朱俊臻， 馮輔周， 汪子君， 何 鵬， 李志農(nóng)

（1. 無損檢測技術(shù)教育部重點實驗室(南昌航空大學)，南昌 330063；2. 陸軍裝甲兵學院 車輛工程系，北京 100072；3. 電子科技大學 航空航天學院，成都 611731；4. 陸軍裝甲兵學院 演訓中心，北京 100072）

0 引言

主動紅外熱像技術(shù)是一種通過主動受控激勵源來激發(fā)被測對象升溫，并利用熱成像技術(shù)采集被測對象表面溫度場變化，提取異常信息，進而實現(xiàn)缺陷識別的新型無損檢測技術(shù)[1]。相比于常規(guī)無損檢測手段，其優(yōu)勢主要包括檢測效率高、信噪比好、覆蓋面積大且可視化程度高[2]。渦流脈沖熱像[3-7]和長脈沖光熱像[8-11]作為兩種常見的主動紅外熱像技術(shù)已廣泛應(yīng)用于金屬、復(fù)合材料等的無損檢測與評估，除了上述優(yōu)勢之外，兩者還兼具有非接觸、可重復(fù)性高等特點。激勵源和紅外熱像序列的獲取時間段是區(qū)別兩種技術(shù)的關(guān)鍵，渦流脈沖熱像借助感應(yīng)加熱與短脈沖激勵，而長脈沖光熱像主要利用長時光激勵與熱擴散階段。前期的研究工作主要側(cè)重于缺陷生熱機理和熱像序列分析與處理，以進一步提升兩者對各類缺陷檢測能力。其中較為常見的熱像處理方法包括脈沖相位[12]、熱信號重構(gòu)[13]、獨立成分分析[14-15]、主成分分析[16-17]等。主成分分析方法的優(yōu)勢是可以呈現(xiàn)在不同階段的熱模分布[16]，渦流脈沖熱像常采集加熱和冷卻階段的熱像數(shù)據(jù)，而長脈沖光熱像僅采集長脈沖激勵結(jié)束后的熱像信息。通常，兩種技術(shù)都可用于檢測亞表面缺陷，例如，金屬材料中的分層缺陷和復(fù)合材料中的脫粘缺陷。目前針對兩種技術(shù)檢測亞表面缺陷的對比研究相對較少[18-19]，特別是在缺陷增強和提取基礎(chǔ)上，實現(xiàn)兩種技術(shù)的量化對比分析，尚缺深入對比研究。

本研究重點關(guān)注鋁板中存在亞表面缺陷，定量對比研究渦流脈沖熱像與長脈沖光熱像針對人工平底洞的檢測能力。結(jié)合主成分分析和K-means聚類實現(xiàn)缺陷增強和提取，研究結(jié)果有助于達到兩種熱像技術(shù)的優(yōu)勢互補，對開展關(guān)鍵結(jié)構(gòu)件中潛藏的亞表面缺陷量化檢測，具有重要的工程參考價值。

1 基本原理與識別方法

1.1 渦流脈沖熱像技術(shù)

感應(yīng)加熱情況下的熱擴散方程為[3, 6]：

式中：α、ρ和Cp分別為熱擴散系數(shù)、密度和比熱容，q為焦耳熱源密度。

在加熱過程中，q可認為恒定不變，表述為[6]：

式中：σ為電導率，Js為電流密度。

1.2 長脈沖光熱像技術(shù)

若平板類試件中存在亞表面平底洞缺陷，在長脈沖光激勵下，缺陷區(qū)域熱響應(yīng)可表達為[10]：

式中：q為在tp時間內(nèi)缺陷區(qū)域吸收的光激勵熱源密度，D、d分別為缺陷的孔徑和深度，L為平板厚度。

對于渦流脈沖熱像，感應(yīng)加熱與熱擴散都會對缺陷區(qū)域的時間和空間熱分布產(chǎn)生影響。對于長脈沖光熱像，激勵結(jié)束后的缺陷熱響應(yīng)主要取決于累計吸收的光脈沖熱量。通過兩種方法獲取的缺陷區(qū)域熱對比，都和被測對象的熱屬性參數(shù)密切相關(guān)。

1.3 基于PCA和K-means聚類的缺陷識別

主成分分析（PCA）是一種多元統(tǒng)計分析技術(shù)，可將原始熱像數(shù)據(jù)（Traw）轉(zhuǎn)換為一組不相關(guān)的主成分分量，這些分量按照方差遞減的方式進行排序。對于熱像數(shù)據(jù)，主成分分析目的就是增強缺陷與非缺陷區(qū)域的對比度。主成分分析可簡單表述為：

式中：T是三維原始數(shù)據(jù)Traw經(jīng)轉(zhuǎn)換得到的二維矩陣；U由一組經(jīng)驗正交函數(shù)（EOF）構(gòu)成，其每一列為一個EOF，通常，前面2～3個EOF就可以代表T的空間變化；V是另一正交矩陣，其列向量描述T的時間變化；Λ是含有T的奇異值的對角矩陣。

經(jīng)PCA處理后，通常恰當選取第一或第二主成分，就可以實現(xiàn)缺陷區(qū)域的增強。在此基礎(chǔ)上，通過K-means聚類方法，進一步進行圖像分割，最終實現(xiàn)缺陷區(qū)域的提取。K-means的主要思路是對于一樣本集（圖像），按照樣本之間的距離遠近，將樣本集劃分為k個簇S={S1,…,Sk}，原則是讓每個簇內(nèi)的點盡量緊密而讓簇間的距離盡量大，其數(shù)學表達式為[20]：

式中：μi為 S1的均值。

由于本研究截取的每一感興趣區(qū)域（樣本集）僅含有一個缺陷，因此將k值設(shè)定為3，用來分割缺陷和非缺陷區(qū)域，及兩者之間的過渡區(qū)域。

2 試驗研究

2.1 試驗條件與試驗方案

試驗采用的渦流脈沖熱像系統(tǒng)如圖1所示，主要由感應(yīng)加熱裝置（激勵單元和線圈）、熱像儀和信號發(fā)生器組成。具體而言，激勵單元選用Easyheat 224，其工作激勵頻率與電流分別為 215 kHz和300 A，激勵脈沖長度為200 ms。激勵線圈采用扁平矩形線圈的底部。熱像儀型號為FLIR A655sc，其采集頻率和空間分辨率分別為100 Hz和640 ×240 像素點（Pixel），熱像采集時長為 1 s。信號發(fā)生器為Agilent 33500B，其功能是同步觸發(fā)激勵單元和熱像儀。

圖1 渦流脈沖熱像系統(tǒng)Fig.1 ECPT configuration

試驗采用的長脈沖光熱像系統(tǒng)如圖2所示，主要包括鹵素燈、遮板和熱像儀。2臺鹵素燈的功率均為1 kW，激勵脈沖長度設(shè)定為3 s。2塊遮板的作用是當鹵素燈停止激勵時快速隔斷殘余熱輻射。熱像儀型號為 CEDIP Jade MWIR，其采集頻率和空間分辨率分別為 50 Hz和 320 × 240 像素點（Pixel），熱像采集時長為激勵結(jié)束后（遮板落下）的 1 s。

圖2 長脈沖光熱像系統(tǒng)Fig.2 LPOT configuration

被測平板試件如圖3所示。材料為鋁合金，尺寸為 200 mm× 200 mm× 6 mm。在該平板中共加工有18個不同孔徑和深度的平底洞（Flat Bottom Hole，F(xiàn)BH），以模擬平板類結(jié)構(gòu)中存在的亞表面缺陷。缺陷的幾何參數(shù)見表1。需要注意的是，針對亞表面缺陷的檢測，需要綜合考慮孔徑和深度之間的關(guān)系，本研究采用孔徑深度比（D/d）這一概念來描述亞表面缺陷檢測的難易程度。通常情況下，孔徑深度比越大，缺陷越容易被檢測出。為提高表面熱輻射系數(shù)，被測試件正面噴涂有黑色啞光漆。

表1 FBH 缺陷的幾何參數(shù)Table 1 Parameters of FBH defects

圖3 含有 FBH 缺陷的鋁板試件Fig.3 Aluminium alloy specimen with FBH defects

圖4為針對FBH缺陷的檢測流程圖。具體步驟包括：1）渦流脈沖熱像與長脈沖光熱像系統(tǒng)參數(shù)配置，主要是確定激勵時長，選擇激勵頻率與電流/選取光源，設(shè)置熱像儀采集頻率和記錄時長；2）熱像序列預(yù)處理，包括截取感興趣區(qū)域（ROI）和減背景處理；3）FBH缺陷識別檢測，利用主成分分析實現(xiàn)缺陷區(qū)域?qū)Ρ榷仍鰪姡诖嘶A(chǔ)上通過K-means方法進行圖像分割和缺陷提??；4）檢測結(jié)果對比分析，主要利用信噪比（SNR）、缺陷與非缺陷區(qū)域的比值（R）和信息熵（IE）。

在步驟4中，SNR根據(jù)式（6）計算。

式中：σimg為整幅圖像的標準差，σbg為圖像背景區(qū)域的標準差。本研究選取背景區(qū)域位于圖像的左右兩側(cè)，大小各為 5 × 30個像素點。

IE用來描述圖像信息的豐富程度，其計算公式為：

式中：L為整幅圖像的最大灰度值，Pk為灰度值為k的像素數(shù)量。

2.2 缺陷識別

根據(jù)圖4的流程開展試驗研究，被測對象為含有18個FBH缺陷的鋁板試件。

圖4 FBH 缺陷的檢測流程圖Fig.4 Diagram for FBH detection

利用渦流脈沖熱像對缺陷FBH1激勵200 ms后的熱分布情況如圖5所示，白色矩形框所示為缺陷FBH1的ROI，綠色矩形框為后續(xù)計算背景噪聲標準差的所選區(qū)域。FBH1可通過異常的高溫橢圓區(qū)域清晰辨別。橢圓分布是由于熱像儀的傾斜視角所致。

圖5 渦流脈沖熱像對 FBH1激勵 200 ms結(jié)束后經(jīng)減背景處理的熱分布圖Fig.5 Thermal distribution with background subtraction after a 200 ms heating pulse when testing FBH1 by ECPT

利用長脈沖光熱像對平板激勵3 s后的熱分布情況如圖6所示，紅色矩形框所示為缺陷FBH1的ROI。藍色矩形框為后續(xù)計算背景噪聲標準差的所選區(qū)域。圖6表明，雖然長脈沖光熱像可以得到較大的檢測面積，但是難以通過整幅熱分布圖進行缺陷的識別。

圖6 長脈沖光熱像對被測平板激勵 3 s后的熱分布圖Fig.6 LPOT thermal distribution on the surface of the test specimen after 3 s

2.2.1 缺陷區(qū)域增強與提取

上述結(jié)果表明，僅僅通過某一時刻的熱分布數(shù)據(jù)難以有效實現(xiàn)缺陷的檢測與識別。本研究采用主成分分析實現(xiàn)缺陷區(qū)域增強，進而通過K-means聚類實現(xiàn)缺陷位置與形狀的提取。為有效對比渦流脈沖熱像和長脈沖光熱像結(jié)果，主成分分析處理的都是冷卻階段的熱像數(shù)據(jù)。

經(jīng)過主成分分析和K-means聚類的運算后，圖 7分別為 18 個缺陷 ROI（200 × 55 像素點）的渦流脈沖熱像結(jié)果。每個子圖上方所示為經(jīng)主成分分析的結(jié)果，這里需要指出第一主成分（PC1）用于增強埋藏較淺的FBH檢測，因為感應(yīng)加熱起主導作用，而第二主成分（PC2）用于增強埋藏較深的FBH檢測，因為此時熱擴散起主導作用。例如，F(xiàn)BH1的埋藏深度為1.5 mm，相對較淺，則選取第一主成分，通過對比圖7a和圖5可明顯看出，主成分分析實現(xiàn)了FBH1缺陷檢測的增強。每一子圖下方為K-means聚類并二值化的結(jié)果。在試驗過程中，可以人為控制每一缺陷的位置，這樣就能確保在檢測流程的步驟2中所截取ROI中僅含有一個缺陷且都位于ROI的正中間，進而可根據(jù)二值化結(jié)果的形狀判斷缺陷能否檢出。觀察二值化的結(jié)果，大多數(shù)缺陷都可以根據(jù)較為規(guī)則的形狀和置中的位置實現(xiàn)有效識別，但缺陷FBH8、FBH14和FBH18還是難以識別，這一方面由于他們的埋藏深度遠大于渦流的集膚深度，另一方面是鋁板具有非常高的熱擴散系數(shù)，兩者共同造成這些缺陷很難被發(fā)現(xiàn)。

圖7 對渦流熱像數(shù)據(jù)進行主成分分析和K-means聚類處理后得到的缺陷ROIFig.7 ROIs of defects derived from ECPT results by using PCA and K-means

同樣通過主成分分析與K-means聚類計算后，圖 8 所示為 18個缺陷 ROI（30 × 30 像素點）的長脈沖光熱像結(jié)果。由于加熱脈沖時間較長，熱擴散起主導作用，因此全部采用第二主成分（PC2）增強缺陷檢測。根據(jù)二值化結(jié)果的位置和形狀可以得到，除 FBH9、FBH13、FBH14、FBH16、FBH17、FBH18外，其他缺陷均可以被檢測出。

圖8 對長脈沖光熱像數(shù)據(jù)進行主成分分析和K-means聚類處理后得到的缺陷ROIFig.8 ROIs of defects derived from LPOT results by using PCA and K-means

2.2.2 結(jié)果對比

通過上述分析可以初步得出，盡管長脈沖光熱像具有單次檢測面積大、效率高等優(yōu)勢，但是在缺陷檢測的直觀效果上，渦流脈沖熱像表現(xiàn)更好。為實現(xiàn)2個方法的定量對比分析，利用SNR、R和IE。其中，缺陷與非缺陷區(qū)域的比值R的定義如下：

式中：Ad、As分別從缺陷與非缺陷區(qū)域選取，Ad的面積與實際被測缺陷尺寸相關(guān)，As面積為 5 × 5 像素點；S*表示選取區(qū)域的均值，例如，圖9所示為檢測FBH1時選取的缺陷與非缺陷區(qū)域Ad和As。

圖9 檢測缺陷 FBH1時選取的 Ad 和 AsFig.9 Ad and As when testing FBH1

計算后得到的參數(shù)值如表2所示。在2.3.1節(jié)，已經(jīng)得到FBH8、FBH14、FBH18無法有效識別，結(jié)合表2，它們的參數(shù)值R<1.3，SNR<0.7。需要指出的是FBH9，根據(jù)圖7i的二值化結(jié)果，它可以被識別出，但若結(jié)合SNR和R值可以判斷該缺陷實際上是無法被有效檢測。最終得到渦流脈沖熱像無法檢測出 FBH8、FBH9、FBH14、FBH184個缺陷。針對長脈沖光熱像，前節(jié)得到FBH9、FBH13、FBH14、FBH16、FBH17、FBH186 個缺陷無法有效識別，再結(jié)合表2，總體參數(shù)值R<1.0。有一例外情況是FBH14，其R>1，但根據(jù)圖8n中二值化結(jié)果的形狀和位置，可以明顯看出FBH14無法被檢測出，這還可以結(jié)合SNR來判斷，此時SNR值是不存在的。另外，由于IE主要用于描述圖像的細節(jié)信息，而本研究所檢測的缺陷結(jié)構(gòu)簡單，用IE來反映缺陷的可檢測性并不理想。綜上，可以得到渦流脈沖熱像能從18個缺陷中檢測出14個，長脈沖光熱像可以檢測出12個。7個無法被檢測出的缺陷，除FBH16，均具有較小的孔徑深度比（D/d<6）。相比于長脈沖光熱像，渦流脈沖熱像對埋藏較淺的缺陷，如 FBH13、FBH16、和 FBH17，更具檢測優(yōu)勢。而長脈沖光熱像對孔徑較大的缺陷，如FBH8，檢測效果更好。還可以得出，對埋藏較深缺陷，如FBH9和FBH14，需要考慮二值化結(jié)果的形狀和定量對比參數(shù)，綜合判斷其可檢測性。

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

3 結(jié)論

1）結(jié)合主成分分析和K-means聚類可以實現(xiàn)主動紅外熱像序列增強和缺陷信息提取。

2）針對本研究所設(shè)計的人工缺陷，渦流脈沖熱像能從18個缺陷中檢測出14個，長脈沖光熱像可以檢測出12個，無法檢出缺陷（除FBH16）的孔徑深度比均小于6。

3）渦流脈沖熱像對埋藏較淺的缺陷更具檢測優(yōu)勢而長脈沖光熱像對孔徑較大的缺陷檢測效果更好。