Page 104 - 无损检测2023年第九期

江海军, 等:

红外无损检测图像处理方法的对比

缘都比较清晰, 包含了所有的缺陷信息, 由峰值图 深度图像能更为直观地展示不同深度的缺陷信
像和峰值时间图像可以得出缺陷深度图像, 缺陷 息, 如图9 ( d ) 所示。

图9 图像的二阶导峰值法处理结果
序列图像处理是未来图像处理的发展方向。另一方
3 未来发展趋势
面, 现有的缺陷需要人工判断, 准确度非常依赖于检
文章对单帧红外图像处理方法和红外序列图像 测人员的经验。随着深度学习方法研究的深入, 其在
处理方法进行了介绍, 同时采用红外图像对各个算法 目标检测、 语义分割、 图像去模糊等领域的表现获得
进行了验证, 试验结果表明, TSR 、 PCA 、 ICA 、 PPT 、 了认可。深度学习的算法较传统神经网络算法神经
PSDT都有各自的适用范围, 要判断哪种方法效果 层深度增加, 具有更好的特征信息感知能力, 并且解
好, 需对各方法的图像处理效果进行对比才能得出结 决了容易收敛到局部最优解的问题, 更容易实现缺陷
论。 TSR和 PSDT需要面激励源激励试件表面且红 的自动识别。采用深度学习方法的图像处理效果如

外序列图像仅采集降温段数据, 适用于闪光灯激励、 图10所示, 可见, 图像去模糊处理后, 缺陷边缘清晰、
激光激励、 卤素灯短脉冲激励, 不适用于超声激励、 涡 锐利; 采用深度学习语义分割模型, 可以获得缺陷信

流激励方式; PCA 和ICA 对激励方式基本没有限制, 息, 自动过滤背景信息, 很适合缺陷的自动分割和自
适用于各种激励方式。红外图像处理的目的不仅是 动判断, 欲获取缺陷的深度信息, 可以采用更加复杂
获取缺陷的位置信息, 还要获取缺陷的深度信息, 对 或者特殊定制的深度学习模型。

图10 深度学习方法的图像处理效果模型
新、 优化与改进获取红外图像中的语义信息, 有望实
4 结语
现红外图像的图像去模糊、 超分辨率重建、 目标检
热波是一种衰减波, 会导致红外图像边缘模糊, 测、 语义分割和场景理解, 推动红外无损检测技术在
对比度降低, 采用原始的红外图像往往达不到理想 人工智能领域的应用和发展, 实现红外无损检测缺
的效果, 因此需要采用合适的红外图像处理方法。 陷判定由人工识别向智能自动化识别方向发展。
文章介绍和总结了单帧红外图像处理方法和红外序 参考文献:
列图像处理方法, 并用红外图像对各种处理方法进
行了验证。通过文章综述可以得知, 不同的缺陷适 [ 1 ] 董丽虹, 郭伟, 王海斗, 等. 热障涂层界面脱粘缺陷的

合于不同的图像处理方法。如文章试验采用的是塑 脉冲红外热成像检测[ J ] . 航空学报, 2019 , 40 ( 8 ): 1-
料平底孔缺陷, 该缺陷的二阶导峰值法处理效果更 10.

[ 2 ] 江海军, 陈力. 脉冲红外无损检测技术研究现状与发
佳, 不仅可以过滤掉背景信息, 更可以获取缺陷深度

信息。随着人工智能深度学习的发展, 通过算法创 展趋势[ J ] . 红外技术, 2018 , 40 ( 10 ): 946-951 , 965.

[ 3 ] 刘颖韬, 郭广平, 曾智, 等. 红外热像无损检测技术
6
6
2023年 第45卷 第9期
无损检测