3.2 部分学者研究成果
在基于红外热像的复合材料无损检测识别研究过程中，梁涛等人在研究复合材料受冲击损伤后缺陷的特性时，没有发现分层缺陷引起的“暗区”，且整体的纤维结构分布较均匀，给直接评估缺陷带来困难。针对该问题，作者提出结合PCA和小波变换法来进行缺陷的特征提取，新的算法具备了时域-空域-频域等多维度的特征提取能力，再通过阈值分割对图像进行二值化处理消除背景，使缺陷信息更加明显。
另外作者针对复合材料出现的脱粘缺陷采用了不同的图像序列算法进行实验对比，包括温度信号重构、脉冲相位法、主成分分析、独立成分分析，最终证明TSR和PCA在缺陷特征提取方面效果更好，如表3。再采用区域生长法对TSR获得的特征图进行分割和K最邻近（K-nearestneighbor，KNN）分类算法进行分类识别，最终成功检测出金属结构材料的全部缺陷（最小直径2mm）和蜂窝芯结构材料大于3mm的缺陷。
表3 不同算法检测效果评估
注：TP表示被检测出且实际存在的缺陷；FP表示被检测出却不是实际存在的缺陷；FN表示实际存在却没有被检测出的缺陷；TN表示不存在也没有检测出来的缺陷；P表示缺陷检测准确率；R为召回率；F表示P和R的加权调和平均。
在进行图像分割时，考虑到传统的区域生长法会引入人为的主观因素，冯琪智等人提出了一种用于分割的自动区域生长算法，即自适应寻找预处理对象、种子点和阈值。通过实验后，采用F-score值进行评价。在检测薄板时，各种方法差异不大；但是在检测厚板时，差异效果明显，且采用自动区域生长法进行处理之后，缺陷检出率有所提升，部分检出结果对比如表4所示。
表4 不同算法的F-score
针对传统区域生长法初始种子难以选择的问题，陈跃伟提出一种改进的区域生长法，即利用最小二乘法拟合出红外图像中亮度和温度之间的线性关系，建立基于像素温度场，从而根据设定温度范围来确定种子的位置。该学者将此区域生长法和BP神经网络结合用于巡检机器人电站设备的检测。经过实验证明，在400幅设备红外图像中，图像的正确识别率92.74%，错误率5.78%，未识别率1.48%。
刘鑫等人利用基于阈值改进的形态学边缘检测算法，检测积水管道的红外图像，并与中值滤波、维纳滤波、传统形态学等方法处理的图像作对比，峰值信噪比（peak signal to noise ratio）情况如表5所示。而该方法的图像分割能力比传统的Canny、Sobel、Roberts等算子处理效果更好。
JiangHongquan等人提出一种基于纹理特征和主成分分析的焊缝缺陷特征提取与分类的方法。实验结果表明，此方法可有效提取缺陷类型的一般特征，分类准确率达90.4%。
表5 不同算法PSNR值
注：PSNR为峰值信噪比，值越大表示处理效果越好
ZhouJianmin等人在研究孔洞类型的缺陷时提出了PCA和概率神经网络（probability neural network）结合的算法。实验结果表明正常区域和异常区域识别率分别可达95%和85%。同时，该学者又提出了一种基于遗传算法和序列红外图像热像加权叠加的检测方法，经此方法处理后，缺陷与正常区域的灰度比分别提高到8.5%和31.0%，缺陷特征明显增强。
4 结束语
红外热像技术因其非接触、无污染、高效率，在航空航天、机械、建筑、油气等领域得到广泛的应用。随着科技的发展，该技术逐步从工业领域走向群众的生活领域是必然的趋势，如FLIR红外设备与手机的结合，智能手机所带的红外识别等。为了使该技术给社会带来更大的便捷，其未来的发展方向应有以下几点：
1）技术的标准化和统一化
