紅外熱成像技術在亞平面缺陷檢測中的應用

王鵬飛，楊永躍，趙 茹

（合肥工業大學 儀器儀表與光電工程學院，安徽 合肥 230009）

紅外無損檢測技術也稱為熱無損檢測技術，是一種建立在物理熱傳導學理論上的一種方法.由于檢測面積大、響應速度快、檢測范圍廣，對檢測物體無任何影響，所以紅外無損檢測技術在材料缺陷檢測中的應用越來越廣泛。20世紀60年代美國的一些學者就開展了紅外無損檢測理論的研究，到上世紀80年代，C.K.Hsieh等人在內表面溫度和熱流分別一定的情況下，對材料內表面存在的矩形缺陷利用紅外掃描溫度，定量計算了矩形平板和直角柱體內的缺陷大小[1]。最近幾年來，S.Sahnoun，S.Belattar利用一個二維模型對平板結構內的圓形缺陷進行了紅外無損檢測的研究，確定了圓形缺陷的位置及其性質[2]。T.Sakagami，S.Kubo利用熱波的相位延遲對混凝土材料的內部缺陷進行了定量分析研究[3]。而近年來美國多家大公司（如GE、GM、波音、福特、洛克希德、西屋等）及政府機構（如：NASA、FAA）等都已經在廣泛應用和推廣該項技術。在國內近年來也進行了很多研究，華北電力大學的關榮華對紅外熱診斷和導熱反問題進行了討論研究，并以圓柱型工業設備內壁缺陷為例進行了數值模擬。首都師范大學、北京航空材料研究院利用紅外熱波技術在航空航天領域開展了大量富有成效的工作[4]。

亞表面無損檢測技術是利用紅外熱成像無損檢測技術檢測物體表面之下靠近表面的一項新的檢測方法，用來檢測物體亞表面的缺陷并進行提取分析。電子散斑干涉測量是一種新型先進的測量物體表面的技術，但是由于不能測量物體內部的變化，所以不能用于亞表面的缺陷測量。因此紅外熱成像無損檢測技術在亞表面無損檢測里有廣闊的應用前景。

1 紅外熱成像無損檢測技術原理

本次實驗所用的紅外熱像儀和被測試件如圖1和圖2所示。為了便于直觀觀察試件的亞表面內部缺陷，此實驗中使用透明的玻璃纖維作為試件。

紅外熱像檢測方法按引起溫差方式的不同分為主動式和被動式。主動紅外熱像檢測是指對被測物體通過外加熱源，使其失去熱平衡，在熱傳導過程中進行紅外檢測。被動紅外檢測是利用被測物體與周圍環境溫度不同，不施加外部熱源進行的紅外檢測。由于被動式紅外檢測受到周圍溫度的影響大，圖像識別精度低，所以本文采用主動式加熱的方法-脈沖加熱法PT（Pulsed Thermography），原理圖如圖3所示。

圖1 實驗用紅外熱像儀Fig.1 Infrared camera

圖2 實驗用測試物件Fig.2 Test specimen

圖3 脈沖加熱紅外熱像檢測方法示意圖Fig.3 Principle chart

脈沖熱像法是研究最多的和最成熟的方法。物體亞表面有缺陷是，其表面的熱場發生變化。通過接受來自物體表面的熱波，就可以對物體內部的狀態做出判斷。由于物體與周圍介質溫差小，所以引入外加光源提高物體表面的溫度，有效去除周圍介質的影響。

用一束脈沖強熱流照射物體表面，單位面積接收熱能的一維傳導方程為：

式中k-熱傳導系數

ρ—密度

c—比熱

T—溫度

t—時間

應用邊界條件求解方程得到物體無損處的溫度為

當熱波傳播到物體亞表面時，將受到阻礙并反射傳播，從而缺陷部分的溫度隨時間變化關系為

進而得到表面溫度差

所以，對物體進行脈沖加熱后，只需用紅外熱像儀檢測表面溫度場分布即可判斷亞表面是否有缺陷并通過圖像軟件進行特征提取。

2 紅外熱成像無損檢測流程

紅外熱成像無損檢測依靠機器視覺技術對采集的紅外圖像進行軟件處理。在機器視覺系統中，視覺信息的處理主要依賴于圖像處理，其包括圖像增強、數據編碼傳輸、平滑處理、邊緣銳化、圖像分割、特征抽取、圖像識別和理解等[5]。根據紅外熱成像過程進行逐項選擇，便于對熱圖像中的缺陷位置直觀顯示和定位。

2.1 無損檢測中熱圖像預處理

物體亞平面缺陷的檢測是建立在紅外熱圖像基礎上的，圖像質量的好壞對檢測結果影響很大。由于紅外熱像儀以及環境干擾等原因，紅外圖像在生成和傳輸過程中不可避免地受到隨機噪聲、起伏背景的干擾并伴有熱擴散效應，引起圖像模糊和邊緣擴散，使得圖像的可視程度降低[6]。在實際應用中，為提高圖像的可視度，要對其進行準確的識別和分析，在進行圖像 增強等處理之前要首先對圖像進行降噪。紅外圖像中的噪聲主要包括散粒噪聲和高斯噪聲。

中值濾波是消除散粒噪聲的有效方法。紅外圖像噪聲的另一種主要成分是高斯噪聲。基于運動檢測的濾波，其IIR濾波形式為：

圖4 降噪處理后的紅外圖像及灰度直方圖Fig.4 Denoised image and gray histogram

2.2 熱圖像增強

銳化技術是用于加強熱圖像中的目標邊界和圖像細節的一種處理方法[7]，要對紅外圖像的缺陷進行識別提取，就要加大缺陷區域與周圍區域的對比度。文中使用拉普拉斯濾波器來增強我們采集到的紅外圖像，基于經驗使用下面的掩模對圖像進行銳化。

經拉普拉斯算子銳化后的圖像如圖5所示，與圖4對比可以看出缺陷的輪廓得到明顯增強，原圖中視覺容易忽略的缺陷位置得到可視化。

圖5 銳化處理后的圖像Fig.5 Image sharpening

2.3 紅外無損檢測對缺陷提取

對得到的紅外圖像進行邊緣檢測是實現可視化紅外無損檢測缺陷定位提取中的主要內容，通過邊緣檢測可以把缺陷在紅外圖像中標識出來，使無損檢測人員對紅外視覺圖像的理解更加直觀、方便。邊緣檢測的算法有很多，有最早提出的一階微分邊緣算子Robert算子、Sobel算子、Prewitt算子和Kirsh算子等。由于環境和熱傳遞等因素的影響，我們會發現測試物體邊緣部分與物體內部的缺陷部分的溫度差別并不是很大，簡單的邊緣識別存在很大的模糊性，容易把測試物體邊緣的非缺陷位置檢測為缺陷邊緣。如圖6所示為sobel算子檢測結果，途中可以看出物體受熱不均的地方會產生邊緣輪廓，而缺陷部分邊緣檢測并不明顯。梯度算法可以有效的過濾平滑邊緣，即把溫度傳遞等因素可能出現的邊緣濾除，但是處理后的圖像仍顯模糊，一些不明顯的缺陷很容易被忽略掉。

圖6 直接使用sobel算子進行邊緣提取Fig.6 Results of the sobel operator

圖7 梯度算法處理結果Fig.7 Results of gradient algorithm

對梯度邊緣檢測算法處理后的熱圖像 （如圖7所示）的缺陷邊緣進行閾值檢測和重建，通過matlab編程實現，處理結果如圖8所示，從圖中可以看出圖中的五處缺陷可以很好的顯示出來。然后利用VC編程去除被測試件邊緣將缺陷顯示標注出來。如圖9所示。

圖8 熱圖像重建結果Fig.8 Results of image reconstruction

圖9 通過VC編程顯示缺陷信息Fig.9 Software to display defect information

3 結 論

通過多次無損檢測實驗，利用文中紅外缺陷識別過程，對20個試件進行實時紅外亞平面無損檢測，其中缺陷有47處，檢測到的缺陷45處，檢測精度95.7%。文中的方法把試件亞表面的缺陷檢測出來后，將信息利用軟件實時顯示出來，此方法滿足各種材料的亞表面無損檢測要求，具有較大的應用市場。

[1]HSIEH C K，SUKU.A methodology ofpredicting cavity geometry based on scanned surface temperature data—prescribed surface tempeature at the cavity side[J].ASME Journal of Heat Transfe r，1980，102:324-329.

[2]Sahnoun S，Blattar S.Thermal non-destructive testing study of a circular defect in plane structure[J].British Journal of NDT，2003，8（8）:115-121.

[3]SAKAGAMIT，KUBO S.Applicationsofpulseheating thermography and lock-in thermography to quantitative nondestructive evaluations[J].Infrared Physics&Technology，2002，43:211-218.

[4]HE Li-ming.SCM application and design of advanced tutorial[M].Beijing:Beijing Aeronautics and Astronautics Press，2001.

[5]X1NG Su-xia，ZHANG Jun-jn，CHANG Ben-kang，et a1.Recentdevelopmentand status of uncooled IR thermal imaging technology[J].Infrared and Laser Engineering，2004，33（5）:441-444.

[6]MEOLA C.A new approach for estimation of defects detection with infrared thermography[J].Materials Letters，2007，61（3）：747-750.