用于脉冲热成像中增强缺陷分析的多表示热特征

用热量看见隐藏的缺陷

现代飞机、汽车和桥梁由复杂材料构成，必须在不切开材料的情况下进行检查。红外相机已能让工程师“看到”揭示表面下隐藏缺陷的热模式。本文提出了一种更智能的读取这些热指纹的方法，称为 PT-Fusion，使得能够更可靠地发现微小缺陷，并以惊人的精度估计其位于表面下的深度。

热量如何揭示肉眼看不见的东西

脉冲热成像是一个简单的想法：用短而强的光闪加热零件表面，红外相机记录热量随时间的扩散和衰减过程。如果材料完好，热量流动平稳；如果表面下存在空洞或裂缝，热量会被困住或分流，在表面产生细微的温度扰动。通过分析这些温度变化组成的短片序列，检查人员可以在不钻孔、切割或损坏部件的情况下检测出问题。

为什么现有的热图浪费了信息

由于原始热序列体积大且噪声多，工程师会用数学方法将其汇总为更紧凑的图像，再交给人工智能处理。两种最常用的汇总方法是主成分热成像（PCT），它增强了缺陷的视觉对比度，以及热图像信号重构（TSR），它聚焦于每个像素温度随时间的演化。大多数现有系统要么选择其中一种，要么只是把它们堆叠成额外通道。事实证明这种做法效率低下：每种视图都包含有关缺陷位置和深度的不同且互补的线索，但传统神经网络并未被引导去智能地将它们组合起来。

一种更智能的热线索融合方式

PT-Fusion 系统专门设计用于融合这些不同的热视图。它使用两个并行处理分支，一个用于 PCT 图像，一个用于 TSR 图像，各自提取在该视图中尤为清晰的模式。在关键阶段，特殊的融合模块介入：自适应加权融合门逐像素决定应当信任哪个分支多少，而门控增强解码块则将融合信息平滑地注入产生最终预测的重建层中。网络不再盲目拼接数据流，而是学习在每个区域哪个表示更有信息量，并相应地对它们进行平衡。

充分利用有限的测试数据

高质量的热成像实验成本高且耗时，因此带标注的大型数据集很少。为应对这一点，作者设计了针对热序列的时空数据增强策略。与其仅旋转或平移图像，他们在每个序列中随机采样帧以模拟不同的加热和冷却历史，然后注入受控噪声以模仿真实相机伪影。再由这些修改后的序列计算出新的 PCT 和 TSR 图像，这在保留热扩散物理规律的同时大幅增加了样本多样性。这种更丰富的训练“饮食”帮助 PT-Fusion 学习稳健的模式，而不是记住少量示例。

更清晰的缺陷图与更可信的深度估计

研究者在一个公开数据集上测试了 PT-Fusion，该数据集包含带有已知深度人工表面下孔洞的塑料样本。他们评估了两项任务：将每个像素分配到深度类别，以及同时执行缺陷/无缺陷标注与连续深度估计两项任务。PT-Fusion 不仅在缺陷分割上优于经典卷积网络（如 U-Net 和 3D-CNN），还在参数更少、运行更快的情况下与更重的基于 Transformer 的模型竞争。其预测深度与真实值高度一致，平均误差很小。更重要的是，当在一种缺陷形状（如方形）上训练并在另一种形状（如圆形）上测试时，系统仍表现良好，这表明它学到了热传导的物理规律，而不仅仅是记忆轮廓。

这对更安全结构的意义

对非专业人士而言，核心信息是 PT-Fusion 使热成像成为一种更强大、更可靠的关键结构保全工具。通过智能地融合两种基于热量的视图并通过符合物理的增强策略丰富稀缺数据，该方法能更清晰地发现缺陷并判断其位于表面下的深度。这类进展使我们更接近快速自动化的检测流程，能够悄然监测飞机部件、管道和其他关键组件——在不拆解的情况下及早发现隐藏问题。

引用: Salah, M., Werghi, N., Svetinovic, D. et al. Multi-representation thermal features for enhanced defect analysis in pulse thermography. Sci Rep 16, 12926 (2026). https://doi.org/10.1038/s41598-026-42031-y

关键词: 红外热成像, 无损检测, 深度学习检测, 表面以下缺陷检测, 脉冲热成像