红外热成像技术在亚平面缺陷检测中的应用

王鹏飞，杨永跃，赵 茹

（合肥工业大学 仪器仪表与光电工程学院，安徽 合肥 230009）

红外无损检测技术也称为热无损检测技术，是一种建立在物理热传导学理论上的一种方法.由于检测面积大、响应速度快、检测范围广，对检测物体无任何影响，所以红外无损检测技术在材料缺陷检测中的应用越来越广泛。20世纪60年代美国的一些学者就开展了红外无损检测理论的研究，到上世纪80年代，C.K.Hsieh等人在内表面温度和热流分别一定的情况下，对材料内表面存在的矩形缺陷利用红外扫描温度，定量计算了矩形平板和直角柱体内的缺陷大小[1]。最近几年来，S.Sahnoun，S.Belattar利用一个二维模型对平板结构内的圆形缺陷进行了红外无损检测的研究，确定了圆形缺陷的位置及其性质[2]。T.Sakagami，S.Kubo利用热波的相位延迟对混凝土材料的内部缺陷进行了定量分析研究[3]。而近年来美国多家大公司（如GE、GM、波音、福特、洛克希德、西屋等）及政府机构（如：NASA、FAA）等都已经在广泛应用和推广该项技术。在国内近年来也进行了很多研究，华北电力大学的关荣华对红外热诊断和导热反问题进行了讨论研究，并以圆柱型工业设备内壁缺陷为例进行了数值模拟。首都师范大学、北京航空材料研究院利用红外热波技术在航空航天领域开展了大量富有成效的工作[4]。

亚表面无损检测技术是利用红外热成像无损检测技术检测物体表面之下靠近表面的一项新的检测方法，用来检测物体亚表面的缺陷并进行提取分析。电子散斑干涉测量是一种新型先进的测量物体表面的技术，但是由于不能测量物体内部的变化，所以不能用于亚表面的缺陷测量。因此红外热成像无损检测技术在亚表面无损检测里有广阔的应用前景。

1 红外热成像无损检测技术原理

本次实验所用的红外热像仪和被测试件如图1和图2所示。为了便于直观观察试件的亚表面内部缺陷，此实验中使用透明的玻璃纤维作为试件。

红外热像检测方法按引起温差方式的不同分为主动式和被动式。主动红外热像检测是指对被测物体通过外加热源，使其失去热平衡，在热传导过程中进行红外检测。被动红外检测是利用被测物体与周围环境温度不同，不施加外部热源进行的红外检测。由于被动式红外检测受到周围温度的影响大，图像识别精度低，所以本文采用主动式加热的方法-脉冲加热法PT（Pulsed Thermography），原理图如图3所示。

图1 实验用红外热像仪Fig.1 Infrared camera

图2 实验用测试物件Fig.2 Test specimen

图3 脉冲加热红外热像检测方法示意图Fig.3 Principle chart

脉冲热像法是研究最多的和最成熟的方法。物体亚表面有缺陷是，其表面的热场发生变化。通过接受来自物体表面的热波，就可以对物体内部的状态做出判断。由于物体与周围介质温差小，所以引入外加光源提高物体表面的温度，有效去除周围介质的影响。

用一束脉冲强热流照射物体表面，单位面积接收热能的一维传导方程为：

式中k-热传导系数

ρ—密度

c—比热

T—温度

t—时间

应用边界条件求解方程得到物体无损处的温度为

当热波传播到物体亚表面时，将受到阻碍并反射传播，从而缺陷部分的温度随时间变化关系为

进而得到表面温度差

所以，对物体进行脉冲加热后，只需用红外热像仪检测表面温度场分布即可判断亚表面是否有缺陷并通过图像软件进行特征提取。

2 红外热成像无损检测流程

红外热成像无损检测依靠机器视觉技术对采集的红外图像进行软件处理。在机器视觉系统中，视觉信息的处理主要依赖于图像处理，其包括图像增强、数据编码传输、平滑处理、边缘锐化、图像分割、特征抽取、图像识别和理解等[5]。根据红外热成像过程进行逐项选择，便于对热图像中的缺陷位置直观显示和定位。

2.1 无损检测中热图像预处理

物体亚平面缺陷的检测是建立在红外热图像基础上的，图像质量的好坏对检测结果影响很大。由于红外热像仪以及环境干扰等原因，红外图像在生成和传输过程中不可避免地受到随机噪声、起伏背景的干扰并伴有热扩散效应，引起图像模糊和边缘扩散，使得图像的可视程度降低[6]。在实际应用中，为提高图像的可视度，要对其进行准确的识别和分析，在进行图像 增强等处理之前要首先对图像进行降噪。红外图像中的噪声主要包括散粒噪声和高斯噪声。

中值滤波是消除散粒噪声的有效方法。红外图像噪声的另一种主要成分是高斯噪声。基于运动检测的滤波，其IIR滤波形式为：

图4 降噪处理后的红外图像及灰度直方图Fig.4 Denoised image and gray histogram

2.2 热图像增强

锐化技术是用于加强热图像中的目标边界和图像细节的一种处理方法[7]，要对红外图像的缺陷进行识别提取，就要加大缺陷区域与周围区域的对比度。文中使用拉普拉斯滤波器来增强我们采集到的红外图像，基于经验使用下面的掩模对图像进行锐化。

经拉普拉斯算子锐化后的图像如图5所示，与图4对比可以看出缺陷的轮廓得到明显增强，原图中视觉容易忽略的缺陷位置得到可视化。

图5 锐化处理后的图像Fig.5 Image sharpening

2.3 红外无损检测对缺陷提取

对得到的红外图像进行边缘检测是实现可视化红外无损检测缺陷定位提取中的主要内容，通过边缘检测可以把缺陷在红外图像中标识出来，使无损检测人员对红外视觉图像的理解更加直观、方便。边缘检测的算法有很多，有最早提出的一阶微分边缘算子Robert算子、Sobel算子、Prewitt算子和Kirsh算子等。由于环境和热传递等因素的影响，我们会发现测试物体边缘部分与物体内部的缺陷部分的温度差别并不是很大，简单的边缘识别存在很大的模糊性，容易把测试物体边缘的非缺陷位置检测为缺陷边缘。如图6所示为sobel算子检测结果，途中可以看出物体受热不均的地方会产生边缘轮廓，而缺陷部分边缘检测并不明显。梯度算法可以有效的过滤平滑边缘，即把温度传递等因素可能出现的边缘滤除，但是处理后的图像仍显模糊，一些不明显的缺陷很容易被忽略掉。

图6 直接使用sobel算子进行边缘提取Fig.6 Results of the sobel operator

图7 梯度算法处理结果Fig.7 Results of gradient algorithm

对梯度边缘检测算法处理后的热图像 （如图7所示）的缺陷边缘进行阈值检测和重建，通过matlab编程实现，处理结果如图8所示，从图中可以看出图中的五处缺陷可以很好的显示出来。然后利用VC编程去除被测试件边缘将缺陷显示标注出来。如图9所示。

图8 热图像重建结果Fig.8 Results of image reconstruction

图9 通过VC编程显示缺陷信息Fig.9 Software to display defect information

3 结 论

通过多次无损检测实验，利用文中红外缺陷识别过程，对20个试件进行实时红外亚平面无损检测，其中缺陷有47处，检测到的缺陷45处，检测精度95.7%。文中的方法把试件亚表面的缺陷检测出来后，将信息利用软件实时显示出来，此方法满足各种材料的亚表面无损检测要求，具有较大的应用市场。

[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.