一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法

1.本发明属于红外图像处理领域，具体涉及一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法。


背景技术：

2.随着时代的发展，地球的不可再生资源如煤、石油等一直被不断地开发与使用，这些资源宝贵而有限。同时，随着全球气候变暖、雾霾等污染现象逐渐显现，人们开始发展利用清洁资源。其中，风能是绿色资源，在利用过程中几乎不产生任何温室气体，并且是一种可再生能源。风电叶片作为风电机组较重要的零部件，造价占整机的20％以上，其良好的设计、可靠的质量是决定风电机组性能优劣的关键。风电叶片通常是以环氧树脂为基质，用玻璃纤维布为补强体，真空浇注而成的一类复合材料产品。在叶片的加工过程中，会产生气孔、纤维断裂和夹杂等缺陷，在与梁的合模过程中还会产生缺胶、脱黏的现象。缺陷的存在会影响风电叶片在运行过程的性能，缩减风机寿命甚至发生事故，造成一定的经济损失。因此，对风电叶片缺陷的检出至关重要。
3.红外无损检测技术以其非接触式检测、测量速度快、测量结果直观、探测面积大等优点，广泛应用在材料缺陷检测中。红外检测技术应用于风电叶片复合材料缺陷检测时，由于风电叶片结构的影响，导致红外图像非均匀性非常强，成像效果不理想，缺陷边缘模糊不易辨认，影响风电叶片复合材料缺陷的检测效果。
4.为了提高红外图像的质量，就需要对获得的红外图像进行增强处理，突出缺陷边缘轮廓，提高缺陷检测效果。传统红外图像处理方法在处理风电叶片复合材料红外图像时存在图像对比不明显，对信噪比低的风电叶片复合材料图像检测效果不佳，而且影响检测结果的几个主要阈值参数通常都是人为根据经验设置的，需要反复测试去寻找最优参数，检测效率低下，以及检测出来的缺陷边缘轮廓提取不完整等问题，这些问题导致缺陷边缘检测效果不理想，难以实现风电叶片复合材料缺陷轮廓的高精度检测。


技术实现要素：

5.为解决上述技术问题，本发明提供一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法，用于风电叶片缺陷边缘轮廓的高精度检测，具体为：
6.步骤1：利用脉冲式红外检测系统对含有缺陷的风电叶片复合材料试件进行探伤，获取原始热图后用灰度两极法进行对比度增强处理；
7.步骤2：对比度增强后的图像进行动态滤波，减小图像噪声，提升图像质量；
8.步骤3：对步骤2后的图像采用sobel算子计算图像梯度幅值和梯度方向；
9.步骤4：对步骤3计算出的梯度幅值和方向采用非极大值抑制法，保留缺陷真正边缘；
10.步骤5：采用自适应双阈值法连接一定区域内的边缘点，自适应双阈值法自动求解最佳高阈值，根据复合材料红外图像特征研究取低阈值为高阈值的七分之六，从而确定两
个阈值；
11.步骤6：基于最优结构元素对步骤5得到的图像进行形态学闭运算处理，对局部存在缺口的轮廓进行连接；
12.与现有技术相比，本发明针对目前风电叶片复合材料红外图像噪声处理效果不佳，人工寻找阈值效率低下，图像增强效果不明显，缺陷轮廓提取不精确的问题，提出一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法，在传统红外图像处理的方法基础上，根据风电叶片复合材料的红外图像特征，采用灰度两极法，使得背景区和前景区像素形成反差，增强图像对比度；采用动态滤波法有效的滤除环境噪声，提高图像质量；此外采用自适应双阈值连接法，自动给出红外图像最佳高低阈值，避免了人为给定阈值的不确定性，大大提高检测效率；基于最佳结构元素采用形态学闭运算处理将缺陷轮廓提取完整，提高检测效果。本发明提供的红外缺陷检测方法有效可行，缺陷轮廓清晰准确，避免了人工选取阈值带来的复杂与不便，大大提高了检测效率，实现了风电叶片复合材料缺陷的高精度检测。
附图说明
13.通过对结合附图所示出的实施方式进行详细说明，下面描述中的附图仅仅是本发明的一些实施例，在附图中：
14.图1为一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法整体流程图；
15.图2为图像对比度增强效果图；
16.图3为动态滤波效果图；
17.图4为传统canny算子轮廓提取效果图和基于自适应双阈值法轮廓提取效果图；
18.图5为孔洞填充效果图；
19.图6为缺陷边长计算图；
具体实施方式
20.下面结合附图和具体实施方式，进一步阐明本发明。本发明提出了一种用于风电叶片复合材料的红外图像缺陷轮廓检测方法，图1为该方法流程图，获取原始热图后，采用灰度两极法进行图像对比度增强处理，采用动态滤波法进行去噪，通过梯度值和梯度方向计算、非极大值抑制、自适应双阈值连接和形态学闭运算处理提取缺陷边缘，实现风电叶片复合材料缺陷轮廓的高精度检测。
21.本实施例预制的含缺陷的风电叶片层合板试件尺寸长220mm，宽110mm，厚5mm，共分5层，每层厚1mm。缺陷尺寸分别设置为(从左向右)2mm、4mm、6mm、8mm、10mm、15mm；缺陷深度分别设置为(从上向下)1mm、1.5mm、2mm。
22.步骤1：利用脉冲式红外检测系统对含有缺陷的风电叶片复合材料试件进行探伤，获取原始热图后用灰度两极法进行对比度增强处理；
23.采用脉冲式红外检测，激励源2000w，脉冲宽度6s，脉冲周期20s，对被检测试件施加热量，共加热80s。得到原始红外热像图，选择其中一帧红外热像图进行缺陷轮廓提取。
24.对获取的原始热图像采用灰度两极法进行图像对比度增强，原始热图首先进行灰度化处理，为使得图像中缺陷处和健康处具有较大对比度，统计计算图像的灰度值，自动计
算出最佳灰度分布区间，将其灰度分布区间映射到[0,1]之间，实现处理图像中白色部分更加白，黑色部分更黑的效果。
[0025]
图像对比度增强效果如图2所示，图2(a)为红外原图，图2(b)为彩色图像灰度图，图2(c)为图像对比度增强效果图。从图2(b)和2(c)对比可以看出，未进行对比度增强的图像缺陷信息不明显，增加图像对比度增强处理后，图像对比度明显增强，缺陷信息更清晰。
[0026]
步骤2：对比度增强后的图像进行动态滤波处理，减小图像噪声，提升图像质量；
[0027]
具体地，设f
x,y
为点(x,y)的灰度值，d为当前工作窗口，首次选择窗口尺寸3*3，f
max
、f
min
、f
med
分别为窗口d
x,y
的灰度最大值、灰度最小值和灰度中值，d
max
为预设允许的最大窗口模板。判断当前区域中中值点是否为噪声点，若f
max
》f
med
》f
min
，说明中值点不是噪声点，则需判断(x,y)的像素值是否为噪点，若满足f
max
》f
x,y
》f
min
，认为该点为噪声点，需用中值点代替原始灰度值，滤除噪声。否则，保留当前像素点的灰度值。在判断当前区域中值点是否是噪声点这一部分，如果中值被认定为是噪声点，就自动增大窗口d
x,y
尺寸。
[0028]
图3为动态滤波效果图，图3(a)为上一步对比度增强后的原图，图3(b)为加入噪声后的热图，图3(c)为传统高斯滤波效果，图3(d)为动态滤波效果图。对比图3(c)和图3(d)对噪声的降噪效果可以看到，动态滤波降噪效果好，能有效去除噪声并保护缺陷边缘。
[0029]
步骤3：对步骤2后的图像采用sobel算子计算图像梯度幅值和梯度方向；
[0030]
梯度是一个矢量，包含大小和方向，表示某一函数在该点处的方向导数沿着该方向取最大值，即函数在该点沿着该方向(此梯度的方向)变化最快，变化率最大(为该梯度的模)，就是梯度。由于图像是离散的，对一幅图像，有x方向和y方向，如下图3*3所示：f(x-1，y-1)f(x-1，y)f(x-1，y+1)f(x，y-1)f(x，y)f(x，y+1)f(x+1，y-1)f(x+1，y)f(x+1，y+1)图像f
[0031]
利用sobel算子两个方向的模板分别与原图像f进行卷积计算，计算水平方向g
x
或垂直方向gy像素值的变化情况。
[0032]
对于图像f的每一点计算其梯度值，并得出近似的梯度为：g＝|gx2+gy2|，对于图像f的每一点计算梯度方向，
[0033]
步骤4：对步骤3计算出的梯度幅值和方向采用非极大值抑制法，保留缺陷真正边缘；
[0034]
具体地，结合步骤3得到的梯度值和梯度方向，依次对每一像素点进行检测。
[0035]
根据梯度方向，对梯度幅值进行非极大值抑制。若一个像素点属于边缘点，则此像素点在梯度方向上的梯度值最大，否则其灰度值为0。
[0036]
将0～360
°
的梯度方向角θ归并为四个方向：0
°
、45
°
、90
°
、135
°
，对于所有边缘定义180
°
＝0
°
、225
°
＝45
°
。如果θ(x，y)＝0
°
，那么检查像元(x+1，y)、(x，y)和(x-1，y)；如果θ(x，y)＝45
°
，那么检查像元(x+1，y+1)、(x，y)和(x-1，y-1)；如果θ(x，y)＝90
°
，那么检查像元(x，y+1)、(x，y)和(x，y-1)；如果θ(x，y)＝135
°
，那么检查像元(x+1，y-1)、(x，y)和(x-1，y+1)；
[0037]
比较三个被检像元的梯度值，如果点(x，y)的梯度值大于其余两个点，则认为点(x，y)是边缘点而被标记，否则判断为不是边缘，赋0。按照此方法依次重复遍历图像中所有像素点。
[0038]
步骤5：采用自适应双阈值法连接一定区域内的边缘点，自适应双阈值法自动求解最佳高阈值，根据复合材料红外图像特征研究取低阈值为高阈值的七分之六，从而确定两个阈值；
[0039]
具体地，利用一个阈值将图像f中的所有像素分为两部分，前景部分s和背景部分w形成一个类的关系，设前景部分平均灰度a，这部分像素点占图像全部像素点的比值为n1。背景部分平均灰度b，这部分像素点占图像全部像素点的比值为n2。计算图像全局灰度均值为mg＝a*n1+b*n2；类间方差σ＝a(n1-mg)2+b(n2-mg)2，按照公式计算0-255所有像素的类间方差，最大值就是高阈值th，低阈值设置为高阈值的七分之六。
[0040]
图4为传统canny算子轮廓提取效果和基于自适应双阈值法的轮廓提取效果对比，图4(a)为传统canny算子效果图，图4(b)为自适应双阈值算法的边缘提取图，从图4(a)中可以看出，传统的canny算子缺陷轮廓提取图像的边缘细节保留不足，导致目标轮廓不连续且边缘细节信息丢失，与实际缺陷形貌相差非常大，而本实施例提出的算法很好地保留边缘细节，突出缺陷轮廓，较好的还原了缺陷形貌，如图4(b)所示。除此之外，相比较传统canny算子轮廓提取时需要人工选取阈值，自适应双阈值法自动选取最佳高低阈值，能有效避免人工操作的复杂与不便，大大提高检测效率。
[0041]
步骤6：基于最优结构元素对步骤5得到的图像进行形态学闭运算处理，对局部存在缺口的轮廓进行连接；
[0042]
具体地，因为图像灰度值的不连续性，使得轮廓处仍然出现断开部分，所以采用形态学闭运算的方法先对图像膨胀再腐蚀图像，连接断开的轮廓线。首先根据风电叶片复合材料红外图像特征，创建结构元素5*5的卷积核x：
[0043]
将步骤5所得图像与结构元素先进行膨胀处理再进行腐蚀处理，卷积核遍历图像的每一像素点，连接缺陷处断开的轮廓线，平滑其边界。
[0044]
在步骤6中对上一步得到的轮廓图像4(b)进行形态学闭运算处理，将经过上一步后还未连接的轮廓线再次进行连接，得到如图5(a)，从图中可以看到，通过形态学闭运算处理，缺陷轮廓边缘都已连接，形成完整的缺陷轮廓形貌。孔洞填充后的缺陷图像如图5(b)所示。对孔洞填充后的图像进行缺陷的定量计算，效果如图6所示，图6(a)为缺陷标号统计图，图6(b)为各缺陷的边长计算图，6(c)为实际尺寸与测量尺寸对比图。由图6(c)可知，缺陷的测量尺寸与实际尺寸吻合较好，缺陷轮廓提取精度较高。
[0045]
最后有必要在此说明的是：本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制，本领域的技术人员根据本发明的上述内容作出的一些非本质的改进和调整均属于本发明的保护范围。