示温漆温度自动判读技术研究

刘忠奎，葛俊锋，张羽鹏，张　兴

示温漆温度自动判读技术研究

刘忠奎1，葛俊锋2，张羽鹏1，张兴1

（1.（中航工业）沈阳发动机设计研究所，辽宁沈阳110015；2.华中科技大学自动化学院，湖北武汉430074）

在总结国内外示温漆自动判读算法研究现状的基础上，详细讨论现有算法的优缺点，进一步研究示温漆的自动判读技术。通过引用红外特征的方法，并采用图像融合将其与示温漆颜色特征组合成新的图像数据，然后提取出新的图像数据的统计特征，采用机器学习算法自动建立等温线和像素点温度识别模型，两种模型相结合用于示温漆温度自动判读，达到提高示温漆测温准确度的目的。

示温漆；自动判读算法；颜色温度特性曲线；颜色空间

doi：10.11857/j.issn.1674-5124.2015.09.005

0　引言

示温漆是一种温度敏感涂料，其涂敷在物体表面并随物体温度变化而改变颜色，实现物体温度的测量。示温漆作为一种接触的、无损害的测温手段，具有方便、成本低、不受测试位置限制、对试件无影响等优点［1］，广泛应用在航空领域的温度测量中。

示温漆温度判读是示温漆测温的关键，目前主要采用人工判读的方法［2］，但该方法判读精度较低。因此，近年来基于图像处理的示温漆温度自动识别方法得到广泛关注。

国外，最早提出的示温漆自动判读方法是基于RGB空间颜色温度特性曲线的温度判别方法［3］，针对该方法的缺陷，又提出了消除特性曲线中歧义部分的马尔科夫随机场方法［4-5］。2008年Lempereur C等［6］提出了目前最好的示温漆自动判读方法，即在Lab空间进行图像分割，找出与变色点对应的区域，在HSI空间进行像素颜色匹配，用最近邻法确定每个区域中像素点的温度。

目前，国内示温漆自动判读技术研究主要有在LUV空间建立颜色温度曲线，利用欧氏距离最近判读示温漆像素点温度的方法［7］，基于LUV空间颜色温度曲线的点和区域温度识别方法［8］，采用HSI空间颜色温度曲线的K均值聚类、中位切割等示温漆图像分割及量化方法［9-10］，采用Lab空间的颜色温度曲线判断示温漆单像素温度的方法［11］，基于图像处理及图像融合算法的示温漆温度识别方法［12-13］以及基于等温线温度识别的示温漆温度自动判读方法［14］。

1　示温漆自动判读的基本原理

示温漆自动判读分两步，第一步为学习，即由标准样板构建示温漆颜色温度模型；第二步为识别，即将试件上示温漆的颜色与模型匹配，得到相应的温度。

示温漆自动判读的主要依据是示温漆的标准样板。目前，国内外的标准样板基本一致，通常有两种形状，一种是长方形，可用于多变色示温漆和单变色示温漆的标定，如图1（a）所示；另一种是蝴蝶形状，其阻抗呈梯形分布，从而在蝶形片上呈现示温漆所有变化颜色，用于多变色示温漆的标定，如图1（b）所示［6］。

图1　示温漆的标准样板

可以看出：示温漆每隔一定温度就会有一个颜色变化明显的变色点。在变色点两边，颜色变化具有阶跃性，在两个变色点之间，颜色变化具有渐变性，有些尚可区分，有些不易区分。

根据上述变色特点，示温漆自动判读算法在构建颜色温度模型时通常有两种方式：1）直接对示温漆颜色和温度关系进行建模，通过拟合插值等方法获得颜色温度特性曲线；2）对示温漆变色点两侧的颜色和温度关系进行建模，通过插值实现等温线的自动判读。

2　现有方法的分析与比较

根据示温漆颜色温度模型和颜色匹配方法的不同，现有示温漆自动判读方法可以归纳为3类，即基于颜色温度特性曲线的方法，基于等温线温度识别的方法以及基于变色点区域分割的方法。

2.1基于颜色温度特性曲线的方法

该方法关键是用样条曲线插值法获得颜色温度特性曲线，然后根据离曲线距离最近的原则对像素点颜色对应的温度进行判读。可以采用RGB、HSI、Lab、YUV等多种颜色空间，实现步骤［7］：

1）根据示温漆标准样板建立色温数据库，例如RGB值为（30，45，36）对应温度410℃。

2）建立RGB颜色温度特征曲线，因RGB像素点个数为255×255×255，人工方式不可能测出所有RGB对应温度，所以需借助曲线拟合来识别未知RGB像素点的温度。例如某型示温漆的颜色温度特征曲线如图2所示。

图2　示温漆的颜色温度特性曲线

3）进行曲线拟合，用三次样条插值法识别温度。如图2所示，为求未知点A的温度T，根据式（1）对温度特征曲线中所有点全局扫描，min（Δ）对应点BI，点BI的温度近似为A像素点的温度。

此算法在不同的颜色空间都能实现，如RGB空间、LUV空间等，但不同的颜色空间对于该算法的性能有一定影响。表现为由于环境光改变引起图像颜色偏差时，在LUV空间直接判读仍能保持较高的识别准确率，但在RGB空间的识别率明显下降。

基于颜色温度特性曲线进行温度识别的方法简单易行，但有以下缺陷：

1）示温漆在应用中受到多种不定因素影响，很难有理想的成像图像。该算法过于依赖RGB像素点，导致温度识别可靠性差，准确度低。

2）用一个RGB值表示一个标准样板的温度，存在一定不足。如果标准样板的颜色差别比较小，该方法就容易出现误识别。

另外，基于颜色温度曲线的区域温度识别方法，即先对示温漆图像进行分割［8］，将颜色相近的像素分割在同一区域，这样不同区域的颜色差别非常明显，然后对各个区域的温度进行识别。但该方法识别的是分割区域的平均颜色对应的温度，温度的分辨率依赖于示温漆能够明显变化的颜色，通常由于示温漆的变色点有限，该方法的温度分辨率和温度识别的准确度都不高。

2.2基于等温线温度识别的方法

该方法首先识别各条等温线的位置和数量，然后用K-Means聚类识别各等温线附近区域颜色，最后与标准样板对比，识别等温线的温度，具体实现步骤［14］：

1）提取等温线。示温漆图像依次经滤波、边缘增强、改进的Canny算子边缘提取和杂点处理等步骤，准确识别等温线。

2）等温线编号。通过全局扫描，把大于设定长度的等温线依次编号为line［i］，同时计算出各相邻等温线间最近距离distance［i］。等温线长度阀值选100左右为宜，这样可减小等温线数量，提高运算速度。

3）跟踪等温线。逐一跟踪等温线line［i］，把其附近distance［i］范围区域内灰度素点值存入矩阵A、B。选择灰度值而非RGB值的原因是RGB像素矩阵大计算负担重，且因RGB与灰度值是线性变换的，具有一致性。

4）聚类法识别A、B聚类中心。用K-Means聚类法计算矩阵A、B各自的聚类中心a、b。a、b代表了等温线附近区域的像素分布特征。

5）建立区域像素特征库。获取各示温漆标准样板组成该示温漆标准样板库，用四叉树法量化样板，抽象出温度数据库。对于五变色示温漆，其数据库最小只有5组数据，相对基于RGB颜色温度特征曲线的示温漆温度识别算法，数据库数据量明显减少。

6）温度识别。根据式（2），利用插值原理列扫描示温漆数据库，计算点（a，b）与数据库标准样板矩阵的距离。若min（Δ）对应点（aI，bI），则该点对应的温度即为该等温线的温度。

国内大都采用颜色进行示温漆标定和判读，这种标定和判读误差超过±50℃以上。而对等温线进行标定和判读，判读准确度可达±10℃。

基于等温线温度识别方法的优点为：

1）对等温线进行识别，而不是像素点，识别温度的特征选择不同，可以提高温度识别的准确度。

2）采用统计特征，而非单个像素的颜色特征对温度进行识别，可以减小光照对识别结果的影响。

该算法的不足为：

1）等温线检测采用Canny算子，杂点多，需要一定经验值，以及后续处理。

2）特征采用单个平均灰度值过于简单，由于等温线个数较少，不利于后续的插值计算。

3）对等温线之间的区域没有进行进一步的温度识别，温度分辨率不高。

2.3基于变色点区域分割的方法

该方法首先在Lab空间中利用种子点和区域增长算法对示温漆图像进行分割，通过经验阈值，获得与各段变色点间颜色相对应的区域，同时排除与示温漆颜色不能匹配的区域。然后在HSI空间中将各个区域中的像素颜色特征与标准样板的颜色特征对比，对每个像素对应的温度进行判读，具体实现步骤［6］：

1）颜色空间变换。将RGB空间变换到Lab空间。

2）图像分割。利用种子点和区域增长算法对示温漆图像进行分割，通过经验阈值，获得与各段变色点间颜色相近的区域。

3）变色点区域匹配。匹配分割区域颜色与各变色点的颜色信息，将各个区域与变色点对应，同时排除与示温漆颜色不能匹配的区域。匹配分割区域后排除了不能识别的区域，同时将各个区域像素温度的识别限定在不同的温度段，有利于提高后续温度识别的准确度。

4）颜色空间变换。将需要识别区域的像素从RGB空间变换到HSI空间，以便将亮度信息剔除，减少光照对温度识别的影响。

5）像素点温度识别。将各个区域中的像素点颜色特征与标准样板的颜色特征进行对比，选择匹配度最高的样板温度作为对应像素点的温度。

基于变色点区域分割的方法优点为：

1）利用不同的颜色空间特性进行示温漆图像的分割（Lab）和温度识别（HSI），提高算法的性能。

2）采用由粗到细的温度识别方法。首先进行区域分割，匹配区域温度范围并排除不能识别区域，其次在对应温度段内进一步识别区域内的像素温度，提高温度识别的准确度。

该算法的不足为：

1）识别像素点温度时，采用的像素点邻域特征的区分性不足。当标准样板颜色变化不明显时，使用HSI空间中的色调（H）和饱和度（S）特征，不能有效识别像素点温度。

2）在图像分割中，需要用经验阈值使得分割区域与变色点区域重合，这需要频繁的人机交互，有时并不能保证获得满意的分割。

3　新方法研究

示温漆自动判读技术的核心在于构建颜色与温度之间的关系模型，该模型需要对光照条件变化鲁棒，难点在于如何解决示温漆渐变色区域的温度识别。为了进一步提高示温漆自动判读的准确度，借鉴现有示温漆自动判读方法中的优点，新方法的研究重点如下。

1）从示温漆彩色图像处理，扩展到示温漆多光谱图像处理。除了获取颜色特征外，同时获得红外特征，红外特征受可见光影响小，可以提高判读的准确性。

2）示温漆等温线两侧的颜色变化非常明显，而等温线之间颜色变化不明显，因此对示温漆图像采用从粗到细的分析策略获得温度信息，先检测等温线，将示温漆图像划分为颜色相近的不同区域，再对区域中的像素进行温度识别。

3）不能再用单个像素的颜色值作为示温漆的特征表示方式，因其很容易受到光照条件干扰，应该采用区域或者像素邻域的统计特征，如直方图、矩阵征等，通过归一化减少光照影响，并获得一个高维特征，具有更好的区分性。

4）现有方法通常采用拟合和插值来获得颜色与温度模型（即颜色温度特性曲线），采用的特征易受干扰，区分性不强，该模型实际应用效果不好。在采用高维统计特征的情况下，使用机器学习算法自动构建模型，将标定样板区域颜色直方图统计特征作为输入，通过相应训练算法，获得等温线温度识别模型，将标准样板像素点与其领域颜色的组合特征作为输入，通过相应训练算法，获得像素点温度识别模型。

5）现有方法都采用欧氏距离来度量颜色与温度的关系，其合理性存疑。在高维特征下，采用能够区分渐变颜色特征的度量方法，找出特征与温度之间更准确的关系。

4　结束语

与其他测温方法相比，示温漆在航空测试领域具有不可替代的优势，随着航空发动机试验研究的不断深人，对示温漆测温的精度要求越来越高，未来示温漆测试技术的发展一方面可以从材料和工艺入手，研制变色灵敏、具有多变色点、变色间隔小、色差变化大的新型示温漆，另一方面可以利用图像采集器件，图像处理，机器学习等领域的新方法、新技术研究新的示温漆自动判读方法，实现更高的示温漆判读准确度。

［1］马春武.示温漆温度自动判读与数字图像处理研究［D］.南京：南京航空航天大学，2008.

［2］徐凤花.示温漆技术在航空发动机高温部件表面温度测试上的应用研究［D］.成都：电子科技大学，2009.

［3］Griffin A，Dittler J，Windeatt T，et al.Techniques for the interpretation of thermal paint coated samples［C］∥IEEE.Proceedings of Int Conf on Pattern Recognition 1996.Vienna：IEEE，1996：959-961.

［4］Griffin A，Windeatt T，Stoddart A J，et al.A Markov random fields approach for interpreting thermochromic paint［C］∥IEEE Proceedings of Int Conf on Pattern Recognition 1998.Brisbane：IEEE，1998：1741-1743.

［5］Smith M.Interpretation of thermal paints：Europe，EP0947813［P］.1999-03-19.

［6］Lempereur C，Andraland R，Prudhomme J Y.Surface temperature measurement on engine components by means of irreversible thermal coatings［J］.Measurement Science and Technology，2008（19）：105501.

［7］张志龙，曹承倜.示温漆颜色温度特性分析与温度识别系统［J］.计算机自动测量与控制，2001（3）：20-21.

［8］王美玲.基于彩色图像处理的示温漆温度识别系统［D］.南京：南京航空航天大学，2009.

［9］林茂松，陈念年.示温漆色彩量化及其图像分割算法研究［J］.西南科技大学学报：自然科学版，2006（2）：48-53.

［10］蔡茂蓉，龚巍.基于小波和模糊聚类的示温漆彩色图像分割算法［J］.微电子学与计算机，2010（5）：170-173.

［11］张兴，薛秀生，陈斌.示温漆在发动机测试中的应用与研究［J］.测控技术，2008（1）：21-23.

［12］于坤林.基于数字图像处理的温度场测量方法的研究［J］.长沙航空职业技术学院学报，2011（2）：31-33.

［13］于坤林，谢志宇.基于多传感器图像融合的温度场测试系统［J］.现代电子技术，2013（20）：97-99.

［14］王荣华，杜平安，黄明镜.基于等温线温度识别的示温漆温度自动识别算法［J］.电子测量与仪器学报，2010（6）：542-547.

Study on the automatic tem perature recognition technology of thermal paint

LIU Zhongkui1，GE Junfeng2，ZHANG Yupeng1，ZHANG Xing1
（1.Shenyang Engine Design and Research Institute，Shenyang 110015，China；2.School of Automation，Huazhong University of Science and Technology，Wuhan 430074，China）

The advantages and disadvantages of existing algorithms for automatic temperature reading were discussed and the automatic temperature reorganization techniques of thermal paint were researched according to the summarization of current research at home and abroad on automatic temperature recognition algorithm of thermal paint.Infrared feature was introduced in combination with color feature to form new image data by image fusion.Afterwards，statistical features were extracted from these new data，and two temperature identification models for isotherm line and pixel were automatically created by machine-learning algorithm.The two models were used to automatically identify the thermal paint to improve its temperature-measuring accuracy.

thermal paint；automatic recognition algorithm；color-temperature curve；color space

A

1674-5124（2015）09-0020-04

2015-02-03；

2015-03-30

刘忠奎（1968-），男，辽宁沈阳市人，高级工程师，研究方向为航空发动机测试技术研究与应用。