基于熱成像的滲漏源檢測

楊 羽，賀超廣，涂 圓，趙杰鋒，周曉萍，唐立軍

基于熱成像的滲漏源檢測

楊 羽1,2，賀超廣1,2，涂 圓1,2，趙杰鋒1,2，周曉萍1,2，唐立軍1,2

（1. 長沙理工大學 物理與電子科學學院，湖南 長沙 410114；2. 近地空間電磁環境監測與建模湖南省普通高校重點實驗室，湖南 長沙 410114）

針對屋面滲漏源難以檢測的問題，研究了基于滲漏區域紅外圖像特征的灰度分段映射圖像增強方法，提出了一種基于樣板矩陣的圖像快速識別技術，設計了一個屋面全自動滲漏源檢測系統。在5m×3m屋面設置滲漏源形成多個滲漏區域，采用Mecanum輪小車搭載該系統對滲漏源進行檢測，結果表明，該系統可以在89s之內完成檢測工作，總測試150個次滲漏點，漏測12個次滲漏點，識別準確率大于90%。該技術檢測效率高、操作簡單，配合相應載體可用于各類不明滲水源檢測。

紅外熱成像；滲漏源檢測；圖像識別；灰度分段

0 引言

實現屋面滲漏追蹤的技術關鍵點是實現對滲漏源的識別。現在主要依靠人工檢測，檢測效率低下，有時在滲漏源附近沒有明顯水域出現，很難找到滲漏源位置，對于復雜墻面往往要通過人工采取破壞性的方法查找滲水源，工程量大、效果不佳，造成的浪費極大，有些承重構架甚至無法通過人工找到滲水源。目前國內外還沒有發現直接用于房屋滲水的專用檢測裝置，相關的檢測方法效率不高、檢測準確率低。本文利用紅外熱成像對地面滲水源頭進行追蹤檢測，探索灰度分段映射圖像增強方法和基于樣板矩陣的圖像快速識別技術，研究滲漏源紅外自動快速檢測方法，為屋面滲漏源檢測提供有效的技術支持。

1 滲漏源紅外圖像識別方法

滲漏源的識別是基于滲漏源附近水溫存在差異這一物理特性。熱水的滲漏問題較簡單，這里主要研究冷水滲漏識別。一般滲水源的溫度會比環境溫度要低，由此可以依據紅外圖像的信息對滲漏源進行識別，但由于溫差不大，需要先通過灰度分段映射擴大其滲漏圖像邊緣，再進行二值化處理得到滲漏邊緣圖像，最后再利用圖像快速識別技術對處理后的圖像進行快速識別。

1.1 滲水區域紅外圖像增強方法

紅外熱像儀鏡頭所拍攝獲得的紅外圖像難以區分滲漏區域，必須對圖像中滲漏區域邊緣部分進行放大。如果對插值放大得到的原始灰度圖直接輸出，圖像的對比度低，成像圖片的視覺效果較差[1]。人類的視覺特性是非線性和各向異性的。人眼傾向聚焦于變化的灰度域，并且對圖像平滑段中的噪聲比對特定段中的噪聲更敏感，所以當增強圖像時，使圖像的部分特定段中對比度增加，而在平滑段中減弱[2]。這里采用灰度分段線性映射，其圖像增強的原理如下。

灰度分段線性映射圖如圖1所示，設變量為圖像原始灰度最小值（初值為105），縱軸為灰度轉換結果，橫軸為原始灰度，為不定值（根據實際應用環境決定值的大小）。通過增強圖像中各部分間的反差，即具體通過增強圖像中某兩個灰度值間的動態范圍來實現，在圖1中，經過灰度分段線性映射的變換過程，原圖中灰度值在0～和(＋)～255間的動態范圍增加了，而原圖中灰度值在～(＋)間的動態范圍減小了（，分別表示圖像中最小灰度值和最大灰度值），從而使得整個范圍內的對比度得到增強。

圖1 灰度分段線性映射

在～(＋)這一段顯示綠色，低于顯示藍色，高于(＋)顯示紅色，是顯示綠色溫度在灰度圖里的寬度，灰度分段線性映射的計算公式如下式(1)：

圖像灰度分段映射是根據原始灰度圖像中的每個像素灰度值，按照特定的映射規則，將其轉換成另外的一個灰度值，從而達到增強圖像視覺效果的目的。而分段線性灰度變換可以擴展圖像上有用信息的灰度范圍并增加對比度，而相應噪聲的灰度范圍最終會壓縮到較小的區域。相較于其他類似算法，本文中將算法與嵌入式系統結合，進行了創新和改進。利用芯片對圖像進行一個預處理，通過、動態變化來改變灰度分段映射的放大區間，以提高算法對圖像的泛化處理能力。

這里可以使用此種映射方法，映射函數的變換曲線將原始圖像根據像素灰度值分成3部分，在每部分中，變換后的像素灰度值都保持原來的次序，但都進行了擴展以此來提高對比度，這樣，對應的3部分灰度的像素間梯度都會增加，即將低溫部分和高溫部分所占的比例擴大，縮小中間溫度所占的灰度比例，從而有效地提高成像結果的視覺效果和圖像識別處理效果。

經過灰度分段映射處理后的圖像還需要對滲漏區域進行提取。本文通過對比紅外成像中溫度異常區域的溫度和環境溫度進行異常區域的篩選。

滲漏區域提取的方法。根據載體外置的溫度傳感器提取并保存正常的環境溫度，在整個圖像范圍內進行比較。如果存在異常溫度區域，則對圖像進行二值化處理，得到異常溫度區域的邊緣圖像。

1.2 基于樣板矩陣的圖像快速識別技術

圖像的識別一般采用霍夫變換來實現，但霍夫變換占用內存較多、計算復雜且不容易識別到類圓形。目前應用較多的圖像識別方法，計算都較為復雜，不適用于快速識別的場景。對于快速圖像識別的難題，本文提出了基于樣板矩陣的圖像快速識別技術。

樣板矩陣是由樣板圖像的圖像數據組成的，樣板圖像的每個像素點對應矩陣中同位置的數據。如圖2為直線樣板所呈現的數據矩陣，圖3為滲漏區域紅外圖像。

圖2 樣板矩陣和樣板圖像

圖3 滲漏區域紅外圖像

考慮到溫度異常區域有其他干擾因素，例如屋面下埋藏的其他管道。將經過二值化處理后的圖像與樣板矩陣比對，如果異常區域邊緣呈現非滲漏區域的邊緣圖像，則認定為此異常區域非滲漏區域，反之則認定為滲漏區域。

滲漏區域圖像識別的方法。存儲若干有關的滲漏區域圖像邊緣的樣板矩陣，將二值化處理后的異常溫度區域圖像分成若干個小塊和多個樣板圖像進行比對，如果多個子區域與樣板圖像存在高度相同，則認定此區域不為滲漏區域。操作步驟如圖4。

設為異常溫度區域的數據矩陣，1,2, …,為樣板矩陣，為識別系數。將異常溫度區域的數據矩陣和樣板矩陣相對應的數值相乘累加得到。

圖4 圖像識別處理流程

如果值超過識別系數，則說明異常溫度區域邊緣呈直線，不為滲漏區域。如果所有小區塊的值都小于值，則說明異常溫度區域為滲漏區域。的取值與數據矩陣的數值和圖像對比的識別寬容度相關，需根據具體情況進行設定。

如果利用SRC（Sparse Representation-based Classification）的方法，SVM（Support Vector Machine）的方法，基于HOG（Histogram of Oriented Gridients）特征的方法以及基于深度特征學習的方法[3]，圖像識別率會有大幅度的提升，但計算性價比相較于本文方法較低，而此方法與霍夫變換等基礎的圖像識別手段相比有效地提升了效率且識別精準度也有了提升。

2 滲漏源搜尋方法

2.1 滲漏源循跡方法

實現滲漏源循跡有兩個必要條件：一是確定滲漏的方向；二是設計載體行進的軌跡。

根據滲漏源的擴散規則，滲漏源至擴散邊緣的溫度是逐漸升高的，由此可以確定滲漏區域的擴散方向。只需要保持紅外圖像的中心位于擴散區域的中心，且方向與擴散方向相反，則可以讓運動裝置沿著擴散痕跡追蹤到擴散源頭。

一般的循跡算法需要額外的攝像頭做輔助觀察或者需要較為復雜的處理方法才能實現。本方法只需要保證圖像中心點一直在滲漏區域內，且中心點的溫度與周圍溫度存在溫度梯度差，就可以實現追蹤功能，且計算量極低，處理速度快。

2.2 實時地圖構建

為了提高探測效率和記錄滲漏源坐標，本文仿照掃地機器人設計了一種高效的行走線路規劃。在進行搜尋之前先進行坐標系的建立，精確記錄載體運動數據，建立軌跡地圖，避免重復路徑、記錄滲漏源坐標。具體搜尋軌跡大致如圖5。

圖5 搜尋軌跡

3 基于紅外熱成像的滲漏源自動追蹤系統設計

利用optris PI640紅外熱像儀傳感器陣列測溫傳感器、RZ/A2M芯片、Mecanum輪載體小車搭建了一個滲漏源自動追蹤平臺。通過藍牙和按鍵來實現對整個系統的控制，可以實現自動滲漏源追蹤、保存圖片等功能。

3.1 硬件設計

利用RZ/A2M芯片對紅外傳感器接收到的信息進行處理，芯片通過usb接口接受紅外傳感器信息，通過串口傳輸運動指令給載體，實現其滲漏源自動追蹤功能。

如圖6所示，通過藍牙和按鍵來實現對整個系統的控制，實現全自動的滲漏源追蹤。使用串口來實現各個芯片和載體之間通信，實現對載體的運動控制。

3.2 軟件設計

如圖7所示，系統在進行紅外鏡頭初始化后，接收到紅外鏡頭的紅外圖像數據，先初步構建一個地圖以提高搜尋效率。通過灰度分段映射和圖像識別技術對紅外圖像進行處理，判斷是否存在滲漏區域。如果存在滲漏區域，則在滲漏區域中尋找滲漏源，找到滲漏源后，系統會記錄滲漏源所在坐標。如果不存在滲漏區域，則系統繼續進行尋找滲漏區域。如果系統完成全部區域的檢測，則會停止運行在算法上避開傳統圖像識別的難題，根據實際問題用特殊的算法對圖像中的部分信息進行識別，大幅提高了處理效率。地圖的構建提升了載體運動的效率和檢測速度。

圖6 硬件系統組成結構圖

圖7 系統軟件流程

4 系統測試結果及分析

4.1 仿真測試結果以及測試方案

用不同算法對同一幅圖像進行處理，保證變量的唯一性，比較各個算法的結果。測試平臺為筆記本電腦Windows 10 企業版20H2、i7-10870H、matlabR2018a。

4.1.1 圖像增強算法仿真結果

將本文的圖像插值算法與最鄰近插值、雙三次插值對比，分析各算法結果。

表1是各種插值算法對于紅外成像方面處理的峰值信噪比。

表1 各種圖像增強算法的峰值信噪比及其平均值

峰值信噪比是對于圖像質量優劣的重要評判標準，峰值信噪比越高代表圖像的質量越好，越低代表圖像質量越差[4]，實驗測得的各算法的峰值信噪比平均值如表2。

表2 各種圖像增強算法的峰值信噪比平均值

由表2不難看出本文設計的插值算法是常見插值算法中對紅外圖像處理效果最好的一種，圖像增強算法的峰值信噪比的平均值比常規最佳值大1.6%。

4.1.2 圖像算法處理順序仿真結果

算法對圖像處理的先后順序也會對最后的成像結果產生影響[5]。將灰度插值和偽彩色處理兩種算法對圖像的先后處理順序進行了分析，了解最佳的算法順序，測試結果如表3。

由表3可知，先灰度插值放大后偽彩色處理的信噪比大。仿真測試的圖像如圖8，先灰度插值放大后偽彩色處理得到的圖像更清晰。

4.1.3 紅外圖像識別仿真結果

將本文紅外圖像識別算法與傳統算法以及目前較為先進的多角度紅外圖像識別算法做對比。

表3 算法處理先后順序的區分差異

圖8 算法處理不同順序結果對比圖

由表4可知，本文無論是與傳統霍夫變換相比還是與現在最新的多角度紅外圖像目標識別相比，處理速度上都有著較大的優勢，識別準確率也有著一定的優勢。即使使用優化后的霍夫變換（基于投影法的Hough變換）[6]，處理速度依然比不過本文所提出的快速識別算法。

表4 不同算法處理紅外識別問題的時間

4.2 系統測試

本文建立了一個5m×3m的屋面模擬滲漏區域，此區域內存在一個或多個滲漏區域。在地面覆蓋一層木板來模擬實際屋面情況，在木板下分別設置1～3個固定出水源來模擬未知滲漏源，分別進行25次搜尋測試，記錄對每個滲漏源的搜索結果。

4.2.1 系統載體設計

利用Mecanum輪小車模擬搭載檢測系統的載體，實物圖和結構分析圖分別見圖9和圖10，通過對Mecanum輪結構的分析，在平面內運動時輪子有3個自由度，基于輪子特點通過4個輪子的組合，實現平面內全方位移動，實現檢測系統的運動。

實現滲漏源的準確追蹤需要精確且靈活的運動裝置，這里使用Mecanum輪式小車來充當運動載體。輪式移動機器人被認為是一種在水平面上具有線性和角度運動的規劃器機構[7]，而Mecanum可以通過電機控制每個輪子的運動分量來實現360°的無死角運動。

圖9 Mecanum輪實物圖

圖10 具體運動分量

4.2.2 系統與載體的協同方法

紅外圖像經過處理后，將圖像處理后的識別結果經過分析，向載體發出控制信號通過控制每個Mecanum輪的運動分量來控制小車運動。具體控制方程如下：

式中：為小車整體的合成速度；1、2、3、4為小車四輪的對應速度；為系數和實際情況有關；W為小車轉動的角速度。

4.2.3 系統測試結果

對不同位置的模擬滲漏源進行多次測試，得到表5、6、7測試結果。源1、源2、源3分別代表滲漏源1、滲漏源2、滲漏源3。

由表5、6、7可知（√和×分別表示滲漏源檢測成功與失敗），經過75次測試，整個系統總檢測150個次滲漏源，僅出現12個次滲漏源漏測現象，檢測總成功率為92%，最長檢測時間為89s。單滲漏源情況平均耗時為69.2s、成功率為92%，雙滲漏源平均耗時為73.16s、成功率為90%，3個滲漏源平均耗時為74.28s、成功率為93.3%，探測時間和成功率基本無差別，滲漏源數量對探測耗時和探測成功率的影響極小，說明系統可以有效檢測滲漏源。整個檢測過程中，藍牙和功能鍵均能正常工作，有效控制系統的運行。

表6 系統測試結果-2個滲漏源

表7 系統測試結果-3個滲漏源

5 結語

針對屋面漏水滲水源查找困難問題，采用紅外識別的方法，研究了基于樣板矩陣的圖像識別技術和基于滲漏區域紅外圖像特征的灰度分段映射圖像增強方法，設計了一個屋面全自動滲漏源檢測系統，該技術能夠對地面滲水情況進行精準查源、應用范圍廣，非接觸式、大面積檢測、高效穩定，降低滲漏檢測的成本，下一步研究中加入HOG等深度學習相關算法，通過結合具體環境訓練出針對的灰度轉換函數以及滲漏識別參數，對成像效果進行機器評分，在不同環境下切換對應訓練后的算法，實現最好性能。以Mecanum輪小車為載體，對模擬滲漏區域進行檢測，檢測準確率大于90%，檢測時間最長為89s。選用不同的載體，該系統可以應用于各類不明滲水源的檢測。

[1] LIU Dunnan, HOU Rui, LI Qiang, et al. Research on fuzzy enhancement algorithms for infrared image recognition quality of power internet of things equipment based on membership function[J]., 2019, 62(1): 359-367.

[2] ZHENG Zhaoping, ZENG Hansheng, DING Cuijiao, et al. Summary on the infrared thermal imaging temperature measurement technology and its application[J]., 2003, 25(1): 96-98.

[3] 趙璐, 熊森. 多視角紅外圖像目標識別方法[J]. 紅外與激光工程, 2021, 50(11): 403-408.

ZHAO Lu, XIONG Sen. Multi-view infrared image target recognition method[J]., 2021, 50(11): 403-408.

[4] BAI Honggang, JIN Yingji. Application of infrared technology in military[J]., 2008(6): 5-7.

[5] 蔡毅, 王嶺雪. 紅外成像技術中的9個問題[J]. 紅外技術, 2013, 35(11): 671-682.

CAI Yi, WANG Lingxue. Nine problems in infrared imaging technology [J]., 2013, 35(11): 671-682.

[6] 楊凱斌, 吳定祥, 龔金成, 等. 圓環陶瓷檢測算法研究[J]. 中國陶瓷, 2017, 53(3): 39-44.

YANG Kaibin, WU Dingxiang, GONG Jincheng, et al. Research on detection algorithm of ring ceramics [J]., 2017, 53(3): 39-44.

[7] Alwan Hassan M, Volkov A N, Shbani A. Solution of inverse and forward kinematics problems for mobile robot with six mecanum wheels[C]//, 2021, 1094(1): 012071.

Leakage Source Detection Based on Thermal Imaging

YANG Yu1,2，HE Chaoguang1,2，TU Yuan1,2，ZHAO Jiefeng1,2，ZHOU Xiaoping1,2，TANG Lijun1,2

(1.,,410114,;2.,410114,)

To address the difficulty in detecting the source of roof leakage, an image enhancement method that uses the infrared image features of the leakage area was studied using gray segmentation mapping. Rapid image recognition technology based on a template matrix was proposed, and an automatic roof leakage source detection system was designed. Leakage sources were set on a 5m× 3m roof to form multiple leakage areas. A mecanum wheeled trolley was used to support the system while detecting these sources. The results showed that the system could complete detection within 89s, with a total of 150 leakage points tested and 12 leakage points missed, and the identification accuracy was greater than 90%. This technology has high detection efficiency and simple operation and can be used to detect all types of unknown water seepage sources with the corresponding carrier.

infrared thermal imaging, leakage source detection, image recognition, gray-scale segmentation

TN219

A

1001-8891(2022)07-0750-07

2021-05-26；

2021-08-06.

楊羽（1999-），男，本科生，研究方向信號檢測與處理研究。

周曉萍（1973-），女，講師，研究方向信號檢測與處理。E-mail：zhouxiaoping1000@126.com。

唐立軍（1963-），男，教授，博士生導師，研究方向為信號檢測與處理研究。E-mail：tanglj@csust.edu.cn。

國家級大學生創業實踐項目（S201910536003S）；湖南省重點研發計劃項目（2018GK2054）。