基于热图重构区域生长算法的碳纤维增强复合材料脱粘缺陷检测
2017-09-22冯琪智田贵云
冯琪智,高 斌,杨 扬,田贵云,3
(1.电子科技大学 自动化工程学院,成都610000;2.中航工业成都飞机工业(集团)有限责任公司,成都610000;3.纽卡斯尔大学 电子电力与计算机工程学院,纽卡斯尔 NEI7RU)
基于热图重构区域生长算法的碳纤维增强复合材料脱粘缺陷检测
冯琪智1,高 斌1,杨 扬2,田贵云1,3
(1.电子科技大学 自动化工程学院,成都610000;2.中航工业成都飞机工业(集团)有限责任公司,成都610000;3.纽卡斯尔大学 电子电力与计算机工程学院,纽卡斯尔 NEI7RU)
提出了基于区域生长和热成像信息重构的融合算法,该算法能较好地解决OPT(光激励红外热成像)方法缺陷检测中分辨率低的难题,显著提高缺陷和非缺陷区域的对比度,实现缺陷的精确检出。为了评价不同算法的检测性能,采用了基于事件的F-score评价方法来衡量检测结果,该方法能定量比较不同特征提取算法。
光激励红外热成像;碳纤维增强复合材料;脱粘;区域生长法
碳纤维增强复合材料(CFRP)是近几十年来迅速发展起来的一种新型材料。由于其具有比强度高、比模量大、抗疲劳性能好、膨胀系数低以及可设计性强等优点[1],已经成为航空航天、石油化工、风力发电等高新技术领域不可缺少的重要结构材料。复合材料层压板在生产制造、装配和服役的过程中,材料内部可能会因生产工艺和环境等因素的影响出现损伤和缺陷等质量问题,例如分层、脱粘、开裂、冲击缺陷等[2]。为了保障服役安全,需要对复合材料的内部质量进行监测[3-4]。各类无损检测技术(NDT)也就广泛应用于复合材料的结构成型、装配、试验、维护和使用等过程中。目前,常用于复合材料内部质量的无损检测技术包括微波检测、超声C扫描检测和红外热波成像检测等[5-6]。其中,红外热波成像检测由于具有快速、无接触、无污染等优点而被应用于复合材料内部缺陷的检测中[7-8],其激励源包括热气流、闪光灯、激光、超声波和太赫兹光谱等。
光激励红外热成像(OPT)检测技术利用结构或材料的热辐射物理特性的不同,对试件采用主动加热方法检测材料表面和内部的各种缺陷和损伤。OPT系统得到的图像存在边缘模糊、噪声干扰和分辨率低等缺点,为了提高缺陷检测的精度、效率和分辨率等,研究者采用了不同的特征提取算法来提取缺陷信息。郭兴旺等[9]对热图像序列进行小波变换,采用基于像素级和特征级的图像融合算法对热像序列进行处理,其通过铝合金试件的检测试验说明了该图像融合算法能有效地减少加热不均和背景噪声对缺陷识别的不利影响。何炜等[10]利用快速傅里叶变换(FFT)处理锁相热成像数据,其计算速度比离散傅里叶变换更快,且能在频域中观测缺陷信息。刘涛等[11]应用BP神经网络,拟合函数关系来实现红外热波检测对缺陷的定量识别,其借助数值计算的方法提供样本训练神经网络,证明了该方法的可行性。RAJIC等[12]采用主成分分析(PCA)方法,通过奇异值分解将热图像序列分解成一组正交统计模式,用于减少冗余、去除噪声、描述主要的空间和时间的变化信息等。LIANG等[13]采用小波变换和PCA结合的方法检测复合材料的冲击缺陷。SRIPRAGASH等[14]用热成像信号重构(TSR)来检测缺陷深度,并提高了热图像序列的时空分辨率。HYVARINEN等[15]采用独立成分分析(ICA)方法,通过提取热图像序列中相互独立的成分,去除数据冗余性,获取数据的高阶统计特性。SWITA等[16]利用K均值算法对红外热波图像序列进行聚类分析,提取图像序列中的深层信息,减少了数据量。MALDAGUE等[17]提出脉冲相位热成像(PPT)算法,通过傅里叶变换将时间和空间信息转化到频域中,得到相位和幅值信息,通过缺陷和非缺陷区域相位和幅值信息的不同来提取缺陷信息。上述算法对微小缺陷或深层缺陷的识别精度较低,为解决此问题,笔者融合区域生长和热成像信息重构算法检测脱粘缺陷,提高检测精度和缺陷分辨率。
随着特征提取算法的使用,出现了不同的衡量标准来衡量算法的检测结果,例如信噪比(SNR)、检出率和ROC(试件工作特征)曲线等。其中,信噪比是根据试件中缺陷和非缺陷区域的温度差来反应的,其容易受到非均匀加热的干扰。为了解决此问题,对此类无损检测技术提出了基于事件F-score的评价方法,该方法已被用于金属部件检查和红外热波成像检测等方面[18],F-score方法通过公式计算F值的大小来衡量算法检测缺陷的有效性,基于F-score的方法能定量比较不同特征提取算法。
1 算法概述
1.1红外热波成像原理
当试件被热源激励后,在热量趋于平衡的过程中,其表面温度场随时间和空间变化的物理特性可用已知的数学模型来表达,在进行理论分析时,每个像素点的温度变化可简化为一维热传导模型,且试件表面温度的数学模型可表示为
1.2TSR算法原理
式(1)为特征提取算法的理论基础,通过OPT系统获得视频数据,对每一帧图像进行向量化,第i帧图像向量化如图1所示。则整个视频序列可转化为矩阵表示,见图2。
图1 第i帧图像向量化示意
热图像重构算法利用表面温度在时间和空间上的变化信息,对热图像序列的每个像素点的时间信息进行处理,将每个像素点温度响应曲线从时域转换到对数域。通过式(1)可知,非缺陷区域的温度变化曲线满足线性关系,缺陷区域温度变化曲线是非线性的,TSR算法的表达式为:
式(2)表明,对于理想的非缺陷区域,对数衰减响应曲线是斜率为-1/2的直线。在实际应用中,温度响应曲线会受到不同因素的干扰,例如背景辐射、非线性相位响应以及缺陷区域等,式(2)不满足理想的线性关系。因此,每个像素点处的对数温度变化可由n次多项式函数来近似拟合,其表达式为:
图2 图像序列转化为矩阵示意
(3)
采用n阶多项式拟合能消除噪声,并且将热谱序列压缩到n+1帧的多项式系数中,提高了图像的质量,通过计算式(3)的一阶和二阶微分,可获得缺陷信息。数学模型表达式为:
ln[Tsurface(t)]=exp{a0+a1ln(t)+a2[ln(t)]2+
通过式(3)和式(4)获得的温度变化曲线,可以观察缺陷和非缺陷区域像素点在时间轴上热响应的差异。对式(4)求一阶导得其差分温度Tsurface(t)在时间轴上的变化率,二阶导表示表面温度曲线在时间轴上的凹凸性,TSR算法求导过程如图3所示,所以进行二阶求导获得重构之后的图像能更加清晰地反应缺陷区域和非缺陷区域温度变化响应的区别。
图3 TSR算法求导过程示意
1.3基于区域生长的分割算法
借助集合概念对图像分割有如下定义:令集合R代表整个图像区域,对R的分割可看做将R分成N个满足以下五个条件的非空子集R1,R2,…,RN。
(2) 对所有的i,j,i≠j时,有Ri∩Rj≠φ。
(3) 对i=1,2,…,N,有P(Ri)=true。
(4) 对i≠j,有P(Ri∪Rj)=false。
(5) 对i=1,2,…N,Ri是连接的区域。
其中P(Ri)为所有在集合Ri中元素的逻辑谓词,φ表示空集。
选出利用TSR算法重构的质量较好的图像,再利用区域生长法对其进行缺陷特征提取。大多数图像分割算法是利用图像中的像素值相似、图像边缘或者突变区域等进行特征提取的。图像分割算法通常分为4个类别:基于阈值、边缘检测、区域生长法和混合方法同质性准则。区域生长法(SRG)的基本思想是将具有相似性质的像素集合起来构成区域。首先对每个需要分割的区域找出一个种子像素点作为生长的起点,然后将种子像素邻域中与种子有相同或相似性质的像素( 根据事先确定的生长或相似准则来确定) 与种子像素合并成集合。而新的像素继续做为种子向四周生长, 直到没有满足条件的像素可以合并进来,最终形成一个像素集合,得到区域。
影响区域生长法的关键问题有:① 选择正确的种子像素,根据预估缺陷区域和非缺陷区域所占比例来确定,对于缺陷区域较少且不连续的数据,选择非缺陷处的像素点为种子点效果更好;对于存在较大面积连续缺陷的数据,选择缺陷区域的像素为种子点效果更佳,所以选择非缺陷高亮度像素点作为种子点;② 确定生长过程中将相邻像素包括进来的准则,再确定门限,经过多组数据的重复试验可知选择门限范围为1.3~1.8之间效果较好;③ 确定生长的终止条件。区域生长准则有基于区域灰度差、基于区域内灰度分布统计、基于区域形状这3类。笔者采用基于区域灰度差的准则。平均灰度的均匀测量度可以作为区域生长的相似性准则,设某一图像区域R,其中像素数为N,则均值表示为:
因此,区域R的均匀测量度可表示为
式中:K为一阈值,在区域R中,各像素灰度值和均值的差不超过某一阈值K,其均匀测量度为真。
1.4可检测性定量评估
为了客观地评价检测效果,采用F-score方法来衡量不同特征提取算法的检测结果。检测结果可以分为4类,TP为实际存在缺陷并被检测出来的个数,FP为不是缺陷区域却被检测为缺陷区域的个数,FN为是缺陷区域但检测结果显示为没有缺陷的个数,TN为不是缺陷也未被检测为缺陷的个数,因此准确率P和召回率R可分别表示为:
为了平衡准确率和召回率,F-score是P和R的加权调和平均,可表示为
式中:α为准确率和召回率的所占比重,对于无损检测的此类脱粘缺陷,α取值为1,即准确率和召回率同等重要。
实际缺陷分布如图4所示,其中,缺陷区域为1,2,4,5,其余区域为非缺陷区域,图5为经过一种特征提取算法后可能得到的结果,估计缺陷区域为1,2,3,4,其余区域为非缺陷区域。根据定义可统计出TP,FP,FN和TN的值,由此计算出P和R均为3/4,当α=1时,F为3/4。当已知缺陷分布后,利用F-score方法能够客观定量地评价不同的处理算法。F-score系数统计如表1所示。
图4 实际缺陷分布示意
图5 检测估计结果
表1 F-score系数统计
2 试验系统和缺陷样本
试验所用的光激励红外热成像(OPT)系统外观如图6所示,热激励装置为Par64卤素灯,其磨砂灯面产生的光比较柔和,功率为1 000 W,额定电压为240 V。热像仪为FLIR A655sc红外热像仪,其工作波段为7.5~14 mm,分辨率为640像素×480像素,温度灵敏度为0.05 ℃(热像仪工作在30 ℃及采样频率为50 Hz时)。碳纤维增强复合材料蜂窝夹芯板的缺陷分布如图7所示,试件大小为250 mm×300 mm,上下层复合材料厚度分别为1 mm,中间为20 mm厚的纸蜂窝芯结构,胶层为0.15 mm的J-116B胶粘剂,脱粘缺陷采用人工预置垫片,是厚度为0.1 mm的聚四氟乙烯用来模拟自然缺陷。缺陷直径分别为3, 6, 10, 14, 18 mm,缺陷分布如图7所示。
图6 OPT系统外观
图7 碳纤维增强复合材料蜂窝夹芯板的缺陷分布示意
3 结果分析
选取PPT、ICA和PCA三种常用的缺陷特征提取算法用来比较。图8是从未处理的图像序列中选取的效果最好的热像图,由图8可知,少部分的缺陷可以被清晰检测,但是大多数的缺陷与背景融为一体,图中圆形标记处为直径小于10 mm的缺陷,检测效果不明显,与非缺陷区域无明显温差。图8中圆圈标记处为漏检结果。图9为经过PPT处理后的热像图,图10为经过PCA处理之后的热像图,图11为经过ICA处理之后的热像图,图12是对原始数据进行TSR处理之后的热像图,能够让试件表面的温度变化更加均匀,消除了噪声的干扰,直径为10,6 mm的缺陷清晰可见,提高了对比度和分辨率。图13为经过融合TSR和SRG处理后的结果,圆圈标记处为难检处,直径为3 mm的最小缺陷也能被清晰地辨别出来,该特征提取算法可增强缺陷区域与非缺陷区域的对比度,提高分辨率,将原本和背景融为一体的缺陷信息提取出来。
图8 从未处理的图像序列中选取的效果最好的热像图
图9 经过PPT处理的热像图
图10 经过PCA处理后的热像图
图11 经过ICA处理后的热像图
图12 对原始数据进行TSR预处理后的热像图
图13 经过融合TSR和SRG处理后的热像图
为了客观地衡量不同算法的提取效果,采用F-score定量评价检测结果。由图7可知,单面可观测缺陷个数为10,和PPT、PCA算法相比,文中提出算法的F-score值高于20%。不同算法的检测结果获得的F-score值如表2所示。
表2 不同算法检测结果获得的F-score值
4 结语
利用光激励红外热成像系统对复合材料脱粘缺陷进行检测具有检出率低的缺点,笔者提出的融合热图重构的区域生长算法能够挖掘出隐藏的缺陷信息,并且能提高缺陷区域与非缺陷区域的对比度。传统的特征提取算法对微缺陷的检测能力低于文中提出的算法。通过基于事件的F-score值能定量评估不同算法的处理结果的优劣。
[1] 周正干,孙广开,李洋. 先进无损检测技术在复合材料缺陷检测中的应用[J]. 航空制造技术,2016(4):30-35.
[2] 危荃, 金翠娥, 周建平, 等.空气耦合超声技术在航空航天复合材料无损检测中的应用[J]. 无损检测, 2016, 38(8): 6-11.
[3] 汪星明, 郭耀红, 朱庆友, 等. 复合材料无损检测研究进展[J]. 玻璃钢/复合材料, 2012(S1): 261-265.
[4] 黄松岭, 李路明. 复合材料胶接缺陷的红外热像检测[J]. 宇航材料工艺, 2002, 32(6): 43-46.
[5] 郭伟,董丽虹,徐滨士,等.主动红外热像无损检测技术的研究现状与进展[J]. 无损检测, 2016,38(4):58-66.
[6] 林鑫,刘哲军,葛丽,等.复合材料粘接结构红外锁相热像法检测[J].无损检测, 2017, 39(1): 49-51.
[7] FERNANDES, HENRIQUE. Carbon fiber composites inspection and defect characterization using active infrared thermography: numerical simulations and experimental results[J].Applied Optics,2016,34 : 46-53.
[8] POUDEL, ANISH. Non-destructive evaluation of composite repairs by using infrared thermography[J]. Journal of Composite Materials,2016,50: 351-363.
[9] 郭兴旺, 董淑琴. 基于小波变换的红外热波无损检测融合算法[J].光学技术,2008,34(5):659-663.
[10] 何炜,张存林. 红外热成像和光锁相热成像用于无损检测中的实验研究[D]. 北京:首都师范大学, 2009.
[11] 刘涛, 李永峰,黄威.BP神经网络在红外热波无损检测定量识别中的应用[J]. 红外与激光工程, 2012(9): 2304-2310.
[12] RAJIC, NIKOLAS. Principal component thermography for flaw contrast enhancement and flaw depth characterisation in composite structures[J].Composite Structures ,2002,58: 521-528.
[13] LIANG T,Ren W,TIAN G Y,et al. Low energy impact damage detection in CFRP using eddy current pulsed thermography[J]. Composite Structures,2016,143: 352-361.
[14] SRIPRAGASH, LETCHUMAN, MANNUR J.A normalization procedure for pulse thermographic nondestructive evaluation[J]. NDT & E International, 2016,83: 14-23.
[15] HYVARINEN, AAPO, ERKKI O. Independent component analysis: algorithms and applications[J]. Neural Networks,2000,13: 411-430.
[16] SWITA R. Cluster segmentation of thermal image sequences using kd-tree structure[J]. International Journal of Thermophysics, 2014, 35(12):2374-2387.
[17] MALDAGUE, XAVIER, SERGIO M.Pulse phase infrared thermography[J]. Journal of Applied Physics, 1996,79: 2694-2698.
[18] BENMOUSSAT. Automatic metal parts inspection: use of thermographic images and anomaly detection algorithms[J]. Infrared Physics and Technology ,2013,61: 68-80.
DebondingDefectDetectionofCFRPBasedonThermalSignalReconstructedRegionGrowingAlgorithm
FENG Qizhi1, GAO Bin1, YANG Yang2, TIAN Guiyun1,3
(1.School of Automation Engineering, University of Electronic Science and Technology, Chengdu 610000, China;2.China Aviation Industry Chengdu Aircraft Industry (Group) Co., Ltd., Chengdu 610000, China;3.College of Electrical, Electronic and Computer Engineering, University of Newcastle, Newcastle UEI7RU, UK)
In this paper, the fusion of seeded region growing and thermal signal reconstruction algorithm has been proposed to solve the problem of low resolution of defect detection. The algorithm can significantly enhance the contrast ration between defects and sound areas, and realize the accurate positioning of defects. In order to objectively and quantitatively evaluate the detection performance of different algorithms, the event based F-score is computed to measure the detection results.
optical pulsed thermography; carbon fiber reinforced composite; debonding; seeded region growing
TG115.28
: A
:1000-6656(2017)09-0029-06
2017-01-07
四川省科技支撑计划资助项目(2016GZ0185);国家自然科学基金资助项目(51377015,61401071,61527803);NSAF联合基金资助项目(U1430115);中央高校基本业务费资助项目(ZYGX2014J068);中国博士后科学基金资助项目(136413)
冯琪智(1993-),女,硕士研究生,主要研究方向为复合材料无损检测
高 斌(1983-),男,教授,主要研究方向为无损检测与机器学习,bin_gao@uestc.edu.cn
10.11973/wsjc201709007