一种集成的光纤激光热成像系统，用于在受限空间中对近表面缺陷进行智能检测

《Infrared Physics & Technology》：An integrated fiber-laser thermography system for intelligent inspection of near-surface defects in confined spaces

　　

摘要

在复杂金属部件中，特别是在核蒸汽涡轮机散热器等受限几何形状内，对近表面缺陷（NSDs）的现场检测受到空间限制和恶劣环境噪声的显著阻碍。传统的无损检测（NDT）方法在检测微小缺陷时通常不够灵敏，且缺乏此类受限检查所需的机械灵活性。本研究提出了一种创新的集成激光主动热成像系统，专门用于克服这些挑战。该系统采用紧凑的光纤耦合半导体激光器，将庞大的激励源与检测头有效分离，从而可以更方便地检测狭窄的间隙。

通过使用3D有限元热传导仿真，我们优化了激励参数（90 W，10秒），以最大化热对比度，同时防止表面烧蚀。

为了确保在低信噪比（SNR）条件下仍能可靠地表征缺陷，我们开发了一个分层的数据处理流程：（1）采用基于Transformer的Restormer网络进行图像恢复，与高斯滤波相比，SNR提高了8.9%，有效抑制了背景噪声，同时保留了关键的高频缺陷边缘；（2）建立了一种定量反演模型，结合了模糊C均值（FCM）聚类和反向传播（BP）神经网络，使得宽度估计误差在5%以内，深度预测误差主要在0.06毫米以内；（3）采用增强了的YOLOv11架构，并加入了自适应噪声过滤和空间注意力机制，用于自动缺陷识别。在标准钢样和真实核热沉上的实验验证表明，该系统的平均精确度（mAP@50）达到了97.9%，证明了其在受限空间内提供高精度、定量和自动化检测解决方案的能力。尽管所提出的方法在常规情况下表现出优越的鲁棒性，但其性能在很大程度上受到稳定成像质量的需求限制。在极端操作环境中，例如核电站的水下环境，算法的泛化能力和检测性能会受到影响，需要进一步改进。

引言

金属部件是现代工业的支柱，在航空航天、核能和汽车工程领域发挥着关键作用[1]。然而，它们的结构完整性经常因近表面缺陷（NSDs）——包括微裂纹、孔隙和疲劳损伤——而受到威胁，这些缺陷可能在制造过程中或组件使用寿命期间出现，导致灾难性故障的风险[2]、[3]、[4]、[5]。因此，确保关键部件（特别是核蒸汽涡轮机叶片和散热器）的可靠性至关重要。

尽管迫切需要有效的检测方法，但在受限空间或复杂几何形状上进行检测时，识别NSDs面临重大技术挑战。传统的无损检测（NDT）技术在这种情况下存在固有局限性。例如，超声波检测（UT）常常受到近表面“盲区”的阻碍，使得浅层缺陷的检测变得复杂[6]、[7]；同样，涡流检测（ET）受到皮肤效应和严格起离要求的限制，必须靠近检测表面[8]、[9]。为了解决这些局限，主动红外热成像（AIRT）作为一种引人注目的替代方案出现，它具有非接触操作、快速检测率和覆盖大面积的能力[10]、[11]、[12]、[13]，目前已在航空工业中得到广泛应用[14]。在各种激励模式中，激光激励特别适用于受限空间[15]。通过使用灵活的光纤输送激光束，可以将笨重的激励单元与紧凑的检测探头空间分离，有效克服几何限制[16]、[17]、[18]。

尽管有这些优势，激光热成像的现场应用仍面临与图像质量、定量表征和自动识别相关的挑战。原始红外热图常常受到环境噪声和非均匀表面发射率的影响，导致峰值信噪比（PSNR）较低。尽管常采用传统的线性降噪技术，如高斯滤波或中值滤波[19]、[20]，但这些方法往往会降低高频边缘信息的完整性，从而影响缺陷尺寸的准确性。像块匹配和3D滤波（BM3D）[22]以及小波变换[23]、[24]这样的高级算法提供了改进，但往往会导致过度平滑或引入环状伪影。最近，深度学习方法也被探索，但卷积神经网络（CNNs）受限于其局部卷积操作，限制了它们对全局热分布特征的建模能力[25]、[26]。为了解决这些固有限制，将物理原理与先进的神经架构相结合，最近显示出在确保热力学一致的缺陷分割方面的巨大潜力[27]。相反，基于Transformer的架构[28]、[30]在捕捉长距离依赖性方面表现出色，为全局信息检索提供了有希望的途径[31]，但它们很少针对热成像数据恢复进行优化。

此外，准确定量表征缺陷的深度和宽度仍然是一个复杂的逆问题。基于热传导模型的分析方法[32]通常在理想化的假设下运行，这些假设与实际实验条件不符。为了克服在不均匀加热和低信噪比下的传统启发式指标的局限性，最近提出了符合物理原理的方法，如散度显著性热成像，它提供了可靠的边界和深度表征[33]。同时，利用神经网络的数据驱动方法已被研究用于将热特征映射到缺陷尺寸；然而，提高近表面微缺陷的精度仍然是一个动态的研究领域[34]。

关于自动识别，YOLO（You Only Look Once）系列改变了物体检测[35]。虽然YOLOv5和YOLOv8等迭代已经成功用于表面缺陷检测[36]、[37]，但标准模型在应用于红外热图时通常表现不佳，因为小目标可能被显著噪声遮挡，导致遗漏检测或误报。最近发布的YOLOv11增强了特征提取能力[38]；然而，其针对热缺陷检测的特定适应还需要进一步研究。

为了应对这些相互关联的挑战并在受限空间实现高精度检测，本研究提出了一种集成的基于激光的主动热成像系统。主要贡献包括：（1）构建了一个紧凑的光纤耦合半导体激光激励系统，便于在受限环境中进行现场检测；（2）引入了基于Transformer的Restormer网络[31]，用于去噪热图像，有效抑制噪声的同时通过全局注意力机制保留微缺陷的清晰边缘；（3）结合模糊C均值（FCM）聚类[39]和反向传播（BP）神经网络的定量表征方法，以实现精确的缺陷尺寸；以及（4）增强了的YOLOv11模型[38]，集成自适应噪声过滤和空间注意力机制，用于自动识别微缺陷。

章节片段

适用于受限空间的光机械设计

所提出的检测系统采用了反射模式主动热成像配置，专为受限空间精心设计。激励源是连续波（CW）半导体激光器（915 nm），最大输出功率为350 W。该系统的一个关键特点是通过5米的光纤将庞大的激光单元与光学头分开，从而能够灵活地进入受限区域，如涡轮机内部。

基于Transformer的去噪网络

在工业环境中捕获的原始红外热图经常对比度低且噪声干扰严重。传统的去噪方法，如高斯滤波或中值滤波[15]，为了降低噪声往往会牺牲缺陷边缘的清晰度，这不利于准确测量。为了解决这个问题，我们整合了基于Transformer的Restormer图像恢复网络[18]。与在空间域计算自注意力的标准Transformer不同（计算成本O

多层次缺陷表征和识别

在实际的工业检测中，效率和精度至关重要。因此，本文描述了一个渐进式检测工作流程：（1）快速定位：使用改进的YOLOv11模型扫描全局热图像，快速识别并划定潜在缺陷区域（兴趣区域，ROIs），以复杂的背景为对比。（2）精确量化：一旦定位到缺陷，系统就会裁剪这些ROI，并应用FCM聚类和BP神经网络

实验设置和评估协议

用于验证的所有热图首先通过第3节中描述的基于Restormer的图像恢复模块进行处理。如表3和图4所示，基于Restormer的预处理模块在比较的滤波方法中获得了最高的PSNR和SSIM值，表明它可以在抑制噪声的同时保留缺陷边缘信息。因此，恢复后的热图被用作后续基于YOLOv11的自动检测的更高质量输入。

结论

本研究成功建立了一个集成的基于激光的主动热成像框架，旨在克服在受限工业环境中检测近表面缺陷的挑战。通过开发紧凑的光纤耦合激励系统，并通过3D有限元仿真验证热扩散机制，我们证实了实现微小缺陷可见热对比度的可行性，同时优化了激励参数以防止表面烧蚀。

为了

CRediT作者贡献声明

Hongjie Li:撰写——原始草案、方法论、调查、数据管理。Jingya Tao:可视化、软件、形式分析。Dongdong Zhou:撰写——审阅与编辑、撰写——原始草案、方法论、调查、概念化。Shanglin Lv:可视化、验证、调查、数据管理。

未引用的参考文献

[29], [40].

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能会影响本文的报告。

致谢

作者衷心感谢国家科技重大专项（2025ZD1602300）、光电子测量与智能感知（项目编号：LabSOMP-2025-02）以及中央高校基本科研业务费（FRF-AT-26-023）的财政支持。

Hongjie Li|Jingya Tao|Dongdong Zhou|Shanglin Lv

北京科技大学钢铁技术创新中心，中国北京市海淀区学源路30号，100083