3.2 部分學(xué)者研究成果 

在基于紅外熱像的復(fù)合材料無損檢測識別研究過程中，梁濤等人在研究復(fù)合材料受沖擊損傷后缺陷的特性時，沒有發(fā)現(xiàn)分層缺陷引起的“暗區(qū)”，且整體的纖維結(jié)構(gòu)分布較均勻，給直接評估缺陷帶來困難。針對該問題，作者提出結(jié)合PCA和小波變換法來進(jìn)行缺陷的特征提取，新的算法具備了時域-空域-頻域等多維度的特征提取能力，再通過閾值分割對圖像進(jìn)行二值化處理消除背景，使缺陷信息更加明顯。

另外作者針對復(fù)合材料出現(xiàn)的脫粘缺陷采用了不同的圖像序列算法進(jìn)行實驗對比，包括溫度信號重構(gòu)、脈沖相位法、主成分分析、獨立成分分析，最終證明TSR和PCA在缺陷特征提取方面效果更好，如表3。再采用區(qū)域生長法對TSR獲得的特征圖進(jìn)行分割和K最鄰近（K-nearestneighbor，KNN）分類算法進(jìn)行分類識別，最終成功檢測出金屬結(jié)構(gòu)材料的全部缺陷（最小直徑2mm）和蜂窩芯結(jié)構(gòu)材料大于3mm的缺陷。

表3 不同算法檢測效果評估

注：TP表示被檢測出且實際存在的缺陷；FP表示被檢測出卻不是實際存在的缺陷；FN表示實際存在卻沒有被檢測出的缺陷；TN表示不存在也沒有檢測出來的缺陷；P表示缺陷檢測準(zhǔn)確率；R為召回率；F表示P和R的加權(quán)調(diào)和平均。

在進(jìn)行圖像分割時，考慮到傳統(tǒng)的區(qū)域生長法會引入人為的主觀因素，馮琪智等人提出了一種用于分割的自動區(qū)域生長算法，即自適應(yīng)尋找預(yù)處理對象、種子點和閾值。通過實驗后，采用F-score值進(jìn)行評價。在檢測薄板時，各種方法差異不大；但是在檢測厚板時，差異效果明顯，且采用自動區(qū)域生長法進(jìn)行處理之后，缺陷檢出率有所提升，部分檢出結(jié)果對比如表4所示。

表4 不同算法的F-score

針對傳統(tǒng)區(qū)域生長法初始種子難以選擇的問題，陳躍偉提出一種改進(jìn)的區(qū)域生長法，即利用最小二乘法擬合出紅外圖像中亮度和溫度之間的線性關(guān)系，建立基于像素溫度場，從而根據(jù)設(shè)定溫度范圍來確定種子的位置。該學(xué)者將此區(qū)域生長法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合用于巡檢機(jī)器人電站設(shè)備的檢測。經(jīng)過實驗證明，在400幅設(shè)備紅外圖像中，圖像的正確識別率92.74%，錯誤率5.78%，未識別率1.48%。

劉鑫等人利用基于閾值改進(jìn)的形態(tài)學(xué)邊緣檢測算法，檢測積水管道的紅外圖像，并與中值濾波、維納濾波、傳統(tǒng)形態(tài)學(xué)等方法處理的圖像作對比，峰值信噪比（peak signal to noise ratio）情況如表5所示。而該方法的圖像分割能力比傳統(tǒng)的Canny、Sobel、Roberts等算子處理效果更好。

JiangHongquan等人提出一種基于紋理特征和主成分分析的焊縫缺陷特征提取與分類的方法。實驗結(jié)果表明，此方法可有效提取缺陷類型的一般特征，分類準(zhǔn)確率達(dá)90.4%。

表5 不同算法PSNR值

注：PSNR為峰值信噪比，值越大表示處理效果越好

ZhouJianmin等人在研究孔洞類型的缺陷時提出了PCA和概率神經(jīng)網(wǎng)絡(luò)（probability neural network）結(jié)合的算法。實驗結(jié)果表明正常區(qū)域和異常區(qū)域識別率分別可達(dá)95%和85%。同時，該學(xué)者又提出了一種基于遺傳算法和序列紅外圖像熱像加權(quán)疊加的檢測方法，經(jīng)此方法處理后，缺陷與正常區(qū)域的灰度比分別提高到8.5%和31.0%，缺陷特征明顯增強(qiáng)。

4 結(jié)束語

紅外熱像技術(shù)因其非接觸、無污染、高效率，在航空航天、機(jī)械、建筑、油氣等領(lǐng)域得到廣泛的應(yīng)用。隨著科技的發(fā)展，該技術(shù)逐步從工業(yè)領(lǐng)域走向群眾的生活領(lǐng)域是必然的趨勢，如FLIR紅外設(shè)備與手機(jī)的結(jié)合，智能手機(jī)所帶的紅外識別等。為了使該技術(shù)給社會帶來更大的便捷，其未來的發(fā)展方向應(yīng)有以下幾點：

1）技術(shù)的標(biāo)準(zhǔn)化和統(tǒng)一化