基于熱紅外圖像處理的保溫墻體缺陷檢測(cè)方法

李翱翔, 馬志艷

(1 湖北工業(yè)大學(xué)機(jī)械工程學(xué)院, 湖北 武漢 430068; 2 湖北省農(nóng)業(yè)機(jī)械工程研究設(shè)計(jì)院, 湖北 武漢 430068)

當(dāng)自然界中物體的溫度高于絕對(duì)零度時(shí),物體時(shí)刻都在以電磁波的形式向外界輻射熱量[1]。紅外熱波檢測(cè)是一種通過熱紅外相機(jī)記錄和觀察被測(cè)材料表面溫度來進(jìn)行探傷的無損檢測(cè)技術(shù)。當(dāng)墻體內(nèi)部存在,如空洞、熱橋、保溫層受潮等[2]時(shí),缺陷部位會(huì)產(chǎn)生溫度差,然而對(duì)于保溫圍護(hù)結(jié)構(gòu)來說,大多數(shù)結(jié)構(gòu)熱缺陷都是隱蔽的,僅靠人工現(xiàn)場(chǎng)檢測(cè)和工程材料無法判斷其部位所在和損壞程度大小[3],熱紅外檢測(cè)不僅能將不可見的溫度場(chǎng)直觀地表述出來,還可正確分析熱工缺陷位置大小,并給予缺陷分級(jí)等定性評(píng)價(jià)。

圖像分割是圖像分析并判定缺陷等級(jí)最為關(guān)鍵的一步。傳統(tǒng)的圖像分割方法包括:閾值分割、基于邊緣方法、基于區(qū)域方法等[4],文獻(xiàn)[5]提到基于形態(tài)學(xué)的紅外圖像分割算法,融合了基于邊緣模糊和區(qū)域的方法。近年來提出的邊緣檢測(cè)方法中,基于高斯函數(shù)的邊緣檢測(cè)由于其獨(dú)特的優(yōu)點(diǎn)有著極高的關(guān)注度[6]。文獻(xiàn)[7]提出的一種多尺度頂帽變換的熱紅外圖像增強(qiáng)算法,提高了圖像的對(duì)比度。與傳統(tǒng)無損檢測(cè)相比較,紅外檢測(cè)有非接觸、無污染、效率高等優(yōu)點(diǎn)[8-10],而分水嶺算法的分割可直觀、快速并且可并行計(jì)算使圖像產(chǎn)生完整的邊界,得到連續(xù)封閉的邊緣[11-12],本文采用的圖像分割方法對(duì)熱紅外圖像邊緣有良好的響應(yīng),有效解決了“過分割”等問題,并取得了良好的分割效果,同時(shí)制定出不同種缺陷形式的等級(jí)評(píng)判標(biāo)準(zhǔn),方便日后的標(biāo)記與檢修處理。

1 數(shù)學(xué)形態(tài)學(xué)的圖像變換

在熱紅外圖像的處理中,當(dāng)目標(biāo)與背景的灰度值差異較為明顯時(shí),圖像分割的效果較為良好;當(dāng)圖像差異不明顯,則在分割圖像時(shí)容易出現(xiàn)“欠分割”的情況。在對(duì)具體的圖像處理前,首先采用形態(tài)學(xué)處理進(jìn)行圖像變換,在使目標(biāo)與背景間灰度值差距變大的同時(shí),獲得圖像的尺寸連通性、凹凸性等信息。

頂帽,是原始圖像與進(jìn)行開運(yùn)算后得到的圖像差。開運(yùn)算的結(jié)果是放大了裂痕或者局部低亮度的區(qū)域。頂帽運(yùn)算往往用來分離比臨近點(diǎn)亮一點(diǎn)的斑塊,對(duì)于冷庫圍護(hù)結(jié)構(gòu)小的缺陷區(qū)域使用頂帽操作,突出比原圖輪廓周圍區(qū)域更亮的區(qū)域。假設(shè)去噪后的圖像為u2(x,y),灰度圖像為f(x,y),對(duì)f(x,y)進(jìn)行頂帽變換,即

h=f-(f°b)

(1)

式中,b表示結(jié)構(gòu)元素,f°b表示b對(duì)f發(fā)熱開操作。

黑帽,是進(jìn)行閉運(yùn)算后得到的圖像與原圖像差。黑帽運(yùn)算突出了與原圖像輪廓周圍的區(qū)域更暗的區(qū)域,用來區(qū)分比臨近點(diǎn)暗一些的斑塊,即

j=(f·b)-f

(2)

式中(f·b)為b對(duì)f的閉操作。

經(jīng)過灰度形態(tài)學(xué)濾波后圖像對(duì)比原灰度像噪聲點(diǎn)明顯減少,灰度的分布也趨于均勻,濾波后的圖像填平了內(nèi)部的小細(xì)縫和細(xì)小空洞使圖像變得更加平滑。

2 高斯混合模型

高斯模型(Gaussian Mixed Model)就是用高斯概率密度函數(shù)(正態(tài)分布曲線)精確地量化事物,將一個(gè)事物分解為若干的基于高斯概率密度函數(shù)(正態(tài)分布曲線)形成的模型。對(duì)于熱紅外圖像的灰度圖而言,大部分符合高斯分布,假設(shè)圖中有n個(gè)像素為觀察值,圖像包含k個(gè)目標(biāo)類,各個(gè)像素之間獨(dú)立分布,則該密度函數(shù)符合高斯混合分布,即

(3)

式中:pi是先驗(yàn)概率密度;μi,σi分別為高斯模型參數(shù)中的灰度平均值和均方差。

設(shè)θ為高斯混合模型的參數(shù),P是高斯先驗(yàn)概率,圖像灰度分布的混合概率函數(shù)

(4)

利用高斯模型對(duì)圖像的確定性前景與背景進(jìn)行建模得到新的像素分布。由背景與前景的相似度確定相鄰兩個(gè)像素的邊的權(quán)重,背景與前景的顏色越一致,邊的權(quán)重就越大。通過GMM的加權(quán)平均方式濾波,可有效去除圖像的噪聲,且一定程度上加快了圖像分割的速度和準(zhǔn)確性。

3 結(jié)合信息熵的改進(jìn)交互式Oust圖像分割算法

傳統(tǒng)的 Ostu算法是通過類間方差來評(píng)判圖像的目標(biāo)區(qū)域與背景區(qū)域之間的差別程度。其處理的過程是選取合適的閾值使類間方差最大化,進(jìn)而得到最好的分割效果。其數(shù)學(xué)描述過程如下:

(5)

式中:圖像的灰度級(jí)為L(zhǎng);灰度為i的像素點(diǎn)個(gè)數(shù)為Ni;像素個(gè)數(shù)總和為N;圖像的平均強(qiáng)度為M。將圖像的目標(biāo)區(qū)域與背景區(qū)域出現(xiàn)的概率和兩者均值的數(shù)學(xué)計(jì)算列為:

(6)

(7)

(8)

(9)

式中:W0,W1為出現(xiàn)的概率;M0,M1為兩類圖像的均值;t值為所確定的最佳閾值,其數(shù)值范圍在0～L之間。類方差可根據(jù)上述各式得出,即

δ2=(M0-M)2×W0+(M1-M)2×W1

(10)

t=argmax{δ2(t)}

(11)

δ2的值越大表示圖像灰度值分布的均勻性越差,目標(biāo)區(qū)域與背景區(qū)域兩部分的區(qū)別越大,分割效果越明顯。由于在冷庫中采集到的紅外圖像中目標(biāo)與背景的分布一般不均勻,而且在圖像采集的過程中容易受到噪聲的影響,導(dǎo)致紅外圖像邊緣十分模糊,傳統(tǒng)的閾值分割在大多數(shù)情況下無法得到準(zhǔn)確的目標(biāo)信息。利用信息熵確定閾值的分割準(zhǔn)則時(shí)能夠避免對(duì)比度和亮度等信息對(duì)算法的約束,能更好地體現(xiàn)出分割算法的優(yōu)越性。根據(jù)香農(nóng)公式中對(duì)熵值的定義,結(jié)合傳統(tǒng)Otsu方式得到的信息熵值為:

(12)

式中Q0、Q1、Q2分別代表整體圖像、檢測(cè)目標(biāo)、圖像背景的信息熵值。當(dāng)采用信息熵代替?zhèn)鹘y(tǒng)的Otsu準(zhǔn)則中的灰度均值,即可得到推廣形式的閾值判別函數(shù):

(13)

(14)

式(13)中,S0、S1、S2分別為整個(gè)圖像、背景與目標(biāo)的特征,t*值為算法優(yōu)化后得出分割閾值。式(14) 為信息熵的計(jì)算公式,優(yōu)化后的閾值能清楚地分割出紅外圖像的目標(biāo)區(qū)域和背景區(qū)域。

分割熱紅外圖像時(shí)發(fā)現(xiàn),在RGB三通道的熱紅外圖像中,其邊緣的噪聲最強(qiáng),墻體缺陷的邊緣像素的灰度值在大多數(shù)情況下與缺陷的模糊邊緣的灰度值相同。故為了減少邊緣所帶來的噪聲影響,提出了一種交互式的圖像分割方法:在對(duì)圖像分割操作前,將所檢測(cè)的大致區(qū)域用方框所框選,矩形框以外的區(qū)域?yàn)榇_定性背景,矩形框內(nèi)為確定性前景。在分割圖像時(shí),僅對(duì)確定性前景進(jìn)行處理。這種方式不僅可以降低程序的運(yùn)算量,還可以大幅降低圖像的噪聲,提高了算法的抗噪性能。

圖1 圖片處理效果對(duì)比

交互式圖像分割中,若熱紅外圖像缺陷存在較小且難以操作的情況,可考慮將處理的熱紅外圖像經(jīng)過圖像的形態(tài)學(xué)變換進(jìn)行等比例縮小或者放大,再對(duì)目標(biāo)區(qū)域進(jìn)行框選后按照放縮比例恢復(fù)原圖像大小,按照“縮放—框選—縮放”的步驟,合理劃分分割區(qū)域,提高檢測(cè)精度,增加檢測(cè)方案的可操作性。

4 采用分水嶺算法對(duì)圖像進(jìn)行提取

分水嶺算法是一種基于拓?fù)淅碚撫槍?duì)二值圖像的數(shù)學(xué)形態(tài)學(xué)分割算法,其將灰度值較低的局域看做“山谷”,較高的地方看作“山峰”,采用浸沒模型從低到高實(shí)現(xiàn)淹沒,每一個(gè)局部極小值在不同高度的影響域采用先進(jìn)先出(FIFO)結(jié)構(gòu)進(jìn)行判斷及標(biāo)注,其中每一處的局部極小值及其影響區(qū)域稱之為”集水盆”,集水盆的邊界則形成分水嶺。其計(jì)算過程是一個(gè)迭代標(biāo)注過程:

1)對(duì)圖像進(jìn)行形態(tài)學(xué)開運(yùn)算,消除圖像中存在的白點(diǎn)噪音及邊緣;

2)針對(duì)所估計(jì)的區(qū)域0,該區(qū)域像素點(diǎn)灰度值大小較為接近,根據(jù)分水嶺算法將其作為不同的“盆地”,在圖像分割的過程中會(huì)開成兩個(gè)區(qū)域,一個(gè)是注不盆地的像素集,一個(gè)是分水嶺線像素體,通過淹沒過程來實(shí)現(xiàn)圖像分割;

3)淹沒的過程從低到高實(shí)現(xiàn),規(guī)定淹沒的區(qū)域?yàn)镃(Q),對(duì)每一個(gè)局部極小值在h階高度的影響區(qū)域采用先進(jìn)先出結(jié)構(gòu)進(jìn)行判斷和標(biāo)注,得到輸入圖像的集水盆圖像,在兩個(gè)集水盆圖像的聚合處修建堤壩使其不能進(jìn)行下一步的膨脹;

4)不斷重復(fù)上述過程2)～3),實(shí)現(xiàn)對(duì)整個(gè)f2(x,y)的整體淹沒,通過建立不同的區(qū)域分水嶺對(duì)二值化圖像實(shí)現(xiàn)分割,圖像中不同領(lǐng)域的分水嶺域可標(biāo)記成不同的顏色(隨機(jī)),得到最終所需的圖像。

5 現(xiàn)場(chǎng)測(cè)試方法及設(shè)備

本實(shí)驗(yàn)采用高德熱紅外相機(jī)(型號(hào)IPT640),其分辨率640×480,像元尺寸為17 μm,鏡頭的廣角為30°×23°/20 mm,調(diào)焦方式為自動(dòng)調(diào)焦,測(cè)溫范圍為-20℃～150℃;上位工控機(jī)處理器主頻為2.81 GHz,內(nèi)存 8 GB,Windows10操作系統(tǒng)。

利用外部氣溫和冷庫內(nèi)部的溫差,現(xiàn)場(chǎng)采集冷庫圍護(hù)結(jié)構(gòu)的熱紅外圖像,圍護(hù)結(jié)構(gòu)的保溫材料內(nèi)保溫層采用10 mm擠塑聚苯乙烯泡沫板,外保溫層有1 mm的鋁板構(gòu)成。將冷庫的溫度設(shè)置至-10℃并保持恒溫,并在墻體上人為制造出面積、深度不同的“缺陷區(qū)域”用以模擬日常生活中3種不同程度的缺陷(圖2)。

圖2 不同缺陷的模擬

在熱紅外圖像采集中,相機(jī)與被測(cè)墻體的距離為20 cm,相機(jī)所采集到的圖像大小為3 mm×5 mm=15 mm2。結(jié)合我國通用建筑行業(yè)標(biāo)準(zhǔn)以及參考建筑圍護(hù)結(jié)構(gòu)熱工缺陷量化指標(biāo)給出下列評(píng)判指標(biāo):ΔT為墻面表面相對(duì)溫度值;φ為熱工缺陷相對(duì)面積。室內(nèi)(外)圍護(hù)結(jié)構(gòu)評(píng)判指標(biāo):

式中:t1為主體區(qū)域(整張圖片)平均溫度;A為缺陷區(qū)域面積;t2為缺陷區(qū)域最高(低)溫度;A0為圍護(hù)結(jié)構(gòu)面積;t0為環(huán)境溫度。

表1 一 熱工缺陷等級(jí)劃分

本文采用實(shí)際采集到的冷庫圍護(hù)結(jié)構(gòu)缺陷圖片,并通過該算法驗(yàn)證其性能,在Visual Studio 2019的開發(fā)環(huán)境下,對(duì)冷庫圍護(hù)結(jié)構(gòu)上制造出不同程度的缺陷并進(jìn)行處理,得到的結(jié)果如圖3所示。

(a)室外缺陷檢測(cè)

從實(shí)驗(yàn)結(jié)果的效果來看,與傳統(tǒng)的Oust比較,結(jié)合信息熵值的圖像分割方法熱紅外圖像的分割效果更好。在局部細(xì)節(jié)方面,本文所提出的分割方式在一定程度上抑制了圖像“過分割”的情況;在總體分割效果方面,通過交互式的前景提取方式對(duì)圖像的邊緣處理起到了平滑的作用,有效縮短了處理時(shí)間;經(jīng)過高斯混合建模(GMM)與數(shù)學(xué)形態(tài)學(xué)變換的分割效果比無任何濾波、預(yù)處理的效果更好;在信息熵應(yīng)用的基礎(chǔ)上結(jié)合分水嶺分割算法,能將圖像有效分割,且能直觀地表述缺陷位置以及缺陷區(qū)域帶來的影響。

表2 檢測(cè)結(jié)果

6 結(jié)束語

本文提出的基于紅外圖像處理技術(shù)的墻體缺陷檢測(cè)方法不但可以遠(yuǎn)距離、無損地對(duì)圍護(hù)結(jié)構(gòu)在日常使用過程中出現(xiàn)的空鼓、裂縫等缺陷進(jìn)行定性的分析,而且在對(duì)圖像處理上可根據(jù)圍護(hù)結(jié)構(gòu)的缺陷、熱紅外圖像特征,將交互式信息熵值與分水嶺算法的結(jié)合,有效地分割出缺陷區(qū)域,并根據(jù)室內(nèi)外溫度和面積大小劃定缺陷嚴(yán)重程度等級(jí)。下一步將基于此方法,結(jié)合冷庫內(nèi)部耗能和不同溫度環(huán)境下的熱紅外圖,判斷該缺陷等級(jí)設(shè)定標(biāo)準(zhǔn)的準(zhǔn)確性與圖像分割的有效性。