涡流脉冲热像与长脉冲光热像对铝板中亚表面缺陷检测的对比研究

朱俊臻， 冯辅周， 汪子君， 何 鹏， 李志农

（1. 无损检测技术教育部重点实验室(南昌航空大学)，南昌 330063；2. 陆军装甲兵学院 车辆工程系，北京 100072；3. 电子科技大学 航空航天学院，成都 611731；4. 陆军装甲兵学院 演训中心，北京 100072）

0 引言

主动红外热像技术是一种通过主动受控激励源来激发被测对象升温，并利用热成像技术采集被测对象表面温度场变化，提取异常信息，进而实现缺陷识别的新型无损检测技术[1]。相比于常规无损检测手段，其优势主要包括检测效率高、信噪比好、覆盖面积大且可视化程度高[2]。涡流脉冲热像[3-7]和长脉冲光热像[8-11]作为两种常见的主动红外热像技术已广泛应用于金属、复合材料等的无损检测与评估，除了上述优势之外，两者还兼具有非接触、可重复性高等特点。激励源和红外热像序列的获取时间段是区别两种技术的关键，涡流脉冲热像借助感应加热与短脉冲激励，而长脉冲光热像主要利用长时光激励与热扩散阶段。前期的研究工作主要侧重于缺陷生热机理和热像序列分析与处理，以进一步提升两者对各类缺陷检测能力。其中较为常见的热像处理方法包括脉冲相位[12]、热信号重构[13]、独立成分分析[14-15]、主成分分析[16-17]等。主成分分析方法的优势是可以呈现在不同阶段的热模分布[16]，涡流脉冲热像常采集加热和冷却阶段的热像数据，而长脉冲光热像仅采集长脉冲激励结束后的热像信息。通常，两种技术都可用于检测亚表面缺陷，例如，金属材料中的分层缺陷和复合材料中的脱粘缺陷。目前针对两种技术检测亚表面缺陷的对比研究相对较少[18-19]，特别是在缺陷增强和提取基础上，实现两种技术的量化对比分析，尚缺深入对比研究。

本研究重点关注铝板中存在亚表面缺陷，定量对比研究涡流脉冲热像与长脉冲光热像针对人工平底洞的检测能力。结合主成分分析和K-means聚类实现缺陷增强和提取，研究结果有助于达到两种热像技术的优势互补，对开展关键结构件中潜藏的亚表面缺陷量化检测，具有重要的工程参考价值。

1 基本原理与识别方法

1.1 涡流脉冲热像技术

感应加热情况下的热扩散方程为[3, 6]：

式中：α、ρ和Cp分别为热扩散系数、密度和比热容，q为焦耳热源密度。

在加热过程中，q可认为恒定不变，表述为[6]：

式中：σ为电导率，Js为电流密度。

1.2 长脉冲光热像技术

若平板类试件中存在亚表面平底洞缺陷，在长脉冲光激励下，缺陷区域热响应可表达为[10]：

式中：q为在tp时间内缺陷区域吸收的光激励热源密度，D、d分别为缺陷的孔径和深度，L为平板厚度。

对于涡流脉冲热像，感应加热与热扩散都会对缺陷区域的时间和空间热分布产生影响。对于长脉冲光热像，激励结束后的缺陷热响应主要取决于累计吸收的光脉冲热量。通过两种方法获取的缺陷区域热对比，都和被测对象的热属性参数密切相关。

1.3 基于PCA和K-means聚类的缺陷识别

主成分分析（PCA）是一种多元统计分析技术，可将原始热像数据（Traw）转换为一组不相关的主成分分量，这些分量按照方差递减的方式进行排序。对于热像数据，主成分分析目的就是增强缺陷与非缺陷区域的对比度。主成分分析可简单表述为：

式中：T是三维原始数据Traw经转换得到的二维矩阵；U由一组经验正交函数（EOF）构成，其每一列为一个EOF，通常，前面2～3个EOF就可以代表T的空间变化；V是另一正交矩阵，其列向量描述T的时间变化；Λ是含有T的奇异值的对角矩阵。

经PCA处理后，通常恰当选取第一或第二主成分，就可以实现缺陷区域的增强。在此基础上，通过K-means聚类方法，进一步进行图像分割，最终实现缺陷区域的提取。K-means的主要思路是对于一样本集（图像），按照样本之间的距离远近，将样本集划分为k个簇S={S1,…,Sk}，原则是让每个簇内的点尽量紧密而让簇间的距离尽量大，其数学表达式为[20]：

式中：μi为 S1的均值。

由于本研究截取的每一感兴趣区域（样本集）仅含有一个缺陷，因此将k值设定为3，用来分割缺陷和非缺陷区域，及两者之间的过渡区域。

2 试验研究

2.1 试验条件与试验方案

试验采用的涡流脉冲热像系统如图1所示，主要由感应加热装置（激励单元和线圈）、热像仪和信号发生器组成。具体而言，激励单元选用Easyheat 224，其工作激励频率与电流分别为 215 kHz和300 A，激励脉冲长度为200 ms。激励线圈采用扁平矩形线圈的底部。热像仪型号为FLIR A655sc，其采集频率和空间分辨率分别为100 Hz和640 ×240 像素点（Pixel），热像采集时长为 1 s。信号发生器为Agilent 33500B，其功能是同步触发激励单元和热像仪。

图1 涡流脉冲热像系统Fig.1 ECPT configuration

试验采用的长脉冲光热像系统如图2所示，主要包括卤素灯、遮板和热像仪。2台卤素灯的功率均为1 kW，激励脉冲长度设定为3 s。2块遮板的作用是当卤素灯停止激励时快速隔断残余热辐射。热像仪型号为 CEDIP Jade MWIR，其采集频率和空间分辨率分别为 50 Hz和 320 × 240 像素点（Pixel），热像采集时长为激励结束后（遮板落下）的 1 s。

图2 长脉冲光热像系统Fig.2 LPOT configuration

被测平板试件如图3所示。材料为铝合金，尺寸为 200 mm× 200 mm× 6 mm。在该平板中共加工有18个不同孔径和深度的平底洞（Flat Bottom Hole，FBH），以模拟平板类结构中存在的亚表面缺陷。缺陷的几何参数见表1。需要注意的是，针对亚表面缺陷的检测，需要综合考虑孔径和深度之间的关系，本研究采用孔径深度比（D/d）这一概念来描述亚表面缺陷检测的难易程度。通常情况下，孔径深度比越大，缺陷越容易被检测出。为提高表面热辐射系数，被测试件正面喷涂有黑色哑光漆。

表1 FBH 缺陷的几何参数Table 1 Parameters of FBH defects

图3 含有 FBH 缺陷的铝板试件Fig.3 Aluminium alloy specimen with FBH defects

图4为针对FBH缺陷的检测流程图。具体步骤包括：1）涡流脉冲热像与长脉冲光热像系统参数配置，主要是确定激励时长，选择激励频率与电流/选取光源，设置热像仪采集频率和记录时长；2）热像序列预处理，包括截取感兴趣区域（ROI）和减背景处理；3）FBH缺陷识别检测，利用主成分分析实现缺陷区域对比度增强，在此基础上通过K-means方法进行图像分割和缺陷提取；4）检测结果对比分析，主要利用信噪比（SNR）、缺陷与非缺陷区域的比值（R）和信息熵（IE）。

在步骤4中，SNR根据式（6）计算。

式中：σimg为整幅图像的标准差，σbg为图像背景区域的标准差。本研究选取背景区域位于图像的左右两侧，大小各为 5 × 30个像素点。

IE用来描述图像信息的丰富程度，其计算公式为：

式中：L为整幅图像的最大灰度值，Pk为灰度值为k的像素数量。

2.2 缺陷识别

根据图4的流程开展试验研究，被测对象为含有18个FBH缺陷的铝板试件。

图4 FBH 缺陷的检测流程图Fig.4 Diagram for FBH detection

利用涡流脉冲热像对缺陷FBH1激励200 ms后的热分布情况如图5所示，白色矩形框所示为缺陷FBH1的ROI，绿色矩形框为后续计算背景噪声标准差的所选区域。FBH1可通过异常的高温椭圆区域清晰辨别。椭圆分布是由于热像仪的倾斜视角所致。

图5 涡流脉冲热像对 FBH1激励 200 ms结束后经减背景处理的热分布图Fig.5 Thermal distribution with background subtraction after a 200 ms heating pulse when testing FBH1 by ECPT

利用长脉冲光热像对平板激励3 s后的热分布情况如图6所示，红色矩形框所示为缺陷FBH1的ROI。蓝色矩形框为后续计算背景噪声标准差的所选区域。图6表明，虽然长脉冲光热像可以得到较大的检测面积，但是难以通过整幅热分布图进行缺陷的识别。

图6 长脉冲光热像对被测平板激励 3 s后的热分布图Fig.6 LPOT thermal distribution on the surface of the test specimen after 3 s

2.2.1 缺陷区域增强与提取

上述结果表明，仅仅通过某一时刻的热分布数据难以有效实现缺陷的检测与识别。本研究采用主成分分析实现缺陷区域增强，进而通过K-means聚类实现缺陷位置与形状的提取。为有效对比涡流脉冲热像和长脉冲光热像结果，主成分分析处理的都是冷却阶段的热像数据。

经过主成分分析和K-means聚类的运算后，图 7分别为 18 个缺陷 ROI（200 × 55 像素点）的涡流脉冲热像结果。每个子图上方所示为经主成分分析的结果，这里需要指出第一主成分（PC1）用于增强埋藏较浅的FBH检测，因为感应加热起主导作用，而第二主成分（PC2）用于增强埋藏较深的FBH检测，因为此时热扩散起主导作用。例如，FBH1的埋藏深度为1.5 mm，相对较浅，则选取第一主成分，通过对比图7a和图5可明显看出，主成分分析实现了FBH1缺陷检测的增强。每一子图下方为K-means聚类并二值化的结果。在试验过程中，可以人为控制每一缺陷的位置，这样就能确保在检测流程的步骤2中所截取ROI中仅含有一个缺陷且都位于ROI的正中间，进而可根据二值化结果的形状判断缺陷能否检出。观察二值化的结果，大多数缺陷都可以根据较为规则的形状和置中的位置实现有效识别，但缺陷FBH8、FBH14和FBH18还是难以识别，这一方面由于他们的埋藏深度远大于涡流的集肤深度，另一方面是铝板具有非常高的热扩散系数，两者共同造成这些缺陷很难被发现。

图7 对涡流热像数据进行主成分分析和K-means聚类处理后得到的缺陷ROIFig.7 ROIs of defects derived from ECPT results by using PCA and K-means

同样通过主成分分析与K-means聚类计算后，图 8 所示为 18个缺陷 ROI（30 × 30 像素点）的长脉冲光热像结果。由于加热脉冲时间较长，热扩散起主导作用，因此全部采用第二主成分（PC2）增强缺陷检测。根据二值化结果的位置和形状可以得到，除 FBH9、FBH13、FBH14、FBH16、FBH17、FBH18外，其他缺陷均可以被检测出。

图8 对长脉冲光热像数据进行主成分分析和K-means聚类处理后得到的缺陷ROIFig.8 ROIs of defects derived from LPOT results by using PCA and K-means

2.2.2 结果对比

通过上述分析可以初步得出，尽管长脉冲光热像具有单次检测面积大、效率高等优势，但是在缺陷检测的直观效果上，涡流脉冲热像表现更好。为实现2个方法的定量对比分析，利用SNR、R和IE。其中，缺陷与非缺陷区域的比值R的定义如下：

式中：Ad、As分别从缺陷与非缺陷区域选取，Ad的面积与实际被测缺陷尺寸相关，As面积为 5 × 5 像素点；S*表示选取区域的均值，例如，图9所示为检测FBH1时选取的缺陷与非缺陷区域Ad和As。

图9 检测缺陷 FBH1时选取的 Ad 和 AsFig.9 Ad and As when testing FBH1

计算后得到的参数值如表2所示。在2.3.1节，已经得到FBH8、FBH14、FBH18无法有效识别，结合表2，它们的参数值R<1.3，SNR<0.7。需要指出的是FBH9，根据图7i的二值化结果，它可以被识别出，但若结合SNR和R值可以判断该缺陷实际上是无法被有效检测。最终得到涡流脉冲热像无法检测出 FBH8、FBH9、FBH14、FBH184个缺陷。针对长脉冲光热像，前节得到FBH9、FBH13、FBH14、FBH16、FBH17、FBH186 个缺陷无法有效识别，再结合表2，总体参数值R<1.0。有一例外情况是FBH14，其R>1，但根据图8n中二值化结果的形状和位置，可以明显看出FBH14无法被检测出，这还可以结合SNR来判断，此时SNR值是不存在的。另外，由于IE主要用于描述图像的细节信息，而本研究所检测的缺陷结构简单，用IE来反映缺陷的可检测性并不理想。综上，可以得到涡流脉冲热像能从18个缺陷中检测出14个，长脉冲光热像可以检测出12个。7个无法被检测出的缺陷，除FBH16，均具有较小的孔径深度比（D/d<6）。相比于长脉冲光热像，涡流脉冲热像对埋藏较浅的缺陷，如 FBH13、FBH16、和 FBH17，更具检测优势。而长脉冲光热像对孔径较大的缺陷，如FBH8，检测效果更好。还可以得出，对埋藏较深缺陷，如FBH9和FBH14，需要考虑二值化结果的形状和定量对比参数，综合判断其可检测性。

表2 缺陷的 SNR、R、IE 值Table 2 SNR, R, IE values of defects

3 结论

1）结合主成分分析和K-means聚类可以实现主动红外热像序列增强和缺陷信息提取。

2）针对本研究所设计的人工缺陷，涡流脉冲热像能从18个缺陷中检测出14个，长脉冲光热像可以检测出12个，无法检出缺陷（除FBH16）的孔径深度比均小于6。

3）涡流脉冲热像对埋藏较浅的缺陷更具检测优势而长脉冲光热像对孔径较大的缺陷检测效果更好。