基于熱紅外圖像處理的保溫墻體缺陷檢測方法

李翱翔, 馬志艷

(1 湖北工業大學機械工程學院, 湖北 武漢 430068; 2 湖北省農業機械工程研究設計院, 湖北 武漢 430068)

當自然界中物體的溫度高于絕對零度時,物體時刻都在以電磁波的形式向外界輻射熱量[1]。紅外熱波檢測是一種通過熱紅外相機記錄和觀察被測材料表面溫度來進行探傷的無損檢測技術。當墻體內部存在,如空洞、熱橋、保溫層受潮等[2]時,缺陷部位會產生溫度差,然而對于保溫圍護結構來說,大多數結構熱缺陷都是隱蔽的,僅靠人工現場檢測和工程材料無法判斷其部位所在和損壞程度大小[3],熱紅外檢測不僅能將不可見的溫度場直觀地表述出來,還可正確分析熱工缺陷位置大小,并給予缺陷分級等定性評價。

圖像分割是圖像分析并判定缺陷等級最為關鍵的一步。傳統的圖像分割方法包括:閾值分割、基于邊緣方法、基于區域方法等[4],文獻[5]提到基于形態學的紅外圖像分割算法,融合了基于邊緣模糊和區域的方法。近年來提出的邊緣檢測方法中,基于高斯函數的邊緣檢測由于其獨特的優點有著極高的關注度[6]。文獻[7]提出的一種多尺度頂帽變換的熱紅外圖像增強算法,提高了圖像的對比度。與傳統無損檢測相比較,紅外檢測有非接觸、無污染、效率高等優點[8-10],而分水嶺算法的分割可直觀、快速并且可并行計算使圖像產生完整的邊界,得到連續封閉的邊緣[11-12],本文采用的圖像分割方法對熱紅外圖像邊緣有良好的響應,有效解決了“過分割”等問題,并取得了良好的分割效果,同時制定出不同種缺陷形式的等級評判標準,方便日后的標記與檢修處理。

1 數學形態學的圖像變換

在熱紅外圖像的處理中,當目標與背景的灰度值差異較為明顯時,圖像分割的效果較為良好;當圖像差異不明顯,則在分割圖像時容易出現“欠分割”的情況。在對具體的圖像處理前,首先采用形態學處理進行圖像變換,在使目標與背景間灰度值差距變大的同時,獲得圖像的尺寸連通性、凹凸性等信息。

頂帽,是原始圖像與進行開運算后得到的圖像差。開運算的結果是放大了裂痕或者局部低亮度的區域。頂帽運算往往用來分離比臨近點亮一點的斑塊,對于冷庫圍護結構小的缺陷區域使用頂帽操作,突出比原圖輪廓周圍區域更亮的區域。假設去噪后的圖像為u2(x,y),灰度圖像為f(x,y),對f(x,y)進行頂帽變換,即

h=f-(f°b)

(1)

式中,b表示結構元素,f°b表示b對f發熱開操作。

黑帽,是進行閉運算后得到的圖像與原圖像差。黑帽運算突出了與原圖像輪廓周圍的區域更暗的區域,用來區分比臨近點暗一些的斑塊,即

j=(f·b)-f

(2)

式中(f·b)為b對f的閉操作。

經過灰度形態學濾波后圖像對比原灰度像噪聲點明顯減少,灰度的分布也趨于均勻,濾波后的圖像填平了內部的小細縫和細小空洞使圖像變得更加平滑。

2 高斯混合模型

高斯模型(Gaussian Mixed Model)就是用高斯概率密度函數(正態分布曲線)精確地量化事物,將一個事物分解為若干的基于高斯概率密度函數(正態分布曲線)形成的模型。對于熱紅外圖像的灰度圖而言,大部分符合高斯分布,假設圖中有n個像素為觀察值,圖像包含k個目標類,各個像素之間獨立分布,則該密度函數符合高斯混合分布,即

(3)

式中:pi是先驗概率密度;μi,σi分別為高斯模型參數中的灰度平均值和均方差。

設θ為高斯混合模型的參數,P是高斯先驗概率,圖像灰度分布的混合概率函數

(4)

利用高斯模型對圖像的確定性前景與背景進行建模得到新的像素分布。由背景與前景的相似度確定相鄰兩個像素的邊的權重,背景與前景的顏色越一致,邊的權重就越大。通過GMM的加權平均方式濾波,可有效去除圖像的噪聲,且一定程度上加快了圖像分割的速度和準確性。

3 結合信息熵的改進交互式Oust圖像分割算法

傳統的 Ostu算法是通過類間方差來評判圖像的目標區域與背景區域之間的差別程度。其處理的過程是選取合適的閾值使類間方差最大化,進而得到最好的分割效果。其數學描述過程如下:

(5)

式中:圖像的灰度級為L;灰度為i的像素點個數為Ni;像素個數總和為N;圖像的平均強度為M。將圖像的目標區域與背景區域出現的概率和兩者均值的數學計算列為:

(6)

(7)

(8)

(9)

式中:W0,W1為出現的概率;M0,M1為兩類圖像的均值;t值為所確定的最佳閾值,其數值范圍在0～L之間。類方差可根據上述各式得出,即

δ2=(M0-M)2×W0+(M1-M)2×W1

(10)

t=argmax{δ2(t)}

(11)

δ2的值越大表示圖像灰度值分布的均勻性越差,目標區域與背景區域兩部分的區別越大,分割效果越明顯。由于在冷庫中采集到的紅外圖像中目標與背景的分布一般不均勻,而且在圖像采集的過程中容易受到噪聲的影響,導致紅外圖像邊緣十分模糊,傳統的閾值分割在大多數情況下無法得到準確的目標信息。利用信息熵確定閾值的分割準則時能夠避免對比度和亮度等信息對算法的約束,能更好地體現出分割算法的優越性。根據香農公式中對熵值的定義,結合傳統Otsu方式得到的信息熵值為:

(12)

式中Q0、Q1、Q2分別代表整體圖像、檢測目標、圖像背景的信息熵值。當采用信息熵代替傳統的Otsu準則中的灰度均值,即可得到推廣形式的閾值判別函數:

(13)

(14)

式(13)中,S0、S1、S2分別為整個圖像、背景與目標的特征,t*值為算法優化后得出分割閾值。式(14) 為信息熵的計算公式,優化后的閾值能清楚地分割出紅外圖像的目標區域和背景區域。

分割熱紅外圖像時發現,在RGB三通道的熱紅外圖像中,其邊緣的噪聲最強,墻體缺陷的邊緣像素的灰度值在大多數情況下與缺陷的模糊邊緣的灰度值相同。故為了減少邊緣所帶來的噪聲影響,提出了一種交互式的圖像分割方法:在對圖像分割操作前,將所檢測的大致區域用方框所框選,矩形框以外的區域為確定性背景,矩形框內為確定性前景。在分割圖像時,僅對確定性前景進行處理。這種方式不僅可以降低程序的運算量,還可以大幅降低圖像的噪聲,提高了算法的抗噪性能。

圖1 圖片處理效果對比

交互式圖像分割中,若熱紅外圖像缺陷存在較小且難以操作的情況,可考慮將處理的熱紅外圖像經過圖像的形態學變換進行等比例縮小或者放大,再對目標區域進行框選后按照放縮比例恢復原圖像大小,按照“縮放—框選—縮放”的步驟,合理劃分分割區域,提高檢測精度,增加檢測方案的可操作性。

4 采用分水嶺算法對圖像進行提取

分水嶺算法是一種基于拓撲理論針對二值圖像的數學形態學分割算法,其將灰度值較低的局域看做“山谷”,較高的地方看作“山峰”,采用浸沒模型從低到高實現淹沒,每一個局部極小值在不同高度的影響域采用先進先出(FIFO)結構進行判斷及標注,其中每一處的局部極小值及其影響區域稱之為”集水盆”,集水盆的邊界則形成分水嶺。其計算過程是一個迭代標注過程:

1)對圖像進行形態學開運算,消除圖像中存在的白點噪音及邊緣;

2)針對所估計的區域0,該區域像素點灰度值大小較為接近,根據分水嶺算法將其作為不同的“盆地”,在圖像分割的過程中會開成兩個區域,一個是注不盆地的像素集,一個是分水嶺線像素體,通過淹沒過程來實現圖像分割;

3)淹沒的過程從低到高實現,規定淹沒的區域為C(Q),對每一個局部極小值在h階高度的影響區域采用先進先出結構進行判斷和標注,得到輸入圖像的集水盆圖像,在兩個集水盆圖像的聚合處修建堤壩使其不能進行下一步的膨脹;

4)不斷重復上述過程2)～3),實現對整個f2(x,y)的整體淹沒,通過建立不同的區域分水嶺對二值化圖像實現分割,圖像中不同領域的分水嶺域可標記成不同的顏色(隨機),得到最終所需的圖像。

5 現場測試方法及設備

本實驗采用高德熱紅外相機(型號IPT640),其分辨率640×480,像元尺寸為17 μm,鏡頭的廣角為30°×23°/20 mm,調焦方式為自動調焦,測溫范圍為-20℃～150℃;上位工控機處理器主頻為2.81 GHz,內存 8 GB,Windows10操作系統。

利用外部氣溫和冷庫內部的溫差,現場采集冷庫圍護結構的熱紅外圖像,圍護結構的保溫材料內保溫層采用10 mm擠塑聚苯乙烯泡沫板,外保溫層有1 mm的鋁板構成。將冷庫的溫度設置至-10℃并保持恒溫,并在墻體上人為制造出面積、深度不同的“缺陷區域”用以模擬日常生活中3種不同程度的缺陷(圖2)。

圖2 不同缺陷的模擬

在熱紅外圖像采集中,相機與被測墻體的距離為20 cm,相機所采集到的圖像大小為3 mm×5 mm=15 mm2。結合我國通用建筑行業標準以及參考建筑圍護結構熱工缺陷量化指標給出下列評判指標:ΔT為墻面表面相對溫度值;φ為熱工缺陷相對面積。室內(外)圍護結構評判指標:

式中:t1為主體區域(整張圖片)平均溫度;A為缺陷區域面積;t2為缺陷區域最高(低)溫度;A0為圍護結構面積;t0為環境溫度。

表1 一 熱工缺陷等級劃分

本文采用實際采集到的冷庫圍護結構缺陷圖片,并通過該算法驗證其性能,在Visual Studio 2019的開發環境下,對冷庫圍護結構上制造出不同程度的缺陷并進行處理,得到的結果如圖3所示。

(a)室外缺陷檢測

從實驗結果的效果來看,與傳統的Oust比較,結合信息熵值的圖像分割方法熱紅外圖像的分割效果更好。在局部細節方面,本文所提出的分割方式在一定程度上抑制了圖像“過分割”的情況;在總體分割效果方面,通過交互式的前景提取方式對圖像的邊緣處理起到了平滑的作用,有效縮短了處理時間;經過高斯混合建模(GMM)與數學形態學變換的分割效果比無任何濾波、預處理的效果更好;在信息熵應用的基礎上結合分水嶺分割算法,能將圖像有效分割,且能直觀地表述缺陷位置以及缺陷區域帶來的影響。

表2 檢測結果

6 結束語

本文提出的基于紅外圖像處理技術的墻體缺陷檢測方法不但可以遠距離、無損地對圍護結構在日常使用過程中出現的空鼓、裂縫等缺陷進行定性的分析,而且在對圖像處理上可根據圍護結構的缺陷、熱紅外圖像特征,將交互式信息熵值與分水嶺算法的結合,有效地分割出缺陷區域,并根據室內外溫度和面積大小劃定缺陷嚴重程度等級。下一步將基于此方法,結合冷庫內部耗能和不同溫度環境下的熱紅外圖,判斷該缺陷等級設定標準的準確性與圖像分割的有效性。