PRÓ-REITORIA DE PÓS-GRADUAÇÃO E PESQUISA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA
DESENVOLVIMENTO DE UM ALGORITMO DE
PROCESSAMENTO DE DADOS RADIOMÉTRICOS OBTIDOS POR TERMOGRAFIA ATIVA PULSADA
WELLINGTON FRANCISCO DA SILVA
São Cristóvão – SE, Brasil
PROCESSAMENTO DE DADOS RADIOMÉTRICOS OBTIDOS POR TERMOGRAFIA ATIVA PULSADA
WELLINGTON FRANCISCO DA SILVA
Dissertação de Mestrado apresentada ao Pro-grama de Pós-graduação em Engenharia Elétrica – PROEE, da Universidade Federal de Sergipe, como parte dos requisitos necessários à obtenção do título de Mestre em Engenharia Elétrica
Orientador: Prof.Dr. Douglas Bressan Riffel
São Cristóvão – SE, Brasil
FICHA CATALOGRÁFICA ELABORADA PELA BIBLIOTECA CENTRAL UNIVERSIDADE FEDERAL DE SERGIPE
S586d Silva, Wellington Francisco da Desenvolvimento de um algoritmo de processamento de dados radiométricos obtidos por termografia ativa pulsada / Wellington Francisco da Silva ; orientador Douglas Bressan Riffel. - São Cristóvão, 2019.
145 f. : il.
Dissertação (mestrado em Engenharia Elétrica) – Universidade Federal de Sergipe, 2019.
1. Engenharia elétrica. 2. Algoritmos computacionais. 3. Calor. 4. Processamento de imagens. I. Riffel, Douglas Bressan orient. II. Título.
Primeiramente agradeço a Deus, a Nossa Senhora e a São José pelo dom da vida, discernimento, sabedoria, proteção e a Graça alcançada de chegar nesse momento;
Aos meus pais Maria do Carmo da Silva e Izael Francisco da Silva (in memorian) pelo carinho, amor e educação transmitidos;
A toda minha Família irmãos, tios, tias, primas e em especial minha esposa Antônia Mércia, João Pedro e José Gabriel pela paciência e apoio;
Ao Professor Douglas pela sua sabedoria no encaminhamento dos trabalhos e pela paciência em muitas vezes pegar na mão;
Ao Professor Marco Aparecido Queiroz Duarte da Universidade Estadual de Mato Grosso do Sul - UEMS pelas motivações e correções.
À Professora Gabriela Ribeiro Pereira e sua equipe de pesquisadoras, Mar-cella Grosso e Nicole Villalva, pela disponibilização dos ensaios enviados para re-alização das análises. Todas do LNDC da Universidade Federal do Rio de Janeiro - UFRJ;
Aos Professores do DEL pela recepção e ensinamentos transmitidos; A todos os amigos que colaboram para o enriquecimento do trabalho e pude contar nos momentos difíceis de ajuda e esclarecimentos de dúvidas;
À CAPES pelo apoio Ąnanceiro a essa pesquisa sem a qual seria difícil de concretizar.
sermos crianças por toda a vida." Albert Einstein
necessários para a obtenção do grau de Mestre (Me.)
DESENVOLVIMENTO DE UM ALGORITMO DE
PROCESSAMENTO DE DADOS RADIOMÉTRICOS OBTIDOS POR TERMOGRAFIA ATIVA PULSADA
WELLINGTON FRANCISCO DA SILVA Janeiro/2019
Orientador: Prof. Dr. Douglas Bressan Riffel
Esta dissertação de mestrado apresenta o desenvolvimento de um algoritmo capaz de detectar regiões defeituosas em materiais utilizando como base a técnica de reconstrução de sinais termográĄcos e os princípios físicos de transferência de calor. Como base experimental, utilizou-se ensaios realizados e cedidos pelo Labo-ratório de Ensaio Não Destrutivo, Corrosão e Soldagem (LNDC) da UFRJ. Expe-rimentalmente, utiliza-se um curto pulso térmico e monitora-se a temperatura da superfície do objeto ao longo do tempo através de uma câmera termográĄca. Devido ao volume de dados, a primeira etapa do algoritmo é a compactação. Utilizou-se como base do fenômeno a lei de resfriamento de Newton e obteve-se uma taxa de compactação de 99%. As principais contribuições do algoritmo desenvolvido são: compactação e tratamento dos dados de aquecimento (que são negligenciados pelas outras técnicas); utilização do conceito de mudança no sentido do Ćuxo de calor para delimitar as bordas das regiões de interesse (onde provavelmente estão os defeitos); detecção das bordas/interface entre o objeto e o fundo da imagem; con-solidação em uma única imagem, agregando os indicadores referentes ao conceito de constante de tempo de resfriamento/aquecimento, de máxima temperatura de cada pixel e do contraste máximo. Finalmente, como resultado, apresenta-se uma única imagem com todas essas informações, diminuindo a subjetividade do opera-dor e auxiliando na eĄcácia dessa técnica termográĄca.
Palavras-chaves: TermograĄa Ativa, contraste máximo, constante tempo, com-pactação, máximos temperatura.
requirements for the degree of Master
DEVELOPMENT OF AN ALGORITHM FOR PROCESSING RADIOMETRIC DATA OBTAINED BY PULSED ACTIVE
THERMOGRAPHY
WELLINGTON FRANCISCO DA SILVA Janeiro/2019
Advisor: Prof. Dr. Douglas Bressan Riffel
This master thesis presents the development of an algorithm capable of detecting defects in materials, based on the technique of reconstruction of ther-mographic signals and the physical principles of heat transfer. As an experimental basis, tests performed and assigned by the Non-Destructive Testing, Corrosion and Welding Laboratory (LNDC) of UFRJ were used. Experimentally, a short thermal pulse is used and the surface temperature of the object is monitored over time through a thermographic camera. Due to the volume of data, the Ąrst step of the algorithm is data compression. Newton’s law of cooling was used as the basis of the phenomenon and a compression ratio of 99 % was obtained. The main con-tributions of the developed algorithm are: data compression and treatment of the heating data (which are neglected by the other techniques); use of the concept of change in the direction of the heat Ćow to delimit the edges of the regions of in-terest (Where the defects are probably located); edge detection/interface between the object and the image background; consolidation in a single image by aggre-gating the indicators referring to the concept of cooling/heating time constant, maximum temperature of each pixel and maximum contrast. Finally, as a result, a single image with all this information is presented, reducing the subjectivity of the operator and improving the effectiveness of this thermographic technique. Keywords: Active Thermography, maximum contrast, time constant, data com-pression, maximum temperature.
Figura 1 Ű Representação do espectro eletromagnético de radiação - (ME-OLA; BOCCARDI; CARLOMAGNO, 2016). . . 11
Figura 2 Ű Potência de emissividade do corpo negro versus comprimento de onda - (MEOLA; BOCCARDI; CARLOMAGNO, 2016). . . 12
Figura 3 Ű Superfície especular - (MEOLA; BOCCARDI; CARLOMAGNO, 2016). . . 15
Figura 4 Ű Superfície difusa - (MEOLA; BOCCARDI; CARLOMAGNO, 2016). . . 16
Figura 5 Ű comportamento da potência emissiva para superfícies negras, cinzas e real. (MEOLA; BOCCARDI; CARLOMAGNO, 2016) . 17
Figura 6 Ű Energia de radiação recebida pela câmera - (USAMENTIAGA et al., 2014).. . . 18
Figura 7 Ű Monitoramento da temperatura do transformador indicando pro-vável falha - (BAGAVATHIAPPAN et al., 2013). . . 20
Figura 8 Ű Monitoramento da temperatura do mancal indicando provável falha na montagem - (BAGAVATHIAPPAN et al., 2013). . . 20
Figura 9 Ű Ensaio de tração com monitoramento da temperatura e detalhe da trinca - (BAGAVATHIAPPAN et al., 2013). . . 21
Figura 10 Ű Diagrama esquemático da IRT ativa com estímulo óptico - (CI-AMPA et al., 2018). . . 22
Figura 11 Ű (a) Análise temporal e (b) Análise espacial - (GRYS; MINKINA; VOKOROKOS, 2015). . . 23
Figura 12 Ű ConĄgurações dos modos transmissão e reĆexão - (THAJEEL, 2013). . . 24
Figura 13 Ű (a) Amostra sem defeitos e (b) Amostra com defeito raso, pro-fundidade = 1 mm - (MEOLA; BOCCARDI; CARLOMAGNO, 2016). . . 24
Figura 14 Ű Amostra com defeitos mais profundos, profundidade = 4 mm -(MEOLA; BOCCARDI; CARLOMAGNO, 2016). . . 25
teticamente, (c) cartaz, (d) captura de tela de computador, (e)ilustração preta e branca, (f) código de barras, (g) impressão do polegar, (h) raio X de dente, (i) lâmina de microscópio, (j) imagem de satélite, (k) imagem sintética de radar, (l) objeto
astronômico - (BURGER; BURGE, 2010). . . 26
Figura 16 Ű Representação de imagem digital por matrizes no formato re-tangular 𝑎) 2𝐷 e 𝑏) 3𝐷 (JÄHNE, 2005). . . . 27
Figura 17 Ű Elemento estruturante usado na operação de dilatação (KON-DOZ, 2009).. . . 30
Figura 18 Ű Estágios dos algoritmos de detecção de falhas (FENG et al., 2018). 33 Figura 19 Ű Método clássico do TSR (ROCHE; LEROY; BALAGEAS, 2014). 34 Figura 20 Ű Método clássico do TSR (ROCHE; LEROY; BALAGEAS, 2014). 34 Figura 21 Ű Escolha da imagem com contraste contendo maior quantidade de defeitos (ROCHE; LEROY; BALAGEAS, 2014). . . 35
Figura 22 Ű Representação esquemática da captura das imagens.. . . 48
Figura 23 Ű Fluxograma do Algoritmo Proposto. . . 50
Figura 24 Ű Esquema da normalização ordinária. . . 54
Figura 25 Ű Esquema da normalização pixel a pixel. . . . 54
Figura 26 Ű (a) Comportamento da fase de resfriamento de um pixel e (b) Modelagem da fase de resfriamento pelo Método de Gauss Newton. 56 Figura 27 Ű Análise inicial de um pixel com duas exponenciais. . . 58
Figura 28 Ű Análise inicial de um pixel com uma exponencial. . . 60
Figura 29 Ű Imagem formada pela diferença entre os coeĄcientes de deter-minação com duas e uma exponencial. . . 61
Figura 30 Ű (a) Construção da imagem pelo parâmetro 𝐴 na Fase de Resfri-amento e (b) Construção da imagem pelo parâmetro 𝐶 na Fase de Resfriamento. . . 62
Figura 31 Ű (a) Construção da imagem pela constante de tempo 𝐵 na Fase de Resfriamento e (b) Construção da imagem pela constante de tempo 𝐷 na Fase de Resfriamento. . . . 63
Figura 34 Ű Soma dos Erros Quadrados - 𝑆𝑆𝐸 - Fase Resfriamento. . . . 64
Figura 35 Ű Imagem que representa a constante de tempo 𝐷 evidenciando a transferência de calor nos defeitos. . . 66
Figura 36 Ű Comportamento de um pixel durante as fases de aquecimento e resfriamento. . . 66
Figura 37 Ű Frame estatistiamente estável. . . . 67
Figura 38 Ű Análise inicial de um pixel com uma exponencial. . . 68
Figura 39 Ű (a) Comportamento da fase de aquecimento de um pixel e (b) Modelagem da fase de aquecimento pelo Método de Gauss New-ton. . . 69
Figura 40 Ű (a) Construção da imagem pelo parâmetro 𝐴 na Fase de Aque-cimento e (b) Construção da imagem pelo parâmetro 𝐶 na Fase de Aquecimento. . . 69
Figura 41 Ű Construção da imagem pela constante de tempo 𝐵 na Fase de Aquecimento. . . 70
Figura 42 Ű CoeĄciente de determinação - 𝑅2 - da Fase de Aquecimento. . . 70
Figura 43 Ű Raiz do Erro Quadrático Médio - 𝑅𝑀𝑆𝐸 - da Fase de Aqueci-mento. . . 71
Figura 44 Ű Soma dos Erros Quadráticos - 𝑆𝑆𝐸 - da Fase de Aquecimento. . 71
Figura 45 Ű Fase de Aquecimento construída. . . 72
Figura 46 Ű Fluxograma esquemático da curva de mínimos e máximos. . . . 74
Figura 47 Ű Curvas de Máximo e Mínimo Normalizados da temperatura. . . 74
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. . . . 75
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
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. . . . 76
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) Histo-grama do contraste máximo entre a Variação da curva de má-ximo e cada pixel da imagem com Û + / ⊗ 3à. . . . 76
Figura 52 Ű Contraste máximo da variação do mínimo com cada pixel da imagem. . . 77
Figura 53 Ű Máximos das temperaturas dos pixels. . . . 78
Figura 54 Ű (a) Escala de Cinza, (b) Binária e (c) Morfologia. . . 79
Figura 55 Ű (a) Separação da Região de Interesse e o fundo da imagem e (b) Bordas detectadas da região de interesse. . . 80
Figura 56 Ű (a) Detecção dos defeitos da região de interesse. e (b) IdentiĄ-cação de toda a região de interesse. . . 81
Figura 57 Ű (a) Derivada do ângulo e (b) Distribuição do Ćuxo de calor referente ao furo destacado de vermelho. . . 82
Figura 58 Ű Canal R correspondente ao contraste máximo da curva de mí-nimo por cada pixel da imagem. . . . 83
Figura 59 Ű Canal G correspondente ao máximo de temperatura de todos os pixels. . . . 84
Figura 60 Ű Canal B correspondente a constante de tempo de polo dominante. 85 Figura 61 Ű Imagem RGB resultante. . . 85
Figura 62 Ű Recursos e materiais - (VILARDO, 2018). . . 88
Figura 63 Ű Amostra real - (VILARDO, 2018). . . 88
Figura 64 Ű Imagem do CP1 em 3𝐷. . . . 90
Figura 65 Ű Imagem resultante com constante de tempo aquecimento.. . . . 91
Figura 66 Ű Imagem resultante com constante de tempo de resfriamento com uma exponencial. . . 92
Figura 67 Ű Imagem resultante com constante de tempo de resfriamento com duas exponenciais. . . 92
Figura 69 Ű (a) CoeĄciente 𝐴 da fase de resfriamento do CP2 e (b) CoeĄci-ente 𝐵 da fase de resfriamento do CP2.. . . 94
Figura 70 Ű (a) CoeĄciente 𝐶 da fase de resfriamento do CP2 e (b) CoeĄci-ente 𝐷 da fase de resfriamento do CP2.. . . 94
Figura 73 Ű Mapa da Soma do Erro Médio Quadrático SSE fase de resfria-mento com duas exponenciais do CP2. . . 94
Figura 71 Ű Mapa do coeĄciente de determinação 𝑅2 fase de resfriamento
com duas exponenciais do CP2. . . 95
Figura 72 Ű Mapa da Raiz do Erro Médio Quadrático RMSE fase de resfri-amento com duas exponenciais do CP2. . . 96
Figura 74 Ű (a) CoeĄciente 𝐵 da fase de resfriamento do CP2 e (b) CoeĄci-ente 𝐷 da fase de resfriamento do CP2.. . . 96
Figura 75 Ű (a) CoeĄciente 𝐴 da fase de resfriamento com uma exponencial do CP2 e (b) CoeĄciente 𝐵 da fase de resfriamento com uma exponencial do CP2. . . 97
Figura 76 Ű CoeĄciente 𝐶 da fase de resfriamento com uma exponencial do CP2. . . 97
Figura 77 Ű Mapa do coeĄciente de determinação 𝑅2 fase de resfriamento
com uma exponencial do CP2. . . 98
Figura 78 Ű Mapa da Raiz do Erro Médio Quadrático RMSE fase de resfri-amento com uma exponencial do CP2. . . 98
Figura 79 Ű Mapa da Soma do Erro Médio Quadrático SSE fase de resfria-mento com uma exponencial do CP2. . . 99
Figura 80 Ű Imagem formada pela diferença entre os coeĄcientes de deter-minação com duas e uma exponencial do CP2.. . . 100
Figura 81 Ű (a) CoeĄciente 𝐴 da fase de aquecimento do CP2 e (b) CoeĄci-ente 𝐵 da fase de aquecimento do CP2.. . . 100
Figura 82 Ű CoeĄciente 𝐶 da fase de resfriamento com uma exponencial do CP2. . . 101
Figura 83 Ű Mapa do coeĄciente de determinação 𝑅2 fase de aquecimento
cimento do CP2. . . 102
Figura 85 Ű Mapa da Soma do Erro Médio Quadrático SSE fase de aqueci-mento do CP2. . . 102
Figura 86 Ű Curvas de Máximos e Mínimos normalizados da fase de resfria-mento - CP2. . . 103
Figura 87 Ű (a) Contraste máximo entre a variação da curva de mínimo e cada pixel da imagem com Û ⊗ 3à do CP2 e (b) Contraste má-ximo entre a Variação entre a curva de mámá-ximo e e cada pixel da imagem com Û ⊗ 3à do CP2. . . . 103
Figura 88 Ű (a) Histograma do contraste máximo entre a variação da curva de mínimo e cada pixel da imagem com Û ⊗ 3à do CP2 e (b) Histograma do contraste máximo entre a Variação da curva de máximo e cada pixel da imagem com Û ⊗ 3à do CP2. . . . 104
Figura 89 Ű Máximos das temperaturas dos pixels com (Û ⊗ 2à) do CP2. . . 105
Figura 90 Ű Máximos das temperaturas dos pixels com (Û ⊗ 3à) do CP2. . . 105
Figura 91 Ű (a) Separação da região de interesse e o fundo da imagem - CP2 e (b) Bordas detectadas da região de interesse - CP2. . . 106
Figura 92 Ű (a) Detecção dos defeitos da região de interesse - CP2 e (b) IdentiĄcação de toda a região de interesse - CP2. . . 106
Figura 93 Ű Imagem resultante com constante de tempo da fase de aqueci-mento do CP2. . . 107
Figura 94 Ű Imagem resultante com constante de tempo da fase de resfria-mento com uma exponencial do CP2. . . 108
Figura 95 Ű Imagem resultante com constante de tempo da fase de resfria-mento e morfologia do CP2. . . 108
Figura 96 Ű Imagem resultante com constante de tempo de resfriamento do CP2. . . 109
Figura 97 Ű Detalhe do comportamento do Ćuxo de calor em uma região defeituosa.. . . 110
Tabela 1 Ű Dados da amostra - CP1 . . . 87
Tabela 2 Ű Dados do ambiente - CP1 . . . 87
Tabela 3 Ű Dados do equipamento - CP1 . . . 87
Tabela 4 Ű Dimensionais - CP1 . . . 87
Tabela 5 Ű Dados da amostra - CP2 . . . 89
Tabela 6 Ű Dados do ambiente - CP2 . . . 89
Tabela 7 Ű Dados do equipamento - CP2 . . . 89
Lista de ilustrações. . . . I Lista de tabelas. . . VII
1 Introdução. . . . 1
1.1 JustiĄcativas e Motivação . . . 1
1.2 Objetivos . . . 4
1.3 Organização do Trabalho . . . 4
2 Revisão Bibliográfica e Fundamentação Teórica . . . . 6
2.1 TermograĄa . . . 6
2.1.1 Princípios Físicos Básicos da TermograĄa Infravermelha. . . 7
2.1.2 ClassiĄcação da TermograĄa Infravermelha - Infrared Ther-mography - IRT . . . 19
2.2 Processamento de Imagem . . . 25
2.2.1 Visão geral do Processamento de imagem. . . 25
2.2.2 Fundamentos de Processamento de imagem. . . 27
2.2.3 Armazenamento de imagens . . . 28
2.2.4 Segmentação de imagens . . . 28
2.2.5 Detecção de bordas . . . 29
2.2.6 Limiarização. . . 30
2.2.7 Morfologia Matemática . . . 30
2.3 Processamento de imagens termográĄcas . . . 31
2.4 Reconstrução de Sinais TermográĄcos Ű TSR . . . 35
3 Desenvolvimento do Algoritmo . . . . 48
3.1 Compactação de Dados . . . 50
3.2 Análise da Fase de Aquecimento . . . 66
3.3 Determinação do Frame de Contraste Máximo . . . 72
4 Resultados e Discussões . . . . 86
4.1 Descrição dos Ensaios Experimentais . . . 86
4.2 Estudo de Casos . . . 89
4.2.1 Primeiro vídeo - 𝐶𝑃 1. . . 89
4.2.2 Segundo vídeo - 𝐶𝑃 2 . . . 93
5 Conclusão . . . 113
1 Introdução
Neste capítulo é apresentada uma sucinta explanação sobre a pesquisa de-senvolvida, onde são narradas a motivação e justiĄcativas para a escolha do assunto analisado, assim como os objetivos e as técnicas que fundamentam a metodologia empregada e sua contribuição.
1.1 Justificativas e Motivação
Hoje em dia, cada vez mais compósitos como polímero reforçado com Ąbra de vidro - Glass Fiber Reinforced Polymer - GFRP e polímero reforçado com Ąbra de carbono - Carbon Fiber Reinforced Polymer - CFRP são usados, por exemplo, nos setores aeroespacial, de energia renovável, civil e arquitetura, e outras indústrias, devido às suas vantagens, tais como baixo custo, peso leve, alta relação resistência/peso e altos índices de relação rigidez/peso em comparação com os metais tradicionais (YANG; HE, 2016;LIU et al.,2017).
Os componentes compostos enfrentam um ambiente de serviço severo e complexo e podem ser daniĄcados quando expostos aos esforços (TŘÍSKA; FLÁŠAR,
2017; YANG; HE, 2016). Esses danos, muitas vezes difíceis ou mesmo impossíveis de detectar a olho nu na superfície, degradam gravemente a capacidade de carga das estruturas. Assim, é extremamente necessário evitar a falha de componentes compostos tanto na fabricação como no serviço. Além de desenvolver compósitos mais avançados para melhorar a sua disponibilidade, outra maneira efetiva seria aplicar testes não destrutivos conĄáveis e econômicos do tipo: ensaios não destru-tivos - Non-Destructive Testing - NDT e monitoramento de integridade estrutural - Structural Health Monitoring - SHM (YANG; HE, 2016; TŘÍSKA; FLÁŠAR,
2017).
Nos dias atuais, a técnica mais utilizada para detectar regiões defeituosas em materiais é a inspeção visual. No entanto, tal técnica é fortemente dependente da avaliação individual de cada operador. Diante disso, busca-se por uma técnica
não destrutiva menos dependente da interpretação do inspetor e mais conĄável para a inspeção de materiais, motivando o desenvolvimento da presente pesquisa (GROSSO, 2016).
Assim como as teorias de evolução de Stephen Gould, a indústria da termo-graĄa infravermelha - Infrared Thermography - IRT, tem se desenvolvido seguindo as ideias de equilíbrio pontual: períodos de pouca ou nenhuma mudança são in-tercalados com momentos de quebra de paradigmas e rápido desenvolvimento, a exemplo da melhoria das relações de custos, conĄabilidade e produtividade ( MIL-LER, 1994).
As últimas três décadas testemunharam um crescimento constante no uso de IRT como técnica de monitoramento de condições em estruturas civis, instala-ções elétricas, máquinas e equipamentos, deformação de material em várias condi-ções de carregamento, danos por corrosão e processos de soldagem. Essa também encontrou sua aplicação nas indústrias nuclear, aeroespacial, alimentícia, celulose, médica, madeira e plástico. Com o advento de novas gerações de câmeras infra-vermelhas, a IRT tem se tornado uma técnica mais precisa, conĄável e econômica (BAGAVATHIAPPAN et al.,2013;VELOSO et al., 2017).
O processo de monitoramento e condição de máquinas busca evitar paradas indesejadas, maximizar a disponibilidade da planta e reduzir riscos associados. Isso permite a detecção de problemas antes de um mau funcionamento grave de uma máquina ou componente. Por exemplo: o desgaste de oleodutos e gasodutos, vazamentos internos em válvulas e vasos de pressão, entre outros, que podem ser catastróĄcos, ou levarem a explosões e incêndios (BAGAVATHIAPPAN et al.,
2013).
A IRT permite obter um mapa de temperatura da superfície de qualquer objeto, mesmo de geometria complexa, de maneira remota e não invasiva, a partir da energia térmica irradiada na banda eletromagnética infravermelha. O mapa resultante pode ser explorado para diferentes aplicações em diferentes campos (DUDZIK, 2015; MEOLA et al.,2017).
A termograĄa baseada na radiação infravermelha - infrared - IR fornece medidas rápidas e sem contato, a partir da transformação da energia térmica,
emi-tida pela superfície de um objeto na faixa IR do espectro eletromagnético, em uma imagem visível (MADRUGA et al., 2010; CIAMPA et al., 2018). As câmeras tér-micas monitoram a temperatura e o Ćuxo de calor (HOLLAND; REUSSER,2016). Elas funcionam como um termômetro da imagem. Essas fornecem as temperaturas aparente de cada pixel. Esses Pixels não são perfeitos. A IRT é fundamentalmente limitada pela emissividade do comprimento de onda da superfície capturada. A emissividade determina a sensibilidade da temperatura aparente vista pela câ-mera térmica em relação à temperatura real da superfície da imagem (HOLLAND; REUSSER, 2016).
A IRT envolve o monitoramento de calor originário de uma fonte interna ou externa. A forma mais básica dela é a termograĄa passiva, cuja fonte de ca-lor é interna ao corpo e sua medição está presente no ambiente. A termograĄa ativa envolve a aplicação da mesma forma de energia para criar o Ćuxo transi-ente de calor, e quando encontra defeito, cria um contraste térmico. A forma mais usada da termograĄa ativa para NDT é a termograĄa Ćash - flash thermography, também conhecida como TermograĄa Ativa Pulsada - Pulse Thermography - PT (HOLLAND; REUSSER, 2016).
Trabalhos iniciais que utilizaram a termograĄa ativa pulsada, (CONNOLLY,
1991; BADGHAISH; FLEMING, 2008; TŘÍSKA; FLÁŠAR, 2017), exploraram o uso da termograĄa de aquecimento gradual para a identiĄcação de defeitos em compósitos reforçados com Ąbra de vidro. Normalmente, tal método consiste em aplicar calor em uma superfície da peça e observar a resposta térmica, usando dispositivos sensores de calor, como câmeras IR, à medida que a parte esfria. Os defeitos internos, como os vazios, modiĄcam a resposta térmica e produzem man-chas quentes ou frias nos locais da superfície da amostra (CONNOLLY,1991; IN-GLESE; OLMI; PRIORI, 2017). Para identiĄcação dessas superfícies é necessário o processamento das imagens capturadas pela câmera IR.
Nesta pesquisa, investiga-se a utilização da técnica Reconstrução do Sinal TermográĄco - Thermographic Signal Reconstruction - TSR no pós-processamento de imagens radiométricas, especiĄcamente, dados térmicos obtidos de câmera IR, ou seja, câmera termográĄca.
Em particular, o interesse principal desta pesquisa é desenvolver um algo-ritmo para detecção de falhas em materiais isolantes baseado na técnica TSR e em conceitos físicos de transferência de calor. A técnica se destaca pela compac-tação dos dados radiométricos e pelo ajuste polinômio logarítmico. A TSR tem se destacado por diversas razões, entre elas: melhoria signiĄcativa na sensibilidade, redução do desfoque e aumento do alcance de profundidade, diminuição da me-mória computacional, aumento da relação sinal ruído e a busca pela objetividade nos resultados para o operador (SHEPARD,2001a;LARSEN,2011;WANG et al.,
2017; FENG et al., 2018).
1.2 Objetivos
O objetivo deste trabalho é desenvolver um algoritmo capaz de detectar regiões defeituosas utilizando como base a TSR e conceitos físicos de transferência de calor, buscando reduzir a subjetividade do operador na análise dos resultados.
EspeciĄcamente, propõe-se:
∙ compactar dados com a utilização de ajuste de curvas;
∙ analisar a fase de aquecimento na caracterização dos defeitos capturados pela constante de tempo;
∙ encontrar contraste máximo, analisando a variação dos máximos e mínimos e pixels da região de interesse, bem como a análise do mapa dos máximos de temperatura de todos os pixels;
∙ segmentar regiões de interesse (defeituosas), destacando o fundo da imagem do objeto, destacar os defeitos pelas bordas e entender o sentido físico dessa mudança.
1.3 Organização do Trabalho
Outros pontos desta dissertação estão divididos da seguinte maneira: no Ca-pítulo 2 encontram-se breves conceitos e o estado da arte do assunto em questão;
no Capítulo 3 é detalhada a metodologia da pesquisa adotada na presente dis-sertação, abordando os detalhes do algoritmo desenvolvido; no Capítulo 4 é feita uma análise dos resultados, mencionando e ilustrando com as imagens citadas; no Capítulo 5 são abordadas as informações relativas a conclusões dos Capítulos anteriores e as recomendações para trabalhos futuros.
2 Revisão Bibliográfica e Fundamentação
Teórica
O presente capítulo apresenta a revisão da literatura alusiva aos conceitos utilizados pelo algoritmo desenvolvido nessa dissertação. São expostos os seguintes tópicos: TermograĄa, Processamento de imagem e Reconstrução de Sinais Termo-gráĄcos - Thermographic Signal Reconstruction - TSR.
2.1 Termografia
Inicialmente, fala-se de algumas pesquisas sobre termograĄa relacionadas ao trabalho e depois acerca dos princípios físicos da termograĄa e sua classiĄcação nos itens2.1.1 e 2.1.2.
BALAGEAS (2006), considerou que o monitoramento de integridade física - Structural Health Monitoring - SHM consiste em fornecer a cada momento, du-rante toda a vida do componente ou estrutura, um diagnóstico sobre o estado dos materiais constitutivos de diferentes partes e do todo. Esse seria realizado, através de sensores fornecendo informações a exemplos do tipo: danos, vida residual, tem-peratura, entre outras, e com aplicação em diversas áreas como: aviação, indústria, construção civil etc.
KAPLAN (2007), reconhece que a temperatura e o comportamento tér-mico de equipamentos industriais, seja na geração ou distribuição de energia, seja durante o processo de fabricação, operação e na manutenção de materiais e com-ponentes, são fatores críticos para garantir processos seguros, conĄáveis e com baixo custos operacionais. Por essa razão, a temperatura é considerada a chave no monitoramento de um processo industrial.
BALAGEAS et al. (2016), discutiram que ensaios não destrutivos -
Non-Destructive Testing - NDT térmicos são métodos mais amplamente aplicados que
Foucault, líquido penetrante, etc. para metais e não metais. Isso é válido também
para materiais compósitos.
PEREIRA et al. (2018), presumem que termograĄa infravermelha -
Infra-red Thermography - IRT, também conhecida como imagem térmica, é uma
mo-dalidade que detecta a radiação infravermelha (calor) emitida pelos objetos. O primeiro termograma IR de um humano foi no ano de 1928 pelo Professor Czerny em Frankfurt, Alemanha. Inicialmente, apenas detectores infravermelhos foram usados. Mais tarde, durante a segunda guerra mundial, os detectores infraverme-lhos foram desenvolvidos e utilizados para aplicações militares.
2.1.1
Princípios Físicos Básicos da Termografia Infravermelha
Inicialmente é importante conhecer a deĄnição da termograĄa, vista por alguns pesquisadores.
MALDAGUE et al.(2001), deĄniram a termograĄa infravermelha - Infrared
Thermography - IRT como uma ciência que se dedica à aquisição e processamento
de informação térmica a partir de dispositivos de medição sem contato. Já de acordo com ASTM et al. (2006), deĄniram IRT como sendo o processo de exibir variações de temperatura aparente ao longo da superfície de um objeto ou de um cenário para a medição das variações de irradiação IR.
De acordo com MEOLA; BOCCARDI; CARLOMAGNO (2016), a IRT é deĄnida como uma disciplina que se baseia em princípios físicos, uma base teórica e abordagens práticas. A razão disso é que termograĄa, por si só, se refere a um mapa (uma distribuição de sinal de temperatura) sem dizer nada sobre o modo como foi obtido. Uma maneira simples, é deĄnir como a detecção de energia térmica que é irradiada de objetos na banda do infravermelho - InfraRed - IR, essa com auxílio de softwares especíĄcos e relações básicas, é transformada em um sinal de vídeo e, Ąnalmente, em um mapa de temperaturas da superfície do objeto. A maneira como esse mapa de temperaturas é criado envolve procedimentos complexos de outras disciplinas como exemplo: eletromagnetismo, processamento de sinais, transferência de calor, entre outras.
energia interna em corpos físicos que ocorrem em diversos processos (geração, conversão, transporte e armazenamento de energia), e seu uso é contínuo. A análise desses processos permite a recuperação de informações versáteis sobre objetos na natureza. Por exemplo, na produção de energia, indústria, medicina, pesquisa e outras áreas.
Transferência de calor é a ciência que estuda as transferências de energia entre corpos materiais causados por diferenças de temperatura (HOLMAN,1983). Os conceitos dos mecanismos básicos de transferência de calor são:
∙ Condução - transferência de energia resultante da interação de partículas de maior energia de uma substância com partículas adjacentes de menor energia;
∙ Convecção - modo de transferência de calor entre uma superfície sólida e um líquido ou gás adjacente que está em movimento do Ćuido;
∙ Radiação - energia emitida pela matéria em forma de ondas eletromagnéti-cas (ou fótons), como resultado das mudanças nas conĄgurações eletrônieletromagnéti-cas de átomos ou moléculas (ÇENGEL; GHAJAR,2009).
A Transferência de calor por Condução acontece quando existe um gra-diente de temperatura num corpo, dessa maneira, ocorre uma transferência de energia da região de alta temperatura para a região de baixa temperatura. Diz-se que a energia é transferida por condução e que a taxa de transferência de calor por unidade de área é proporcional ao gradiente normal de temperatura dado por (HOLMAN, 1983):
˙𝑞
𝐴 ≍ 𝜕𝑇 𝜕𝑥.
Quando se insere a constante de proporcionalidade, obtém-se a Equação (2.1):
˙𝑞 = ⊗𝑘𝐴𝜕𝑇
Em que ˙𝑞 é a taxa de transferência de calor (𝐽); ∂T
∂x é o gradiente de temperatura
na direção do Ćuxo de calor (𝐾/𝑚). O sinal negativo assegura que a transferência de calor no sentido positivo de 𝑥 seja uma quantidade positiva; 𝑘 é constante de condutividade térmica do material (𝑊/(𝑚.𝐾)); e 𝐴 é a área da superfície (𝑚2).
A condutividade térmica de um material é a medida da capacidade do material conduzir calor. Um valor alto de condutividade indica que o material é bom condutor de calor, enquanto um valor baixo, indica que é mau condutor ou isolante (ÇENGEL; GHAJAR, 2009).
Uma outra propriedade de um material que aparece na análise da condução de calor transiente é a difusividade térmica, que representa a velocidade com que o calor se difunde por meio de um material, e é deĄnida como (2.2):
Ð= Condução de calor
Armazenamento de calor =
𝑘 𝜌𝑐p
, (2.2)
Em que 𝑘 é a condutividade térmica (𝑊/(𝑚.𝐾)); 𝜌 é a densidade (𝑘𝑔/𝑚3); 𝑐 p é o
calor especíĄco (𝐽/(𝑘𝑔.𝐾)). Compreende-se que a maioria dos materiais com alta difusividade térmica (metais), possui uma alta taxa de difusão de calor, enquanto que materiais compósitos, isolantes e polímeros apresentam baixa difusividade. Fato este que impõe a necessidade de uma maior quantidade de energia absorvida para que estes materiais mantenham semelhança com materiais com alta taxa de difusão.
A Transferência de calor por Convecção é complexa, pois envolve movi-mento do Ćuido e condução de calor. Além disso, depende fortemente das proprie-dades do Ćuido, como viscosidade dinâmica Û, condutividade térmica 𝑘, densidade
𝜌, calor especíĄco 𝑐p, geometria e rugosidade da superfície sólida, entre outras.
Observa-se que a taxa de transferência de calor por convecção é proporcional à diferença de temperatura e está muito bem expressa pela lei de Newton do resfriamento mostrado na Equação (2.3):
˙𝑞conv= ⊗ℎ(𝑇s⊗ 𝑇∞). (2.3)
˙
𝑄conv = ⊗ℎ𝐴(𝑇s⊗ 𝑇∞),
Em que ˙𝑄conv é a taxa de transferência de calor por convecção (𝐽/𝑠); ℎ é o
coeĄci-ente de transferência de calor por convecção (𝑊/𝑚2.𝐾); 𝐴
s é a área da superfície
de transferência de calor (𝑚2); 𝑇
s é a temperatura da superfície (𝐾); 𝑇∞ é a
temperatura do Ćuido suĄcientemente longe da superfície (𝐾). O coeficiente de transferência de calor é relevante nesse processo da convecção, contudo de-pende de algumas variáveis mencionadas (tais como: temperatura, área e taxa de transferência de calor) e, portanto, difícil de ser determinado.
Finalmente, na transferência de calor por Radiação têm-se a radiação IR que se manifesta através de ondas eletromagnéticas, as quais são um modo de transferência de calor. Algumas formas mais comuns de ondas eletromagnéticas são por exemplo: a luz visível emitida por um Ąlamento incandescente de uma lâmpada, fontes como estações de rádio e televisão, osciladores de microondas para fornos e radares, etc. Os corpos com temperatura acima de zero absoluto emitem naturalmente radiação eletromagnética, sendo a intensidade dessa emissão proporcional à temperatura do material, de acordo com a Lei de Stefan-Boltzmann (EISBERG et al., 1994; MALDAGUE et al., 2001; BAGAVATHIAPPAN et al.,
2013; MEOLA; BOCCARDI; CARLOMAGNO, 2016), que será abordada mais adiante. Consequentemente, sempre há troca de calor com o ambiente, mesmo sem a necessidade de contato físico, podendo ocorrer também no vácuo.
O fenômeno acontece necessariamente de um aumento ou decréscimo na energia dos átomos, dado que quando a superfície de um material é aquecida, ocorre um aumento na energia das partículas atômicas, elevando a temperatura e a energia emitida por cada partícula. Essa agitação térmica das partículas produz uma forma de radiação de energia eletromagnética conhecida como IR, pois as ondas decorrentes desse processo apresentam características, como frequência e comprimento, que englobam a região do IR no espectro eletromagnético (EISBERG et al., 1994; MALDAGUE et al., 2001; MEOLA; BOCCARDI; CARLOMAGNO,
2016).
Na Figura 1, são exibidas as regiões do espectro de radiação eletromagné-tico, sendo possível observar que a região do IR se localiza entre a região da luz
visível e microondas.
Figura 1 Ű Representação do espectro eletromagnético de radiação - (MEOLA; BOCCARDI; CARLOMAGNO,2016).
A região da radiação IR obedece às leis das radiações nas diferentes exten-sões do espectro eletromagnético. Propaga-se em linha reta, é absorvida, reĆetida, refratada, apresenta espalhamento de feixe e viaja, no vácuo, à velocidade da luz, aproximadamente 3 × 108𝑚/𝑠. Atribui-se para a radiação as seguintes
proprieda-des: frequência (𝑓), comprimento de onda (Ú), cuja relação é dada pela Equação (2.4).
Ú= 𝑐
𝑓, (2.4)
Em que 𝑐 é a velocidade de propagação do meio (no vácuo 𝑐 = 2, 99792458 × 108𝑚/𝑠); Ú medido em metros (𝑚); 𝑓 é medida em Hertz (𝐻𝑧). A radiação térmica
emitida por sólidos é geralmente tratada em termos do conceito do Corpo Negro, cuja deĄnição é de um objeto hipotético capaz de absorver toda radiação que incide sobre ele, independente do comprimento de onda e direção. Além disso, para uma dada temperatura e comprimento de onda, nenhuma superfície pode emitir mais energia do que um corpo negro (BERGMAN et al.,2011).
Após a descoberta da lei básica da radiação pelo físico alemão Max Planck, a qual descreve com precisão a distribuição espectral da radiação de um corpo
negro em função do comprimento de onda para uma temperatura dada, temos que: 𝐸λb = 2Þℎ𝑐2 Ú5(𝑒λkbThc ⊗1) , (2.5)
Em que 𝐸λbé a intensidade da radiação monocromática (espectral) do corpo negro;
ℎ é a constante de Plank (ℎ = 6, 6 × 10⊗34𝐽𝑠); Ú é o comprimento de onda da
radiação considerada (𝑚); 𝑘b é constante de Boltzmann (𝑘b = 1, 38 × 10⊗23𝐽/𝐾);
e 𝑇 é a temperatura absoluta do corpo negro em (K). A lei de Plank pode ser veriĄcada na Figura 2 para uma família de valores de temperatura na faixa entre 200𝐾 ⊗ 6000𝐾.
Figura 2 Ű Potência de emissividade do corpo negro versus comprimento de onda - (MEOLA; BOCCARDI; CARLOMAGNO, 2016).
Pelo gráĄco da Figura 2 observa-se que:
∙ Em qualquer comprimento de onda, a intensidade da radiação emitida au-menta com o aumento da temperatura;
∙ O comprimento de onda, no qual ocorre a máxima radiação, diminui com o aumento da temperatura.
Diferenciando a Equação (2.5) com relação ao comprimento de onda e re-solvendo para Úmax, que emite a intensidade máxima de radiação, têm-se uma
simples relação entre o comprimento de onda e o corpo negro, que é denominada
Lei de Wien, dada pela Equação (2.6):
Úmax =
𝑑w
𝑇 , (2.6)
Em que 𝑑w é chamado constante de dispersão de Wien, que é aproximadamente
igual a 2898Û𝑚 𝐾. Integrando ambos os lados da Equação (2.5) e variando o com-primento de onda (Ú = 0 ÷ ∞) consegue-se a intensidade da radiação hemisférica total denominada Lei de Stefan-Boltzmann‘s pela equação (2.7):
𝐸b = à𝑇4. (2.7)
Sendo que à é a constante de Stefan-Boltzmann‘s (à = 5, 67 × 10⊗8𝑊/𝑚2 𝐾4).
As leis de radiação descritas até o momento referem-se ao corpo negro. Os objetos reais, dependendo do material que são fabricados e das características da super-fície, apresentam diferentes capacidades de absorver, reĆetir e transmitir energia (BERGMAN et al.,2011).
Há dois elos entre as propriedades radiativas dos materiais que são muito importantes. O primeiro é o que envolve absortância, reĆetância e transmitância no balanço de energia radiativa, e o segundo a lei de Kirchhoff que relaciona ab-sortância e emissividade. Esta capacidade geralmente é descrita (conservação de energia) pela Equação (2.8):
Em que Ð é a absortância total; 𝜌 é a reĆetância total; á é a transmitância total. A Equação (2.8) pode ser expressa na base espectral como (2.9):
Ðλ+ 𝜌λ+ áλ = 1, (2.9)
Em que Ú relaciona a um intervalo espectral elementar, sendo que Ðλ é a
absor-tância espectral; 𝜌λ é a reĆetância espectral; áλ é a transmitância espectral. Uma
superfície pode exibir comportamentos seletivos não apenas em relação ao com-primento de onda, mas também em relação à direção da energia de propagação, ou seja, a energia absorvida pela superfície. Assumindo a direção 𝜙 e que a lei de Kirchhoff aĄrma que, em um equilíbrio termodinâmico local, a liberação de energia de uma superfície é a mesma que a absorvida na mesma direção e é descrita pela Equação (2.10)
Ðλϕ = 𝜀λϕ. (2.10)
Isso signiĄca que o objeto permanece em temperatura constante com a taxa de absorção de energia igual a taxa de emissão de energia. Caso contrário, o objeto seria quente ou frio, em contraste com a aĄrmação do equilíbrio termodinâmico.
O símbolo 𝜀 indica a emissividade, que é a fração da energia emitida pelo corpo negro 𝐸b = 𝜀𝐸λb.
Para objetos opacos, á = 0, e tendo em conta a relação das Equações (2.8) e (2.9), é simpliĄcada para (2.11):
𝜀+ 𝜌 = 1. (2.11)
Pela Equação (2.11), nota-se que quanto maior a emissividade do material, ou seja, a energia emitida por ele, menor a parcela da radiação reĆetida e vice-versa. No entanto, uma alta taxa de reĆexão representa alta taxa de radiação oriunda de outras fontes, conferindo ruídos à imagem termográĄca e reduzindo a intensidade das regiões de interesse (GROSSO, 2016). SigniĄcando que a emissividade é um
parâmetro fundamental para ser conhecido sendo expressada pela Equação (2.12):
𝜀= 1 ⊗ 𝜌. (2.12)
De forma prática, os materiais se classiĄcam em duas principais categorias: metais e não metais. Não Metais são geralmente considerados como tendo maiores valores de emissividade em relação aos metálicos. No entanto, levando em conta que a câmara IR vê a superfície do objeto, o importante é o acabamento da superfície e não o material do qual um objeto é composto (BERGMAN et al., 2011).
De acordo com a Equação (2.8), toda superfície real, exceto o corpo negro para o qual a reĆectância 𝜌 = 0, reĆete parte da radiação incidente.
Uma superfície pode reĆetir a radiação incidente de dois modos: especular e difusa.
Refletor especular é a superfície para a qual toda energia incidente 𝐼inc
é jogada para fora 𝐼out em uma única direção, com o ângulo de incidência Ð igual
ao da saída Ñ. Isto acontece quando a superfície é muito suave e altamente polida, isto é, superfície espelhada. Para um espelho perfeito (𝜌 = 1) e 𝐼inc = 𝐼out. Na
Figura3, tem-se uma ilustração de superfície especular.
Figura 3 Ű Superfície especular - (MEOLA; BOCCARDI; CARLOMAGNO,2016). Refletor difusa - É a superfície pela qual a energia reĆetida deixa a su-perfície quase uniformemente em todas as direções. É o caso de susu-perfícies rugosas. Pode-se notar um exemplo de superfície difusa na Figura 4.
Figura 4 Ű Superfície difusa - (MEOLA; BOCCARDI; CARLOMAGNO,2016). O valor de (𝜌) de uma superfície depende de sua rugosidade e do com-primento de onda da radiação incidente. Entretanto, os exemplos anteriores das Figuras 3 e 4 são os extremos do caminho para a superfície, reĆetindo a ener-gia. O comportamento de objetos comuns situa-se entre reĆetores perfeitamente especulares e perfeitamente difusos.
De maneira geral, existem três tipos de fontes de radiação, caracterizados pelo modo como a emitância radiante espectral (𝐸λb) varia com o comprimento de
onda:
∙ Corpo Negro para o qual 𝜀λ = 𝜀 = 1;
∙ Corpo cinza, para o qual 𝜀λ = 𝜀 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑒 𝑚𝑒𝑛𝑜𝑟 𝑞𝑢𝑒 1;
∙ Superfície real para o qual 𝜀 varia com o comprimento de onda.
A curva da distribuição espectral dessas três fontes de radiação é apresen-tada na Figura 5.
Percebe-se que o conhecimento da emissividade para a medição de tempe-raturas precisas é essencial acoplado a um sistema IR. Os valores dos materiais mais comuns são encontrados na literatura, porém esses valores não são indicados para serem usados em sistema IR por duas razões:
Figura 5 Ű comportamento da potência emissiva para superfícies negras, cinzas e real. (MEOLA; BOCCARDI; CARLOMAGNO, 2016)
∙ o parâmetro 𝜀 é fornecido sem a informação da direção e comprimento de onda;
∙ estado da superfície visualizada, em especial metais, pois apresentam diversos termos como: polido, laminado, oxidado, etc, e em intervalos grandes.
O melhor caminho é a medição da emissividade com a mesma câmera IR de acordo com padrões (ASTM, 2005). O procedimento consiste em comparar a radiação emitida pelo material da amostra e a emissão emitida pelo corpo negro na mesma temperatura. Quase todas as câmeras IR possuem softwares que calculam a emissividade. É preferível empregar superfícies com alta emissividade. Para isso, de forma simples, pinta-se a superfície com tinta preta ou coloca-se graxa (MEOLA; BOCCARDI; CARLOMAGNO,2016).
A temperatura é uma das grandezas físicas mais frequentemente medidas e fornece informações sobre a energia interna do objeto e seu controle é de impor-tância vital em muitos processos industriais.
A temperatura medida pela câmera IRT mede as radiações infravermelhas emitidas pelo objeto e converte a energia detectada em um valor de temperatura. No entanto, como nem toda radiação vem do objeto, para medir a temperatura com precisão, a radiação de outras fontes (como objetos ao redor e a atmosfera) devem ser removida na conversão da temperatura. Esse processo é chamado de compensação.
A radiação total recebida pela câmera (𝐸tot) decorre de três fontes: a
emis-são do objeto (𝐸obj), a emissão da vizinhança reĆetida pelo objeto (𝐸ref l) e a
emissão da atmosfera (𝐸atm). Isso pode ser expressado pela Equação (2.13) e
vi-sualizado na Figura 6(USAMENTIAGA et al., 2014).
𝐸tot = 𝐸obj + 𝐸ref l+ 𝐸atm. (2.13)
Em que 𝐸obj = 𝜀obj . áatm . à . (𝑇obj)4, 𝐸ref l = 𝜀obj . áatm . à . (𝑇ref l)4 = (1 ⊗
𝜀obj) . áatm . à .(𝑇ref l)4 e 𝐸atm= 𝜀atm . à . (𝑇atm)4 = (1 ⊗ áatm) . à . (𝑇ref l)4.
Figura 6 Ű Energia de radiação recebida pela câmera - (USAMENTIAGA et al.,
2.1.2
Classificação da Termografia Infravermelha - Infrared
Thermo-graphy - IRT
A IRT renovou sua atenção no inicio da década de 1980, após a compreen-são dos mecanismos de transferência de calor envolvidos. A abordagem termo-física tem sido desenvolvida por cientistas (Carlomagno, Balageas e Vavilov) que intro-duziram modelos de detecção de defeitos nas três dimensões e que está agora entre as bem reconhecidas técnicas de avaliação não destrutiva - NonDestructive
Evalu-ation - NDE como por exemplo no campo aeronáutico (CONNOLLY, 1991; ME-OLA; BOCCARDI; CARLOMAGNO,2016). A crescente importância nos ensaios térmicos não destrutivos Thermal Non-Destructive Testing - TNDT, foi estimu-lada pelos avanços nas câmeras IR e, bem como, nas conquistas no processamento computacional (VAVILOV, 2014a).
Ao usar o termo "inspeção não destrutiva"no intuito de descobrir uma falha em um componente qualquer sem daniĄcá-lo e sem comprometer seu funciona-mento normal, tem-se duas situações:
∙ averiguar o funcionamento adequado de um dispositivo quando ele entra em operação;
∙ avaliar a ausência de defeitos dentro do material componente.
A IRT se classiĄca, dependendo do tipo de estímulo aplicado na superfície da amostra em: Ativa ou Passiva.
A Termografia Passiva é realizada em componentes, que em condições operacionais, tornam-se quentes ou frios como pré-requisito para funcionamento adequado. A inspeção não requer qualquer estímulo térmico externo do objeto. Em outras palavras, o Ćuxo de calor, devido à geração de calor interno gerado sob o ensaio, é explorado para avaliar o funcionamento correto ou mau funcionamento desse objeto. Exemplos desse tipo são: inspeção em fornos, painéis elétricos, refrige-radores, etc. Em virtude da Lei de Ohm, um aumento da resistência elétrica induz ao aumento da temperatura e, dessa forma, é possível distinguir conexões supera-quecidas entre muitas, assim como defeitos associados a outros problemas. Alguns
exemplos podem ser visualizados com o uso dessa modalidade nas Ąguras 7, 8 e
9 (BAGAVATHIAPPAN et al., 2013; MEOLA; BOCCARDI; CARLOMAGNO,
2016; YANG; HE, 2016; CIAMPA et al., 2018):
Figura 7 Ű Monitoramento da temperatura do transformador indicando provável falha - (BAGAVATHIAPPAN et al., 2013).
Figura 8 Ű Monitoramento da temperatura do mancal indicando provável falha na montagem - (BAGAVATHIAPPAN et al., 2013).
A Termografia Ativa é realizada em um objeto que inicialmente está em equilíbrio térmico com o ambiente, e então uma certa quantidade de energia é introduzida nele para produzir um contraste térmico a Ąm de destacar as ca-racterísticas de interesse, seguida da aquisição de dados (imagens/termogramas),
Figura 9 Ű Ensaio de tração com monitoramento da temperatura e detalhe da trinca - (BAGAVATHIAPPAN et al., 2013).
observando o comportamento ao longo do tempo. A inspeção não destrutiva de materiais com sistema IR geralmente consiste em estimular termicamente o objeto e monitorar a variação da temperatura da superfície durante a fase de aquecimento e/ou resfriamento transitório (FÉ,2017).
Uma premissa geral na IRT ativa para uso em NDE requer basicamente que o material sem defeito possua características térmicas relativamente uniformes e conhecidas, tais como: condutividade, calor especíĄco e difusividade. De fato, a presença de irregularidades, defeitos, descolagem e delaminações podem ser de-tectados dos sinais térmicos anômalos em relação ao material sem defeito. A IRT ativa é um método muito Ćexível, permitindo a modiĄcação da conĄguração ex-perimental para atender aos requisitos de muitas aplicações (ŠVANTNER et al.,
2018).
Basicamente, duas modalidades mais utilizadas na IRT ativa para essas inspeções são: TermograĄa Pulsada - Pulse Thermography - PT - e Termogra-Ąa Modulada - Lock-in Thermography - LT. Existem muitas outras técnicas tais como: TermograĄa de Fase Pulsada Pulse Phase Thermography - PPT, Termogra-Ąa Pulsada Longa - Step Heating Thermography, entre outras, que praticamente são modiĄcações da PT e da LT em virtude delas incluírem outros métodos de aquecimento e algoritmos diferentes de processamento, vê-se na Figura10um dia-grama esquemático desses tipos (MALDAGUE,2012;BAGAVATHIAPPAN et al.,
et al., 2018).
Figura 10 Ű Diagrama esquemático da IRT ativa com estímulo óptico - (CIAMPA et al., 2018).
Serão enfatizadas as duas modalidades:
∙ Termografia Pulsada - Pulse Thermography - PT ; ∙ Termografia Modulada - Lock-in Thermography - LT.
A Termografia Pulsada - PT - consiste simplesmente em acompanhar o objeto estimulado por um pulso de aquecimento monitorando o comportamento do gradiente de temperatura da superfície durante a fase de aquecimento ou res-friamento transitório. Geralmente, o aquecimento é realizado com lâmpadas Ćash, porém pode ser também executado com lâmpadas halógenas que são mais aces-síveis. Frequentemente, o termo PT pode ser usado como TermograĄa de Pulso Longo - long-pulse thermography - LPT sem qualquer distinção, apenas muda-se o tempo de observação que neste caso é maior. O estímulo térmico pode também ser realizado por outros meios como: lasers, soprador térmico, lâmpada IR, entre outros (MALDAGUE,2000;MULAVEESALA; VADDI; SINGH,2008;VAVILOV; BURLEIGH,2015).
À medida que o pulso de aquecimento se dissipa as temperaturas da su-perfície diminuem uniformemente nas regiões sem defeitos internos, enquanto nas regiões com anomalias uma temperatura padrão é produzida na superfície da amos-tra. Na análise de um pixel de certos termogramas é possível a detecção de falhas não homogêneas. Essa análise pode ser realizada de duas formas, tomando-se a variação da intensidade de um pixel ao longo do tempo (temporal) ou de forma espacial na imagem pelas paletas de cores, pode-se observar isso nas Figuras 11a
e 11b (GRYS; MINKINA; VOKOROKOS, 2015;MARANI et al., 2019).
(a) (b)
Figura 11 Ű (a) Análise temporal e (b) Análise espacial - (GRYS; MINKINA; VOKOROKOS,2015).
A análise das amostras com a PT pode ser realizada de duas formas di-ferentes: transmissão e reflexão. No modo transmissão, a câmera IR visualiza o objeto na face frontal, ou seja, na face oposta ao aquecimento e no modo reĆexão a câmera IR posiciona do mesmo lado da fonte de calor. Pode-se visualizar essas conĄgurações na Figura 12.
A energia térmica propaga-se por condução dentro do material enquanto a câmera monitora o gradiente de temperatura sobre a superfície visualizada. Obvi-amente, para um aquecimento de superfície uniforme e homogêneo a distribuição de temperatura também será uniforme. A presença de descontinuidades em de-terminada profundidade ocasiona mudanças no Ćuxo de calor, por consequência, variações de temperatura na superfície da amostra observada (MEOLA;
BOC-Figura 12 Ű ConĄgurações dos modos transmissão e reĆexão - (THAJEEL,2013).
CARDI; CARLOMAGNO, 2016; ZHANG et al., 2018). Um exemplo disso pode ser visualizado nas imagens das Figuras13asem defeito, 13be14com defeitos. Os autores (MEOLA; BOCCARDI; CARLOMAGNO, 2016) observaram que defeitos mais rasos são mais destacados que os mais profundos. Nas amostras do exemplo anterior, aplicou-se polímero reforçado com Ąbra de vidro - Glass Fiber Reinforced
Polymer - GFRP - e os defeitos com insertos de nylon.
(a) (b)
Figura 13 Ű(a)Amostra sem defeitos e(b)Amostra com defeito raso, profundidade = 1 mm - (MEOLA; BOCCARDI; CARLOMAGNO, 2016).
A Termografia Modulada - LT - Aplica-se um perĄl de aquecimento mo-dulado do tipo senoidal, geralmente irradiada por lâmpadas halógenas, podendo efetuar variação da frequência. Ondas térmicas são geradas no interior da amostra
Figura 14 Ű Amostra com defeitos mais profundos, profundidade = 4 mm - ( ME-OLA; BOCCARDI; CARLOMAGNO, 2016).
e quando essas detectam um defeito, parte delas são reĆetidas e causam desloca-mento da fase em relação à onda de calor na entrada. O alcance da profundidade do defeito depende do comprimento de difusão térmica (MEOLA; BOCCARDI; CARLOMAGNO,2016;YANG; HE, 2016;WANG et al.,2018b).
2.2 Processamento de Imagem
2.2.1
Visão geral do Processamento de imagem
A importância de mecanismos de processamento de imagens ocorre de duas áreas basilares: melhoria da informação visual para interpretação humana e o processamento de dados para a percepção automática através de máquinas. As imagens podem estar associadas, por exemplo, a um determinado fenômeno fí-sico. Logo, processá-las, irá transformá-las sucessivamente e ter a possibilidade de efetuar operações matemáticas com o objetivo de extrair informações. O pro-cessamento de imagens é extremamente complexo, razão da não existência até o momento de uma solução única e com abrangência para todos os problemas, cri-ando espaços para novas pesquisas (ALBUQUERQUE; ALBUQUERQUE, 2000;
Um dos interesses primordiais na área de processamento de imagem é a urgência de aprimorar a qualidade da informação visual para a análise humana. Surgindo assim várias técnicas e aperfeiçoamento para o ganho de velocidade, precisão, simplicidade e poder de processamento com baixo custo computacional. São procedimentos hoje aplicados em várias áreas do conhecimento humano, como por exemplo: medicina, engenharia, artes, economia, entre outras ( ALBUQUER-QUE; ALBUQUERQUE, 2000;GONZALEZ et al., 2004; ALBUQUERQUE; AL-BUQUERQUE; CANER,2005;ACHARYA; RAY,2005;PEDRINI; SCHWARTZ,
2008). Na Figura 15 são mostradas algumas imagens, todas de diferentes fontes, contudo representam matrizes ordenadas dos elementos da imagem.
Figura 15 Ű Imagens digitais: (a) paisagem natural, (b) cena gerada sintetica-mente, (c) cartaz, (d) captura de tela de computador, (e)ilustração preta e branca, (f) código de barras, (g) impressão do polegar, (h) raio X de dente, (i) lâmina de microscópio, (j) imagem de satélite, (k) imagem sintética de radar, (l) objeto astronômico - (BURGER; BURGE, 2010).
A seguir, algumas noções fundamentais serão tratadas em seguida para um melhor entendimento na análise de uma imagem.
2.2.2
Fundamentos de Processamento de imagem
O elemento básico para representar uma imagem de duas dimensões (2𝐷) é chamado "picture element" ou "pel" ou pixel. Matematicamente, uma imagem pode ser deĄnida como uma função bidimensional do tipo 𝑓(𝑥, 𝑦) da intensidade luminosa, sendo seu valor, em qualquer ponto de coordenadas espaciais (𝑥, 𝑦) pro-porcional ao brilho (ou nível de cinza) da imagem naquele ponto. Uma represen-tação esquemática da imagem em formato de matriz é vista na Figura 16.
Figura 16 Ű Representação de imagem digital por matrizes no formato retangular
𝑎) 2𝐷 e 𝑏) 3𝐷 (JÄHNE, 2005).
A posição do pixel é obtida da notação usual para matriz. O primeiro índice, 𝑚, denota a posição da linha, o segundo, 𝑛, indica a posição da coluna. Logo, uma matriz 𝑀 × 𝑁 representa todos os elementos denominados pixels. Cada pixel contém um valor inteiro nas direções das coordenadas 𝑥 e 𝑦 indicadas na Figura16. Geralmente, a organização de uma imagem sob a forma de uma matriz de pixels é feita em uma simetria quadrada. Quanto maior o número de pixels
numa imagem, melhor será sua resolução, permitindo uma melhor diferenciação entre as estruturas (JÄHNE, 2005).
2.2.3
Armazenamento de imagens
Um aspecto interessante é o armazenamento da imagem na memória do computador. Exemplos não faltam em diversas áreas como exemplo na medicina, engenharia, artes, entre outras. Uma imagem do tamanho de 1024 x 1024 pixels em que a intensidade de cada pixel é uma quantidade de 8 bits, requer um Megabyte de espaço para armazenamento, caso a imagem não esteja compactada. Ao lidar com milhares, ou mesmo milhões de imagens, fornecer armazenamento em um sistema de processamento de imagens pode ser um desaĄo (GONZALEZ et al.,2004).
Uma das formas de compactação de imagens térmicas é o uso do ajuste polinomial através da TSR, esse tem a vantagem de fornecer a oportunidade de armazenar apenas os fatores polinomiais de cada pixel, o que requer muito me-nos armazenamento do que a sequência original da imagem infravermelha. E, a partir dos coeĄcientes, reconstruir a imagem de temperatura suavizada (ROCHE; LEROY; BALAGEAS,2015;OSWALD-TRANTA,2017). O presente trabalho irá utilizar a base da TSR na compactação dos dados.
2.2.4
Segmentação de imagens
A tarefa básica da etapa da segmentação é a de dividir a imagem em regiões disjuntas com o intuito de extrair informações dos objetos da imagem. A denomi-nação objeto da imagem refere-se aos grupos de pixels que fornecem informações desejadas. Outro termo bastante usado nessa etapa é denominado fundo da ima-gem - background - que classiĄca o grupo de pixels que podem ser desprezados. Esses dois termos determinam regiões na imagem sem representar necessariamente um objeto presente na imagem processada (SILVA, 2008; BOVIK, 2009; GRYS; VOKOROKOS; BOROWIK, 2014; MEHNEN; TINSLEY; ROY, 2014).
A segmentação age de forma adaptativa às características particulares de cada tipo de imagem e aos objetivos desejados. Globalmente, uma imagem em ní-veis de cinza pode ser segmentada de duas maneiras: ou considera-se a semelhança
entre os níveis de cinza ou considera-se suas diferenças. A detecção de um con-torno do objeto, através de matrizes do tipo passa-alta é um exemplo de técnica baseada nas diferenças. Neste caso, segmenta-se as imagens em regiões que perten-cem à borda do objeto (ALBUQUERQUE; ALBUQUERQUE,2000;SILVA,2008;
MEHNEN; TINSLEY; ROY,2014).
Outros pesquisadores, tais como (EKANAYAKE; ISENBERG; SCHMITT,
2017) aplicaram um algoritmo de segmentação global para identiĄcar defeitos ar-tiĄciais, já (KABOURI; KHABBAZI; YOULAL,2017), por exemplo, utilizaram o limiar global de Otsu e conseguiram mostrar as vantagens de técnicas de segmen-tação aplicada nos experimentos em materiais com defeitos ocultos. O presente trabalho aplicará a base dessa ferramenta como critério de escolha da imagem que representará a região de interesse.
2.2.5
Detecção de bordas
As mudanças bruscas de intensidade de uma imagem são bordas. Essas mudanças geralmente correspondem a mudanças físicas em alguma propriedade da superfície dos objetos e podem levar a inferência dessas (BOVIK, 2009). Essas mudanças podem ser descritas por meio de derivadas. Como as imagens dependem de duas coordenadas espaciais, as bordas da imagem podem ser expressas por derivadas parciais. O operador comumente utilizado em diferenciação de imagens é o gradiente, que é um vetor cuja direção indica os locais nos quais os níveis de cinza sofrem maior variação (PEDRINI; SCHWARTZ, 2008).
Um algoritmo de detecção de bordas - edge detection - deve mostrar as localizações das bordas principais da imagem, ignorando as bordas falsas causadas pelo ruído (ALAN et al.,2000).
Alguns pesquisadores (GRYS; VOKOROKOS; BOROWIK, 2014) utiliza-ram o detector de bordas com alguns operadores para identiĄcação de falhas. Nesse trabalho será utilizado o operador Canny para encontrar as bordas da região de interesse, semelhante ao empregado pelos pesquisadores (WANG; PETER; YUAN,
2.2.6
Limiarização
A limiarização é uma das técnicas mais simples de segmentação e consiste na classiĄcação dos pixels de uma imagem de acordo com a especiĄcação de um ou mais limiares. Uma maneira óbvia de extrair os objetos do fundo é por meio da seleção de um limiar 𝑇 que separe os dois grupos. A limiarização global utiliza um único limiar para segmentar toda a imagem (PEDRINI; SCHWARTZ, 2008). Existem vários métodos com limiarização global. Nesse trabalho foram utilizados os dois tipos de limiarização, o limiar global ótimo de Otsu como um dos recursos na análise e escolha da imagem que possuía mais contraste e o limiar local. Os pesquisadores (RESENDIZ-OCHOA et al.,2018) utilizaram o limiar de Otsu para detecção da região de interesse.
2.2.7
Morfologia Matemática
Outro recurso utilizado no trabalho foi a morfologia matemática, que con-siste em uma metodologia para análise de imagens, permitindo a construção de operadores úteis para a descrição de objetos em imagens. A morfologia matemá-tica utiliza a teoria de conjuntos para representar a forma dos objetos em uma imagem. Por convenção, objetos em uma imagem binária serão representados por
pixels pretos (valor 1), enquanto o fundo será formado por pixels brancos (valor 0).
(PEDRINI; SCHWARTZ,2008). Esses operadores são conhecidos como elementos estruturantes (GONZALEZ et al., 2004). Segue um exemplo típico de elemento estruturante mostrado na Figura 17.
Figura 17 Ű Elemento estruturante usado na operação de dilatação (KONDOZ,
Os operadores morfológicos utilizados nesse trabalho foram a dilatação e a erosão para identiĄcar as regiões de interesse após um limiar local. Alguns pesqui-sadores (MARANI et al.,2016) utilizaram operadores morfológicos na identiĄcação de regiões defeituosas.
2.3 Processamento de imagens termográficas
Existem várias modalidades de estímulos térmicos que podem ser aplicadas na termograĄa ativa e cada uma possui suas características e limitações próprias. O importante é ressaltar que nem todos os defeitos detectáveis pelos métodos de termograĄa ativa durante a aquisição dos dados são notados. Há limites dimen-sionais e na geometria de defeitos, por exemplo: tamanhos e profundidade, logo surge a necessidade de algoritmos de processamento de imagens para que os defei-tos possam ser percebidos nos termogramas (MULAVEESALA; VADDI; SINGH,
2008; BAGAVATHIAPPAN et al., 2013; VAVILOV; BURLEIGH, 2015;MEOLA; BOCCARDI; CARLOMAGNO, 2016). Descreve-se aqui algumas aplicações de processamento de imagens termográĄcas em diversas situações.
LÓPEZ et al. (2014), com uma sequência de dados adquiridos por estí-mulo realizado por PT, efetuaram comparações entre duas técnicas, a TSR e a termograĄa dos mínimos quadrados parcial - Partial Least Squares Thermography
PSLT, permitindo uma avaliação do contraste máximo na relação sinal ruído -Signal-to-Noise Ratio - SNR - e conseguindo também uma forte compactação de
dados.
VAVILOV; BURLEIGH (2015), incluíram soluções teóricas em algoritmos de processamento de dados, mostrando as vantagens e desvantagens de cada algo-ritmo.
BALAGEAS et al.(2016), utilizaram algoritmos avançados tais como: con-traste térmico absoluto - Differential Absolute Contrast - DAC, TSR, termograĄa do componente principal - Principal Component Thermography - PCT, termogra-Ąa de fase pulsada - Pulsed Phase Thermography - PPT, e recentemente a PSLT em imagens térmicas para processamento de imagens. Eles entendem que o pro-cessamento de imagem é essencial em NDT térmicos, visto que as imagens sem
tratamento raramente conseguem exibir defeitos.
SFARRA et al.(2016b), utilizaram a transformada rápida de Fourier - Fast
Fourier transform - FFT e a transformada de Wavelet - Wavelet Transform - WT
- no pós-processamento com destaque na transformada Wavelet.
MARANI et al. (2016), utilizaram métodos de aprendizado de máquinas não supervisionados do tipo: extração de características, classiĄcadores, entre ou-tros, para detecção exata das falhas internas do experimento com a excitação feita por termograĄa modulada - Lock-in Thermography - LT.
SHRESTHA; KIM (2017), investigaram a desigualdade da espessura do revestimento utilizando a transformada de Fourier no processamento de dados para obter o ângulo de fase e efetuar correlação com a espessura do revestimento.
PEETERS et al. (2017), utilizaram a PPT no pós-processamento para estimar a precisão da detecção de defeitos rasos.
Durante a pesquisa foi encontrado um artigo dos pesquisadoresDELPECH; KRAPEZ; BALAGEASque investigaram a profundidade e espessura dos defeitos com a utilização de modelo semelhante ao aplicado neste trabalho com a soma de exponenciais, contudo para materiais com alta condutividade e analisando não em termos de constante de tempo e sim com autovalores as características encontradas. O contraste térmico entre as regiões de defeitos e as vizinhanças é afetado por vários fatores, como a sensibilidade da câmera IR ou seja, resolução espacial e temporal, as propriedades do material, aquecimento não uniforme entre outras. No entanto, o efeito desses problemas pode ser reduzido usando algoritmo avançado de processamento de sinais. Normalmente, os algoritmos de detecção de falhas processam a sequência termográĄca através de quatro estágios mostrados na Figura
Figura 18 Ű Estágios dos algoritmos de detecção de falhas (FENG et al.,2018). Enfatizou-se dentre essas técnicas de processamento de imagens termográ-Ącas a TSR na seção2.4.
A técnica chamada TSR permite aproximar a sequência de dados originais como uma função polinomial logarítmica, a qual produz três tipos de imagens, a saber: a imagem resultante e as imagens de primeira e segunda derivadas. Essas imagens facilitam a detecção de defeitos menores e/ou mais profundos, que são in-detectáveis na sequência de dados originais. Essas imagens podem ser visualizadas nas Figuras 19, 20 e 21 pelas duas formas do TSR clássico e moderna (QUEK; ALMOND, 2005).
Figura 19 Ű Método clássico do TSR (ROCHE; LEROY; BALAGEAS, 2014).
