譚 丹，張志杰，王祿祥，尹武良,2

基于LabVIEW的紅外熱波圖像缺陷檢測系統(tǒng)設計

譚 丹1，張志杰1，王祿祥1，尹武良1,2

（1. 中北大學 儀器科學與動態(tài)測試教育部重點實驗室，山西 太原 038507；2. 曼徹斯特大學 電氣與電子工程學院，英國 曼徹斯特 M139PL）

碳纖維增強復合材料大量應用于航空領域，對其質量提出了更高的要求。但是傳統(tǒng)人工檢測方法工作強度高、效率低。為了提高碳纖維復合材料的缺陷檢測效率，本文基于LabVIEW軟件開發(fā)平臺設計CFRP（carbon fiber reinforced plastics）缺陷檢測系統(tǒng)，提取缺陷邊緣并進行數(shù)量統(tǒng)計。本研究采用主動式紅外熱成像無損檢測技術，通過紅外熱像儀獲取激光掃描的損傷試樣表面熱圖像。針對紅外圖像對比度及均勻性差的特點，使用HSL（hue, saturation, luminance）進行顏色平面提取，灰度變換，選用適用于處理光照分布不均勻圖像的Niback局部閾值分割處理算法進行感興趣區(qū)域圖像閾值分割處理。最后通過形態(tài)學處理增強圖像并實現(xiàn)缺陷特征提取和缺陷數(shù)量統(tǒng)計。本文通過搭建紅外熱成像缺陷檢測實驗平臺完成紅外熱波缺陷圖像的采集、處理，設計軟件平臺及用戶界面以實現(xiàn)缺陷特征的提取。相比于人工檢測，該系統(tǒng)的設計極大地減少了檢測用時，有助于實現(xiàn)缺陷檢測的自動化。

LabVIEW；CFRP；紅外熱成像；缺陷檢測

0 引言

復合材料近年來發(fā)展迅速，其集原組分材料的優(yōu)點以達到更好的綜合性能，廣泛應用于多種領域。目前，應用最廣泛的復合材料之一——碳纖維增強樹脂基復合材料（carbon fiber reinforced plastics，CFRP），是以碳纖維為增強材料合成樹脂為基體而形成的非金屬復合材料[1]。碳纖維增強樹脂基材料始于20世紀60年代，其具有的密度低、比強度高、熱膨脹系數(shù)小、耐疲勞性好等優(yōu)異性能滿足特殊結構所需的輕質、高強、重載等要求，最先應用于航空航天、軍事裝備等高精尖領域。隨著復合材料性能提升及制造成本降低，碳纖維增強復合材料也逐漸轉向民用，應用于汽車制造、海底油田、土木建筑、體育器材等多個領域。然而，由于復合材料在制造過程中的不穩(wěn)定性，容易出現(xiàn)分層、夾雜、脫粘、孔隙等制造缺陷。此外，在服役時易受外界沖擊載荷作用和復雜環(huán)境的影響，產生沖擊損傷，表現(xiàn)為基體裂紋、分層、纖維斷裂等損傷形式[2]。這些損傷的出現(xiàn)會降低設計性能及使用壽命，嚴重的，會危及工作人員的人身安全。

紅外熱成像無損檢測技術采用非破壞手段對材料表面及近表面缺陷進行檢測，與傳統(tǒng)無損檢測方法相比，具有檢測速度快、無需接觸，易于實現(xiàn)自動化等優(yōu)點。而紅外圖像形成的過程中會伴隨噪聲，且熱源激勵的試樣內部的熱擴散也會造成圖像邊緣模糊，導致采集的紅外圖像視覺效果差，影響缺陷的定位識別及特征提取。為此，學者們針對檢測目標及紅外圖像的特點提出了一些改進方法。康爽等針對紅外圖像清晰度低的問題，提出一種自適應迭代閾值加權的差分頂帽變換方法以增強圖像細節(jié)[3]。王亞麗等通過改進傳統(tǒng)OSTU算法選定最優(yōu)閾值，然后提取紅外圖像缺陷特征以實現(xiàn)太陽光伏板缺陷的檢測[4]。近年來，計算機視覺技術應用于缺陷檢測的研究也日趨增多。郭輝、沈勇等人采用攝像頭和計算機，基于LabVIEW圖形語言開發(fā)環(huán)境和IMAQ Vision圖像處理工具包編制的軟件對麻花鉆圖像進行預處理、邊緣檢測以及圖像測量。開發(fā)的麻花鉆幾何角度測量程序，可以測量麻花鉆頂角、橫刃斜角及公稱直徑[5]。鄭中華等設計的SIM卡槽缺陷檢測系統(tǒng)，運用模板匹配、形態(tài)學處理、彩色定位算法，分別實現(xiàn)了目標特征及位置的獲取，目標輪廓細化，漏銅情況判別的功能[6]。

本文基于紅外輻射原理，搭建紅外熱成像實驗平臺以獲取CFRP樣品缺陷熱圖像，并運用計算機視覺實現(xiàn)碳纖維增強復合材料缺陷的自動檢測。軟件系統(tǒng)設計使用美國NI（National Instruments）公司的2022版LabVIEW軟件開發(fā)平臺，研究對碳纖維復合材料進行缺陷檢測的實際應用。

1 試樣制備及圖像獲取

1.1 試樣制備

為研究檢測系統(tǒng)對碳纖維層板缺陷的檢測能力，實驗在碳纖維復合層壓板上人為制造了不同形狀不同深度及相同形狀不同方向的平底孔缺陷。使用的碳纖維增強復合層壓板由T800型碳纖維制備，尺寸為167mm×100mm×2.4mm，采用0°鋪層方式，共14層。缺陷試樣及尺寸信息如圖1及表1、2所示。根據(jù)人為制造的缺陷形狀，將缺陷試樣分為兩組，圓形缺陷和矩形缺陷。其中，表2中#9～#12矩形缺陷的長邊方向為0°（碳纖維排布方向）參考方向。

1.2 圖像獲取

實驗搭建的紅外熱成像缺陷檢測系統(tǒng)組成示意圖如圖2所示。該系統(tǒng)由激光掃描系統(tǒng)、紅外圖像采集系統(tǒng)及圖像處理軟件系統(tǒng)組成。其中，激光掃描系統(tǒng)包括PC機、激光發(fā)生器、移動平臺；紅外圖像采集系統(tǒng)包括光學棱鏡、紅外熱像儀；圖像處理軟件系統(tǒng)位于PC機上。

圖1 層壓板缺陷試樣

表1 圓形缺陷幾何尺寸

表2 矩形缺陷幾何尺寸及方位

圖2 紅外熱成像缺陷檢測系統(tǒng)組成示意圖

實驗采用武漢銳科光纖激光器技術有限責任公司的RFL-A500D型915nm直接半導體激光器作為激勵源。激光器有連續(xù)和調制兩種工作模式，在連續(xù)模式中，激光器是連續(xù)出光的，而調制模式下激光器輸出光脈沖。為了快速、全面檢測CFRP試樣，采用線激光對CFRP層板進行連續(xù)掃描加熱。在PC端設置內部連續(xù)工作模式，激光功率13W，通過RS-232串口與激光器進行通信。

掃描過程的實現(xiàn)可以通過兩種方式，激光移動試樣不動以及激光固定試樣移動。為了避免激光移動過程中受環(huán)境的影響以及實驗中安全隱患的出現(xiàn)等不穩(wěn)定因素，選用第二種移動試樣的方式。通過移動平臺控制二維平面內物體的運動及運動方向，設置移動為速度50mm/s，沿纖維鋪層方向掃描加熱試樣表面。激光掃描加熱樣板示意圖如圖3所示。為了檢驗系統(tǒng)識別缺陷的能力，將線激光中心掃描路徑調整到表面缺陷為3mm直徑的圓形及兩組長軸取向互相垂直的矩形的中心對稱軸處。進一步，將線激光對稱軸調整到距離平面缺陷為5mm直徑的圓形中心對稱軸2mm處，以研究熱源中心偏離缺陷對檢測結果的影響。

出射激光由組合光學棱鏡進行光束校準，使試樣表面受熱均勻。激光源發(fā)出激光束，落在2.4m遠樣板表面形成直徑4mm圓形光斑，經棱鏡校準整形成45mm長梭形線激光。實驗選用浙江大立科技股份有限公司非制冷焦平面微熱型的DL700便攜式紅外熱像儀。設置采樣頻率50Hz，紅外熱像儀采集試樣表面熱圖像序列。以直徑為3mm的圓形平底孔缺陷為例，選取其中連續(xù)的10幀，其熱序列如圖4所示。

圖3 掃描樣板示意圖

我們理想的情況是：激光光斑進入視場范圍后，熱源勻速掃描試樣表面，直到光斑駛出視場區(qū)域，停止加熱。圖4熱序列圖像#1-10中，#1為激光光斑進入視場區(qū)域，#5為激光光斑剛離開區(qū)域，#1-5激光掃描加熱樣板表面，#6-10停止加熱。觀察整個過程可以看出，熱源加熱始末存在熱量堆積，掃描路徑上中間溫度高于兩側且缺陷區(qū)域溫度低于非缺陷區(qū)域。這是因為移動平臺從啟動到關閉的過程為變速過程，從而固定在移動平臺上的樣板從靜止到運動的相互轉換表現(xiàn)為激光掃描缺陷表面的相對運動過程非勻速。起止點處速度低于預設速度，則掃描過程的平均速度低于預設速度，起止點一段路徑上加熱時間更長獲取的能量更高，因此起止點處存在熱量堆積，溫度較高。由于校準的線激光形狀并非標準規(guī)則形狀，為中間寬兩端尖近似為梭形，又光纖激光器的出射激光服從高斯分布，中間能量高于四周，且材料表面的擴散由激光光斑向周圍擴散，這樣，我們看到的紅外圖像中激光掃描路徑上的中間區(qū)域溫度高于兩側。由于缺陷處的空氣介質熱導率小于CFRP材料介質，空氣會阻礙熱量的傳播，則熱量在平底孔表面的熱擴散較材料表面慢。且掃描速度為50mm/s，掃描速度快，缺陷處加熱時間短，熱量不足以完全擴散到缺陷表面，故缺陷處溫度低于非缺陷區(qū)域。

圖4 直徑為3mm的圓形平底孔缺陷熱序列

觀察熱序列圖像可以看出，激光光斑進入視場范圍后，熱源掃描加熱試樣表面，當激光光斑剛離開視場范圍時，采集的紅外圖像中缺陷整體視覺效果最明顯，故取激光剛離開視場的紅外圖像作進一步的處理，即圖4中序列編號為#5的圖像，以檢測試樣全貌。選取的待處理圓形和矩形紅外圖像如圖5所示。

為了節(jié)省篇幅，如未特殊說明，圖像處理各部分僅取某一種缺陷做處理，旨在說明該圖像算法的特點。如預處理部分以直徑為3mm圓形平底孔缺陷為例。

(a)直徑為3mm圓形(a) Circle with diameter of 3mm(b)直徑為5mm圓形(b) The diameter is 5mm round (c) 0°方向矩形(c) 0° direction rectangle(d) 90°方向矩形(d) 90° direction rectangle

2 軟件系統(tǒng)設計

本文基于LabVIEW軟件開發(fā)平臺與視覺開發(fā)模塊VDM（vision development module）編寫紅外熱成像缺陷檢測軟件。軟件系統(tǒng)主要包括4個部分：圖像讀取、圖像預處理、圖像增強和缺陷檢測。圖像處理軟件設計流程圖如圖6。

圖6 軟件設計流程圖

2.1 圖像讀取

實驗通過上述搭建的紅外熱成像系統(tǒng)獲取圖像序列。待處理圖像取不同直徑的圓形與不同方向的矩形平底孔缺陷紅外圖像各兩組，傳輸至NI Vision VI所分配的內存中。我們采集的紅外圖像為24位的RGB圖像，NI Vision VI讀取文件數(shù)據(jù)時會自動轉換為NI Vision支持的32位RGB圖像，以進行進一步處理。

2.2 圖像預處理

2.2.1 顏色空間轉換

灰度圖像只包含亮度信息，而彩色圖像則同時包含亮度信息和色度信息。為了簡化算法，提高系統(tǒng)檢測速度，首先將采集的紅外圖像轉化為灰度圖像。

NI Vision提供RGB、HSL、HSV和HSI色彩空間，HSL色彩空間通常用于各種圖像處理算法設計，故將RGB轉換至HSL色彩空間，即色調（Hue）、飽和度（Saturation）、亮度（Luminance）色彩空間。三分量中的L分量包含了圖像的亮度信息，與圖像的的色彩信息完全區(qū)分開來，故取L分量做進一步處理。

程序通過NI Vision提供的IMAQ CastImage VI將彩色圖像轉換為HSL(U32)格式，使用IMAQ Extract Single Color Plane VI提取圖像的單分量，HSL三分量圖像信息如圖7所示。

圖7 HSL三分量圖像

2.2.2 灰度變換

灰度變換是指根據(jù)某種目標條件按一定變換關系逐點改變目標圖像中每一個像素灰度值的方法[7]。圖像灰度變換是一種圖像空域處理方法，分為線性和非線性變換。通過對像素進行線性或非線性變換，將圖像像素灰度值映射為僅由輸入和變換關系決定的像素值。設輸入圖像像素灰度值為＝(,)，輸出圖像像素灰度值為＝(,)，灰度變換函數(shù)為()，則圖像灰度變換可表示為：

(,)＝[(,)] (1)

常用的灰度變換方法有5種，分別為線性變換、指數(shù)變換、對數(shù)變換、冪值大于1的冪變換與冪值在0～1之間的冪變換。分析各種變換曲線的特點及多次實驗后，文中取冪值為1/1.5的冪變換。5種灰度變換結果及冪變換處理前后圖像直方圖如圖8、圖9所示。

從冪變換處理前后結果及其直方圖的對比可以看出，處理前圖像像素集中在一個很小的范圍內，灰度圖像模糊、亮度低；變換后的圖像直方圖低灰度區(qū)間被拉伸，高灰度區(qū)間被壓縮，得到的圖像更亮，有效地改善了圖像的顯示效果。

2.3 圖像增強

2.3.1 感興趣區(qū)域提取

ROI（region of interest），感興趣區(qū)域。在計算機視覺系統(tǒng)開發(fā)過程中，對被處理圖像添加矩形、圓、不規(guī)則多邊形等形狀以勾畫出需要處理的區(qū)域，該區(qū)域稱為感興趣區(qū)域。LabVIEW中常見的ROI操作包括構建ROI、關聯(lián)ROI到圖像顯示窗口、從圖像顯示窗口中提取ROI以及清除圖像顯示窗口中的ROI等。

圖8 灰度變換結果

圖9 灰度變換前后圖像直方圖

為了減少不必要的數(shù)據(jù)處理，提高檢測系統(tǒng)的處理速度和實時性。我們在圖像中添加矩形或圓形邊框以勾選出感興趣區(qū)域，將目光集中在待處理問題的關鍵處。

2.3.2 閾值分割

圖像閾值分割是一種常用的圖像分割方法。通過設定不同特征的一個或多個閾值，將圖像像素進行分類。常用的特征有圖像的灰度、色彩及二者變換所得的特征?；叶乳撝捣指罘╗8]以圖像的灰度直方圖作為參考，選取閾值。單灰度閾值分割、半灰度閾值分割、多灰度閾值分割表達式如式(2)(3)(4)。

式中：(,)為原始灰度圖像；1(,)、2(,)、3(,)為分割后的圖像；及T（＝1,2,3…,－1)為閾值，Max為圖像中像素的最大灰度，T(＝1,2,3,…,)為常數(shù)。由上式可見，單一閾值分割法通過設定灰度閾值，將小于閾值的背景部分置0，大于等于閾值的目標部分置1；半閾值分割法中，大于等于閾值的像素灰度值得到保留；多閾值分割法用一對低高閾值(lower,higher)將灰度圖像劃分為多類，用灰度常量標記各類。文中基于單閾值分割法的原理，將圖像分割成僅含目標和背景的二值圖像。

根據(jù)灰度閾值選取鄰域的范圍，閾值分割法分為局部閾值分割法和全局閾值分割法。局部閾值分割法由指定窗口鄰域內像素信息確定每個像素的閾值，窗口大小小于圖像尺寸，適用于光線分布不均的情況。全局閾值分割法由整幅圖像的像素信息確定閾值，窗口尺寸與整幅圖像一致，通常適用于處理光照均勻的圖像。紅外圖像存在分辨率低、均勻性差、對比度弱的缺點，導致缺陷圖像邊緣模糊，與背景難以區(qū)分。因此，我們選取局部閾值分割法分割圖像。

局部閾值分割程序IMAQ LocalThreshold提供背景糾正（background correction）和Niback二值化（Niback algorithm）兩種優(yōu)化算法。Niback二值化算法通過計算每個像素的閾值與原像素進行比較，將像素分割成目標與背景。設像素點灰度值(,)，(,)和2(,)分別為其鄰域內均值和方差，則計算公式如下。

式中：為偏差系數(shù)，一般取0.2。

Niback二值化算法的執(zhí)行速度受到鄰域大小的選取及偏差系數(shù)取值的影響。局部閾值分割法為圖像中的每個像素計算閾值，鄰域大小的選取直接影響算法的執(zhí)行速度，通常選取鄰域尺寸略大于分割的最小目標。由(5)中的計算公式看出，偏差系數(shù)值越小，方差對閾值的影響越小，被標記的目標像素越接近平均灰度，當＝0時，處理速度最快。以0°矩形平底孔缺陷為例，閾值分割部分前面板見圖10。

圖10 閾值分割前面板

程序運行時設置查找的目標類型為亮背景中的暗目標，偏離參數(shù)設置為0.2，窗口大小設置為20×32（略大于目標）。觀察閾值化處理前灰度圖像（圖10中Src顯示控件內）發(fā)現(xiàn)，紅外圖像亮度分布不均，激光掃描始末端存在熱量堆積，在圖像中表現(xiàn)為首尾區(qū)域亮度高于中間區(qū)域；且熱擴散由激光光斑沿四周擴散，表現(xiàn)為中間部分亮度高于兩側；缺陷處空氣介質的熱擴散率小于材料板，表現(xiàn)為圖像缺陷處亮度低于周圍材料。觀察處理后的二值圖像（圖10中Binary顯示控件內）發(fā)現(xiàn)，局部閾值分割算法能適應各類亮度不均的情況，較好地分割圖像。

由于采集的紅外圖像缺陷邊緣模糊，均勻性差，導致分割的圖像中目標與背景分界不清，分割過程將背景錯誤標記為目標。因此，后續(xù)使用二值形態(tài)學處理進行糾正。

2.3.3 形態(tài)學處理

圖像分割的質量直接決定后續(xù)目標特征的提取，其分割效果受到圖像質量的影響。為了去除二值圖像中不需要的信息，準確提取圖像中的目標顆粒結構，使用形態(tài)學處理獲取缺陷邊界并進行缺陷數(shù)量統(tǒng)計。

形態(tài)學處理包含多種計算形式?；镜男螒B(tài)學處理作用于圖像像素值，腐蝕（erosion）、膨脹（dilation）、擊中-擊不中（hit-miss）為3種最基本的形態(tài)學運算形式；高級形態(tài)學處理作用于二值圖像中的顆粒，使用孔洞填充（fill hole）、邊界剔除（reject border）、顆粒分離（particle separation）等運算處理圖像中的顆粒。

顆粒的定義為圖像中相互連通的一組非0或灰度較高的像素所構成的區(qū)域[8-9]。數(shù)字圖像中與像素鄰接的像素點有8個，依據(jù)連通性判斷準則判斷其是否屬于同一顆粒。4連通和8連通為兩種常用的連通性判斷準則。4連通準則將水平與垂直方向與像素緊挨的像素判斷為同一顆粒，而8連通準則除水平與垂直方向，還將對角線上相連像素判斷為同一顆粒。

形態(tài)學處理增強子系統(tǒng)用戶界面及0°矩形平底孔缺陷增強過程如圖11、12。閾值分割結果如圖12(a)，程序首先調用IMAQ Morphology對二值圖像進行自動中值（Auto-Median）組合形態(tài)學處理，增強二值圖像，處理結果如圖(b)。觀察圖(b)，我們事先知曉(b)中與圖像邊界相連的顆粒為背景，為了將其去除，使用IMAQ RejectBordor VI進行處理，基于8連通準則將屬于各邊界顆粒的像素點置0，得到圖(c)。觀察圖(c)發(fā)現(xiàn)，圖中有幾處微小顆粒，這里使用IMAQ Remove Particle去除雜質顆粒。將腐蝕次數(shù)設為2，IMAQ Remove Particle使用元素值均為1的3×3結構元素對圖像進行低通濾波，去除長度為4及以下的顆粒，得到圖(d)。為了避免分割過程中可能出現(xiàn)孔洞，這里使用IMAQ FillHole填充凸殼得到圖(e)。最后使用IMAQ Label為二值圖像中的顆粒設定灰度標記值，將標記圖像作為遮罩圖像轉換為ROI，從而實現(xiàn)缺陷的可視化，提取出缺陷邊緣并統(tǒng)計缺陷數(shù)量。

圖11 形態(tài)學處理增強子系統(tǒng)用戶界面

圖12 0°矩形平底孔缺陷形態(tài)學增強過程：(a) 二值圖；(b) 自動中值；(c) 去除邊界；(d) 過濾顆粒；(e) 孔洞填充；(f) 標記顆粒；(g) 缺陷可視化

3 結果和分析

檢測系統(tǒng)界面設置了打開圖片、灰度化、灰度變換、提取ROI、形態(tài)學處理、退出系統(tǒng)6個操作按鈕；圖像顯示、缺陷數(shù)量顯示兩個顯示模塊；以及一個ROI工具條。運行程序，用戶點擊打開圖片按鈕從內存中讀取待處理紅外圖像，點擊灰度化按鈕將彩色圖片轉換為灰度圖片，然后點擊灰度變換按鈕執(zhí)行子程序。在灰度變換子系統(tǒng)中，用戶可以根據(jù)檢測對象及其特征更改灰度變換方法及設置對應的數(shù)值。接下來選擇圖形顯示控件左側的ROI工具條以添加ROI輪廓，然后點擊提取ROI按鈕，則圖像顯示控件中單獨顯示用戶最終添加的ROI輪廓對應的區(qū)域。最后，點擊形態(tài)學處理按鈕，運行界面會彈出形態(tài)學處理增強子系統(tǒng)，用戶可以設置局部閾值分割方法及相應參數(shù)；調整形態(tài)學處理方法及相關參數(shù)；更改腐蝕次數(shù)來去除一定長度內的雜質顆粒以更好地完成目標邊界的提取。

CFPR紅外圖像缺陷檢測系統(tǒng)前面板及平底孔試樣缺陷檢測結果如圖13、14所示。圖13中，0°矩形平底孔缺陷數(shù)量顯示位于圖像顯示控件下側，統(tǒng)計結果為4，并且其余類型缺陷的數(shù)目統(tǒng)計結果都為4。由圖14可以看出，該系統(tǒng)可以準確快速地檢測出圓形及矩形平底孔缺陷。觀察提取的邊界曲線發(fā)現(xiàn)，曲線不平滑且缺陷形狀為非規(guī)則的圓形及矩形，這可能是因為材料及制造工藝不穩(wěn)定所造成的三維熱傳導不一致，圖像采集及算法處理過程中產生的噪聲點以及試樣移動造成的目標拉升等因素。觀察圖14(b)發(fā)現(xiàn)，直徑為5 mm的圓形平底孔缺陷中僅末端缺陷邊界不完整，這可能是因為缺陷表面積大、深度高（2 mm）且激光中心偏低缺陷中心導致熱擴散范圍未能完全覆蓋缺陷。

圖13 紅外圖像缺陷檢測結果前面板

圖14 缺陷邊界提取結果：(a) 3mm圓形；(b) 5 mm圓形；(c) 0°矩形；(d) 90°矩形

4 結束語

針對航空領域應用廣泛的碳纖維復合材料損傷問題，本文搭建了紅外熱成像缺陷檢測實驗平臺。在提高檢測效率方面，基于LabVIEW平臺設計紅外圖像缺陷檢測系統(tǒng)。軟件系統(tǒng)主要運用局部閾值分割方法及形態(tài)學處理算法提取缺陷邊緣并進行缺陷計數(shù)。實驗結果表明，該系統(tǒng)能快速準確地定位平底孔缺陷并計算其數(shù)量。

[1] 楊福挺, 楊沖沖, 李英昊, 等. 乙醇對碳纖維復合材料界面的影響[J]. 功能高分子學報, 2020, 33(1): 63-69.

YANG Futing, YANG Chongchong, LI Yinghao, et al. Ethanol's influence on the carbon fiber composite material interface[J]., 2020, 33(1): 63-69.

[2] 楊紅娟, 楊正巖, 楊雷, 等. 碳纖維復合材料損傷的超聲檢測與成像方法研究進展[J]. 復合材料學報, 2023, 40(8): 4295-4317.

YANG Hongjuan, YANG Zhengyan, YANG Lei, et al. Research progress of ultrasonic detection and imaging methods for damage of carbon fiber composites [J].: 2023, 40(8): 4295-4317.

[3] 康爽, 陳長征, 劉石, 等. 基于最優(yōu)多尺度集的形態(tài)學紅外圖像缺陷檢測研究[J]. 太陽能學報, 2022, 43(6): 145-152.

KANG Shuang, CHEN Changzheng, LIU Shi, et al. Morphological infrared image defect detection based on optimal multi-scale set[J]., 2022, 43(6): 145-152.

[4] 王亞麗, 孫堅, 徐紅偉. 基于紅外成像太陽能板缺陷檢測方法研究[J]. 測控技術, 2015, 34(7): 59-61, 66.

WANG Yali, SUN Jian, XU Hongwei. Based on infrared imaging solar panels defect detection method research[J]., 2015, 34(7): 59-61, 66.

[5] 郭輝, 沈勇, 岳林峰, 等. 基于LabVIEW麻花鉆幾何角度的測量[J]. 工具技術, 2014, 48(1): 82-85.

GUO Hui, SHEN Yong, YUE Linfeng, et al. Measurement of geometric angle of twist drill based on LabVIEW [J]., 2014, 48(1): 82-85.

[6] 鄭中華, 施鑫銘, 劉偉斌, 等. 基于Labview機器視覺的SIM卡槽缺陷檢測系統(tǒng)研究[J]. 東莞理工學院學報, 2021, 28(5): 50-56.

ZHENG Zhonghua, SHI Xinming, LIU Weibin, et al. Research on SIM card slot defect detection system based on Labview machine vision[J]., 2021, 28(5): 50-56.

[7] 王娜. 顆粒圖像分割與分析方法研究[D]. 成都: 電子科技大學, 2009.

WANG Na. Research on Segmentation and Analysis Method of Granular Image[D]. Chengdu: University of Electronic Science and Technology of China, 2009.

[8] 楊高科. 圖像處理、分析與機器視覺（基于LabVIEW）[M]. 北京: 清華大學出版社, 2008.

YANG Gaoke.(Based on LabVIEW)[M]. Beijing: Tsinghua University Press, 2008.

[9] 王雪晴, 劉錦濤, 衛(wèi)亞博, 等. 基于機器視覺和LabVIEW的有機玻璃缺陷檢測研究[J]. 吉林化工學院學報, 2021, 38(1): 68-73.

WANG Xueqing, LIU Jintao, WEI Yabo, et al. Research on defect detection of Plexiglass based on machine vision and LabVIEW[J]., 2021, 38(1): 68-73.

Design of Infrared Thermal Wave Image Defect Detection System Based on LabVIEW

TAN Dan1，ZHANG Zhijie1，WANG Luxiang1，YIN Wuliang1,2

(1.,,038507,; 2.,,M139PL,)

Carbon fiber reinforced composites are widely used in aviation field, which requires higher quality. But the traditional manual detection method has high work intensity and low efficiency. In order to improve the defect detection efficiency of carbon fiber reinforced plastics (CFRP), this study designed a defect detection system based on LabVIEW software development platform, extracted defect edges and performed quantitative statistics. In this study, active infrared thermal imaging non-destructive testing technology is used to obtain the surface thermal images of damaged samples scanned by laser through infrared thermal imager. In view of the poor contrast and uniformity of infrared images, HSL(Hue, Saturation, Luminance) is used to carry out color plane extraction and gray transform, and Niback local threshold segmentation algorithm suitable for processing images with uneven illumination distribution is selected to carry out threshold segmentation processing of image of the region of interest. Finally, morphological processing is used to enhance the image and realize defect feature extraction and defect number statistics. In this study, an infrared thermal imaging defect detection experiment platform is built to complete the acquisition and processing of infrared thermal wave defect images, and the software platform and user interface are designed to realize the extraction of the defect features. Compared with manual detection, the design of this system significantly reduces the detection time and is helpful in realizing the automation of defect detection.

LabVIEW, CFRP, infrared thermal imaging, defect detection

TP274

A

1001-8891(2024)04-0483-08

2023-04-12；

2023-05-23.

譚丹（1997-），女，四川南江人，碩士研究生，主要從事紅外熱成像缺陷檢測、圖像處理方面的研究。E-mail：tandan97319@163.com。

張志杰（1965-），男，山西五臺人，教授，博士生導師，主要從事動態(tài)測試理論與信號處理、動態(tài)誤差及不確定度等方面的研究。E-mail：zhangzhijie@nuc.edu.cn。