基于红外预处理和改进 YOLOv8 的碳纤维增强聚合物复合材料红外图像缺陷检测

《Infrared Physics & Technology》：Infrared image defect detection for carbon fiber reinforced polymer composites via infrared preprocessing and improved YOLOv8

　　

摘要碳纤维增强聚合物（CFRP）复合材料广泛应用于航空航天、汽车、能源和核工业领域。然而，这些材料在制造过程中容易产生分层等不可见缺陷，从而对结构完整性构成重大风险。红外热成像能有效捕捉与缺陷相关的热异常，但单一的检测方法仍依赖人工判读。此外，缺陷对比度低和复杂的背景噪声限制了自动检测的准确性。为了应对这些挑战，本研究提出了一种结合红外预处理与改进 YOLOv8n 网络的自动化缺陷检测方法。首先，应用包括锁相法和相关峰值法在内的红外算法，对原始红外热图像序列进行预处理，以增强与缺陷相关的热特征。其次，将可切换空洞卷积（SAConv）纳入 YOLOv8n，通过动态多尺度特征融合自适应调整感受野，从而增强特征提取能力。最后，引入高频感知模块（HFPM），利用离散余弦变换（DCT）抑制低频噪声并突出缺陷边缘细节。该方法在自建的 CFRP 分层缺陷红外数据集上进行了评估。结果表明，与基线 YOLOv8n 相比，该方法取得了 1.000 的精确率、0.956 的召回率、0.977 的 mAP50 和 0.745 的 mAP50-95，在所有指标上均有显著提升。与其他 YOLO 变体相比，该方法表现出更优越的检测性能。此外，缺陷尺寸量化误差控制在 5% 以内，验证了该方法在 CFRP 分层缺陷智能识别和定量评估方面的有效性。

引言复合材料在现代工业应用中得到了广泛利用，包括航空航天、汽车、能源和核工业领域 [1]。在众多类别的复合材料和结构中，碳纤维增强聚合物（CFRP）复合材料凭借其卓越的比强度和比模量，已成为应用最广泛的材料之一。与单一材料不同，CFRP 表现出显著的各向异性和内部界面效应，使其在制造和使用过程中容易产生各种层间缺陷，如孔隙、鼓泡、脱粘和分层，以及冲击损伤。这些缺陷会严重降低材料性能 [2]。无法肉眼检测这些内部缺陷使其成为关键的安全隐患。因此，开发准确高效的无损检测（NDT）技术对于确保 CFRP 组件的结构完整性和可靠性能至关重要。

由于无损检测具有非破坏性、安全性和可靠性，其在复合材料检测中的应用日益增多。传统的无损检测方法主要包括超声波检测（UT）[3]、射线检测（RT）[4]、磁粉检测（MT）[5]、渗透检测（PT）[6] 和涡流检测（ET）[7]。然而，这些方法的固有局限性推动了非常规无损检测技术的发展。目前，成熟的非常规无损检测模式包括声发射（AE）[8]、中子成像（NR）[9]、光学相干断层扫描（OCT）[10] 和红外热成像（IRT）[11]。这些模式共同丰富了无损检测方法。Lu 等 [12] 采用红外热成像对建筑外墙进行空心检测，利用改进的 Canny 边缘检测算法消除了人工干预并实现了自动检测。Du 等 [13] 利用主动热成像缺陷检测与识别系统对 GFRP 风机叶片进行内部缺陷检测，通过结合二维经验模态分解、高斯滤波和 Otsu 阈值分割进一步过滤特征图像并提取缺陷轮廓，从而增强了缺陷可见性和检测率。Zhang 等 [14] 将脉冲红外热成像应用于激光粉末床熔融（LPBF）不锈钢的缺陷检测，提出了一种用于 PIT 图像处理的无监督学习时空分离聚类分割（STSCS）算法，该算法能够检测微小内部缺陷且性能强劲。因此，本研究将红外热成像应用于 CFRP 复合材料，并采用各种红外算法提取特征图像。然而，单一的红外无损检测仍需要人工缺陷判读，使其不适合自动检测，导致效率低下。

近年来，深度学习在许多计算机视觉任务中表现出卓越的性能。特别是卷积神经网络（CNNs），凭借其强大的特征提取和泛化能力，已被广泛应用于图像处理、分类和目标识别。大量研究证实，基于深度卷积神经网络的检测器在复杂的工业场景中显著优于传统方法 [15]。在通用目标检测中，框架大致分为两阶段和单阶段方法。以 Faster R-CNN 为代表的两阶段检测器通过区域提议网络实现高精度定位，但其巨大的计算开销和缓慢的推理速度阻碍了在工程实际中的应用。以 SSD 为代表的单阶段检测器显著提高了检测速度，但在小目标和低对比度缺陷的准确性方面仍然不足 [16]，[17]。这些局限性促使研究人员寻求在检测准确性和推理速度之间提供更好权衡的算法。2016 年，J. Redmon 等人引入了 YOLO（You Only Look Once），开创了工业缺陷检测的新范式。从 YOLOv1 到 YOLOv8，该系列经历了骨干网络、特征融合颈部和检测头的迭代架构优化，带来了持续的性能提升 [18]。YOLOv5 因其成熟的工程实现和稳定的性能而被广泛应用于工业质量检查，而 YOLOv7 则通过可训练的免费策略在不增加推理延迟的情况下提高了检测精度 [19]。在这些进步的基础上，YOLOv8 通过引入 C2f 模块构建轻量高效的骨干网络，采用完全无锚点的解耦检测头，并实施任务对齐标签分配，在通用目标检测中实现了改进的速度 - 精度权衡。然而，工业缺陷检测存在固有的挑战，包括缺陷尺度变化、形态不规则、复杂纹理背景以及小目标比例高。将通用检测模型直接转移到此类任务中会导致漏检率和误报率升高，特征提取能力不足的问题尤为突出 [20]，[21]。因此，针对特定工业检测场景对 YOLOv8 架构进行定向增强和优化仍然是关键的研究方向。

为了应对这些挑战，最近的研究从不同角度改进了 YOLOv8。在注意力机制方面，Ouyang 等 [20] 融合了新型注意力模块，显著提高了纺织缺陷检测的准确性和鲁棒性。在特征提取优化方面，Yin 等 [21] 提出了 EFEN-YOLOv8 框架，强调高效的空间特征捕捉和多级加权注意力，以补偿常规网络在工业环境中特征表征不足的问题。针对微小缺陷检测，Chen 等 [22] 设计了 PCB-YOLOV8X 用于检测 PCB 表面的微小缺陷。该模型增强了特征信息提取和多尺度融合，大幅减少了漏检和误报。此外，Wang 等 [23] 集成了多尺度特征融合策略用于铁路轨道缺陷检测，证明了浅层细粒度和深层语义信息之间增强的交互显著提高了复杂背景下小目标的检测精度。综上所述，这些研究表明，通过基于注意力的特征聚焦、多尺度特征融合和特征提取增强来改进 YOLOv8，是解决小缺陷尺度、低对比度和强纹理干扰的可行且有效的技术路径。然而，尽管 YOLOv8 具有多尺度特征融合的优势，但直接将其应用于 CFRP 分层缺陷检测仍面临特定挑战。首先，CFRP 的各向异性导热性导致缺陷区域与正常区域之间的温差信号微弱，导致缺陷表现为低对比度、模糊的热异常。其次，红外图像中复杂的背景噪声，归因于加热不均、表面发射率变化和环境热反射，产生了虚假的热信号。这些信号在特征空间中容易与微小的分层混淆，导致漏检率和误检率升高。第三，工业现场环境中检测的 CFRP 组件受到环境温度波动、风速变化等因素的影响，某些场景还需要快速检测。

为了应对这些挑战，本研究提出了一种结合红外序列预处理与改进 YOLOv8n 模型的 CFRP 复合材料缺陷检测方法。本研究的创新主要体现在三个方面：红外预处理、模型架构和结果量化。在预处理层面，不同于直接在单帧红外图像上进行对象检测的传统方法，本研究将锁相法、相关延迟法和相关峰值法纳入检测流程。通过处理原始热图像序列，这些算法增强了缺陷区域与背景区域之间的特征差异，从而为后续的对象检测提供更具判别力的输入。在模型架构层面，将高频感知模块 [24] 和可切换空洞卷积 [25] 共同纳入 YOLOv8n，以解决红外缺陷图像中低对比度、边缘模糊和尺度变化的挑战。这两个模块分别通过多尺度空间上下文建模和高频边缘纹理增强，提高了模型的特征提取能力。在结果量化层面，缺陷检测与像素校准方法相结合，将预测边界框的像素尺寸转换为实际物理尺寸，实现缺陷定位和尺寸量化的同时进行。本文其余部分分为五个部分。第一部分介绍了所用红外处理算法和 YOLOv8 模型的理论基础。第二部分提出了改进模型的理论概述。第三部分详细说明了实施和评估指标，包括实验设置、试件、数据集以及模型训练环境和参数。第四部分展示了实验结果和分析。最后，讨论了结论和局限性。

章节片段

红外处理算法
在红外成像无损检测中，红外序列的成像机制和红外成像系统的固有特性导致每一帧图像对比度低、图像模糊且信噪比低。因此，对红外序列进行预处理是必不可少的。处理红外序列的算法包括锁相法 [26]、相关延迟法 [27]、相关峰值法 [28] 等。
锁相算法在

改进的 YOLOv8 算法
本节全面概述了 YOLOv8n-SAH 模型框架，这是一个增强了两辅助组件的 YOLOv8 检测器：可切换空洞卷积（SAConv）和高频感知模块（HFPM）。YOLOv8n-SAH 的网络架构如图 2 所示。3.1 节详细说明了增强的骨干网络，随后 3.2 节介绍了 HFPM。

实验设置及序列图像处理结果
在本研究中，构建了一个红外热成像检测系统，用于采集 CFRP 复合材料分层缺陷试件的数据。该系统包括激发热源、红外热像仪和计算机。其示意图见图 5。缺陷试件见图 6。
图 7 展示了使用锁相法和互相关匹配滤波获得的特征图像。
本研究的检测流程包括两个阶段：红外

消融实验
为了评估 YOLOv8n-SAH 模型中改进模块对对象检测性能的影响，在构建的数据集上进行了一系列消融实验。为了比较基线 YOLOv8n 模型和改进的 YOLOv8n-SAH 模型的检测性能，使用相同的图像集进行对象检测实验。实验结果列于表 2 中。? 表示实施了对应的改进模块。

系统消融

结论
为了应对 CFRP 缺陷检测中红外图像背景噪声和分辨率低带来的挑战，本研究提出了一种基于红外图像算法预处理和 YOLOv8n-SAH 模型的缺陷检测方法。改进的 YOLOv8 架构包含两项关键增强。首先，SAConv 模块是一种新颖的卷积模块，通过动态融合机制增强特征提取。其次，HFPM 是一种高频感知模块，用于滤波

CRediT 作者贡献声明
范立梅：写作 – 初稿，验证，调查，数据整理。李智豪：写作 – 初稿，可视化，调查，数据整理。董方旭：概念化。高明宇：写作 – 审阅与编辑，监督，项目管理。孙燕：形式分析。唐振河：概念化。杜良杰：软件。魏闯：可视化。岳浩浩：方法论。王飞：项目管理，资金获取。刘军 Yan：项目管理，

未引用参考文献
[30], [31], [32], [33], [34].

竞争利益声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这些可能看似影响了本报告的工作。

致谢
作者感谢国家自然科学基金（批准号：U2570237）。

范立梅 | 李智豪 | 董方旭 | 高明宇 | 孙燕 | 唐振河 | 杜良杰 | 魏闯 | 岳浩浩 | 王飞 | 刘军 Yan
中国济南，山东非金属矿产研究所，250001