基于熱圖時序特征和PNN的孔洞缺陷紅外無損檢測方法

周建民，符正晴，蔡 莉，李 鵬

（華東交通大學機電工程學院，江西 南昌 330013）

基于熱圖時序特征和PNN的孔洞缺陷紅外無損檢測方法

周建民，符正晴，蔡 莉，李 鵬

（華東交通大學機電工程學院，江西 南昌 330013）

利用熱圖時序特征和PNN，提出了一種以像素為單位，實現(xiàn)缺陷紅外無損檢測的新方法。該方法首先采用紅外熱像儀獲取加熱試件在降溫過程中的紅外時序熱圖；其次，提取時序熱圖中正常和異常區(qū)域的灰度值，建立不同區(qū)域的灰度值與時間的關系，進而獲得相應的初始特征；再次，采用主成分分析方法對初始特征進行提取，獲得時序特征；最后，以時序特征作為訓練樣本，構建概率神經網絡，實現(xiàn)孔洞缺陷檢測。實驗結果表明，正常區(qū)和異常區(qū)識別率分別可達到95%和85%。

紅外無損檢測；時序特征；主成分分析；概率神經網絡

紅外無損檢測是近年來發(fā)展迅速的一種無損檢測方法［1］。與常規(guī)的渦流、射線等檢測方法相比，該方法具有非接觸、快速、溫度靈敏度高（≥0.1℃）等優(yōu)點，因此，已廣泛應用于材料缺陷檢測中［2-3］。

目前，借助圖像處理方法，分析某一個時刻被測件的溫度差異是實現(xiàn)缺陷紅外無損檢測的主要方法。在該檢測過程中，一方面由于可獲取的用于檢測缺陷的特征較少；另一方面，由于單純圖像處理的缺陷檢測效果不佳等原因，最終局限了紅外無損檢測的發(fā)展。

研究基于熱圖時序特征，并結合主成分分析（PCA，principal component analysis）和概率神經網絡（PNN，probabilistic neural network）［4］，以像素點為單位實現(xiàn)了被測件的缺陷檢測。研究一方面通過引入時序特征彌補了傳統(tǒng)紅外檢測中特征缺乏的不足，另一方面，以像素點為對象進行缺陷檢測，最終獲得了理想的檢測效果。

1 實驗部分

1.1 實驗儀器與試件

實驗儀器包括熱激勵源和紅外熱圖采集系統(tǒng)。熱激勵源為250 W的紅外燈，用于加熱試件；圖像采集系統(tǒng)是紅外熱像儀IR970。其實驗方案示意圖如圖1所示。??

圖1 實驗方案示意圖Fig.1 Schematic diagram of the experimental scheme

實驗試件選用45#鋼板，鋼板的尺寸為147 mm×115 mm×19 mm，表面制備有2個不同大小的孔洞缺陷，其中異常區(qū)域為A類孔洞缺陷區(qū)域（半徑r=7.4 mm）和B類孔洞缺陷區(qū)域（半徑r=6 mm），試件的其他區(qū)域為正常區(qū)域。

1.2 紅外時序熱圖采集

紅外無損檢測技術是被測件被加熱后，被測件內部的缺陷改變材料局部的導熱性能，致使材料表面溫度場發(fā)生變化，通過材料表面的溫度圖譜即可判定缺陷，因此采用專用軟件對獲取的紅外熱圖進行處理，從而達到檢測目的［5］。

首先，采用熱激勵源距離試件10 cm對試件缺陷面加熱20 min后；其次，通過紅外熱像儀自動采集試件降溫過程中的紅外時序熱圖，間隔時間為30 s。圖2為降溫300 s后的灰度圖。

紅外熱圖的灰度級直接反應了溫度高低及其分布特征。因此，溫差越大，圖像的對比度也越大，就越利于識別目標。熱圖像上某一像素點(i,j)處的灰度值f（i，j）與該溫度值T（i，j）存在如下關系［6］：

式中：f（i，j）為灰度圖像；T（i，j）為圖像的熱場；Tmax為紅外熱圖像最高溫度；Tmin為紅外熱圖像最低溫度。因缺陷的出現(xiàn)會產生溫度場發(fā)生變化，鑒于灰度值和溫度高低有相應的關系，則會破壞其所在區(qū)域灰度值的排布規(guī)律，表現(xiàn)為圖像中灰度的異常［6］。

圖2 灰度圖（t=300 s）Fig.2 Grayscale image(t=300 s)

2 初始特征獲取及其主成分提取

初始特征獲取及其主成分提取是本研究的重點之一，也是缺陷檢測的關鍵。

2.1 初始特征獲取

研究提出了一種獲取時序初始特征的方法。首先，通過灰度化和標準化，將采集的熱圖轉變成像素為177×137的灰度圖；其次，分別獲取各時序熱圖中正常區(qū)域和異常區(qū)域（包括A類和B類）像素點的灰度值，并分別對3類區(qū)域灰度值與時間的關系進行曲線擬合（如圖3所示）；最后，在擬合曲線上每隔30 s選取一個灰度值，組成時序初始特征。

圖3 正常區(qū)域和異常區(qū)域灰度隨時間變化曲線Fig.3 Gray curve of the normal and defects area with the cooling time

2.2 初始特征的主成分提取

為減少初始特征的相關信息，降低其的維數(shù)，提高缺陷檢測的效率，研究對初始特征進行了主成分提取［7-8］，主要過程如下：

1）建立初始特征矩陣X。分別以不同缺陷類型（正常區(qū)域，異常區(qū)域A類和B類）抽取訓練集樣品的灰度特征點，經標準化后，建立初始特征矩陣X為

式中：n為訓練樣本數(shù)；p為初始特征維數(shù)，每隔30 s取某點的灰度值，p為30。

2）計算初始特征矩陣X的標準化矩陣S。

3）計算標準化矩陣S的特征值λi（i=1，2，…，p）（其中，特征值λi按由大到小順序排列），并計算出累積貢獻率，確定貢獻率大于80%的主成分個數(shù)m，其中m=3。

4）計算主成分。確定貢獻率大于80%的主成分，并作為新特征用于后續(xù)的神經網絡識別。

3類區(qū)域的主成分散點圖如圖4所示。

3 構建概率神經網絡

概率神經網絡是基于貝葉斯分類規(guī)則與概率密度函數(shù)估計方法發(fā)展而來的一種并行分類算法［9-10］。PNN由輸入層，模式層，求和層，輸出層共4層組成。測試樣品的特征矢量由輸入層放入神經網絡后，模式層與累加層將計算出該樣品在每一模式類的概率密度，具有最大值的那一類將被認為是當前測試樣品的模式類。其中，概率密度的計算公式如下［11］：

圖4 3類區(qū)域主成分散點圖（m=3）Fig.4 Scattered point of three kinds of areas（m=3）

式中：X為測試樣品的p維特征向量；fA（X）為X屬于A類的概率密度函數(shù)；XAi為第A類缺陷類型的第i個訓練樣品的特征向量；NA為A類中訓練樣品的個數(shù)；δ為平滑參數(shù)，其取值確定了以樣本為中心的鐘狀曲線的寬度［12］。

根據提取出的序列灰度樣本集，及其對該時序特征進行主成分分析獲得的前三個主成分得分，即可對PNN神經網絡進行訓練。當正常區(qū)域和異常區(qū)域A、B的訓練集樣品放入模式層之后，訓練樣本訓練完成，然后依次選取145組（A類區(qū)域）、102組（B類區(qū)域）、200組（正常區(qū)域）的待測像素點為測試樣本進行測試，采用概率神經網絡訓練，平均識別率達到90%。最終實現(xiàn)了以像素點為單位并以時序特征為特征向量的缺陷檢測。

4 結果與分析

在Matlab中，構建概率神經網絡，利用像素點提取初始特征30個，并進行主成分分析獲得3個有效特征，現(xiàn)在隨意選取其中的像素點的時序特征作為訓練的輸入向量p，建立概率神經網絡，其PNN檢測的分類結果統(tǒng)計如表1所示。

結果表明：

1）分類結果表明，采用時序特征并結合概率神經網絡的方法進行缺陷檢測是完全可行的，其識別效果較理想。

2）識別結果表明，選取不同大小的孔洞類型缺陷，隨著面積減小，其識別率也相應降低，說明面積小的孔洞缺陷，其識別效果沒有缺陷面積大的識別效果好。

3）從擬合曲線來看，3類區(qū)域的灰度值隨時間變化各不相同，同一時刻，正常區(qū)域灰度值最小，B類孔洞缺陷灰度值最大，說明缺陷面積越小，同一時刻其灰度值越小。而且在相同間隔內，A類孔洞缺陷較B類灰度值變化較快，說明缺陷面積越小，其灰度值隨時間變化越慢。

5 結論

表1 孔洞缺陷檢測的分類結果Tab.1 Results of classification of hole defect detection

針對可獲取的用于檢測缺陷的特征較少，單純圖像處理的缺陷檢測效果不佳這一問題，實驗采用紅外熱像儀獲取紅外時序熱圖；并提取熱圖中正常和異常區(qū)域的灰度值，建立不同區(qū)域的灰度值與時間的關系，進而獲得時序初始特征；然后采用主成分分析實現(xiàn)初始特征降維，獲得時序特征；最后，以時序特征作為訓練樣本，構建概率神經網絡。最終結果表明，正常區(qū)域和異常區(qū)域識別率分別可達到95%，85%。提出了一種以像素為單位，基于熱圖時序特征和PNN，實現(xiàn)了缺陷紅外無損檢測。克服了單張圖片檢測、獲得特征信息量少的局限性等缺點，提高了有效性和精確性，具有一定的實用價值。

[1]田裕鵬.紅外檢測與診斷技術[M].北京:化學工業(yè)出版社.2006:15-40.

[2]吳平川,路同浚,王炎.鋼板表面缺陷的無損檢測技術與應用[J].無損檢測,2000,22(7):312-315.

[3]蔣淑芳.紅外熱波無損檢測用于材料表面下缺陷類型識別[D].北京:首都師范大學,2006.

[4]SPECHT D F.Probabilistic neural networks[J].Neural networks,1990,3(1):109-118.

[5]匡以順.基于紅外熱圖像信息的銅轉爐爐襯蝕損狀態(tài)在線測量系統(tǒng)研究[D].贛州:江西理工大學,2007.

[6]BULANON D M,BURKS T F,ALCHANATIS V.Image fusion of visible and thermal images for fruit detection[J].Biosystems En?gineering,2009,103(1):12-22.

[7]李鵬,周建民,趙志敏.基于PCA和PNN的高甘油三脂血清熒光光譜識別[J].光子學報,2011,40(11):1641-1645.

[8]王杉,陳翔,司寒羽.基于遙感圖像信息特征的單調遞增SSDA算法[J].華東交通大學學報,2013,30(1):15-21.

[9]孫永軍,王福明.概率神經網絡PNN在發(fā)動機故障診斷中的應用[J].機械工程與自動化,2007(8):99-99.

[10]蘇亮,宋緒丁.基于Matlab的概率神經網絡的實現(xiàn)及應用[J].計算機與現(xiàn)代化,2011(11):47-50.

[11]LEE J J,LEE J W,YI J H,et al.Neural networks-based damage detection for bridges considering errors in baseline finite ele?ment models[J].Journal of Sound and Vibration,2005,280(3):555-578.

[12]陳佳,傅攀.基于小波包和概率神經網絡的滾動軸承故障診斷[J].四川兵工學報,2011,32(5):58-61.

Infrared Nondestructive Testing for Hole Defect Based on Temporal Characteristics and Probabilistic Neural Networks

Zhou Jianmin,Fu Zhengqing,Cai Li,Li Peng
(School of Mechatronical Engineering,East China Jiaotong University,Nanchang 330013,China)

This paper presents a novel method of infrared NDT for detecting hole defects based on temporal charac?teristics and probabilistic neural network(PNN).Firstly,the sequence image was obtained by thermal imaging camera.Secondly,the gray value of normal and abnormal area was extracted and different parts of the gray value of time were set up,and then the initial characteristics were achieved.The principal component analysis was used to extract initial characteristics and get the temporal characteristics.Finally,the temporal characteristics were adopt?ed as the training sample,and the probabilistic neural network was founded for the hole defect detection.Results showed that the recognition rates of the normal and abnormal area were 95%and 85%respectively.

infrared nondestructive testing;temporal characteristic;principal component analysis;probabilistic neural network

TN219

A

1005-0523（2014）02-0086-05

2013-09-18

國家自然科學基金資助項目（51175175）；江西省教育廳科技項目（GJJ13342；GJJ12312）作者簡介：周建民（1975—），男，副教授，博士，研究方向為無損檢測技術。