基于雙邊濾波與幀差方差法的微小泄漏點檢測

李珊紅， 劉興， 方薇， 張冬英， 費海強， 李晨， 秦湛

(1.合肥學院先進制造工程學院， 合肥 230601； 2.中科院合肥物質科學研究院智能機械研究所， 合肥 230031)

目前工業上對于泄漏點的定位研究多集中在大型石油管道和氣體熱力管道，對復雜器件的氣密性檢測研究較少，尤其是當器件泄漏點的泄漏量小于10-3NL/s時，普通的檢測方法已很難滿足要求[1]。近些年由于紅外技術的發展，通過紅外成像技術能夠較準確地定位泄漏點的位置，但對于微小泄漏點的定位常常受到噪聲的影響[2]。紅外氣體泄漏檢測可以看作是紅外小目標的識別問題，紅外小目標的識別主要分為兩類：單幀識別和多幀序列識別，雖然密閉器件泄漏點的位置不會發生變化，但泄漏點在圖像上表現為忽明忽暗，單幀檢測的效果并不明顯，所以紅外密閉容器的泄漏點檢測可以看作紅外運動目標的識別。文獻[3]提出了新的開運算算法，得到新的top_hat變換，該算法有效解決了紅外小目標檢測時與背景糾纏問題。文獻[4]提出了改進的雙邊濾波算法氣體泄漏檢測方法，此方法能夠區分目標和噪聲，實現了泄漏點的定位。文獻[5]提出了基于張量低秩分解和稀疏表示的紅外微小氣體泄漏檢測方法，較準確地實現泄漏點的定位。但以上算法面對工業上復雜環境的變化時仍然受到環境噪聲的影響，檢測率和誤檢率結果都不理想。

針對以上算法存在的問題，現對采集的紅外圖像首先進行濾波處理，去除環境噪聲[6-7]。其次由于泄漏點在圖像上表現為忽明忽暗溫度變化幅度較小，需進一步捕捉泄漏點的溫度變化，所以提出基于雙邊濾波[8]的幀間差分[9]方差法，有效去除環境噪聲[10]的影響，增強泄漏點溫差的變化幅度,對泄漏點進行定位。同時對泄漏點的檢測結果(檢測率、誤檢率)與相關算法進行比較。

1 紅外泄漏溫差分析

1.1 紅外成像原理

紅外熱成像的原理是被動式夜視技術。在現實生活中，任何高于絕對零度的物體無時無刻不在輻射出紅外線，并且此物體輻射出的紅外線攜帶了大量的信息，其中包括待測物體的溫度大小和熱分布場。紅外線的這一特點為目前基于紅外線的各類目標檢測和識別提供了客觀依據。紅外相機是將物體發熱部位輻射的功率信號轉換成電信號后，相機的成像模塊就能夠分析出物體的表面溫度分布，最后經系統處理形成了紅外熱像圖。紅外熱成像形成原理圖如圖1所示。

圖1 紅外熱像形成原理圖Fig.1 Schematic diagram of infrared thermal image formation

基于紅外的微小泄漏點檢測是利用金屬表面溫度與材料固有特性之間的關系，紅外波具有能量高和較強的方向性等特點，并且傳播過程中可以與金屬表面的泄漏點處耦合，并產生衍射和反射的現象。提取反射紅外熱波中的金屬器件信息并形成紅外圖像，通過對紅外圖像進行數據處理，判斷金屬器件是否存在泄漏。

1.2 泄漏溫差分析

利用紅外熱成像設備檢測器件泄漏處的溫差變化是對泄漏點定位的基本依據，通常金屬器件泄漏點的氣體泄漏可以被看作一種特殊的節流過程[11], 而在此過程中, 金屬器件泄漏點處氣體的溫度會隨著壓強變化而變化。金屬器件泄漏點處產生的溫差計算公式如式(1)、式(2)所示。

u=(?T/?P)H=[T(?Vq/?T)P-Vq]/cp

(1)

(2)

式中:u為焦耳-湯姆遜系數；Vq為氣體比體積；cp為氣體比定壓熱容;下標H、P分別表示等焓、等壓過程；ΔT為計算的溫差；P1、P2分別為前后壓強。

2 泄漏點定位算法模型

2.1 雙邊濾波算法

在紅外目標檢測過程中，由于周圍環境存在空氣流動、大氣吸收散射作用、物體熱輻射等干擾因素存在，不同幀圖像的背景環境會發生忽明忽暗變化，導致圖像噪聲增加。因此在檢測目標之前對圖像進行濾波處理，采用雙邊濾波對圖像進行預處理。雙邊濾波是一種非線性濾波器[12]，它可以起到保持邊緣、降噪平滑的效果。雙邊濾波采用加權平均的方法，用周邊像素亮度值的加權平均代表某個像素的強度，所用的加權平均基于高斯分布。最重要的是，雙邊濾波的權重不僅考慮了像素的歐氏距離，還考慮了像素范圍域中的輻射差異，例如卷積核中像素與中心像素之間相似程度、顏色強度，深度距離等，在計算中心像素的時候同時考慮這兩個權重。計算公式如式(3)、式(4)所示。

(3)

(4)

[f(ε),f(x)]dε

(5)

(6)

式中:h(x)為點x濾波后的灰度值;c()為基于高斯空間的權重;s()為像素之間相似程度的高斯權重[13];f(x)為像素點的像素值;k-1(x)為歸一化因子。

紅外圖像序列中的噪聲往往和泄漏點目標信息混雜在一起，濾除噪聲時可能會丟失一部分圖像邊緣細節。在泄漏檢測中使用雙邊濾波可以保留圖像邊界的細節，并且對于模糊變化不明顯的區域可獲得出色的濾波效果。如圖1所示為雙邊濾波過程，雙邊濾波過程如圖2所示，未濾波的差分圖像如圖3(a)所示，雙邊濾波后的差分圖像如圖3(b)所示，從圖像對比的結果可以看出雙邊濾波去除了大部分的噪聲，增強了泄漏點與周圍的對比度。

圖2 雙邊濾波過程Fig.2 Bilateral filtering process

圖3 濾波差分圖像前后對比Fig.3 Filter difference image before and after comparison

2.2 幀差方差算法

實驗過程中的采集圖像是幀序列圖像，在器件存在泄漏的情況下，泄漏點的溫度會不斷變化，即溫度升高灰度值變大，溫度降低灰度值減小，表現在圖像上是灰度值的細微變化，因此每張圖像之間是變化的，不同幀圖像的變化不盡相同。為了消除背景突出泄漏點灰度值的變化特點，提出了幀差方差法。雙邊濾波后的圖像用h(i,j)表示，序列里的第k-1幀和第k幀分別用hk-1(i,j)和hk(i,j)來表示。其差分過程[14]如式(5)所示。由式(7)得到序列圖像差分矩陣R(k-1,k)(i,j)后計算方差過程如式(8)、式(9)所示。

R(k-1,k)(i,j)=|hk(i,j)-hk-1(i,j)|

(7)

P(i,j)=[R(1,2)(i,j)+R(2,3)(i,j)+…+

R(n-1,n)(i,j)]/(n-1)

(8)

C(i,j)={[R(1,2)(i,j)-P(i,j)]2+

[R(2,3)(i,j)-P(i,j)]2+…+

[R(n-1,n)(i,j)-P(i,j)]2}×

(n-1)-1

(9)

式中:P(i,j)為圖像差分矩陣R(k-1,k)(i,j)的圖像灰度值均值矩陣；C(i,j)為差分方差圖像n為圖像總幀數。對圖像做閾值分割[15]處理時，需要注意閾值T的選取，可能會受到環境里光線的變化等情況的影響。若想更好地抑制噪聲，閾值T不適合取地過小， 同時，為避免差分圖像中的一些目標信息被遮蓋，其取值需在一定范圍內，不能過大。閾值分割過程如式(10)所示。

(10)

式(10)中:D(i,j)為幀差方差圖像閾值分割后的結果。

2.3 驗證目標點

由于檢測對象的不同和環境的變化，易將背景噪聲點誤減為泄露點。分析泄漏點的變化特點，隨著加減壓過程中，幀序列圖灰度值會發生相應變化。利用這一特點提出種幀差概率法，步驟如下。

步驟1用雙邊濾波與幀差方差法計算得到的泄漏點坐標。

步驟2計算此坐標在幀序列的灰度值變化次數占總次數的比例。

步驟3設定閾值識別是否為泄漏點。

具體方式如式(11)、式(12)所示。

(11)

(12)

式中:f(i,j)為最終結果圖；閾值r為泄漏點灰度值變化量，其值隨不同的加壓大小而變化；閾值p為變化幀數占總幀數的概率大小，其大小與加壓頻率有關。在壓力和頻率不大的情況下這兩個數值不應過大，防止把真泄漏點剔除。

2.4 檢測流程

首先對采集到的紅外圖像進行雙邊濾波，去除大部分環境噪聲，其次對濾波后的序列圖像進行幀差方差法、閾值分割后找到泄漏點，最后對泄漏點進行概率目標驗證，提取出最終泄漏點。實驗算法流程圖如圖4所示。

圖4 實驗算法流程圖Fig.4 Flow chart of experimental algorithm

1為氣壓源；2為氣動三聯；3、4、8、13為截止閥；5為溫控裝置；6為壓力傳感器；7為控制裝置；9為待測件； 10為溫度傳感器；11為隔離罩；12為紅外相機圖5 氣體泄漏檢測實驗模型Fig.5 Experimental model of gas leak detection

3 實驗結果與分析

3.1 實驗方法

被測器件為鋁制和銅制容器，紅外相機采用自組裝集成的長波非制冷型相機，相機分辨率384×288。實驗環境為室內,實驗原理如圖5所示，紅外熱像儀采集的紅外圖像反映了工件表面溫度場及其變化情況，在氣體的泄漏過程中，由于熱傳導作用，工件泄漏點附近溫度場會發生變化，反映在工件紅外圖像上為一個奇異點，利用所提出的雙邊濾波幀差方差算法對其進行處理后，實現對泄漏點的檢測。

實驗過程采用差壓脈沖法，首先打開閥門4和8，通過溫控裝置將氣壓源(40～50 ℃的氣體)通入待測件中，通過精密減壓閥形成0.5 MPa氣壓；關閉閥門4，打開閥門3和8，將氣壓通入待測件中，之后加壓3 s泄壓2 s。后重復加壓減壓操作，每0.1 s采集一幀，共采集10 s。實驗平臺的配置如下:處理器為inter cpu i7-10700，軟件環境為python 3.7.0及opencv。

3.2 實驗數據

數據集來源于對銅件和鋁件的紅外幀序列采集，對每一個泄漏點分別從4個方向都單獨采集100幀紅外圖像。8個不同的器件均由廠家提供，其中鋁件4與銅件4是廠家根據泄漏點的特點及大小，在器件上模擬制造了10個不同的微小泄漏點擴充數據集，此微小泄漏點孔徑約為0.05 mm,在一個相對標準大氣壓強下實測泄漏流量約為16.8 mL/min，不同材質、位置的泄漏流量有所差異，數據集描述如表1所示。

表1 數據集描述Table 1 Data set description

3.3 部分實驗結果對比

銅件檢測如圖6所示，其中圖6(a)、圖6(b)分別是第36幀、37幀原始圖像(泄漏點在矩形框中)，圖6(c)是本文算法檢測的泄漏點圖像，為了清楚查看，將圖像灰度值歸一化到0～255。圖6(d)為本文算法閾值分割后檢測的泄漏點圖像。圖6(e)是第36幀、37幀原始圖像經雙邊濾波后的差分圖像，圖6(f)是圖6(e)閾值分割后檢測的泄漏點圖像。圖6(g)是對圖6(e)開運算提取的背景圖，圖6(h)是經Top_hat算法濾波后檢測的結果圖，圖6(i)是閾值分割后檢測的泄漏點圖像。

圖6 銅件檢測結果對比Fig.6 Comparison of detection results of copper parts

鋁件檢測結果如圖7所示，圖7(a)、圖7(b)分別是第50幀、51幀原始圖像，圖7(c)、圖7(d)分別為本文算法檢測的結果圖，圖7(e)、圖7(f)分別為經雙邊濾波后的幀差法檢測結果圖，圖7(g)、圖7(h)、圖7(i)分別為Top_hat算法檢測的結果圖。

從圖6、圖7所示銅件和鋁件的檢測結果可以看出，傳統的幀差法雖然也能檢測出泄漏點，但檢測結果受圖像選取的影響較大，檢測結果干擾點較多，Top_hat算法雖然對圖像有一個較好的背景提取，但仍然存在部分噪聲點，本文算法利用泄漏點的變化特點，利用多幀序列圖像能對泄漏點進行準確定位。

為了定量分析3種算法的優缺點，利用接受者操作特征(receiver operating characteristics，ROC)工作曲線[16]對各個算法進行評估。ROC曲線的橫坐標代表誤警率，縱坐標代表正確檢出率，曲線與橫軸之間的面積越大，代表此算法的性能越好，誤警率和正確檢出率的定義如式(13)、式(14)所示。

Pr=Dr/DS

(13)

Pf=Df/DS

(14)

式中：Dr為正確檢出泄漏點個數；Pr為泄漏點正確檢出率；Pf為泄漏點誤警率；Df為泄漏點錯誤檢出數；DS為泄漏點實際目標總數。對銅件和鋁件進行多次和不同角度泄漏點檢測，其檢測結果如圖8所示。

圖7 鋁件檢測結果對比Fig.7 Comparison of aluminum test results

4 結論

(1)提出的雙邊濾波與幀差方差法結合的算法，通過雙邊濾波去除環境噪聲，以雙邊濾波幀間差分圖像為數據基礎，通過方差法增大泄漏點灰度值不斷變化這一特點，對鋁制和銅制器件進行泄漏點的定位。

圖8 相關算法ROC曲線對比Fig.8 Comparison of ROC curves of related algorithms

(2)實驗結果表明：隨著器件的復雜度的提高，傳統的檢測方法效率較低，不易實現自動化檢測。檢測方法成功抑制了環境噪聲、增大了泄漏點的變化特征，實現了對器件泄漏點的成功定位，提高了對器件氣密性自動化檢測的效率，能夠有效地應用到工業設備氣密性檢測中去。

(3)金屬器件的泄漏點檢測仍然受到大氣吸收散射和熱輻射的影響，同時本文算法的計算效率也需進一步提高,后續將嘗試改進實驗流程和算法，爭取在這一領域能取得更多突破。