本發明涉及缺陷檢測，具體涉及一種基于多尺度紅外熱特征融合的裂縫識別方法和裝置。

背景技術：

1、裂縫是結構表面最常見的病害形式之一，其類型、密度、寬度等特征可反映結構的損傷程度，是結構狀態評估的關鍵指標。因此，裂縫檢測是結構運維養護的重要環節。由于裂縫處微環境對熱流分布的干擾，將產生溫度異常，而紅外熱成像是通過檢測因不同的熱特性而引起的物體表面溫度差異來推斷物體表面狀態和內部結構的一種無損檢測技術，故紅外熱成像在裂縫檢測領域也逐漸受到關注。

2、盡管紅外熱成像裂縫檢測技術已得到了一定應用，但是裂縫識別的自動化、智能化程度仍較低，難以實現快速高效的紅外熱圖像裂縫識別。閾值分割是一種常見的圖像分割算法，已廣泛應用于裂縫識別。根據分割策略，閾值分割算法可分為全局閾值分割算法與局部閾值分割算法。然而，由于裂縫紅外熱圖像信噪比較低，導致噪聲干擾嚴重，全局閾值分割算法難以實現裂縫識別。相較而言，局部閾值分割算法具有更強的抗噪能力，但是局部閾值仍需依賴經驗確定，無法滿足裂縫識別自動化、智能化需求，限制了它們的規模化應用。近年來，深度學習憑借其強大的特征學習能力和環境適應性在紅外熱圖像缺陷識別方面也逐漸得到關注。然而，深度學習利用圖像顏色、形狀、紋理等特征識別裂縫，而紅外熱圖像分辨率低、噪聲干擾重等因素使得裂縫特征信息不足，限制了裂縫識別準確率。此外，大規模、多樣化的紅外熱圖像數據集匱乏，進一步制約了深度學習在紅外熱圖像裂縫識別中的應用。可見，紅外熱圖像裂縫識別還有待一種自動化、智能化的識別方法。

技術實現思路

1、本發明要克服上述現有技術存在的問題，提供一種基于多尺度紅外熱特征融合的裂縫識別方法和裝置，實現了裂縫快速自動識別。

2、本發明的關鍵在于利用全局閾值分割算法得到的二值化圖像局部統計特征，建立了局部閾值分割算法的自適應閾值確定準則，克服了常見方法對人工和模型的依賴，具有自適應性強、算力需求低、魯棒性高等優點。

3、為實現上述技術目的，本發明所采取的技術方案為：

4、一種基于多尺度紅外熱特征融合的裂縫識別方法，包括以下步驟：

5、(1)針對單幀紅外熱圖像，進行加權平均灰度化，若裂縫呈低溫“冷斑”，則進一步進行灰度反轉，得到裂縫和噪聲呈高灰度值、背景呈低灰度值的灰度圖像。

6、(2)針對經步驟(1)處理得到的灰度圖像，采用直方圖均衡化調整圖像灰度分布，增強圖像中裂縫的對比度，得到灰度增強圖像。

7、(3)針對經步驟(2)處理得到的灰度增強圖像，使用滑動窗口遍歷圖像，計算各個窗口中灰度的均值和標準差等局部統計特征，為背景主導窗口和噪聲主導窗口設置較大的局部特征敏感度權重系數，為目標復合窗口設置相對較小的局部特征敏感度權重系數。

8、(4)針對經步驟(2)處理得到的灰度增強圖像，采用大津法(otsu算法)得到二值化圖像，采用與步驟(3)同樣尺寸的滑動窗口遍歷圖像，統計每個窗口內前景像素的個數，計算前景像素個數與總像素個數的比值，即前景像素比。

9、(5)針對經步驟(4)得到的所有窗口的前景像素比，計算四分位數，位于下四分位區的前景像素比所對應的窗口認定為背景主導窗口，位于上四分位區的前景像素比所對應的窗口認定為噪聲主導窗口，位于中四分位區的前景像素比所對應的窗口認定為目標復合窗口。

10、(6)根據步驟(5)認定的窗口類型，背景主導窗口以背景像素比作為局部特征敏感度權重系數，噪聲主導窗口以前景像素比作為局部特征敏感度權重系數，目標復合窗口同樣以前景像素比作為局部特征敏感度權重系數。

11、(7)將經步驟(3)處理得到的滑動窗口灰度均值加上灰度標準差乘以經步驟(6)處理得到的局部特征敏感度權重系數，得到各個窗口的灰度閾值，分割經步驟(2)處理得到的灰度增強圖像，得到二值化圖像，提取前景像素的連通域。

12、(8)針對經步驟(7)處理得到的各個前景像素連通域，計算像素總數，隨機選取若干個種子點，確定相應的最大內切圓，將所有最大內切圓直徑的均值作為寬度，將像素總數與寬度的比值作為長度，將長寬比小于10的連通域視為噪聲而篩除。

13、(9)針對經步驟(8)處理后的二值化圖像，利用形態學開運算優化前景像素連通域，去除細小噪聲，平滑化輪廓，最終所得到的前景像素連通域即視為裂縫。

14、進一步地，步驟(3)中，滑動窗口的尺寸為原圖對應邊長1/8～1/12之間時，分割得到的二值化圖像并無顯著區別，因此，可采用尺寸為原圖對應邊長1/10的滑動窗口遍歷圖像。此外，窗口中背景占比較高時，權重系數較小而閾值降低，有利于提取細小目標；窗口中噪聲占比較高時，則權重系數較大而閾值提高，有利于抑制噪聲。因此，基于多尺度紅外熱特征融合的裂縫識別方法還具有優異的細小目標分割和噪聲抑制能力。

15、進一步地，步驟(4)中，otsu二值化圖像中三類窗口的前景像素比存在差異，背景主導窗口的前景像素比極小，噪聲主導窗口的前景像素比極大，目標復合窗口的前景像素比則介于兩者之間，故后續可以使用各個滑動窗口的前景像素比進行窗口分類。

16、進一步地，步驟(5)中，對于otsu二值化圖像，其前景像素比直方圖將呈明顯的u形分布。因此，利用前景像素比的四分位數即可將其劃分為左側高頻區域(下四分位區)、中間低頻區域(中四分位區)和右側高頻區域(上四分位區)，分別對應背景主導窗口、目標復合窗口和噪聲主導窗口。

17、進一步地，步驟(6)中，各個滑動窗口局部特征敏感度權重系數的期望取值與滑動窗口像素比的分布特征基本一致，因此，按照步驟(6)的確定準則即可自適應確定各個滑動窗口的局部特征敏感度權重系數。具體而言，可通過下式計算：

18、

19、式中，k為局部特征敏感度的權重系數，r為otsu二值化圖像窗口內前景像素比，q1為下四分位數，q3為上四分位數。

20、本發明的第二個方面涉及一種基于多尺度紅外熱特征融合的裂縫識別裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執行代碼，所述一個或多個處理器執行所述可執行代碼時，用于實現本發明的基于多尺度紅外熱特征融合的裂縫識別方法。

21、本發明的第三個方面涉及一種計算機可讀存儲介質，其上存儲有程序，該程序被處理器執行時，實現本發明的基于多尺度紅外熱特征融合的裂縫識別方法。

22、與現有技術相比，本發明具有以下有益效果：

23、(1)針對裂縫紅外熱圖像，利用其多尺度紅外熱特征，制定了局部閾值的自適應確定準則，能夠適應多種復雜工況，具有優異的環境適應性。

24、(2)本發明通過自適應閾值確定機制，實現了單幀紅外熱圖像的全自動化裂縫識別，全程無需人工干預，具有自適應性強、算力需求低、魯棒性高等優點。

25、(3)本發明結果可讀性強、用戶友好性高、識別效率快，可作為紅外熱成像技術的邊緣計算模塊，避免了大規模圖像數據的傳輸，特別適用于邊緣計算場景。