基于统计与形态学指标的数据驱动 infrared 热斑图自动识别最优特征代表图像

infrared 热斑图（IRT）是一种广泛用于检测结构特征（如亚表面缺陷）的无损测试技术。然而，大多数 IRT 后处理方法生成的图像序列中，缺陷可见性在时间、频率或系数/指数域之间强烈变化，这使得识别缺陷代表图像构成关键挑战。常规评估指标，如信噪比（SNR）或塔尼莫蒂准则，常常需要缺陷位置或缺陷自由参考区域的先验知识，限制了其用于自动化和无监督分析的适用性。本文提出一种数据驱动的方法，用于在 IRT 数据集中识别最可能包含并代表结构特征（尤其是异常和缺陷）的图像，而无需先验空间信息。该方法基于三个互补的指标：混合均匀性指数（HI），它通过衡量局部强度分布偏离全局参考分布的程度来量化统计异质性；代表 elementary 区域（REA），源自将代表 elementary 体积概念的二维 Minkowski 功能适应到二维 图像中；以及几何-拓扑总变分能（TVE）指标，同样基于二维 Minkowski 功能，旨在提高对局部异常的灵敏度。该框架通过包含六个人工缺陷的碳纤维增强聚合物（CFRP）板的脉冲加热 IRT 数据进行实验验证，缺陷深度介于 0.135 mm 与 0.810 mm 之间，并进一步得到一维 N 层热模型仿真的支持。结果表明，该方法能够稳健且无偏地对图像序列进行排序，为 IRT 中的自动化缺陷导向图像选择提供了可靠依据。