張玲玲，許 廒，張繼冉，任攀攀，丁立斌，魏代曉

基于紅外圖像處理技術的建筑外窗缺陷面積計算研究

張玲玲1，許 廒2，張繼冉1，任攀攀1，丁立斌1，魏代曉3

（1. 煙臺大學 建筑學院，山東 煙臺 264005；2. 中鐵建工集團第二建設有限公司，山東 青島 266112；3. 煙臺市建筑設計研究股份有限公司，山東 煙臺 264005）

將紅外熱成像與圖像處理技術結合應用于建筑外窗缺陷的檢測，提出一種外窗缺陷檢測和面積計算方法。通過外窗缺陷檢測實驗，利用壓差法進行外窗空氣滲透檢測，求出滲透的缺陷面積。將紅外熱成像儀采集的外窗紅外圖像進行圖像的預處理、外窗缺陷的檢測以及檢測后的面積計算，并建立外窗缺陷紅外圖像檢測模型。結果表明：利用加權平均法進行灰度化處理，中值濾波進行降噪處理、圖像銳化和直方圖均衡化進行圖像增強處理，處理效果明顯，可作為外窗紅外圖像的預處理方式；Roberts算法對預處理后外窗紅外圖像的檢測與實驗值差異最小，檢測信息更接近實際缺陷位置；將處理方法和檢測模型與建筑整體氣密性檢測結合，能夠在現場對外窗氣密性能等級進行初步判定。

外窗缺陷；面積計算；紅外熱成像；圖像處理

0 引言

面對全球氣候環(huán)境挑戰(zhàn)，中國正努力實現2030年前碳達峰，2060年前碳中和的目標，建筑能耗作為全球能源消耗的主要部分，隨著節(jié)能減排工作的不斷推進，建筑節(jié)能成為一個長期發(fā)展的目標，對于作為建筑圍護結構薄弱環(huán)節(jié)的門窗而言，門窗能耗占建筑能耗很大的比例，約占外墻總能耗的50%，窗戶氣密性能的降低，會導致建筑能耗增加和舒適度降低的問題[1-2]。提升外窗的氣密性能并減少外窗的耗能將會是提高建筑節(jié)能的重要途徑之一。對于外窗的氣密性能檢測，目前的檢測手段主要在實驗室內通過靜壓箱法進行，將試件安裝在測試設備上，測出通過試件的空氣滲透量，確定其氣密性能等級并出具檢測報告[3]。此方法無法檢出產品存在缺陷的位置，不利于不合格產品的修補。同時因實驗設備和環(huán)境的制約，檢測需要在實驗室進行，導致在建筑外窗安裝前，檢測數量龐多的外窗需采用抽樣檢測的方法，將樣品送往實驗室，通過靜壓箱法判定是滿足相應的等級。對于安裝在建筑的全部外窗，抽樣檢測的方法無法一一判定外窗的氣密性等級是否達標[4-5]。目前雖已存在對外窗氣密性能進行現場檢測的設備，但需要將設備安裝在建筑外窗上，若對建筑中的外窗逐一進行氣密性能現場檢測，操作復雜且耗用大量時間，實際工程沒有廣泛開展，往往忽略了安裝后對外窗的氣密性檢測。在建筑的使用過程中，因建筑沉降、環(huán)境影響、人為因素導致的外窗變形，缺陷會逐漸增多[6]。對于安裝后的外窗，靜壓箱法已無法適用，現場檢測一般利用發(fā)煙筆或用手直接感受的方式尋找缺陷位置[7-8]，然而對于缺陷的準確定位相對困難。實驗室檢測和現場檢測，無法便捷和準確地檢測出外窗缺陷的位置，不僅限制了外窗在生產和施工過程中生產工藝和安裝水平的提高，不利于缺陷的修補和氣密性能等級的提升，影響建筑能耗和室內舒適度，也導致缺陷面積無法計算，使外窗能耗的量化分析存在困難。

紅外線熱成像儀利用探測器和熱成像系統(tǒng)，接收從物質表面發(fā)出的紅外線，再通過熱成像儀的接收器把熱信號處理轉換成圖像信號。人類的肉眼無法直接對物質內的溫度變化做出觀測與辨認，但近紅外熱成像技術可以協(xié)助人類在視覺上達到直接觀測溫度變化的目標[9-10]。對于建筑的外窗而言，普通數碼圖像無法識別外窗缺陷，考慮外窗缺陷處溫度的異常的特點[11]，選用紅外熱成像儀進行拍攝。同時，對于圖像處理的研究已經有了豐富的成果[12-14]，利用圖像處理技術可以將圖像中內部的邊界利用計算機手段進行檢測[15-16]，在建筑與土木領域，已經存在利用圖像處理技術對建筑輪廓提取、建筑損壞、墻體裂縫等檢測的研究[17-19]。對于紅外圖像處理技術，國內外諸多學者利用紅外熱成像對建筑墻體的空鼓、損傷、滲漏等進行無損檢測[20-22]，通過圖像中顏色變化代表的溫度異常，結合圖像處理技術改善紅外圖像質量，對目標缺陷進行識別的同時提高檢測的準確性[23-24]。紅外圖像處理技術已經被廣泛使用在建筑行業(yè)[25-26]，但此項技術在建筑外窗檢測中的研究較少，其高效、快速、便捷、無損等特點能夠為外窗缺陷的現場檢測提供便利。

本文提出一種基于紅外圖像處理技術的建筑外窗缺陷檢測的方法，以某建筑的外窗為例，利用壓差法進行建筑外窗氣密性能的現場實驗，并利用紅外熱成像儀對建筑外窗進行紅外圖片的采集，利用圖像處理技術，對采集的圖像進行一系列預處理，針對紅外圖像中的異常區(qū)域對外窗缺陷進行檢測，并進行缺陷的面積計算和模型建立。為建筑外窗缺陷檢測和外窗缺陷的面積計算提供一種新的途徑，改善建筑外窗在實驗室和現場檢測中無法快速、準確地定位缺陷位置的問題，給外窗能耗的量化分析提供了條件。

1 建筑外窗缺陷檢測實驗

建筑外窗缺陷檢測，采用美國The Energy Conservatory公司DG700型測試系統(tǒng)進行壓差法（“鼓風門”）實驗，并利用瑞典FLIR SYSTEMS AB公司FLIR B200紅外熱成像儀對外窗進行紅外圖像的采集。

1.1 外窗空氣滲透檢測

對于外窗施工的缺陷檢測，應在建筑施工過程中的門窗安裝后盡早進行，以便找出外窗缺陷進行補漏工作；對運行階段建筑而言，進行外窗缺陷檢測，發(fā)現外窗缺陷并修補，可以提高室內舒適度。同時在檢測過程中，測出建筑整體氣密性的數值，有利于建筑整體滲漏的修補以及整體氣密性能的評價[27]。

DG700型測試系統(tǒng)包括密封與壓力調節(jié)、數據采集、TECTITE數據分析3部分。通過密封與壓力調節(jié)系統(tǒng)對房間向內或向外鼓風，形成室內外壓差，從而形成空氣的流動，求出空氣滲透量、房屋自然滲透率、滲漏面積等參數[28]。測試系統(tǒng)建立后，按照壓差法實驗的相應操作，進行房間整體的氣密性測試；然后利用聚氯乙烯薄膜對待測外窗內部包裹，完成封堵后的氣密性測試；對封堵前后實驗結果統(tǒng)計計算出差值，得到待測外窗的滲漏面積。

1.2 外窗紅外圖像的采集

圖1為紅外熱成像儀采集建筑外窗圖像的原理圖，儀器的視場角×決定了紅外熱成像儀的范圍，因此需要調整紅外熱成像儀的位置進行圖像采集。將紅外熱成像儀通過三腳架放置在合適的位置處，水平拍攝建筑外窗，并使建筑外窗完全顯示在熱成像儀屏幕內。為了減少環(huán)境因素對檢測結果的影響，拍攝選擇在陰天或傍晚的無風少塵的環(huán)境進行。

采集過程中在外窗空氣滲透檢測實驗后進行。DG700型測試系統(tǒng)測試出的滲漏區(qū)域數值分別是在10Pa條件下的等效滲漏面積（equivalent infiltration area, 以下簡稱EqLA）和4Pa條件下的有效滲漏面積（effective infiltration area, 以下簡稱ELA），The Energy Conservatory公司通過計算和驗證得出測試系統(tǒng)在10Pa狀態(tài)下的EqLA更符合建筑物氣密性的物理變化結論，因此采集外窗紅外圖像時，設定風機的運行狀態(tài)也維持室內外10Pa的壓差環(huán)境下，使紅外熱成像儀拍攝的外窗滲漏狀態(tài)與空氣滲透的實驗EqLA狀態(tài)保持一致，后續(xù)經外窗紅外圖像處理后的面積計算結果與EqLA實驗值比較，確定外窗紅外圖像處理方式，從而實現外窗缺陷的判定和面積計算。

1. Thermal imager; 2. Tripod; 3. Building wall; 4. Building windows

2 建筑外窗紅外圖像處理

紅外圖像沒有立體感覺，對肉眼而言分辨較差，利用計算機處理手段對紅外圖像進行處理可以解決肉眼分辨較差的問題，處理后的圖片能夠直觀反映相關的圖像信息。建筑外窗紅外圖像處理包括紅外圖像的預處理、外窗缺陷的檢測以及檢測后的面積計算。

2.1 紅外圖像預處理

對紅外圖像進行灰度化處理，利用灰度值來代替紅外圖像的色彩值，灰度化處理往往也是處理RGB圖像的首個環(huán)節(jié)。本文通過分量法與加權平均法分別對外窗紅外圖像進行灰度化處理，并生成能夠表現灰度分布特征的灰度直方圖。分量法是將圖像轉化為R、G、B三種灰度類型的圖像，可根據3個圖像的灰度值特點和圖像的應用特點選擇不同分量的圖像。加權平均法是將R、G、B三個分量的圖像進行加權取平均，獲得敏感度高的灰度圖像。將分量法生成的R、G、B圖像直方圖和加權平均法生成的圖像直方圖進行對比，選取四張灰度化后區(qū)分更明顯的圖像進行后續(xù)處理。

在紅外熱成像采集過程中，因采集環(huán)境中溫度、濕度等影響以及熱成像儀內部光學元件，會造成的圖像存在噪聲問題。圖像中的噪聲呈現出孤立的像素點、塊，作為干擾信息影響圖像的品質。因此在圖像處理時需要對圖像進行降噪處理，但在后續(xù)對外窗的紅外圖像進行缺陷測試時，還要保證圖像中的邊緣信息不能在降噪過程中被作為噪聲去除。中值濾波采用領域圖像中值進行全像素輸出，通過噪聲處理能夠減少孤立的像素點，并且還可以保存領域圖像中的所有細節(jié)信息，符合后續(xù)缺陷檢測的處理需求，本文對外窗紅外圖像處理中降噪處理使用了中值濾波的處理方法。

圖像進行降噪處理對圖像信息產生一定的濾除影響，在后續(xù)的紅外圖像處理中不利于缺陷的檢測識別，因此須對降噪后的圖像信息進行增強處理。直方圖均衡化可以達到均勻分布直方圖的效果，擴大了灰度分布區(qū)域，增加了圖像整體的對比度，進而使圖像更加清晰。圖像銳化技術可以突出圖像細節(jié)，并增強圖像經過濾波處理后的輪廓和邊緣等信息。采取直方圖均衡化以及圖像銳化兩個方法，對中值濾波處理后的圖像進行了強化處理，通過對比處理的圖像選取適合增強外窗紅外圖像的降噪手段。

2.2 外窗缺陷檢測

邊緣檢測和區(qū)域分割技術利用圖像中邊緣處的差異對缺陷的分界線進行提取，實現相應的檢測。對于建筑外窗的紅外熱成像圖，缺陷區(qū)域與外窗正常區(qū)域的差別表現在灰度值上的差異。為更好地確定外窗缺陷檢測的方式，對預處理后的圖像分別進行邊緣檢測或閾值分割的算法，對比處理結果確定適合外窗缺陷檢測的處理方法。本文選用Roberts、Sobel、Prewitt、Canny、Log算法[29]以及閾值分割法，對外窗缺陷的位置進行相應的檢測。

2.3 目標面積計算

圖像面積計算可通過視場角與拍攝距離計算，對于確定尺寸的矩形物體，測算物體內某部位面積可通過比例變換的方法求得。根據像素面積法原理計算紅外熱成像拍攝實際的缺陷面積[30-31]，計算原理如圖2所示。以紅外熱成像儀的拍攝光心位置為原點、熱成像鏡頭光軸平行于軸，建立了紅外熱成像坐標系系(---)。

紅外熱成像圖中檢測缺陷區(qū)域所對應的實際缺陷面積為：

式中：為拍攝距離；×為紅外熱成像儀視場角；、分別代表二值圖像的總行數和列數；、分別表示此像素在二值圖像中的行數和列數，缺陷連通區(qū)域中的任意的像素點的像素值表示為：

對于已經確定尺寸的矩形物體測算物體內部面積，通過像素坐標中二值圖像的總行數和總列數、物體實際尺寸、，以及上述求得的缺陷區(qū)域像素點總和，可得到矩形物體內部實際面積為：

3 結果與分析

3.1 外窗紅外圖像處理

圖3為建筑外窗灰度化處理結果，(a)～(d)，(e)～(h)為兩個外窗通過R分量法、G分量法、B分量法和加權平均法獲取的圖像，(a1)～(d1)，(e1)～(h1)為(a)～(d)，(e)～(h)各圖像對應的灰度分度直方圖，橫縱坐標分別代表像素值和像素數。通過圖像對比發(fā)現，R、G、B三種分量圖像存在不同的特征：R的分量圖(a)、(e)圖像對比度很低；在灰度分布直方圖中(a1)、(e1)顯示像素完全聚集在某一區(qū)域。G的分量圖(b)、(f)圖像對比度較高，缺陷部位細節(jié)體現明顯；相比而言灰度分布直方圖(b1)、(f1)灰度分布較為分散、均勻。B的分量圖(c)、(g)圖像對比度過高，圖像區(qū)分明顯但圖中部分細節(jié)被掩蓋，不利于后續(xù)的缺陷檢測；但在灰度分布直方圖(c1)、(g1)中，像素分布分散。利用加權平均法處理的外窗圖像，處理結果與G的分量圖結果相似，(d)、(h)圖像也具有較高的對比度，細節(jié)體現良好，在灰度分布直方圖(d1)、(h1)中，灰度分布也較為分散。通過對外窗圖像灰度化處理結果綜合比較，選取加權平均法作為外窗紅外圖像的灰度化處理方式。

圖3 灰度化處理圖(a)～(h)與灰度分布直方圖(a1)～(h1)

圖4是采用不同方式進行圖像增強處理的結果對比。(a)、(f)、(k)是灰度化處理后的外窗圖，經過中值濾波處理后的圖像為(b)、(g)、(l)，后對其分別進行圖像銳化和直方圖均衡化處理。圖中(c)、(h)、(m)是利用拉普拉斯進行銳化結果，(d)、(i)、(n)為直方圖均衡化結果，(e)、(j)、(o)是兩種方式混合增強處理結果。從圖可知，經過中值濾波處理的圖像，內部細小噪聲被去除的同時，窗戶內部缺陷的邊緣信息得到保留；經銳化處理后，圖像內缺陷邊緣得到銳化和增強，邊界得到突出；直方圖均衡化處理，圖像整體對比度得到提高，但造成噪聲再次產生。經圖像銳化和直方圖均衡化混合處理，(e)、(j)、(o)邊緣較(c)、(h)、(m)更明顯，增強效果更好。因此選取圖像銳化和直方圖均衡化混合處理作為外窗圖像增強的處理方法。

圖5為不同外窗進行圖像預處理效果，每行從左到右分別是建筑外窗原始紅外圖像、灰度化處理結果、中值濾波結果、圖像增強結果。通過處理結果可知，采用的預處理方法對建筑外窗的紅外圖像預處理具有普適性。

3.2 外窗缺陷識別

經預處理后對外窗紅外圖像進行缺陷檢測識別，發(fā)現外窗缺陷存在的具體位置，實現缺陷定位。圖6是以某建筑外窗為例，分別為Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法進行檢測的結果。從圖可以知，外窗的缺陷從墻體和窗戶中分離，缺陷輪廓明顯，但輪廓內部存在空洞。圖7是經形態(tài)學處理后的結果，經形態(tài)學處理后，外窗缺陷范圍內部被填充，缺陷輪廓平滑。由于各方法對目標缺陷的像素計算方式不同，導致在邊緣檢測中對外窗缺陷的邊緣識別存在差異，同時影響缺陷面積的計算結果。因此需要對比建筑外窗空氣滲透檢測的實驗結果，確定面積吻合較高的檢測方法，并通過此方法檢測和定位外窗紅外圖像缺陷的具體位置。

圖4 圖像增強結果對比(a)、(f)、(k)灰度化處理；(b)、(g)、(l)中值濾波處理；(c)、(h)、(m)拉普拉斯銳化；(d)、(i)、(n)直方圖均衡化；(e)、(j)、(o)兩種方式混合

圖5 外窗紅外圖像預處理結果：(a)、(e)、(i)原始紅外圖像；(b)、(f)、(j)灰度化處理；(c)、(g)、(k)中值濾波；(d)、(h)、(l)圖像增強結果

圖6 各方法進行外窗缺陷檢測結果：(a)～(f) Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法

圖7 各方法檢測后形態(tài)學處理結果：(a)～(f)Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法

3.3 外窗缺陷面積計算

表1為建筑外窗紅外熱成像圖經過預處理、缺陷檢測、面積計算后的結果匯總。通過外窗空氣滲透檢測的實驗值與Roberts、Sobel、Prewitt、Canny、Log算法、閾值分割法處理后的缺陷面積的對比，不同的檢測方法導致處理結果與實驗值存在相應的誤差。通過實驗值與紅外檢測處理值的對比，利用Roberts進行外窗缺陷檢測可以達到與實驗值更為接近的結果，處理平均誤差為7.23%，可認為此方法定位的外窗缺陷信息更符合實際外窗缺陷存在的位置。

除了不同的處理方式之間與實驗測量值的誤差對比外，單獨對比各處理方式與實驗值發(fā)現，利用各個方法進行外窗缺陷檢測的缺陷面積普遍大于外窗缺陷檢測的實驗值。這與紅外熱成像儀的實際參數與理論參數誤差對計算結果的影響有關，在進行紅外檢測過程中溫度、濕度、風速、太陽輻射、空氣質量狀況等檢測的環(huán)境因素會對紅外輻射在傳輸中造成能量衰減[32]，使熱成像圖中缺陷的狀態(tài)與實際狀態(tài)存在一定的差異[33]，導致與實驗值之間的誤差；同時紅外熱成像檢測的溫度異常部位，由于溫度異常的誤判[34]，實際不存在空氣滲透，也會使處理結果大于實驗值。

表1 外窗缺陷面積對比

3.4 外窗缺陷紅外圖像檢測模型

為了更好確定Roberts檢測結果與實驗測量值的關系，對建筑外窗的實驗測量值和采集的各個外窗紅外熱成像處理值進行比較。圖8是80組外窗缺陷實驗值和與之對應的圖像處理值繪制的散點圖，能夠發(fā)現圖像處理值與外窗缺陷實驗值存在線性關系，求得線性回歸模型為：＝0.920＋0.118，其中，方統(tǒng)計量為0.999，擬合良好；＝81995.749，＝0，回歸模型顯著。外窗缺陷紅外圖像檢測模型使平均誤差降至0.76%，縮小了處理值與外窗缺陷實驗值的差異，從而獲得更加準確的外窗缺陷面積計算結果。

將采集的建筑外窗紅外熱成像圖經處理后輸入模型，求出建筑外窗的缺陷面積，通過建筑整體氣密性能檢測實驗，將測出的建筑整體空氣滲透量和滲透面積結合，求得對應外窗的空氣滲透量，可以在現場快速對外窗氣密性能等級進行簡單的判定，檢測其是否達到氣密性能等級要求。

圖8 外窗缺陷實驗值與圖像處理值的散點圖

4 結論

提出一種基于紅外圖像處理技術的建筑外窗缺陷檢測和面積計算方法，對外窗紅外熱成像圖中的缺陷進行提取和計算，與外窗空氣滲透檢測實驗測出的外窗空氣滲透面積進行對比，確定建筑外窗紅外圖像的處理方式，并建立外窗缺陷紅外圖像檢測模型，實現建筑外窗缺陷的檢測和面積計算。結果表明：

①建筑外窗紅外圖像的預處理選用加權平均法進行灰度化處理，中值濾波進行降噪處理，圖像銳化和直方圖均衡化進行圖像增強處理，預處理方法能夠在去除外窗紅外圖像噪聲的同時保留缺陷的邊緣信息，對建筑外窗的檢測具有普適性。

②在外窗紅外圖像的缺陷檢測中，利用Roberts算法檢測缺陷面積的平均誤差在7.23%，與實驗值差異最小，可認為定位的外窗缺陷信息會更符合實際外窗缺陷的存在位置。通過建立外窗缺陷紅外圖像檢測模型，將紅外圖像處理誤差降至0.76%，能夠獲得更接近實驗值的外窗缺陷面積計算結果。

③通過處理方法和檢測模型，結合建筑整體氣密性能檢測實驗，能夠對外窗氣密性能等級進行初步的判定。改善實際工程中，建筑外窗氣密性能現場檢測操作復雜的問題。

[1] Mathur U, Damle R. Impact of air infiltration rate on the thermal transmittance value of building envelope[J]., 2021, 40: 102302.

[2] Lai Y, Ridley I, Brimblecombe P. Blower-door estimates of PM 2.5 deposition rates and penetration factors in an idealized room[J]., 2022, 31(8): 2064-2082.

[3] 中國建筑科學研究院有限公司. 建筑外門窗氣密、水密、抗風壓性能檢測方法: GB/T 7106-2019[S].國家市場監(jiān)督管理總局, 國家標準化管理委員會, 2019.

China Academy of Building Research, Test methods of air permeability, water tightness, wind load resistance performance for building external windows and doors: GB/T 7106-2019[S].State Administration for Market Regulation; Standardization Administration, 2019.

[4] 張小愉. 建筑門窗三性檢測方法探究[J]. 中國建材科技, 2019, 28(6): 12-13.

ZHANG Xiaoyu. Exploration on three-character detection method of architectural doors and windows [J]., 2019, 28(6): 12-13.

[5] 張浚泉. 建筑門窗工程質量檢測探討[J]. 門窗, 2017(2): 23-24. ZHANG Junquan. Discussion on quality inspection of building door and window engineering[J]., 2017(2): 23-24.

[6] Figuli L, Papan D, Papánová Z, et al. Experimental mechanical analysis of traditional in-service glass windows subjected to dynamic tests and hard body impact[J]., 2021, 27(2): 365-378.

[7] JI Y, Duanmu L. Airtightness field tests of residential buildings in Dalian, China[J]., 2017, 119(7): 20-30.

[8] Barreira E, Almeida R M S F, Moreira M. An infrared thermography passive approach to assess the effect of leakage points in buildings[J]., 2017, 140(4): 224-235.

[9] Freitas S S D , Freitas V P D , Barreira E . Detection of fade plaster detachments using infrared thermography – a nondestructive technique[J]., 2014, 70(11): 80-87.

[10] Ibarra-Castanedo C , Sfarra S , Klein M , et al. Solar loading thermography: time-lapsed thermographic survey and advanced thermographic signal processing for the inspection of civil engineering and cultural heritage structures[J]., 2017, 82: 56-74.

[11] Mahmoodzadeh M, Gretka V, Wong S, et al. Evaluating patterns of building envelope air leakage with infrared thermography[J]., 2020, 13(14): 3545.

[12] CHEN Y F, SANG N. Attention-based hierarchical fusion of visible and infrared images[J]., 2015, 126(23): 4243-4248.

[13] Louren?o Tomás, Matias Luís, Faria P . Anomalies detection in adhesive wall tiling systems by infrared thermography[J]., 2017, 148: 419-428.

[14] Hiasa S H, Birgul R, Catbas N, et al. A data processing methodology for infrared thermography images of concrete bridges[J]., 2017, 190(10): 205-218.

[15] Omar T, Nehdi M L, Zayed T. Infrared thermography model for automated detection of delamination in RC bridge decks[J]., 2018, 168: 313-327.

[16] LV C, WANG K, GU G, et al. Accurate full-edge detection and depth measurement of internal defects using digital speckle pattern interferometry[J]., 2019, 102(3): 1-8.

[17] Mohan A, Poobal S. Crack detection using image processing: A critical review and analysis[J]., 2017: 787-798.

[18] HAN Q, YIN Q, ZHENG X , et al. Remote sensing image building detection method based on mask R-CNN[J]., 2022, 8(1): 1847-1835.

[19] Gehri N, J Mata-Falcón, Kaufmann W. Automated crack detection and measurement based on digital image correlation[J]., 2020, 256: 119383.

[20] Thusyanthan I, Blower T, Cleverly W. Innovative uses of thermal imaging in civil engineering[J]., 2017, 170(CE2): 81-87.

[21] Ostańska Anna. Thermal imaging for detection of defects in envelopes of buildings in use: qualitative and quantitative analysis of building energy performance[J]., 2018, 62(4): 939-946.

[22] PAN N H, Tsai C H, CHEN K Y, et al. Enhancement of external wall decoration material for the building in safety inspection method[J]., 2020, 26: 216-226.

[23] JIANG M. Edge enhancement and noise suppression for infrared image based on feature analysis[J]., 2018, 91: 142-152.

[24] Kim C, Choi J S, Jang H, et al. Automatic detection of linear thermal bridges from infrared thermal images using neural network[J]., 2021, 11(3): 931.

[25] CHEN L, WANG Y, JIA S, et al. Development of panoramic infrared images for surface temperature analysis of buildings and infrastructures[J]., 2020, 232(1): 110660.

[26] D Antón, Amaro-Mellado J L. Engineering graphics for thermal assessment: 3D thermal data visualisation based on infrared thermography, GIS and 3D point cloud processing software[J]., 2021, 13(2): 335.

[27] Mun J, Lee J, Kim M. Estimation of infiltration rate (ACH Natural) using blower door test and simulation[J]., 2021, 14(4): 912.

[28] LI X, ZHOU W, LIN D. Research on air infiltration predictive models for residential building at different pressure[J]., 2020: 1-12.

[29] DI Yue, LI Meiyan, QIAO Tong, et al. Edge detection and mathematic fitting for corneal surface with Matlab software[J]., 2017, 10(3): 336-342.

[30] Thenkabail P S, Biradar R M, Noojipady P, et al. Sub-pixel area calculation methods for estimating irrigated areas[J]., 2007, 7(11): 2519.

[31] 李峰, 周雷, 苗剛中. 基于單目視覺的目標測距方法[J]. 中國科學技術大學學報, 2012, 42: 93-98.

LI Feng, ZHOU Lei, MIAO Gangzhong. Target ranging method based on monocular vision[J]., 2012, 42: 93-98.

[32] 楊玉忠, 李麗梅, 陳剛, 等. 利用紅外熱像儀測試窗洞口熱工缺陷的研究[J]. 建筑科學, 2016, 32(8): 111-114.

YANG Yuzhong, LI Limei, CHEN Gang, et al. Study on the thermodynamic disfigurement testing for window opening by infrared thermography[J]., 2016, 32(8): 111-114.

[33] 馮力強, 王歡祥, 晏大瑋, 等. 紅外熱像法檢測建筑外墻飾面層內部缺陷試驗研究[J]. 土木工程學報, 2014, 47(6): 51-56.

FENG Liqiang, WANG Huanxiang, YAN Dawei, et al. Experimental study on internal defects detection of exterior wall finish coat by infrared thermography[J]., 2014, 47(6): 51-56.

[34] 田鵬飛, 周驥平, 朱興龍, 等. 基于紅外熱成像的氣密性檢測技術探討[J]. 揚州大學學報(自然科學版), 2013, 16(2): 45-48.

TIAN Pengfei, ZHOU Jiping, ZHU Xinglong, et al. Research on air tightness detection based on infrared thermal imaging[J].(Natural Science Edition), 2013, 16(2): 45-48.

Research on Calculation of Defect Area of Building Exterior Windows Based on Infrared Image Processing Technology

ZHANG Lingling1，XU Ao2，ZHANG Jiran1，REN Panpan1，DING Libin1，WEI Daixiao3

(1.,,264005,; 2.,266112,; 3..,.,264005,)

A method for defect detection and area calculation of exterior windows of buildings is proposed by combining infrared thermal imaging technology and image processing technology. Using equipment for detection of building exterior window defects, the differential-pressure method was utilized to detect the air penetration of an exterior window, and the defective area of the air penetration of this window was calculated. Infrared images of the exterior window of the building collected by an infrared thermal imager were subjected to image preprocessing, exterior window defect detection, and area calculation after inspection. Then, an infrared-image detection model of exterior window defects was established. The results show that preprocessing can make use of the weighted average method for grayscale processing, the median filter for noise reduction, image sharpening, and histogram equalization for image enhancement processing. The outcome of the aforementioned approaches is evident. The detection of the pretreatment infrared image, which is obtained using the Roberts algorithm, minimizes the difference between the test and experimental values. This makes the detection information closer to the actual position of the defect. A primary assessment of the airtightness performance level of exterior windows can be achieved by comparing the results provided by the proposed infrared image processing technology with airtightness on-site tests.

Exterior window defects, area calculation, infrared thermal imaging, image processing

TU111.4

A

1001-8891(2022)12-1358-09

2021-11-16；

2021-12-27.

張玲玲（1972-），女，教授，研究方向：建筑節(jié)能與綠色建筑。E-mail:305125954@qq.com。