留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于时序信息的红外图像缺陷信息提取

王东升 王海龙 张芳 韩林芳 赵怡琳

王东升, 王海龙, 张芳, 韩林芳, 赵怡琳. 基于时序信息的红外图像缺陷信息提取[J]. 红外技术, 2022, 44(6): 565-570.
引用本文: 王东升, 王海龙, 张芳, 韩林芳, 赵怡琳. 基于时序信息的红外图像缺陷信息提取[J]. 红外技术, 2022, 44(6): 565-570.
WANG Dongsheng, WANG Hailong, ZHANG Fang, HAN Linfang, ZHAO Yilin. Infrared Image Defect Information Extraction Based on Temporal Information[J]. Infrared Technology , 2022, 44(6): 565-570.
Citation: WANG Dongsheng, WANG Hailong, ZHANG Fang, HAN Linfang, ZHAO Yilin. Infrared Image Defect Information Extraction Based on Temporal Information[J]. Infrared Technology , 2022, 44(6): 565-570.

基于时序信息的红外图像缺陷信息提取

基金项目: 

国家自然科学基金项目 51878242

详细信息
    作者简介:

    王东升(1992-),男,博士研究生,研究方向为图像处理、深度学习。E-mail: wds0301@outlook.com

    通讯作者:

    张芳(1976-),女,博士,副教授,研究方向为深度学习、软岩水理作用,近红外光谱分析等。E-mail: zhangf76@126.com

  • 中图分类号: TN219

Infrared Image Defect Information Extraction Based on Temporal Information

  • 摘要: 主动红外热像检测技术中,红外图像的缺陷信息提取是其核心内容。传统的红外图像处理方法在一定程度上可以消除噪声、提高图像的对比度,但是仍存在一些问题,如:需要手动选择特征信息丰富的红外图像,红外图像增强和图像分割过程中会引入主观成分,仅仅分析单张红外图像可能存在信息丢失等问题。针对上述问题,本文根据主动红外热成像的数据特征提出了一种基于时序信息的红外图像缺陷信息提取方法。首先,通过室内实验制作含缺陷分层的混凝土试块;然后,利用主动红外热像检测技术进行三维红外图像数据的采集,提取每个像素点的时序信息;最后,采用基于时序信息的K-means方法进行缺陷特征提取。结果表明,基于时序信息的缺陷提取方法是可行的,其可以提取到隐藏的分层缺陷信息,提取效果优于基于空域信息的K-means方法。
  • 图  1  主动红外热成像采集的数据结构:(a) 三维红外数据;(b) 像素点温度特征曲线

    Figure  1.  Active infrared thermal imaging acquisition of data structures (a) Three-dimensional infrared data; (b) Temperature characteristic curves of pixels

    图  2  实验试块和仪器:(a) 混凝土试块;(b) 红外热像仪;(c) 红外加热板

    Figure  2.  Test blocks and instruments: (a) Concrete test block; (b) Infrared thermal imager; (c) Infrared heating plate

    图  3  主动红外热像采集系统

    Figure  3.  Active infrared thermography acquisition system

    图  4  混凝土试块红外图像数据

    Figure  4.  Infrared image data of concrete block

    图  5  处理后的红外图像

    Figure  5.  Processed infrared image

    图  6  处理结果对比分析:(a) 红外原图;(b) 基于时序K-means方法;(c) 基于空域K-means方法

    Figure  6.  Comparative analysis of processing results: (a) Original infrared image; (b) K-means method based on temporal information; (c) K-means method based on spatial information

  • [1] Tran Q H, Huh J, Mac V H, et al. Effects of rebars on the detectability of subsurface defects in concrete bridges using square pulse thermography[J]. NDT & E International, 2018, 100: 92-100.
    [2] Konishi S, Kawakami K, Taguchi M. Inspection method with infrared thermometry for detect void in subway tunnel lining[J]. Procedia Engineering, 2016, 165: 474-83. doi:  10.1016/j.proeng.2016.11.723
    [3] GONG J L, LIU J Y, YU Y T, et al. Multi-characteristic combination based reliability enhancement of optical bidirectional thermal wave radar imaging for GFRP laminates with subsurface defects[J]. NDT & E International, 2021, 119: 102415.
    [4] 于龙姣, 于博, 李春庚, 等. 优化卷积网络及低分辨率热成像的夜间人车检测与识别[J]. 红外技术, 2020, 42(7): 651-659. http://hwjs.nvir.cn/article/id/hwjs202007008

    YU L J, YU B, LI C G, et al. Detection and recognition of persons and vehicles in low-resolution nighttime thermal images based on optimized convolutional neural network[J]. Infrared Technology, 2020, 42(7): 651-659. http://hwjs.nvir.cn/article/id/hwjs202007008
    [5] 王加, 周永康, 李泽民, 等. 非制冷红外图像降噪算法综述[J]. 红外技术, 2021, 43(6): 557-565. http://hwjs.nvir.cn/article/id/380dcf6e-de3d-4411-ab70-e246d5c8ea27

    WANG J, ZHOU Y K, LI Z M, et al. A survey of uncooled infrared image denoising algorithms[J]. Infrared Technology, 2021, 43(6): 557-565. http://hwjs.nvir.cn/article/id/380dcf6e-de3d-4411-ab70-e246d5c8ea27
    [6] 王书朋, 付程琳, 侯颖. 基于空时域级联滤波的红外焦平面条状噪声消除算法[J]. 红外技术, 2018, 40(4): 377-381. http://hwjs.nvir.cn/article/id/hwjs201804012

    WANG S P, FU L P, HOU Y. Destriping method of infrared images based on a concatenated spatial-temporal filter[J]. Infrared Technology, 2018, 40(4): 377-381. http://hwjs.nvir.cn/article/id/hwjs201804012
    [7] Heish M H, CHENG F C, Shie M C, et al. Fast and efficient median filter for removing 1%~99% levels of salt-and-pepper noise in images[J]. Engineering Applications of Artificial Intelligence, 2013, 26(4): 1333-1338. doi:  10.1016/j.engappai.2012.10.012
    [8] 朱道广, 隋修宝, 朱才高, 等. 基于多尺度的高动态红外图像增强算法[J]. 红外技术, 2013, 35(8): 476-481, 486. http://hwjs.nvir.cn/article/id/hwjs201308005

    ZHU D G, SUI X B, ZHU C G, et al. Enhancement algorithm for high dynamic range infrared image based on multi-scale processing[J]. Infrared Technology, 2013, 35(8): 476-481, 486. http://hwjs.nvir.cn/article/id/hwjs201308005
    [9] Dabov K, Foi A, Katkovnik V, et al. Image denoising by sparse 3-D transform-domain collaborative filtering[J]. IEEE Transactions on Image Processing, 2007, 16(8): 2080-2095. doi:  10.1109/TIP.2007.901238
    [10] 刘杰, 张建勋, 代煜. 基于多引导滤波的图像增强算法[J]. 物理学报, 2018, 67(23): 293-302. https://www.cnki.com.cn/Article/CJFDTOTAL-WLXB201823030.htm

    LIU J, ZHANG J X, DAI Yu. Image enhancement based on multi -guided filtering[J]. Acta Phys. Sin. , 2018, 67(23): 293-302. https://www.cnki.com.cn/Article/CJFDTOTAL-WLXB201823030.htm
    [11] 彭道刚, 尹磊, 戚尔江, 等. 基于OTSU和区域生长的电厂管道缺陷检测与分割[J]. 红外技术, 2021, 43(5): 502-509. http://hwjs.nvir.cn/article/id/0d4584a9-4405-4877-b4c5-4ab4e8adcbbb

    PENG D G, YIN L, QI E J, et al. Power plant pipeline defect detection and segmentation based on Otsu's and region growing algorithms[J]. Infrared Technology, 2021, 43(5): 502-509. http://hwjs.nvir.cn/article/id/0d4584a9-4405-4877-b4c5-4ab4e8adcbbb
    [12] 何谦, 刘伯运. 红外图像边缘检测算法综述[J]. 红外技术, 2021, 43(3): 199-207. http://hwjs.nvir.cn/article/id/f07883a2-f5b2-4521-b4ef-dceb94d24251

    HE Q, LIU B Y. Review of infrared image edge detection algorithms[J]. Infrared Technology, 2021, 43(5): 502-509. http://hwjs.nvir.cn/article/id/f07883a2-f5b2-4521-b4ef-dceb94d24251
    [13] ZHENG K, CHANG Y S, WANG K H, et al. Thermographic clustering analysis for defect detection in CFRP structures[J]. Polymer Testing, 2016, 49: 73-81. doi:  10.1016/j.polymertesting.2015.11.009
    [14] LUO Q, GAO B, WOO W L, et al. Temporal and spatial deep learning network for infrared thermal defect detection[J]. NDT & E International, 2019, 108: 102164.
    [15] CHENG C, SHANG Z, SHEN Z. Bridge deck delamination segmentation based on aerial thermography through regularized grayscale morphological reconstruction and gradient statistics[J]. Infrared Physics & Technology, 2019, 98: 240-249.
    [16] 汪凌志, 雷正刚, 周浩, 等. 基于空-谱特征K-means的长波红外高光谱图像分类[J]. 红外技术, 2020, 42(4): 348-355. http://hwjs.nvir.cn/article/id/hwjs202004007

    WANG L Z, LEI Z G, ZHOU H, et al. Long-wave infrared hyperspectral image classification based on K-means of spatial-spectral features[J]. Infrared Technology, 2020, 42(4): 348-355. http://hwjs.nvir.cn/article/id/hwjs202004007
    [17] 苏洪超, 胡英, 洪少壮. 基于红外图像特征与K-means的边缘检测[J]. 红外技术, 2020, 42(1): 81-85. http://hwjs.nvir.cn/article/id/hwjs202001012

    SU H C, HU Y, HONG S Z. Edge detection based on characteristics of infrared image and K-means[J]. Infrared Technology, 2020, 42(1): 81-85. http://hwjs.nvir.cn/article/id/hwjs202001012
  • 加载中
图(6)
计量
  • 文章访问数:  51
  • HTML全文浏览量:  9
  • PDF下载量:  19
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-12
  • 修回日期:  2021-08-22
  • 刊出日期:  2022-06-20

目录

    /

    返回文章
    返回