下载掌阅APP，畅读海量书库
立即打开
红外热成像检测技术是一门跨学科和应用领域的通用型实用技术，作为一种新型无损检测技术以其适用性广、非接触、快速大面积检测、安全可靠等优点受到广泛重视，其具体优点如下。
（1）适用范围广，可用于各行各业的检测之中，并可用于各种材料的检测，包括金属、非金属和复合材料。
（2）速度快，一次检测只需几十秒钟。
（3）检测面积大，根据被测对象和光学系统，一次检测可覆盖至平方米量级。针对大型检测对象还可对结果进行自动拼图处理。
（4）以伪彩色或灰度图像的方式输出被测物体表面的动态温度场，与单点测温比较，不仅能提供更完整、丰富的信息，而且直观、易懂，便于理解和判断。
（5）非接触测量，检测过程中不需要接触被测物体。
（6）主动式红外热成像检测可采用单面检测，加热和探测在被检试件同侧，以便检测工作的开展。
（7）主动式红外热成像检测可以测量试块缺陷深度或涂层厚度，并能做表面下的缺陷识别。
（8）红外热像仪为便携式设备，十分适合外场、现场应用和在线、在役检测。
当然红外热成像检测技术也存在缺点，如热图像的分辨率低、分辨细节能力差；红外镜头反光影响成像质量等。
本节主要介绍作者及其指导的研究生近年来在红外热成像检测方面的应用研究，包括被动式红外热成像检测的应用和主动式红外热成像检测的应用。被动式红外热成像检测涉及红外视觉人体行为的检测与识别、红外弱小目标检测和红外图像与可见光图像融合等方面。主动式红外热成像检测包括缺陷埋深的脉冲红外热波定量提取和红外序列图像处理等方面。
人体行为识别（Human Action Recognition，HAR）技术是计算机视觉领域的新兴研究方向之一，其在智能安防、机器人、运动员辅助训练等领域具有十分广阔的应用前景。目前，基于可见光视觉信息的人体行为识别技术不断发展，但其极易受特殊外场环境（如夜间、大雾、沙尘等）的影响，而红外热成像技术具有不受光照影响、抗干扰能力强、全天候监测等技术优势；但红外图像存在目标空域表征信息匮乏、对比度低等缺点，采用基于可见光视觉信息的人体行为识别技术无法取得较好的检测效果。以红外视觉智能人体行为识别为研究背景，以全辐射热像视频为研究对象，以卷积神经网络为核心特征提取工具，作者及其指导的研究生提出了一种融合目标检测、姿态估计、时序行为分类的多阶段红外人体行为识别框架，对红外视觉人体行为的检测与识别开展了以下研究。
（1）针对红外人体行为识别技术特殊的数据集要求，采用VarioCAM®HD980红外热像仪获取全辐射热像视频，并建立红外人体目标检测数据集IR-HD、红外人体姿态估计数据集IR-HPE、红外人体行为视频数据集IR-HAR。
由于单发多框检测器（Single Shot Multi-Box Detector，SSD）目标检测模型计算复杂度较高，因此对弱小目标、遮挡等鲁棒性差的情况，作者及其指导的研究生提出了一种改进的SSD红外人体目标检测算法，采用MobileNet V2网络作为基础特征提取网络，以实现模型的轻量化。引入FPN特征金字塔结构实现多尺度特征图融合，提高模型浅层特征图的表征能力。同时，融入SE通道注意力机制提高模型对关键通道信息的关注度。研究结果表明，改进后的SSD目标检测模型检测精度提高了1.5%，模型推理速度提高了21.61帧/s。
（2）针对红外人体骨骼关键点检测精度低的问题，作者及其指导的研究生提出了一种基于深度残差网络的改进CPMs姿态估计模型。基于ResNet-18网络提取初始特征，并采用跨阶段置信度图融合策略增强阶段性输入特征图的空间特征信息，以缓解模型梯度消失的问题，提高人体骨骼关键点的检测精度。最后级联SSD目标检测模型实现自顶向下的红外人体目标多姿态估计。研究结果表明，基于深度残差网络的改进CPMs模型检测精度达到了87.3%，相较CPMs模型提高了2.7%。
（3）针对单帧红外图像进行人体行为识别，忽略了帧间时域信息的问题，作者及其指导的研究生提出了一种基于人体骨骼关键点的时空混合模型。以人体骨骼关键点的笛卡儿坐标作为行为的空域表征信息，并构建多层长短时记忆神经网络来实现对红外视觉下人体连续性动作的高效识别。研究结果表明，基于姿态估计的红外视觉时空混合模型人体行为识别精度达到了90.2%。
红外搜索与跟踪（Infrared Search and Tracking，IRST）系统在军事领域有极高的应用价值，在森林预警、民航监控等民用领域同样有着广泛应用。红外弱小目标检测技术是IRST的关键技术之一，因此此项技术具有重要的研究意义。由于红外热成像的超远距离、红外图像缺乏丰富的图像细节及在信号传输过程中能量的损失，造成了目标在图像中呈现尺寸小、信号弱的问题。同时，在遇见一些复杂背景的情况下，易出现与目标类似的虚警及难以剔除的杂波，因此在实现目标检测的同时要尽可能地提高算法的实时性。针对上述问题，主要研究工作如下。
（1）针对红外弱小目标检测中强杂波干扰的问题，作者及其指导的研究生提出了一种基于交替方向乘子法（ADMM）和改进Top-hat变换的红外弱小目标检测算法。根据红外图像的非局部自相关特性，将目标检测问题转换为稀疏低秩矩阵恢复问题，获得包含目标的稀疏矩阵，完成初步的背景抑制，并与形态学三重结构元素Top-hat变换相结合，有效增强了目标强度并剔除了残留噪点。实验结果表明，与现有的6种算法相比，该算法具有更强的目标增强能力及背景抑制能力，同时具有较不错的算法实时性。
（2）针对现有的基于形态学的算法受限于固定单一的结构元素，从而导致复杂背景抑制能力差的问题，作者及其指导的研究生提出了一种基于局部对比度（LCM）的自适应Top-hat红外弱小目标检测算法。首先根据目标在图像中的视觉显著性，计算其LCM并形成显著图，获得目标尺寸的先验信息；然后结合改进的双结构元素Top-hat变换，自适应设置结构元素尺寸，极大程度地利用目标及其邻域的灰度值差异来抑制背景和增强目标。实验结果表明，与同类形态学算法及其他非同类算法相比，该算法在各项评估指标上都具有明显优势。
（3）针对计算LCM采用的滑动窗口，生成的显著图存在“膨胀效应”导致目标漏检的问题，作者及其指导的研究生提出了一种基于非下采样轮廓波变换（NSCT）和三层窗口LCM的红外弱小目标检测算法。根据目标在红外图像上的全局稀疏性，引入NSCT，将图像分解为低频和高频子图，并构建低频和高频子图的差分图像，采用引导滤波有效增强目标信号强度，结合三层滑动窗口计算LCM构建置信度图。实验结果表明，该算法有效避免了“膨胀效应”造成的目标漏检问题，并与现有8种算法相比，该算法在背景抑制、目标增强及精确度上均有良好的提升。
红外图像与可见光图像融合技术是数据融合领域中备受关注的研究方向之一，在图像增强、智能安防、目标检测和目标识别等领域具有十分广阔的应用前景。将纹理细节信息丰富但对环境敏感的可见光图像与抗干扰能力强但对比度低的红外图像相结合可以更好地描述场景信息，为后续的视觉任务提供丰富的语义信息；但由于获取图像的传感器不同，光谱信息差异和获取信息的角度差异等会导致图像间出现空间位置偏差，这种偏差会严重影响最终的融合效果，因此在图像融合前还需进行配准操作。为了提高图像配准精度，获取高质量融合图像，相关的研究内容如下。
（1）针对红外图像与可见光图像模态差异导致的配准精度下降问题，作者及其指导的研究生提出了一种基于CycleGAN-CSS的图像配准算法。引入CycleGAN网络将可见光图像转换为伪红外图像来减少源图像之间的特征差异，利用改进后的CSS算法先对伪红外图像和红外图像提取特征点，再通过降维后的SIFT描述子表示检测到的特征点并进行匹配，为减少误匹配点个数，利用随机抽样一致（RANSAC）算法进行误匹配剔除。为验证所提算法的可靠性，从TNO数据集和RoadScene数据集各取一组不同场景下的图像对与Harris算法和PSO-SIFT算法进行比较，实验证明所提算法的平均精度最大，高达97%，标准差误差比Harris算法和PSO-SIFT算法平均降低了23.90%、8.25%，说明所提算法在配准精度上确有改善。
（2）针对传统多尺度变换的图像融合技术中常出现的边缘模糊和细节分辨能力弱的问题，作者及其指导的研究生提出了一种基于多尺度各向异性扩散的图像融合算法。首先通过各向异性扩散对红外图像和增强后的可见光图像进行多次分解，留下最后一次分解的背景层和所有的细节层；然后由于背景层信息丰富，为避免信息冗余，因此采用加权平均进行融合，再对细节层根据余弦相似度设计了一个自适应的融合规则，以最大程度强调图像中的细节信息；最后将融合背景层与不同尺度的融合细节层进行线性叠加并重构融合图像。实验分析出最优分解尺度为4；同时为了证明所提算法的有效性，将其与其他4种传统的多尺度变换算法进行对比，在TNO数据集中，所提算法在EN、MI和MS-SSIM 3个指标上取得最优，相较次优分别提高了8.29%、1.22%、0.23%，主观视觉效果也表现优异；在RoadScene数据集中，所提算法在同样在以上3个指标上取得最优，相较次优分别提高了1.72%、1.72%、2.58%。综合看来，所提算法相比传统的多尺度变换算法性能确实有所提高，融合图像目标清晰且细节信息丰富。
（3）为进一步提高融合图像质量，降低算法的计算复杂度，提高算法的性能稳定性，作者及其指导的研究生提出了基于潜在低秩表示下的双判别器生成对抗网络（DDcGAN）的图像融合算法。首先通过潜在低秩表示将图像分解为低秩分量和稀疏分量，并剔除影响融合质量的噪声；然后对于包含丰富结构信息的低秩分量采用改进的DDcGAN进行融合，即借助VGG16提取低秩分量特征，根据设计的特征融合模块对每层特征进行融合，利用金字塔重构融合特征后解码出融合低秩分量；再采用K-L变换对稀疏分量进行融合；最后将融合低秩分量和融合稀疏分量进行叠加。通过在不同数据集将所提算法和当前性能较优的深度学习算法相比，大量的融合结果证明，所提算法不仅视觉效果良好，而且在各种客观指标上也取得了优异成绩，证明了算法的有效性和鲁棒性。
作者及其指导的研究生建立了红外热成像检测缺陷埋深物理模型，依据热传导理论推导缺陷定量检测的实现方法，对含有楔形槽缺陷的PVC试块分别进行反射法和透射法红外热成像检测实验，通过实验数据分析取样点尺寸、缺陷宽度对试块表面温度场的影响，指导数据后处理采样区域的设置，定量检测缺陷埋深，并且分析激励时间对测量精度的影响。运用ANSYS软件分别进行了反射法和透射法红外热成像检测凹槽缺陷的仿真模拟实验，分析了缺陷的宽度、埋深对仿真结果的影响，以及激励时间对缺陷深度的测量影响。研究结果表明，反射法和透射法红外热成像检测都可实现缺陷的检出和对缺陷深度的测量。对近表面缺陷在相同的测量精度下，透射法红外热成像检测所用激励时间更短，处理数据更加简单，缺陷检出速度更快；对埋深较深的缺陷，透射法红外热成像检测除检测速度快外，检测精度也更高。
作者及其指导的研究生研究了红外序列图像处理的方法，包括单帧图像的处理和多帧图像的处理。在定义敏感区域的基础上，提出了敏感区域最大标准差法，这一性能指标的提出解决了单帧图像处理红外序列图像的原图选取问题，探讨了敏感区域大小对检测结果的影响，其大小推荐为10像素×10像素到15像素×15像素。基于MATLAB的GUI设计开发了红外热图像处理程序，可实现红外序列图像的缺陷信息自动处理，获得缺陷形状、轮廓、尺寸、面积及分布状况等信息。在这个基础上提出了一种新的单帧图像分割算法，基于模糊 C 均值聚类预分割的多尺度八方向边缘检测图像分割算法。算法提升了对红外图像中冲击损伤弱边缘的检测能力，而且缺陷的边缘细节保留较好，提升了缺陷特征的检测精度，为红外热成像技术在CFRP板冲击损伤的定量检测方面提供了有效方法。本书介绍了两种红外序列多帧图像的处理算法，即PCA算法和独立成分分析（Independent Component Analysis，ICA）算法。以GFRP平底孔为例，通过假设、对比、验证环节，确定PCA算法的最佳融合区间，并将其运用到原始PCA算法中，使优化的算法能自动选取图像序列的最佳区间，并进行融合。运用ICA研究CFRP板冲击损伤的特征提取问题，结果表明ICA能够有效区分噪声与缺陷，并且获得的特征图像比原始图像的信噪比更高、对比度更大、图像质量更好，更有利于缺陷的提取和表征。