袁麗華，洪 康，朱言瑧，習騰彥，李 喆

（1. 南昌航空大學無損檢測教育部重點實驗室，南昌 330063；2. 中國航發(fā)沈陽黎明航空發(fā)動機有限責任公司，沈陽 110043）

碳纖維增強樹脂基復合材料（Carbon fibre reinforced plastics，CFRP）因其結構重量輕、比強度高、抗疲勞性強等優(yōu)異的性能被廣泛運用到航空制造工業(yè)領域，逐步成為目前最重要的航空結構材料[1]。使用CFRP的機身、機翼等大型主承力部件在制造和服役期間，可能會因各種意外墜落和外物撞擊而造成結構性損傷，對飛機的整體結構造成巨大的安全隱患[2–3]。在沖擊載荷作用下，CFRP層壓板易產生基體裂紋，逐步擴展到層間從而形成分層損傷，低能量的沖擊在 CFRP 層壓板表面目視并不明顯[4–5]。因此，提升CFRP的沖擊損傷缺陷表征能力已成為航空構件復合材料缺陷檢測的主要研究熱點之一。

脈沖紅外熱成像技術（Pulsed infrared thermography）作為一種快速有效的無損檢測技術，通過紅外序列圖像監(jiān)測材料結構的健康狀況，被廣泛應用于復合材料結構件的外場、在線、在役檢測[6–7]。但由于檢測過程中易受到表面受熱不均或發(fā)射率局部變化等因素影響，采集的紅外序列圖像存在低分辨率、低對比度、低信噪比等問題。因此，為提升檢測結果的信噪比以及定量化精度，相關學者提出了許多能夠降低噪聲干擾、增強缺陷對比度的基于圖像序列的處理算法，比如熱信號重構法（Thermographic signal reconstruction，TSR）[8]、獨立成分分析法（Independent component analysis，ICA）[9]、奇異值分解法（Singular value decomposition， SVD）[10]、主成分分析法（Principal component analysis，PCA）[11]、脈沖相位法（Pulse phase thermography，PPT）[12]、最大溫度對比度法[13]、相關系數法等。Wang等[14]采用脈沖熱成像技術對包覆層高硅氧酚醛樹脂板材缺陷進行檢測，對比了ICA、PCA和PPT等不同算法處理結果，結果表明ICA算法能顯著提高信噪比。Liu等[15]針對復合材料平底孔缺陷，采用ICA算法將熱圖像序列分解為多個獨立的非高斯信號，減少不均勻背景和噪聲的影響，同時突出缺陷特征。王昵辰等[16]采用多模式紅外熱成像對碳纖維布加固混凝土界面黏結缺陷進行檢測，分析了脈沖、鎖相、脈沖相位等模式對檢測效果的影響，采用PCA和ICA算法對紅外熱像圖序列進行處理，對比了幾種算法的檢測效果，證明紅外熱成像可以對加固混凝土界面黏結缺陷進行有效檢測。Lu等[17]采用渦流脈沖壓縮熱成像技術檢測CFRP人工分層缺陷，用PCA、PCA、ICA 3種算法對原始序列圖像進行處理，結果表明ICA 算法在處理深度缺陷時表現更好。王晨聰[18]針對CFRP 平底孔試件缺陷采用脈沖熱成像技術，提出了馬爾科夫–獨立成分分析法，與多項式擬合、SVD、PPT等算法相比，此方法對缺陷檢測的靈敏度更高，噪聲抑制能力更強且視覺效果最好。因此獨立成分分析算法是紅外序列圖像增強過程中重要的技術方法之一。

本文通過脈沖熱成像技術對含有沖擊損傷的CFRP試塊進行試驗研究，采用獨立成分分析算法對采集的熱圖序列進行處理，依據熵、均方根誤差和峰值信噪比3種評價指標選取合適的區(qū)間提取特征圖像，并通過不同的圖像分割算法，提取缺陷的最大損傷長徑和短徑，并與超聲F掃描結果進行對比，驗證了獨立成分分析算法在CFRP沖擊損傷缺陷的熱圖序列特征圖像選取的可行性。

1 ICA理論

ICA是一種用于盲信號分離的信號處理方法?；旌闲盘杧與源信號S之間的關系可表示為

式中，A是未知的混合矩陣。獨立成分分析是式（1）的反演問題，由于信號的不確定性，常用估計量Y來表征s。假設A的逆矩陣為W，稱為分解矩陣，可定義源信號s的估計值為

假設w是混合矩陣A的逆矩陣W中的一個未知的行向量，基于單個獨立成分的線性組合為

由于在獨立成分分析中獨立成分不能是高斯分布的，那么根據中心極限定理，式（3）轉變成y關于S的線性組合關系為

其中，定義zT=wTA。只要使z中任何一個元素不為0，zTs的非高斯性就是最大的，等同于單個獨立成分的線性組合關系wTs是非高斯性最大的，符合了ICA的基本要求[7]。

非高斯性的度量是利用非高斯性方法對ICA估計的關鍵，一般有峰度（Kurtosis）與負熵（Negentropy）兩種標準。其中，峰度是可以用四階累積量來定義的，而且假如隨機變量取到單位方差E{y2}=1，則獨立成分峰度能簡化為

峰度的優(yōu)點是計算簡便，但容易受到異常值的干擾。相比于峰度，負熵是一種計算稍顯復雜但有利于非高斯性的度量。隨機變量的分布情況越分散、越隨機，負熵的值就越大，反之如此。離散自由變量熵H（y）與負熵J（y） 定義如下所示。

式中，P（y=ai）為y取ai時概率密度；ygauss定義為與y具有相同協方差矩陣的高斯變量。

2 脈沖紅外無損檢測試驗

2.1 沖擊損傷試塊

脈沖紅外檢測試驗所涉及的兩塊碳纖維增強型復合層板試塊如圖1所示，兩塊試塊的具體參數統(tǒng)計如表1所示。試塊1的尺寸為150 mm×120 mm×2.0 mm，在30 J沖擊能量下造成的損傷缺陷，其表面的凹坑深度為0.22 mm。試塊2的尺寸為150 mm×100 mm×4.8 mm，在40 J的沖擊能量下造成的損傷缺陷，其表面的凹坑深度為1 mm。

表1 沖擊損傷試塊相關參數Table 1 Relevant parameters of impact damage test block

圖1 沖擊損傷試塊實物圖Fig.1 Physical drawing of impact damage test block

2.2 同步采集系統(tǒng)

紅外無損同步檢測系統(tǒng)主要由熱激勵源、圖像采集系統(tǒng)（紅外熱像儀）、同步控制器和數據處理系統(tǒng)（計算機）構成，相關的軟件實現和控制激勵源和紅外熱像儀同步工作。整個檢測系統(tǒng)結構示意圖和平臺實物圖如圖2所示，選用的是德國Infratec生產的采集與熱激勵同步的紅外無損檢測系統(tǒng)。當熱激勵采用的是脈沖激勵時，則構成脈沖紅外無損檢測方式。

圖2 紅外無損同步檢測系統(tǒng)Fig.2 Infrared nondestructive synchronous detection system

2.3 沖擊損傷序列圖像

紅外無損檢測試驗采用反射脈沖法，主要試驗參數設置如下：探測距離600 mm、采集頻率15 Hz、采集幀數600幀、激勵功率1600 W，試塊1和試塊2激勵時間分別為5 s和6 s。采集得到2塊試塊的沖擊損傷紅外圖像序列，這兩個序列中代表時刻圖像分別如圖3和4所示。序列圖像記錄了試塊表面的溫度變化過程，由于缺陷處與非缺陷處熱傳導存在差異，導致對應處的表面存在溫差，從而檢測出缺陷。

圖3 試塊1紅外序列圖像代表幀圖Fig.3 Representative frame of infrared sequence image of test block 1

3 試驗數據處理與分析

3.1 試塊熱性能分析

依據紅外圖像序列，可以繪制缺陷處的平均溫度隨時間的變化曲線和非缺陷處的平均溫度隨時間的變化曲線，如圖5（a）和（b）所示，分別對應試塊1和試塊2的溫度時間歷程曲線?？梢钥闯鰷囟葧r間歷程曲線分為溫度上升沿和溫度下降沿兩部分。試塊受到脈沖熱激勵后，物體溫度從室溫迅速上升，由于存在缺陷，導致物體材質分布不連續(xù)，內部熱傳導存在差異，表面的熱輻射能力也有差異，因此非缺陷溫度上升大于缺陷處的升溫，但上升的步調是一致的，同時到達各自的峰值。隨后，溫度近似雙曲線下降，在200幀后，近似線性緩慢下降。由時間歷程曲線可以得到非缺陷處和缺陷處的溫差隨時間的變化曲線，試塊1和試塊2的溫差曲線分別如圖5（c）和（d）所示。

3.2 ICA數據處理

由碳纖維沖擊損傷試塊的脈沖紅外無損檢測的試驗結果（圖3和4）可知，紅外序列圖像記錄了復合材料內部分層缺陷的顯現和擴散消退過程。缺陷從無到部分顯現至完整清晰，然后再逐漸擴散、消退，最終消失達到熱平衡。用整個序列來做ICA數據分析顯然不適合。考慮到缺陷和非缺陷之間的溫差是重要的性能指標，結合試驗結果的先驗知識，沿溫差曲線的下降沿，從峰值到半峰值對應的序列段作為ICA處理的數據。因此，試塊1和試塊2選擇的序列圖像幀數區(qū)間分為[77，118]和[92，123]，如圖5（c）和（d）所示。圖6（a）和（b）是采用ICA算法處理后得到的最佳特征圖像，分別為試塊1和試塊2的特征圖像。

圖4 試塊2紅外序列圖像代表幀圖Fig.4 Representative frame of infrared sequence image of test block 2

圖5 試塊的溫度性能曲線Fig.5 Temperature performance curve of test block

經ICA處理后得到的特征圖像，主觀上看圖像的視覺效果得到了明顯增強，改善了加熱不均勻帶來的影響，圖像對比度優(yōu)于原始序列圖像。采用圖像評價指標，如熵、峰值信噪比、均方根誤差對特征圖像做進一步的客觀評價[19–20]，并與對應的序列圖像中的最佳指標值進行對比，各指標值統(tǒng)計如表2所示。從表2中數據得出，ICA處理得到的特征圖像的均方誤差小于對應的序列圖像的均方誤差，峰值信噪比要優(yōu)于原始序列圖像，說明ICA方法能夠有效除噪，提高峰值信噪比。但是特征圖像的熵值較大幅度小于原始序列圖像。由信息論可知，熵是度量混亂程度的，熵越大表明信息量越大則混合信號越多。因此，處理后的圖像熵減小，表明信號分布得更集中，缺陷分離的效果更好。

表2 圖像評價指標對比Table 2 Image evaluation index comparison

3.3 缺陷特征提取

以圖6所示的ICA特征圖像作為圖像處理的原圖像，采用了基于閾值、邊緣和區(qū)域的9種分割方法進行圖像分割，其中包括迭代全局閾值法、Otsu最佳閾值法、區(qū)域生長法、標記符控制分水嶺分割法、Sobel算子法、Roberts算子法、Prewitt算子法、Laplacian算子法和Canny算子法，試塊1和試塊2的缺陷提取結果分別如圖7和8所示。

圖6 ICA特征圖Fig.6 ICA feature images

利用形態(tài)學中膨脹與腐蝕的方法填充圖7和8中經過分割算法處理的圖像，實現缺陷區(qū)域完整的二值圖像化分割，試塊1與試塊2的缺陷提取結果分別如圖9和10所示。圖7和8中Roberts算子、Prewitt算子與Laplacian算子缺陷提取的邊緣結構不完整、連接性差，無法滿足缺陷定量提取要求，因此不對這3種算子進行進一步的缺陷定量化評估。進一步編程尋找對應缺陷的最大損傷長徑和最大損傷短徑兩個損傷特征值，參見對應圖的標注尺寸，結果如表3所示。

圖7 試塊1特征圖像分割處理結果Fig.7 Segmentation results of test block 1 feature image

通過以上試塊1、試塊2不同算法的二值圖像填充后的效果對比可以看出，迭代閾值法采用閉運算將中心孔洞填充完整，但缺陷邊緣噪聲依然有影響；Otsu將中心細小孔洞填充，相比其他幾種算法對背景噪聲去除效果更好，邊緣連接較平滑、噪聲影響較少；區(qū)域生長法與Otsu類似，但其對干擾噪聲較敏感，背景與缺陷邊緣存在許多細小點；填充后的標記符控制分水嶺法的邊緣相較未填充時則稍顯平滑；兩種邊緣檢測算子Sobel、Canny算子的圖像背景噪聲很多，但邊緣定位較準確。

另外，也可以采用提取缺陷長短徑進行對比。缺陷長徑可以定義為缺陷區(qū)域內相距最遠的兩點之間的距離，短徑則是垂直于長徑并與缺陷外輪廓相交的最長的垂線段。由圖9和10可知，Sobel算子法與Canny算子法二值圖像填充后求得缺陷長短徑較前面4種方法更大。

圖8 試塊2特征圖像分割結果Fig.8 Segmentation results of test block 2 feature image

圖9 試塊1最大長軸和短軸缺陷特征提取Fig.9 Defect feature extraction of maximum long axis and short axis of test block 1

為了進一步定量分析圖像分割算法對沖擊損傷缺陷提取的有效性，對試塊1、試塊2進行超聲F掃描成像，結果如圖11所示。定量提取得到試塊1的缺陷長徑為55.9 mm，缺陷短徑為25.3 mm；試塊2的缺陷長短徑分別為56.8 mm、36.3 mm。以超聲F掃描檢測的缺陷提取特征參數為標準，多種分割算法包括迭代閾值、Otsu、區(qū)域生長、標記符分水嶺以及兩種邊緣檢測算子的處理特征參數包括缺陷長徑、缺陷短徑與超聲檢測值進行對比，計算得出相對誤差統(tǒng)計如表3所示?？梢钥闯觯N檢測方法試塊1的檢測結果優(yōu)于試塊2的檢測結果，說明脈沖反射熱成像檢測適合薄板的檢測；處理同一檢測試塊，Sobel算子法和Canny算子法提取缺陷最大長短軸的特征優(yōu)于其他方法。

圖10 試塊2最大長軸和短軸缺陷特征提取Fig.10 Defect feature extraction of maximum long axis and short axis of test block 2

圖11 缺陷特征超聲F掃描檢測結果Fig.11 Ultrasonic F scan test results of defect characteristics

表3 各種算法缺陷特征參數與相對誤差Table 3 Defect characteristic parameters and relative errors of various algorithms

4 結論

采用脈沖反射法對碳纖維增強復合材料的沖擊損傷進行了研究，并探討了ICA的紅外序列圖像的處理方法，得到如下研究結論：

（1）脈沖紅外無損檢測適合探測復合材料的缺陷，其具有快速、直觀的特點，尤其是對薄板材料的缺陷定量檢測，檢測精度較高；

（2）可依據脈沖紅外序列圖像的先驗知識和溫差特性確定有效的圖像序列區(qū)間，提高數據處理效率和精度；

（3）ICA方法適合處理紅外序列圖像，得到的特征圖像評價性能指標優(yōu)于原始序列圖像，便于缺陷分割和特征提取；

（4）Sobel算子法和Canny算子法提取缺陷最大長短軸的特征上優(yōu)于其他分割方法。