鐘佳岑, 徐浩軍, 魏小龍, 韓欣珉, 常怡鵬

(空軍工程大學(xué)航空工程學(xué)院，西安，710038)

玻璃纖維增強(qiáng)塑料(glass fiber reinforced plastic, GFRP)在航空航天飛行器制造領(lǐng)域的應(yīng)用已經(jīng)十分廣泛，采用GFRP制備的層壓板由于重量輕、強(qiáng)度高和耐腐蝕等特點(diǎn)，廣泛應(yīng)用于飛機(jī)的雷達(dá)罩、進(jìn)氣道和機(jī)翼前緣[1-2]。由于GFRP層壓板結(jié)構(gòu)和制備工藝上的特殊性，其在制造和服役過(guò)程中極易產(chǎn)生脫黏缺陷[3]。當(dāng)GFRP層壓板發(fā)生明顯脫黏時(shí)，無(wú)法通過(guò)肉眼從層壓板表面判斷其內(nèi)部缺陷狀態(tài)，同時(shí)，由于需要在外場(chǎng)檢測(cè)中快速識(shí)別出缺陷，而傳統(tǒng)無(wú)損檢測(cè)技術(shù)(如超聲、射線檢測(cè)等)難以滿足外場(chǎng)技術(shù)保障要求[4]。GFRP層壓板脫黏的本質(zhì)是層間膠接界面結(jié)合失效，紅外脈沖熱波成像檢測(cè)技術(shù)對(duì)該類缺陷具有較好的檢測(cè)能力[5]，其原理如圖1所示：以閃光燈產(chǎn)生的瞬時(shí)高能熱流加熱試樣表面，熱量傳遞至脫黏區(qū)時(shí)，由于脫黏區(qū)形成的空氣隙阻隔了熱傳導(dǎo)，致使熱傳導(dǎo)速率變慢，熱量在空氣隙上方發(fā)生堆積，引起脫黏區(qū)對(duì)應(yīng)試樣表面溫度場(chǎng)異常，采用紅外熱像儀實(shí)時(shí)記錄試樣表面熱異常區(qū)變化過(guò)程，從而檢測(cè)和識(shí)別試樣脫黏缺陷。由于紅外脈沖熱波成像檢測(cè)技術(shù)具有非接觸、檢測(cè)速度快、效率高、適合在線檢測(cè)等突出優(yōu)勢(shì)[6]，近年來(lái)，該技術(shù)在復(fù)合材料無(wú)損檢測(cè)應(yīng)用方面的發(fā)展十分迅速[7]。

圖1 紅外脈沖熱波成像檢測(cè)原理

提高表面熱圖中缺陷區(qū)和非缺陷區(qū)的對(duì)比度是識(shí)別GFRP層壓板脫黏缺陷的關(guān)鍵手段[8]。紅外脈沖熱波成像檢測(cè)技術(shù)發(fā)展初期，由于熱波圖像序列處理難度較大，要直接通過(guò)熱像儀采集的原始熱圖識(shí)別缺陷，研究人員主要關(guān)注熱激勵(lì)方式、材料熱物理參數(shù)、缺陷參數(shù)和檢測(cè)參數(shù)等對(duì)試樣表面熱響應(yīng)的影響[9]。Fernando Lopez[10]等認(rèn)為，對(duì)于脫黏缺陷，缺陷的可檢測(cè)性與缺陷參數(shù)、材料的物性參數(shù)和檢測(cè)參數(shù)均有關(guān)系，而其中影響最大的是缺陷深度和熱像儀采集頻率。隨著熱波圖像序列處理技術(shù)的迅速發(fā)展，通過(guò)從原始熱圖序列中提取的各種特征信息對(duì)圖像序列進(jìn)行重構(gòu)，極大地提高了缺陷區(qū)和非缺陷區(qū)的對(duì)比度[11]。從原始熱圖序列中提取表面熱信號(hào)特征信息以重構(gòu)熱圖，即提高圖像對(duì)比度和信噪比，使缺陷邊緣輪廓更加清晰，能更加有效地識(shí)別缺陷邊緣的幾何特征，因此，近年來(lái)，熱波圖像序列處理算法成為了紅外脈沖熱波成像檢測(cè)技術(shù)的研究熱點(diǎn)[12]。如圖2所示，對(duì)熱圖序列進(jìn)行重構(gòu)主要有2種基本方法，一是對(duì)熱圖序列中每個(gè)像素點(diǎn)所對(duì)應(yīng)溫度隨時(shí)間變化的表面熱信號(hào)進(jìn)行處理，即提取表面熱信號(hào)的時(shí)域特征和頻域特征進(jìn)行熱圖重構(gòu)。熱信號(hào)重構(gòu)(thermography signal reconstruction, TSR)[13]是利用時(shí)域特征對(duì)熱圖進(jìn)行重構(gòu)最典型的算法；基于頻譜細(xì)化的復(fù)調(diào)制Zoom-FFT[14]是利用頻域特征對(duì)熱圖進(jìn)行重構(gòu)最特殊的方法；二是將熱圖序列中單幀熱圖作為一個(gè)數(shù)據(jù)單元進(jìn)行處理，其中最典型的方法是獨(dú)立分量分析(independent component analysis，ICA)[15-16]和主分量分析(principal component analysis，PCA)[16-17]。

圖2 熱圖序列重構(gòu)處理流程

目前，上述TSR、ICA和PCA算法在不同類型缺陷檢測(cè)中均取得了較為理想的結(jié)果，2017年李曉青[18]采用量化準(zhǔn)確率評(píng)估指標(biāo)F-Score參數(shù)定量評(píng)估了TSR、ICA和PCA等熱圖重構(gòu)算法在材料表面裂紋檢測(cè)中的效果，研究表明：ICA算法對(duì)材料表面裂紋的檢測(cè)效果最好。重構(gòu)算法已經(jīng)成為影響檢測(cè)結(jié)果的關(guān)鍵因素，然而針對(duì)GFRP層壓板脫黏缺陷識(shí)別問(wèn)題，將上述4種熱圖重構(gòu)算法進(jìn)行對(duì)比并通過(guò)結(jié)合以充分挖掘熱圖序列在空間、時(shí)間上的異常信息來(lái)實(shí)現(xiàn)分離并強(qiáng)化缺陷信息的研究仍較少。

本文研究了閃光燈激勵(lì)下GFRP層壓板脫黏區(qū)的表面熱信號(hào)瞬態(tài)響應(yīng)規(guī)律和原始熱圖序列變化過(guò)程，采用標(biāo)準(zhǔn)化對(duì)比度(normalized contrast，NC)和信噪比(signal-noise ratio, SNR)對(duì)TSR、Zoom-FFT、ICA和PCA重構(gòu)熱圖序列進(jìn)行對(duì)比評(píng)價(jià)，最終獲得了一種能夠顯著提高GFRP層壓板脫黏缺陷定量識(shí)別能力的方法。

1 試驗(yàn)方法與過(guò)程

由于制備GFRP層壓板自然脫黏的試樣十分困難，因此在試驗(yàn)研究中采用人工脫黏缺陷代替自然脫黏缺陷。試驗(yàn)過(guò)程中采用低樹(shù)脂密度玻璃纖維增強(qiáng)塑料制備的層壓板，長(zhǎng)355 mm，寬190 mm，高3 mm，在GFRP層壓板中制備了15個(gè)不同形狀、深度、尺寸的人工脫黏缺陷，如圖3所示。為了方便表述，將15個(gè)缺陷命名為A1、A2、A3、A4、A5、B1、B2、B3、B4、B5、C1、C2、C3、C4、C5，其中A、B、C分別表示缺陷深度為0.5 mm、1.0 mm、1.5 mm，人工脫黏缺陷的空氣隙厚度均為0.5 mm。

圖3 含脫黏缺陷的GFRP層壓板示意圖

采用的紅外脈沖熱波成像檢測(cè)工作站如圖4所示，主要包括2個(gè)ThermPusle C6100型高能閃光燈，一個(gè)非制冷焦平面紅外熱像儀以及數(shù)據(jù)采集、處理系統(tǒng)。采用閃光燈對(duì)試樣表面進(jìn)行脈沖激勵(lì)，2個(gè)閃光燈單次脈沖輸出能量為0～6 kJ，閃光脈沖寬度為1～50 ms。采用紅外熱像儀采集試樣表面熱圖，其熱靈敏度：≤0.045 ℃；光譜響應(yīng)范圍：8～14 μm；空間分辨率：300×400，單幀熱圖最高采集頻率：100 Hz。試驗(yàn)時(shí)，熱像儀從脈沖激勵(lì)結(jié)束后采集試樣表面熱圖，持續(xù)采集40 s直至熱圖中缺陷信號(hào)消失。

圖4 紅外脈沖熱波成像檢測(cè)工作站

2 層壓板表面熱信號(hào)瞬態(tài)響應(yīng)過(guò)程及熱圖序列預(yù)處理

2.1 層壓板表面熱信號(hào)瞬態(tài)響應(yīng)

試驗(yàn)過(guò)程中，熱像儀共采集256幀熱圖，試驗(yàn)結(jié)束后，提取熱像儀采集的熱圖序列并對(duì)其進(jìn)行處理。圖5為256幀熱圖序列中的部分原始熱圖。

圖5 脈沖激勵(lì)結(jié)束后不同時(shí)刻試樣表面熱圖

由圖所示，在脈沖激勵(lì)結(jié)束后，不同深度的脫黏缺陷由弱到強(qiáng)逐漸顯示在表面熱圖中，其中缺陷A1～A5和B1～B5最早出現(xiàn)在原始熱圖中，在第32幀缺陷顯示最清晰，可以清楚識(shí)別深度為0.5 mm和1.0 mm的10個(gè)缺陷，而深度為1.5 mm的缺陷C1～C5顯示較模糊。從第32幀之后，隨著降溫過(guò)程進(jìn)行，缺陷C1～C5逐漸顯示在表面熱圖中，但缺陷特征較弱，A1～A5位置處的缺陷特征逐漸變?nèi)踔敝料А?/p>

圖6為降溫過(guò)程中，原始熱圖序列中不同深度的缺陷A2、B2、C2的中心點(diǎn)與非缺陷區(qū)任意一點(diǎn)對(duì)應(yīng)的試樣表面熱信號(hào)變化趨勢(shì)。由圖所示，脈沖激勵(lì)后不同深度的缺陷區(qū)和非缺陷區(qū)熱信號(hào)衰減速率不同，相比非缺陷區(qū)，缺陷區(qū)熱信號(hào)衰減速率更慢，且缺陷深度越深，熱信號(hào)衰減速率越慢，最終缺陷區(qū)熱信號(hào)衰減到與非缺陷區(qū)熱信號(hào)相當(dāng)。

圖6 表面熱信號(hào)變化

2.2 熱圖序列預(yù)處理

由于熱像儀采集的原始熱圖序列中包含大量噪聲，同時(shí)為了消除紅外鏡頭反射影響以及背景本身亮或暗區(qū)域影響，因此從采集的256幀熱圖序列中減去背景熱圖，將相減的結(jié)果作為原始熱圖序列進(jìn)入后處理過(guò)程，進(jìn)行熱波特征提取和分析。圖7為了減去背景熱圖的效果；圖7(a)為脈沖激勵(lì)開(kāi)始前，試樣在環(huán)境溫度下的背景熱圖；圖7(b)為采集的熱圖序列中第32幀熱圖；圖7(c)為圖7(b)減圖7(a)的結(jié)果。由圖所示，減背景處理后熱圖整體質(zhì)量更加清晰，熱圖整體噪聲明顯降低，而且熱圖中缺陷也更加清晰，然而，減背景后的熱圖中缺陷C1～C5仍然較模糊。下文中所有試驗(yàn)涉及的原始熱圖序列，均指從閃光燈激勵(lì)結(jié)束時(shí)刻開(kāi)始采集的256幀熱圖減背景后的熱圖序列。

圖7 原始熱圖減背景熱圖的結(jié)果

3 熱圖重構(gòu)及重構(gòu)效果定量評(píng)價(jià)

采用TSR、Zoom-FFT、ICA和PCA分別對(duì)原始熱圖序列進(jìn)行特征提取和重構(gòu)。為了對(duì)熱圖序列重構(gòu)效果進(jìn)行定量評(píng)價(jià)，采用2種客觀評(píng)價(jià)指標(biāo)：信噪比SNR和標(biāo)準(zhǔn)化對(duì)比度NC對(duì)原始熱圖和重構(gòu)熱圖進(jìn)行對(duì)比評(píng)價(jià)。

1)信噪比的計(jì)算方法[19]：

(1)

圖8 缺陷區(qū)與非缺陷區(qū)選擇

2)標(biāo)準(zhǔn)化對(duì)比度的計(jì)算方法[20]：

(2)

3.1 TSR重構(gòu)表面熱圖序列

TSR算法將原始熱圖序列中每一像素點(diǎn)對(duì)應(yīng)熱信號(hào)隨時(shí)間變化曲線變換到對(duì)數(shù)域中，使用對(duì)數(shù)多項(xiàng)式近似擬合熱信號(hào)在對(duì)數(shù)域上隨時(shí)間的演變，并計(jì)算其一階導(dǎo)，采用一階導(dǎo)對(duì)熱圖序列進(jìn)行重構(gòu)。圖9為TSR重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比結(jié)果。由圖9(a)所示，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度總體高于原始熱圖序列，隨著降溫過(guò)程進(jìn)行，在約第192幀之后，標(biāo)準(zhǔn)化對(duì)比度迅速減??；由圖9(b)所示，在第128幀之前，重構(gòu)熱圖序列的信噪比略低于原始熱圖序列，在第128幀之后，重構(gòu)熱圖序列的信噪比高于原始熱圖序列。

圖9 TSR重構(gòu)熱圖序列結(jié)果

3.2 Zoom-FFT重構(gòu)表面熱圖序列

復(fù)調(diào)制Zoom-FFT算法基于頻譜細(xì)化的思想，通過(guò)對(duì)缺陷信號(hào)的局部頻帶進(jìn)行細(xì)化放大，使局部頻帶獲得較高的頻率分辨率，以此對(duì)缺陷信號(hào)進(jìn)行精確估計(jì)。圖10為第1頻率分量對(duì)應(yīng)相位重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比結(jié)果。由圖10(a)所示，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度整體高于原始熱圖序列，受缺陷區(qū)與非缺陷區(qū)相位差的影響，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度穩(wěn)定性較差；由圖10(b)所示，第64幀之前，重構(gòu)熱圖序列的信噪比略低于原始熱圖序列，第64幀之后，重構(gòu)熱圖序列的信噪比高于原始熱圖序列。

圖10 Zoom-FFT重構(gòu)熱圖序列結(jié)果

3.3 ICA重構(gòu)表面熱圖序列

獨(dú)立分量分析基于盲源分離理論，通過(guò)一定的判決準(zhǔn)則對(duì)混疊矩陣進(jìn)行尋優(yōu)計(jì)算，最后將樣本數(shù)據(jù)在解混矩陣方向投影，以此將原始熱信號(hào)從混合信號(hào)中分離出來(lái)。本文采用最大負(fù)熵作為判決準(zhǔn)則對(duì)混合信號(hào)進(jìn)行解混，以G=y3作為判別準(zhǔn)則中的非線性函數(shù)，相比G=tanh (y)等函數(shù)，加快運(yùn)算速度的同時(shí)提高了ICA算法解混精度。

圖11為ICA重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比結(jié)果，由圖11(a)所示，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度曲線趨于水平且略高于原始熱圖序列；由圖11(b)所示，重構(gòu)熱圖序列的信噪比呈現(xiàn)先增大后減小的趨勢(shì)，且整體高于原始熱圖序列。

圖11 ICA重構(gòu)熱圖序列結(jié)果

3.4 PCA重構(gòu)表面熱圖序列

主分量分析基于數(shù)據(jù)降維的思想，不同主分量對(duì)應(yīng)降溫過(guò)程中不同時(shí)間范圍的熱圖特征，提取最能代表缺陷特征的主分量對(duì)熱圖序列進(jìn)行重構(gòu)，以達(dá)到增強(qiáng)缺陷顯示效果的目的。

表1為前6個(gè)主分量的貢獻(xiàn)率，而其余主分量代表噪聲信息，因此未進(jìn)行展示。選取代表缺陷特征的前6個(gè)主分量對(duì)熱圖序列進(jìn)行重構(gòu)并與另外3種熱圖重構(gòu)算法進(jìn)行對(duì)比。圖12為前6個(gè)主分量重構(gòu)熱圖序列中標(biāo)準(zhǔn)化對(duì)比度最高的一張。

表1 不同主分量的貢獻(xiàn)率

由圖12所示，在各主分量重構(gòu)熱圖中，缺陷C1～C5與非缺陷區(qū)對(duì)比度較弱，缺陷細(xì)節(jié)特征較模糊。

圖12 前6個(gè)主分量重構(gòu)熱圖對(duì)比

圖13為前6個(gè)主分量重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比結(jié)果。由圖13(a)所示，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度變化趨勢(shì)與原始熱圖序列相似，且整體高于原始熱圖序列，隨著降溫過(guò)程進(jìn)行，在第160幀之后迅速減小到與原始熱圖序列相當(dāng)；由圖13(b)所示，重構(gòu)熱圖序列的信噪比整體高于原始熱圖序列，但其波動(dòng)較大，原因在于現(xiàn)實(shí)過(guò)程中受噪聲和外界干擾等因素的影響，使部分熱信號(hào)為一混疊信號(hào)，不同時(shí)間段的噪聲成分在混疊信號(hào)中所占權(quán)重有差異，各混疊成分相互獨(dú)立且無(wú)法通過(guò)協(xié)方差矩陣的特征向量對(duì)噪聲成分進(jìn)行有效分離，進(jìn)行熱圖序列重構(gòu)后，在權(quán)重系數(shù)較低的時(shí)間段其信噪比較高；而在權(quán)重系數(shù)較高的時(shí)間段其信噪比較低。

圖13 前6個(gè)主分量重構(gòu)熱圖序列結(jié)果

綜上所述，TSR重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度先逐漸增大，隨著降溫過(guò)程進(jìn)行又迅速減小，且整體高于原始熱圖序列；Zoom-FFT重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度整體高于原始熱圖序列，但穩(wěn)定性較差；ICA重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度趨于平穩(wěn)且略高于原始熱圖序列；PCA重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度整體高于原始熱圖序列。這說(shuō)明，4種重構(gòu)熱圖中缺陷區(qū)與非缺陷區(qū)的對(duì)比度均有所提高，對(duì)于缺陷的定量識(shí)別具有積極意義。

在降溫初期，TSR和Zoom-FFT重構(gòu)熱圖序列的信噪比小于原始熱圖序列，而后大于原始熱圖序列；ICA和PCA重構(gòu)熱圖序列的信噪比整體大于原始熱圖序列。說(shuō)明4種重構(gòu)算法均對(duì)熱圖噪聲有抑制作用，其中以PCA對(duì)熱圖噪聲的抑制最為顯著。

4 基于TSR增強(qiáng)的PCA重構(gòu)表面熱圖序列

對(duì)比上述4種熱圖重構(gòu)算法，其中TSR和Zoom-FFT通過(guò)提取表面熱信號(hào)瞬態(tài)響應(yīng)以重構(gòu)熱圖，相比Zoom-FFT，TSR對(duì)提高熱圖缺陷區(qū)與非缺陷區(qū)對(duì)比度最為顯著，但加大了熱信號(hào)的非線性混疊程度；ICA能對(duì)線性混疊信號(hào)進(jìn)行解混，但對(duì)非線性混疊信號(hào)解混存在一定局限性；PCA雖不能通過(guò)協(xié)方差矩陣的特征向量對(duì)混疊信號(hào)進(jìn)行分離，但能從不相關(guān)混疊信號(hào)中提取盡可能多的不同時(shí)間范圍的缺陷信息以此挖掘并強(qiáng)化缺陷信息。因此，為了提高GFRP層壓板脫黏缺陷定量識(shí)別能力，本文提出基于TSR增強(qiáng)的PCA算法，通過(guò)提取TSR重構(gòu)熱圖序列的主分量進(jìn)行熱圖重構(gòu)。

圖14為重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比結(jié)果，展示了部分原始熱圖與重構(gòu)熱圖。

圖14 基于TSR增強(qiáng)的PCA重構(gòu)熱圖序列結(jié)果

由圖14(a)所示，在160～192幀重構(gòu)熱圖中，深度為1.0 mm和1.5 mm的缺陷區(qū)與非缺陷區(qū)對(duì)比度顯著提高；由圖14(b)所示，160幀之后重構(gòu)熱圖序列的噪聲水平略有下降，但重構(gòu)熱圖序列整體噪聲水平并未得到較大改善，原因在于TSR雖去除了加熱不均噪聲，但加大了熱信號(hào)的非線性混疊程度，使得大量噪聲難以分離。

由圖15所示，與原始熱圖相比，重構(gòu)熱圖中缺陷顯現(xiàn)有所延后，該算法有效抑制了加熱不均和缺陷邊緣模糊，提高了深度為0.5 mm、1.0 mm、1.5 mm的缺陷區(qū)與非缺陷區(qū)對(duì)比度。說(shuō)明該算法能顯著提高GFRP層壓板不同深度脫黏缺陷定量識(shí)別能力。

圖15 原始熱圖與重構(gòu)熱圖

5 結(jié)論

1)采用紅外脈沖熱波成像檢測(cè)技術(shù)對(duì)GFRP層壓板脫黏缺陷進(jìn)行檢測(cè)，采集了閃光燈激勵(lì)下人工脫黏缺陷試樣表面的原始熱圖序列，采用TSR、Zoom-FFT、ICA和PCA 4種重構(gòu)算法對(duì)原始熱圖序列進(jìn)行重構(gòu)，并利用信噪比和標(biāo)準(zhǔn)化對(duì)比度2個(gè)指標(biāo)對(duì)原始熱圖序列和4種重構(gòu)熱圖序列進(jìn)行對(duì)比評(píng)價(jià)。

2)對(duì)于不同深度的脫黏缺陷，從原始熱圖序列中均可識(shí)別深度為0.5 mm和1.0 mm的脫黏缺陷，而深度為1.5 mm的缺陷較為模糊。采用TSR、Zoom-FFT、ICA和PCA 4種熱圖重構(gòu)算法對(duì)原始熱圖序列進(jìn)行重構(gòu)，重構(gòu)熱圖中缺陷區(qū)與非缺陷區(qū)對(duì)比度均有所提高。

3)與原始熱圖序列相比，重構(gòu)熱圖序列的標(biāo)準(zhǔn)化對(duì)比度和信噪比均有所提高，其中以TSR重構(gòu)熱圖中缺陷區(qū)與非缺陷區(qū)對(duì)比度提高最為明顯，PCA對(duì)熱圖噪聲的抑制效果最佳。

4)對(duì)比4種熱圖重構(gòu)算法，提出了基于TSR增強(qiáng)的PCA算法，該算法能夠有效提取缺陷特征，抑制加熱不均和缺陷邊緣模糊，提高不同深度的缺陷區(qū)與非缺陷區(qū)對(duì)比度。