譚 丹，張志杰，王祿祥，尹武良,2

基于LabVIEW的紅外熱波圖像缺陷檢測(cè)系統(tǒng)設(shè)計(jì)

譚 丹1，張志杰1，王祿祥1，尹武良1,2

（1. 中北大學(xué) 儀器科學(xué)與動(dòng)態(tài)測(cè)試教育部重點(diǎn)實(shí)驗(yàn)室，山西 太原 038507；2. 曼徹斯特大學(xué) 電氣與電子工程學(xué)院，英國(guó) 曼徹斯特 M139PL）

碳纖維增強(qiáng)復(fù)合材料大量應(yīng)用于航空領(lǐng)域，對(duì)其質(zhì)量提出了更高的要求。但是傳統(tǒng)人工檢測(cè)方法工作強(qiáng)度高、效率低。為了提高碳纖維復(fù)合材料的缺陷檢測(cè)效率，本文基于LabVIEW軟件開發(fā)平臺(tái)設(shè)計(jì)CFRP（carbon fiber reinforced plastics）缺陷檢測(cè)系統(tǒng)，提取缺陷邊緣并進(jìn)行數(shù)量統(tǒng)計(jì)。本研究采用主動(dòng)式紅外熱成像無(wú)損檢測(cè)技術(shù)，通過紅外熱像儀獲取激光掃描的損傷試樣表面熱圖像。針對(duì)紅外圖像對(duì)比度及均勻性差的特點(diǎn)，使用HSL（hue, saturation, luminance）進(jìn)行顏色平面提取，灰度變換，選用適用于處理光照分布不均勻圖像的Niback局部閾值分割處理算法進(jìn)行感興趣區(qū)域圖像閾值分割處理。最后通過形態(tài)學(xué)處理增強(qiáng)圖像并實(shí)現(xiàn)缺陷特征提取和缺陷數(shù)量統(tǒng)計(jì)。本文通過搭建紅外熱成像缺陷檢測(cè)實(shí)驗(yàn)平臺(tái)完成紅外熱波缺陷圖像的采集、處理，設(shè)計(jì)軟件平臺(tái)及用戶界面以實(shí)現(xiàn)缺陷特征的提取。相比于人工檢測(cè)，該系統(tǒng)的設(shè)計(jì)極大地減少了檢測(cè)用時(shí)，有助于實(shí)現(xiàn)缺陷檢測(cè)的自動(dòng)化。

LabVIEW；CFRP；紅外熱成像；缺陷檢測(cè)

0 引言

復(fù)合材料近年來(lái)發(fā)展迅速，其集原組分材料的優(yōu)點(diǎn)以達(dá)到更好的綜合性能，廣泛應(yīng)用于多種領(lǐng)域。目前，應(yīng)用最廣泛的復(fù)合材料之一——碳纖維增強(qiáng)樹脂基復(fù)合材料（carbon fiber reinforced plastics，CFRP），是以碳纖維為增強(qiáng)材料合成樹脂為基體而形成的非金屬?gòu)?fù)合材料[1]。碳纖維增強(qiáng)樹脂基材料始于20世紀(jì)60年代，其具有的密度低、比強(qiáng)度高、熱膨脹系數(shù)小、耐疲勞性好等優(yōu)異性能滿足特殊結(jié)構(gòu)所需的輕質(zhì)、高強(qiáng)、重載等要求，最先應(yīng)用于航空航天、軍事裝備等高精尖領(lǐng)域。隨著復(fù)合材料性能提升及制造成本降低，碳纖維增強(qiáng)復(fù)合材料也逐漸轉(zhuǎn)向民用，應(yīng)用于汽車制造、海底油田、土木建筑、體育器材等多個(gè)領(lǐng)域。然而，由于復(fù)合材料在制造過程中的不穩(wěn)定性，容易出現(xiàn)分層、夾雜、脫粘、孔隙等制造缺陷。此外，在服役時(shí)易受外界沖擊載荷作用和復(fù)雜環(huán)境的影響，產(chǎn)生沖擊損傷，表現(xiàn)為基體裂紋、分層、纖維斷裂等損傷形式[2]。這些損傷的出現(xiàn)會(huì)降低設(shè)計(jì)性能及使用壽命，嚴(yán)重的，會(huì)危及工作人員的人身安全。

紅外熱成像無(wú)損檢測(cè)技術(shù)采用非破壞手段對(duì)材料表面及近表面缺陷進(jìn)行檢測(cè)，與傳統(tǒng)無(wú)損檢測(cè)方法相比，具有檢測(cè)速度快、無(wú)需接觸，易于實(shí)現(xiàn)自動(dòng)化等優(yōu)點(diǎn)。而紅外圖像形成的過程中會(huì)伴隨噪聲，且熱源激勵(lì)的試樣內(nèi)部的熱擴(kuò)散也會(huì)造成圖像邊緣模糊，導(dǎo)致采集的紅外圖像視覺效果差，影響缺陷的定位識(shí)別及特征提取。為此，學(xué)者們針對(duì)檢測(cè)目標(biāo)及紅外圖像的特點(diǎn)提出了一些改進(jìn)方法?？邓柔槍?duì)紅外圖像清晰度低的問題，提出一種自適應(yīng)迭代閾值加權(quán)的差分頂帽變換方法以增強(qiáng)圖像細(xì)節(jié)[3]。王亞麗等通過改進(jìn)傳統(tǒng)OSTU算法選定最優(yōu)閾值，然后提取紅外圖像缺陷特征以實(shí)現(xiàn)太陽(yáng)光伏板缺陷的檢測(cè)[4]。近年來(lái)，計(jì)算機(jī)視覺技術(shù)應(yīng)用于缺陷檢測(cè)的研究也日趨增多。郭輝、沈勇等人采用攝像頭和計(jì)算機(jī)，基于LabVIEW圖形語(yǔ)言開發(fā)環(huán)境和IMAQ Vision圖像處理工具包編制的軟件對(duì)麻花鉆圖像進(jìn)行預(yù)處理、邊緣檢測(cè)以及圖像測(cè)量。開發(fā)的麻花鉆幾何角度測(cè)量程序，可以測(cè)量麻花鉆頂角、橫刃斜角及公稱直徑[5]。鄭中華等設(shè)計(jì)的SIM卡槽缺陷檢測(cè)系統(tǒng)，運(yùn)用模板匹配、形態(tài)學(xué)處理、彩色定位算法，分別實(shí)現(xiàn)了目標(biāo)特征及位置的獲取，目標(biāo)輪廓細(xì)化，漏銅情況判別的功能[6]。

本文基于紅外輻射原理，搭建紅外熱成像實(shí)驗(yàn)平臺(tái)以獲取CFRP樣品缺陷熱圖像，并運(yùn)用計(jì)算機(jī)視覺實(shí)現(xiàn)碳纖維增強(qiáng)復(fù)合材料缺陷的自動(dòng)檢測(cè)。軟件系統(tǒng)設(shè)計(jì)使用美國(guó)NI（National Instruments）公司的2022版LabVIEW軟件開發(fā)平臺(tái)，研究對(duì)碳纖維復(fù)合材料進(jìn)行缺陷檢測(cè)的實(shí)際應(yīng)用。

1 試樣制備及圖像獲取

1.1 試樣制備

為研究檢測(cè)系統(tǒng)對(duì)碳纖維層板缺陷的檢測(cè)能力，實(shí)驗(yàn)在碳纖維復(fù)合層壓板上人為制造了不同形狀不同深度及相同形狀不同方向的平底孔缺陷。使用的碳纖維增強(qiáng)復(fù)合層壓板由T800型碳纖維制備，尺寸為167mm×100mm×2.4mm，采用0°鋪層方式，共14層。缺陷試樣及尺寸信息如圖1及表1、2所示。根據(jù)人為制造的缺陷形狀，將缺陷試樣分為兩組，圓形缺陷和矩形缺陷。其中，表2中#9～#12矩形缺陷的長(zhǎng)邊方向?yàn)?°（碳纖維排布方向）參考方向。

1.2 圖像獲取

實(shí)驗(yàn)搭建的紅外熱成像缺陷檢測(cè)系統(tǒng)組成示意圖如圖2所示。該系統(tǒng)由激光掃描系統(tǒng)、紅外圖像采集系統(tǒng)及圖像處理軟件系統(tǒng)組成。其中，激光掃描系統(tǒng)包括PC機(jī)、激光發(fā)生器、移動(dòng)平臺(tái)；紅外圖像采集系統(tǒng)包括光學(xué)棱鏡、紅外熱像儀；圖像處理軟件系統(tǒng)位于PC機(jī)上。

圖1 層壓板缺陷試樣

表1 圓形缺陷幾何尺寸

表2 矩形缺陷幾何尺寸及方位

圖2 紅外熱成像缺陷檢測(cè)系統(tǒng)組成示意圖

實(shí)驗(yàn)采用武漢銳科光纖激光器技術(shù)有限責(zé)任公司的RFL-A500D型915nm直接半導(dǎo)體激光器作為激勵(lì)源。激光器有連續(xù)和調(diào)制兩種工作模式，在連續(xù)模式中，激光器是連續(xù)出光的，而調(diào)制模式下激光器輸出光脈沖。為了快速、全面檢測(cè)CFRP試樣，采用線激光對(duì)CFRP層板進(jìn)行連續(xù)掃描加熱。在PC端設(shè)置內(nèi)部連續(xù)工作模式，激光功率13W，通過RS-232串口與激光器進(jìn)行通信。

掃描過程的實(shí)現(xiàn)可以通過兩種方式，激光移動(dòng)試樣不動(dòng)以及激光固定試樣移動(dòng)。為了避免激光移動(dòng)過程中受環(huán)境的影響以及實(shí)驗(yàn)中安全隱患的出現(xiàn)等不穩(wěn)定因素，選用第二種移動(dòng)試樣的方式。通過移動(dòng)平臺(tái)控制二維平面內(nèi)物體的運(yùn)動(dòng)及運(yùn)動(dòng)方向，設(shè)置移動(dòng)為速度50mm/s，沿纖維鋪層方向掃描加熱試樣表面。激光掃描加熱樣板示意圖如圖3所示。為了檢驗(yàn)系統(tǒng)識(shí)別缺陷的能力，將線激光中心掃描路徑調(diào)整到表面缺陷為3mm直徑的圓形及兩組長(zhǎng)軸取向互相垂直的矩形的中心對(duì)稱軸處。進(jìn)一步，將線激光對(duì)稱軸調(diào)整到距離平面缺陷為5mm直徑的圓形中心對(duì)稱軸2mm處，以研究熱源中心偏離缺陷對(duì)檢測(cè)結(jié)果的影響。

出射激光由組合光學(xué)棱鏡進(jìn)行光束校準(zhǔn)，使試樣表面受熱均勻。激光源發(fā)出激光束，落在2.4m遠(yuǎn)樣板表面形成直徑4mm圓形光斑，經(jīng)棱鏡校準(zhǔn)整形成45mm長(zhǎng)梭形線激光。實(shí)驗(yàn)選用浙江大立科技股份有限公司非制冷焦平面微熱型的DL700便攜式紅外熱像儀。設(shè)置采樣頻率50Hz，紅外熱像儀采集試樣表面熱圖像序列。以直徑為3mm的圓形平底孔缺陷為例，選取其中連續(xù)的10幀，其熱序列如圖4所示。

圖3 掃描樣板示意圖

我們理想的情況是：激光光斑進(jìn)入視場(chǎng)范圍后，熱源勻速掃描試樣表面，直到光斑駛出視場(chǎng)區(qū)域，停止加熱。圖4熱序列圖像#1-10中，#1為激光光斑進(jìn)入視場(chǎng)區(qū)域，#5為激光光斑剛離開區(qū)域，#1-5激光掃描加熱樣板表面，#6-10停止加熱。觀察整個(gè)過程可以看出，熱源加熱始末存在熱量堆積，掃描路徑上中間溫度高于兩側(cè)且缺陷區(qū)域溫度低于非缺陷區(qū)域。這是因?yàn)橐苿?dòng)平臺(tái)從啟動(dòng)到關(guān)閉的過程為變速過程，從而固定在移動(dòng)平臺(tái)上的樣板從靜止到運(yùn)動(dòng)的相互轉(zhuǎn)換表現(xiàn)為激光掃描缺陷表面的相對(duì)運(yùn)動(dòng)過程非勻速。起止點(diǎn)處速度低于預(yù)設(shè)速度，則掃描過程的平均速度低于預(yù)設(shè)速度，起止點(diǎn)一段路徑上加熱時(shí)間更長(zhǎng)獲取的能量更高，因此起止點(diǎn)處存在熱量堆積，溫度較高。由于校準(zhǔn)的線激光形狀并非標(biāo)準(zhǔn)規(guī)則形狀，為中間寬兩端尖近似為梭形，又光纖激光器的出射激光服從高斯分布，中間能量高于四周，且材料表面的擴(kuò)散由激光光斑向周圍擴(kuò)散，這樣，我們看到的紅外圖像中激光掃描路徑上的中間區(qū)域溫度高于兩側(cè)。由于缺陷處的空氣介質(zhì)熱導(dǎo)率小于CFRP材料介質(zhì)，空氣會(huì)阻礙熱量的傳播，則熱量在平底孔表面的熱擴(kuò)散較材料表面慢。且掃描速度為50mm/s，掃描速度快，缺陷處加熱時(shí)間短，熱量不足以完全擴(kuò)散到缺陷表面，故缺陷處溫度低于非缺陷區(qū)域。

圖4 直徑為3mm的圓形平底孔缺陷熱序列

觀察熱序列圖像可以看出，激光光斑進(jìn)入視場(chǎng)范圍后，熱源掃描加熱試樣表面，當(dāng)激光光斑剛離開視場(chǎng)范圍時(shí)，采集的紅外圖像中缺陷整體視覺效果最明顯，故取激光剛離開視場(chǎng)的紅外圖像作進(jìn)一步的處理，即圖4中序列編號(hào)為#5的圖像，以檢測(cè)試樣全貌。選取的待處理圓形和矩形紅外圖像如圖5所示。

為了節(jié)省篇幅，如未特殊說明，圖像處理各部分僅取某一種缺陷做處理，旨在說明該圖像算法的特點(diǎn)。如預(yù)處理部分以直徑為3mm圓形平底孔缺陷為例。

(a)直徑為3mm圓形(a) Circle with diameter of 3mm(b)直徑為5mm圓形(b) The diameter is 5mm round (c) 0°方向矩形(c) 0° direction rectangle(d) 90°方向矩形(d) 90° direction rectangle

2 軟件系統(tǒng)設(shè)計(jì)

本文基于LabVIEW軟件開發(fā)平臺(tái)與視覺開發(fā)模塊VDM（vision development module）編寫紅外熱成像缺陷檢測(cè)軟件。軟件系統(tǒng)主要包括4個(gè)部分：圖像讀取、圖像預(yù)處理、圖像增強(qiáng)和缺陷檢測(cè)。圖像處理軟件設(shè)計(jì)流程圖如圖6。

圖6 軟件設(shè)計(jì)流程圖

2.1 圖像讀取

實(shí)驗(yàn)通過上述搭建的紅外熱成像系統(tǒng)獲取圖像序列。待處理圖像取不同直徑的圓形與不同方向的矩形平底孔缺陷紅外圖像各兩組，傳輸至NI Vision VI所分配的內(nèi)存中。我們采集的紅外圖像為24位的RGB圖像，NI Vision VI讀取文件數(shù)據(jù)時(shí)會(huì)自動(dòng)轉(zhuǎn)換為NI Vision支持的32位RGB圖像，以進(jìn)行進(jìn)一步處理。

2.2 圖像預(yù)處理

2.2.1 顏色空間轉(zhuǎn)換

灰度圖像只包含亮度信息，而彩色圖像則同時(shí)包含亮度信息和色度信息。為了簡(jiǎn)化算法，提高系統(tǒng)檢測(cè)速度，首先將采集的紅外圖像轉(zhuǎn)化為灰度圖像。

NI Vision提供RGB、HSL、HSV和HSI色彩空間，HSL色彩空間通常用于各種圖像處理算法設(shè)計(jì)，故將RGB轉(zhuǎn)換至HSL色彩空間，即色調(diào)（Hue）、飽和度（Saturation）、亮度（Luminance）色彩空間。三分量中的L分量包含了圖像的亮度信息，與圖像的的色彩信息完全區(qū)分開來(lái)，故取L分量做進(jìn)一步處理。

程序通過NI Vision提供的IMAQ CastImage VI將彩色圖像轉(zhuǎn)換為HSL(U32)格式，使用IMAQ Extract Single Color Plane VI提取圖像的單分量，HSL三分量圖像信息如圖7所示。

圖7 HSL三分量圖像

2.2.2 灰度變換

灰度變換是指根據(jù)某種目標(biāo)條件按一定變換關(guān)系逐點(diǎn)改變目標(biāo)圖像中每一個(gè)像素灰度值的方法[7]。圖像灰度變換是一種圖像空域處理方法，分為線性和非線性變換。通過對(duì)像素進(jìn)行線性或非線性變換，將圖像像素灰度值映射為僅由輸入和變換關(guān)系決定的像素值。設(shè)輸入圖像像素灰度值為＝(,)，輸出圖像像素灰度值為＝(,)，灰度變換函數(shù)為()，則圖像灰度變換可表示為：

(,)＝[(,)] (1)

常用的灰度變換方法有5種，分別為線性變換、指數(shù)變換、對(duì)數(shù)變換、冪值大于1的冪變換與冪值在0～1之間的冪變換。分析各種變換曲線的特點(diǎn)及多次實(shí)驗(yàn)后，文中取冪值為1/1.5的冪變換。5種灰度變換結(jié)果及冪變換處理前后圖像直方圖如圖8、圖9所示。

從冪變換處理前后結(jié)果及其直方圖的對(duì)比可以看出，處理前圖像像素集中在一個(gè)很小的范圍內(nèi)，灰度圖像模糊、亮度低；變換后的圖像直方圖低灰度區(qū)間被拉伸，高灰度區(qū)間被壓縮，得到的圖像更亮，有效地改善了圖像的顯示效果。

2.3 圖像增強(qiáng)

2.3.1 感興趣區(qū)域提取

ROI（region of interest），感興趣區(qū)域。在計(jì)算機(jī)視覺系統(tǒng)開發(fā)過程中，對(duì)被處理圖像添加矩形、圓、不規(guī)則多邊形等形狀以勾畫出需要處理的區(qū)域，該區(qū)域稱為感興趣區(qū)域。LabVIEW中常見的ROI操作包括構(gòu)建ROI、關(guān)聯(lián)ROI到圖像顯示窗口、從圖像顯示窗口中提取ROI以及清除圖像顯示窗口中的ROI等。

圖8 灰度變換結(jié)果

圖9 灰度變換前后圖像直方圖

為了減少不必要的數(shù)據(jù)處理，提高檢測(cè)系統(tǒng)的處理速度和實(shí)時(shí)性。我們?cè)趫D像中添加矩形或圓形邊框以勾選出感興趣區(qū)域，將目光集中在待處理問題的關(guān)鍵處。

2.3.2 閾值分割

圖像閾值分割是一種常用的圖像分割方法。通過設(shè)定不同特征的一個(gè)或多個(gè)閾值，將圖像像素進(jìn)行分類。常用的特征有圖像的灰度、色彩及二者變換所得的特征?；叶乳撝捣指罘╗8]以圖像的灰度直方圖作為參考，選取閾值。單灰度閾值分割、半灰度閾值分割、多灰度閾值分割表達(dá)式如式(2)(3)(4)。

式中：(,)為原始灰度圖像；1(,)、2(,)、3(,)為分割后的圖像；及T（＝1,2,3…,－1)為閾值，Max為圖像中像素的最大灰度，T(＝1,2,3,…,)為常數(shù)。由上式可見，單一閾值分割法通過設(shè)定灰度閾值，將小于閾值的背景部分置0，大于等于閾值的目標(biāo)部分置1；半閾值分割法中，大于等于閾值的像素灰度值得到保留；多閾值分割法用一對(duì)低高閾值(lower,higher)將灰度圖像劃分為多類，用灰度常量標(biāo)記各類。文中基于單閾值分割法的原理，將圖像分割成僅含目標(biāo)和背景的二值圖像。

根據(jù)灰度閾值選取鄰域的范圍，閾值分割法分為局部閾值分割法和全局閾值分割法。局部閾值分割法由指定窗口鄰域內(nèi)像素信息確定每個(gè)像素的閾值，窗口大小小于圖像尺寸，適用于光線分布不均的情況。全局閾值分割法由整幅圖像的像素信息確定閾值，窗口尺寸與整幅圖像一致，通常適用于處理光照均勻的圖像。紅外圖像存在分辨率低、均勻性差、對(duì)比度弱的缺點(diǎn)，導(dǎo)致缺陷圖像邊緣模糊，與背景難以區(qū)分。因此，我們選取局部閾值分割法分割圖像。

局部閾值分割程序IMAQ LocalThreshold提供背景糾正（background correction）和Niback二值化（Niback algorithm）兩種優(yōu)化算法。Niback二值化算法通過計(jì)算每個(gè)像素的閾值與原像素進(jìn)行比較，將像素分割成目標(biāo)與背景。設(shè)像素點(diǎn)灰度值(,)，(,)和2(,)分別為其鄰域內(nèi)均值和方差，則計(jì)算公式如下。

式中：為偏差系數(shù)，一般取0.2。

Niback二值化算法的執(zhí)行速度受到鄰域大小的選取及偏差系數(shù)取值的影響。局部閾值分割法為圖像中的每個(gè)像素計(jì)算閾值，鄰域大小的選取直接影響算法的執(zhí)行速度，通常選取鄰域尺寸略大于分割的最小目標(biāo)。由(5)中的計(jì)算公式看出，偏差系數(shù)值越小，方差對(duì)閾值的影響越小，被標(biāo)記的目標(biāo)像素越接近平均灰度，當(dāng)＝0時(shí)，處理速度最快。以0°矩形平底孔缺陷為例，閾值分割部分前面板見圖10。

圖10 閾值分割前面板

程序運(yùn)行時(shí)設(shè)置查找的目標(biāo)類型為亮背景中的暗目標(biāo)，偏離參數(shù)設(shè)置為0.2，窗口大小設(shè)置為20×32（略大于目標(biāo)）。觀察閾值化處理前灰度圖像（圖10中Src顯示控件內(nèi)）發(fā)現(xiàn)，紅外圖像亮度分布不均，激光掃描始末端存在熱量堆積，在圖像中表現(xiàn)為首尾區(qū)域亮度高于中間區(qū)域；且熱擴(kuò)散由激光光斑沿四周擴(kuò)散，表現(xiàn)為中間部分亮度高于兩側(cè)；缺陷處空氣介質(zhì)的熱擴(kuò)散率小于材料板，表現(xiàn)為圖像缺陷處亮度低于周圍材料。觀察處理后的二值圖像（圖10中Binary顯示控件內(nèi)）發(fā)現(xiàn)，局部閾值分割算法能適應(yīng)各類亮度不均的情況，較好地分割圖像。

由于采集的紅外圖像缺陷邊緣模糊，均勻性差，導(dǎo)致分割的圖像中目標(biāo)與背景分界不清，分割過程將背景錯(cuò)誤標(biāo)記為目標(biāo)。因此，后續(xù)使用二值形態(tài)學(xué)處理進(jìn)行糾正。

2.3.3 形態(tài)學(xué)處理

圖像分割的質(zhì)量直接決定后續(xù)目標(biāo)特征的提取，其分割效果受到圖像質(zhì)量的影響。為了去除二值圖像中不需要的信息，準(zhǔn)確提取圖像中的目標(biāo)顆粒結(jié)構(gòu)，使用形態(tài)學(xué)處理獲取缺陷邊界并進(jìn)行缺陷數(shù)量統(tǒng)計(jì)。

形態(tài)學(xué)處理包含多種計(jì)算形式?；镜男螒B(tài)學(xué)處理作用于圖像像素值，腐蝕（erosion）、膨脹（dilation）、擊中-擊不中（hit-miss）為3種最基本的形態(tài)學(xué)運(yùn)算形式；高級(jí)形態(tài)學(xué)處理作用于二值圖像中的顆粒，使用孔洞填充（fill hole）、邊界剔除（reject border）、顆粒分離（particle separation）等運(yùn)算處理圖像中的顆粒。

顆粒的定義為圖像中相互連通的一組非0或灰度較高的像素所構(gòu)成的區(qū)域[8-9]。數(shù)字圖像中與像素鄰接的像素點(diǎn)有8個(gè)，依據(jù)連通性判斷準(zhǔn)則判斷其是否屬于同一顆粒。4連通和8連通為兩種常用的連通性判斷準(zhǔn)則。4連通準(zhǔn)則將水平與垂直方向與像素緊挨的像素判斷為同一顆粒，而8連通準(zhǔn)則除水平與垂直方向，還將對(duì)角線上相連像素判斷為同一顆粒。

形態(tài)學(xué)處理增強(qiáng)子系統(tǒng)用戶界面及0°矩形平底孔缺陷增強(qiáng)過程如圖11、12。閾值分割結(jié)果如圖12(a)，程序首先調(diào)用IMAQ Morphology對(duì)二值圖像進(jìn)行自動(dòng)中值（Auto-Median）組合形態(tài)學(xué)處理，增強(qiáng)二值圖像，處理結(jié)果如圖(b)。觀察圖(b)，我們事先知曉(b)中與圖像邊界相連的顆粒為背景，為了將其去除，使用IMAQ RejectBordor VI進(jìn)行處理，基于8連通準(zhǔn)則將屬于各邊界顆粒的像素點(diǎn)置0，得到圖(c)。觀察圖(c)發(fā)現(xiàn)，圖中有幾處微小顆粒，這里使用IMAQ Remove Particle去除雜質(zhì)顆粒。將腐蝕次數(shù)設(shè)為2，IMAQ Remove Particle使用元素值均為1的3×3結(jié)構(gòu)元素對(duì)圖像進(jìn)行低通濾波，去除長(zhǎng)度為4及以下的顆粒，得到圖(d)。為了避免分割過程中可能出現(xiàn)孔洞，這里使用IMAQ FillHole填充凸殼得到圖(e)。最后使用IMAQ Label為二值圖像中的顆粒設(shè)定灰度標(biāo)記值，將標(biāo)記圖像作為遮罩圖像轉(zhuǎn)換為ROI，從而實(shí)現(xiàn)缺陷的可視化，提取出缺陷邊緣并統(tǒng)計(jì)缺陷數(shù)量。

圖11 形態(tài)學(xué)處理增強(qiáng)子系統(tǒng)用戶界面

圖12 0°矩形平底孔缺陷形態(tài)學(xué)增強(qiáng)過程：(a) 二值圖；(b) 自動(dòng)中值；(c) 去除邊界；(d) 過濾顆粒；(e) 孔洞填充；(f) 標(biāo)記顆粒；(g) 缺陷可視化

3 結(jié)果和分析

檢測(cè)系統(tǒng)界面設(shè)置了打開圖片、灰度化、灰度變換、提取ROI、形態(tài)學(xué)處理、退出系統(tǒng)6個(gè)操作按鈕；圖像顯示、缺陷數(shù)量顯示兩個(gè)顯示模塊；以及一個(gè)ROI工具條。運(yùn)行程序，用戶點(diǎn)擊打開圖片按鈕從內(nèi)存中讀取待處理紅外圖像，點(diǎn)擊灰度化按鈕將彩色圖片轉(zhuǎn)換為灰度圖片，然后點(diǎn)擊灰度變換按鈕執(zhí)行子程序。在灰度變換子系統(tǒng)中，用戶可以根據(jù)檢測(cè)對(duì)象及其特征更改灰度變換方法及設(shè)置對(duì)應(yīng)的數(shù)值。接下來(lái)選擇圖形顯示控件左側(cè)的ROI工具條以添加ROI輪廓，然后點(diǎn)擊提取ROI按鈕，則圖像顯示控件中單獨(dú)顯示用戶最終添加的ROI輪廓對(duì)應(yīng)的區(qū)域。最后，點(diǎn)擊形態(tài)學(xué)處理按鈕，運(yùn)行界面會(huì)彈出形態(tài)學(xué)處理增強(qiáng)子系統(tǒng)，用戶可以設(shè)置局部閾值分割方法及相應(yīng)參數(shù)；調(diào)整形態(tài)學(xué)處理方法及相關(guān)參數(shù)；更改腐蝕次數(shù)來(lái)去除一定長(zhǎng)度內(nèi)的雜質(zhì)顆粒以更好地完成目標(biāo)邊界的提取。

CFPR紅外圖像缺陷檢測(cè)系統(tǒng)前面板及平底孔試樣缺陷檢測(cè)結(jié)果如圖13、14所示。圖13中，0°矩形平底孔缺陷數(shù)量顯示位于圖像顯示控件下側(cè)，統(tǒng)計(jì)結(jié)果為4，并且其余類型缺陷的數(shù)目統(tǒng)計(jì)結(jié)果都為4。由圖14可以看出，該系統(tǒng)可以準(zhǔn)確快速地檢測(cè)出圓形及矩形平底孔缺陷。觀察提取的邊界曲線發(fā)現(xiàn)，曲線不平滑且缺陷形狀為非規(guī)則的圓形及矩形，這可能是因?yàn)椴牧霞爸圃旃に嚥环€(wěn)定所造成的三維熱傳導(dǎo)不一致，圖像采集及算法處理過程中產(chǎn)生的噪聲點(diǎn)以及試樣移動(dòng)造成的目標(biāo)拉升等因素。觀察圖14(b)發(fā)現(xiàn)，直徑為5 mm的圓形平底孔缺陷中僅末端缺陷邊界不完整，這可能是因?yàn)槿毕荼砻娣e大、深度高（2 mm）且激光中心偏低缺陷中心導(dǎo)致熱擴(kuò)散范圍未能完全覆蓋缺陷。

圖13 紅外圖像缺陷檢測(cè)結(jié)果前面板

圖14 缺陷邊界提取結(jié)果：(a) 3mm圓形；(b) 5 mm圓形；(c) 0°矩形；(d) 90°矩形

4 結(jié)束語(yǔ)

針對(duì)航空領(lǐng)域應(yīng)用廣泛的碳纖維復(fù)合材料損傷問題，本文搭建了紅外熱成像缺陷檢測(cè)實(shí)驗(yàn)平臺(tái)。在提高檢測(cè)效率方面，基于LabVIEW平臺(tái)設(shè)計(jì)紅外圖像缺陷檢測(cè)系統(tǒng)。軟件系統(tǒng)主要運(yùn)用局部閾值分割方法及形態(tài)學(xué)處理算法提取缺陷邊緣并進(jìn)行缺陷計(jì)數(shù)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能快速準(zhǔn)確地定位平底孔缺陷并計(jì)算其數(shù)量。

[1] 楊福挺, 楊沖沖, 李英昊, 等. 乙醇對(duì)碳纖維復(fù)合材料界面的影響[J]. 功能高分子學(xué)報(bào), 2020, 33(1): 63-69.

YANG Futing, YANG Chongchong, LI Yinghao, et al. Ethanol's influence on the carbon fiber composite material interface[J]., 2020, 33(1): 63-69.

[2] 楊紅娟, 楊正巖, 楊雷, 等. 碳纖維復(fù)合材料損傷的超聲檢測(cè)與成像方法研究進(jìn)展[J]. 復(fù)合材料學(xué)報(bào), 2023, 40(8): 4295-4317.

YANG Hongjuan, YANG Zhengyan, YANG Lei, et al. Research progress of ultrasonic detection and imaging methods for damage of carbon fiber composites [J].: 2023, 40(8): 4295-4317.

[3] 康爽, 陳長(zhǎng)征, 劉石, 等. 基于最優(yōu)多尺度集的形態(tài)學(xué)紅外圖像缺陷檢測(cè)研究[J]. 太陽(yáng)能學(xué)報(bào), 2022, 43(6): 145-152.

KANG Shuang, CHEN Changzheng, LIU Shi, et al. Morphological infrared image defect detection based on optimal multi-scale set[J]., 2022, 43(6): 145-152.

[4] 王亞麗, 孫堅(jiān), 徐紅偉. 基于紅外成像太陽(yáng)能板缺陷檢測(cè)方法研究[J]. 測(cè)控技術(shù), 2015, 34(7): 59-61, 66.

WANG Yali, SUN Jian, XU Hongwei. Based on infrared imaging solar panels defect detection method research[J]., 2015, 34(7): 59-61, 66.

[5] 郭輝, 沈勇, 岳林峰, 等. 基于LabVIEW麻花鉆幾何角度的測(cè)量[J]. 工具技術(shù), 2014, 48(1): 82-85.

GUO Hui, SHEN Yong, YUE Linfeng, et al. Measurement of geometric angle of twist drill based on LabVIEW [J]., 2014, 48(1): 82-85.

[6] 鄭中華, 施鑫銘, 劉偉斌, 等. 基于Labview機(jī)器視覺的SIM卡槽缺陷檢測(cè)系統(tǒng)研究[J]. 東莞理工學(xué)院學(xué)報(bào), 2021, 28(5): 50-56.

ZHENG Zhonghua, SHI Xinming, LIU Weibin, et al. Research on SIM card slot defect detection system based on Labview machine vision[J]., 2021, 28(5): 50-56.

[7] 王娜. 顆粒圖像分割與分析方法研究[D]. 成都: 電子科技大學(xué), 2009.

WANG Na. Research on Segmentation and Analysis Method of Granular Image[D]. Chengdu: University of Electronic Science and Technology of China, 2009.

[8] 楊高科. 圖像處理、分析與機(jī)器視覺（基于LabVIEW）[M]. 北京: 清華大學(xué)出版社, 2008.

YANG Gaoke.(Based on LabVIEW)[M]. Beijing: Tsinghua University Press, 2008.

[9] 王雪晴, 劉錦濤, 衛(wèi)亞博, 等. 基于機(jī)器視覺和LabVIEW的有機(jī)玻璃缺陷檢測(cè)研究[J]. 吉林化工學(xué)院學(xué)報(bào), 2021, 38(1): 68-73.

WANG Xueqing, LIU Jintao, WEI Yabo, et al. Research on defect detection of Plexiglass based on machine vision and LabVIEW[J]., 2021, 38(1): 68-73.

Design of Infrared Thermal Wave Image Defect Detection System Based on LabVIEW

TAN Dan1，ZHANG Zhijie1，WANG Luxiang1，YIN Wuliang1,2

(1.,,038507,; 2.,,M139PL,)

Carbon fiber reinforced composites are widely used in aviation field, which requires higher quality. But the traditional manual detection method has high work intensity and low efficiency. In order to improve the defect detection efficiency of carbon fiber reinforced plastics (CFRP), this study designed a defect detection system based on LabVIEW software development platform, extracted defect edges and performed quantitative statistics. In this study, active infrared thermal imaging non-destructive testing technology is used to obtain the surface thermal images of damaged samples scanned by laser through infrared thermal imager. In view of the poor contrast and uniformity of infrared images, HSL(Hue, Saturation, Luminance) is used to carry out color plane extraction and gray transform, and Niback local threshold segmentation algorithm suitable for processing images with uneven illumination distribution is selected to carry out threshold segmentation processing of image of the region of interest. Finally, morphological processing is used to enhance the image and realize defect feature extraction and defect number statistics. In this study, an infrared thermal imaging defect detection experiment platform is built to complete the acquisition and processing of infrared thermal wave defect images, and the software platform and user interface are designed to realize the extraction of the defect features. Compared with manual detection, the design of this system significantly reduces the detection time and is helpful in realizing the automation of defect detection.

LabVIEW, CFRP, infrared thermal imaging, defect detection

TP274

A

1001-8891(2024)04-0483-08

2023-04-12；

2023-05-23.

譚丹（1997-），女，四川南江人，碩士研究生，主要從事紅外熱成像缺陷檢測(cè)、圖像處理方面的研究。E-mail：tandan97319@163.com。

張志杰（1965-），男，山西五臺(tái)人，教授，博士生導(dǎo)師，主要從事動(dòng)態(tài)測(cè)試?yán)碚撆c信號(hào)處理、動(dòng)態(tài)誤差及不確定度等方面的研究。E-mail：zhangzhijie@nuc.edu.cn。