基于红外序列独立成分分析的复合材料冲击损伤缺陷表征*

2022-12-16袁丽华朱言瑧习腾彦

航空制造技术 2022年20期

袁丽华，洪康，朱言瑧，习腾彦，李喆

（1. 南昌航空大学无损检测教育部重点实验室，南昌 330063；2. 中国航发沈阳黎明航空发动机有限责任公司，沈阳 110043）

碳纤维增强树脂基复合材料（Carbon fibre reinforced plastics，CFRP）因其结构重量轻、比强度高、抗疲劳性强等优异的性能被广泛运用到航空制造工业领域，逐步成为目前最重要的航空结构材料[1]。使用CFRP的机身、机翼等大型主承力部件在制造和服役期间，可能会因各种意外坠落和外物撞击而造成结构性损伤，对飞机的整体结构造成巨大的安全隐患[2–3]。在冲击载荷作用下，CFRP层压板易产生基体裂纹，逐步扩展到层间从而形成分层损伤，低能量的冲击在 CFRP 层压板表面目视并不明显[4–5]。因此，提升CFRP的冲击损伤缺陷表征能力已成为航空构件复合材料缺陷检测的主要研究热点之一。

脉冲红外热成像技术（Pulsed infrared thermography）作为一种快速有效的无损检测技术，通过红外序列图像监测材料结构的健康状况，被广泛应用于复合材料结构件的外场、在线、在役检测[6–7]。但由于检测过程中易受到表面受热不均或发射率局部变化等因素影响，采集的红外序列图像存在低分辨率、低对比度、低信噪比等问题。因此，为提升检测结果的信噪比以及定量化精度，相关学者提出了许多能够降低噪声干扰、增强缺陷对比度的基于图像序列的处理算法，比如热信号重构法（Thermographic signal reconstruction，TSR）[8]、独立成分分析法（Independent component analysis，ICA）[9]、奇异值分解法（Singular value decomposition， SVD）[10]、主成分分析法（Principal component analysis，PCA）[11]、脉冲相位法（Pulse phase thermography，PPT）[12]、最大温度对比度法[13]、相关系数法等。Wang等[14]采用脉冲热成像技术对包覆层高硅氧酚醛树脂板材缺陷进行检测，对比了ICA、PCA和PPT等不同算法处理结果，结果表明ICA算法能显著提高信噪比。Liu等[15]针对复合材料平底孔缺陷，采用ICA算法将热图像序列分解为多个独立的非高斯信号，减少不均匀背景和噪声的影响，同时突出缺陷特征。王昵辰等[16]采用多模式红外热成像对碳纤维布加固混凝土界面黏结缺陷进行检测，分析了脉冲、锁相、脉冲相位等模式对检测效果的影响，采用PCA和ICA算法对红外热像图序列进行处理，对比了几种算法的检测效果，证明红外热成像可以对加固混凝土界面黏结缺陷进行有效检测。Lu等[17]采用涡流脉冲压缩热成像技术检测CFRP人工分层缺陷，用PCA、PCA、ICA 3种算法对原始序列图像进行处理，结果表明ICA 算法在处理深度缺陷时表现更好。王晨聪[18]针对CFRP 平底孔试件缺陷采用脉冲热成像技术，提出了马尔科夫–独立成分分析法，与多项式拟合、SVD、PPT等算法相比，此方法对缺陷检测的灵敏度更高，噪声抑制能力更强且视觉效果最好。因此独立成分分析算法是红外序列图像增强过程中重要的技术方法之一。

本文通过脉冲热成像技术对含有冲击损伤的CFRP试块进行试验研究，采用独立成分分析算法对采集的热图序列进行处理，依据熵、均方根误差和峰值信噪比3种评价指标选取合适的区间提取特征图像，并通过不同的图像分割算法，提取缺陷的最大损伤长径和短径，并与超声F扫描结果进行对比，验证了独立成分分析算法在CFRP冲击损伤缺陷的热图序列特征图像选取的可行性。

1 ICA理论

ICA是一种用于盲信号分离的信号处理方法。混合信号x与源信号S之间的关系可表示为

式中，A是未知的混合矩阵。独立成分分析是式（1）的反演问题，由于信号的不确定性，常用估计量Y来表征s。假设A的逆矩阵为W，称为分解矩阵，可定义源信号s的估计值为

假设w是混合矩阵A的逆矩阵W中的一个未知的行向量，基于单个独立成分的线性组合为

由于在独立成分分析中独立成分不能是高斯分布的，那么根据中心极限定理，式（3）转变成y关于S的线性组合关系为

其中，定义zT=wTA。只要使z中任何一个元素不为0，zTs的非高斯性就是最大的，等同于单个独立成分的线性组合关系wTs是非高斯性最大的，符合了ICA的基本要求[7]。

非高斯性的度量是利用非高斯性方法对ICA估计的关键，一般有峰度（Kurtosis）与负熵（Negentropy）两种标准。其中，峰度是可以用四阶累积量来定义的，而且假如随机变量取到单位方差E{y2}=1，则独立成分峰度能简化为

峰度的优点是计算简便，但容易受到异常值的干扰。相比于峰度，负熵是一种计算稍显复杂但有利于非高斯性的度量。随机变量的分布情况越分散、越随机，负熵的值就越大，反之如此。离散自由变量熵H（y）与负熵J（y）定义如下所示。

式中，P（y=ai）为y取ai时概率密度；ygauss定义为与y具有相同协方差矩阵的高斯变量。

2 脉冲红外无损检测试验

2.1 冲击损伤试块

脉冲红外检测试验所涉及的两块碳纤维增强型复合层板试块如图1所示，两块试块的具体参数统计如表1所示。试块1的尺寸为150 mm×120 mm×2.0 mm，在30 J冲击能量下造成的损伤缺陷，其表面的凹坑深度为0.22 mm。试块2的尺寸为150 mm×100 mm×4.8 mm，在40 J的冲击能量下造成的损伤缺陷，其表面的凹坑深度为1 mm。

表1 冲击损伤试块相关参数Table 1 Relevant parameters of impact damage test block

图1 冲击损伤试块实物图Fig.1 Physical drawing of impact damage test block

2.2 同步采集系统

红外无损同步检测系统主要由热激励源、图像采集系统（红外热像仪）、同步控制器和数据处理系统（计算机）构成，相关的软件实现和控制激励源和红外热像仪同步工作。整个检测系统结构示意图和平台实物图如图2所示，选用的是德国Infratec生产的采集与热激励同步的红外无损检测系统。当热激励采用的是脉冲激励时，则构成脉冲红外无损检测方式。

图2 红外无损同步检测系统Fig.2 Infrared nondestructive synchronous detection system

2.3 冲击损伤序列图像

红外无损检测试验采用反射脉冲法，主要试验参数设置如下：探测距离600 mm、采集频率15 Hz、采集帧数600帧、激励功率1600 W，试块1和试块2激励时间分别为5 s和6 s。采集得到2块试块的冲击损伤红外图像序列，这两个序列中代表时刻图像分别如图3和4所示。序列图像记录了试块表面的温度变化过程，由于缺陷处与非缺陷处热传导存在差异，导致对应处的表面存在温差，从而检测出缺陷。

图3 试块1红外序列图像代表帧图Fig.3 Representative frame of infrared sequence image of test block 1

3 试验数据处理与分析

3.1 试块热性能分析

依据红外图像序列，可以绘制缺陷处的平均温度随时间的变化曲线和非缺陷处的平均温度随时间的变化曲线，如图5（a）和（b）所示，分别对应试块1和试块2的温度时间历程曲线。可以看出温度时间历程曲线分为温度上升沿和温度下降沿两部分。试块受到脉冲热激励后，物体温度从室温迅速上升，由于存在缺陷，导致物体材质分布不连续，内部热传导存在差异，表面的热辐射能力也有差异，因此非缺陷温度上升大于缺陷处的升温，但上升的步调是一致的，同时到达各自的峰值。随后，温度近似双曲线下降，在200帧后，近似线性缓慢下降。由时间历程曲线可以得到非缺陷处和缺陷处的温差随时间的变化曲线，试块1和试块2的温差曲线分别如图5（c）和（d）所示。

3.2 ICA数据处理

由碳纤维冲击损伤试块的脉冲红外无损检测的试验结果（图3和4）可知，红外序列图像记录了复合材料内部分层缺陷的显现和扩散消退过程。缺陷从无到部分显现至完整清晰，然后再逐渐扩散、消退，最终消失达到热平衡。用整个序列来做ICA数据分析显然不适合。考虑到缺陷和非缺陷之间的温差是重要的性能指标，结合试验结果的先验知识，沿温差曲线的下降沿，从峰值到半峰值对应的序列段作为ICA处理的数据。因此，试块1和试块2选择的序列图像帧数区间分为[77，118]和[92，123]，如图5（c）和（d）所示。图6（a）和（b）是采用ICA算法处理后得到的最佳特征图像，分别为试块1和试块2的特征图像。

图4 试块2红外序列图像代表帧图Fig.4 Representative frame of infrared sequence image of test block 2

图5 试块的温度性能曲线Fig.5 Temperature performance curve of test block

经ICA处理后得到的特征图像，主观上看图像的视觉效果得到了明显增强，改善了加热不均匀带来的影响，图像对比度优于原始序列图像。采用图像评价指标，如熵、峰值信噪比、均方根误差对特征图像做进一步的客观评价[19–20]，并与对应的序列图像中的最佳指标值进行对比，各指标值统计如表2所示。从表2中数据得出，ICA处理得到的特征图像的均方误差小于对应的序列图像的均方误差，峰值信噪比要优于原始序列图像，说明ICA方法能够有效除噪，提高峰值信噪比。但是特征图像的熵值较大幅度小于原始序列图像。由信息论可知，熵是度量混乱程度的，熵越大表明信息量越大则混合信号越多。因此，处理后的图像熵减小，表明信号分布得更集中，缺陷分离的效果更好。

表2 图像评价指标对比Table 2 Image evaluation index comparison

3.3 缺陷特征提取

以图6所示的ICA特征图像作为图像处理的原图像，采用了基于阈值、边缘和区域的9种分割方法进行图像分割，其中包括迭代全局阈值法、Otsu最佳阈值法、区域生长法、标记符控制分水岭分割法、Sobel算子法、Roberts算子法、Prewitt算子法、Laplacian算子法和Canny算子法，试块1和试块2的缺陷提取结果分别如图7和8所示。

图6 ICA特征图Fig.6 ICA feature images

利用形态学中膨胀与腐蚀的方法填充图7和8中经过分割算法处理的图像，实现缺陷区域完整的二值图像化分割，试块1与试块2的缺陷提取结果分别如图9和10所示。图7和8中Roberts算子、Prewitt算子与Laplacian算子缺陷提取的边缘结构不完整、连接性差，无法满足缺陷定量提取要求，因此不对这3种算子进行进一步的缺陷定量化评估。进一步编程寻找对应缺陷的最大损伤长径和最大损伤短径两个损伤特征值，参见对应图的标注尺寸，结果如表3所示。

图7 试块1特征图像分割处理结果Fig.7 Segmentation results of test block 1 feature image

通过以上试块1、试块2不同算法的二值图像填充后的效果对比可以看出，迭代阈值法采用闭运算将中心孔洞填充完整，但缺陷边缘噪声依然有影响；Otsu将中心细小孔洞填充，相比其他几种算法对背景噪声去除效果更好，边缘连接较平滑、噪声影响较少；区域生长法与Otsu类似，但其对干扰噪声较敏感，背景与缺陷边缘存在许多细小点；填充后的标记符控制分水岭法的边缘相较未填充时则稍显平滑；两种边缘检测算子Sobel、Canny算子的图像背景噪声很多，但边缘定位较准确。

另外，也可以采用提取缺陷长短径进行对比。缺陷长径可以定义为缺陷区域内相距最远的两点之间的距离，短径则是垂直于长径并与缺陷外轮廓相交的最长的垂线段。由图9和10可知，Sobel算子法与Canny算子法二值图像填充后求得缺陷长短径较前面4种方法更大。

图8 试块2特征图像分割结果Fig.8 Segmentation results of test block 2 feature image

图9 试块1最大长轴和短轴缺陷特征提取Fig.9 Defect feature extraction of maximum long axis and short axis of test block 1

为了进一步定量分析图像分割算法对冲击损伤缺陷提取的有效性，对试块1、试块2进行超声F扫描成像，结果如图11所示。定量提取得到试块1的缺陷长径为55.9 mm，缺陷短径为25.3 mm；试块2的缺陷长短径分别为56.8 mm、36.3 mm。以超声F扫描检测的缺陷提取特征参数为标准，多种分割算法包括迭代阈值、Otsu、区域生长、标记符分水岭以及两种边缘检测算子的处理特征参数包括缺陷长径、缺陷短径与超声检测值进行对比，计算得出相对误差统计如表3所示。可以看出，同种检测方法试块1的检测结果优于试块2的检测结果，说明脉冲反射热成像检测适合薄板的检测；处理同一检测试块，Sobel算子法和Canny算子法提取缺陷最大长短轴的特征优于其他方法。