桥梁红外无损检测主观评价指标探析

■许瀚文

（新疆维吾尔自治区交通规划勘察设计研究院， 乌鲁木齐 830002）

在桥梁无损检测的探究中，诸多学者一直致力于研究如何评价桥梁检测的图像处理效果的好坏，但对于桥梁检测图像质量的评价标准并不统一。 传统方法一般分为主观评价方法和客观评价方法，其主观评价方法就是检测者根据图像提取的桥梁钢构件损伤部位信息结合事先规定的评价尺度或者自己的经验，对桥梁测试图像按视觉效果做出质量判断，给出桥梁损伤程度等级[1]。 这种方法虽然很好地利用了检测者的经验，但是无法用数学统计模型对桥梁直观损伤程度进行描述， 不易定量检测，不利于信息化处理，而且评价的结果受检测者的知识背景、情绪以及疲劳程度等因素的影响，因此在桥梁检测的应用中受到了严重的限制。 相比之下，客观评价方法的优势在于可以根据一定的数学模型对试验图像进行定量的计算和测量， 如对比度、均方根误差、峰值信噪比等，以获得更加准确的评价结果[2-5]。

但随着国家对桥梁检测技术的不断规范化、严格化，目前以客观评价为主的检测报告已经远远无法满足现有工程检测的需求，迫切需要将主观评价进行信息化处理。 近年来许多学习者也发现了主观评价的重要性，刘丽[6]对实验结果进行定量分析，采用线性模糊性指数量度、清晰度和标准差来定量分析算法的增强性能， 但个别评价结果数值较为接近，无法准确判断处理效果的好坏。 因此本文针对桥梁无损检测的红外图像处理结果评价体系进行研究对比，提出了主观评价辅助指标，一方面打破现有桥梁检测对客观评价的高度依赖性，同时对主观评价进行图像信息可视化，进一步完善桥梁无损检测评价体系。

1 桥梁损伤部位红外热波图像处理技术

1.1 试验设备及环境

本文采用带圆孔桥梁钢腹板为实验对象，实验装置如图1 所示，钢腹板构件长度为0.3 m，宽度为0.05 m，厚度为0.002 m，中部圆孔半径为0.006 m，该试件的材料参数分别为导热系数k=36.7 W/（m·K），比热容c=470 J/（kg·K），密度ρ=7790 kg/m3，构件底端固定，上端以5 Hz 频率为施加幅值为-1×108～1×108N/m2的周期荷载， 实验室温27℃， 空气湿度51%RH。

图1 试验装置

1.2 试验图像获取

图2 为荷载作用下桥梁带孔钢腹板的红外热波序列图像，与可见光图像相比，荷载作用下的红外图像信噪比低，分辨率低，对比度低的问题更为突出。 为了能够更为直接地对图像进行后期处理，选取荷载作用t=180 s 时的图像作为研究对象。

图2 红外热波序列图像

运用传统图像处理方法，利用灰度变化将红外热波图像转化为灰度图像，采用高通滤波增强图像边缘信息，以起到图像锐化作用；随后利用中值滤波去除图像中的随机噪声和椒盐噪声[7]；再用传统阈值分割对增强后的图像进行分割处理，有效分离出目标和背景以达到目标识别的目的，处理效果图像如图3 所示。

2 桥梁无损检测评价体系

2.1 主观评价

原有桥梁主观评价方法主要根据检测者事先规定的评价尺度或者自身经验，对测试图像按视觉效果做出质量判断，给出评价分数[8]。 该方法虽然可以较好地反映图像的直观质量，但因为桥梁许多钢制构件比较隐蔽，导致很多桥梁损伤图像处理效果不够明显， 使得检测者无法利用视觉清晰分辨，检测结果不够准确、全面；且知识背景、情绪、疲劳程度等外界因素也对检测者有相应的影响。 因此提出利用三维空间数据重建，即三维体绘制法作为主观评价的测定指标之一，其显示效果好，重建质量高，可以并行处理，打破了原有桥梁主观评价的诸多局限。 具体步骤如下：

（1）三维体数据生成：三维体数据是以矩阵的行和列构成三维体数据的平面坐标、像素值为三维体数据的纵坐标构成。 图像大小视原始图像大小决定， 本研究的缺陷材料试件探伤图像大小为424×424 像素。

（2）三维体数据处理：红外热波图像的数据量较大，采用体绘制时会有一定的限制，因此需要对红外热波图像的数据进行提取和处理。 在不影响数据处理效果的前提下， 采用适当的数据抽取比例，本文选取抽取比例为0.2。

（3）体数据三维显示：显示结果分别以x、y、z 三个坐标轴表示，其中纵坐标表示像素值，即亮度值。

2.2 客观评价

为了进一步提高图像评价的准确性，结合熵和空间频率作为客观评价指标来评价图像细节处理效果。

（1）熵（Entropy）

熵即变量的不确定性越大，其值越大，也就代表信息量越大，图像的细节也就越丰富[9-10]。 其函数定义为：

式中，E(x,y)是图像中某个像素点处对应灰度值在整个图像中出现的频率；log2Ei(x,y)为求出该点对应灰度值频率的对数。

（2）空间频率（Spatial Frequency，SF）

空间频率可以表征图像的清晰程度，是衡量图像细节信息丰富程度的一个重要指标[11-12]。 热波图像的空间频率越高，其细节成分越丰富，缺陷区也越清晰，其函数定义为：

式中， RF 为行空间频率；CF 为列空间频率，其表达式为：

式中，F(m,n)表示图像中坐标为(m,n)点的灰度值，M、N 为矩阵。

3 研究分析

利用t=180 s 的桥梁红外热波序列图像进行图像增强、分割、识别等一系列算法操作，并对每个算法操作结果进行了三维体绘制重建和客观评价。

通过对t=180 s 时的桥梁缺陷图像进行三维体绘制重构，效果图如图4 所示，可以清楚地看到桥梁缺陷部位的立体空间构造，图4（a）为桥梁红外热波探伤图像的原始三维图像，可以看见缺陷周围布满了噪声，受噪声影响较大。 为方便后续图像处理，将红外热波序列图像经过灰度变换转换为灰度图像，其三维体绘制图像如图4（b）所示。 图4（c）显示表明，经过高通滤波增强处理之后，缺陷的边缘信息有明显增强，缺陷部位轮廓较为清晰。 图4（d）显示表明，经过中值滤波处理后，缺陷周围噪声得到有效抑制。 图4（e）为采用阈值分割法对图4（d）进行分割后，能较好地保持桥梁钢构件缺陷形状以及去除缺陷以外的噪声和背景，如图4（f）所示。

图4 三维体绘制重构图像

为进一步对图像进行定量化及信息化评价，利用熵和空间频率对处理后的红外热波图像进行客观评价，其定量化结果如表1 所示。

表1 桥梁无损检测客观评价指标

从表中数据可以看出，相比于原始图像，经高通滤波和中值滤波处理后熵值和空间频率都有大幅提升， 即处理后的图像细节信息进一步丰富，图像所含信息量也越来越多，表明桥梁钢构件缺陷区域越来越清晰。

从重构图像中可以清晰地观察到每一步图像处理后的效果，可以对测试图像按三维呈现的视觉效果做出质量判断，同时利用熵和空间频率对图像定量化分析，可以看出主观评价的三维体绘制重构其信息化的视觉效果与图像客观评价所得定量化结论吻合。

4 结论

针对现有桥梁红外图像处理结果评价指标在桥梁检测中存在的局限性，尤其是在主观评价体系中对检测者的高度依赖性和低信息化处理，提出利用三维体绘制重构作为主观评价辅助指标，并利用熵值及空间频率作为定量化信息验证。 利用图像增强、分割、识别技术对红外热波图像序列进行处理，而后利用程序语言从处理后的图像中提取出重建所需的空间数据，随后进一步对空间数据进行精炼和删减，最大程度地保留原有信息，减少有用信息丢失。 体绘制重建一方面达到更好地图像显示效果，将环境影响因素立体化，另一方面降低软件运行时长，实现图像并行处理，提高处理效率。 为降低检测者对三维体绘制结果的视觉限制，进一步结合了客观评价指标熵值和空间频率，对桥梁钢构件红外热波图像进行定量化评价， 根据评价结果显示，定量化评价结果同主观评价结果吻合，该主观评价辅助指标具有更好的立体性、定量化、高效性、准确性等优点，弥补现有桥梁检测方面的单一性，具有较高的实际工程应用价值。