基于紅外圖像動態亮度調節方法的桿式構件疲勞斷裂位置預測

謝 靜，徐長航

（中國石油大學 機電工程學院，青島 266555）

0 引言

金屬構件的斷裂存在著孕育演化過程，因此對現場金屬構件工程破壞監測要從研究金屬結構的全場演化過程來分析[1]。在斷裂前的一段時間內，金屬構件的表面溫度場就會有異常分布出現。紅外熱像儀可以把物體的表面溫度分布轉換成可見圖像，從而直觀地顯示被測目標表面的紅外輻射溫度場分布。這給金屬構件斷裂預測提供了一種有效的方法，即首先確定構件最終斷裂位置在斷裂孕育階段紅外圖像中的特征，然后通過圖像處理的方法，在紅外圖像中尋找符合這一特征的位置，即可預測最終的斷裂位置。

本文通過對多個構件的紅外圖像序列進行觀察得出斷裂位置在斷裂孕育階段的圖像特征，然后采用動態亮度調節的方法找到圖像中符合此特征的像素，并確定出最終的斷裂位置。經過實例驗證，本文提出的圖象處理方法可以準確預測疲勞斷裂位置。

1 斷裂位置在斷裂孕育階段的圖像特征

本文實驗對象為20Cr2MoNi制成的桿形構件，構件長400mm，構件外徑帶螺紋處Ф24mm，光滑處Ф12mm。利用高頻拉壓疲勞試驗機對構件進行循環加載。在構件的整個疲勞實驗過程中，通過SAT HY6850紅外成像系統記錄構件的溫度場。該熱像系統的主要特性如下：系統獲取數據的最大幀速為50幀/秒，溫度分辨率為0.08℃，空間分辨率可到1.3mrad。

通過分析實驗測得的多個紅外圖像序列，得到以下結論：在斷裂發生前的較長時間里，試件的紅外圖像中會有兩個相對的高溫區，而最終的疲勞斷裂將發生在這兩個區域的中間位置。

為了對上述結論做更形象的說明，圖1中列出了具有代表性的三個時間點的紅外序列圖像，其中圖1(a)、圖1(b)為按照時間先后由紅外視頻中截取出的兩幅紅外圖像，圖1(c)為構件斷裂瞬間的紅外圖像。圖1(d)、圖1(e)和圖1(f)分別為圖1(a)、圖1(b)和圖1(c)中白色框出部分放大后，使用Matlab中的像素讀取工具得到的RGB值。由于亮度和RGB值之間具有式(1)所描述的關系，而亮度越高，表示此處溫度越高。因此，圖1中的典型紅外圖像驗證了上述關于斷裂位置特征的結論。

在斷裂孕育階段的紅外圖像中，很難通過直接觀察找到兩個高溫區域。而合適的圖像處理方法可以快速、準確而方便地找到兩個高溫區域，從而可以在較早時間就預測未來斷裂的位置。

圖1 斷裂位置在各時間段紅外圖像中的特征

2 紅外圖像處理方法

為了快速、準確而方便地在斷裂孕育階段的紅外圖像中找到兩個最高溫區域，可以使用圖像處理方法對紅外熱像進行一系列的處理。本文的方法包括以下三個步驟：灰度化、反色和動態亮度調節。

2.1 紅外圖像灰度化[1]

要處理的原始紅外熱像為RGB空間模式，而其中的亮度信息代表了溫度的高低。因此，可以借助NTSC彩色模式將其轉換成灰度圖，來描述每一像素位置的亮度。在NTSC彩色制式中，圖像數據由三部分組成：亮度（Y）、色調（I）和飽和度（Q）。Y、I、Q三個分量可以用式(1)從一幅RGB圖像中得到：

其中，亮度描述灰度信息，色調和飽和度描述彩色信息。因此，將I和Q的值賦為0，Y值保持不變，就可以僅僅保留圖像的灰度信息。然后，用式(2)返回RGB空間。

就得到原紅外圖像變換后的灰度圖像。灰度圖像完整地保留了原圖像的溫度信息，而且使得后續處理更加快速和便捷。

2.2 反色處理[2]

當所關注的細節為嵌入于圖像暗色區域的亮色細節，特別是當黑色面積占主導地位時，反色處理往往會給圖像的分析帶來很大的便利。而本文涉及的紅外圖像，在經過灰度化處理后，恰恰屬于上述情況。所以，本文方法的第二步為灰度圖像的反色處理。用式(3)對灰度圖中的每一像素進行處理，即可得到灰度圖的反色圖。

其中，r為待處理灰度圖各像素的灰度值，s為反色處理后的該像素的灰度值。

2.3 動態亮度調節

如前所述，在斷裂孕育初期階段，未來的斷裂位置總是位于紅外圖像中兩個最高溫度區域的中間位置。因此，為了在斷裂發生前預先找到將要斷裂的危險位置，需要在斷裂孕育階段的紅外熱像中找到溫度最高的兩個區域，即上述反色處理后圖形中的兩個最暗區域。本文提出了動態調節亮度的方法，來確定這兩個區域的位置。

將圖形中像素的灰度值按式(4)進行處理：

其中，h為反色處理后灰度圖像各像素的灰度值，g為亮度調整后該像素對應的灰度值，b為調整閾值。

根據前述預測斷裂所需要的條件，閾值b的確定應使調整后的圖像中剩下的暗色區域個數為2，其它區域的灰度值全部調整為255。b值越大，則調整后暗色區域個數越多，b值越小，則此個數越小。根據這個原則，通過交互式或編程方式找到符合要求的b值。

2.4 sobel算子邊緣檢測

經過上述處理后，圖形中只剩下兩個分離的暗色區域，對應于構件中的兩個高溫區域。為了保證更容易、更準確地找到它們的中間位置，本文對這兩個區域進行了邊緣檢測。同樣，為了直觀、清楚地顯示斷裂在構件中的位置，對原始紅外熱像灰度化后的灰度圖進行了邊緣檢測，得到整個構件的邊緣。兩個邊緣檢測都是采用sobel算子進行。

sobel算子是一階導數算子,實際中常用小區域模板卷積來近似計算每個像素位置處的x和y個方向的偏導數。x和y方向各用一個模板，所以需要兩個模板組合起來構成一個梯度算子[2]。sobel算子的模板如圖2所示。

圖2 Sobel算子模板

經過處理后發現，得到的邊緣結果非常理想，說明sobel算子對于此處的兩個邊緣檢測過程都是非常適用的。

2.5 斷裂位置的確定

將兩個高溫區域的重心坐標在受力方向上求平均，即得到斷裂的位置。將斷裂位置、兩個高溫區域邊緣和構件邊緣圖疊加，就可以清楚顯示將要斷裂的部位在構件中的具體位置。

3 處理效果及方法分析

本文以圖1(b)作為處理對象，該圖為實驗早期圖像，很難直接通過目視準確找到兩個最高溫區域來預測未來的斷裂位置。

按照本文上述方法對其進行處理，處理結果按順序列在圖3中。圖3(a)為灰度化了的紅外圖像。由于背景溫度低、構件溫度相對較高，因此所關注的細節為嵌入于圖像暗色區域的亮色細節，而且黑色面積占主導地位。圖3(b)為圖3(a)的反色圖像，代表高溫的黑色區域邊界仍然很模糊，無法找到其中分離的、代表最高溫的兩個區域。圖3(c)對應用本文提出的動態亮度調節方法，閾值b取為11得到的增強圖像（為了讓讀者看得更清楚，圖3(b)使用圖形工具進行了放大）。閾值取為11可以保證圖像中除了兩個小的區域外，其它區域的灰度值都是255。能夠滿足這一條件的b值應該是一個區間，但是通過交互式或編程方式只要找到這個區間中的之一，就可以確定兩個高溫區域，從而預知斷裂位置。

圖3 圖像處理過程及結果

圖3(d)為使用sobel算子對圖3(c)進行邊緣檢測的結果。圖中清楚地顯示了兩個分離的、代表構件中最高溫區域。使用sobel算子對圖3(b)進行邊緣檢測的結果見圖3(e)。結果清楚地顯示了構件的邊緣。將圖3(d)和圖3(e)進行疊加，就得到了兩個高溫區域在構件中的位置，如圖3(f)所示。

對兩個高溫區域的重心求垂直方向上的平均值，即得到斷裂的垂直位置，在圖3(g)中用兩高溫區域中間的橫線示出。

圖3(h)為對圖1(a)用本文方法處理得到的預測結果，其中動態亮度調節的閾值b=16。

將本文方法處理后得到的預知斷裂位置與此構件斷裂瞬間的紅外圖像圖1(c)進行比較，可以看出，本文給出的方法可以非常準確地預測構件的斷裂位置。

4 結論

本文通過分析實驗得到的紅外圖像序列，得到了最終斷裂位置在斷裂孕育初期階段紅外圖像中的特征。通過綜合運用灰度化、反色、動態亮度調節、邊緣檢測的圖像處理方法，由斷裂孕育階段的紅外圖像中快速、準確地預測了斷裂位置，對設備或構件的失效預警提供了有效的方法。本文所使用的閾值是通過交互式的方式確定的。這一過程可以通過編程來實現自動化，此項工作有待于下一步的研究工作得到實現。

[1]董玉芬,林毅明,王來貴,劉向峰.紅外熱像儀用于金屬材料斷裂過程的實驗研究[J].遼寧工程技術大學學報.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]徐長航,陳國明,謝靜,林紅.基于紅外圖像處理的鋼制構件疲勞損傷識別[J].石油礦場機械,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.