Evaluación de calidad de imágenes en ensayo termográfico no...
Transcript of Evaluación de calidad de imágenes en ensayo termográfico no...
-
Evaluación de calidad de imágenes enensayo termográfico no destructivo
Thomas Julian Ramı́rez Rozo
Universidad Nacional de Colombia
Facultad de Ingenieŕıa y Arquitectura
Departamento de Ingenieŕıas Eléctrica, Electrónica y Computación
Manizales, Colombia
2013
-
Image Quality Assessment in InfraredNon–Destructive Testing
Thomas Julian Ramı́rez Rozo
Tesis o trabajo de grado presentada(o) como requisito parcial para optar al t́ıtulo de:
Magister en Ingenieŕıa: Automatización Industrial
Director:
Julio César Garćıa Alvarez Ph.D.
CoDirector:
Hernán Daŕıo Beńıtez Restrépo Ph.D.
Ĺınea de Investigación:
Automatización Industrial
Grupo de Investigación:
Grupo de Procesamiento y Reconocimiento de Señales.
Universidad Nacional de Colombia
Facultad de Ingenieŕıa y Arquitectura
Departamento de Ingenieŕıas Eléctrica, Electrónica y Computación
Manizales, Colombia
2013
-
Dedicatoria
A toda mi familia por el apoyo y motivación
brindados. A los profesores porque bajo su
orientación se concretaron mis proyectos.
-
Agradecimientos
Este trabajo fue realizado en el laboratorio de Vibraciones Mecánicas, a cargo del Grupo de
Reconocimiento y Procesamiento de Señales, el grupo de Propagación Electrónica Aplicada
(PROPELA) y financiado por el proyecto: Sistema autónomo de monitoreo de vibraciones
para diagnóstico de fallas no estacionarias con código 1101− 521− 28792.
-
vii
Resumen
El siguiente trabajo presenta el desarrollo de diferentes metodoloǵıas de análisis para ensayos
termográficos no destructivos (IRNDT por sus siglas en inglés Infra–Red Non–Destructive
Testing) activo y pasivo. En IRNDT pasivo se propone un método de segmentación de imáge-
nes IR orientado a la detección de fallos en máquinas rotativas producto del calentamiento de
las partes que la componen. Mientras para IRNDT activo, se describe una serie de directrices
básicas para una adecuada adquisición de cara a la obtención de medidas más acertadas y
confiables. De igual manera, se estudiaron las estad́ısticas de las imágenes IR con el fin de
entender su comportamiento. Dichas estad́ısticas gobiernan la naturaleza de las imágenes,
además su comportamiento se puede describir con herramientas como la densidad espectral
de potencia (PSD por sus siglas en inglés Power Spectral Density) y las distribuciones de
los coeficientes de detalle de la Transformada Wavelet. Los resultados de estos estudios,
demuestran que las estad́ısticas de las imágenes analizadas nos entregan información impor-
tante para entender su comportamiento y su relación con el sistema de visión humano.
Palabras Clave: Ensayo Termorgráfico No Destructivo, Evaluación de Calidad de
imágenes, Medida No Referenciada, Termograf́ıa infraroja
-
viii
Abstract
In this work it is developed different analysis methodologies in order to perform Infrared
Non–Destructive Testing (IRNDT) for active and passive approaches. For passive IRNDT
approach, it is proposed an IR image segmentation methodology focused in detection of pos-
sible failures associated to rotating machinery product of the heating of its component parts.
On the other hand, for active IRNDT approach, it is described a general methodology for a
proper acquisition of IR images in order to obtain accurate and reliable measures by means
of an IR camera. Furthermore, It is analyzed the statistics of surveyed IR images with the
aim to understand its behavior. In order to carry out this task, it is used tools like the Po-
wer Spectral Density (PSD) and detail coefficients from Discrete Wavelet Transform across
orientation and scales. Obtained results demonstrate that statistics of analyzed IR images
highly correlates with human perception. In addition, IR image statistics provide important
information about its behavior for the understanding of its relation with the human vision
system.
Keywords: Blind quality assessment, image quality, infrared thermography, infrared
non-destructive testing, natural scene statistics
-
Contenido
Agradecimientos III
Resumen V
Lista de śımbolos XIII
1. Introducción 1
2. Análisis de Imágenes para IRNDT Pasiva 5
2.1. Aspectos Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Métodos de Procesamiento de Imágenes para IRNDT Pasiva . . . . . 6
2.2.2. Método propuesto de segmentación basado en el Algoritmo de Máxima
Esperanza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Marco Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5. Análisis y conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3. Análisis de Imágenes para IRNDT Activa 16
3.1. Aspectos Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2. Protocolo de Adquisición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.2.1. Propiedades Térmicas del Cuerpo a Inspeccionar: . . . . . . . . . . . 17
3.2.2. Metodoloǵıa de Adquisición . . . . . . . . . . . . . . . . . . . . . . . 17
3.3. Tipos de Estimulación Térmica . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3.1. Termograf́ıa Pulsada . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3.2. Termograf́ıa Modulada . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.3. Termograf́ıa por Corrientes de Foucault – Eddy Current Thermography 22
3.3.4. Step Heating Thermography (SH) . . . . . . . . . . . . . . . . . . . . 22
3.4. Experimento de Detección de Fisuras en Rines usando IRNDT–SH . . . . . . 23
3.4.1. Marco Experimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4.2. Resultados y Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
-
x Contenido
4. Análisis de Calidad en imágenes para IRNDT 33
4.1. Aspectos Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2. Marco Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.1. Técnicas de Procesamiento de Imágenes para IRNT Activa . . . . . . 34
4.2.2. Naturalidad y Estad́ıstica de Imágenes . . . . . . . . . . . . . . . . . 36
4.3. Marco experimental y Resultados . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.1. Base de Datos Utilizada . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3.2. NR IQA y Evaluación basada en la Percepción Humana . . . . . . . 38
4.3.3. Estad́ısticas de las Imágenes en IRNDT . . . . . . . . . . . . . . . . . 41
4.4. Resultados obtenidos para las técnicas restantes . . . . . . . . . . . . . . . . 45
4.4.1. Análisis para TSR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4.2. Análisis TSR primera derivada . . . . . . . . . . . . . . . . . . . . . 47
4.4.3. Análisis para TSR segunda derivada . . . . . . . . . . . . . . . . . . 50
4.4.4. Análisis para NTC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.4.5. Análisis para NTC Filtrado . . . . . . . . . . . . . . . . . . . . . . . 54
4.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5. Conclusiones 59
Bibliograf́ıa 61
A. Anexo: Definiciones 69
B. Anexo: Cámara IR FLIR A320 73
C. Anexo: Procesamiento Wavelet 74
-
Lista de Figuras
1-1. Enfoques o acercamientos de la termograf́ıa. . . . . . . . . . . . . . . . . . . 3
2-1. Diagrama explicativo del EM–Clustering. . . . . . . . . . . . . . . . . . . . . 9
2-2. Metodoloǵıa desarrollada para la segmentación de las imágenes de intensidad. 10
2-3. Banco de pruebas del laboratorio de vibraciones de la Universidad Nacional
de Colombia sede Manizales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2-4. Imágenes originales Y vs la segmentación basada en agrupamiento . . . . . . 12
2-5. MWT vs la segmentación basada en EM-Clustering . . . . . . . . . . . . . . 13
2-6. Variabilidad de la segmentación basada en EM-Clustering. . . . . . . . . . . 14
3-1. Metodoloǵıa general de adquisición. . . . . . . . . . . . . . . . . . . . . . . . 18
3-2. Esquema ilustrativo para el ajuste de la distancia. . . . . . . . . . . . . . . . 18
3-3. Metodoloǵıa desarrollada para ambas simulaciones . . . . . . . . . . . . . . . 24
3-4. Geometŕıa del aro con los estimuladores de calor externos. . . . . . . . . . . 25
3-5. Visualización de algunas escenas de propagación del calor sobre el Aro, para
diferentes tiempos transcurridos. . . . . . . . . . . . . . . . . . . . . . . . . . 26
3-6. Variación de la temperatura durante 420 segundos en el Temperature Probe 26
3-7. Geometŕıa del rin compuesto por sus tres piezas a simular. . . . . . . . . . . 27
3-8. Visualización de algunas escenas de propagación de calor sobre las soldaduras
Aro–Disco, para diferentes tiempos transcurridos. . . . . . . . . . . . . . . . 28
3-9. Variación de la temperatura en un punto cercano a la soldadura para el se-
gundo experimento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3-10.Esquema de transmisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3-11.Termogramas de aros defectuosos y aros en condiciones normales. . . . . . . 31
3-12.Análisis de los cordones de soldaduras . . . . . . . . . . . . . . . . . . . . . . 31
4-1. Descripción de la muestra de CFRP . . . . . . . . . . . . . . . . . . . . . . . 37
4-2. Algunas de las imágenes de temperatura de la base de datos CFRP-PT. . . . . 38
4-3. Curvas del DIIVINE estimadas para las técnicas analizadas usando datos
filtrados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4-4. Imágenes de temperatura adquiridas . . . . . . . . . . . . . . . . . . . . . 42
4-5. PSD estimada para las imágenes adquiridas y su correspondiente ajuste. . . 43
-
xii Lista de Figuras
4-6. Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para las imágenes de
temperatura adquiridas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4-7. Histogramas de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para las imágenes adquiridas. . . . . . . . . . . . . . 45
4-8. Imágenes obtenidas tras aplicar TSR. . . . . . . . . . . . . . . . . . . . . . . 45
4-9. PSD estimada para TSR junto con su correspondiente ajuste. . . . . . . . . 46
4-10.Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para TSR. . . . . . . . . 46
4-11.Histograma de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para TSR . . . . . . . . . . . . . . . . . . . . . . . . . 47
4-12.Imágenes obtenidas tras aplicar TSR 1era derivada. . . . . . . . . . . . . . . 48
4-13.PSD estimada para TSR 1era derivada y su correspondiente ajuste. . . . . . 48
4-14.Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para TSR 1era derivada. 49
4-15.Histograma de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para TSR 1era derivada. . . . . . . . . . . . . . . . . . 50
4-16.Imágenes obtenidas tras aplicar TSR 1era derivada. . . . . . . . . . . . . . . 50
4-17.PSD estimada para TSR 2da derivada y su correspondiente ajuste. . . . . . 51
4-18.Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para TSR 2da derivada. 51
4-19.Histograma de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para TSR 2da derivada. . . . . . . . . . . . . . . . . . 52
4-20.Imágenes obtenidas tras aplicar NTC. . . . . . . . . . . . . . . . . . . . . . . 53
4-21.PSD estimada para NTC y su correspondiente ajuste. . . . . . . . . . . . . . 53
4-22.Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para NTC. . . . . . . . 54
4-23.Histograma de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para NTC. . . . . . . . . . . . . . . . . . . . . . . . . . 55
4-24.Imágenes obtenidas tras aplicar NTC Filtrado. . . . . . . . . . . . . . . . . . 55
4-25.PSD estimada para NTC Filtrada y su correspondiente ajuste. . . . . . . . . 55
4-26.Distribuciones marginales de los coeficientes wavelet horizontales (fila supe-
rior), Distribuciones marginales de los coeficientes wavelet verticales (fila in-
ferior), primera y segunda escala de descomposición para NTC Filtrado. . . . 56
-
Lista de Figuras xiii
4-27.Histograma de las distribuciones conjuntas de los coeficientes wavelet hori-
zontales vs verticales para NTC Filtrado. . . . . . . . . . . . . . . . . . . . . 57
A-1. El espectro electromagnético, extráıdo de: [9] . . . . . . . . . . . . . . . . . . 71
A-2. IRNDT activa, modo transmisión. . . . . . . . . . . . . . . . . . . . . . . . . 71
A-3. IRNDT activa, modo reflexión. . . . . . . . . . . . . . . . . . . . . . . . . . 71
B-1. Cámara IR FLIR A320 y su esquemático de conexión. . . . . . . . . . . . . . 73
C-1. Esquema de descomposición de una señal f(x) con submuestreo. . . . . . . . 76
C-2. Esquema de la descomposición multinivel. . . . . . . . . . . . . . . . . . . . 77
-
Lista de Tablas
2-1. Especificaciones de la cámara FLIR A-320 . . . . . . . . . . . . . . . . . . . 11
3-1. Propiedades del acero SAE 1015, material del aro y el disco del rin. . . . . . 24
3-2. Propiedades del Estaño, material de la soldadura. . . . . . . . . . . . . . . . 25
3-3. Temperaturas iniciales de cada pieza . . . . . . . . . . . . . . . . . . . . . . 25
3-4. Temperaturas iniciales de cada pieza. . . . . . . . . . . . . . . . . . . . . . . 28
3-5. Especificaciones de la cámara FLIR A-320 . . . . . . . . . . . . . . . . . . . 30
4-1. Valores de DIIVINE y MOS para las imágenes seleccionadas . . . . . . . . . 41
4-2. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con di-
ferentes escalas de descomposición para las imágenes de temperatura adquiridas. 43
4-3. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con
diferentes escalas de descomposición para TSR. . . . . . . . . . . . . . . . . 47
4-4. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con
diferentes escalas de descomposición para TSR 1era derivada. . . . . . . . . . 49
4-5. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con
diferentes escalas de descomposición para TSR 2da derivada. . . . . . . . . . 52
4-6. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con
diferentes escalas de descomposición para NTC. . . . . . . . . . . . . . . . . 53
4-7. Momentos estad́ısticos de las distribuciones de los coeficientes wavelet con
diferentes escalas de descomposición para NTC Filtrado. . . . . . . . . . . . 56
A-1. Espectro Infrarrojo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
-
Lista de śımbolos
Śımbolos con letras latinas
Śımbolo Definición
A Amplitud de una señal dada
C Calor espećıfico de un cuerpo determinado
d Distancia desde la cámara infra–roja al cuerpo inspeccionado
e Efusividad térmica
Fm Transformada de fourier unidimensional
f Frecuencia espacial
H Dimensión horizontal del cuerpo a inspeccionar
Im Parte imaginaria de la transformada de Fourier
L(θ) Función de verosimilitud
L(θn) Función de verosimilitud para la nth iteración
m Incremento en frecuencia para la termograf́ıa pulsada de fase
N Orden del polinomio definido para TSR
nth Iteración actual del EM–Clustering
Q Enerǵıa de entrada o enerǵıa de la estimulación térmica
Re Parte real de la transformada de Fourier
s Profundidad de un defecto determinado
T Temperatura de un ṕıxel o una región de interés
T (k) Vector de ṕıxeles a través de la secuencia de frames
Tdef Curva de temperatura–tiempo en una región defectuosa
Tnodef Curva de temperatura–tiempo en una región no defectuosa
tprop Tiempo de propagación del calor sobre la superficie de una muestra dada
V Dimensión vertical del cuerpo a inspeccionar
-
xvi Lista de Tablas
Śımbolo Definición
X Vector de datos aleatorio
x Ángulo del campo de visión de la cámara termográfica
y Ángulo del campo de visión de la cámara termográfica
Z Vector de información desconocida o fáltante
z Elemento del vector Z
Śımbolos con letras griegas
Śımbolo Definición
α Parámetro propio de las imágenes que determina la taza de decrecimieto de la PSD
ε Emisividad de un cuerpo
λ Conductividad térmica isotrópica
φ Fase de una señal dada
ρ Densidad de masa de un cuerpo determinado
θ Parámetro de una distribución dada
θn Valor estimado de θ para la iteración actual
ξ Coeficiente de difusividad térmico
Abreviaturas
Abreviatura Término
CFRP Fibra de carbono reforzada con plástico
CSNR Contrast–based Signal to Noise Ratio
DFSA Detección de Fallos Sobre el Aro
DFSS Detección de Fallos Sobre las Soldaduras
DIIVINE Distortion Identification–based Image Verity and INtegrity Evaluation
DT Destructive Testing
DWT Discrete Wavelet Transform
-
Lista de Tablas xvii
Abreviatura Término
FDP Función de Densidad de Probabilidad
FEA Finite Element Analysis
FR Full Referenced
FSIM Feature Similarity Index
GIRIQI Gradient Infra–Red Image Quality Index
HVS Human Vision System
IR Infra–Red
IRNDT Infra–Red Non–Destructive Testing
IRIQI Infra–Red Image Quality Index
IQA Image Quality Assessment
LDC Linear Discriminat Classifier
LT Lock–in Termography
MOS Mean Opinion Score
MWT Watershed Transform based in Markers
NDT Non Destructive testing
NR No Referenciada
NTC Normalized Thermal Contrast
PSD Power Spectral Density
PT Pulsed Thermography
PPT Pulsed Phase Thermography
ROI Region Of Interest
ST Step Heating Thermography
TRIR Time Resolved Infrared Radiometry
TSR Thermal Signal Reconstruction
UQI Universal Quality Index
-
1. Introducción
La necesidad en el sector industrial de ofrecer productos sin imperfecciones ha conllevado
al uso de diferentes pruebas de control de calidad. Estas pruebas se basan en un amplio
número de análisis realizados con el objetivo de evaluar las propiedades de una estructura,
componente o sistema. En la industria se han determinado dos tipos de pruebas: las pruebas
destructivas (en inglés Destructive Tests - DT) y las pruebas no destructivas (en inglés Non-
Destructive Tests - NDT). Las pruebas destructivas son llevadas a cabo con la finalidad de
analizar el comportamiento de la muestra bajo fallos inducidos o sometiendo las muestras
a condiciones de stress ; estas pruebas tienen como principal desventaja la pérdida de mate-
rial, implicando un gasto adicional para la empresa que desea realizar la prueba. Por otro
lado, el NDT se refiere a aquellos métodos usados para inspeccionar un objeto, ya sea un
art́ıculo manufacturado o un equipo, sin afectar la integridad del mismo. El hecho de que las
pruebas no destructivas realicen inspecciones sin alterar permanentemente la condición del
art́ıculo (por ejemplo una máquina rotativa) hace de esta técnica una herramienta de valor
incalculable ya que ahorra dinero y tiempo en la evaluación e identificación del problema,
convirtiéndose aśı en una solución, económica y rápida para el usuario [6].
Las máquinas rotativas cubren un amplio rango de equipos en la industria. Dada la necesi-
dad de incrementar la producción industrial, es esencial que las máquinas rotativas operen
continuamente prolongando su longevidad [64]. El hecho de que una máquina rotativa falle,
implica altos costos de mantenimiento que demandan tiempo vital en la producción de una
fábrica. En este orden de ideas, es de gran importancia enfocar esfuerzos en el mejoramiento
de la precisión de los diagnósticos de posibles fallos para evitar el riesgo del personal de la
planta de una fábrica, aśı como sortear pérdidas económicas [39].
Gracias a las nuevas tecnoloǵıas y el constante avance de la ciencia, se ha visto un rápi-
do crecimiento y desarrollo de nuevas máquinas rotativas, siendo éstas más precisas y más
autónomas cada d́ıa. Por lo tanto, la necesidad de incrementar la confianza en el diagnóstico
ha llamado la atención de numerosos investigadores a desarrollar nuevas metodoloǵıas en los
últimos años. Diferentes acercamientos se han propuesto para NDT, entre ellos se encuen-
tran: emisión acústica [77], análisis de vibraciones [86], análisis de frecuencia [60], entre otros
métodos que son aplicables sólo para ciertos problemas puntuales.
Entre los diferentes tipos de NDT se encuentra la termograf́ıa Infra–Roja (IR), la cual,
-
2 1 Introducción
mediante el uso de una cámara termográfica, percibe la radiación térmica emitida por un
cuerpo, para producir imágenes de dicha radiación llamadas termogramas. Dado que todo
cuerpo cuya temperatura se encuentre por encima del cero absoluto, emite radiación IR, re-
sulta de gran interés como herramienta de inspección, ya que es una técnica no destructiva,
no invasiva, que realiza sus mediciones sin estar en contacto con el cuerpo analizado. A este
enfoque se le conoce como: Evaluación para Pruebas no Destructivas mediante Termograf́ıa
Infraroja ( IRNDT por sus siglas en inglés: Infra–Red Non–Destructive Testing) [44].
La IRNDT constituye una herramienta adecuada para la inspección de maquinaria y equipos
industriales, donde se crean programas de mantenimiento que buscan evitar el mal funcio-
namiento de dichos equipos. Éste tipo de evaluación se realiza mediante dos estrategias: el
mantenimiento correctivo y el mantenimiento preventivo. La primera estrategia implica la
reparación del equipo, lo que conlleva a la salida de operación de la máquina; la segunda toma
medidas anticipadas, basadas en la disponibilidad de datos estad́ısticos sobre la ocurrencia
de fallos conocidos, los cuales se utilizan para la programación de jornadas de mantenimiento.
De igual manera, en numerosos procesos llevados a cabo en la ĺınea de producción de una
fábrica, donde un criterio de aceptación/rechazo ayuda a agilizar el proceso de manufactura
in situ, existe una creciente demanda de confianza, de cara a garantizar la calidad de la pro-
ducción. En consecuencia, la termograf́ıa IR resulta eficiente, práctica y conveniente para la
detección e identificación de defectos en los procesos de calidad, siempre y cuando el proceso
involucre un fenómeno térmico identificable [65], [50], [9]. Además, dado que los procesos y
los materiales involucrados están en constante evolución, se ha de requerir una herramienta
con capacidad de adaptación para sortear estos desaf́ıos [26]. Como consecuencia, cada vez
son más los clientes que demandan un control de calidad del 100% en la producción indus-
trial. Esto ha llevado a las fábricas a desarrollar estrategias más avanzadas de inspección de
calidad incentivando a investigadores a desarrollar nuevas técnicas de inspección enmarca-
das en IRNDT que permitan la evaluación de art́ıculos de manera rápida, sostenible y en
concordancia a los costos permitidos por la empresa y las limitaciones de la misma [48].
En IRNDT existen diferentes metodoloǵıas de trabajo, dependiendo del acercamiento em-
pleado para procesar la información obtenida mediante la termograf́ıa. La Figura 1-1 describe
la configuración de cada uno de los acercamientos de termograf́ıa.
En IRNDT pasivo existe un contraste térmico natural presente en la escena y gracias a la
cámara IR, se detecta éste contraste térmico para adquirir las imágenes, como se aprecia en
la Figura 1-1a. Algunas de las aplicaciones de éste acercamiento son: mantenimiento pre-
ventivo de máquinas rotativas, monitoreo de la eficiencia térmica de los edificios, evaluación
e inspección de redes eléctricas y componentes electrónicos, entre otros.
-
3
Resultados Procesamiento Cámara termográfica Escena en contraste térmico
(a) IRNDT pasiva
Resultados Procesamiento Cámara termográfica Escena o muestra Estimulador térmico
(b) IRNDT activa
Figura 1-1.: Enfoques o acercamientos de la termograf́ıa.
Por otro lado, en IRNDT activo no existe un contraste térmico innato en la escena; por ésta
razón, es preciso generarlo empleando estimuladores térmicos externos, los cuales pueden
ser: estimuladores electromagnéticos, vibraciones, láseres o lámparas de flash, la Figura 1-1b
describe un sistema de IRNDT activa, el cual se utiliza en una gran variedad de aplicacio-
nes para IRNDT. Entre ellos se encuentran: Monitoreo e inspección de paneles de control,
rodamientos, cajas de fusibles, edificios, maquinaria, tanques, aislamientos, switches, cables,
estructuras, materiales y componentes, etc.
Como consecuencia, diversas técnicas de procesamiento de imágenes IR se usan hoy en d́ıa
para incrementar el contraste y como resultado, el aumento de la visibilidad de los defectos
en las muestras estudiadas para IRNDT activo. En esencia, el desempeño de tales técni-
cas de procesamiento, involucran impĺıcitamente la evaluación de la calidad de la imagen (
IQA por sus siglas en inglés: Image Quality Assessment) sobre los defectos. Esta práctica es
comúnmente subjetiva [44], los expertos visualmente comparan las imágenes respectivas de
cada técnica para determinar, según algunos parámetros dados, cual técnica se desempeña
mejor evaluando la cantidad y forma de los defectos visibles en una imagen en particular.
Sin embargo, dado que la evaluación de las técnicas enmarcadas en IRNDT son subjetivas,
se requiere de una medida que lo cuantifique. La relación señal/ruido basada en contraste
(CSNR en inglés: Contrast–based Signal to Noise Ratio) es la medida más usada comúnmente
para comparar diferentes técnicas de procesamiento de IRNDT [54], [57], [18]. Esta medida
se define como la relación del contraste absoluto en el centro de un defecto, contra el ruido
espacial en una región no defectuosa del material inspeccionado.
La CSNR se considera como una medida No Referenciada (NR), puesto que la información
está distribuida en forma del contraste relativo y en ruido espacial de una región no defectuo-
sa. Esta caracteŕıstica es requerida para evaluar la visibilidad de un defecto en particular,
sin embargo, la CSNR presenta limitaciones, pues está supeditada a la existencia de una
-
4 1 Introducción
región libre de defectos. Por lo tanto, la definición de una región libre de defectos cuando se
considera una estructura real presenta un desaf́ıo en śı, ya que no se conoce de antemano
la localización del defecto, śı éste existe. Aśı mismo, la CSNR sólo es útil para medir la
calidad de un defecto en particular, ya que no proporciona una evaluación de la totalidad
de la imagen obtenida por la técnica de procesamiento estudiada [2], [33]. En este orden de
ideas, la evaluación comparativa de las técnicas de procesamiento enmarcadas en IRNDT se
considera una tarea dificultosa.
Para comparar técnicas de procesamiento IRNDT, varios trabajos previos en IQA, emplean
medidas completamente referenciadas (FR en inglés Full – Referenced), bajo este acerca-
miento se usan las imágenes de temperatura, es decir, las imágenes obtenidas por la cámara
termográfica, como la imagen referencia. En [3] se definen los ı́ndices IRIQI (por sus siglas
en inglés: Infrared Image Quality Index ) y GIRIQI (por sus siglas en inglés Gradient Infrared
Image Quality Index ), ambos basados en el UQI (en inglés: Universal Quality Index ) [81] y
FSIM (Feature Similarity Index ) [88]. Los principales inconvenientes que presentan el IRIQI
y el GIRIQI son la dependencia de la imagen referencia y el ajuste de ciertos parámetros
para evitar inestabilidades en la estimación de dichos ı́ndices. Hasta el momento no existe
un procedimiento claro a la hora de estimar éstos parámetros.
Esta tesis presenta el desarrollo de diferentes metodoloǵıas de análisis para IRNDT activo
y pasivo y se compone de la siguiente manera: en primer lugar, el Caṕıtulo 2 considera la
IRNDT pasiva para proponer el EM–Clustering como técnica alternativa de segmentación
de imágenes IR, orientada a la detección de fallos en máquinas rotativas. Seguidamente, se
trata la IRNDT activa en el Caṕıtulo 3, donde se presenta una serie de directrices básicas
para realizar una adecuada adquisición de imágenes IR, aśı como también desarrolla una
metodoloǵıa para evaluación del comportamiento de la propagación del calor en presencia
de defectos. Posteriormente, y sin salirse de IRNDT activa, se realiza una exhaustiva com-
paración de las técnicas de procesamiento frecuentemente usadas en imágenes IR, llevando
a cabo una evaluación de calidad de dichas técnicas mediante el uso de dos medidas NR
usadas para IQA validando ambas medidas mediante la estimación de la correlación entre
ellas, de igual manera se estudian las estad́ısticas de las imágenes IR como herramienta para
comprender su comportamiento. Los resultados son analizados y reportados en el Caṕıtulo
4. Para finalizar, el Caṕıtulo 5 concluye esta tesis.
-
2. Análisis de Imágenes para IRNDT
Pasiva
2.1. Aspectos Preliminares
Todos los objetos cuya temperatura se encuentra por encima del cero absoluto producen
radiación térmica, por lo tanto una manera de detectar las variaciones térmicas es mediante
un dispositivo de visión IR. Se sabe de antemano que perfiles de temperatura anormales
sobre la superficie de un objeto indican un problema potencial [44]. La termograf́ıa pasiva
aprovecha el contraste térmico natural presente en una escena para producir termogramas y
permite realizar pruebas enmarcadas en IRNDT. Un diagrama del enfoque pasivo se puede
observar en la Figura 1-1a. No obstante, en algunas ocasiones al llevar a cabo las mediciones
mediante la cámara termográfica, no se logra obtener imágenes IR con el nivel de contraste
deseado. Como resultado de ésto, en el procesamiento de imágenes IR se ha despertado el
interés de los investigadores que buscan desarrollar e implementar nuevas técnicas de proce-
samiento. Como consecuencia directa, se refleja el mejoramiento de algoritmos de diagnóstico
y predicción de fallos en equipos y estructuras mediante IRNDT pasivo. Para ejemplificar lo
anterior, se presentan algunas aplicaciones donde la termograf́ıa IR pasiva juega un rol de
vital importancia:
Inspección de máquinas rotativas y equipos industriales [87].
Inspección de soldaduras [48].
Inspección de grietas y defectos en estructuras [76].
Inspección de sistemas eléctricos [25].
En este caṕıtulo se presenta un método de segmentación de imágenes IR, el cual está basado
en el agrupamiento de máxima esperanza (EM–Clustering). Para exponer secuencialmente
éste caṕıtulo, en la Sección 2.2 se describe la teoŕıa detrás de las técnicas de procesamien-
to de imágenes, donde adicionalmente se muestran los fundamentos del método propuesto.
En la Sección 2.3 se presenta la metodoloǵıa desarrollada para la implementación del EM–
Clustering. En la Sección 2.4 se exponen los resultados obtenidos para la segmentación de
ROIs en una máquina rotativa usando EM–Clustering. Por último la Sección 2.5 analiza los
resultados obtenidos y concluye éste caṕıtulo.
-
6 2 Análisis de Imágenes para IRNDT Pasiva
2.2. Marco Teórico
La segmentación es uno de los pasos más importantes a la hora de procesar y analizar una
imagen con fines de detección y clasificación. La idea principal de la segmentación es dividir
la imagen en regiones que tienen una alta correlación con objetos o áreas de la imagen a
tratar [29].
La segmentación consiste en dividir la imagen en regiones las cuales son similares en cierta
forma, de acuerdo a un criterio determinado por la técnica de segmentación. En la percepción
humana, la segmentación es llevada a cabo de forma espontánea y natural. También es una de
las tareas más importantes en el procesamiento y análisis de imágenes [59]. Los posibles pasos
siguientes como la extracción de caracteŕısticas y el reconocimiento de objetos, dependen de
la calidad de la segmentación. Śı la tarea de segmentación no se realiza adecuadamente,
la región de interés se torna dif́ıcil de reconocer usando los algoritmos convencionales de
clasificación no supervisada.
2.2.1. Métodos de Procesamiento de Imágenes para IRNDT Pasiva
Métodos de Umbralización: Las técnicas de umbralización consisten en la estimación
de un umbral definido para la imagen (generalmente extráıdo del histograma). Este
umbral es un valor de intensidad en escala de grises que pueden tomar los ṕıxeles,
asignado un uno a los valores por debajo de este umbral y un cero a los ṕıxeles con
valor mayor a este umbral (o viceversa). Cuando el umbral es constante se conoce
como Umbralización Global, en caso contrario se conoce como Umbralización Local.
Los métodos de umbralización global fallan cuando la iluminación en la imagen es
dispareja. Para solucionar este problema, se usan múltiples umbrales. La selección del
umbral es basada en el histograma donde se asume que la región más significativa que
compone un objeto se encuentra en un pico; sin embargo, esto no es necesariamente
cierto y genera incertidumbre. Para seleccionar el pico del histograma que es relevante
en el objeto de interés, se usa la tendencia ascendente o descendente para extraer el
máximo local. En otras palabras el pico debe ser un máximo local, pero el máximo
local puede no ser un pico; es por eso que se usa la tendencia ascendente y descendente
para incrementar la precisión. Luego, se registra las posiciones en el histograma y se
fija los umbrales entre los picos vecinos adyacentes [62].
Métodos de Detección de Bordes: Los métodos basados en detección de bordes [72]
localizan los bordes de los objetos presentes en la imagen, obteniendo como resultado
una imagen binarizada con los ṕıxeles detectados. Los operadores de borde más cono-
cidos son: Sobel, Prewitt y los operadores Laplacianos. Estos algoritmos son propicios
cuando se cuentan con imágenes simples y libres de ruido. Sin embargo, cuando se
aplican a imágenes ruidosas o complejas pueden aparecer bordes adicionales u omitir
bordes. Para solucionar este problema un proceso suplementario debe convertir los
-
2.2 Marco Teórico 7
bordes en cadenas de bordes que se ajusten mejor a los bordes en la imagen.
Métodos Basados en Regiones: Las técnicas de segmentación basadas en regiones, gene-
ralmente son más eficientes en imágenes ruidosas, donde los bordes son extremadamen-
te dif́ıciles de detectar. La homogeneidad es una propiedad importante de las regiones,
y es usada como principal criterio de segmentación en el crecimiento de regiones. El
criterio de homogeneidad se fundamenta en: valor de intensidad en la escala de grises,
color, textura, forma, etc. Existen varias técnicas dentro de la segmentación basada
en regiones las cuales son: las técnicas locales, técnicas globales [72] y Splitting and
merging techniques [10]. Para mejorar los resultados obtenidos en este tipo de técnicas,
se han desarrollado una variedad de métodos para el post–procesado de la imágenes,
que tienen como finalidad corregir el problema de tener pocas regiones (under-growing)
o muchas regiones (over-growing) [41], [56]. Una buena práctica podŕıa ser el uso de
una técnica h́ıbrida donde se mezclen varios métodos mencionadas previamente, más
imformación al respecto se puede encontrar en: [89], [20], [71], [40] [23].
Métodos Basados en Agrupamiento: El agrupamiento es un proceso en el cual los
ṕıxeles son agrupados mediante alguna medida de similitud (color, textura, etc.). Exis-
ten varios tipos de agrupamiento: agrupamiento jerárquico, agrupamiento basado en
centroides, agrupamiento basado en distribuciones [84], [19].
Agrupamiento Jerárquico: Tiene como criterio de agrupamiento la distancia.
Los ṕıxeles que estén cerca uno del otro perteneceŕıan al mismo conglomerado o
cluster, y los objetos que estén lejos uno del otro pertenecerán a distintos clus-
ters. A diferentes distancias, diferentes grupos se forman; los cuales pueden ser
representados por un dendrograma, lo cual explica el nombre del método.
Agrupamiento basado en Centroides: En el agrupamiento basado en cen-
trides los grupos se forman de acuerdo a un centroide; el cual no necesariamente
debe pertenecer al conjunto de datos. Se define el número de centroides, para luego
agrupar los ṕıxeles al centroide más cercano. Dentro de este tipo de agrupamiento
se puede destacar el K–Means [28].
Agrupamiento basado en Distribuciones: Es el método que más estrecha-
mente está ligado a la estad́ıstica, los ṕıxeles se agrupan de acuerdo a la dis-
tribución más probable respecto a la naturaleza de la misma. El método más
representativo es el EM–Clustering [51].
2.2.2. Método propuesto de segmentación basado en el Algoritmo de
Máxima Esperanza
El algoritmo de máxima esperanza (EM–Algorithm) es un proceso iterativo eficiente que cal-
cula la máxima verosimilitud cuando existe información desconocida o faltánte y se realiza
-
8 2 Análisis de Imágenes para IRNDT Pasiva
con el objetivo de conocer el conjunto de parámetros del modelo más probable de acuerdo
a la información observada. Cada iteración del EM-Algorithm se compone de dos etapas: el
E–Step y el M–Step. En el E–Step o Etapa de Esperanza, la información desconocida o la
información faltánte es estimada de acuerdo a la información observada y la estimación de los
parámetros actuales del modelo, este proceso es llevado a cabo usando el valor esperado de
la función de verosimilitud logaŕıtmica. En el M–Step o Etapa de Maximización, la función
de verosimilitud es maximizada asumiendo que la información faltánte es conocida siendo los
valores calculados en el E–Step, en lugar de la información actual faltánte. La Convergencia
está asegurada ya que el algoritmo garantiza el aumento de la probabilidad en cada iteración.
Deducción del Algoritmo de Máxima Esperanza:
Sea X un vector de datos. Se desea encontrar un θ tal que la verosimilitud estimada para
dicho θ, P(X|θ), sea máxima. Con el objetivo de calcular dicho θ, se emplea el logaritmo dela función de verosimilitud, definida de la siguiente manera:
L(θ) = lnP(X|θ) (2-1)
Donde L(θ) es la función de verosimilitud definida en función de θ. Como lnP(X|θ) es unafunción estrictamente creciente, el valor de θ que maximiza P(X|θ) también maximiza L(θ).
Dado que el EM-Algorithm es un proceso iterativo y con el objetivo de maximizar L(θ),
asumimos que después de la nth iteración el actual valor estimado de θ está dado por θn.
Consecuentemente se quiere calcular el valor actualizado de θ tal que L(θ) > L(θn). Equiva-
lentemente, queremos maximizar la diferencia.
L(θ)− L(θn) = lnP(X|θ)− lnP(X|θn) (2-2)
Hasta ahora no se ha considerado la información faltánte o información desconocida. En
problemas donde tal tipo de información está presente, el EM–Algorithm proporciona su
propio marco para su inclusión. Alternativamente, las variables ocultas pueden ser introdu-
cidas como artificio para hacer manejable la estimación de la función de verosimilitud de θ.
Definimos el vector Z y sus elementos z como la información desconocida. La probabilidad
total P(X|θn) puede ser reescrita en términos de las variables desconocidas z aśı:
P(X|θn) =∑
z
P(X|z, θ)P(z|θ) (2-3)
-
2.2 Marco Teórico 9
La Ecuación 2-2 se puede reescribir de la siguiente manera:
L(θ)− L(θn) = ln(
∑
z
P(X|z, θ)P(z|θ))
− lnP(X|θn) (2-4)
De acuerdo a la Ecuación 2-4 el EM-Algorithm consiste en la iteración de:
1. E-step: Determinar la estimación condicional de: EZ|X,θn {lnP(X, z|θ)}
2. M-step: Maximizar la expresión anterior respecto a θ.
Agrupamiento de Máxima Esperanza Aplicada a Ṕıxeles
(EM-Clustering)
El EM-Clustering tiene el mismo principio del algoritmo de máxima esperanza, pero en este
caso la información a trabajar son ṕıxeles; y el agrupamiento de ṕıxeles esta dado por la
inicialización de los datos originales; dicha inicialización consiste en obtener un mapeo de un
clasificador que es usado para actualizar las etiquetas del conjunto de datos inicial, Esto se
hace iterando los siguientes pasos.
1. Mapeo Entrenado: El clasificador es entrenado con el conjunto de entrenamiento
obteniendo un mapeo.
2. Re–Etiquetado del Conjunto de Datos: El conjunto de datos es re etiquetado de
acuerdo al mapeo entrenado obtenido en la etapa anterior.
Este proceso se repite hasta que las etiquetas no cambien más. La Figura 2-1 ilustra este
procedimiento.
Conjunto
de Datos
Conjunto de
Entrenamiento
Conjunto de
Prueba
LDC
Mapeo
Entrenado
Reetiquetado del
Conjunto de Datos
Las etiquetas
Cambian?Conjunto de
Datos Etiquetado
NoSi
Figura 2-1.: Diagrama explicativo del EM–Clustering.
-
10 2 Análisis de Imágenes para IRNDT Pasiva
2.3. Marco Experimental
Dado que las regiones calientes en un imagen IR de una máquina rotativa dan indicios sobre
presuntos fallos producto del calentamiento por fricción o por el mal funcionamiento de
sus partes, se desarrolló una metodoloǵıa para realizar la segmentación de dichas regiones
con el fin de obtener información de la máquina y poder brindar un diagnóstico mediante
algoritmos de reconocimiento de patrones como herramienta de mantenimiento preventivo.
La Figura 2-2 describe la metodoloǵıa desarrollada, la cual se compone de las siguientes
etapas: i) Base de Datos, ii) Extracción de parámetros y ajuste de tamaño, iii) Representa-
ción, iv) Segmentación usando EM-Clustering, v) Selección de la región, vi) Limpieza de la
imagen, vii) Evaluación de la segmentación.
Base de datosExtración de
parametros y ajustes
de tamaño
Representación
Segmentación
usando
EM-Clustering
Selección de
la región
Limpieza de la
imagen
Evaluación de
la segmentación
Figura 2-2.: Metodoloǵıa desarrollada para la segmentación de las imágenes de intensidad.
i) Base de Datos
La base de datos utilizada consta de 56 imágenes IR de un motor en operación to-
madas arbitrariamente luego de alcanzar el estado estable. La Figura 2-3 muestra el
banco de pruebas empleado. Dichas imágenes IR se obtienen como resultado de la
descomposición del v́ıdeo en frames, adquirido con una cámara termográfica. La Tabla
2-1 muestra las especificaciones usadas y las variables atmosféricas involucradas en el
proceso de adquisición del v́ıdeo. Se utilizó el espacio de color YUV por defecto para
hacer la filmación. Para este experimento sólo las imágenes de intensidad del plano de
luminancia Y fueron procesadas.
ii) Extracción de parámetros y ajuste de tamaño:
Con el objetivo de mejorar el desempeño y el costo computacional del proceso de
agrupamiento, se recortaron las imágenes, reduciendo el tamaño a 185 × 355 ṕıxeles
-
2.3 Marco Experimental 11
Figura 2-3.: Banco de pruebas del laboratorio de vibraciones de la Universidad Nacional
de Colombia sede Manizales.
Tabla 2-1.: Especificaciones de la cámara FLIR A-320
Cámara Infra Roja FLIR A320
Emisividad 0,82
Temperatura Reflejada 20◦C
Parámetros de la Cámara Dist. entre la cámara y el banco de pruebas 1.5m
Humedad Relativa 50, 00%
(FLIR A320) Temperatura Ambiente 20◦C
Escala Térmica 10− 50◦CTamaño del Frame 640× 480 ṕıxeles
Parámetros de Adq. del Vı́deo Formato del V́ıdeo MPEG-2
dado por la región de interés, esto se realiza con el objetivo de eliminar el fondo
y aquellas regiones donde no hay información relevante. Adicionalmente, se tuvo en
cuenta la localización espacial de los ṕıxeles dentro de la imagen; esto con el objetivo
de contar con un buen conjunto de caracteŕısticas para la siguiente etapa del proceso,
la representación.
iii) Representación:
Con el propósito de aplicar algoritmos de aprendizaje máquina, la imagen es represen-
tada como una matriz donde las filas denotan las observaciones, es decir, los ṕıxeles y
las columnas son las caracteŕısticas. En este escenario se tiene un conjunto de datos
constituido por las intensidades del plano Y junto con la localización espacial (x, y)
para cada ṕıxel, suponiendo que la imagen está definida por f(x, y).
iv) Segmentación usando EM-Clustering:
Con el fin de iniciar el proceso de agrupamiento de los ṕıxeles, se toma un conjunto
de entrenamiento correspondiente al 70% de la totalidad del conjunto de datos para
entrenar un clasificador LDC (Linear Discriminat Classifier) [4], el cual usa el EM-
-
12 2 Análisis de Imágenes para IRNDT Pasiva
Clustering para etiquetar por primera vez los datos. También se asigna el número
de grupos a 2. La selección del clasificador LDC se hizo tras realizar varias pruebas
demostrando el mejor desempeño; como el objetivo no es realizar una comparación de
clasificadores, se elige el LDC por la simplicidad de la frontera de decisión.
v) Selección de la Región:
El EM-Clustering retorna las etiquetas de las regiones agrupadas, pero la región de in-
terés segmentada posee etiquetas con valores aleatorios; para solucionar este problema,
se requirió la ayuda de un experto para seleccionar la ubicación del ṕıxel correspondien-
te a un punto caliente perteneciente al motor, teniendo entonces la posición (8, 113).
La selección de la etiqueta se hizo tomando el valor de tal ṕıxel en esta posición.
vi) Limpieza de la Imagen:
Como resultado del proceso de agrupamiento, algunos objetos que no son de interés en
la imagen como objetos adyacentes a las ROIs y fondo, presentaron etiquetas propias
de las ROIs. Para sortear esta dificultad, se realizaron operaciones morfológicas a partir
de las imágenes binarizadas teniendo como objetivo eliminar artefactos no deseados. Se
utilizó la operación morfológica de cierre y luego la operación de llenado de agujeros con
el objetivo de tener unas imágenes mejor definidas eliminando las regiones ambiguas.
Por último se removió el ruido descartando aquellas regiones con ṕıxeles menores a un
valor arbitrario de 50.
Una vez se limpia la imagen, el proceso de segmentación es finalizado. La Figura 2-4
muestra el resultado de la segmentación obtenido mediante este proceso.
Original Intensity Image
50 100 150 200 250 300 350
50
100
150
EM−Clustering Segmentation Image
50 100 150 200 250 300 350
50
100
150
Figura 2-4.: Imágenes originales Y vs la segmentación basada en agrupamiento
vii) Evaluación de la segmentación:
-
2.4 Resultados 13
En vista de que la Transformada Watershed basada en Marcadores (MWT) [27] es una
de las técnica más usada en la segmentación de imágenes IR, se evaluó la calidad de la
segmentación del método propuesto contra la MWT. La medida empleada para realizar
este procedimiento fue el Coeficiente de Dice [16]. Esta métrica es usada frecuentemente
en la literatura como un caso especial para una apropiada evaluación de la calidad de
la segmentación [13], [78], [67]. El coeficiente de Dice se define de la siguiente manera:
k(S1, S2) =2 |S1 ∩ S2||S1|+ |S2|
(2-5)
Donde S1 y S2 son las regiones segmentadas obtenidas con EM-Clustering y la MWT
respectivamente. Un valor cercano a 1 significa que la región segmentada es similar a
la obtenida por la transformada Watershed, mientras que un valor cercano a 0 indica
que las regiones compradas son diferentes entre śı.
2.4. Resultados
La Figura 2-5 muestra los resultados de la segmentación del EM-Clustering contra la MWT
para una imagen de intensidad seleccionada arbitrariamente con propósitos demostrativos.
Watershed Segmentation
50 100 150 200 250 300 350
50
100
150
EM−Clustering Segmentation
50 100 150 200 250 300 350
50
100
150
Figura 2-5.: MWT vs la segmentación basada en EM-Clustering
Se realizó un total de 10 repeticiones para evaluar la variabilidad de EM-Clustering sobre
las 56 imágenes; el coeficiente de Dice se calculó para todas las repeticiones obteniendo
un valor promedio de 0,87. La Figura 2-6 muestras los resultados de este procedimiento.
Se puede observar que el método propuesto no tiene un desempeño adecuado para ciertas
-
14 2 Análisis de Imágenes para IRNDT Pasiva
imágenes; esto debido a la selección aleatoria que implica el tomar el conjunto de ṕıxeles
correspondientes al conjunto de entrenamiento.
0 10 20 30 40 50 600.4
0.5
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
Images
Dic
e’s
Coe
ffic
ient
k
Figura 2-6.: Variabilidad de la segmentación basada en EM-Clustering.
2.5. Análisis y conclusiones
La segmentación de imágenes térmicas es una tarea importante que tiene lugar en muchos
análisis IRNDT pasivo. La detección de fallos se puede llevar a cabo a partir de una apropiada
segmentación utilizando algoritmos de reconocimiento de patrones, ésto es posible debido a
que la imagen térmica de una maquina rotativa brinda información importante acerca de su
condición de operación.
En la Sección 2.3 se desarrolló una metodoloǵıa para segmentación de imágenes en IRNDT
de máquinas rotativas, basado en EM–Clustering, se evaluó la calidad de la segmentación
en imágenes IR adquiridas de un motor en operación, con una cámara FLIR A320. Los
termogramas se procesaron en el plano de color Y del espacio de color YUV. La metodoloǵıa de
segmentación propuesta se comparó contra la segmentación realizada por MWT, obteniendo
un buen desempeño. Este desempeño se evaluó gracias al coeficiente de Dice implementado
como métrica de evaluación de calidad de la segmentación, obteniendo un valor medio de 0,87.
Los resultados obtenidos exhiben una alta variabilidad, atribuible a la naturaleza aleatoria
de los procesos involucrados, cuando el conjunto de entrenamiento es seleccionado para
inicializar y entrenar el EM-Clustering con el objetivo de encontrar la Función de Densidad de
Probabilidad (FDP) sub–óptima que se ajuste a la distribución de los ṕıxeles. La metodoloǵıa
propuesta resulta invariante a la rotación y al escalamiento, ya que éste se basa en la FDP
de las distribuciones de los ṕıxeles y no depende de la organización espacial de los ṕıxeles al
interior de la imagen. En un trabajo futuro existe la posibilidad de darle al EM-Clustering
una adecuada inicialización de los grupos que tenga en cuenta los ṕıxeles dentro de la ROI
con el objetivo de incrementar la robustez de la segmentación, llevando al mejoramiento
del coeficiente Dice. También se puede considerar una adecuada selección de la etiqueta sin
-
2.5 Análisis y conclusiones 15
supervisión del experto, haciendo esta tarea de segmentación un proceso completamente no
supervisado.
-
3. Análisis de Imágenes para IRNDT
Activa
3.1. Aspectos Preliminares
Este caṕıtulo describe una serie de directrices básicas en el proceso de adquisición de imágenes
termográficas mostradas en la Sección 3.2, denominada Protocolo de Adquisición. En la
Sección 3.3 se muestran los principios que rigen cada uno de las técnicas de estimulación
térmica desarrolladas para IRNDT Activa; en la Sección 3.4 se desarrolla una metodoloǵıa
para un caso de estudio que busca analizar la propagación de calor en rines automoviĺısticos;
alĺı mismo se describe el marco experimental y los resultados. La Sección 3.5 concluye este
caṕıtulo.
3.2. Protocolo de Adquisición
El uso de la termograf́ıa IR como técnica de monitoreo de las condiciones de las máquinas
rotativas mediante la inspección de la temperatura de las superficies a analizar, se ha con-
vertido en una actividad de suma importancia en programas de mantenimiento preventivo
en la mayoŕıa de las industrias modernas. La efectividad de éstos programas depende de una
adecuada adquisición de los datos obtenidos a partir del cuerpo que se desea analizar.
Consecuentemente, para llevar a cabo una adecuada adquisición es preciso considerar di-
ferentes tipos de caracteŕısticas propias del fenómeno termográfico. Estas caracteŕısticas se
pueden clasificar en 3 grandes categoŕıas: 1) Caracteŕısticas de la cámara IR, 2) Propiedades
térmicas del cuerpo a inspeccionar y 3) Caracteŕısticas del medio de transmisión.
Para ciertos casos, se deben considerar las caracteŕısticas del medio presente entre la cámara
IR y la muestra. En la mayoŕıa de los casos el medio de transmisión es el aire [22]. Para
cortas distancias, cuando se trata del aire, éstas caracteŕısticas se pueden ignorar. Aśı mismo,
cuando se adquiere en cortas distancias y en un rango de 3 – 5 µm (longitudes de onda equi-
valente a una porción del espectro electromagnético) en el aire no hay pérdidas significativas
y se pueden descartar éstas caracteŕısticas.
-
3.2 Protocolo de Adquisición 17
3.2.1. Propiedades Térmicas del Cuerpo a Inspeccionar:
Algunas propiedades térmicas de la superficie influyen en la efectividad de la adquisición,
entre las propiedades a considerar del objetivo se encuentran:
Emisividad Térmica: La emisividad térmica es una medida de la capacidad que tiene la
superficie de un cuerpo de emitir calor. Los cuerpos con altas emisividades uniformes
son más propios para inspecciones termográficas. Una práctica comúnmente usada con
el objetivo de reducir las no uniformidades de las superficies de los cuerpos inspeccio-
nados debido a la alta reflectividad del cuerpo inspeccionado, es recubrir el cuerpo con
una pintura negra para aśı incrementar su emisividad, ya que en cuerpos brillantes
los valores de emisividad se ven considerablemente reducidos, generando sesgo en las
imágenes de temperatura adquiridas.
Reflectividad Térmica: Esta definida como la fracción de radiación incidente reflejada
por una superficie. La reflectividad depende de la dirección de la radiación incidente y la
radiación reflejada. Si la superficie del cuerpo refleja radiación en todas las direcciones
se puede decir que el cuerpo es difuso . Contrariamente si la radiación es reflejada con
un ángulo igual al ángulo de incidencia la superficie es especular .
Difusividad Térmica: La difusividad térmica es inversamente proporcional a la constante
de tiempo para la difusión térmica a través de la superficie objetivo. Cuanto más
alta la difusividad térmica, menor tiempo toma la enerǵıa en difuminarse por toda la
superficie; en consecuencia la adquisición requiere altas tasas de muestreo.
3.2.2. Metodoloǵıa de Adquisición
Un conocimiento “a–prioŕı” respecto al cuerpo inspeccionado y las condiciones en las cuales
se llevan a cabo los ensayos termográficos permiten una adquisición más confiable y acertada.
Teniendo en cuenta lo anterior, se describen los pasos a seguir para obtener las imágenes
termográficas a partir del banco de pruebas. La Figura 3-1 describe una metodoloǵıa general
para el proceso de adquisición de imágenes termográficas.
1. Ajuste de distancia: De acuerdo al campo de visión total de la cámara se debe fijar
una distancia óptima para la correcta visualización de las piezas del banco de pruebas.
Con este propósito se debe emplear las siguientes expresiones:
H = d[
2 tan(x
2
)]
(3-1a)
V = d[
2 tan(y
2
)]
(3-1b)
-
18 3 Análisis de Imágenes para IRNDT Activa
Figura 3-1.: Metodoloǵıa general de adquisición.
donde, H y V son las dimensiones del cuerpo a inspeccionar horizontal y vertical
respectivamente, d es la distancia a la que se desea posicionar la cámara IR, x = 25◦
y y = 18,8◦ son los ángulos del campo de visión propios de la cámara. Un esquema de
la configuración del sistema para el ajuste de la distancia se presenta en la Fig. 3-2.
VCámara
IR
distancia
y
x
H
Objeto
Figura 3-2.: Esquema ilustrativo para el ajuste de la distancia.
2. Variables Atmosféricas: Con el objetivo de contar con medidas confiables se deben
medir la temperatura ambiente y la humedad del laboratorio donde se llevan a cabo los
ensayos termográficos; esto se puede llevar a cabo con dispositivos atmosféricos como
un higrómetro, es importante tener un registro en el tiempo ya que pueden ir variando
a medida que se realizan las pruebas.
3. Ajuste de Emisividad: Los valores de emisividad juegan papel fundamental en la es-
timación de la temperatura correcta adquirida por la cámara, los valores de emisividad
se deben ajustar de manera cuidadosa.
-
3.2 Protocolo de Adquisición 19
La práctica más común entre las personas encargadas de realizar los ensayos termográfi-
cos para estimar la emisividad consiste en recubrir una determinada área del cuerpo
a analizar con cinta aislante, cuyo valor de emisividad es conocido (ε ≃ 0,97) y aśı,obtener la temperatura del cuerpo en la zona cubierta por la cinta. Acto seguido, se
remueve la cinta del cuerpo y se ingresan valores de emisividad a la cámara termográfi-
ca obteniendo para cada uno su respectivo valor de temperatura. Este procedimiento
se realiza hasta que la temperatura encontrada, variando los valores de emisividad,
sea igual o aproximada a la temperatura del cuerpo cuando se recubrió con la cinta
aislante y aśı la emisividad es encontrada.
4. Preparación de la Cámara IR: Al momento de empezar la adquisición se debe
conectar la cámara IR de acuerdo al esquema mostrado en la Figura B-1b. Se debe
comprobar el encendido automático de la cámara visualizando el led etiquetado como
A en la figura mencionada. En las cámaras IR existen tres propiedades que no pueden
ser cambiadas después de adquirir una imagen termográfica, estas son: el enfoque
óptico, la selección del rango adecuado de temperatura para la imagen y el uso de la
distancia apropiada para mostrar apropiadamente el cuerpo inspeccionado.
5. Visualización de la escena: Las cámaras IR poseen caracteŕısticas ópticas simila-
res a los dispositivos ópticos comunes como las cámaras digitales, v́ıdeo–grabadoras
y telescopios. Tal como sucede con las cámaras ópticas, en una cámara IR se debe
realizar bien el enfoque para obtener buenos resultados. Las imágenes IR desenfoca-
das proporcionarán mediciones incorrectas en términos de la temperatura del cuerpo
o regiones de interés, dependiendo de la cámara, éste procedimiento se puede hacer de
manera manual o de forma automática. Una vez la imagen está enfocada, es de suma
importancia ajustar termicamente la imagen IR para realizar un análisis adecuado.
Un fallo en este procedimiento, limitaŕıa la capacidad de detectar anomaĺıas térmicas.
El ajuste térmico, involucra sintonizar el nivel, el span y el rango apropiado para un
imagen determinada. El rango de temperaturas, define la capacidad de medición de
una cámara IR, es decir, el valor mı́nimo y máximo. Una vez la imagen sea guardada,
el rango de la misma no puede ser alterado mediante software. Por otro lado, el span
hace referencia al sector dentro del rango de temperatura que se puede observar en la
pantalla. De hecho, el span es un subconjunto del rango de temperaturas. Por último,
el nivel es el punto medio del span. Se puede pensar en el span como el contaste y en
el nivel como el brillo. Lo anterior se puede ilustrar con el siguiente ejemplo: suponga-
mos que se esta midiendo una escena con una cámara IR cuyo rango de temperatura
está ajustado para un intervalo de 10◦C a 100◦C y se captura un termograma de un
cuerpo cuyos valores de temperatura se encuentran entre 30◦C y 250◦C, el termograma
obtenido mostrara las regiones con temperaturas mayores a 100◦C como saturaciones
de color y no será posible determinar que tan caliente está la región dado que los datos
obtenidos; sólo llegarán hasta los 100◦C.
-
20 3 Análisis de Imágenes para IRNDT Activa
3.3. Tipos de Estimulación Térmica
Existen varias métodos de estimulación térmica que son de interés práctico para IRNDT,
entre ellas se encuentran: Pulsed Thermography 3.3.1, Lockin Thermography 3.3.2, Eddy
Current Thermography 3.3.3 y Step Heating Thermography 3.3.4. Estas se describen bre-
vemente a continuación. Particularmente, en la Sección 3.4: Experimento de Detección de
Fisuras en Rines usando IRNDT–SH, se usó Step Heating como técnica de estimulación ya
que las demás técnicas no se pudieron implementar debido a restricciones de equipo de la
universidad.
3.3.1. Termograf́ıa Pulsada
La Termograf́ıa Pulsada (Pulsed Thermography – PT) [63], [46], [35] es una de las estimu-
laciones térmicas más comunes enmarcadas en IRNDT activa, la cual se usa para registrar
la curva de enfriamiento de un cuerpo después de ser brevemente calentado. PT consiste
en analizar el calor emitido por un cuerpo para evaluaciones rápidas de grades superficies.
Ésta herramienta es útil para la caracterización de defectos como grietas en determinadas
superficies, discontinuidades o agujeros.
En PT se aplica un pulso de calor hacia la superficie de la pieza; generalmente este pulso
es generado por lámparas de flash que generan un flujo de calor uniforme sobre toda la
superficie de la muestra; siempre y cuando no se encuentren anomaĺıas o defectos. Cuando el
flujo de calor encuentra imperfecciones sobre la superficie de la muestra, aparecen regiones
de altas temperaturas sobre el defecto. La forma de la región con alta temperatura refleja la
forma del defecto. La ubicación, forma y tamaño del defecto pueden ser estimados a partir
de la distribución de temperatura en la superficie de la muestra.
Como se mencionó previamente el pulso de enerǵıa puede ser generado por lámparas, flashes,
rayos láser, aire o chorros de agua y estos dos últimos pueden ser calientes o fŕıos pues lo
importante es el diferencial térmico generado. La duración de los pulsos vaŕıa según las
propiedades del material a analizar y del espesor del mismo; y pueden variar desde µs hasta
ms. Aśı mismo el comportamiento térmico puede ser evaluado ya sea con el incremento
superficial de la temperatura o bien sea con el decremento. A pesar de que un esquema
de transmisión es posible, se recomienda el esquema de reflexión gracias a la facilidad de
implementación. También es posible un análisis cuantitativo y se basa en el contraste térmico
de las imágenes ya sea durante toda su evolución o durante su pico. En PT existe una relación
muy útil entre el tiempo de propagación térmica t y la profundidad de los defectos s [58],
descrita por la expresión:
tprop ∼s2
ξ(3-2)
-
3.3 Tipos de Estimulación Térmica 21
Donde ξ es el coeficiente de difusividad térmico [m2s−1] que viene dado por: ξ = λρC, λ es
el coeficiente de conductividad térmica, ρ es la densidad de masa y C es el calor espećıfico.
La principal ventaja de PT es la fácil implementación en campo ya que opera en un régimen
de pulsos transitorios y la totalidad del área puede ser analizada gracias al posible calenta-
miento de toda la superficie dado el pulso. T́ıpicamente, para la mayoŕıa de los materiales
se requiere un tiempo de observación menor a 1 minuto.
3.3.2. Termograf́ıa Modulada
En la Termograf́ıa Modulada o LT (por sus siglas en inglés: Lock-in thermography) [26],
[47] la muestra es expuesta a una estimulación térmica sinusoidal. En régimen estacionario
la muestra presenta una respuesta térmica a tal estimulación descrita por un régimen si-
nusoidal cuya magnitud y fase vienen dados por la frecuencia del est́ımulo. De hecho bajo
estas condiciones una alta atenuación y dispersión de la onda térmica tiene lugar dentro
del material. Estas ondas fueron investigadas por Fourier y Angstrom en el siglo XIX pero
su aplicación a la termograf́ıa llega recientemente gracias a la inspección y evaluación no
destructiva.
La muestra inspeccionada es estimulada con un rayo láser modulado y la correspondiente
emisión térmica es el resultado de la oscilación del campo térmico. La magnitud y la fase
pueden ser observadas en régimen estacionario sobre la pequeña región estimulada con un
apropiado detector infrarrojo. Esta técnica ha sido extendida recientemente mediante el uso
de imágenes de la onda térmica superficial en los cuales un área dada de la superficie de
la muestra es expuesta a iluminación sinusoidal. Bajo esta configuración se monitorean si-
multáneamente todos los puntos de la superficie de la muestra. Sólo uno pocos puntos por
ciclo son necesarios śı la función de referencia y la señal de salida son de carácter sinusoidal;
estos puntos permiten el cálculo de la amplitud A y el cambio de fase φ con respecto a la
modulación de referencia. La imagen resultante de amplitud A es proporcional a las carac-
teŕısticas locales de la superficie. Resulta de gran importancia la imagen de fase φ ya que
proporciona un estimado del tiempo de propagación de la onda térmica sobre la superficie
y es independiente de las caracteŕısticas superficiales de la muestra. En cuanto a pruebas
para el análisis de la profundidad de los defectos, la técnica presenta limitaciones y solo
puede ser aplicada a defectos cercanos a la superficie, esto debido a la naturaleza amorti-
guada de la onda térmica. Sin embargo, se puede demostrar que la imagen de fase puede
sondear aproximadamente el doble del espesor inspeccionado por la imagen de amplitud [49].
LT comparte las mismas ventajas que PT mencionadas previamente; pero presenta las si-
guientes diferencias:
Se puede obtener una mejor resolución de la profundidad del defecto sintonizando la
-
22 3 Análisis de Imágenes para IRNDT Activa
frecuencia de modulación. (Altas frecuencia de modulación confinan la respuesta a una
región cercana a la superficie.)
Insensibilidad a artefactos superficiales; esto conlleva a problemas en la implementa-
ción. Debido a la necesidad de usar un calentamiento modulado sobre todo el campo
de visión de la superficie de la muestra.
Mayor tiempo en el proceso de adquisición; tardaŕıa alrededor de 2 minutos para una
muestra de 2mm de espesor de plástico de fibra de carbono reforzado.
3.3.3. Termograf́ıa por Corrientes de Foucault – Eddy Current
Thermography
Eddy Current Thermography o más comúnmente conocida en español como termograf́ıa por
corrientes parásitas o corrientes de Foucault [85], [79], es un método de detección de defectos
o grietas en materiales conductores eléctricos. Bajo este enfoque, se calienta la muestra
mediante un flujo de corriente inducido y el perfil de temperatura de la muestra sobre la
superficie es registrado por una cámara IR. Los defectos afectan el flujo de la corriente
sobre la superficie aśı como la distribución de temperatura. Éste método tiene aplicaciones
para fracturas cerradas o fracturas al interior del material, donde algunas otras técnicas de
excitación no pueden llegar. Śı se excita una bobina con corriente alterna de alta frecuencia,
una corriente es inducida en determinada posición normal a la superficie, y ésta depende de
la frecuencia de excitación. Las ĺıneas de corriente se desplazaran en forma concéntrica y se
dirigen alrededor de la perturbación, por ejemplo, cuando se produce una grieta. Al hacer
esto, la corriente aumenta la densidad en la punta de la grieta y disminuye en los flancos
de la grieta. El cambio de temperatura local resultante puede visualizarse con una cámara
termográfica apropiada.
3.3.4. Step Heating Thermography (SH)
Diferente a las técnicas previamente descritas, en las cuales el perfil de enfriamiento de tem-
peraturas es de interés, en SH el incremento de la temperatura de la superficie de la muestra
es observado mientras se aplica un pulso térmico intensificado. La muestra es calentada con-
tinuamente a baja potencia y las variaciones de la temperatura en una determinada región
están ligadas a las caracteŕısticas de la muestra de la misma manera que en PT [45]. SH,
es comúnmente conocida como Time–Resolved Infrared Radiometry (TRIR). Cuando se ha-
bla de Time–Resolved se hace referencia a que la temperatura es observada a medida que
evoluciona durante y después del proceso de calentamiento. Entre las aplicaciones t́ıpicas de
SH se encuentran: la evaluación del grosor del recubrimiento de componentes cerámicos, la
evaluación de la integridad de estructuras, láminas, materiales, etc. Más detalles respecto a
-
3.4 Experimento de Detección de Fisuras en Rines usando IRNDT–SH 23
esta técnica pueden ser encontrados en [73] y [55].
3.4. Experimento de Detección de Fisuras en Rines
usando IRNDT–SH
Muchos de los art́ıculos manufacturados en una empresa, son obtenidos mediante procesos
de soldado de materiales que son similares de cierta manera. Sin embargo, una soldadura
representa un punto débil en cualquier estructura, lo cual justifica el interés de investigado-
res dedicados al mejoramiento de los procesos de soldado. Puntualmente, en el forjado de
rines automoviĺısticos la necesidad de determinar la calidad de los puntos de soldado de los
componentes que lo conforman (el aro y la tapa del rin), ha generado una gran preocupación
ya que procedimientos inadecuados de soldado pueden causar la formación de defectos que,
sin una adecuada técnica de identificación conllevaŕıan a la degradación del desempeño del
rin y por ende la reducción de su tiempo de vida útil.
En el marco de las observaciones anteriores, se hace necesario llevar a cabo una minuciosa
evaluación de cada pieza durante el proceso de ensamble y manufacturación de los rines
automoviĺısticos, dado que se pueden presentar unidades con imperfecciones. Para garantizar
ésto es preciso realizar dos pruebas de control de calidad. En la primera prueba se examina el
aro del rin cuando sale del proceso de soldado donde se pueden presentar fallos como grietas
pasantes, rotura de la soldadura y patrones no uniformes de la soldadura: Detección de
Fallos Sobre el Aro - DFSA; una vez la prueba de calidad concluye los productos
que aprobaron dicha prueba se disponen para el ensamble del rin con el disco. En este
punto de la linea se realiza la segunda prueba de control de calidad; el soldador pone los
cordones de soldadura y se detectan defectos como grietas o poros, excesiva penetración
o ausencia de uno o todos los cordones de soldadura: Detección de Fallos Sobre las
Soldaduras - DFSS ; los rines que aprueban este control de calidad se disponen para salir
al mercado y los que no la aprueban se marcan y se descartan. Bajo esta premisa se definen
dos problemas correspondientes a las dos pruebas de control de calidad involucradas en el
proceso de manufacturación del rin.
Estas simulaciones se realizan usando un software de simulación de elementos finitos donde
se modela la transferencia de calor sobre la superficie de las piezas. El primer experimento
consiste en evaluar la propagación de calor aplicando est́ımulos externos al aro y el segundo
experimento consiste en visualizar la propagación de calor sobre el rin ensamblado cuando
los cordones de soldadura están todav́ıa calientes instantes después de salir del soldador,
permitiendo la visualización de las posibles anomaĺıas.
-
24 3 Análisis de Imágenes para IRNDT Activa
3.4.1. Marco Experimental
Las simulaciones se realizaron usando un modelo CAD del rin cuya geometŕıa se encuentra
en formato step usando ANSYS el cual es un software de simulación de elementos finitos.
Para realizar el análisis de elementos finitos, FEA ( por sus siglas en inglpes: Finite Ele-
ment Analysis) [75], ANSYS permite simular una variedad de fenómenos f́ısicos sobre las
distintas piezas. ANSYS está dividido en tres herramientas principales llamados módulos:
pre-procesador (creación de geometŕıa y mallado), procesador y post-procesador. Para dar
solución a los problemas ANSYS cuenta con una herramienta de análisis para transferencia
de calor, ésta fue la herramienta utilizada en el desarrollo de los experimentos.
La geometŕıa de la pieza se importa en formato step al simulador de elementos finitos, alĺı se
asignan los parámetros de simulación, las propiedades f́ısicas de cada material involucrado
en este proceso, las temperaturas iniciales de cada elemento; se determina el tiempo de si-
mulación y se pone el marcador donde se pretende ver el comportamiento de calor; este
marcador se coloca en un punto muy cercano a las regiones de interés (ROI); para el primer
experimento se coloca cerca de la juntura del aro y para el segundo experimento se coloca
cerca de la soldadura, seguidamente se procede a simular y por último se obtienen los resul-
tados. En la Figura 3-3 se aprecia la metodoloǵıa desarrollada para realizar cada uno de los
experimentos.
Figura 3-3.: Metodoloǵıa desarrollada para ambas simulaciones
El rin se compone de tres piezas; modeladas independientemente cada una con sus respectivas
propiedades; en la Tabla 3-1 se pueden apreciar las propiedades f́ısicas del acero estructural
SAE 1015 usado para el aro y el disco; cuya composición qúımica consta de los siguientes
elementos: C=0.13-0.18%, Mn=0.30-0.60%, P=0.04% max, S=0.05% max.
Tabla 3-1.: Propiedades del acero SAE 1015, material del aro y el disco del rin.
SAE 1015
Propiedades Valores en el sistema métrico
Densidad (ρ) 7750 kg/m3
Conductividad térmica isotrópica (λ) 51,9 W/(m×◦K)Calor espećıfico (C) 786 J/(kg× ◦K)
En la Tabla 3-2 se aprecia las propiedades del estaño; el cual fue empleado para las soldaduras
en el segundo experimento.
-
3.4 Experimento de Detección de Fisuras en Rines usando IRNDT–SH 25
Tabla 3-2.: Propiedades del Estaño, material de la soldadura.
Estaño
Propiedades Valores en el sistema métrico
Densidad (ρ) 7340 kg/m3
Conductividad térmica isotrópica (λ) 64 W/(m×◦C)Calor espećıfico (C) 226,5 J/(kg× ◦C)
3.4.2. Resultados y Análisis
Los resultados de la simulación de los procesos de control de calidad demuestran la viabilidad
en la implementación de un sistema de detección de fallos usando termograf́ıa como principal
técnica de inspección y evaluación de materiales y superficies.
Resultados DFSA: Simulación del aro con estimuladores externos de calor:
En esta simulación se analiza el aro independientemente del resto del rin y se estimula con
cuatro fuentes externas en un intervalo de 420 segundos con el objetivo de ver la propagación
del calor sobre la superficie del aro. En la Figura 3-4 se puede apreciar la geometŕıa usada
en el experimento.
Figura 3-4.: Geometŕıa del aro con los estimuladores de calor externos.
En la Tabla 3-3 se muestran las condiciones iniciales del experimento; se definió una tem-
peratura de la fuente de calor externa de 150◦C y el aro se encuentra a una temperatura
ambiente de 22◦C.
Tabla 3-3.: Temperaturas iniciales de cada pieza
Temperaturas
Pieza Material Temperatura Inicial
Estimulador Externo – 150◦C
Aro SAE 1015 22◦C
En las Figuras 3-5a, 3-5b, 3-5c se aprecia la propagación del calor sobre toda la superficie del
aro con cuatro fuentes de calor externas en diferentes instantes de tiempo. Se puede apreciar
-
26 3 Análisis de Imágenes para IRNDT Activa
que para las Figuras 3-5b y 3-5c la diferencia de propagación no es muy marcada debido al
calor espećıfico y conductividad térmica del Acero SAE 1010. La conductividad térmica se
incrementa a bajas temperaturas hasta alcanzar su máximo y decrece drásticamente a partir
de dicho máximo.
(a) 15 segundos. (b) 200 segundos de simula-
ción.
(c) 420 segundos de simula-
ción.
Figura 3-5.: Visualización de algunas escenas de propagación del calor sobre el Aro, para
diferentes tiempos transcurridos.
Se colocó un marcador llamado Temperature Probe (Figura 3-4); con el objetivo de medir la
variación de la temperatura con el paso del tiempo en ese punto; en la Figura 3-6 se puede
observar dicha variación de temperatura y sus valores alcanzados.
Figura 3-6.: Variación de la temperatura durante 420 segundos en el Temperature Probe
-
3.4 Experimento de Detección de Fisuras en Rines usando IRNDT–SH 27
Para este experimento se emplearon 4 estimuladores térmicos externos con el fin de visuali-
zar los cambios de temperatura sobre toda la superficie del aro; sin embargo en la práctica
no es necesario poner dicha cantidad de estimuladores; ya que al poner una sola fuente de
calor en un punto cercano a la juntura del aro forjado y mediante una cámara termográfica
se pueden apreciar con bastante claridad las imperfecciones de la juntura; esto se debe a
que el patrón de propagación del calor en una zona defectuosa presenta alteraciones, permi-
tiendo la identificación de fallos tales como la ruptura de la soldadura y grietas pasantes.
La variación de la temperatura en este punto de censado arroja información importante del
estimado del tiempo que puede tardarse el calentamiento de una pieza; se puede ver que al
cabo de 90 segundos la región donde se colocó el marcador se encuentra a una temperatura
alrededor de los 45◦ C; temperatura suficiente para que una cámara termográfica muestre
las imperfecciones del aro después del soldado por “chisporroteo”1 .
Resultados DFSS: Simulación del rin ensamblado con cordón de soldadura aro-disco:
Para esta simulación se analiza toda la geometŕıa del rin compuesta por los cuatro cordones de
soldadura, el aro y el disco. En la Figura 3-7 se puede apreciar la geometŕıa del experimento.
Los cordones de soladura tienen una temperatura inicial de 150◦C, el aro junto con el disco se
encuentran a una temperatura ambiente de 22◦C, en la Tabla 3-4 se muestran las condiciones
iniciales tenidas en cuenta para el experimento. Se estiman los resultados de la simulación
en un tiempo de 120 segundos tomados de este modo porque el material de la soldadura en
éste caso estaño, tiene propiedades diferentes.
Figura 3-7.: Geometŕıa del rin compuesto por sus tres piezas a simular.
En las Figuras 3-8a, 3-8b, 3-8c se puede apreciar la propagación del calor desde los cordones
de soldadura hacia todo el rin en diferentes instantes de tiempo.
En el segundo experimento (DFSS) se colocó un sensor de temperatura cercano a la soldadu-
ra y aśı poder analizar el comportamiento térmico en ese punto; como se puede apreciar en
1En el soldado por chisporroteo las piezas a enlazar se sujetan en unas mordazas que hacen las veces de
electrodos conduciendo la corriente hacia las propias piezas. Al acercar los extremos a enlazar se producen
pequeños arcos entre ellas que provocan la fusión superficial entre los mismos. Durante este proceso se
produce gran cantidad de chispas y material en estado de fusión
-
28 3 Análisis de Imágenes para IRNDT Activa
Tabla 3-4.: Temperaturas iniciales de cada pieza.
Temperaturas
Pieza Material Temperatura Inicial
Soldadura Estaño 150◦C
Aro SAE 1015 22◦C
Disco SAE 1015 22◦C
(a) 25 segundos de simula-
ción.
(b) 75 segundos de simula-
ción.
(c) 120 segundos de simula-
ción.
Figura 3-8.: Visualización de algunas escenas de propagación de calor sobre las soldaduras
Aro–Disco, para diferentes tiempos transcurridos.
la Figura 3-7. Los resultados de dicho comportamiento térmico se muestran en la Figura 3-9.
Figura 3-9.: Variación de la temperatura en un punto cercano a la soldadura para el segundo
experimento
-
3.4 Experimento de Detección de Fisuras en Rines usando IRNDT–SH 29
Se simula el rin a la salida del soldador cuando los cordones de soldadura están todav́ıa
calientes, el motivo de simular el experimento de esta forma es la reducción de costos y
tiempo a la hora de realizar la evaluación de la pieza; y teniendo en cuenta el hecho de que
una cámara termográfica seguirá el comportamiento de la temperatura sobre la superficie,
las zonas defectuosas aparecerán más contrastas en el termograma respecto el resto del rin.
Validación de los datos obtenidos mediante la simulación.
Con el objetivo de verificar los resultados de la simulación, elaboramos una IRNDT activa
sobre rines automoviĺısticos. En este caso, se evalúa la propagación del calor sobre la superficie
de un rin. Se desarrollan dos experimentos que buscan demostrar que es posible detectar fallos
en los art́ıculos durante el pr