基于熱圖像重建及增強的玻璃幕墻結構膠損傷區域識別方法*

陳玉明　林金帆　任則銘　陳俊皓

技術應用

基于熱圖像重建及增強的玻璃幕墻結構膠損傷區域識別方法*

陳玉明1,2林金帆3任則銘3陳俊皓3

（1.工業和信息化部電子第五研究所，廣東 廣州 5106102.智能產品質量評價與可靠性保障技術工業和信息化部重點實驗室，廣東 廣州 5106103.華南理工大學機械與汽車工程學院，廣東 廣州 510641）

針對現有玻璃幕墻結構膠損傷熱波檢測技術存在熱圖像序列數據量大、有效信息占比少、分辨率低、噪聲大等問題，提出利用單列位置的數據重建、基于小波變換的圖像重構、采用維納濾波的圖像增強和基于損傷區域識別規則的熱波定位方法完成玻璃幕墻熱圖像序列的處理及損傷區域的識別。實驗結果表明：小波變換技術利用自適應閾值系數可有效降低熱圖像高頻分量中噪聲成分，保留熱圖像特征；維納濾波采用3×3模板進一步平滑圖像，確保熱圖像中大部分重要信息；損傷區域識別率達93.7%。

玻璃幕墻；熱圖像重建；熱波檢測；小波變換；損傷區域識別

0　引言

玻璃幕墻由玻璃面板及其背面的支承結構通過結構膠粘合而成，用于建筑外墻圍護，雖不具有承載作用，但可以保護建筑內部結構，為住戶提供舒適的內部環境。玻璃幕墻工作環境變化波動大，特別是高層玻璃幕墻，風速增加工作載荷。長時間工作后，玻璃幕墻膠接處可能產生損傷。一旦損傷嚴重，會造成玻璃幕墻脫落或破碎，對行人和公共環境造成惡劣影響。玻璃幕墻結構膠損傷區域識別通常采用人工目視法、敲擊法和拉伸測試法。其中人工目視法和敲擊法依據檢測人員經驗，檢測效率低、誤差大；拉伸測試法需破壞抽檢區域，取出結構膠進行拉伸實驗測試結構膠性能。玻璃幕墻結構膠損傷區域識別亟需無損檢測手段。

本文針對玻璃幕墻熱波檢測過程中的熱圖像序列時頻域處理，設計基于熱圖像重建及增強的玻璃幕墻結構膠損傷區域識別方法，提出基于單點定位的數據重建算法、基于小波變換和維納濾波的圖像處理以及損傷區域識別規則，達到降低圖像噪點、增強特征細節和識別缺陷特征的目的，從而提高熱波檢測的效率與準確度。

1　玻璃幕墻結構膠熱波檢測平臺

玻璃幕墻結構膠熱波檢測平臺主要由熱像儀、掃描平臺、線形光激勵源和上位機等組成，如圖1所示。

圖1　玻璃幕墻結構膠熱波檢測平臺

熱像儀記錄并存儲紅外輻射的分布情況，輸出熱圖像序列和相關實驗數據。線形激勵源選取一字型線形近紅外激光器，配合掃描平臺實現對結構膠粘結區域的加熱[1]。上位機接收熱像儀輸出的熱圖像序列，并對其進行圖像處理，包括熱圖像重建、熱圖像增強和損傷區域識別等。

玻璃幕墻結構膠損傷區域識別過程中，線形近紅外激光器發出的近紅外激光到達玻璃表面，其中少部分被玻璃吸收，大部分透過玻璃到達結構膠表面并被結構膠吸收，在粘結區域形成直射熱波。假設熱激勵能量均勻一致，由于直射熱波在結構膠中迅速衰減，無法達到更深區域，可將粘結區域中熱波傳播視為一維非穩態導熱。當玻璃幕墻結構膠粘結區域存在損傷時，直射熱波會在損傷區域發生反射，形成反射熱波，并在粘結區域不斷反射直到衰減。對應的玻璃幕墻表面由于反射熱波與直射熱波的線性疊加產生更高溫度[2]。在熱圖像序列中，由于反射熱波的影響，損傷區域溫度峰值更高，且峰值過后，區域冷卻曲線更加緩慢。用正常區域的溫度曲線減去異常區域的溫度曲線，得到的溫度差即為反射熱波產生的溫升，積分后可得到反射產生的熱值。熱像儀產生的數據中包含獨立的隨機噪聲，正常區域的溫度曲線減去異常區域的溫度曲線可抵消隨機噪聲的影響，提高檢測精度，也有利于提高損傷區域的識別精度。

2　熱圖像序列重建與增強方法

熱像儀輸出的玻璃幕墻表面熱圖（SEQ文件）是一個基于時間順序的熱圖像序列，時空模型如圖2所示，其中軸和軸分別為熱像儀掃描窗口中的橫坐標和縱坐標，為熱圖像采集時間間隔，記第幀熱圖像為T。隨著采集時間的增加，層層疊加出熱圖像序列。

圖2　熱圖像序列時空模型

熱圖像序列具有分辨率低、噪聲多等特性，且在大多數情況下，熱像儀產生的空間噪聲多于時間噪聲。其空間噪聲主要有背景噪聲、光子噪聲、熱噪聲、1/噪聲、均勻性校正殘留噪聲和A/D轉換噪聲等[3-5]。本文選用Matlab2019作為熱圖像序列處理軟件，處理過程主要分為圖像預處理、圖像重構、圖像增強和損傷區域識別4個階段。

2.1　基于單列像素點的多幀圖像重建和小波變換的圖像重構技術

經計算可知：熱像儀掃描速度為3.6 mm/s，每秒經過36個像素點，共記錄60次圖像。即每記錄一次熱波圖像，熱像儀移動0.06 mm，經過0.6個像素點。像素點為記錄的最小尺度，不可再分，因此可每隔5幀圖像進行采樣，此時熱像儀經過3個像素點。記第幅圖像的像素點p(,) (>3)的溫度信息為t(,)，在第+5幅圖像中，對應的像素點應為p+5(,?3)，可以看出對應像素點的橫坐標不發生變化，即可取整列像素進行重建。由此可以重建玻璃幕墻單列位置的溫度變化，采樣時間間隔為1/14 s。

式中為常數。

二維矩陣的一層小波變換后，小波變換系數在空間分布中分為4個部分[8]，如圖3所示。左上部分（LL1）為圖像的低頻成分，為數據能量集中的頻帶；左下部分（LH1）為圖像縱向的高頻信息，包含縱向細節和噪聲；右上部分（HL1）為圖像橫向的高頻信息，包含橫向細節和噪聲；右下部分（HH1）包含對角線高頻信息及少量邊緣信息。

圖3　小波變換系數的空間分布

小波變換可進行多層分解，多層小波分解是基于上一層小波分解產生的低頻信號進行再分解，如二層小波分解時將一層小波的低頻成分LL1再分解為LL2，LH2，HL2，HH2，以此類推直到完成所需層數的小波分解。二維矩陣的小波變換去噪主要由二維信號的小波分解、對系數進行閾值化處理和二維小波的重構3部分組成。

2.2　基于維納濾波的圖像增強技術

在Matlab中，利用wiener函數可實現自適應濾波處理，也稱為維納濾波。維納濾波器的輸出與期望值的差平方最小[9]，因此也稱為最小二乘濾波器。根據圖像的局部方差做出估計，當局部方差較大時，該區域像素值不作較大改變，保留高頻信息；當局部方差較小時，模板內高頻信號減弱，信號趨于平緩[10]。維納濾波器根據×模板計算其局部均值和各像素方差如式(5)和式(6)所示。

使用這些估計值創建維納濾波器，如式(7)所示。

×模板影響輸出結果。當，數值越大，模板面積越大，鄰域對中心點像素的影響也更大，去噪圖像更加平滑。，數值不等時，當值較大時，圖像縱向濾波效果更強；當值更大時，圖像橫向濾波效果更強。

2.3　基于損傷結構熱波影響的損傷定位方法

預先得到正常（無缺陷）區域的溫度-時間曲線為標準溫度-時間曲線；將重構、增強后的不同像素點與標準溫度-時間曲線進行差分計算；設定一個合適的閾值，并將超過閾值的像素點標記，得到的標記集即為含有損傷區域的像素點。

3　熱圖像序列重建與增強實驗結果

本文搭建的玻璃幕墻結構膠紅外熱波檢測平臺實物圖如圖4所示，包括FLIR SC660紅外熱像儀、808 nm一字型線形近紅外激光器、掃描平臺及檢測試樣等。

將結構膠粘結區域有損傷的玻璃幕墻樣品放置在熱像儀下方，記錄玻璃幕墻的缺陷位置（距離玻璃幕墻右端135mm ~ 159mm處），確保掃描路徑經過缺陷區域。得到的原始熱圖像序列如圖5所示；基于單列像素點的多幀圖像重建結果如圖6所示；小波變換圖像重構結果如圖7所示。

圖4　玻璃幕墻結構膠紅外熱波檢測平臺實物圖

圖5　第100，200，300幀原始熱圖像序列

圖6 多幀圖像重建結果

圖7 小波重構結果

圖6中，多幀圖像重建結果將動態變化的時序重建為單列位置的溫度變化，可更直觀地展現玻璃幕墻受熱激勵后的溫度變化曲線，但在這個過程中產生大量噪點。圖7中，小波變換圖像重構完善了重建結果，包括分解、濾波和重構；在保留原有熱波信息輪廓的同時去除大量噪聲，保留眾多特征點，因此小波變換包含圖像重構和圖像增強的雙重效果。

基于維納濾波的圖像增強結果如圖8所示。

圖8　維納濾波后熱圖像序列

缺陷識別先提取各列位置點的溫度峰值-時間曲線，如圖9所示。

圖9　第300列位置點溫度峰值-時間曲線

由圖9可以看出：受熱激勵源照射的位置在加熱時有明顯升溫過程，冷卻后升溫。除了在加熱時出現第一個溫度峰值，還在8.5 s時出現第二個溫度峰值，這是因為熱像儀檢測的溫度為玻璃幕墻表面溫度，不能檢測到玻璃幕墻深層結構。熱激勵源產生的熱輻射只有少部分被玻璃表面吸收，更多的熱輻射在結構膠粘結區域被吸收，因此在粘結區域產生高溫點，一段時間后粘結區域的熱量傳遞到玻璃表面，導致玻璃表面溫度短暫下降后又回升，產生第二個溫度峰值。第二個溫度峰值與第一個溫度峰值的形成原理不同，從曲線趨勢也能夠直觀看出，熱激勵源直接照射的溫升比粘結區域熱傳導產生的溫升快得多，但粘結區域熱傳導的熱量更多。

提取非缺陷區域的冷卻溫度曲線片段作為比對標準片段，如圖10所示。

圖10　無缺陷區域的降溫統計片段

所有的待檢測片段與標準片段作差分處理并累加所有差值，可得到不同的總差值。取閾值為5時，校正后得到所有檢測壞點位置（損傷區域）：第1320列~1575列，即玻璃幕墻樣品距離右端132 mm~ 157.5 mm的區域，與實驗步驟第一步測量的位置135 mm~159 mm基本一致，損傷區域識別精度為93.7%。

4　結語

本文主要設計了玻璃幕墻熱圖像序列圖像處理及損傷區域識別方法，提出了基于單點定位的重建算法、基于小波變換和維納濾波的圖像處理以及損傷區域識別規則，并在實驗中取得與缺陷實際位置相匹配的實驗結果。本文提出的熱圖像重建與增強技術思路能夠準確識別玻璃幕墻結構膠損傷區域，為玻璃幕墻自動監測和損傷定位提供新的圖像處理思路。

[1] 許維鎣.隱框玻璃幕墻膠接結構損傷熱波檢測技術研究[D].廣州:華南理工大學,2018.

[2] Hong Xiaobin,Lin Jinfan, Liu Yuan, et al. Active thermal sensing for bonding structure damage detection of hidden frame glass curtain wall[J]. Sensors, 2018, 18(11): 3594.

[3] 馬寧,劉莎,李江勇.紅外熱像儀的空間噪聲和時間噪聲分析[J].激光與紅外,2017,47(6):717-721.

[4] 張盈.熱成像系統的噪聲[J].紅外技術,2003(2):33-36,40.

[5] 鄒前進,馮亮,汪亞.紅外圖像空間噪聲分析和預處理方法改進[J].應用光學,2007(4):426-430.

[6] 黃蘇雨.基于小波變換的語音信號增強方法研究[D].南昌:南昌大學,2007.

[7] 劉成龍.MATLAB圖像處理[M].北京:清華大學出版社, 2017.

[8] MOHD MRS, HERMAN SH, SHARIFF Z. Application of discrete wavelet transform in thermal infrared image processing [C]// 2016 IEEE Conference on Systems, Process and Control (ICSPC). IEEE, 2017.

[9] 胡品端,黎子晉,袁國淳.基于同態濾波和維納濾波的太陽耀斑去云處理對比研究[J].科技資訊,2019,17(14):15-16,18.

[10] Mohammad Mahmudur Rahman Khan, Shadman Sakib, Rezoana Bente Arif, et al. Digital image restoration in Matlab: a case study on inverse and Wiener filtering [C]// 2018 International Conference on Innovation in Engineering and Technology. IEEE, 2018:1-6.

Identification Method of Structural Adhesive Damage Area of Glass Curtain Wall Based on Thermal Image Reconstruction and Enhancement

Chen Yuming1,2Lin Jinfan3Ren Zeming3Chen Junhao3

(1.The Fifth Institute of Electronics, Ministry of Industry and Information Technology, Guangzhou 510610, China 2.Key Laboratory of MIIT for Intelligent Products Testing and Reliability, Guangzhou 510610, China 3.School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510641, China)

active thermal sensing; wavelet transfer; damage identification

TN219

A

1674-2605(2021)02-0009-06

10.3969/j.issn.1674-2605.2021.02.009

廣東省科技計劃項目（2019B151502057、2019B010154002）；廣州市科技計劃項目（201902010024）。

陳玉明，女，1984年生，碩士研究生，主要研究方向：質量與可靠性。E-mail: 591006530@qq.com