A visibilidade dos defeitos depende de diversos fatores, que incluem, por exemplo, características dos materiais, condições ambientais e sensibilidade do ins- trumento. Quanto ao aspecto material, ambas propriedades térmicas (condutivi- dade térmica, difusividade térmica) e geometria das falhas são decisivas (MEOLA; BOCCARDI; CARLOMAGNO,2016).
A TermograĄa pulsada como método NDT submete a amostra a uma in- tensa excitação de aquecimento de curta duração durante o experimento, a Ąm de obter o contraste térmico necessário para a detecção das regiões de interesse (defei- tos). Esse contraste e o tempo de aparência estão de certo modo relacionados com a posição, tamanho e propriedade do defeito para permitir a sua identiĄcação, sendo assim um fator determinante (IBARRA-CASTANEDO et al., 2007; BENÍTEZ et al., 2008; SUSA; MALDAGUE; BORAS, 2010).
Nesse sentido, um dos problemas frequentemente relatados na literatura está relacionado à escolha apropriada da região sem defeito, necessária para a deter- minação do contraste térmico. Dois grandes problemas surgem: primeiro, a região sem defeito precisa ser determinada a priori e, em segundo lugar, o aquecimento
não uniforme, bem como a emissividade de superfície não uniforme, tornam a correta avaliação do contraste térmico difícil e possivelmente imprecisa (IBARRA- CASTANEDO et al.,2007;BENÍTEZ et al.,2008;SUSA; MALDAGUE; BORAS,
2010)
Alguns dos autores escolhem como regiões de referência aqueles pixels loca- lizados no meio da amostra ensaiada, outros utilizando pontos de campo distantes ou pontos muito próximos ao local do defeito, sem apresentar explicação mais detalhada sobre como a escolha foi feita. Inúmeras tentativas de superar essas des- vantagens e abordagem da questão já foram relatadas na literatura. Por exemplo, o Contraste Absoluto Diferenciado - Differentiated Absolute Contrast (DAC) - foi proposto e posteriormente modiĄcado (RODRÍGUEZ et al., 2014).
A forma básica do contraste térmico é deĄnida pela expressão (3.12) (RO- DRÍGUEZ et al., 2014; WANG et al.,2018b).
𝐶a[𝑡] = 𝑇d[𝑡] ⊗ 𝑇sa[𝑡], (3.12)
em que 𝑇d[𝑡] e 𝑇sa[𝑡] são deĄnidas como as temperaturas em função do tempo t
para regiões de interesse (defeituosas) e não defeituosas, respectivamente.
O contraste térmico (C) é a variável usada para caracterizar o nível de visibilidade (no termograma) dos defeitos. Outrossim, é a variável tradicionalmente usada para descrever características de defeitos; de fato, a maioria dos métodos quantitativos usados atualmente são baseados no cálculo dos valores máximos de C (ou 𝐶max) (BENÍTEZ et al.,2008;RODRÍGUEZ et al.,2014).
Diferente das práticas utilizadas, porém tomando como base o DAC, nessa etapa, o algoritmo encontra o "contraste máximo" aplicando como recurso a va- riação de temperatura com um pixel de referência localizada entre a região de interesse e as curvas normalizadas que contemplam os mínimos e os máximos de toda a Fase de Resfriamento da imagem que foram extraídas conforme esquema da Figura 46.
De acordo com a representação do Ćuxograma da Figura 46, conseguiu-se obter essas curvas de máximo e mínimo. Na Ągura 47essas curvas são exibidas.
Figura 46 Ű Fluxograma esquemático da curva de mínimos e máximos.
Figura 47 Ű Curvas de Máximo e Mínimo Normalizados da temperatura. No passo seguinte, descobre-se o contraste máximo efetuando a diferença entre as curvas de máximo e mínimo e cada pixel da imagem, gerando duas ima- gens. Pode-se visualizar nas Ąguras48a e 48b.
Para alcançar um melhor contraste, o algoritmo efetuou alguns ajustes. Foram encontradas a média (Û) e o desvio padrão (à) dessas imagens, com o desvio padrão limitado a um valor entre (+/ ⊗ 3). Inicialmente, fez-se uso com a aplicação de Û⊗2à, que corresponde a aproximadamente 95, 44% dos dados, onde:
Û signiĄca a média dos dados e à signiĄca o desvio padrão dos dados analisados, e com a Û ⊗ 3à, que retrata 99, 73% dos dados da imagem, análogo à distribuição gaussiana, buscando a convergência próxima a uma distribuição normal, obteve-se
(a) (b)
Figura 48 Ű(a)Contraste máximo entre a curva de mínimo e cada pixel da imagem e (b) Contraste máximo entre a curva de máximo e cada pixel da imagem.
as imagens com os seguintes resultados conforme as Figuras 49e 50:
(a) (b)
Figura 49 Ű(a) Contraste máximo entre a variação curva de mínimo e e cada pixel da imagem com Û ⊗ 2à e(b) Contraste máximo entre a variação entre a curva de máximo e e cada pixel da imagem com Û ⊗ 2à.
No intuito de distinguir objetivamente as imagens que apresentam valores diferentes em termos de "contraste máximo", utilizou-se como alicerce o limiar global ótimo de Otsu, esse busca particionar a imagem em 𝐿 níveis de cinza em duas classes 𝐶0 e 𝐶1 que representam o objeto e o fundo, ou vice-versa, sendo que
(a) (b)
Figura 50 Ű (a) Contraste máximo entre a variação da curva de mínimo e cada
pixel da imagem com Û ⊗ 3à e (b) Contraste máximo entre a Variação entre a curva de máximo e e cada pixel da imagem com Û ⊗ 3à.
classes e a variância total (PEDRINI; SCHWARTZ, 2008;BURGER et al.,2009). O método de Otsu se estrutura no histograma normalizado, sendo assim obtem-se os resultados dos histogramas correspondentes às respectivas imagens nas Figuras
51a e 51b.
(a) (b)
Figura 51 Ű (a) Histograma do contraste máximo entre a variação da curva de mínimo e cada pixel da imagem com Û + / ⊗ 3à e (b) Histograma do contraste máximo entre a Variação da curva de máximo e cada pixel da imagem com Û +
Pelas imagens dos histogramas da Figura 51percebem-se as diferenças ca- racterísticas entre as duas classes. Entretanto, quantiĄcar esse valor pelo limiar não produziu valores diferentes, logo buscou-se então o cálculo da distância entre o limiar e a média dessas classes. Com o cálculo dessas distâncias entre as duas classes de tons de cinza da imagem (fundo e o objeto) encontrou-se que a distância maior refere-se à imagem da variação mínima em relação à imagem da variação máxima, comprovando a sensibilidade visual nas imagens anteriores.
Na Ągura 52 abaixo mostra-se a imagem de variação mínima, destacando as regiões de interesse com ela normalizada e utilizando Û ⊗ 3à, bem como o com- portamento dos defeitos pelas intensidades das tonalidade nos valores dos pixels, conforme se vê evidenciando o comportamento diferenciado durante o resfriamento da região de interesse e os defeitos.
Figura 52 Ű Contraste máximo da variação do mínimo com cada pixel da imagem. Outra maneira utilizada no algoritmo foi o possível destaque das regiões de interesse extraído dos dados originais da matriz de temperatura - TEMP - utilizando-se dos máximos de todos os pixels e percorrendo todos os frames con- seguindo de forma prática, rápida e fácil, sem a necessidade de uma operação complexa, as características principais da região de interesse e a identiĄcação dos defeitos, revelando o comportamento diferente da temperatura nesses pixels con-
forme pode ser visto na Ągura53.
Figura 53 Ű Máximos das temperaturas dos pixels.