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


3.2. 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


4.2. 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-


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



ferior), primera y segunda escala de descomposición para TSR 1era derivada. 49


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



ferior), primera y segunda escala de descomposición para TSR 2da derivada. 51


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



ferior), primera y segunda escala de descomposición para NTC. . . . . . . . 54


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



ferior), primera y segunda escala de descomposición para NTC Filtrado. . . . 56

Lista de Figuras xiii


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


diferentes escalas de descomposición para TSR 1era derivada. . . . . . . . . . 49


diferentes escalas de descomposición para TSR 2da derivada. . . . . . . . . . 52


diferentes escalas de descomposición para NTC. . . . . . . . . . . . . . . . . 53


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


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


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


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.


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-


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


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.


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


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.


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.


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


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


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


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


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

evaluación de calidad de imágenes en ensayo termográfico no...

Documents