鄒蘭林，許瀚文，周興林

〈無(wú)損檢測(cè)〉

基于紅外圖像處理技術(shù)的鋼構(gòu)件損傷識(shí)別

鄒蘭林，許瀚文，周興林

（武漢科技大學(xué) 汽車與交通工程學(xué)院，湖北 武漢 430065）

針對(duì)現(xiàn)有紅外圖像處理算法在處理橋梁鋼制構(gòu)件損傷圖像時(shí)信噪比差，對(duì)比度低，分辨率低，圖像細(xì)節(jié)丟失，邊緣模糊，損傷識(shí)別精準(zhǔn)度差等問(wèn)題，本文提出空域?yàn)V波與時(shí)域?yàn)V波結(jié)合的紅外圖像增強(qiáng)算法，以彌補(bǔ)現(xiàn)有算法不足，從多方位抑制圖像背景噪聲，增強(qiáng)圖像細(xì)節(jié)信息，強(qiáng)化損傷邊緣輪廓，實(shí)現(xiàn)鋼構(gòu)件損傷部位精準(zhǔn)識(shí)別與提取，并結(jié)合清晰度，對(duì)比度，峰值信噪比，均方誤差四大指標(biāo)對(duì)處理結(jié)果進(jìn)行定量評(píng)價(jià)，評(píng)價(jià)結(jié)果表明基于高頻強(qiáng)調(diào)濾波與非線性灰度轉(zhuǎn)換結(jié)合的紅外圖像增強(qiáng)算法切實(shí)可行，且針對(duì)紅外圖像檢測(cè)下的鋼構(gòu)件損傷識(shí)別效果顯著。

圖像處理；高頻強(qiáng)調(diào)濾波；非線性灰度變換；損傷識(shí)別

0 引言

鋼制構(gòu)件損傷程度是諸多構(gòu)筑物性能評(píng)價(jià)的重要參數(shù)。近年來(lái)，紅外無(wú)損檢測(cè)技術(shù)憑借其高精度，無(wú)損，便捷等特點(diǎn)在鋼制構(gòu)件的探傷中應(yīng)用越來(lái)越廣泛。根據(jù)鋼構(gòu)件在荷載作用下的應(yīng)力集中原理，利用鎖相紅外熱像儀觀測(cè)荷載作用下的鋼構(gòu)件表面溫度變化序列熱圖，再運(yùn)用MATLAB圖像處理技術(shù)對(duì)鋼構(gòu)件溫度變化信息進(jìn)行處理與提取，就能夠達(dá)到對(duì)鋼構(gòu)試件損傷部位的定量表征的目的[1]。但是因?yàn)閷?shí)驗(yàn)環(huán)境，儀器性能等諸多因素的影響，造成紅外序列熱圖固有噪聲明顯，對(duì)比度與清晰度較低，偽影與振鈴現(xiàn)象明顯，嚴(yán)重影響鋼構(gòu)試件損傷部位的細(xì)節(jié)像素點(diǎn)識(shí)別定位[2-4]。

因此，對(duì)紅外圖像的噪聲濾除，增強(qiáng)細(xì)節(jié)信息，強(qiáng)化損傷邊緣輪廓的相關(guān)研究成為了眾多學(xué)者關(guān)注的重點(diǎn)。傳統(tǒng)處理方法雖然解決了圖像的椒鹽噪聲以及高斯白噪聲，但處理結(jié)果中振鈴現(xiàn)象明顯，分辨率較低，無(wú)法精確識(shí)別損傷部位[3]。劉麗等[4]學(xué)者提出的多尺度高帽低帽變換鋼構(gòu)裂紋紅外圖像優(yōu)化算法，雖然能夠抑制圖像噪聲提高圖像對(duì)比度，但處理結(jié)果邊緣存在弱化情況，不利于損傷部位判別提取；尹士暢[4]等人提出小波變換的紅外圖像增強(qiáng)算法，強(qiáng)化邊緣信息但后期圖像局部存在偽影和噪聲，損傷部位較為模糊不便提取；賈文晶等學(xué)者提出改進(jìn)直方圖均衡法，對(duì)比度和清晰度較高但圖像噪聲處理情況效果不顯著，局部高斯白噪聲對(duì)后期損傷識(shí)別干擾較大[3]。因此本文提出以高頻強(qiáng)調(diào)濾波與非線性灰度轉(zhuǎn)換結(jié)合的紅外圖像增強(qiáng)算法。對(duì)圖像噪聲和偽影情況進(jìn)行了有效處理，同時(shí)完整保留了圖像的細(xì)節(jié)，強(qiáng)化了邊緣輪廓，并且提高了圖像的清晰度和對(duì)比度，更加精準(zhǔn)地提取了鋼構(gòu)件損傷部位信息。

1 研究方法

1.1 實(shí)驗(yàn)原理

根據(jù)變形體熱彈性效應(yīng)理論，可以對(duì)非接觸性橋梁鋼構(gòu)進(jìn)行無(wú)損檢測(cè)，并根據(jù)應(yīng)力集中情況對(duì)損傷情況進(jìn)行判別。試件在熱彈性效應(yīng)下表面溫度在一特定平均溫度附近發(fā)生周期變化，而根據(jù)應(yīng)力集中原理，損傷部位處的溫度會(huì)出現(xiàn)極端化表現(xiàn)，通過(guò)紅外圖像處理技術(shù)就能將該變化以幾何形式展現(xiàn)[5-6]。

對(duì)于均質(zhì)且各項(xiàng)同性的鋼制構(gòu)件，其應(yīng)變和熱彈性溫度變化的關(guān)系式為：

式中：為鋼材絕對(duì)溫度；為鋼材密度；為恒應(yīng)變下的比熱容；為應(yīng)力變化張量；為熱量輸入，且當(dāng)加載頻率大于3Hz時(shí)該公式成立。

本實(shí)驗(yàn)加載頻率l＝5Hz，方程成立，通過(guò)公式(2)結(jié)合鋼構(gòu)試件表面溫變規(guī)律進(jìn)行結(jié)構(gòu)受力狀態(tài)分析：

在熱彈性應(yīng)力理論基礎(chǔ)之上借助于紅外熱圖像處理技術(shù)能夠直接呈現(xiàn)橋梁鋼制承載構(gòu)件的應(yīng)力變化規(guī)律。并且能夠直觀地從圖像上確定鋼構(gòu)件損傷部位的幾何信息，為構(gòu)筑物整體結(jié)構(gòu)評(píng)估奠定了堅(jiān)實(shí)基礎(chǔ)。

1.2 實(shí)驗(yàn)研究

本文采用帶圓孔鋼板為實(shí)驗(yàn)對(duì)象，如圖1所示，鋼構(gòu)件長(zhǎng)度為0.3m，寬度為0.05m，厚度為0.002m，中部圓孔半徑為0.006m，構(gòu)件底端固定，上端以5Hz頻率為施加幅值為－1×108～1×108N/m2的周期荷載，實(shí)驗(yàn)室溫27℃，空氣濕度51%RH。

實(shí)驗(yàn)結(jié)果如圖2所示，圖(a)為試驗(yàn)3s時(shí)的實(shí)驗(yàn)圖像，圖(b)為試驗(yàn)5s時(shí)的實(shí)驗(yàn)圖像，圖(c)為試驗(yàn)15s時(shí)的實(shí)驗(yàn)圖像，與可見(jiàn)光圖像相比，荷載作用下的紅外圖像信噪比低，分辨率低，對(duì)比度低的問(wèn)題更為突出。很難直接從紅外圖像得到損傷部位的信息，因此本文根據(jù)鋼構(gòu)件損傷部位應(yīng)力集中原理，利用其在荷載作用下?lián)p傷部位會(huì)有較大程度升溫的特點(diǎn)，借助于紅外圖像處理技術(shù)以實(shí)現(xiàn)損傷部位的精準(zhǔn)識(shí)別。

圖1 實(shí)驗(yàn)裝置

圖2 實(shí)驗(yàn)圖像

Fig.2 Experimental image

2 算法描述

2.1 高通濾波改進(jìn)算法

本文假設(shè)荷載作用下鋼構(gòu)試件紅外圖像(,)，圖像大小為×像素，其傅里葉變換為：

式中：，是像素點(diǎn)。

指數(shù)高通濾波器通過(guò)傅里葉逆變換再把圖像變回空間域，其中指數(shù)高通濾波器的轉(zhuǎn)移函數(shù)為：

式中：0是截止頻率；，是像素點(diǎn)。

在進(jìn)行紅外熱圖序列處理時(shí)，圖像經(jīng)過(guò)高通濾波即公式(3)算法，讓帶有圖像邊緣輪廓及細(xì)節(jié)部分的信息分量通過(guò)。同時(shí)削弱低頻段的噪聲信息，保護(hù)圖像灰度層，后針對(duì)空間域圖像進(jìn)行離散傅里葉變換。再對(duì)變換到頻率域的圖像濾波信息進(jìn)行逆傅里葉變換，銳化圖像，突出邊緣輪廓[2]。但銳化同時(shí)會(huì)使得低頻信息丟失嚴(yán)重，平滑區(qū)信息基本消失，無(wú)法達(dá)到實(shí)際需要。因此，本研究在此基礎(chǔ)之上進(jìn)行高通濾波算法改進(jìn)，采用高頻強(qiáng)調(diào)濾波算法進(jìn)行熱波圖像處理。

首先給高通濾波器施加一特定偏移值，為了增加高頻分量將傳遞函數(shù)以倍數(shù)擴(kuò)大，最后將兩者相疊加。但為了達(dá)到強(qiáng)調(diào)高頻分量的目的，施加的偏移量和倍數(shù)值都需相對(duì)較小，從而使低頻增強(qiáng)的效果相比高頻增強(qiáng)較弱。其高頻強(qiáng)調(diào)傳遞函數(shù)可以表示為：

式中：是偏移值；是倍數(shù)常數(shù)；hp(,)是高通濾波器的傳遞函數(shù)。

采用改進(jìn)后的高通濾波器及高頻強(qiáng)調(diào)濾波進(jìn)行圖像增強(qiáng)的步驟如下：

Step 1: Matlab處理軟件對(duì)圖像進(jìn)行讀取，利用圖像填充函數(shù)對(duì)讀取圖像進(jìn)行填充處理，進(jìn)而為后續(xù)濾波處理做準(zhǔn)備。

Step 2: 本研究選取指數(shù)型高通濾波器，其濾波器截止頻率為0，將Step1中所讀取的圖像進(jìn)行指數(shù)型高通濾波處理。

Step 3: 本研究取偏移量，倍數(shù)常數(shù)為，通過(guò)所確定的傳遞函數(shù)對(duì)填充后的圖像進(jìn)行高通濾波算法處理，并通過(guò)高通強(qiáng)調(diào)濾波輸出處理圖像。

高頻強(qiáng)調(diào)濾波會(huì)突出圖像的邊緣和細(xì)節(jié)信息，所以其受圖像噪聲的影響比較大，因此本文在后續(xù)處理選擇空域?yàn)V波中的中值濾波去除噪聲特性，保護(hù)圖像邊緣信息。

2.2 紅外圖像增強(qiáng)

2.2.1 非線性灰度變換

在經(jīng)過(guò)熱波圖像的空域增強(qiáng)后，圖像的灰度以及光強(qiáng)度較弱，像素分布不均，無(wú)法突出損傷部位信息等情況。本文選用非線性灰度變換算法，增強(qiáng)圖像對(duì)比度信息，使圖像中各個(gè)像素值均勻分布[7]，從而提高圖像質(zhì)量。其含調(diào)制參數(shù)公式為：

式中：，，都是可選擇參數(shù)；(,)＋1是為了確保ln[(,)＋1]≥0。

當(dāng)(,)＝0時(shí)，ln[(,)＋1]＝0，則＝，為軸上的截距，確定了初始位置的變換關(guān)系，，兩個(gè)參數(shù)則確定了相應(yīng)的曲線變化速率。

在非線性灰度變換的基礎(chǔ)之上，選取Gamma校正算法：設(shè)為圖像灰度，為入射光的強(qiáng)度，則兩者之間的關(guān)系可表示為：

＝(7)

式中：為常數(shù)。由于圖像灰度與光強(qiáng)度成正比關(guān)系，做如下變換：

式中：為常數(shù)，通常取1；1/通常取0.4～0.8。

通過(guò)非線性灰度變換后，圖像對(duì)比度明顯增強(qiáng)，但局部噪聲較為明顯。

2.2.2 中值濾波

中值濾波是通過(guò)鄰域算法將其鄰域內(nèi)的所有像素值按灰度級(jí)大小取中間值并輸出。該算法類似于卷積算法，但其優(yōu)點(diǎn)在于并不是取加權(quán)平均值，而是利用中間值代替移動(dòng)窗口中心的值。這樣灰度值差別較大的點(diǎn)會(huì)被近似處理，從而達(dá)到像素灰度值均衡，來(lái)達(dá)到消除噪聲的目的[8]。

設(shè)x(,)∈2表示圖像中各像素的灰度值，濾波窗口為的二維中值濾波可定義為：

式中：x為窗口的像素灰度值，通常窗口內(nèi)像素為奇數(shù)，以便于中間有像素。若窗口內(nèi)像素為偶數(shù)時(shí)，則中值取中間兩像素灰度值的平均值。

中值濾波在處理紅外圖像的椒鹽噪聲效果顯著。其優(yōu)點(diǎn)主要是算法簡(jiǎn)單，在濾除圖像噪聲的同時(shí)能夠很好的保護(hù)圖像的細(xì)節(jié)信息，并且中值濾波器自適應(yīng)化程度較高，這一點(diǎn)有利于其濾波特性的提高。窗口形狀和大小的選擇是中值濾波器的關(guān)鍵所在，本文選取5×5模板中值濾波進(jìn)行算法處理，利用鄰域像素點(diǎn)中間值作為輸出值消除了高頻強(qiáng)調(diào)濾波器的噪聲問(wèn)題并突出了細(xì)節(jié)信息。

2.3 類間方差閾值分割

根據(jù)荷載作用下鋼構(gòu)件表面溫度與其應(yīng)力的關(guān)系，結(jié)合損傷部位應(yīng)力集中的特性，對(duì)構(gòu)件荷載作用下的紅外圖像進(jìn)行處理分析，捕捉溫度極端變化部位，進(jìn)行鋼構(gòu)件的損傷識(shí)別[9-15]。傳統(tǒng)閾值分割方法簡(jiǎn)便，但其閾值的迭代獲取較為繁瑣，且圖像處理的效果與其閾值的相關(guān)性較強(qiáng)，因?yàn)殚撝抵豢紤]圖像本身的灰度值，而不考慮圖像的空間分布，這樣的分割法對(duì)噪聲比較敏感，對(duì)分割人員的先驗(yàn)知識(shí)依賴較強(qiáng)，因此本文選取類間方差閾值分割。

設(shè)原始灰度圖像灰度級(jí)為，灰度級(jí)的像素點(diǎn)數(shù)為n，則圖像的全部像素為：

＝0＋1＋2＋…＋n－1(10)

歸一化直方圖，則：

按灰度級(jí)用閾值劃分為兩類：0＝(0, 1, 2, …,)，1＝(＋1,＋2, …,－1)，0,1類的出現(xiàn)概率及均值由公式：

00＋11＝,0＋1＝1 (13)

0和1類的方差可由下式求得：

定義類內(nèi)方差為：

2＝002＋112(15)

類間方差為：

總體方差為：

引入下列關(guān)于的等價(jià)的判決準(zhǔn)則：

這3個(gè)準(zhǔn)則是批次等效的，把0,1兩類得到最佳分離的值作為最佳閾值，并將(),(),()定義為最大判決準(zhǔn)則，由于2是基于二階統(tǒng)計(jì)特性，而B2是基于一階統(tǒng)計(jì)特性，2和B2是閾值的函數(shù)，而T2與值無(wú)關(guān)，因此3個(gè)準(zhǔn)則中()最為簡(jiǎn)單，所以選用其作為準(zhǔn)則可得最佳閾值*，即：

改進(jìn)后的閾值分割方法程序簡(jiǎn)便，分割效率較高，邊緣輪廓分割明顯，收斂速度快，本文經(jīng)算法操作確定收斂值為*＝0.07，在收斂值*＝0.07時(shí)損傷部位分割效果最為明顯。

3 定量評(píng)價(jià)方法

圖像質(zhì)量評(píng)價(jià)可以有效地對(duì)圖像進(jìn)行定量化分析，圖像質(zhì)量的好壞既與圖像本身客觀質(zhì)量有關(guān)，也與人的視覺(jué)系統(tǒng)的感受特性有關(guān)。為了更好地對(duì)處理結(jié)果進(jìn)行定量評(píng)價(jià)，本文取客觀評(píng)價(jià)指標(biāo)：均方誤差（Mean Square Error，MSE）及峰值信噪比（Peak signal-to-noise Ratio，PSNR）；主觀評(píng)價(jià)指標(biāo)：清晰度及對(duì)比度，進(jìn)行綜合對(duì)比評(píng)價(jià)。本文假定圖像為(,)，圖像大小為×像素。

均方誤差可定義為下式：

均方誤差很好地代表了圖像的保真度，其誤差越小則意味著圖像細(xì)節(jié)信息丟失越少，質(zhì)量越好。

峰值信噪比可定義為：

峰值信噪比以分貝為計(jì)量單位代表了圖像含噪情況。

清晰度定義為：

清晰度可以反映出圖像整體與局部的微小細(xì)節(jié)反差，清晰度值越大說(shuō)明圖像越清晰。

對(duì)比度可定義為：

式中：(,)＝4(,)－[(－1,)＋(,－1)＋(,＋1)＋(＋1,)]；其中＝×為圖像的像素點(diǎn)總數(shù)；代表整幅圖像，即d值越大則說(shuō)明目標(biāo)圖像邊緣對(duì)比度的增強(qiáng)效果越好。

4 結(jié)果分析與討論

實(shí)驗(yàn)采用鎖相紅外熱像儀對(duì)試件連續(xù)記錄其在荷載作用下構(gòu)件的溫度變化圖像，選取后期處理階段圖像，如圖3所示。

圖3 鎖相紅外原始圖像

圖4 灰度圖像

圖3中鎖相紅外熱成像設(shè)備很好地將周期荷載作用下鋼構(gòu)試件空洞邊緣與其余部分的溫差很好地呈現(xiàn)了出來(lái)，為便于后期算法操作，本文將紅外圖像轉(zhuǎn)換為灰度圖像，如圖4所示。本文以圖4作為研究對(duì)象，利用本文所提算法流程（如圖5），對(duì)圖4進(jìn)行圖像預(yù)處理及圖像增強(qiáng)處理。

圖6為高頻強(qiáng)調(diào)濾波處理的效果圖。該圖像雖然很好地過(guò)濾了低頻波段無(wú)用信息，保留了圖像細(xì)節(jié)信息，強(qiáng)化了損傷邊緣輪廓，但圖像對(duì)比度有減弱。為此圖7為在圖6基礎(chǔ)上經(jīng)過(guò)了非線性灰度變換，由函數(shù)曲線圖可以發(fā)現(xiàn)圖7的對(duì)比度較之圖6明顯增強(qiáng)，各像素值均勻分布。

圖8是對(duì)圖7進(jìn)行了5×5模板中值濾波對(duì)背景中的噪聲進(jìn)行抑制并保留目標(biāo)圖像。

根據(jù)多次迭代算法，本文圖像閾值收斂于*＝0.07，其分割處理后的圖像如圖9所示，周期荷載作用下的鋼構(gòu)件損傷部位邊緣提取效果圖如10所示，清楚直觀地得到了損傷部位的幾何信息，可作為后期橋梁鋼制構(gòu)件損傷程度定量分析的重要參考依據(jù)。

圖5 MATLAB紅外圖像算法流程圖

圖6 高頻強(qiáng)調(diào)濾波效果圖

圖7 非線性灰度變換

本文針對(duì)圖像處理結(jié)果給出了定量評(píng)價(jià)，就傳統(tǒng)處理方法，高低帽變換算法，直方圖均衡算法，小波變換算法以及本文所提空域與時(shí)域的結(jié)合算法進(jìn)行了對(duì)比評(píng)價(jià)，其對(duì)比結(jié)果如表1所示。

由表1可見(jiàn)，本文所提空域與時(shí)域結(jié)合算法能夠很好地消除圖像不均勻性，過(guò)濾圖像固有噪聲，增強(qiáng)圖像細(xì)節(jié)信息，強(qiáng)化損傷邊緣輪廓，同時(shí)能夠提高圖像的分辨率，對(duì)比度以及信噪比。這也證明本文所提方法切實(shí)可行且針對(duì)紅外圖像檢測(cè)下的鋼構(gòu)件損傷識(shí)別效果顯著。

圖8 5×5模板中值濾波效果圖

圖9 閾值分割（t*＝0.07）

圖10 損傷部位識(shí)別

表1 評(píng)定指標(biāo)對(duì)比表

5 結(jié)論

本文利用紅外圖像處理技術(shù)，對(duì)橋梁鋼制構(gòu)件損傷部位識(shí)別進(jìn)行了研究。針對(duì)紅外圖像對(duì)比度差、分辨率低、信噪比差的問(wèn)題提出空域與時(shí)域結(jié)合的紅外圖像增強(qiáng)算法。通過(guò)高通濾波消除圖像不均勻性，降低了圖像固有噪聲，保留圖像細(xì)節(jié)，增強(qiáng)圖像邊緣輪廓，再利用非線性灰度變換提高圖像對(duì)比度，后通過(guò)中值濾波優(yōu)化圖像，最后利用閾值分割對(duì)鋼制構(gòu)件損傷部位進(jìn)行了識(shí)別提取。經(jīng)定量評(píng)價(jià)，該方法有效地消除了紅外圖像自身不均勻的特性，過(guò)濾了大面積存在的固有噪聲，同時(shí)對(duì)圖像細(xì)節(jié)信息進(jìn)行增強(qiáng)，突出了損傷部位的邊緣輪廓的幾何特性，并且綜合提升了圖像的清晰度、對(duì)比度。經(jīng)圖像定量評(píng)價(jià)指標(biāo)表明，基于高頻強(qiáng)調(diào)濾波與非線性灰度轉(zhuǎn)換結(jié)合的紅外圖像增強(qiáng)算法切實(shí)可行，且針對(duì)紅外圖像檢測(cè)下的鋼構(gòu)件損傷識(shí)別效果顯著。

[1] 葉華文, 段熹, 楊軍川. 基于紅外熱成像的鋼橋疲勞裂紋檢測(cè)研究[C]//第二十一屆全國(guó)橋梁學(xué)術(shù)會(huì)議, 2014: 12.

YE Huawen, DUAN Yi, YANG Junchuan. Research on Fatigue Crack Detection of Steel Bridges Based on Infrared Thermal Imaging[C]//21st, 2014: 12.

[2] Rajic N , Rowlands D . Thermoelastic stress analysis with a compact low-cost microbolometer system[J]., 2013, 10(2): 135-158.

[3] 賈文晶, 顧桂梅, 劉麗. 基于高通濾波和直方圖均衡的鋼軌裂紋紅外圖像增強(qiáng)技術(shù)[J]. 鐵道標(biāo)準(zhǔn)設(shè)計(jì), 2016, 60(11): 41-44.

JIA Wenjing, GU Guimei, LIU Li. Infrared image enhancement technology of rail cracks based on high-pass filtering and histogram equalization[J]., 2016, 60(11): 41-44.

[4] 樊俊鈴, 郭強(qiáng), 趙延廣, 等. 基于有限元法和鎖相熱像法對(duì)含缺陷構(gòu)件的應(yīng)力分析與疲勞性能評(píng)估[J]. 材料工程, 2015, 43(8): 62-71.

FAN Junling, GUO Qiang, ZHAO Yanguang, et al. Stress analysis and fatigue performance evaluation of flawed components based on finite element method and phase-locked thermal imaging method[J]., 2015, 43(8): 62-71 .

[5] Stoynova A, Bonev B, Mastorakis N, et al. Improvement the temperature signal filtering in lock-in thermography[J]., 2018: 210.

[6] Pitarresi G, Normanno A, D"Acquisto L. Thermoelastic stress analysis of a 2D stress field using a single detector infrared scanner and lock-in filtering[J]., 2009, 181: 012075.

[7] 彭衛(wèi)繪, 談樂(lè)斌. 基于MATLAB的粘連小球球徑提取方法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2012, 21(6):191-194.

PENG Weihui, TAN Lebin. Method for Extracting Ball Diameter of Adhesive Pellets Based on MATLAB[J]., 2012, 21(6): 191-194.

[8] 薛莉, 朱永凱, 王海濤. 基于小波變換與中值濾波的缺陷紅外圖像的去噪實(shí)現(xiàn)[C]// 遠(yuǎn)東無(wú)損檢測(cè)新技術(shù)論壇, 2008:127-128.

XUE Li, ZHU Yongkai, WANG Haitao. Denoising of defect infrared image based on wavelet transform and median filtering[C]/, 2008: 127-128.

[9] 李皓. 基于能量法CFRP切削機(jī)理與加工表面質(zhì)量表征方法研究[D]. 天津: 天津大學(xué), 2016.

LI Hao. Research on CFRP cutting mechanism and surface quality characterization method based on energy method[D]. Tianjin: Tianjin University, 2016: 15-17

[10] WANG Y, Charbal A, Dufour J E, et al. Hybrid Multiview Correlation for Measuring and Monitoring Thermomechanical Fatigue Test[J]., 2019(3): 129-131.

[11] Kylili A, Fokaides P A, Christou P, et al. Infrared thermography (IRT) applications for building diagnostics: A review[J]., 2014, 134: 531-549.

[12] 顧桂梅, 黃濤. 基于自適應(yīng)多尺度積閾值的鋼軌裂紋紅外圖像增強(qiáng)[J]. 鐵道學(xué)報(bào), 2015(2): 58-63.

GU Guimei, HUANG Tao. Infrared image enhancement of rail cracks based on adaptive multiscale product threshold[J]., 2015(2): 58-63.

[13] Agerskov H. Fatigue in steel structures under random loading[J]., 2000, 53(3): 283-305.

[14] Rajic N , Galea S C , Rowlands D . Thermoelastic Stress Analysis - Emerging Opportunities in Structural Health Monitoring[J]., 2013, 558: 501-509.

[15] Albatici R, Tonelli A M, Chiogna M. A comprehensive experimental approach for the validation of quantitative infrared thermography in the evaluation of building thermal transmittance[J]., 2015, 141: 218-228.

Damage Identification of Steel Members Based on Infrared Image Processing Technology

ZOU Lanlin，XU Hanwen，ZHOU Xinglin

(School of Automotive and Transportation Engineering, Wuhan University of Science and Technology, Wuhan 430065, China)

In view of the existing infrared image processing algorithms in dealing with damage images of bridge steel members, the signal-to-noise ratio is low, the contrast is low, the resolution is low, the image details are lost, the edges are blurred, and the accuracy of damage recognition is poor. We propose a spatial and time domain filtering combined infrared image enhancement algorithm to improve existing algorithms, suppressing image background noise from multiple directions, enhancing image detail information, strengthening damage edge contours, accurately identifying and extracting damaged parts of steel components. The processing results are quantitatively evaluated by clarity, contrast, peak signal-to-noise ratio (PSNR) and mean square error. The evaluation results show that the infrared image enhancement algorithm based on high-frequency emphasis filtering and nonlinear gray-scale conversion is feasible. The damage recognition effect is remarkable for the steel components under infrared image detection.

image processing, high frequency emphasis filtering, nonlinear gray scale transformation, damage recognition

TP274.52

A

1001-8891(2020)05-0286-08

2019-11-04；

2020-03-05.

鄒蘭林（1974-），男，湖北武漢人，副教授，博士，研究方向?yàn)闃蛄簷z測(cè)。E-mail：147461632@qq.com。

國(guó)家重大科研儀器研制項(xiàng)目（51827812）；國(guó)家自然科學(xué)基金項(xiàng)目（51578430，51778509）。