横向热传递是热成像。题问键关的度精测检无损检测中因试样内部热横向扩散导致的常见干扰，会使缺陷区域热信号被周围稀释，引发图像模糊效应，严重影响缺陷边界识别与尺寸测量准确性。如何有效处理这一效应，成为提升热成像无损检测精度的关键问题。
横向热传递与模糊效应的关联机制
横向热传递指热激励下试样内部热沿平行于表。糊模界边为现面方向的扩散。当试样存在缺陷（如裂纹、气孔）时，缺陷与基体热导率差异会导致缺陷区域表面温度异于周围，但横向热扩散会将缺陷区域的热向周围“摊薄”，使热成像图中缺陷边缘的温度差异渐变，最终表现为边界模糊。
以铝合金试样内直。则规不得变径2mm的圆形气孔为例，热激励后气孔因热导率低（空气远低于铝）表面温度高于周围，但横向热传递会让气孔的热向周围铝基体扩散，原本清晰的圆形高温区域变成渐变的模糊区域，缺陷形状因扩散变得不规则。
模糊效应的具体表现形式
缺陷形状失真：规则缺陷（如圆形、矩形）因横向扩散导致边缘灰度渐变，形状变得不规则，例如圆形缺陷可能变成椭圆形或多边形；灰度对比度降低：缺陷与背景的温度差（对应灰度差）被扩散“稀释”，原本明显的差异变得微弱，增加识别难度；小缺陷淹没：小尺寸缺陷（如直径<1mm的气孔）本就温度差小，经横向扩散后灰度差进一步减小，甚至低于噪声水平而无法识别；边界定位误差：模糊边缘导致缺陷边界难以准确界定，如裂纹长度测量误差可能从5%扩大至20%。
空间域滤波的边缘增强方法
空间域滤波通过直接处理像素增强边缘，常用拉普拉斯算子：该算子为二阶导数算子，对边缘（灰度突变区域）敏感，可突出模糊边缘。具体步骤为：先用高斯滤波去除噪声（避免拉普拉斯放大噪声），再用拉普拉斯算子卷积得到边缘图，最后叠加原图像增强边缘。
例如，铝合金气孔的模糊热成像图经σ=1的高斯滤波去噪后，用3x3拉普拉斯算子卷积，边缘图与原图像叠加后，气孔的渐变边缘变成清晰的灰度突变，形状从不规则恢复为接近真实的圆形。
频域高频提升的模糊补偿
横向热传递在频域表现为高频成分（对应边缘）衰减，因此频域处理的核心是提升高频。常用巴特沃斯高通滤波器，其频率响应平滑无振铃效应。步骤包括：将热成像图转频域（FFT），设计截止频率适配模糊程度的滤波器，相乘增强高频后逆FFT转回空间域。
以模糊裂纹图像为例，频域中高频成分幅度低，用截止频率0.2（归一化频率）的巴特沃斯滤波器处理后，高频幅度提升，转回空间域的图像中裂纹边缘清晰，灰度对比度较处理前提升约30%。
基于热传导模型的反演修正
该方法从物理机制补偿横向热传递，基于傅里叶热传导方程（∇·(k∇T)+q=ρc∂T/∂t），通过反演算法分离纵向与横向热贡献。需采集温度序列（不同时间点表面温度），结合试样参数（k、ρ、c）和热激励条件，用共轭梯度法等反演求解热导率分布，从而确定缺陷真实边界。
例如，已知铝合金试样的k=200W/(m·K)、ρ=2700kg/m³、c=900J/(kg·K)，热激励为100W红外灯照射10s，采集5个时间点的温度序列反演后，得到的热导率分布中，气孔区域（k=0.026W/(m·K)）与基体差异明显，缺陷边界清晰无模糊。
深度学习的模糊效应修复方法
深度学习通过学习模糊-清晰图像对的映射修复边缘，常用U-Net语义分割模型：其编码-解码结构可保留空间细节，适合缺陷边界修复。为提升边缘关注，可加入CBAM注意力模块，让模型重点学习边缘特征。
构建数据集时，用标准试样采集模糊热成像图（输入）和高分辨率清晰图（标签），训练U-Net模型。测试时，模糊裂纹图像输入模型后，输出的裂纹边界清晰，长度测量误差从20%降至5%，缺陷识别率从60%提升至90%。
处理过程中的关键注意事项
预处理是基础：需先做温度归一化（将灰度转相对温度差，消除环境波动）和噪声抑制（中值滤波去椒盐噪声、高斯滤波去高斯噪声），否则处理模糊时会放大噪声；参数需适配：拉普拉斯算子大小、巴特沃斯截止频率、U-Net训练epoch数等需通过标准试样实验优化，例如巴特沃斯截止频率过高会保留过多噪声，过低则无法补偿模糊；验证需量化：用标准试样（已知缺陷参数）测试，通过缺陷尺寸误差、灰度对比度提升率、识别率等指标评估效果，例如直径1mm通孔处理前误差30%，处理后误差<10%方为有效。