超声红外无损检测中热图序列缺陷信号的自动识别方法

1.一种超声红外无损检测中热图序列缺陷信号的自动识别方法，其特征在于，包括以下步骤：
步骤1，使用超声源在设定频率、脉冲时间长度、功率和压力条件下激励被测试件，同时通过红外热像装置获取被测试件表面的热图序列T(u,v,t)，其中，u、v为被测试件表面的坐标，t为时间；
步骤2，根据被测试件超声激励前的图像对热图序列T(u,v,t)进行减背景处理，得到温升热图序列f(u,v,t)；
步骤3，选取时间点t1的第一温升热图f(u,v,t1)和时间点t2的第二温升热图f(u,v,t2)，其中，t1为激励时间内靠前的某一时刻，t2取为超声激励时间内靠后的某一时刻；
步骤4，选取全局阈值并根据全局阈值方法去除第一温升热图f(u,v,t1)中的噪声信号，得到图像g(u,v)；
步骤5，分别计算第一温升热图f(u,v,t1)和第二温升热图f(u,v,t2)中每个像素点的N0值，将t1时刻和t2时刻的N0值均大于第一设定阈值的像素点在图像g(u,v)中的像素值置为1，将图像g(u,v)中其余像素点的像素值置为0，其中，N0值为归一化温度-空间曲线中左边温度升高的点数加上右边温度降低的点数；
步骤6，将图像g(u,v)中连通区域内像素数不大于第二设定阈值的亮区域的像素值置为0；
步骤7，提取图像g(u,v)中亮区域缺陷处每一行温度最大值处对应A1和A2，并将其作为支持向量机算法训练集中的第一缺陷特征类，提取g(u,v)中亮区域非缺陷处温度最大值处对应的A1和A2，并将其作为支持向量机算法训练集中的第一非缺陷特征类，以高斯径向基函数作为第一核函数，其正则参数C取1，宽度参数γ取0.1，采用支持向量机算法进行学习，得到第一分类函数，其中，A1为t1时刻温度-空间归一化曲线面积：
A2为t2时刻温度-空间归一化曲线面积：
步骤8，提取亮区域中的缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0,v0,t1)，并将其作为支持向量机算法训练集中的第二缺陷特征类，提取亮区域中的由喷漆造成的伪缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0,v0,t1)，并将其作为支持向量机算法训练集中的第二非缺陷特征类，以非线性可分的高斯径向基函数作为核函数，采用支持向量机算法进行学习，得到第二分类函数，其中，k=A2/A1；
步骤9，对待测试件重复步骤1-6，提取待测试件的图像g(u,v)中亮区域温度最大值处对应的A1和A2，采用第一分类函数进行分类，若分类结果中有第一缺陷特征类，则提取待测试件图像g(u,v)中第一缺陷特征类对应处每一行对应的k值和t1时刻对应的温升，并采用第二分类函数进行分类，得到待测试件是否有缺陷的结果。
2.如权利要求1所述的自动识别方法，其特征在于，所述超声源为超声焊枪，其激励频率为单一频率。
3.如权利要求1所述的自动识别方法，其特征在于，所述超声源采用多个频率或连续频段进行激励。
4.如权利要求2所述的自动识别方法，其特征在于，所述超声焊枪采用接触式对被测试件进行激励。
5.如权利要求2所述的自动识别方法，其特征在于，所述超声焊枪采用非接触方式对被测试件进行激励。
6.如权利要求2所述的自动识别方法，其特征在于，所述超声焊枪为固定式。
7.如权利要求2所述的自动识别方法，其特征在于，所述超声焊枪为手持式的。
8.如权利要求1所述的自动识别方法，其特征在于，所述全局阈值根据红外热像装置的信噪比参数确定。
9.如权利要求1所述的自动识别方法，其特征在于，所述第二设定阈值根据红外热像装置的空间分辨率确定。

超声红外无损检测中热图序列缺陷信号的自动识别方法\n技术领域\n[0001] 本发明涉及图像处理领域，具体而言，涉及一种超声红外无损检测中热图序列缺陷信号的自动识别方法。\n背景技术\n[0002] 超声红外无损检测技术是二十世纪末发展并逐渐成熟的一种无损检测技术。此技术以一定频率的超声施加到被测试件，超声源通常选自用作塑料焊接的超声焊枪，超声脉冲时间长度、功率及压力等参数根据检测任务可调整。其检测原理为试件在超声激励下产生振动，缺陷表面由于摩擦或由于热弹效应而产生热量，采用红外热像仪连续观察和记录物体表面的温场变化，并通过现代计算机技术及图像信息处理技术进行时序热波信号的处理和分析，可实现对物体内部缺陷或损伤的检测。\n[0003] 超声红外无损检测技术所获得的实验数据为红外热图序列，其序列数随实验参数而改变。由于理论上仅缺陷处产生热量，而非缺陷处没有热量产生，为了避免环境温度等的影响，通常是热图序列中所有图像均减掉超声激励前的图像而得到温度变化热图序列。通过人工分析所获得温度变化热图序列中的较高温度区域，也就是灰度图像中的较亮区域而实现缺陷信号的判别。但在实际应用中，除了缺陷信号在灰度热图中表现为亮区域，大量干扰信号也表现为亮区域，比如热反射、喷漆造成的伪缺陷等。大量干扰信号的存在不仅给人工分析带来困难，也给自动识别带来困难。同时，由于大量应用是针对位于表面下的微裂纹检测，由于超声激励效率等因素的影响，所产生的热量而造成的温升可能仅略高于噪声水平，这同样给自动识别算法带来困难。由于热图中存在大量的干扰信号，利用传统的图像处理和识别方法有较大困难。目前，对于超声红外无损检测技术中缺陷信号的自动识别算法研究较少，郑凯等人针对一个具有两个锯缝的铝试件采用的缺陷信号判断标准为：缺陷区域的温度峰值、选定温度阈值以上的面积和热量的变化均为单调上升变为单调下降，同时，温度峰值、热量和面积单调下降随时间相继出现。但是在实际应用中，干扰信号可能具有其方法中所采用的类似特征，从而不能正确识别缺陷信号。同时，其仅针对一个被测试件，且未考虑微裂纹问题，而大部分应用且最重要的应用是针对微裂纹检测。\n发明内容\n[0004] 本发明提供一种超声红外无损检测中热图序列缺陷信号的自动识别方法，用以自动识别待测试件是否有缺陷。\n[0005] 本发明的理论基础是在超声激励下，缺陷可近似看作为一个稳定热源。假设被测试件为一半无穷大平板，其厚度为D。并假设缺陷为矩形形状，其长宽分别为L1和L2，其距被测前表面距离为d。矩形缺陷靠近被测前表面的边缘中心点作为坐标原点，在不考虑下表面热量反射且热源函数简化为1的情况下，坐标点(u，v)在时刻τ的温度可简化为：\n[0006] \n[0007] \n[0008] 其中，α为被测材料热扩散系数，erf为误差函数。该模型表明在超声激励时间内，缺陷处温度始终升高，同时热量基本对称的向缺陷周围扩散；当超声激励结束后，缺陷处温度降低，直到与周围温度平衡。在实际应用中，较大缺陷或者距离表面较近的缺陷在超声激励下所产生的温度-时间曲线与理论模型基本一致。但是，对于较小缺陷或者较深缺陷，其情况较为复杂，温度随时间变化规律与超声激励效率和缺陷尺寸及位置等有关。比如，有可能出现下列情况：在超声激励初始时缺陷处温度升高，但较短时间后温度基本不随时间变化，直到超声激励结束。\n[0009] 超声红外无损检测技术的检测原理及信号分析为：如公式(1)所示，缺陷处在超声激励下产生热量，由于热传导理论，所产生的热量将向缺陷周围温度较低区域传导，缺陷区域由于温度升高而在热图中表现为较亮区域。超声激励时间越长，所产生的热量从缺陷处往周围扩散越多。因而，要实现超声红外无损检测技术中缺陷信号的自动识别，二维热扩散特征结合数字图像处理和识别技术可有效的实现大量实验数据的分析、处理，从而达到缺陷信号自动识别的目的。但是，由于超声激励效率、缺陷尺寸及位置等因素的影响，缺陷处产生的热量而造成的温度升高绝对值及规律可能差异很大。因而，所提取的二维热扩散特征值应该与缺陷尺寸、位置、热激励效率等无关，同时能较好的区别于干扰信号，从而能有效实现缺陷信号自动识别。\n[0010] 为了实现超声红外无损检测技术中缺陷信号自动识别，首先选取两个时间点t1和t2，其中，t1可取为超声激励时间内靠前某一时刻，t2可取为超声激励时间内靠后某一时刻。\n对这两个时刻对应热图中任一像素点(u0，v0)及其水平方向或垂直方向若干相邻像素点进行归一化处理，其中以中央像素点也就是待处理像素点温度值进行归一，归一化处理可有效的消除各因素对温度变化规律的影响。这里所指若干相邻像素点数由实验参数确定，比如红外热像仪距离试件的位置、热像仪的空间分辨率等，本发明中可以选定为13，即包括待处理像素点及其两个相邻方向各6个点。而水平方向或垂直方向则由缺陷方向确定，本发明中缺陷方向在热图中为垂直方向，因而选取相邻像素点统一确定为水平方向。由理论模型(1)所示，所获得的缺陷处温度-空间曲线类似于高斯曲线，且归一化后的温度-空间曲线面积随超声激励时间的增长而增大。假设减掉背景后的热图序列为f(u，v，t)，本发明提取了以下热扩散特征值：\n[0011] 1.温升和温降总数N0：N0定义为归一化温度-空间曲线中左边温度升高的点数加上右边温度降低的点数。当不考虑噪声影响情况下，缺陷处所产生热量将向其周围扩散，温度是随其与缺陷处距离增大而逐渐降低的，因而，当选定13个像素点进行处理时，理论情况下N0应该等于12。由于噪声的影响，尤其是针对较深的微裂纹应用，本发明中N0可以选定为10。\n[0012] 2.t1时刻温度-空间归一化曲线面积A1：\n[0013] 3.t2时刻温度-空间归一化曲线面积A2：\n[0014] 4.面积增大系数K：K＝A2/A1。\n[0015] 5.t1时刻温升：f(u0，v0，t1)。\n[0016] 为达到上述目的，本发明提供了一种超声红外无损检测中热图序列缺陷信号的自动识别方法，该方法包括以下步骤：\n[0017] 步骤1，使用超声源在设定频率、脉冲时间长度、功率和压力条件下激励有缺陷的被测试件，同时通过红外热像装置获取被测试件表面的热图序列T(u，v，t)，其中，u、v为被测试件表面的坐标，t为时间；\n[0018] 步骤2，根据被测试件超声激励前的图像对热图序列T(u，v，t)进行减背景处理，得到温升热图序列f(u，v，t)；\n[0019] 步骤3，选取时间点t1的第一温升热图f(u，v，t1)和时间点t2的第二温升热图f(u，v，t2)，其中，t1为激励时间内靠前的某一时刻，t2取为超声激励时间内靠后的某一时刻；\n[0020] 步骤4，选取全局阈值并根据全局阈值方法去除第一温升热图f(u，v，t1)中的噪声信号，得到图像g(u，v)；\n[0021] 步骤5，分别计算第一温升热图f(u，v，t1)和第二温升热图f(u，v，t2)中每个像素点的N0值，将t1时刻和t2时刻的N0值均大于第一设定阈值的像素点在图像g(u，v)中的像素值置为1，将图像g(u，v)中其余像素点的像素值置为0，其中，N0值为归一化温度-空间曲线中左边温度升高的点数加上右边温度降低的点数；\n[0022] 步骤6，将图像g(u，v)中连通区域内像素数不大于第二设定阈值的亮区域的像素值置为0；\n[0023] 步骤7，提取图像g(u，v)中亮区域缺陷处每一行温度最大值处对应A1和A2，并将其作为支持向量机算法训练集中的第一缺陷特征类，提取g(u，v)中亮区域非缺陷处温度最大值处对应的A1和A2，并将其作为支持向量机算法训练集中的第一非缺陷特征类，以高斯径向基函数作为第一核函数，其正则参数C取1，宽度参数γ取0.1，采用支持向量机算法进行学习，得到第一分类函数，其中，A1为t1时刻温度-空间归一化曲线面积： A2为t2时刻温度-空间归一化曲线面积：\n[0024] 步骤8，提取亮区域中的缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0，v0，t1)，并将其作为支持向量机算法训练集中的第二缺陷特征类，提取亮区域中的由喷漆造成的伪缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0，v0，t1)，并将其作为支持向量机算法训练集中的第二非缺陷特征类，以非线性可分的高斯径向基函数作为核函数，采用支持向量机算法进行学习，得到第二分类函数，其中，K＝A2/A1；\n[0025] 步骤9，对待测试件重复步骤1-6，提取待测试件的图像g(u，v)中亮区域温度最大值处对应的A1和A2，采用第一分类函数进行分类，若分类结果中有第一缺陷特征类，则提取待测试件图像g(u，v)中第一缺陷特征类对应处的每一行对应的k值和t1时刻对应的温升，并采用第二分类函数进行分类，得到待测试件是否有缺陷的结果。\n[0026] 较佳的，超声源为超声焊枪，其激励频率为单一频率。\n[0027] 较佳的，超声源采用多个频率或连续频段进行激励。\n[0028] 较佳的，超声焊枪采用接触式对被测试件进行激励。\n[0029] 较佳的，超声焊枪采用非接触方式对被测试件进行激励。\n[0030] 较佳的，超声焊枪为固定式。\n[0031] 较佳的，超声焊枪为手持式的。\n[0032] 较佳的，全局阈值根据红外热像装置的信噪比参数确定。\n[0033] 较佳的，第二设定阈值根据红外热像装置的空间分辨率确定。\n[0034] 在上述实施例中，采用超声源以一定频率和脉冲时间长度作用在被测试件上，缺陷处由于摩擦或热弹效应等而生热，从而引起其对应表面温场变化，使用热像仪记录该表面温场变化，并提取二维热扩散特征值，进而结合图像处理和支持向量机算法有效的实现了超声红外无损检测技术中热图序列缺陷信号自动识别。\n附图说明\n[0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。\n[0036] 图1为本发明一实施例的超声红外无损检测方法的原理图；\n[0037] 图2为图1实施例中被测试件的温升热图；\n[0038] 图3为图1实施例中归一化温度-空间距离关系曲线；\n[0039] 图4为以红色表示图1实施例中被测试件的缺陷区域的温升热图。\n具体实施方式\n[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。\n[0041] 在本发明的实施例中，首先选取一个有缺陷的试件，并从其热图序列中提取出热扩散特征值，并基于这些特征值实现其它实验热图序列中缺陷信号的自动识别。所选取的试件应该具有至少一个缺陷，且其实验热图序列中应该存在典型的干扰信号，比如热反射、喷漆造成的伪缺陷等。\n[0042] 图1为本发明一实施例的超声红外无损检测方法的检测原理图。该实施例中使用了以钛和铬镍铁合金制作的大约100个试件，试件尺寸大约为：长200毫米，宽30毫米，厚度6到8毫米。实验前，每个试件均手工喷漆以消除表面热反射，100个试件中有若干未知缺陷及由于喷漆而造成的伪缺陷。从这些试件中，挑选一个试件进行试验，该试件具有一个缺陷，同时在喷漆过程中产生了两个伪缺陷，下述处理均基于该试件所获得的一个热图序列。\n[0043] 以下为针对该试件的超声红外无损检测中热图序列缺陷信号的自动识别方法，该方法包括以下步骤：\n[0044] 步骤1：参考图1，调整两个立柱1的位置，把被测试件2的一端通过一个夹子3固定住，而另一端则用超声焊枪4以一定压力固定住。20KHz的超声焊枪4通过一片耦合介质以一定压力作用在试件2上，超声脉冲作用时间固定为500ms。缺陷处在超声激励下由于摩擦而产生热量，其对应表面由于热传导而温度升高。红外热像仪5实时记录被测物体的表面温场的变化，计算机6采集红外热像仪5得到的热图数据，得到被检测物体表面温场的热图序列T(u，v，t)，其中，u、v为被测试件表面的坐标，t为时间，可以将热图序列存储在通用存储器中。\n[0045] 步骤2：当被测试件有缺陷时，在超声激励下，缺陷处应该产生热量并伴随热扩散，根据被测试件超声激励前的图像进行减背景处理，即每幅图像的热图序列T(u，v，t)均减掉超声激励前的图像，得到温升热图序列f(u，v，t)，缺陷区域在温升热图中表现为亮区域。同时，热图中存在大量干扰信号，这些干扰信号也表现为亮区域。如图2所示，除了图中央的亮斑为缺陷外，其它的亮区域分别包括背景热反射和试件边缘热反射、左右两端试件与立柱摩擦产生的热量及热扩散、喷漆造成的两个伪缺陷，以及存在大量的噪声干扰。由图2可看出，温升热图中存在大量噪声。\n[0046] 步骤3：选取时间点t1的第一温升热图f(u，v，t1)和时间点t2的第二温升热图f(u，v，t2)，其中，t1为激励时间内靠前的某一时刻，t2取为超声激励时间内靠后的某一时刻。\n[0047] 步骤4：对t1时刻热图f(u，v，t1)进行全局阈值处理可去掉大部分噪声信号得到图像g(u，v)，全局阈值取为0.0225，如果f(u，v，t1)＞0.0225，则令g(u，v)为1，否则令g(u，v)为0。缺陷处产生的热量由于热传导而导致缺陷区域温度升高，图3显示了由理论公式(1)模拟的归一化温度与空间距离(距缺陷处的距离)关系曲线。也就是说，一个缺陷区域的温度-空间距离曲线类似于图3曲线，而部分干扰信号，比如热反射则不具有这个特征。\n[0048] 步骤5：为了比较一条曲线是否类似于图3所示曲线，可计算f(u，v，t1)和f(u，v，t2)中每个像素点的N0值，即中心点左边温升点总数加上中心点右边温降点总数。通过上述处理后而得到的g(u，v)为一黑白图像，其中存在大量亮区域，也存在部分由噪声而产生的离散区域。当不考虑噪声影响情况下，缺陷处所产生热量将向其周围扩散，温度是随其与缺陷处距离增大而逐渐降低的，因而，当选定13个像素点进行处理时，理论情况下N0应该等于12。由于噪声的影响，尤其是针对较深的微裂纹应用，本实施例中N0选定为10。\n[0049] 步骤6：由于缺陷区域存在热传导，因而，缺陷区域应该具有一定的面积。利用连通区域标记算法自动找到g(u，v)中每个亮区域，对每个连通区域，如果其像素数大于5，则g(u，v)中保留该区域，否则该区域像素值设为0。\n[0050] 通过上述预处理后，除了由喷漆造成的伪缺陷外，大部分热反射与噪声信号等均已去除。为了实现g(u，v)中缺陷区域自动识别，提取热扩散特征值进行两步不同的支持向量机算法处理。\n[0051] 步骤7：第一步主要是去除其它干扰信号，仅保留缺陷和由喷漆造成的伪缺陷，其处理步骤为：提取g(u，v)中缺陷区域每一行温度最大值处对应A1和A2，并形成支持向量机算法训练集中缺陷特征(如将其定义为yi＝+1)；提取g(u，v)中各非缺陷区域温度最大值处对应A1和A2，并形成支持向量机算法训练集中非缺陷特征(如将其定义为yi＝-1)。以高斯径向基函数作为核函数，其正则参数C取1，宽度参数γ取为0.1，采用支持向量机算法进行学习，得到第一分类函数，其中，A1为t1时刻温度-空间归一化曲线面积： A2为t2时刻温度-空间归一化曲线面积：\n[0052] 步骤8：第二步支持向量机处理则主要去除由喷漆造成的伪缺陷，其处理步骤为：\n提取亮区域中的缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0，v0，t1)，并将其作为支持向量机算法训练集中的第二缺陷特征类(如将其定义为yi＝+1)，提取亮区域中的由喷漆造成的伪缺陷区域内每一行对应的k值和t1时刻对应的温升f(u0，v0，t1)，并将其作为支持向量机算法训练集中的第二非缺陷特征类(如将其定义为yi＝-1)，以非线性可分的高斯径向基函数作为核函数，采用支持向量机算法进行学习，得到第二分类函数，其中，K＝A2/A1。\n[0053] 步骤9：当需要对待测试件进行检测时，对待测试件重复步骤1-6，提取待测试件的图像g(u，v)中亮区域温度最大值处对应的A1和A2，采用第一分类函数进行分类，若分类结果中有第一缺陷特征类(如将其定义为yi＝+1)，则提取待测试件图像g(u，v)中第一缺陷特征类对应处的每一行对应的k值和t1时刻对应的温升，并采用第二分类函数进行分类，得到待测试件是否有缺陷的结果。\n[0054] 其中，全局阈值根据红外热像装置的信噪比参数确定，第二设定阈值根据红外热像装置的空间分辨率确定。\n[0055] 其中，超声源为超声焊枪，其激励频率为单一频率，如通常可选为20KHz或40KHz；\n超声源也可采用多个频率或连续频段进行激励；超声焊枪采用接触式对被测试件进行激励，也可采用非接触方式对被测试件进行激励；超声焊枪为固定式也可为手持式的。\n[0056] 通过上述预处理及基于热扩散特征的支持向量机算法处理后，可正确的找到热图序列中的缺陷区域，图4中央划一竖线的亮斑表示通过本自动识别方法而找到的缺陷。对于本实施例中其他待测试件，采用上述步骤及相同参数对测量热图序列进行处理，当保证超声作用时间为预设值时，本发明可以实现超声红外无损检测技术中缺陷信号自动识别。\n[0057] 本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。\n[0058] 本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。\n[0059] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；\n而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。