基于紅外圖像增強算法的混凝土內部缺陷檢測研究

鄭 丹，譚帥帥

(重慶交通大學 河海學院，重慶 400074)

0 引 言

紅外檢測由于其非接觸、高效率、效果直觀的特點，已成為被廣泛應用的無損檢測技術。紅外檢測的基本原理是通過外部熱源對物體進行加熱，由于缺陷改變了材料局部導熱性，根據受熱、冷卻過程中表面溫度的變化可判斷缺陷情況[1]。

紅外檢測在金屬等熱良好傳導體中的應用更加廣泛。由于混凝土材料導熱性能較差，同等加熱條件下產生的溫差較小，現有紅外檢測設備難以檢測到較小和深處的缺陷[2]。為取得更佳的圖像分辨效果，需要將混凝土加熱至較高溫度[3]。但在實際檢測過程中高強度熱源難以保證，同時王振波等[4]研究發現，混凝土的熱損傷積累主要取決于溫差的變化，溫度荷載作用下，裂縫的擴展有明顯的斷裂行為。因此在加熱過程中需要避免產生較大的局部溫差，在此基礎上充分利用紅外設備采集到的溫度信息，方便快捷地判斷材料缺陷十分重要。

數字圖像處理是一門實用學科，內容涵蓋圖像的濾波、變換、壓縮及數據融合等現代處理技術，能夠通過算法實現數據準備、轉換、顯示和輸出[5-6]。而在與紅外圖像優化相關的非均勻性校正、圖像增強、對比度增強[7-8]等方面也取得了一定成果，編有成套算法。筆者分析可得，與普通圖像相比，混凝土紅外檢測圖像具有色差小、分辨率低等不利于后期處理的特點，因此筆者就圖像增強算法在混凝土紅外缺陷檢測領域應用的合理性及其應用效果作進一步研究。

1 仿真試驗

1.1 試件制備

制作普通C30混凝土試件，材料包括P.O 32.5普通硅酸鹽水泥、天然河沙及5～20 mm粒徑石灰巖碎石。通過側面開口的方式模擬內部缺陷，布置方式如圖1。拆模后試件在標準養護室(溫度20±2 ℃，相對濕度95%以上)中養護28 d。

圖1 缺陷布置Fig. 1 Defect layout

根據預制缺陷深度、規格的差異對試件進行編號，結果如表1。

表1 預制試件規格Table 1 Specimen size

1.2 試驗設備

實驗采用產于美國FLIR公司的A300型紅外熱像儀，探測精度為0.1 ℃，探測范圍為-20～350 ℃。加熱方式選用遠紅外石英加熱板進行覆蓋式加熱，其尺寸為600 mm×200 mm，功率為3 000 W。

1.3 數據采集

實驗前，于試件上表面布置與缺陷等大的測區A1(左)、A2(右)，并在中心部分布置A3作為對照，記錄區域內溫度場變化情況，測區布置如圖2。

圖2 測區布置Fig. 2 Surveying area arrangement

實驗時，先將石英板預熱30 s，再加載到帶有內部缺陷的混凝土試件上進行熱激勵，激勵時間為60 s，熱源距試件100 mm，此距離下輻射能密度為640 W/m2，實驗布置如圖3。加熱完成后通過紅外熱像儀進行數據采集。

圖3 實驗布置Fig. 3 Experiment layout

2 試驗結果分析

為盡量消除試驗中外加熱源對紅外熱像的影響，筆者的數據分析均采用降溫段，即移除外加熱源后的紅外熱像數據。由于加熱時間較長，可認為降溫開始時受熱面溫度基本相等。圖4展示了單一試件(以試件2為例)在不同降溫時刻的紅外熱像圖。從圖4可以看出：降溫初期，由于缺陷處和完整處溫差較小，加上表面不均勻性及邊界條件影響，紅外圖像出現較多亮斑，干擾缺陷識別，如圖4(a)；隨著降溫過程延長，缺陷處由于導熱系數低、熱量傳遞慢，局部溫度相對較高，干擾亮斑褪去后，觀測面僅剩反映實際缺陷的亮斑，其尺寸與預制缺陷相當，且溫差越大、缺陷越淺的亮斑越清晰，如圖4(b)、4圖(c)。

由圖4可以看出，采用傳統的紅外熱像法和肉眼觀察可以檢測出混凝土材料的內部缺陷，但溫差較小時難以檢出。為定量分析傳統的紅外熱像法的適用范圍，可以計算出圖4中缺陷部分與完整處的表面溫差，見表2。

圖4 檢測效果Fig. 4 Test renderings

表2 溫差與識別效果Table 2 Temperature difference and recognition effect

結合圖4及表2可以看出，通過紅外熱像加肉眼識別的方法，能夠分辨溫差超過0.3 ℃的缺陷；在筆者設定的加熱條件下，可以識別深度低于3 cm的缺陷，對于更深處的缺陷識別精度較差，這一結果同鄒樾旋[9]、C. C. CHENG等[10]的研究結論相一致。但實際工程中，混凝土內部缺陷深度往往大于3 cm，采用傳統紅外熱像法很難準確識別。因此，通過算法將機械可識別范圍內的溫差放大、使其能夠被肉眼捕捉，對于拓展紅外熱像在混凝土無損檢測應用范圍和提高檢測精度具有重要意義。

3 圖像增強算法分析

實際檢測過程中，紅外熱像法采集到的數據為時程數據，含有豐富的信息，而且材料在熱量傳遞的過程中，其溫度變化是連續的，因此可以通過算法進行全局處理，提高紅外熱像檢測的精度和效率。

3.1 算法原理

筆者主要通過將時域擬合與CLAHE算法相結合對圖像進行增強處理，期間運用Retinex算法[11]優化圖像視覺效果，主要步驟如下：

1)將視頻文件轉化為灰度矩陣，逐幀提取溫度信息，并把每個像素點的數據按時間順序組合成列向量，合并生成新的矩陣以便批量處理。

2)將每一組列向量通過n次多項式擬合，得到重構后的熱圖序列。此舉可以充分利用整個視頻流數據，避免僅處理單張圖片造成的誤差，提升圖像的連續性。同時，由于亮斑的持續時間較短，通過擬合可以削弱其對缺陷識別的干擾。其表達式如式(1)：

(1)

式中：T(t)為試件表面溫度的時間序列，擬合次數可根據實際情況進行選擇，針對單一的加熱、降溫過程可取n=3以提高運行速度。

3)通過Retinex圖像增強算法，實現圖像的自適應增強。物體的顏色由其光線反射能力決定，而非由反射光強度決定，其色彩不受光照非均性的影響，具有一致性。因此通過該算法保留物體本身具有的反射性質，同時弱化入射光源對圖像像素動態范圍的影響，其計算公式如式(2)：

(2)

4)通過限制對比度直方圖均衡算法[12-13]，將灰度超過限值的部分進行裁剪并均分配。此舉能夠避免因缺陷中心溫度過高導致邊界模糊，提升檢測精度，重分配方式如圖5。

圖5 CLAHE算法分配模式Fig. 5 Histogram qualification of CLAHE

3.2 增強圖像算法結果分析

通過3.1節算法對采集到數據進行處理，將增強前后的缺陷識別效果進行對比。由于淺層缺陷顯現時間更早，故對試件兩側缺陷分別進行處理，結果如圖6。

圖6 圖像處理效果對比Fig. 6 Comparison of image processing effect

從圖6可以看出，檢測圖像經過筆者算法的增強處理后，缺陷的邊緣細節得到加強，原先肉眼觀察較為模糊〔圖6(a)～(d)〕、無法識別〔圖6(a)～(f)〕的缺陷變得能夠識別，避免了直接采用直方圖均化產生的過度增強和光暈現象[12]。

3.3 數據化分析

為了對缺陷識別效果做出更客觀評價，筆者采用均方根對比度衡量圖像質量。對于色彩單一、色塊相互干擾較小的紅外檢測圖像，均方根對比度可定量判斷缺陷在其所處范圍內的可識別程度，其計算公式如式(3)：

(3)

式中：I表示寬和高分別為w和h的圖像；I(x,y)為圖像中指定位置的像素值；μ為圖的亮度(像素平均值)；σ為均方根對比度，取試件左右半區進行計算。圖6中框選半區的均方根對比度計算結果如表3。

表3 熱圖處理基本參數Table 3 Basic parameters of thermal image processing

從表3可以看出，不同深度缺陷的顯現時間差異較大，淺層缺陷識別更快、更清晰。通過增強圖像算法處理，圖像均方根對比度σ提高了2.5～5.1倍，可以檢測出溫差低至0.1 ℃的混凝土缺陷，比處理前的0.3 ℃提高了近3倍；在相同的溫差條件下可以更為準確地檢測出深度更大的混凝土內部缺陷，大大提高了紅外熱像法在混凝土缺陷檢測領域的適用范圍。算法應用在降低缺陷識別所需溫差的同時保證了識別的效果，在溫差需求范圍內(大于0.1 ℃)具有較高適用性。

4 結 論

筆者采用理論分析和室內試驗相結合的方法，提出了一種混凝土內部缺陷檢測的紅外圖像增強方法，研究結果表明：

1)對于淺層缺陷，通過時域擬合的方式能夠減小不均勻亮斑對于前期缺陷識別造成的干擾。

2)對于深層缺陷，筆者算法能夠大幅縮短檢測時間、提升圖像的對比度，提高了缺陷的可識別性。

3)通過算法的應用能夠將缺陷識別的溫差需求從0.3 ℃降至0.1 ℃，提高了檢測精度，在相同外部條件下可以增加混凝土內部缺陷的檢測深度。