多尺度信噪比驱动的后处理序列融合技术，用于提高主动红外热成像中的缺陷检测能力

《Array》：Multi-scale signal-to-noise driven fusion of post-processing sequences for enhanced defect detectability in active infrared thermography

本研究提出一种基于多序列融合的主动红外热成像缺陷检测方法，通过整合TSR、PCT、PPT和PLST等后处理技术，利用多尺度信噪比（MS-CNR）指标自动识别最优帧和区域，生成Maxigram、Sigmagram、Sourcegram和Timegram四类图像，显著提升缺陷可见性及检测一致性，适用于碳纤维等复杂材料。

　　主动红外热成像技术已成为无损检测领域的重要工具，它能够实时呈现材料表面的热模式，从而快速识别缺陷。然而，实际应用中仍然存在一些挑战，如噪声干扰、后处理技术缺乏标准化、数据分析复杂性、缺陷在不同帧中的可见性差异以及环境因素对热成像结果的影响。为了解决这些问题，本研究提出了一种新颖的方法，通过融合多种后处理方法生成的序列，将信息整合到单张图像中，从而提高缺陷的可检测性。该方法采用多尺度信噪比（MS-CNR）指标，能够准确识别感兴趣区域，并确定缺陷可检测性最大化的最佳时间点。通过对两种具有不同缺陷特征的复合材料样本进行验证，该方法展示了其简化分析和提升检测性能的能力。与基于小波的图像融合方法相比，本方法在缺陷可见性和清晰度方面表现更优，标志着热成像检测在有效性和可靠性上的显著进步。

红外热成像技术在多个领域具有广泛的应用价值，包括电气和机械检测、设备监测、绝缘缺陷识别、医疗和兽医检查以及野火监测等。特别是主动红外热成像技术，在无损检测中已成为最受欢迎的检测方法之一。该技术通过施加热能激发材料，使其产生热响应，随后利用红外相机捕捉热响应数据，从而生成热成像序列。这些序列反映了材料表面在不同时间点的温度分布情况。不同材料和缺陷会表现出不同的热响应，这源于材料的导热性、热容量和密度等物理特性。常见的缺陷，如裂纹、脱层和空洞，往往会在热成像中产生异常的温度变化，从而可以被识别。这种技术在航空航天、土木工程等多个领域得到了应用，证明了其高度的灵活性和适应性。

尽管主动红外热成像在许多无损检测应用中取得了成功，但它仍然面临一些挑战，这些挑战可能限制其有效性。其中，一个显著的问题是检测细微的亚表面异常，这些异常通常会产生较弱的热信号，容易被热成像数据中的噪声掩盖。这会妨碍准确的视觉检测，并可能导致缺陷被遗漏，从而影响检测过程的可靠性。此外，诸如表面发射率变化、背景温度波动和大气条件等环境因素，也可能进一步复杂化热成像的解读。为了克服这些挑战，研究人员和实践者越来越依赖后处理技术来提高热成像数据的信噪比。这些技术包括统计矩、傅里叶变换分析、主成分分析（PCA）以及热信号重建（TSR）等。这些方法通常被用于优化缺陷的检测和可视化，从而提高识别率和评估的可靠性。

当前后处理技术在无损检测中的应用仍面临一些重要挑战。首先，无损检测领域内缺乏对特定材料和缺陷类型最合适的后处理方法的共识。虽然存在一些普遍的建议，但许多技术人员仍然依赖试错法来确定最适合其特定应用的方法。此外，大多数后处理技术会生成新的热成像序列，需要仔细分析以识别缺陷。这一额外的复杂性可能使检测过程更加困难，因为操作员必须仔细检查处理后的数据，以确保没有遗漏异常。例如，在使用PCA检测碳纤维材料中的空洞或脱层时，通常观察到第四主成分能提供最清晰的可视化效果。相比之下，在使用太阳能加热检测文化遗产时，最相关的成分可能会显著更高，有时甚至达到第10个成分或更高。这表明，在缺乏对这些模式的先验知识的情况下，技术人员可能需要分析多个图像才能进行彻底的检测和分析，这可能耗时且容易导致缺陷被遗漏。这一现象强调了开发标准化方法和框架的重要性，以指导技术人员选择合适的成分，从而提高工业和文化遗产检测中的效率和准确性。

在热成像序列或处理后的图像中，缺陷的可见性取决于多个因素，包括缺陷的特性、所分析的材料、缺陷的深度以及环境条件。因此，某些缺陷可能在某一帧中达到最大对比度，而另一些缺陷可能在另一帧中更清晰。这种可见性变化意味着没有单一帧能够展示所有缺陷的最佳对比度，从而使得结果的解读变得更具挑战性。例如，在碳纤维材料的热成像分析中，缺陷的可见性通常取决于其深度。较深的缺陷通常在热成像序列的后期帧中最为清晰，而较浅的缺陷则可以在加热后不久就被识别。这种差异是由于材料的热响应不同，较深的缺陷可能需要更多时间才能通过热扩散清晰地显现出来。这种可见性变化使得分析过程变得更加复杂，因为技术人员必须在较长的时间范围内分析多个图像以准确评估材料的状态。这一挑战突显了需要更先进的方法，以将这些序列的信息整合并以更易管理的形式呈现。

为了解决当前主动红外热成像（IRT）在无损检测（NDT）中后处理实践的局限性，本研究提出了一种基于多序列融合的新方法，将多种后处理技术生成的热成像序列整合为单一的、信息丰富的图像。传统方法通常要求技术人员手动检查大量的帧或组件，这些组件强调不同的热特征，取决于缺陷的特性、深度和材料属性。这种试错过程不仅耗时，而且容易出错，尤其是在最优帧因应用而异的情况下。我们的方法通过使用多尺度信噪比（MS-CNR）指标，自动识别不同序列中的感兴趣区域和最佳帧，从而解决了这一问题。然后，将这些信息融合为四种浓缩的视觉表示（Maxigram、Sigmagram、Sourcegram 和 Timegram），这些表示能够保留并突出最具有诊断价值的热特征。

除了上述方法外，还存在其他先进的图像融合方法，如基于红外热成像物理核的缺陷超分辨率算法。这种方法利用红外系统的调制传递函数作为物理先验，以重建退化的热图像。为了处理大型且形状不规则的样本，还提出了一个自动热成像认知感知-反馈框架，该框架通过热流密度等压面投影作为物理约束，将机器人检测与热感知结合。此外，高级矩阵和张量分解方法也得到了广泛应用。例如，一种差异张量低秩软分解技术被开发出来，以从噪声热模式中提取弱缺陷信息。这种方法利用概率张量模型和 Tucker 分解，提高缺陷对比度，抑制诸如光斑等干扰，并在复杂的复合材料检测中提高鲁棒性。类似地，还提出了用于热成像诊断的集成联合稀疏低秩矩阵分解方法。该方法通过联合建模热数据中的低秩和稀疏结构，提高弱缺陷信号与强背景噪声的分离能力，同时实现比传统低秩分解方法更高的对比度和更低的计算成本。这些方法展示了热成像技术正越来越多地采用信号处理、统计学习和机器人自动化的概念，以推动其发展，提供更稳健、适应性更强和更高分辨率的缺陷检测。

本研究提出的多序列融合方法不局限于任何特定的后处理方法或激发技术。相反，它具有内在的灵活性，可以整合来自不同技术的序列或图像，无论是传统的（如 TSR、PCT、PPT 和 PLST）还是近年来提出的（如超分辨率、张量分解或稀疏低秩建模）方法。通过将不同后处理技术的互补信息整合为连贯的图像，该方法能够提供更全面的缺陷特征表示。这种灵活性确保了不同后处理输出可以有效地结合，产生简洁而信息丰富的图像，简化解释同时保留增强的缺陷可见性。

在热成像过程中，不同后处理技术生成的图像序列可能因材料特性和缺陷类型而异。例如，对于浅层缺陷，如裂纹，使用较大的 σx 和较小的 σy 值可以更好地捕捉缺陷与周围区域之间的各向异性对比度。这种方向性敏感性有助于检测那些在使用各向同性滤波时可能被抑制的细长或狭窄特征，从而提高缺陷特征在各种情况下的识别能力。因此，本方法在提升缺陷识别能力的同时，也确保了对各种缺陷类型的适应性。

本研究通过实际数据验证了所提出方法的有效性。实验数据来自使用不同激发方法的红外检测。通过分析这些数据，验证了所提出方法在检测和表征缺陷方面的稳健性和适用性，提供了在各种检测环境中该方法实用价值的重要见解。实验数据包括两个复合材料样本，它们具有不同的缺陷特征。在第一个样本中，使用脉冲加热法，样本尺寸为 300 × 300 × 2 mm，包含 25 个 Teflon? 插件，模拟不同尺寸（3, 5, 7, 10 和 15 mm）和深度（0.2 至 1 mm）的缺陷。在第二个样本中，使用步进加热法，样本包含 12 个内部缺陷，包括 PTFE 模拟的脱层和金属屑模拟的意外包含物。这些样本的设计有助于更全面地评估方法的性能。

在对第一个样本的分析中，使用了多种后处理技术，包括 TSR 提取一阶和二阶导数、PCT 提取 EOF 成分、PPT 生成相位图像和 PLST 提取回归成分。每个后处理技术生成的图像序列都包含丰富的热信息，但由于需要逐一分析，这使得检测过程变得复杂。因此，本研究的方法通过将这些序列融合为单张图像，提高了检测效率和准确性。例如，通过将多个后处理方法的图像序列整合，使得在单一图像中即可观察到所有缺陷的高对比度，从而减少了对多个图像的依赖，简化了检测流程。

在第二个样本的检测中，由于缺陷的深度更大，检测变得更加困难。许多图像只能检测到较浅的缺陷，而较深的缺陷则难以识别。然而，通过本研究提出的方法，可以有效地识别所有缺陷。此外，该方法通过融合多个后处理技术，使得缺陷的检测更为可靠。通过比较所提出方法与传统方法（如基于小波的图像融合）的检测结果，本研究展示了所提出方法在缺陷可见性和清晰度方面的显著优势。这种优势不仅体现在检测浅层缺陷时，也适用于深层缺陷的识别，使得该方法在实际应用中具有广泛的适用性。

所提出的方法在无损检测中具有重要的应用价值，它不仅提高了检测的准确性和可靠性，还减少了人工检测的需求，从而提升了检测的自动化程度。此外，该方法在多种材料和结构中表现出色，具有广泛的应用前景。通过将多种后处理技术的图像序列融合，该方法能够提供更全面的缺陷信息，同时减少因噪声和非均匀加热导致的干扰。这种方法不仅提高了检测效率，还确保了检测结果的一致性和可靠性，使其成为无损检测领域的重要工具。

总之，本研究提出了一种创新的多序列融合方法，通过整合不同后处理技术生成的图像序列，显著提升了主动红外热成像技术在缺陷检测中的表现。该方法在多个样本中都得到了验证，展示了其在不同材料和缺陷类型中的适用性。通过将多尺度信噪比（MS-CNR）指标与多种后处理技术结合，该方法不仅增强了缺陷的可视化效果，还提供了更清晰、更准确的检测结果。这种方法为无损检测提供了一种新的解决方案，能够有效提升检测的效率和可靠性，具有广阔的应用前景。