基于红外图像动态亮度调节方法的杆式构件疲劳断裂位置预测

谢 静，徐长航

（中国石油大学 机电工程学院，青岛 266555）

0 引言

金属构件的断裂存在着孕育演化过程，因此对现场金属构件工程破坏监测要从研究金属结构的全场演化过程来分析[1]。在断裂前的一段时间内，金属构件的表面温度场就会有异常分布出现。红外热像仪可以把物体的表面温度分布转换成可见图像，从而直观地显示被测目标表面的红外辐射温度场分布。这给金属构件断裂预测提供了一种有效的方法，即首先确定构件最终断裂位置在断裂孕育阶段红外图像中的特征，然后通过图像处理的方法，在红外图像中寻找符合这一特征的位置，即可预测最终的断裂位置。

本文通过对多个构件的红外图像序列进行观察得出断裂位置在断裂孕育阶段的图像特征，然后采用动态亮度调节的方法找到图像中符合此特征的像素，并确定出最终的断裂位置。经过实例验证，本文提出的图象处理方法可以准确预测疲劳断裂位置。

1 断裂位置在断裂孕育阶段的图像特征

本文实验对象为20Cr2MoNi制成的杆形构件，构件长400mm，构件外径带螺纹处Ф24mm，光滑处Ф12mm。利用高频拉压疲劳试验机对构件进行循环加载。在构件的整个疲劳实验过程中，通过SAT HY6850红外成像系统记录构件的温度场。该热像系统的主要特性如下：系统获取数据的最大帧速为50帧/秒，温度分辨率为0.08℃，空间分辨率可到1.3mrad。

通过分析实验测得的多个红外图像序列，得到以下结论：在断裂发生前的较长时间里，试件的红外图像中会有两个相对的高温区，而最终的疲劳断裂将发生在这两个区域的中间位置。

为了对上述结论做更形象的说明，图1中列出了具有代表性的三个时间点的红外序列图像，其中图1(a)、图1(b)为按照时间先后由红外视频中截取出的两幅红外图像，图1(c)为构件断裂瞬间的红外图像。图1(d)、图1(e)和图1(f)分别为图1(a)、图1(b)和图1(c)中白色框出部分放大后，使用Matlab中的像素读取工具得到的RGB值。由于亮度和RGB值之间具有式(1)所描述的关系，而亮度越高，表示此处温度越高。因此，图1中的典型红外图像验证了上述关于断裂位置特征的结论。

在断裂孕育阶段的红外图像中，很难通过直接观察找到两个高温区域。而合适的图像处理方法可以快速、准确而方便地找到两个高温区域，从而可以在较早时间就预测未来断裂的位置。

图1 断裂位置在各时间段红外图像中的特征

2 红外图像处理方法

为了快速、准确而方便地在断裂孕育阶段的红外图像中找到两个最高温区域，可以使用图像处理方法对红外热像进行一系列的处理。本文的方法包括以下三个步骤：灰度化、反色和动态亮度调节。

2.1 红外图像灰度化[1]

要处理的原始红外热像为RGB空间模式，而其中的亮度信息代表了温度的高低。因此，可以借助NTSC彩色模式将其转换成灰度图，来描述每一像素位置的亮度。在NTSC彩色制式中，图像数据由三部分组成：亮度（Y）、色调（I）和饱和度（Q）。Y、I、Q三个分量可以用式(1)从一幅RGB图像中得到：

其中，亮度描述灰度信息，色调和饱和度描述彩色信息。因此，将I和Q的值赋为0，Y值保持不变，就可以仅仅保留图像的灰度信息。然后，用式(2)返回RGB空间。

就得到原红外图像变换后的灰度图像。灰度图像完整地保留了原图像的温度信息，而且使得后续处理更加快速和便捷。

2.2 反色处理[2]

当所关注的细节为嵌入于图像暗色区域的亮色细节，特别是当黑色面积占主导地位时，反色处理往往会给图像的分析带来很大的便利。而本文涉及的红外图像，在经过灰度化处理后，恰恰属于上述情况。所以，本文方法的第二步为灰度图像的反色处理。用式(3)对灰度图中的每一像素进行处理，即可得到灰度图的反色图。

其中，r为待处理灰度图各像素的灰度值，s为反色处理后的该像素的灰度值。

2.3 动态亮度调节

如前所述，在断裂孕育初期阶段，未来的断裂位置总是位于红外图像中两个最高温度区域的中间位置。因此，为了在断裂发生前预先找到将要断裂的危险位置，需要在断裂孕育阶段的红外热像中找到温度最高的两个区域，即上述反色处理后图形中的两个最暗区域。本文提出了动态调节亮度的方法，来确定这两个区域的位置。

将图形中像素的灰度值按式(4)进行处理：

其中，h为反色处理后灰度图像各像素的灰度值，g为亮度调整后该像素对应的灰度值，b为调整阈值。

根据前述预测断裂所需要的条件，阈值b的确定应使调整后的图像中剩下的暗色区域个数为2，其它区域的灰度值全部调整为255。b值越大，则调整后暗色区域个数越多，b值越小，则此个数越小。根据这个原则，通过交互式或编程方式找到符合要求的b值。

2.4 sobel算子边缘检测

经过上述处理后，图形中只剩下两个分离的暗色区域，对应于构件中的两个高温区域。为了保证更容易、更准确地找到它们的中间位置，本文对这两个区域进行了边缘检测。同样，为了直观、清楚地显示断裂在构件中的位置，对原始红外热像灰度化后的灰度图进行了边缘检测，得到整个构件的边缘。两个边缘检测都是采用sobel算子进行。

sobel算子是一阶导数算子,实际中常用小区域模板卷积来近似计算每个像素位置处的x和y个方向的偏导数。x和y方向各用一个模板，所以需要两个模板组合起来构成一个梯度算子[2]。sobel算子的模板如图2所示。

图2 Sobel算子模板

经过处理后发现，得到的边缘结果非常理想，说明sobel算子对于此处的两个边缘检测过程都是非常适用的。

2.5 断裂位置的确定

将两个高温区域的重心坐标在受力方向上求平均，即得到断裂的位置。将断裂位置、两个高温区域边缘和构件边缘图叠加，就可以清楚显示将要断裂的部位在构件中的具体位置。

3 处理效果及方法分析

本文以图1(b)作为处理对象，该图为实验早期图像，很难直接通过目视准确找到两个最高温区域来预测未来的断裂位置。

按照本文上述方法对其进行处理，处理结果按顺序列在图3中。图3(a)为灰度化了的红外图像。由于背景温度低、构件温度相对较高，因此所关注的细节为嵌入于图像暗色区域的亮色细节，而且黑色面积占主导地位。图3(b)为图3(a)的反色图像，代表高温的黑色区域边界仍然很模糊，无法找到其中分离的、代表最高温的两个区域。图3(c)对应用本文提出的动态亮度调节方法，阈值b取为11得到的增强图像（为了让读者看得更清楚，图3(b)使用图形工具进行了放大）。阈值取为11可以保证图像中除了两个小的区域外，其它区域的灰度值都是255。能够满足这一条件的b值应该是一个区间，但是通过交互式或编程方式只要找到这个区间中的之一，就可以确定两个高温区域，从而预知断裂位置。

图3 图像处理过程及结果

图3(d)为使用sobel算子对图3(c)进行边缘检测的结果。图中清楚地显示了两个分离的、代表构件中最高温区域。使用sobel算子对图3(b)进行边缘检测的结果见图3(e)。结果清楚地显示了构件的边缘。将图3(d)和图3(e)进行叠加，就得到了两个高温区域在构件中的位置，如图3(f)所示。

对两个高温区域的重心求垂直方向上的平均值，即得到断裂的垂直位置，在图3(g)中用两高温区域中间的横线示出。

图3(h)为对图1(a)用本文方法处理得到的预测结果，其中动态亮度调节的阈值b=16。

将本文方法处理后得到的预知断裂位置与此构件断裂瞬间的红外图像图1(c)进行比较，可以看出，本文给出的方法可以非常准确地预测构件的断裂位置。

4 结论

本文通过分析实验得到的红外图像序列，得到了最终断裂位置在断裂孕育初期阶段红外图像中的特征。通过综合运用灰度化、反色、动态亮度调节、边缘检测的图像处理方法，由断裂孕育阶段的红外图像中快速、准确地预测了断裂位置，对设备或构件的失效预警提供了有效的方法。本文所使用的阈值是通过交互式的方式确定的。这一过程可以通过编程来实现自动化，此项工作有待于下一步的研究工作得到实现。

[1]董玉芬,林毅明,王来贵,刘向峰.红外热像仪用于金属材料断裂过程的实验研究[J].辽宁工程技术大学学报.2006,25(6):848-850.

[2]Rafael C.Gonzalez, Richard E.wools, Steven L.Eddins.Digital Image Processing Using MATLAB.Prentice Hall,2003

[3]Rafael C.Gonzalez, Richard E.wools.Digital Image Processing.Prentice Hall,2007.

[4]徐长航,陈国明,谢静,林红.基于红外图像处理的钢制构件疲劳损伤识别[J].石油矿场机械,2008,37(11):37-40.

[5]Noda,N., Thermal stresses intensity factor for functionally gradient plate with an edge crack, Journal of Thermal Stresses, 1997, 20(3): 373-387.

[6]MEOLA C.A new approach for estimation of defects detection with infrared thermography [J].Materials Letters, 2007,61(3)：747-750.