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

Este artigo propõe uma metodologia baseada em dados para identificar automaticamente, sem necessidade de informações espaciais prévias, as imagens mais representativas de defeitos em termografia infravermelha, utilizando três métricas complementares (Índice de Homogeneidade de Mistura, Área Elementar Representativa e Energia de Variação Total) validadas experimentalmente em compósitos de fibra de carbono.

O essencial

Imagine que você é um detetive tentando encontrar um pequeno defeito escondido dentro de um painel de fibra de carbono (como os usados em aviões). Para isso, você usa uma "câmera de calor" (termografia infravermelha) que tira milhares de fotos em sequência, mostrando como o calor se move pelo material.

O problema é que, entre essas milhares de fotos, a maioria parece igual ou tem ruído. Apenas algumas poucas fotos mostram o defeito com clareza. Encontrar essas fotos manualmente é como procurar uma agulha em um palheiro, especialmente se você não sabe onde a agulha está.

Este artigo apresenta uma solução inteligente: um sistema automático que olha para todas as fotos e diz: "Ei, olhe para esta aqui! É a melhor para ver o defeito".

Aqui está como eles fizeram isso, explicado de forma simples:

1. O Problema: A "Bandeja de Bolachas"

Pense nas fotos tiradas pela câmera térmica como uma bandeja cheia de bolachas. A maioria das bolachas está perfeita, mas algumas têm uma pequena quebra (o defeito).

• O jeito antigo: Para achar a bolacha quebrada, você precisava saber exatamente onde ela estava e usar uma régua para medir o contraste entre a parte quebrada e a parte boa. Isso funciona se você já souber onde procurar, mas não serve se você estiver explorando algo novo.
• O jeito novo: O sistema proposto não precisa saber onde o defeito está. Ele olha para a "textura" de toda a foto e pergunta: "Esta foto parece mais bagunçada ou mais uniforme do que as outras?".

2. As Três Ferramentas de Detecção (Os "Superpoderes")

Os autores criaram três métodos matemáticos para analisar as fotos. Vamos usar analogias para entendê-los:

• O Índice de Homogeneidade (HI) - "O Chefe de Cozinha":
  Imagine que você misturou farinha e açúcar em uma tigela. Se estiver bem misturado, a textura é uniforme (homogênea). Se houver um caroço de açúcar, a textura fica irregular.
  O HI analisa a foto como se fosse uma mistura. Ele divide a imagem em pequenos pedaços e verifica se a "temperatura" (cor) está distribuída de forma igual. Se houver um defeito, a distribuição fica estranha. O sistema busca a foto onde essa "mistura" está mais desequilibrada, pois é ali que o defeito provavelmente está.

• A Área Elemental Representativa (REA) - "O Lupa Geométrica":
  Imagine que você está olhando para um tapete persa. Se você olhar muito de perto, vê apenas fios. Se olhar de muito longe, vê apenas uma mancha. Existe um tamanho ideal de "lupa" que mostra o padrão do tapete perfeitamente.
  O REA tenta encontrar esse tamanho ideal de janela de visão na foto. Ele pergunta: "Qual é o tamanho mínimo de janela que eu preciso olhar para entender a estrutura inteira desta imagem?". Se houver um defeito, essa "janela ideal" muda de tamanho ou comportamento, sinalizando que algo está errado.

• Energia de Variação Total (TVE) - "O Detector de Bordas":
  Pense em uma paisagem tranquila. Se você passar uma régua por cima, a linha é reta. Se houver uma montanha (o defeito), a linha sobe e desce bruscamente.
  O TVE mede o "caos" geométrico da imagem. Ele é muito sensível a mudanças bruscas. O legal é que, quando não há defeito (apenas ruído de fundo), esse valor fica quase zero, como uma linha reta. Mas quando o defeito aparece, ele dispara. É como um alarme que não toca com o vento, mas toca alto quando alguém entra na casa.

3. A Prova de Fogo

Os pesquisadores testaram isso em uma placa de fibra de carbono com 6 defeitos falsos (folhas finas coladas dentro) em profundidades diferentes.

• Eles compararam o novo sistema com métodos antigos (que exigiam saber onde o defeito estava).
• Resultado: O novo sistema conseguiu encontrar as melhores fotos para ver os defeitos, mesmo sem saber onde eles estavam.
• Eles também usaram simulações de computador (como um "mundo virtual" de física) para confirmar que o que o sistema via na foto batia com a teoria de como o calor deveria se comportar.

4. Por que isso é importante?

Hoje, analisar esses dados exige muito tempo e conhecimento humano. Com essa nova ferramenta:

• Automação: O computador faz o trabalho chato de escolher a melhor foto.
• Segurança: Ajuda a encontrar falhas em aviões ou pontes sem precisar de um especialista olhando cada pixel.
• Velocidade: Processa grandes quantidades de dados rapidamente.

Resumo Final

Imagine que você tem um monte de fotos de um bolo e quer achar onde está a fruta escondida. Antigamente, você precisava cortar o bolo em fatias conhecidas. Agora, esse novo método é como um robô que cheira o bolo inteiro e aponta exatamente para a foto onde o cheiro da fruta é mais forte, sem precisar saber onde ela foi colocada. É uma forma mais inteligente, rápida e automática de garantir que as estruturas que construímos estejam seguras.

Resumo técnico

Título: Identificação Automatizada Baseada em Dados de Imagens Representativas de Características Ótimas em Termografia Infravermelha Utilizando Métricas Estatísticas e Morfológicas

1. Problema

A Termografia Infravermelha (IRT) é uma técnica amplamente utilizada para ensaios não destrutivos (END) de materiais compósitos, permitindo a detecção de defeitos subsuperficiais. No entanto, os métodos de pós-processamento de dados (como Termografia de Fase Pulsada - PPT, Reconstrução de Sinal Termográfico - TSR, etc.) geram sequências de imagens tridimensionais (tempo, frequência ou coeficientes).

• Desafio Principal: A visibilidade dos defeitos varia significativamente ao longo dessas sequências. Identificar manualmente ou automaticamente qual imagem específica na sequência oferece o melhor contraste e representação do defeito é uma tarefa crítica e não trivial.
• Limitação das Métricas Atuais: Métricas convencionais, como a Relação Sinal-Ruído (SNR) e o Critério de Tanimoto (TC), dependem de conhecimento prévio sobre a localização exata do defeito ou da seleção de uma região de referência "livre de defeitos". Isso limita severamente sua aplicabilidade em cenários de análise automatizada e não supervisionada, onde a posição do defeito é desconhecida.

2. Metodologia

O artigo propõe uma metodologia orientada por dados para identificar imagens representativas de defeitos sem necessidade de informações prévias sobre sua localização espacial. A abordagem baseia-se em três métricas complementares:

1. Índice de Homogeneidade de Mistura (HI - Homogeneity Index of Mixture):

   • Quantifica a heterogeneidade estatística medindo os desvios das distribuições de intensidade local em relação a uma distribuição de referência global.
   • Baseia-se em teorias clássicas de mistura e índices de homogeneidade, dividindo a imagem em células e calculando a variância das probabilidades de bins de intensidade. Um valor de HI próximo de zero indica homogeneidade (ausência de defeito), enquanto picos indicam anomalias.

2. Área Elementar Representativa (REA - Representative Elementary Area):

   • Adaptação do conceito de Volume Elementar Representativo (REV) para imagens 2D, utilizando funcionais de Minkowski.
   • Envolve a segmentação da imagem em fases/clusters e a avaliação de janelas quadradas de tamanhos variáveis.
   • Calcula-se o coeficiente de variação normalizado (CV) dos funcionais de Minkowski (área, perímetro e característica de Euler) para determinar o tamanho de janela no qual as propriedades morfológicas convergem, definindo a REA.

3. Índice de Energia de Variação Total Geométrico-Topológico (TVE - Total Variation Energy):

   • Um índice consolidado baseado nos funcionais de Minkowski bidimensionais.
   • Calcula-se a soma dos funcionais para criar um Índice Topológico-Geométrico (TGI) e, subsequentemente, a variação desse índice em função do tamanho da janela.
   • O TVE é definido como a soma das variações quadráticas do TGI, projetado para ser altamente sensível a anomalias localizadas e robusto contra ruído de fundo.

Configuração Experimental:

• Amostra: Uma placa de compósito de fibra de carbono reforçada (CFRP) com seis defeitos artificiais (folhas de FEP) inseridos em diferentes profundidades (0,135 mm a 0,810 mm).
• Equipamento: Termografia de Fase Pulsada (PPT) utilizando lâmpadas de xenônio e uma câmera IR de alta resolução.
• Validação: Os resultados experimentais foram comparados com métricas de referência (SNR e TC) e validados através de simulações numéricas de um modelo térmico de N camadas (NLM).

3. Contribuições Chave

• Abordagem Não Supervisionada: Desenvolvimento de um framework que seleciona automaticamente as imagens mais representativas de defeitos sem exigir o conhecimento prévio da localização do defeito ou de regiões de referência.
• Novas Métricas Morfológicas: Introdução e validação do TVE e da adaptação do conceito REV para REA em imagens térmicas, utilizando funcionais de Minkowski para capturar características topológicas e geométricas de defeitos.
• Estratégia de Amostragem Robusta: Demonstração de que a seleção aleatória de janelas (em vez de grades estáticas) combinada com um planejamento estatístico de tamanho de amostra (NOS) oferece resultados estáveis com menor custo computacional.
• Validação Teórico-Experimental: Correlação bem-sucedida entre os picos de detecção experimental e as previsões teóricas baseadas no comprimento de difusão térmica e no modelo N-layer.

4. Resultados

• Correlação com Métricas de Referência: As métricas propostas (HI, REA, TVE) reproduziram qualitativamente o comportamento das métricas de referência (SNR e TC), identificando corretamente os índices (tempo/frequência) onde o contraste do defeito é máximo.
• Desempenho do TVE: O índice TVE mostrou-se superior em regiões de baixo contraste, apresentando valores próximos de zero e convergência linear, o que indica uma robustez significativa e baixa sensibilidade ao ruído de fundo em comparação ao HI e REA.
• Convergência e Eficiência: A análise de sensibilidade mostrou que é possível obter resultados estáveis com um número reduzido de amostras de janelas (NOS), permitindo otimização computacional.
• Validação com Simulação: As curvas experimentais de HI em função da frequência alinharam-se qualitativamente com as curvas de contraste simuladas pelo modelo térmico, identificando corretamente o "ponto de inflexão" (knee point) e a frequência cega onde a detecção de defeitos é impossível.
• Limitações: O cálculo de REA e TVE é computacionalmente mais intensivo que o HI, embora existam oportunidades de otimização. O HI e o REA apresentaram níveis de ruído mais altos, exigindo filtragem para melhor visualização.

5. Significância

Este trabalho estabelece uma base sólida para a automação e a tomada de decisão objetiva em ensaios não destrutivos por termografia. Ao eliminar a dependência de conhecimento prévio sobre a localização de defeitos, a metodologia proposta permite:

• A análise de grandes volumes de dados de termografia de forma totalmente automatizada.
• A aplicação em cenários do mundo real onde a existência ou posição de defeitos é desconhecida.
• A seleção robusta de imagens críticas para inspeção, reduzindo a subjetividade humana e aumentando a confiabilidade na detecção de falhas em materiais compósitos, com potencial de extensão para outros materiais e esquemas de excitação térmica.