Infrared Detection of Near Surface Defects of Aeroengine Blade Based on Array Hot Air Excitation
-
摘要: 航空发动机叶片的三维曲面结构、复杂的材料特性和特殊的冷却通道等，给叶片近表面缺陷的检测带来了困难。针对热激励源加热不均导致检测的红外热图效果差、缺陷识别率低的问题，提出了一种阵列热风激励的主动红外检测方法，改进并搭建一套可调阵列热风红外无损检测实验平台。通过设计阵列热风激励与局部热风激励的对比实验，并采用Canny算子进行缺陷边缘识别，证明了阵列热风激励主动红外检测方法的优势。通过实验分析不同材料下含裂纹试件的温度变化规律。实验结果表明：随热扩散系数增大，温升出现越早，表面最大温度呈下降趋势。通过利用检测实验平台对航空发动机叶片进行检测，揭示了导热性和隔热性缺陷的温度分布规律；其中导热性、隔热性和两者混合类型的缺陷检出率分别达到86.7%、93.3%、90%，也表明阵列热风激励红外检测方法能有效检测出航发叶片中的裂纹缺陷。Abstract: The three-dimensional curved structure, complex material properties and special cooling channels of the aeroengine blades have brought difficulties to the detection of the near surface defects of the blades. Aiming at the problem that the uneven heating of the thermal excitation source leads to poor detection of infrared heat maps and low defect recognition, an active infrared detection method based on array hot air excitation is proposed, and a set of adjustable array hot air infrared non-destructive testing experimental platform is improved and built. By designing a comparative experiment between array hot air excitation and local hot air excitation, and using the canny operator to identify the edge of defects, the advantages of the array hot air excitation active infrared detection method are proved. The temperature variation law of the cracked specimens under different materials is analyzed through experiments. The experimental results show that as the thermal diffusion coefficient increases, the earlier the temperature rise occurs, and the maximum surface temperature shows a downward trend. Through the use of testing experimental platform to detect the aeroengine blades, the temperature distribution law of thermal conductivity and thermal insulation defects is revealed; the thermal conductivity, thermal insulation, and two mixed types of defects are detected The rates reached 86.7%, 93.3%, and 90% respectively. It also shows that the array hot-air excitation infrared detection method can effectively detect the crack defects in the blades of the aeroengine.
-
Keywords:
- aeroengine blade /
- array hot air /
- near surface defect /
- Canny algorithm
-
0. 引言
混凝土材料往往因为预埋钢筋的腐蚀、水的侵蚀、连续的冻融循环、荷载等多种因素共同作用，产生裂缝、孔洞和分层等缺陷[1]。这些内部缺陷随着时间的推移会逐渐积聚、扩展，严重威胁着结构的耐久性和安全性[2]。主动红外热像检测方法作为一种无损检测手段，由于具有检测面积大、非接触式和应用操作简单等优点在混凝土结构检测领域得到了广泛的关注，并逐渐被应用到了隧道、桥梁现场检测中。
主动红外热像检测技术是一种利用红外热像仪检测材料内部缺陷的无损检测方法，其检测的基本原理是：材料被热激励后其表面红外辐射量因内部缺陷的存在而表现出差异，红外热像仪通过记录该差异，以获得材料内部的缺陷信息[3]。红外图像的信息提取与分析是红外热像检测技术的核心内容。理论上，根据热图像缺陷区域和正常区域之间的红外辐射差异可获得缺陷的信息。但实际上，红外图像本质是根据缺陷与正常区域之间的温度和辐射率生成的灰度图，而且红外光辐射的能量远比可见光低，因此到达光学镜头的红外辐射能很小，导致了红外图像与可见光图像相比只有较低的对比度，分辨弱小目标和细节能力差[4]；另外，红外光子的随机性、红外成像系统的固有特性以及热激励不均匀等给红外图像引入了许多噪声，在一定程度上改变了图像的原始信息，增加了图像分割及后续图像处理的难度[5-6]。传统的基于空域的红外图像处理方法主要分为两个大的步骤：首先，是对红外图像进行降噪和增强，常用的方法有高斯滤波、中值滤波、引导滤波、小波变换、Contourlet变换、三维块匹配算法等[7-10]；其次，对红外图像进行边缘特征的提取，常用的方法有：基于边缘的检测算法、基于数学形态的检测算法和最近发展较快的基于网络模型的检测算等[11-12]。传统的基于单张空域的红外图像处理方法虽然在一定程度上可以消除噪声的影响、提高图像的对比度，但是仍存在一些问题。第一，采集的数据集包含大量的热图像，每一帧红外图像都对应着某一时刻，依靠视觉手动选择缺陷信息丰富的红外图像进行缺陷信息的提取的识别费时费力。第二，在图像降噪、增强和图像分割过程中设定阈值会引入主观成分，干扰红外图像的解释。第三，仅仅分析单张红外图像，忽略采集过程中的时序信息可能会导致忽略一些边缘的缺陷信息[13-14]。
针对上述问题，本文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，其次利用主动红外热像检测技术进行红外数据的采集，提取每个像素点的温度特征曲线，然后采用基于时序信息的提取方法进行含分层缺陷混凝土的缺陷提取，并与传统的基于空域的处理方法进行对比分析。
1. 基本原理
1.1 主动红外热像检测技术原理和系统
主动红外热像检测技术中，当以一定的距离对混凝土材料表面持续加热时，物体会吸收入射波的能量并将其转化为热能，并以温度场的形式表现出来。如果试样存在缺陷（本研究采用的是隔热型缺陷，模拟混凝土内部的空气分层缺陷），到达缺陷的大部分能量将反射到试样表面，引起表面正常区域和有缺陷区域温度场的差异。
利用红外热像仪记录整个检测过程中物体表面温度场的空间和时间分布信息，通过对红外图像数据进行分析和处理进而可以提取材料近表层的分层缺陷信息。主动红外热像检测技术采集到的一系列红外图像组成了一个三维的图像数据集[15]（尺寸：Nx×Ny×Nt，见图 1(a)），在空间维度上，每一帧对应着某一时刻红外热像仪所采集到的物体表面温度场信息，其像素个数为Nx×Ny；在时间维度上，每个像素点可以看作是一条随时间变化的温度特征曲线（Nt时间点组成），如图 1(b)所示，其中标签NT11 DEFECT表示缺陷区域的温度特征曲线，标签NT11 NORMAL表示正常区域的温度特征曲线。
![]()
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 pixels1.2 基于时序信息的缺陷信息提取原理
主动红外热像技术采集到的三维红外图像数据，其正常区域和含缺陷的区域每个像素点的温度特征曲线在冷却阶段会存在差异，如图 1(b)所示，利用这个特点我们可以采用许多能够分辨这个特征曲线差异值的相关算法进行缺陷信息的提取，本文采用相对简单、容易实施的K-means方法来提取混凝土的缺陷信息。K-means聚类方法的原理是同一类内的实体是相似的，一个类是测试空间中点的集合，同一类内任意一个点到其类中心的距离小于其到其它类中心的距离，我们可以用此算法分辨正常区域和缺陷区域的温度特征曲线[16]。K-means方法的关键是核函数的选取，核函数决定了其分辨能力，本文采用常用的马氏距离进行度量。其具体算法原理如下[17]：
假设给定的数据集为Y={y1, y2, …, ym}，其中yi=[X1, X2, …, Xn]，将数据对象划分为k类C={c1, c2, …, ck}，每个类有一个类中心U={u1, u2, …, uk}。选取欧式距离作为相似性和距离判断准则，计算ck类内各点到聚类中心uk的距离平方和，见公式(1)：
$$ J\left( {{c_k}} \right) = \sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} $$ (1) 聚类的目标是使各类总的距离平方和最小，见公式(2)：
$$ J(C) = \sum\limits_{k = 1}^K J \left( {{c_k}} \right) = \sum\limits_{k = 1}^K {\sum\limits_{{x_i} \in {C_k}} {{{\left\| {{x_i} - {u_k}} \right\|}^2}} } $$ (2) 根据最小二乘法和拉格朗日原理，聚类中心uk应该取为类别ck类各数据点的平均值。
K-means算法是一个反复迭代过程，目的是使聚类域中所有的点到聚类中心距离的平方和最小。
2. 实验与数据分析
2.1 实验过程
本次实验混凝土试件的设计强度为C50，尺寸为50 cm×50 cm×20 cm，在混凝土中嵌入4块尺寸为10 cm×10 cm的聚苯乙烯材料（隔热型材料），模拟混凝土中的分层缺陷，混凝土试块见图 2(a)。试验采用美国FLIR公司的A655SC非制冷型红外热像仪，其热灵敏度为30 mK，图像分辨率为640×480，标准测温范围为－40℃~150℃，波长范围为7.5~14 μm，见图 2(b)。主动热激励系统采用自制的配有自动控制加热时间的碳化硅远红外加热板，共2块，每块加热板的加热功率为500 W，见图 2(c)。整个实验过程中加热时间为5 min，冷却时间为10 min；加热完成后，立即用红外热像仪采集试样表面的冷却温度场，整个采集系统见图 3所示，本文选用的是持续加热法。
![]()
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 plate2.2 红外图像数据
实验采集到的红外图像序列如图 4所示，根据红外图像可以发现一共存在4块分层缺陷，各个缺陷之间存在温度场相互影响的干扰区，而且各个缺陷的轮廓比较模糊，存在被隐藏的缺陷信息。整个采集的红外图像数据的第一帧（0 s）最清晰，其正常区域和缺陷区域存在较大的温差；之后随着冷却的进行，正常区域和缺陷区域的温差逐渐减小，缺陷信息逐渐模糊，至最后一帧很难用肉眼分辨。
3. 红外图像处理和对比分析
3.1 红外图像缺陷提取
主动红外热像检测技术所采集的图像每一帧都含有大量的噪声，为了测试基于时序信息红外图像缺陷信息提取的可行性以及性能，本次在图像特征提取前不对图像进行预处理。首先，将红外图像数据按像素点逐个提取时间序列，组成聚类数据集；然后将时序数据序列输入到K-means程序中，进而得到每一帧各个像素点的聚类信息。为了提高运算效率，本次在图像序列处理中采样间隔为1，其序列长度减小为原来的一半。聚类完成后得到图像中每一个像素点所属的类别，进而完成对图像缺陷信息的提取。
图 5为经过聚类后的提取结果，通过观察发现4个缺陷信息都被提取出来，与原始红外图像相比（图 4），其缺陷信息有了明显的增强，缺陷信息完全肉眼可见，每个识别出的缺陷区域呈近似正方形，完整性相当好，接近于预埋缺陷的形状，而且缺陷提取后的图像序列的时序信息得以保留。
3.2 对比分析
为了测试基于时序信息红外图像分层缺陷的信息提取效果，本文采用基于空域的二维K-means图像缺陷信息提取算法与其进行对比。由于采集的红外图像数据集第一帧（0 s）缺陷信息最清晰，因此选用第一帧红外图像进行基于空域的分层缺陷信息提取。两种方法的分层缺陷信息提取结果见图 6，由图 6(b)所示，基于时序信息的分层缺陷提取方法4个分层缺陷都被完全提取出来，图 6(a)中模糊、隐藏的信息也被提取出来，缺陷细节分辨能力较好。由图 6(c)所示，基于空域信息的分层缺陷信息提取方法4个分层缺陷被识别为一个缺陷，缺陷细节分辨能力较差。通过分析可能是受缺陷之间温度场叠加的相互影响，缺陷之间区域（图 6(a)中虚线框内部所示的无缺陷区域）的温度信息和分层缺陷的温度场信息较为接近，而和图 6(a)的无缺陷边缘温度场信息差异较大，导致基于空域信息的提取方法效果较差；根据含缺陷混凝土试块的物理特性可知，存在分层缺陷和正常区域的温度特征曲线是存在差异的，基于时序信息的提取方法主要是根据每个像素点的温度特征曲线差异来提取特征，其提取缺陷的分辨能力和效果更好。
![]()
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 information4. 结论
主动红外热像检测技术中，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。针对上述问题，本文根据主动红外热成像的数据特点提出了一种基于时序信息的红外图像缺陷信息提取方法。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缺陷信息，分层缺陷信息提取效果优于基于空域的K-means方法。
-
![]()
图 1 可调阵列热风红外无损检测实验平台
Figure 1. Adjustable array hot air infrared non-destructive testing experimental platform
![]()
图 6 不同材料的表面温度曲线
Figure 6. Surface temperature difference graph for different materials
表 1 材料参数[12]
Table 1 Material parameters
Material ρ/(kg·m-3) C/(J·kg-1·K-1) k/(W·m-1·K-1) α/(m2·s-1) 45 4620 522 21.9 9.08×10-6 TC4 7850 434 49.8 1.46×10-5 7075 2270 875 144 7.20×10-5 Ni718 8240 435 14.7 1.18×10-5 
下载: 导出CSV
表 2 含裂纹航发叶片的检出率
Table 2 Detection rate of cracked aviation blades
Type Correct identification number/Total number of collections The detection rate/% Thermal conductivity 13/15 86.7 Thermal insulation 14/15 93.3 Two blends 27/30 90.0
下载: 导出CSV
-
[1] 吕事桂, 刘学业. 红外热像检测技术的发展和研究现状[J]. 红外技术, 2018, 40(3): 214-219. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201803003.htm LYU Shigui, LIU Xueye. Development and research status of infrared thermal image detection technology[J]. Infrared Technology, 2018, 40(3): 214-219. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201803003.htm
[2] 魏嘉呈, 刘俊岩, 何林, 等. 红外热成像无损检测技术研究发展现状[J]. 哈尔滨理工大学学报, 2020, 25(2): 64-72. https://www.cnki.com.cn/Article/CJFDTOTAL-HLGX202002010.htm WEI Jiacheng, LIU Junyan, HE Lin, et al. Recent progress in infrared thermal imaging nondestructive testing technology[J]. Journal of Harbin University of Science and Technology, 2020, 25(2): 64-72. https://www.cnki.com.cn/Article/CJFDTOTAL-HLGX202002010.htm
[3] 习小文, 苏清风, 袁雅妮, 等. 超声红外热成像技术在航空发动机叶片裂纹的对比研究[J]. 红外技术, 2021, 43(2): 186-191. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202102013.htm XI Xiaowen, SU Qingfeng, YUAN Yanni, et al. Comparative study of using ultrasonic infrared thermography for detecting aeroengine blade cracks[J]. Infrared Technology, 2021, 43(2): 186-191. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS202102013.htm
[4] 孙吉伟, 冯辅周, 张丽霞, 等. 涡流脉冲热像检测中金属疲劳裂纹的生热分析[J]. 红外技术, 2019, 41(4): 383-387. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201904014.htm SUN Jiwei, FENG Fuzhou, ZHANG Lixia, et al. Thermal analysis of metal fatigue cracks in eddy current pulsed thermography[J]. Infrared Technology, 2019, 41(4): 383-387. https://www.cnki.com.cn/Article/CJFDTOTAL-HWJS201904014.htm
[5] Selvathi D, NithillaI H, Akshay N. Image processing techniques for defect detection in metals using thermal images[C]//3rd International Conference on Trends in Electronics and Informatics(ICOEI), IEEE, 2019: 939-944.
[6] 高治峰, 董丽虹, 王海斗, 等. 振动红外热成像技术用于不同类型缺陷检测的研究进展[J]. 材料导报, 2020, 34(9): 9158-9163. https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB202009022.htm GAO Zhifeng, DONG Lihong, WANG Haidou, et al. Research progress and prospect of vibrothermography in different defect types[J]. Materials Reports, 2020, 34(9): 9158-9163. https://www.cnki.com.cn/Article/CJFDTOTAL-CLDB202009022.htm
[7] Souridi P, Chrysafi A P, Athanasopoulos N, et al. Simple digital image processing applied to thermographic data for the detection of cracks via eddy current thermography[J]. Infrared Physics & Technology, 2019, 98: 174-186.
[8] 米浩, 杨明, 于磊, 等. 基于超声红外热成像的缺陷检测与定位研究[J]. 振动·测试与诊断, 2020, 40(1): 101-106, 205-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCS202001015.htm MI Hao, YANG Ming, YU Lei, et al. Defect detection and location of based on ultrasonic infrared thermal imaging[J]. Journal of Vibration Measurement & Diagnosis, 2020, 40(1): 101-106, 205-206. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCS202001015.htm
[9] 罗立, 王瀚艺. 基于超声红外热成像的复合材料表面裂纹识别[J]. 激光杂志, 2020, 41(12): 146-150. https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ202012032.htm LUO Li, WANG Hanyi. Surface crack identification of composite materials based on ultrasonic infrared thermal imaging[J]. Laser Journal, 2020, 41(12): 146-150. https://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ202012032.htm
[10] 李科, 钟安彪, 李玉杰, 等. 基于热风激励的红外成像检测技术研究[J]. 激光与红外, 2016, 46(7): 823-826. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201607011.htm LI Ke, ZHONG Anbiao, LI Yujie, et al. Research on infrared imaging detection based on hot wind heating[J]. Laser & Infrared, 2016, 46(7): 823-826. https://www.cnki.com.cn/Article/CJFDTOTAL-JGHW201607011.htm
[11] 康爽, 陈长征, 周勃, 等. 基于温度阈值风电叶片缺陷识别的红外检测研究[J]. 太阳能学报, 2020, 41(8): 337-341. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202008045.htm KANG Shuang, CHEN Changzheng, ZHOU Bo, et al. Research on infrared detection of wind turbine blade defect recognition based on temperature threshold[J]. Acta Energiae Solaris Sinica, 2020, 41(8): 337-341. https://www.cnki.com.cn/Article/CJFDTOTAL-TYLX202008045.htm
[12] 杨正伟, 谢星宇, 李胤, 等. 激光扫描热成像无损检测关键参数影响分析[J]. 红外与激光工程, 2019, 48(11): 91-101. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201911015.htm YANG Zhengwei, XIE Xingyu, LI Yin, et al. Influence analysis of key parameters in laser scanning thermography nondestructive testing[J]. Infrared and Laser Engineering, 2019, 48(11): 91-101. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201911015.htm
[13] 唐庆菊, 刘俊岩, 王扬, 等. 基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测[J]. 红外与激光工程, 2016, 45(9): 281-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201609042.htm TANG Qingju, LIU Junyan, WANG Yang, et al. Infrared image edge recognition and defect quantitative determination based on the algorithm of fuzzy C-means clustering and Canny operator[J]. Infrared and Laser Engineering, 2016, 45(9): 281-285. https://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ201609042.htm
[14] Ratsakou A, Skarlatos A, Reboud C, et al. Shape reconstruction of delamination defects using thermographic infrared signals based on an enhanced Canny approach[J]. Infrared Physics and Technology, 2020, 111: 103527.
[15] 王福斌, 孙海洋, TU Paul. 边缘扩展的皮带撕裂支持向量机视觉检测[J]. 中国机械工程, 2019, 30(4): 455-460. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201904011.htm WANG Fubing, SUN Haiyang, TU Paul. Visual inspection for extended edge belt tearing based on SVM[J]. China Mechanical Engineering, 2019, 30(4): 455-460. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201904011.htm
-
期刊类型引用(3)
1. 邱欣欣，温强，何婧. 基于参考帧的数字媒体视频图像信息隐藏算法. 吉林大学学报(信息科学版). 2025(02): 377-383 . 
百度学术
2. 李环宇，冯国会，刘馨，蒲毅，王涵. 基于红外热成像的围护结构热工性能定量检测方法研究进展. 太阳能学报. 2024(07): 427-437 . 百度学术
3. 张迁，王剑，楚瑞博，陈欢欢. 基于BRISK-BEBLID特征的无人机图像快速配准方法. 激光杂志. 2023(06): 92-98 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 214
- HTML全文浏览量: 28
- PDF下载量: 42
- 被引次数: 4
