基于區域生長的蜂窩積冰紅外圖像檢測

李寶磊， 李清英， 郝 路， 潘煒琛

（上海工程技術大學 航空運輸學院， 上海201600）

0 引 言

蜂窩結構作為工字梁結構，具有輕質、高承載、結構穩定等特點，廣泛應用于飛機承力結構件，如機翼、機身、尾翼和方向舵等關鍵部位。 飛機飛行過程中，機翼等部位受到沖擊，鋁蜂窩結構密封性能下降。 在惡劣環境下，受到雨水、冷凝水等共同影響，容易造成內部積水，如果在飛行過程中溫度過低，內部積水形成積冰，積冰會向蜂窩夾層擴張，使蜂窩芯和面板脫層或脫粘，從而危及飛機的飛行安全。 檢測飛機蒙皮內部及表面缺陷有多種方法，而紅外無損檢測技術具有直觀、快速、不需要與缺陷樣件表面接觸等優點，有較高的可靠性，適合在線檢測。 利用紅外熱像儀對積冰缺陷檢測，并采用合適的熱像圖圖像處理方法凸顯缺陷，對其定量顯得尤為重要。 余成波將OTSU 算法應用于區域生長中，對電氣設備故障處理取得了一定效果；李欣和曹彪等人也對區域生長法進行改進，取得了比較好的效果；劉剛利用模糊C 均值聚類算法分割紅外圖像，改善了紅外圖像中噪聲的干擾。 針對圖像的分割方法雖然很多，但是不同的圖像有各自的特點，很難找到具有適應性的通用的方法，所以圖像分割依然是圖像處理的難點［1］。

1 區域生長原理概述

區域生長是由Levine 等人提出的，基本原理較其他分割算法簡單，可以將相同特質的區域分割出來，邊緣信息十分明確［2］。 該方法一般有兩種方式：一種是先給定圖像中的種子點，確定生長規則，判斷種子點鄰域像素點是否滿足規則，滿足即納入種子區域，達到最終將所有具有相同屬性的像素點結合成一個區域的目的［3］；另一種是將目標圖像分割成多個具有相同特征的區域，按照規定規則融合相近的小區域，達到分割圖像的目的［4］。

紅外圖像中每一像素點都有相應的灰度值，在蜂窩結構中，積冰區域相應的灰度值偏小，為缺陷部位，以二值圖為例：

（1）首先設置種子點，在圖1（a）中設框選點T ( m0，n0) 為種子點；

（2）將種子點的特性與其四鄰域或八鄰域未歸類像素點的特性相比較。 事先設定判斷標準，如果符合標準，在相應范圍內，則把它們合并為同一區域，同時被納入區域的點作為新的種子點；在圖1（b）中可以看出其八鄰域左上像素不滿足特性要求，其他鄰域均滿足要求，一次迭代后的區域結果為圖1（b）所示；

（3）生成新的種子點后，重復步驟（2），直到最后達到停止生長條件。 在蜂窩積冰缺陷檢測上，邊緣即為其停止生長的條件，如圖1（c）、（d）所示。 黑圈區域即代表種子區域，白圈區域則為非種子區域。

圖1 區域生長示意圖Fig.1 Regional growth diagram

因此區域生長算法一般有以下3 個步驟：（1）確定生長種子點；（2）規定生長準則；（3）確定生長停止條件。

2 方法實現

區域生長法比較適合分割相同特質的聯通區域，飛機蒙皮的積冰處一般與良好區域形成不同紅外圖像特點的區域，在此基礎上結合區域生長法分割圖像精確高效。 但一般手動選取種子點，或者手動選取多個種子點，人為因素影響較大，可能不能夠全部選出缺陷區域，會造成分割缺陷不全，無法精確定位，無法確定缺陷面積，所以自動選取種子點會更具高效性和自適應性。

2.1 確定種子點

紅外熱像圖可顯示的蜂窩積冰缺陷特征［5］。通過熱激勵后，樣件缺陷區域的溫度會明顯高于良好背景區域，因此可以設定種子點為圖像中像素灰度值最大的點。 選用N×N 卷積矩陣遍歷圖像區域，分別計算滑動矩陣內所有像素點像素的均值，計算出平均值最大的區域的中心點為種子點，區域像素的均值計算公式（1）如下：

其中，f（i，j） 為以（i，j） 為中心的N ×N 矩陣像素點的均值，f（m，n） 為矩陣內的像素，N 為卷積矩陣大小，本文選取值為3。

蜂窩積冰區域存在多處積冰的可能性，因此紅外圖像中有可能形成多個缺陷區域，卷積矩陣在遍歷圖像區域時，一般會有多處像素點均值高。 一般程序中可以人為設置種子點，三到五個，但這種方法往往不具有適應性，可以通過公式（2），避免少選或者多選種子點：

其中， f （m，n）max是卷積矩陣遍歷結果后的最大值，c 是常數，缺陷區域的像素值差別較小，一般在0－0.1范圍內均有可能是種子點，即c 取值0.05。

2.2 設置生長準則

種子點確定后開始區域生長，生長的過程中需要生長條件。 本文選用基于區域灰度差的灰度變化的自適應閾值與計算梯度幅值相結合的方法作為生長準則。

設生長區域為S，像素點總數為p，區域內灰度均值為q，每次生長完成，種子區域的像素有所變動，均值q 每次都需重新計算，計算公式（3）：

將圖像中待判斷的像素點f（m，n） 與已生長區域的像素均值q 比較，若像素差值的絕對值小于閾值T，則f（m，n） 作為新的種子點繼續生長，否則停止生長：

式中，f（m，n） 為待判斷的像素點， q 為生長的區域像素均值。

2.3 確定生長停止條件

熱處理圖像中的積冰缺陷邊緣是基于積冰與背景灰度值變化較大的區域，如果依舊按照上述生長條件生長，可能會導致過分割。 借鑒梯度邊緣檢算法的思想，設置如下準則：設定閾值W，當梯度幅值G（i，j） ＞W 時，認為該點是邊緣點。 加入Sobel 梯度算子可以對噪聲起到平滑作用，消除噪聲的影響。本文使用Sobel 梯度算子，計算種子點和待生長點的梯度幅值，作為方向限定條件加入到生長準則中［6］。

圖像中像素點的梯度計算公式（5）：

式中： f 表示紅外圖像；i，j 分別表示x，y 方向上的單位矢量。

梯度的幅值定義為W（x，y），即公式（6）：

梯度的方向定義為公式（7）：

中心為（x，y） 的八鄰域為（8）：

中心點（x，y） 沿x，y 方向上的梯度值分別為公式（9）、公式（10）：

梯度幅值為公式（11）：

則邊緣點判定條件為：

其中：W0（x，y） 表示當前種子點的梯度幅值；K0表示閾值。

因此，改進過的生長準則為：

因為加入了停止生長條件，可以適當放寬生長條件，增加閾值T， 防止灰度變化導致的欠分割現象，區域生長算法流程圖如圖2 所示。

圖2 算法流程圖Fig.2 Algorithm flow chart

3 實驗及結果分析

根據波音767 航空無損檢測手冊關于熱成像檢測蜂窩結構零件積冰檢查方法，一般模擬檢測飛機降落一個小時左右的狀態。 本文采用南京諾威爾光電有限公司的ThermPulse－S12 分體式熱波成像無損檢測系統，該系統搭配非制冷焦平面紅外熱像儀，熱像儀分辨率為384（H）×288（ V），熱激勵源為最高能量12000 焦耳的閃光燈。 特制蜂窩夾芯為鋁合金材質，夾芯外形尺寸為250 mm×250 mm×20 mm，蜂窩邊長為4 mm，蜂窩壁厚為0.4 mm。 制作缺陷過程中，參照標準DNT1046 填充水、冷凍等操作，使用吸管吸取定量清水，隨機注入蜂窩夾芯中，記錄注水格數，將樣件放入冰箱，等待20 mins 后取出。 考慮到缺陷與背景區域溫差大，檢測效果會更好，將樣件放于室溫環境下5 mins，隨即利用紅外熱像儀對其進行檢測。 圖3 為蜂窩樣件：

圖3 鋁蜂窩夾芯Fig.3 Aluminum honeycomb sandwich

對蜂窩樣件進行熱激勵，采集圖像，在Matlab 2016a 中進行圖像處理，圖4 為采集到的原始紅外熱圖像，圖5 為傳統算法分割結果，圖6 為本文算法分割結果。 從主觀的視覺上就可以看出，改進后的區域生長法可以較為完全的檢測出積冰部位，與樣件原始注水缺陷一致。 而傳統區域生長法則只檢測出兩處缺陷，邊界也不一致，有偏差。

圖4 原始紅外熱像圖Fig.4 Original infraredthermogram

圖5 傳統算法分割結果Fig.5 Segmentation results of traditional algorithm

圖6 本文算法分割結果Fig.6 Segmentation results of the algorithm in this paper

因為蜂窩結構有內壁隔離，可以清晰看出蜂窩個數，所以可以將蜂窩個數作為計量單位，用于分析評價蜂窩板的缺陷情況。 為了客觀地評價該方法對缺陷區域的提取，特建立表1 指標參數評價缺陷分割效果：

表1 評價指標參數Tab.1 Evaluation index parameters

所以樣件真實缺陷率計算公式（12），計算缺陷率為公式（13）：

計算蜂窩缺陷個數公式（14）：

通過分析圖像，比較本文算法以及傳統分割效果，獲得評價結果如表2 所示。

表2 指標評價結果Tab.2 Index evaluation results

4 結束語

本文根據蜂窩結構材料特點，引用區域生長法對積冰紅外熱像圖進行分割，利用自動選取種子點精確定位缺陷位置，在優化生長規則與停止生長條件的基礎上，排除了噪聲的干擾，保留了缺陷細節，提高了分割精度，最后利用評價指標計算出的結果與實際情況偏差不大，相對于傳統的區域生長法的分割效果有了很大的改善。