Data-Driven Automated Identification of Optimal Feature-Representative Images in Infrared Thermography Using Statistical and Morphological Metrics

Diese Arbeit stellt eine datengetriebene Methode vor, die mithilfe statistischer und morphologischer Metriken wie des Homogenitätsindex, der repräsentativen Elementarfläche und der totalen Variationsenergie automatisch die aussagekräftigsten Bilder in Infrarotthermografie-Datensätzen identifiziert, um Defekte in Verbundwerkstoffen ohne vorherige Kenntnis ihrer Lage zu erkennen.

Das Wesentliche

Das große Rätsel: Wo ist der Fehler?

Stellen Sie sich vor, Sie haben einen riesigen, undurchsichtigen Kuchen (ein Bauteil aus Carbonfasern, wie sie in Flugzeugen verwendet werden). Irgendwo tief im Inneren könnte ein kleiner Riss oder eine Lücke sein, die man von außen nicht sieht. Um diesen Fehler zu finden, nutzen die Wissenschaftler eine Art „Wärme-Flasche": Sie heizen den Kuchen kurz mit starken Blitzlampen auf und filmen dann genau, wie die Wärme davon abströmt.

Das Problem dabei ist: Die Kamera macht nicht nur ein Bild, sondern tausende Bilder pro Sekunde über einen kurzen Zeitraum. Es ist wie bei einem Film, bei dem der Fehler manchmal klar zu sehen ist, manchmal aber unscharf oder gar nicht.

Die Herausforderung:
Normalerweise müssen Experten raten oder wissen genau, wo der Fehler ist, um das „beste" Bild aus diesem riesigen Stapel herauszufischen. Das ist mühsam und funktioniert nicht, wenn man den Fehler noch gar nicht kennt.

Die Lösung dieser Studie:
Die Forscher haben einen cleveren, datengesteuerten „Detektiv" entwickelt. Dieser sucht sich automatisch das Bild aus der Serie heraus, auf dem der Fehler am besten zu sehen ist – ohne dass er vorher weiß, wo der Fehler sitzt.

Die drei Werkzeuge des Detektivs

Um das beste Bild zu finden, nutzen die Autoren drei verschiedene Methoden (Metriken), die wie unterschiedliche Brillen funktionieren:

1. Der „Homogenitäts-Index" (HI) – Der Chaos-Messer

Stellen Sie sich vor, Sie schütteln eine Schüssel mit Marmelade und Mehl. Wenn alles perfekt gemischt ist, sieht die Schüssel überall gleich aus (homogen). Wenn es Klumpen gibt, ist es ungleichmäßig.

• Die Analogie: Ein intakter Bauteil ist wie die gut gemischte Schüssel – die Wärmeverteilung ist gleichmäßig. Ein Fehler (wie eine Lücke) stört diese Gleichmäßigkeit und erzeugt „Chaos" oder Unordnung in der Wärme.
• Was der HI macht: Er misst, wie sehr sich die Wärme in kleinen Bereichen von der Gesamt-Wärme unterscheidet. Je mehr „Chaos" (Unordnung), desto wahrscheinlicher ist dort ein Fehler. Er sucht also nach dem Bild mit dem größten Chaos.

2. Der „Repräsentative Elementare Bereich" (REA) – Der Puzzle-Löser

In der Wissenschaft gibt es das Konzept des „repräsentativen Volumens": Wie groß muss ein Stück Material sein, damit es das ganze Material gut beschreibt?

• Die Analogie: Stellen Sie sich vor, Sie versuchen, ein riesiges Mosaik zu verstehen, indem Sie kleine quadratische Fenster darauf legen. Wenn das Fenster zu klein ist, sehen Sie nur ein paar Steine und wissen nicht, was das ganze Bild ist. Wenn es zu groß ist, ist es unhandlich.
• Was der REA macht: Er testet verschiedene Fenstergrößen über das Bild. Er sucht nach der „perfekten" Größe, bei der die Struktur des Bildes stabil wird. Wenn ein Fehler da ist, verändert sich diese Stabilität. Der REA hilft zu erkennen, ab welcher Bildgröße die „Wahrheit" des Bauteils sichtbar wird.

3. Der „Gesamt-Veränderungs-Energie"-Index (TVE) – Der Topologie-Scanner

Dies ist der cleverste und robusteste Teil. Er nutzt mathematische Formen (Minkowski-Funkionale), um die „Form" der Wärmebilder zu analysieren.

• Die Analogie: Stellen Sie sich vor, Sie schauen auf eine Landschaft. Ein flaches Feld hat wenig „Energie" in seiner Form. Ein Berg mit vielen Tälern und Spitzen hat viel „topologische Energie".
• Was der TVE macht: Er misst, wie „zerklüftet" oder komplex die Wärmeverteilung ist. Ein Fehler erzeugt eine Art „Berg" oder „Tal" in der Wärme. Der TVE ist besonders gut darin, diese kleinen, lokalen Veränderungen zu finden, selbst wenn das Bild sehr verrauscht ist (wie bei einem statischen Fernsehbild). Er ist sehr empfindlich für echte Fehler, aber sehr ruhig bei harmlosen Störungen.

Das Ergebnis: Der automatische Sieger

Die Forscher haben diese Methoden an einem Carbon-Kunststoff-Platte mit künstlichen Fehlern getestet.

• Das Ergebnis: Die neuen Methoden (HI, REA, TVE) haben fast genauso gut funktioniert wie die alten, bewährten Methoden (die aber den Fehlerort kennen mussten).
• Der Gewinner: Der TVE-Index hat sich als besonders robust erwiesen. Er ignoriert das „Rauschen" (Störungen) sehr gut und zeigt einen klaren Peak genau dann, wenn das beste Bild für den Fehler vorliegt.

Warum ist das wichtig?

Früher musste ein Mensch oder ein Computer wissen: „Aha, der Fehler ist bei Bild Nr. 50."
Jetzt kann das System sagen: „Ich scanne alle Bilder, messe das Chaos und die Form, und sage dir: Bild Nr. 50 ist das beste, weil dort die Struktur am unruhigsten ist."

Das ist wie ein automatischer Suchscheinwerfer, der in einem dunklen Raum nicht nur nach Licht sucht, sondern automatisch den Punkt findet, an dem sich etwas bewegt – ganz ohne dass jemand vorher weiß, wo das Objekt steht. Das macht die Prüfung von Flugzeugteilen oder Brücken schneller, sicherer und vollautomatisch.

Technische Zusammenfassung

Titel:

Datengetriebene automatische Identifizierung optimaler, merkmalsrepräsentativer Bilder in der Infrarotthermografie unter Verwendung statistischer und morphologischer Metriken.

1. Problemstellung

Die Infrarotthermografie (IRT) ist eine etablierte zerstörungsfreie Prüfmethode (ZfP) zur Detektion von Strukturmerkmalen und Defekten (z. B. Delaminationen in Verbundwerkstoffen). Ein zentrales Problem bei der Nachverarbeitung von IRT-Daten ist die enorme Datenmenge, die als Bildsequenzen (entweder über Zeit, Frequenz oder Koeffizienten) vorliegt.

• Herausforderung: Die Sichtbarkeit von Defekten variiert stark innerhalb dieser Sequenzen. Die Auswahl des Bildes mit dem besten Defekt-Kontrast ist oft eine nicht-triviale Aufgabe.
• Limitierung bestehender Methoden: Konventionelle Bewertungsmetriken wie das Signal-Rausch-Verhältnis (SNR) oder das Tanimoto-Kriterium (TC) erfordern typischerweise a-priori-Wissen über die genaue Lage des Defekts oder die Definition einer defektfreien Referenzregion. Dies schränkt ihre Anwendbarkeit für automatisierte, unüberwachte Analysen in realen Szenarien (wo Defektorte unbekannt sind) erheblich ein.

2. Methodik

Die Autoren schlagen einen vollständig datengesteuerten Ansatz vor, der keine Vorabinformationen über die Defektlokalisierung benötigt. Der Kern der Methode besteht in der Entwicklung und Validierung dreier komplementärer Metriken, die auf statistischen und morphologischen Prinzipien basieren:

• Homogenitätsindex von Mischungen (HI - Homogeneity Index of Mixture):

  • Quantifiziert die statistische Heterogenität eines Bildes.
  • Misst die Abweichung lokaler Intensitätsverteilungen (in Zellen unterteilt) von einer globalen Referenzverteilung.
  • Ein ideal homogenes Bild (ohne Defekte) würde einen HI-Wert von 0 ergeben; Abweichungen deuten auf Anomalien hin.

• Repräsentative Elementare Fläche (REA - Representative Elementary Area):

  • Eine 2D-Anpassung des Konzepts des "Repräsentativen Elementaren Volumens" (REV) aus der Porösen-Medien-Forschung.
  • Basierend auf Minkowski-Funktionalen (Area, Umfang, Euler-Charakteristik), die morphologische Eigenschaften beschreiben.
  • Die Metrik ermittelt die kleinste Fenstergröße, ab der die morphologischen Eigenschaften stabil konvergieren. Defekte führen zu größeren REA-Werten oder Verschiebungen im Konvergenzverhalten.

• Gesamtvariationsenergie-Index (TVE - Total Variation Energy):

  • Ein geometrisch-topologischer Index, der ebenfalls auf 2D-Minkowski-Funktionalen aufbaut.
  • Errechnet sich aus der Summe der Variationen der Minkowski-Funktionale über verschiedene Fenstergrößen.
  • Ziel ist eine erhöhte Sensitivität gegenüber lokalisierten Anomalien bei gleichzeitiger Robustheit gegenüber Rauschen.

Experimentelles Setup:

• Probe: Eine CFK-Platte (Carbonfaser-verstärkter Kunststoff) mit sechs künstlichen Defekten (FEP-Folien) in verschiedenen Tiefen (0,135 mm bis 0,810 mm).
• Verfahren: Pulsphasen-Thermografie (PPT) mit Xenon-Blitzlampen.
• Validierung: Die Ergebnisse wurden mit theoretischen Simulationen eines 1D-N-Schichten-Wärmeleitungsmodells (NLM) verglichen.

3. Schlüsselbeiträge

1. Unabhängigkeit von Referenzdaten: Die vorgeschlagene Methodik ermöglicht die automatische Identifizierung defektrelevanter Bilder ohne Kenntnis der Defektposition oder manueller Auswahl von Referenzregionen.
2. Neue Metriken-Kombination: Die Einführung und Kombination von HI, REA und TVE als datengetriebene Indikatoren für Bildqualität und Defektsichtbarkeit.
3. Statistische Sampling-Strategie: Es wird gezeigt, dass eine zufällige (stochastische) Auswahl von Analyse-Fenstern (im Gegensatz zu starren Gittern) für die Berechnung der morphologischen Metriken robuster und zuverlässiger ist.
4. Validierung durch Simulation: Die experimentellen Ergebnisse werden erfolgreich durch ein analytisches N-Schichten-Modell untermauert, was die physikalische Plausibilität der Metriken bestätigt.

4. Ergebnisse

• Qualitative Übereinstimmung: Die neuen Metriken (HI, REA, TVE) zeigen ein qualitativ ähnliches Verhalten wie die etablierten Referenzmetriken (SNR, TC). Sie identifizieren zuverlässig die Bildindizes (Zeitpunkte oder Frequenzen) mit dem höchsten Defekt-Kontrast (lokale/ globale Maxima).
• Robustheit von TVE: Der TVE-Index zeigt in Bereichen mit geringer Defektsichtbarkeit Werte nahe Null und eine fast lineare Konvergenz. Dies macht ihn besonders robust gegenüber Hintergrundrauschen im Vergleich zu HI und REA, die höhere Rauschpegel aufweisen.
• Einfluss der Fenstergröße: Die Analyse der Konvergenz der Minkowski-Funktionale erlaubt es, die optimale Fenstergröße (REA) für die Bildcharakterisierung zu bestimmen.
• Frequenzabhängigkeit: Bei der Anwendung auf PPT-Daten (Frequenzbereich) korrelieren die Peaks der HI-Kurven stark mit den theoretisch vorhergesagten Peaks der thermischen Diffusionslängen-Differenz (ca. 0,1 Hz).
• Blindfrequenz: Sowohl experimentelle als auch simulierte Daten zeigen einen "Kniepunkt" oder Blindfrequenzbereich bei niedrigen Frequenzen, in dem die Defekterkennbarkeit abnimmt.

5. Bedeutung und Fazit

Die Studie demonstriert, dass ein automatisiertes, unüberwachtes Framework zur Bildauswahl in der Infrarotthermografie realisierbar ist.

• Automatisierung: Die Methode eliminiert die Notwendigkeit manueller Eingriffe oder Vorwissen über Defektorte, was sie ideal für die Echtzeit- oder Massendatenanalyse in der Industrie (z. B. Luft- und Raumfahrt) macht.
• Effizienz: Während HI sehr schnell berechnet werden kann, bieten REA und TVE tiefere morphologische Einblicke. Die Autoren zeigen, dass durch optimierte Stichprobengrößen (NOS) die Rechenzeit für REA und TVE signifikant reduziert werden kann, ohne die Ergebnisqualität zu beeinträchtigen.
• Zukunftspotenzial: Das Framework ist erweiterbar auf andere Materialien, Anregungsschemata und Bildgebungsverfahren und bietet eine solide Basis für die zuverlässige, datengetriebene Entscheidungsfindung in der zerstörungsfreien Prüfung.

Zusammenfassend liefert der Artikel einen robusten mathematischen und algorithmischen Ansatz, um die "beste" Darstellung eines Defekts in komplexen thermografischen Datensätzen objektiv und automatisch zu identifizieren.