楊 羽，賀超廣，涂 圓，趙杰鋒，周曉萍，唐立軍

基于熱成像的滲漏源檢測(cè)

楊 羽1,2，賀超廣1,2，涂 圓1,2，趙杰鋒1,2，周曉萍1,2，唐立軍1,2

（1. 長沙理工大學(xué) 物理與電子科學(xué)學(xué)院，湖南 長沙 410114；2. 近地空間電磁環(huán)境監(jiān)測(cè)與建模湖南省普通高校重點(diǎn)實(shí)驗(yàn)室，湖南 長沙 410114）

針對(duì)屋面滲漏源難以檢測(cè)的問題，研究了基于滲漏區(qū)域紅外圖像特征的灰度分段映射圖像增強(qiáng)方法，提出了一種基于樣板矩陣的圖像快速識(shí)別技術(shù)，設(shè)計(jì)了一個(gè)屋面全自動(dòng)滲漏源檢測(cè)系統(tǒng)。在5m×3m屋面設(shè)置滲漏源形成多個(gè)滲漏區(qū)域，采用Mecanum輪小車搭載該系統(tǒng)對(duì)滲漏源進(jìn)行檢測(cè)，結(jié)果表明，該系統(tǒng)可以在89s之內(nèi)完成檢測(cè)工作，總測(cè)試150個(gè)次滲漏點(diǎn)，漏測(cè)12個(gè)次滲漏點(diǎn)，識(shí)別準(zhǔn)確率大于90%。該技術(shù)檢測(cè)效率高、操作簡單，配合相應(yīng)載體可用于各類不明滲水源檢測(cè)。

紅外熱成像；滲漏源檢測(cè)；圖像識(shí)別；灰度分段

0 引言

實(shí)現(xiàn)屋面滲漏追蹤的技術(shù)關(guān)鍵點(diǎn)是實(shí)現(xiàn)對(duì)滲漏源的識(shí)別?，F(xiàn)在主要依靠人工檢測(cè)，檢測(cè)效率低下，有時(shí)在滲漏源附近沒有明顯水域出現(xiàn)，很難找到滲漏源位置，對(duì)于復(fù)雜墻面往往要通過人工采取破壞性的方法查找滲水源，工程量大、效果不佳，造成的浪費(fèi)極大，有些承重構(gòu)架甚至無法通過人工找到滲水源。目前國內(nèi)外還沒有發(fā)現(xiàn)直接用于房屋滲水的專用檢測(cè)裝置，相關(guān)的檢測(cè)方法效率不高、檢測(cè)準(zhǔn)確率低。本文利用紅外熱成像對(duì)地面滲水源頭進(jìn)行追蹤檢測(cè)，探索灰度分段映射圖像增強(qiáng)方法和基于樣板矩陣的圖像快速識(shí)別技術(shù)，研究滲漏源紅外自動(dòng)快速檢測(cè)方法，為屋面滲漏源檢測(cè)提供有效的技術(shù)支持。

1 滲漏源紅外圖像識(shí)別方法

滲漏源的識(shí)別是基于滲漏源附近水溫存在差異這一物理特性。熱水的滲漏問題較簡單，這里主要研究冷水滲漏識(shí)別。一般滲水源的溫度會(huì)比環(huán)境溫度要低，由此可以依據(jù)紅外圖像的信息對(duì)滲漏源進(jìn)行識(shí)別，但由于溫差不大，需要先通過灰度分段映射擴(kuò)大其滲漏圖像邊緣，再進(jìn)行二值化處理得到滲漏邊緣圖像，最后再利用圖像快速識(shí)別技術(shù)對(duì)處理后的圖像進(jìn)行快速識(shí)別。

1.1 滲水區(qū)域紅外圖像增強(qiáng)方法

紅外熱像儀鏡頭所拍攝獲得的紅外圖像難以區(qū)分滲漏區(qū)域，必須對(duì)圖像中滲漏區(qū)域邊緣部分進(jìn)行放大。如果對(duì)插值放大得到的原始灰度圖直接輸出，圖像的對(duì)比度低，成像圖片的視覺效果較差[1]。人類的視覺特性是非線性和各向異性的。人眼傾向聚焦于變化的灰度域，并且對(duì)圖像平滑段中的噪聲比對(duì)特定段中的噪聲更敏感，所以當(dāng)增強(qiáng)圖像時(shí)，使圖像的部分特定段中對(duì)比度增加，而在平滑段中減弱[2]。這里采用灰度分段線性映射，其圖像增強(qiáng)的原理如下。

灰度分段線性映射圖如圖1所示，設(shè)變量為圖像原始灰度最小值（初值為105），縱軸為灰度轉(zhuǎn)換結(jié)果，橫軸為原始灰度，為不定值（根據(jù)實(shí)際應(yīng)用環(huán)境決定值的大?。?。通過增強(qiáng)圖像中各部分間的反差，即具體通過增強(qiáng)圖像中某兩個(gè)灰度值間的動(dòng)態(tài)范圍來實(shí)現(xiàn)，在圖1中，經(jīng)過灰度分段線性映射的變換過程，原圖中灰度值在0～和(＋)～255間的動(dòng)態(tài)范圍增加了，而原圖中灰度值在～(＋)間的動(dòng)態(tài)范圍減小了（，分別表示圖像中最小灰度值和最大灰度值），從而使得整個(gè)范圍內(nèi)的對(duì)比度得到增強(qiáng)。

圖1 灰度分段線性映射

在～(＋)這一段顯示綠色，低于顯示藍(lán)色，高于(＋)顯示紅色，是顯示綠色溫度在灰度圖里的寬度，灰度分段線性映射的計(jì)算公式如下式(1)：

圖像灰度分段映射是根據(jù)原始灰度圖像中的每個(gè)像素灰度值，按照特定的映射規(guī)則，將其轉(zhuǎn)換成另外的一個(gè)灰度值，從而達(dá)到增強(qiáng)圖像視覺效果的目的。而分段線性灰度變換可以擴(kuò)展圖像上有用信息的灰度范圍并增加對(duì)比度，而相應(yīng)噪聲的灰度范圍最終會(huì)壓縮到較小的區(qū)域。相較于其他類似算法，本文中將算法與嵌入式系統(tǒng)結(jié)合，進(jìn)行了創(chuàng)新和改進(jìn)。利用芯片對(duì)圖像進(jìn)行一個(gè)預(yù)處理，通過、動(dòng)態(tài)變化來改變灰度分段映射的放大區(qū)間，以提高算法對(duì)圖像的泛化處理能力。

這里可以使用此種映射方法，映射函數(shù)的變換曲線將原始圖像根據(jù)像素灰度值分成3部分，在每部分中，變換后的像素灰度值都保持原來的次序，但都進(jìn)行了擴(kuò)展以此來提高對(duì)比度，這樣，對(duì)應(yīng)的3部分灰度的像素間梯度都會(huì)增加，即將低溫部分和高溫部分所占的比例擴(kuò)大，縮小中間溫度所占的灰度比例，從而有效地提高成像結(jié)果的視覺效果和圖像識(shí)別處理效果。

經(jīng)過灰度分段映射處理后的圖像還需要對(duì)滲漏區(qū)域進(jìn)行提取。本文通過對(duì)比紅外成像中溫度異常區(qū)域的溫度和環(huán)境溫度進(jìn)行異常區(qū)域的篩選。

滲漏區(qū)域提取的方法。根據(jù)載體外置的溫度傳感器提取并保存正常的環(huán)境溫度，在整個(gè)圖像范圍內(nèi)進(jìn)行比較。如果存在異常溫度區(qū)域，則對(duì)圖像進(jìn)行二值化處理，得到異常溫度區(qū)域的邊緣圖像。

1.2 基于樣板矩陣的圖像快速識(shí)別技術(shù)

圖像的識(shí)別一般采用霍夫變換來實(shí)現(xiàn)，但霍夫變換占用內(nèi)存較多、計(jì)算復(fù)雜且不容易識(shí)別到類圓形。目前應(yīng)用較多的圖像識(shí)別方法，計(jì)算都較為復(fù)雜，不適用于快速識(shí)別的場(chǎng)景。對(duì)于快速圖像識(shí)別的難題，本文提出了基于樣板矩陣的圖像快速識(shí)別技術(shù)。

樣板矩陣是由樣板圖像的圖像數(shù)據(jù)組成的，樣板圖像的每個(gè)像素點(diǎn)對(duì)應(yīng)矩陣中同位置的數(shù)據(jù)。如圖2為直線樣板所呈現(xiàn)的數(shù)據(jù)矩陣，圖3為滲漏區(qū)域紅外圖像。

圖2 樣板矩陣和樣板圖像

圖3 滲漏區(qū)域紅外圖像

考慮到溫度異常區(qū)域有其他干擾因素，例如屋面下埋藏的其他管道。將經(jīng)過二值化處理后的圖像與樣板矩陣比對(duì)，如果異常區(qū)域邊緣呈現(xiàn)非滲漏區(qū)域的邊緣圖像，則認(rèn)定為此異常區(qū)域非滲漏區(qū)域，反之則認(rèn)定為滲漏區(qū)域。

滲漏區(qū)域圖像識(shí)別的方法。存儲(chǔ)若干有關(guān)的滲漏區(qū)域圖像邊緣的樣板矩陣，將二值化處理后的異常溫度區(qū)域圖像分成若干個(gè)小塊和多個(gè)樣板圖像進(jìn)行比對(duì)，如果多個(gè)子區(qū)域與樣板圖像存在高度相同，則認(rèn)定此區(qū)域不為滲漏區(qū)域。操作步驟如圖4。

設(shè)為異常溫度區(qū)域的數(shù)據(jù)矩陣，1,2, …,為樣板矩陣，為識(shí)別系數(shù)。將異常溫度區(qū)域的數(shù)據(jù)矩陣和樣板矩陣相對(duì)應(yīng)的數(shù)值相乘累加得到。

圖4 圖像識(shí)別處理流程

如果值超過識(shí)別系數(shù)，則說明異常溫度區(qū)域邊緣呈直線，不為滲漏區(qū)域。如果所有小區(qū)塊的值都小于值，則說明異常溫度區(qū)域?yàn)闈B漏區(qū)域。的取值與數(shù)據(jù)矩陣的數(shù)值和圖像對(duì)比的識(shí)別寬容度相關(guān)，需根據(jù)具體情況進(jìn)行設(shè)定。

如果利用SRC（Sparse Representation-based Classification）的方法，SVM（Support Vector Machine）的方法，基于HOG（Histogram of Oriented Gridients）特征的方法以及基于深度特征學(xué)習(xí)的方法[3]，圖像識(shí)別率會(huì)有大幅度的提升，但計(jì)算性價(jià)比相較于本文方法較低，而此方法與霍夫變換等基礎(chǔ)的圖像識(shí)別手段相比有效地提升了效率且識(shí)別精準(zhǔn)度也有了提升。

2 滲漏源搜尋方法

2.1 滲漏源循跡方法

實(shí)現(xiàn)滲漏源循跡有兩個(gè)必要條件：一是確定滲漏的方向；二是設(shè)計(jì)載體行進(jìn)的軌跡。

根據(jù)滲漏源的擴(kuò)散規(guī)則，滲漏源至擴(kuò)散邊緣的溫度是逐漸升高的，由此可以確定滲漏區(qū)域的擴(kuò)散方向。只需要保持紅外圖像的中心位于擴(kuò)散區(qū)域的中心，且方向與擴(kuò)散方向相反，則可以讓運(yùn)動(dòng)裝置沿著擴(kuò)散痕跡追蹤到擴(kuò)散源頭。

一般的循跡算法需要額外的攝像頭做輔助觀察或者需要較為復(fù)雜的處理方法才能實(shí)現(xiàn)。本方法只需要保證圖像中心點(diǎn)一直在滲漏區(qū)域內(nèi)，且中心點(diǎn)的溫度與周圍溫度存在溫度梯度差，就可以實(shí)現(xiàn)追蹤功能，且計(jì)算量極低，處理速度快。

2.2 實(shí)時(shí)地圖構(gòu)建

為了提高探測(cè)效率和記錄滲漏源坐標(biāo)，本文仿照掃地機(jī)器人設(shè)計(jì)了一種高效的行走線路規(guī)劃。在進(jìn)行搜尋之前先進(jìn)行坐標(biāo)系的建立，精確記錄載體運(yùn)動(dòng)數(shù)據(jù)，建立軌跡地圖，避免重復(fù)路徑、記錄滲漏源坐標(biāo)。具體搜尋軌跡大致如圖5。

圖5 搜尋軌跡

3 基于紅外熱成像的滲漏源自動(dòng)追蹤系統(tǒng)設(shè)計(jì)

利用optris PI640紅外熱像儀傳感器陣列測(cè)溫傳感器、RZ/A2M芯片、Mecanum輪載體小車搭建了一個(gè)滲漏源自動(dòng)追蹤平臺(tái)。通過藍(lán)牙和按鍵來實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的控制，可以實(shí)現(xiàn)自動(dòng)滲漏源追蹤、保存圖片等功能。

3.1 硬件設(shè)計(jì)

利用RZ/A2M芯片對(duì)紅外傳感器接收到的信息進(jìn)行處理，芯片通過usb接口接受紅外傳感器信息，通過串口傳輸運(yùn)動(dòng)指令給載體，實(shí)現(xiàn)其滲漏源自動(dòng)追蹤功能。

如圖6所示，通過藍(lán)牙和按鍵來實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的控制，實(shí)現(xiàn)全自動(dòng)的滲漏源追蹤。使用串口來實(shí)現(xiàn)各個(gè)芯片和載體之間通信，實(shí)現(xiàn)對(duì)載體的運(yùn)動(dòng)控制。

3.2 軟件設(shè)計(jì)

如圖7所示，系統(tǒng)在進(jìn)行紅外鏡頭初始化后，接收到紅外鏡頭的紅外圖像數(shù)據(jù)，先初步構(gòu)建一個(gè)地圖以提高搜尋效率。通過灰度分段映射和圖像識(shí)別技術(shù)對(duì)紅外圖像進(jìn)行處理，判斷是否存在滲漏區(qū)域。如果存在滲漏區(qū)域，則在滲漏區(qū)域中尋找滲漏源，找到滲漏源后，系統(tǒng)會(huì)記錄滲漏源所在坐標(biāo)。如果不存在滲漏區(qū)域，則系統(tǒng)繼續(xù)進(jìn)行尋找滲漏區(qū)域。如果系統(tǒng)完成全部區(qū)域的檢測(cè)，則會(huì)停止運(yùn)行在算法上避開傳統(tǒng)圖像識(shí)別的難題，根據(jù)實(shí)際問題用特殊的算法對(duì)圖像中的部分信息進(jìn)行識(shí)別，大幅提高了處理效率。地圖的構(gòu)建提升了載體運(yùn)動(dòng)的效率和檢測(cè)速度。

圖6 硬件系統(tǒng)組成結(jié)構(gòu)圖

圖7 系統(tǒng)軟件流程

4 系統(tǒng)測(cè)試結(jié)果及分析

4.1 仿真測(cè)試結(jié)果以及測(cè)試方案

用不同算法對(duì)同一幅圖像進(jìn)行處理，保證變量的唯一性，比較各個(gè)算法的結(jié)果。測(cè)試平臺(tái)為筆記本電腦Windows 10 企業(yè)版20H2、i7-10870H、matlabR2018a。

4.1.1 圖像增強(qiáng)算法仿真結(jié)果

將本文的圖像插值算法與最鄰近插值、雙三次插值對(duì)比，分析各算法結(jié)果。

表1是各種插值算法對(duì)于紅外成像方面處理的峰值信噪比。

表1 各種圖像增強(qiáng)算法的峰值信噪比及其平均值

峰值信噪比是對(duì)于圖像質(zhì)量優(yōu)劣的重要評(píng)判標(biāo)準(zhǔn)，峰值信噪比越高代表圖像的質(zhì)量越好，越低代表圖像質(zhì)量越差[4]，實(shí)驗(yàn)測(cè)得的各算法的峰值信噪比平均值如表2。

表2 各種圖像增強(qiáng)算法的峰值信噪比平均值

由表2不難看出本文設(shè)計(jì)的插值算法是常見插值算法中對(duì)紅外圖像處理效果最好的一種，圖像增強(qiáng)算法的峰值信噪比的平均值比常規(guī)最佳值大1.6%。

4.1.2 圖像算法處理順序仿真結(jié)果

算法對(duì)圖像處理的先后順序也會(huì)對(duì)最后的成像結(jié)果產(chǎn)生影響[5]。將灰度插值和偽彩色處理兩種算法對(duì)圖像的先后處理順序進(jìn)行了分析，了解最佳的算法順序，測(cè)試結(jié)果如表3。

由表3可知，先灰度插值放大后偽彩色處理的信噪比大。仿真測(cè)試的圖像如圖8，先灰度插值放大后偽彩色處理得到的圖像更清晰。

4.1.3 紅外圖像識(shí)別仿真結(jié)果

將本文紅外圖像識(shí)別算法與傳統(tǒng)算法以及目前較為先進(jìn)的多角度紅外圖像識(shí)別算法做對(duì)比。

表3 算法處理先后順序的區(qū)分差異

圖8 算法處理不同順序結(jié)果對(duì)比圖

由表4可知，本文無論是與傳統(tǒng)霍夫變換相比還是與現(xiàn)在最新的多角度紅外圖像目標(biāo)識(shí)別相比，處理速度上都有著較大的優(yōu)勢(shì)，識(shí)別準(zhǔn)確率也有著一定的優(yōu)勢(shì)。即使使用優(yōu)化后的霍夫變換（基于投影法的Hough變換）[6]，處理速度依然比不過本文所提出的快速識(shí)別算法。

表4 不同算法處理紅外識(shí)別問題的時(shí)間

4.2 系統(tǒng)測(cè)試

本文建立了一個(gè)5m×3m的屋面模擬滲漏區(qū)域，此區(qū)域內(nèi)存在一個(gè)或多個(gè)滲漏區(qū)域。在地面覆蓋一層木板來模擬實(shí)際屋面情況，在木板下分別設(shè)置1～3個(gè)固定出水源來模擬未知滲漏源，分別進(jìn)行25次搜尋測(cè)試，記錄對(duì)每個(gè)滲漏源的搜索結(jié)果。

4.2.1 系統(tǒng)載體設(shè)計(jì)

利用Mecanum輪小車模擬搭載檢測(cè)系統(tǒng)的載體，實(shí)物圖和結(jié)構(gòu)分析圖分別見圖9和圖10，通過對(duì)Mecanum輪結(jié)構(gòu)的分析，在平面內(nèi)運(yùn)動(dòng)時(shí)輪子有3個(gè)自由度，基于輪子特點(diǎn)通過4個(gè)輪子的組合，實(shí)現(xiàn)平面內(nèi)全方位移動(dòng)，實(shí)現(xiàn)檢測(cè)系統(tǒng)的運(yùn)動(dòng)。

實(shí)現(xiàn)滲漏源的準(zhǔn)確追蹤需要精確且靈活的運(yùn)動(dòng)裝置，這里使用Mecanum輪式小車來充當(dāng)運(yùn)動(dòng)載體。輪式移動(dòng)機(jī)器人被認(rèn)為是一種在水平面上具有線性和角度運(yùn)動(dòng)的規(guī)劃器機(jī)構(gòu)[7]，而Mecanum可以通過電機(jī)控制每個(gè)輪子的運(yùn)動(dòng)分量來實(shí)現(xiàn)360°的無死角運(yùn)動(dòng)。

圖9 Mecanum輪實(shí)物圖

圖10 具體運(yùn)動(dòng)分量

4.2.2 系統(tǒng)與載體的協(xié)同方法

紅外圖像經(jīng)過處理后，將圖像處理后的識(shí)別結(jié)果經(jīng)過分析，向載體發(fā)出控制信號(hào)通過控制每個(gè)Mecanum輪的運(yùn)動(dòng)分量來控制小車運(yùn)動(dòng)。具體控制方程如下：

式中：為小車整體的合成速度；1、2、3、4為小車四輪的對(duì)應(yīng)速度；為系數(shù)和實(shí)際情況有關(guān)；W為小車轉(zhuǎn)動(dòng)的角速度。

4.2.3 系統(tǒng)測(cè)試結(jié)果

對(duì)不同位置的模擬滲漏源進(jìn)行多次測(cè)試，得到表5、6、7測(cè)試結(jié)果。源1、源2、源3分別代表滲漏源1、滲漏源2、滲漏源3。

由表5、6、7可知（√和×分別表示滲漏源檢測(cè)成功與失敗），經(jīng)過75次測(cè)試，整個(gè)系統(tǒng)總檢測(cè)150個(gè)次滲漏源，僅出現(xiàn)12個(gè)次滲漏源漏測(cè)現(xiàn)象，檢測(cè)總成功率為92%，最長檢測(cè)時(shí)間為89s。單滲漏源情況平均耗時(shí)為69.2s、成功率為92%，雙滲漏源平均耗時(shí)為73.16s、成功率為90%，3個(gè)滲漏源平均耗時(shí)為74.28s、成功率為93.3%，探測(cè)時(shí)間和成功率基本無差別，滲漏源數(shù)量對(duì)探測(cè)耗時(shí)和探測(cè)成功率的影響極小，說明系統(tǒng)可以有效檢測(cè)滲漏源。整個(gè)檢測(cè)過程中，藍(lán)牙和功能鍵均能正常工作，有效控制系統(tǒng)的運(yùn)行。

表6 系統(tǒng)測(cè)試結(jié)果-2個(gè)滲漏源

表7 系統(tǒng)測(cè)試結(jié)果-3個(gè)滲漏源

5 結(jié)語

針對(duì)屋面漏水滲水源查找困難問題，采用紅外識(shí)別的方法，研究了基于樣板矩陣的圖像識(shí)別技術(shù)和基于滲漏區(qū)域紅外圖像特征的灰度分段映射圖像增強(qiáng)方法，設(shè)計(jì)了一個(gè)屋面全自動(dòng)滲漏源檢測(cè)系統(tǒng)，該技術(shù)能夠?qū)Φ孛鏉B水情況進(jìn)行精準(zhǔn)查源、應(yīng)用范圍廣，非接觸式、大面積檢測(cè)、高效穩(wěn)定，降低滲漏檢測(cè)的成本，下一步研究中加入HOG等深度學(xué)習(xí)相關(guān)算法，通過結(jié)合具體環(huán)境訓(xùn)練出針對(duì)的灰度轉(zhuǎn)換函數(shù)以及滲漏識(shí)別參數(shù)，對(duì)成像效果進(jìn)行機(jī)器評(píng)分，在不同環(huán)境下切換對(duì)應(yīng)訓(xùn)練后的算法，實(shí)現(xiàn)最好性能。以Mecanum輪小車為載體，對(duì)模擬滲漏區(qū)域進(jìn)行檢測(cè)，檢測(cè)準(zhǔn)確率大于90%，檢測(cè)時(shí)間最長為89s。選用不同的載體，該系統(tǒng)可以應(yīng)用于各類不明滲水源的檢測(cè)。

[1] LIU Dunnan, HOU Rui, LI Qiang, et al. Research on fuzzy enhancement algorithms for infrared image recognition quality of power internet of things equipment based on membership function[J]., 2019, 62(1): 359-367.

[2] ZHENG Zhaoping, ZENG Hansheng, DING Cuijiao, et al. Summary on the infrared thermal imaging temperature measurement technology and its application[J]., 2003, 25(1): 96-98.

[3] 趙璐, 熊森. 多視角紅外圖像目標(biāo)識(shí)別方法[J]. 紅外與激光工程, 2021, 50(11): 403-408.

ZHAO Lu, XIONG Sen. Multi-view infrared image target recognition method[J]., 2021, 50(11): 403-408.

[4] BAI Honggang, JIN Yingji. Application of infrared technology in military[J]., 2008(6): 5-7.

[5] 蔡毅, 王嶺雪. 紅外成像技術(shù)中的9個(gè)問題[J]. 紅外技術(shù), 2013, 35(11): 671-682.

CAI Yi, WANG Lingxue. Nine problems in infrared imaging technology [J]., 2013, 35(11): 671-682.

[6] 楊凱斌, 吳定祥, 龔金成, 等. 圓環(huán)陶瓷檢測(cè)算法研究[J]. 中國陶瓷, 2017, 53(3): 39-44.

YANG Kaibin, WU Dingxiang, GONG Jincheng, et al. Research on detection algorithm of ring ceramics [J]., 2017, 53(3): 39-44.

[7] Alwan Hassan M, Volkov A N, Shbani A. Solution of inverse and forward kinematics problems for mobile robot with six mecanum wheels[C]//, 2021, 1094(1): 012071.

Leakage Source Detection Based on Thermal Imaging

YANG Yu1,2，HE Chaoguang1,2，TU Yuan1,2，ZHAO Jiefeng1,2，ZHOU Xiaoping1,2，TANG Lijun1,2

(1.,,410114,;2.,410114,)

To address the difficulty in detecting the source of roof leakage, an image enhancement method that uses the infrared image features of the leakage area was studied using gray segmentation mapping. Rapid image recognition technology based on a template matrix was proposed, and an automatic roof leakage source detection system was designed. Leakage sources were set on a 5m× 3m roof to form multiple leakage areas. A mecanum wheeled trolley was used to support the system while detecting these sources. The results showed that the system could complete detection within 89s, with a total of 150 leakage points tested and 12 leakage points missed, and the identification accuracy was greater than 90%. This technology has high detection efficiency and simple operation and can be used to detect all types of unknown water seepage sources with the corresponding carrier.

infrared thermal imaging, leakage source detection, image recognition, gray-scale segmentation

TN219

A

1001-8891(2022)07-0750-07

2021-05-26；

2021-08-06.

楊羽（1999-），男，本科生，研究方向信號(hào)檢測(cè)與處理研究。

周曉萍（1973-），女，講師，研究方向信號(hào)檢測(cè)與處理。E-mail：zhouxiaoping1000@126.com。

唐立軍（1963-），男，教授，博士生導(dǎo)師，研究方向?yàn)樾盘?hào)檢測(cè)與處理研究。E-mail：tanglj@csust.edu.cn。

國家級(jí)大學(xué)生創(chuàng)業(yè)實(shí)踐項(xiàng)目（S201910536003S）；湖南省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018GK2054）。