scribner等人提出了基于神經網絡的場景非均勻校正算法。王嫻雅等人通過分析了傳統的周期性神經網絡自適應非均勻校正方法在采用局部領域數據估計輸出期望時其精度不夠，從而提出一種利用當前像素領域和讀出通道估計輸出期望值的方法。該方法可有效抑制焦平面固定圖案噪音，提高被測目標的分辨率。在優化單層所使用的期望函數上，B.Chen等人提出雙層學習神經網絡算法，在不同的神經網絡層使用不同的期望函數，雙層神經網絡之間優勢互補，同時具備非均勻性校正效果和改善圖像清晰度，獲得了更高質量的紅外圖像，該算法與其他改進BP神經網絡算法比較結果如表1所示。
表1 非均勻性校正評價
但在使用神經網絡算法進行圖像的非均勻校正時，收斂速度和重影是一對矛盾的存在。一般說來，如果想更好地抑制重影，神經網絡算法的收斂速度就越慢。因此Li Yiyang等人針對該問題提出了一種自適應門限邊緣檢測與時域門限相結合的學習速率規則。該算法在保證快速收斂的同時，能很好地抑制重影偽影。通過實驗結果表明該方法的消影能力強于其他基于神經網絡的非均勻性校正算法。
2.2 圖像增強處理
由于紅外信號波動范圍很大，再加上硬件設備本身存在的缺陷和環境因素的影響，在將其轉換為適于人眼觀看的可見光圖像時，易造成圖像的模糊、細節丟失、對比度低下等問題。因此，獲取成像清晰且對比度高的圖像，是紅外圖像處理中的一項重要技術。傳統的紅外圖像增強技術主要分為空域圖像增強和頻域圖像增強兩類，具體分類如圖2所示。空域是指該圖像的所有像素集合，是通過對圖像中像素灰度值進行處理來達到增強效果的，如灰度值變換、直方圖均衡技術、圖像平滑和銳化處理、偽彩色處理等技術。頻域圖像增強是對圖像經傅里葉變換后的頻譜成分進行操作，然后逆傅里葉變換獲得結果，包括低通濾波技術、高通濾波技術、同態濾波技術等。一般情況下，某一類算法只能解決圖像中出現的一種問題。因此，針對現實中紅外圖像出現的復雜問題，為了提升圖像處理效果，往往需要多種算法結合使用。目前，在國內外學者不斷研究與改進下，給出了更多性能較為完善的算法。
圖2 圖像增強方法分類
視網膜皮層（Retinex）圖像增強理論是根據人類視覺特征來展開研究的理論，其原理是通過去除圖像照射分量部分保留反射分量部分，從而獲得圖像本質特征，最早是在20世紀60年代，由學者Land等人提出。在其原有的基礎理論上，經過半世紀的發展，改進的Retinex算法被廣泛的運用于各領域。針對Retinex算法在處理圖像存在失真和耗時長等問題，Wang W.、LiB.等人提出了一種快速多尺度Retinex算法，以解決基于多尺度Retinex算法的圖像增強過程中顏色失真的問題，并改進了一種耗時較慢的圖像增強算法的缺點。但此算法在細節處的處理仍需完善，而Hanumantharaju等人提出了一種基于改進的multiscale Retinex（MSR）算法的新的彩色圖像增強技術，并使用小波能量來評估增強圖像的視覺質量。實驗結果證實了基于小波能量的MSR算法有效地表征了增強圖像的局部和全局細節。而針對Retinex算法在降噪方面的不足，又有學者提出基于Retinex和三維塊匹配（block matching 3D）的圖像增強方法。實驗結果證明，此算法既能很好地表征圖像中的細節，又有效地降低了圖像的噪聲，其結果與多種算法對比如表2所示。
表2 圖像質量評價指標統計數據
Contourlet變換是一種具有多方向性、多尺度性的多維函數表示方法，不僅具有小波變換的多分辨率和時頻局部化特性，還具有很好的方向性和各向異性，將它應用于圖像增強，能更好地保留圖像邊緣和紋理信息。Peng Z.等人提出了一種基于Contourlet變換與模糊理論相結合的紅外圖像增強算法，該算法更能有效地抑制噪聲，增強圖像的對比度，突出圖像的邊緣與細節紋理信息。ZhangXiaojie等人提出了一種基于Contourlet變換和混沌粒子群優化（particles warm optimization）的紅外圖像增強方法，該方法提高了圖像的整體對比度和改善了弱細節的局部對比度。但是Contourlet變換不具備平移特性，易存在頻譜混疊現象，因此XieYi等人提出了一種非子采樣輪廓波變換（nonsubsampled contourlet transform，NSCT）的圖像增強方案，通過實驗證實了，該方案在增強圖像細節的同時，也增強了圖像的對比度。
數字細節增強技術（digital detail enhancement）由美國FLIR公司提出，是一種能夠保留高動態范圍圖像細節的非線性圖像處理方法，有利于人們對物體關鍵信息的獲得。該方法是目前對紅外圖像進行增強處理最有效的方法之一，但其具體算法并未公布，因此眾多學者也基于此方法的思想進行深入的研究。董靜等人提出了基于DDE思想的紅外圖像動態范圍壓縮細節增強算法，該算法在全面增強圖像細節的同時能夠抑制圖像背景中的雜波，增強弱小目標，滿足圖像顯示視覺效果的同時，有利于在圖像上進行目標提取，該算法與其他算法對比結果如圖3所示。可以從對比圖像明顯的觀測出采用DDE技術在圖像的紋理、輪廓等細節部位顯示效果突出，且色彩對比度清晰，成像質量高于其他算法。
圖3 算法結果
劉婷婷等人在DDE數字細節增強技術研究的基礎上，提出了一種新的基于圖像分層處理的紅外圖像細節增強算法。該算法根據灰度分布特點將圖像分為基圖部分和細節圖部分，對于基圖部分采用兩端截取式的灰度線性映射方法，針對細節圖，作者提出了S曲線灰度變換方法。經實驗證明該算法在視覺效果上得到改善，細節信息得到有效增強。國防科技大學、北京理工大學、重慶大學、電子科技大學等高校圍繞DDE技術在紅外圖像細節增強算法方面進行了大量的實驗研究，獲得了質量更高的紅外圖像。
3 紅外圖像的識別
3.1 常用紅外圖像識別方法簡介
紅外圖像的預處理往往只是將被測缺陷以適合人眼觀察的狀態從復雜的背景圖中顯現出來，但這只能解決部分問題。圖像進一步的處理，則需要針對性更強的方法，如在無損檢測中，目前應用最為廣泛的圖像分割方法有：邊緣檢測和區域生長法。邊緣檢測的目的是檢測出圖像中亮度變化較大的點，主要是物體的邊緣和背景處。其通常分為兩類，一是通過圖像一階導數的最值來檢測邊緣，如Sobel、Canny算子；二是通過圖像二階導數的零值來獲取邊緣，如Laplace算子。這些算子都是圖像處理中常用算子，故不作過多解釋；區域生長法的實質是從一個小區域或像素點開始，將周圍與其特征相近的像素點融合，從而形成更大的區域。由于初始種子的選擇，該方法容易出現過生長或者欠生長等問題。因此，區域生長法的改進也一直是研究人員的工作重點。
在無損檢測領域中，常用的圖像缺陷特征提取的方法有：主成分分析（principal component analysis）、獨立成分分析（independentcomponent analysis）、脈沖相位法（pulse phase infrared thermography）、溫度信號重構法（thermal signal reconstruction）等方法。主成分分析法是一種將多指標化為少量綜合指標的方法。圖像的本質是像素矩陣，通過線性變換降低維度，要求得到的綜合變量要盡可能多的包含原始圖像信息，且各不相關。雖然該方法降低了信息的復雜度，但也丟失了一部分原始圖像的特征；獨立成分分析法是在主成分分析法上進一步發展而來，其目的是將獲得的數據進行某種線性解分，使其分解為統計獨立的成分。該方法解決了主成分分析法難以消除非高斯信號之間關聯性的問題，但這也是使用獨立成分分析法的一個前提；脈沖相位法是將獲得的每個像素值對應的溫度信號做傅里葉變換，進而作頻譜分析。其依據不同頻率的熱輻射在不同深度和大小的缺陷中傳播和反射的結果不同，由此獲得材料中的缺陷信息，但是該方法受環境影響因素較大。溫度信號重構法主要是利用表面溫度在物體和空間上的變化信息，對紅外圖像每個像素值的時間信息進行處理，將對應點溫度響應曲線從時域轉換到對數域，從而增強圖像信息。
在復雜的工程環境下，任何單一方法都無法滿足實際需求，因此，多種方法的結合和完善才是研究的重點。
3.2 部分學者研究成果
在基于紅外熱像的復合材料無損檢測識別研究過程中，梁濤等人在研究復合材料受沖擊損傷后缺陷的特性時，沒有發現分層缺陷引起的“暗區”，且整體的纖維結構分布較均勻，給直接評估缺陷帶來困難。針對該問題，作者提出結合PCA和小波變換法來進行缺陷的特征提取，新的算法具備了時域-空域-頻域等多維度的特征提取能力，再通過閾值分割對圖像進行二值化處理消除背景，使缺陷信息更加明顯。
另外作者針對復合材料出現的脫粘缺陷采用了不同的圖像序列算法進行實驗對比，包括溫度信號重構、脈沖相位法、主成分分析、獨立成分分析，最終證明TSR和PCA在缺陷特征提取方面效果更好，如表3。再采用區域生長法對TSR獲得的特征圖進行分割和K最鄰近（K-nearestneighbor，KNN）分類算法進行分類識別，最終成功檢測出金屬結構材料的全部缺陷（最小直徑2mm）和蜂窩芯結構材料大于3mm的缺陷。
表3 不同算法檢測效果評估
注：TP表示被檢測出且實際存在的缺陷；FP表示被檢測出卻不是實際存在的缺陷；FN表示實際存在卻沒有被檢測出的缺陷；TN表示不存在也沒有檢測出來的缺陷；P表示缺陷檢測準確率；R為召回率；F表示P和R的加權調和平均。
在進行圖像分割時，考慮到傳統的區域生長法會引入人為的主觀因素，馮琪智等人提出了一種用于分割的自動區域生長算法，即自適應尋找預處理對象、種子點和閾值。通過實驗后，采用F-score值進行評價。在檢測薄板時，各種方法差異不大；但是在檢測厚板時，差異效果明顯，且采用自動區域生長法進行處理之后，缺陷檢出率有所提升，部分檢出結果對比如表4所示。
表4 不同算法的F-score
針對傳統區域生長法初始種子難以選擇的問題，陳躍偉提出一種改進的區域生長法，即利用最小二乘法擬合出紅外圖像中亮度和溫度之間的線性關系，建立基于像素溫度場，從而根據設定溫度范圍來確定種子的位置。該學者將此區域生長法和BP神經網絡結合用于巡檢機器人電站設備的檢測。經過實驗證明，在400幅設備紅外圖像中，圖像的正確識別率92.74%，錯誤率5.78%，未識別率1.48%。
劉鑫等人利用基于閾值改進的形態學邊緣檢測算法，檢測積水管道的紅外圖像，并與中值濾波、維納濾波、傳統形態學等方法處理的圖像作對比，峰值信噪比（peak signal to noise ratio）情況如表5所示。而該方法的圖像分割能力比傳統的Canny、Sobel、Roberts等算子處理效果更好。
JiangHongquan等人提出一種基于紋理特征和主成分分析的焊縫缺陷特征提取與分類的方法。實驗結果表明，此方法可有效提取缺陷類型的一般特征，分類準確率達90.4%。
表5 不同算法PSNR值
注：PSNR為峰值信噪比，值越大表示處理效果越好
ZhouJianmin等人在研究孔洞類型的缺陷時提出了PCA和概率神經網絡（probability neural network）結合的算法。實驗結果表明正常區域和異常區域識別率分別可達95%和85%。同時，該學者又提出了一種基于遺傳算法和序列紅外圖像熱像加權疊加的檢測方法，經此方法處理后，缺陷與正常區域的灰度比分別提高到8.5%和31.0%，缺陷特征明顯增強。
4 結束語
紅外熱像技術因其非接觸、無污染、高效率，在航空航天、機械、建筑、油氣等領域得到廣泛的應用。隨著科技的發展，該技術逐步從工業領域走向群眾的生活領域是必然的趨勢，如FLIR紅外設備與手機的結合，智能手機所帶的紅外識別等。為了使該技術給社會帶來更大的便捷，其未來的發展方向應有以下幾點：
1）技術的標準化和統一化
由于紅外熱像技術應用領域較為廣泛，各行業之間因術語不規范和定義不明確，造成交流不便。如大家都在濫用術語“缺陷”，而拒絕使用術語“缺欠”、“不連續”等。但是，它們之間的定義是有很大差別的。
2）檢測向智能識別方向發展
現階段在進行缺陷判別時，大多數時候還是靠人工判斷，其準確率易受檢測人員的主觀因素影響。但隨著工業4.0和“中國制造2025”的要求，檢測方法的智能化、無人化是未來的發展趨勢。
3）定性檢測向定量檢測發展
目前的檢測技術主要還是用于物體損傷的定性判別，在定量檢測方面誤差較大。但隨著硬件設備和紅外圖像處理技術的發展，實現對缺陷深度、面積和位置等信息的快速反演是必然的趨勢。
4）多種檢測手段結合使用
目前無損檢測很大一部分是用于在線檢測，由于考慮到時效的問題，檢測手段比較單一，特別是在圖像處理的過程采用的算法也較少和較為簡單，這樣檢測效果難免會有不足之處。但是隨著該技術的發展，將紅外技術與其他技術結合，如超聲檢測技術、渦流檢測技術等，以及優化后的多種圖像處理算法結合，則可實現更快速、更高效的檢測，節省大量的人力物力。
