CN112541887B - 一种火电厂多管道设备运行现场漏水缺陷检测方法 - Google Patents
一种火电厂多管道设备运行现场漏水缺陷检测方法 Download PDFInfo
- Publication number
- CN112541887B CN112541887B CN202011390348.8A CN202011390348A CN112541887B CN 112541887 B CN112541887 B CN 112541887B CN 202011390348 A CN202011390348 A CN 202011390348A CN 112541887 B CN112541887 B CN 112541887B
- Authority
- CN
- China
- Prior art keywords
- screening
- water
- interference
- area
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000007547 defect Effects 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及火电厂现场环境监测***技术领域，更具体地，涉及一种火电厂多管道设备运行现场漏水缺陷检测方法。其包括以下步骤：步骤1：定点数据采集与传输。步骤2：关闭红外相机，等待下一次采集过程。步骤3：分析检测数据：数据处理***收到检测数据后开始进行红外图像数据处理分析。步骤4：漏水判断以及输出。本发明的增益效果是：有简便高效、准确性高的优点。简便高效表现在采用红外图像拍摄检测的技术，无需接触检测，比起接触式检测更为简便，且有更为广阔的检测范围，单次检测的耗时少，评估结果更稳定可靠，环境抗干扰能力强，且能避免大部分阴凉、潮湿等环境干扰造成的误判问题，适用于多种工业场景。
Description
技术领域
本发明涉及火电厂现场环境监测***技术领域，更具体地，涉及一种火电厂多管道设备运行现场漏水缺陷检测方法。
背景技术
火电厂是重要的能量产生部门，需要保证其持续稳定运行供电。火电厂包含的设备种类较多，当前火电厂漏水的检测方式为工人根据施工经验，用手电筒反复照射机器基台评估是否漏水，这种工作方式工作周期较长，且在高噪声、高热的工作环境下工人难以长时间作业。此外由于厂区环境复杂，温度、光照等干扰因素较多，目前的无人漏水识别以及诊断仍存在很多问题以及影响因素，难以很好地应用在厂区环境。首先，工厂内光线较暗且存在各类管道设备，通过直接观察、监控或手电筒打光的方法都难以观察到完整的泄漏积水，人工检测难度较高且漏检率高；其次目前的火电厂机器漏水检测技术大多集中在通过读取压力表及流量表读数判断漏水、在滴漏点铺设试纸检测试纸是否变色等方法，这些方法都需要对现场进行器件添加或修改，而且，由于火电厂大部分位于江河水边或海边，所以厂区内的环境较为阴凉潮湿，使用这种办法进行检测效果并不稳定，容易产生误判。
专利CN105547602B公开了一种地铁隧道管片渗漏水的远距离测量方法，具体包括如下步骤：对远距离采集的隧道管片图像进行预处理；通过改进迭代法对图像进行二值化；采用连通区域的多级滤波算法可以有效去除噪声，将渗漏水区域从管片图像中提取出来；同时结合图像中管片边缘特征，采用霍夫变换对管片边缘直线识别并进行标定，得到管片实际宽度和图像管片宽度的比值，最终将检测出的渗漏水换算成实际面积。但此专利所述方法中，只能观察固定区域在固定光学环境下的漏水特征。该方法的环境适应性不强，仅是针对地铁隧道管片渗漏水情况的检测，无法针对环境嘈杂，管道设备繁多的工厂场景有效进行漏水分析。
专利CN110940463A涉及一种漏水检测方法，通过获取水路中水的电极特性参考值A，获取漏水检测点处漏水的电极特性检测值B；计算B相对于A的差量值C，C＝B－A；将C与漏水报警阈值进行比较，判断C是否落入漏水报警的阈值范围内，如果是则进行漏水报警。该发明还涉及一种应用前述漏水检测方法的漏水报警装置，包括具有两个电极探针的参考电极，具有两个电极探针的检测电极，分别与参考电极、检测电极电电连接的控制电路板。参考电极设置在水路中，检测电极设置在漏水检测位置。但此专利所述方法中，没有提及判断水团泄漏面积大小的方法，若水团过小或者过浅，则电极不一定能进行有效的检测。
发明内容
本发明的目的为提出一种能在针对漏水的特征进行检测的同时，合理的去除由复杂环境带来的干扰，从而充分保障检测准确率的种火电厂多管道设备运行现场漏水缺陷检测方法。
本发明要解决的关键问题在于根据对场景中各物体温度场分布差异的特征数值分析，规避由管道设备繁多的现场的复杂环境产生的各类干扰，正确无误的提取出所拍摄的红外图像中泄漏水团存在的区域。从而提高对火电厂设备运行现场漏水缺陷的识别以及分析能力。
为实现上述目的，本发明采用的技术方案是：
一种火电厂多管道设备运行现场漏水缺陷检测方法包括：
步骤1：定点数据采集与传输：首先云台把红外相机移动到图像采集位置，延时1s后工控机打开红外相机，拍摄红外图像一张。然后将图像数据传输到无线AP，无线AP再把数据反馈给数据处理***的处理器，
步骤2：关闭红外相机，等待下一次采集过程，
步骤3：分析检测数据：数据处理***收到检测数据后开始进行红外图像数据处理分析，
步骤4：漏水判断以及输出：根据提取到的漏水特征，计算漏水的面积并与预设的漏水报警数值进行比对分析，判断设备的状态，同时储存本次的分析结果并将结果在总控分析模块的显示器上显示。
进一步的，步骤3红外图像数据处理分析的步骤为：通过颜色通道划分与阈值分割处理初步筛选出水团特征，通过形态学处理增强所得到的水团特征。通过紧密度筛选提取出潮湿环境带来的干扰所在的区域，然后通过阈值分割加上边缘提取的方法提取出低温水管干扰所在的区域，然后将干扰从提取出的水团特征中去除，最终得到准确的泄漏水团特征。
与现有技术相比，本发明的增益效果是：
有简便高效、准确性高的优点。简便高效表现在采用红外图像拍摄检测的技术，无需接触检测，比起接触式检测更为简便，且有更为广阔的检测范围，再者由于本发明采用数据传输以信息分析***处理数据的方法代替接触式检测繁琐的检测步骤，单次检测的耗时也会相对较少；准确性高表现在该方法是针对积水水团检测而设计并且对干扰特征进行了对应的算法处理，针对积水水团的低温特征，采用多模态数据联合分析的技术，达到准确筛选积水特征的效果。
本发明采用非接触定位巡检，用红外相机进行检测，通过比对多个传感器的信息进行水团检测分析。相对于目前的接触式漏水巡检(如专利CN 110940463A提及的电极接触式定点检测)，利用红外相机进行漏水巡检更为便利高效，因为视觉检测能有效观察到大部分机器暴露在视野内的积水特征。而且，在所采集到的红外图像中，较低温区域与较高温区域所显示的颜色存在较为明显的色差。由此能更明显的捕捉到漏水缺陷的微漏特征，充分达到预警的作用，评估结果更稳定可靠。
针对水团的特征(低温特性)进行算法设计，并针对环境中的干扰进行特殊处理，能适用于更多场景。相对于现有的地铁隧道管片渗漏水检测技术(如专利CN105547602B提供的地铁隧道管片渗漏水的远距离测量方法)，本发明另一重点在于对干扰特征的研究和对应的算法处理，由于在环境中也存在一部分低温干扰，具体表现为在较为阴凉潮湿的环境中部分区域的温度偏低，以及一部分低温水管带来的干扰。由此通过紧密度筛选提取出紧密度较低的潮湿环境带来的干扰所在的区域，并将其列为ROI区域。随后与已经提取出的水团特征区域进行对比，提取出ROI区域内的干扰特征，并通过边缘提取的方法筛选出低温水管带来的干扰特征所在的区域，针对所筛选出的干扰特征进行去除，从而可以有效避免误检出水团。这种方法比目前的预设阈值提取有更强的环境抗干扰能力，且能避免大部分阴凉、潮湿等环境干扰造成的误判问题，适用于工业场景。
附图说明
利用附图对本申请作进一步说明，但附图中的实施例不构成对本申请的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的一种火电厂多管道设备运行现场漏水缺陷检测方法步骤示意图。
图2为本发明的红外图像数据处理分析方法流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述。
如图1所示为本发明的一种火电厂多管道设备运行现场漏水缺陷检测方法步骤示意图：
步骤1：定点数据采集与传输：首先云台把红外相机移动到图像采集位置，延时1s后工控机打开红外相机，拍摄红外图像一张。然后将图像数据传输到无线AP，无线AP再把数据反馈给数据处理***的处理器，
步骤2：关闭红外相机，等待下一次采集过程，
步骤3：分析检测数据：数据处理***收到检测数据后开始进行红外图像数据处理分析，红外图像数据处理分析的步骤为：通过颜色通道划分与阈值分割处理初步筛选出水团特征，通过形态学处理增强所得到的水团特征。通过紧密度筛选提取出潮湿环境带来的干扰所在的区域，然后通过阈值分割加上边缘提取的方法提取出低温水管干扰所在的区域，然后将干扰从提取出的水团特征中去除，最终得到准确的泄漏水团特征。
具体的，如图2所示为本发明的红外图像数据处理分析方法流程图。
红外图像数据处理分析的步骤为：首先对红外图像进行RGB三个颜色通道的图像分割处理，对筛选出的R通道图像进行阈值分割处理，计算阈值分割后的图像中所有的连通域，将不相连的区域都分割成单独的区域。然后对提取出的水团特征进行特征增强处理：首先进行面积筛选，筛选出面积大于S平方厘米的水团特征；然后进行矩形度和孔洞面积以及孔洞数目的筛选，筛选掉矩形度较低的特征同时去除特征中多余的孔洞；然后进行凸度筛选，消除多余的圆形特征；通过紧密度筛选初步提取出紧密度较低的潮湿环境带来的干扰所在的区域，并将其列为ROI区域。随后通过与目前已经提取出的水团特征区域进行对比，提取出ROI区域内的干扰特征，并通过边缘提取的方法筛选出低温水管带来的干扰特征所在的区域，针对所筛选出的干扰特征进行去除，最后获取准确的水团特征。
进一步的，矩形度体现物体对其外接矩形的充满程度，反映一个物体与矩形相似程度的一个参数。由于泄漏水团的扩散特性，水团的形状矩形度较高。因此对矩形度的筛选可有效筛选掉部分干扰的影响。矩形度的计算公式为：
其中，SM是该物体的面积，而SMER是其最小外接矩形的曲积。R反映了一个物体对其的充满程度。对于矩形物体R取得最大值1，对于纤细、弯曲的物体R取值变小。R值的范围为0～1。
进一步的，泄漏水团由于在不断扩散中，因此凸度范围在0～1当中。对凸度进行筛选可以去除多余的圆形特征。凸度的计算公式为：
其中，F0为区域面积，FC为包围区域面积的最小凸包面积。
进一步的，与泄漏水团相比，周围潮湿环境带来的干扰的孔隙较大，因此紧密度较小，在10以下。紧密度C的计算公式为：
其中，L为区域轮廓周长，F为区域面积。
进一步的，ROI区域内的干扰特征判断过程如：ROI区域内若无水团特征，则将所提取出的特征全部输出，ROI内若有漏水特征，计算所提取出的总特征与ROI区域内的特征的面积比值，若比值大于2则输出所提取出的水团特征，反之不输出水团特征。这种方法可以有效去除ROI区域内的干扰。
进一步的，筛选低温水管带来的干扰特征具体流程如：首先对红外图像进行均值滤波处理，去除一些噪声带来的干扰。然后进行HSV三个颜色通道的图像分割处理，并对V通道的图像进行阈值分割，从图像中提取具有亚像素精度的灰度边缘。然后使用canny算子对处理后的图像进行边缘提取，并对所提取出的水管轮廓进行特征筛选，筛选出外接圆半径较大的较直的轮廓。然后连接所有端点相近的轮廓，将闭合的轮廓转化为区域，最后输出所提取出的水管特征。
步骤4：漏水判断以及输出：根据提取到的漏水特征，计算漏水的面积并与预设的漏水报警数值进行比对分析，判断设备的状态，同时储存本次的分析结果并将结果在总控分析模块的显示器上显示。
本发明具有简便高效、准确性高的优点。简便高效表现在采用红外图像拍摄检测的技术，无需接触检测，比起接触式检测更为简便，且有更为广阔的检测范围，再者由于本发明采用数据传输以信息分析***处理数据的方法代替接触式检测繁琐的检测步骤，单次检测的耗时也会相对较少；准确性高表现在该方法是针对积水水团检测而设计并且对干扰特征进行了对应的算法处理，针对积水水团的低温特征，采用多模态数据联合分析的技术，达到准确筛选积水特征的效果。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (1)
1.一种火电厂多管道设备运行现场漏水缺陷检测方法，其特征在于，包括以下步骤：
步骤1：定点数据采集与传输：首先云台把红外相机移动到图像采集位置，延时1s后工控机打开红外相机，拍摄红外图像一张，然后将图像数据传输到无线AP，无线AP再把数据反馈给数据处理***的处理器，
步骤2：关闭红外相机，等待下一次采集过程，
步骤3：分析检测数据：数据处理***收到检测数据后开始进行红外图像数据处理分析，通过颜色通道划分与阈值分割处理初步筛选出水团特征，通过形态学处理增强所得到的水团特征；通过紧密度筛选提取出潮湿环境带来的干扰所在的区域，然后通过阈值分割加上边缘提取的方法提取出低温水管干扰所在的区域，然后将干扰从提取出的水团特征中去除，最终得到准确的泄漏水团特征，
步骤4：漏水判断以及输出：根据提取到的漏水特征，计算漏水的面积并与预设的漏水报警数值进行比对分析，判断设备的状态，同时储存本次的分析结果并将结果在总控分析模块的显示器上显示，
其中，所述红外图像数据处理分析的步骤为：
S1:对红外图像进行RGB三个颜色通道的图像分割处理：对筛选出的R通道图像进行阈值分割处理，计算阈值分割后的图像中所有的连通域，将不相连的区域都分割成单独的区域，通过颜色通道划分与阈值分割处理初步筛选出水团特征，通过形态学处理增强所得到的水团特征；
S2:对提取出的水团特征进行特征增强处理：首先进行面积筛选，筛选出面积大于S平方厘米的水团特征；进行矩形度和孔洞面积以及孔洞数目的筛选，筛选掉矩形度低的特征同时去除特征中多余的孔洞；进行凸度筛选，消除多余的圆形特征；通过紧密度筛选初步提取出紧密度低的潮湿环境带来的干扰所在的区域，并将其列为ROI区域；
S3:通过与目前已经提取出的水团特征区域进行对比，提取出ROI区域内的干扰特征，并通过边缘提取的方法筛选出低温水管带来的干扰特征所在的区域，针对所筛选出的干扰特征进行去除，最后获取准确的水团特征，
所述矩形度的筛选，矩形度体现物体对其外接矩形的充满程度，反映一个物体与矩形相似程度的一个参数，由于泄漏水团的扩散特性，水团的形状矩形度高，对矩形度的筛选以筛选掉部分干扰的影响，矩形度的计算公式为：
其中，是该物体的面积，而/>是其最小外接矩形的曲积，R反映了一个物体对其的充满程度，对于矩形物体R取得最大值1，对于纤细、弯曲的物体R取值变小，R值的范围为0～1；
所述凸度筛选，泄漏水团由于在不断扩散中，因此凸度范围在0~1当中，对凸度进行筛选去除多余的圆形特征，凸度的计算公式为：
其中，为区域面积，/>为包围区域面积的最小凸包面积；
所述紧密度筛选，与泄漏水团相比，周围潮湿环境带来的干扰的孔隙大，因此紧密度小，紧密度在10以下，紧密度的计算公式为：
，/>
其中，L为区域轮廓周长，F为区域面积；
所述ROI区域内的干扰特征判断过程如下：ROI区域内若无水团特征，则将所提取出的特征全部输出，ROI内若有漏水特征，计算所提取出的总特征与ROI区域内的特征的面积比值，若比值大于2则输出所提取出的水团特征，反之不输出水团特征，这种方法可以有效去除ROI区域内的干扰；
所述筛选出低温水管带来的干扰特征的具体流程如下：首先对红外图像数据进行均值滤波处理，去除一些噪声带来的干扰，然后进行HSV三个颜色通道的图像分割处理，并对V通道的图像进行阈值分割，从图像中提取具有亚像素精度的灰度边缘，然后使用canny算子对处理后的图像进行边缘提取，并对所提取出的水管轮廓进行特征筛选，筛选出外接圆半径大的直的轮廓，然后连接所有端点相近的轮廓，将闭合的轮廓转化为区域，最后输出所提取出的水管特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390348.8A CN112541887B (zh) | 2020-12-02 | 2020-12-02 | 一种火电厂多管道设备运行现场漏水缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011390348.8A CN112541887B (zh) | 2020-12-02 | 2020-12-02 | 一种火电厂多管道设备运行现场漏水缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112541887A CN112541887A (zh) | 2021-03-23 |
| CN112541887B true CN112541887B (zh) | 2024-05-03 |
Family
ID=75015404
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011390348.8A Active CN112541887B (zh) | 2020-12-02 | 2020-12-02 | 一种火电厂多管道设备运行现场漏水缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541887B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820468A (zh) * | 2022-04-06 | 2022-07-29 | 上海擎测机电工程技术有限公司 | 一种基于可变色纸和图像识别的积水检测方法 |
| CN116309552B (zh) * | 2023-05-12 | 2023-08-29 | 西南交通大学 | 既有线老旧挡墙的健康状态评估方法、装置、设备及介质 |
| CN117152064B (zh) * | 2023-08-11 | 2024-04-30 | 成都格理特电子技术有限公司 | 一种基于图像的石化工厂管道液体滴漏检测方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010211498A (ja) * | 2009-03-10 | 2010-09-24 | Kyodo Printing Co Ltd | 画像処理プログラム及び画像処理システム |
| CN111754455A (zh) * | 2020-05-15 | 2020-10-09 | 华能国际电力股份有限公司海门电厂 | 一种火电厂漏水检测方法和*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7358860B2 (en) * | 2005-03-31 | 2008-04-15 | American Air Liquide, Inc. | Method and apparatus to monitor and detect cryogenic liquefied gas leaks |
| WO2018122589A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
-
2020
- 2020-12-02 CN CN202011390348.8A patent/CN112541887B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010211498A (ja) * | 2009-03-10 | 2010-09-24 | Kyodo Printing Co Ltd | 画像処理プログラム及び画像処理システム |
| CN111754455A (zh) * | 2020-05-15 | 2020-10-09 | 华能国际电力股份有限公司海门电厂 | 一种火电厂漏水检测方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112541887A (zh) | 2021-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541887B (zh) | 一种火电厂多管道设备运行现场漏水缺陷检测方法 | |
| CN111047568B (zh) | 一种漏汽缺陷检测识别方法及*** | |
| CN109816678B (zh) | 一种基于视觉的喷嘴雾化角度自动检测***及方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN113592828B (zh) | 基于工业内窥镜的无损检测方法及*** | |
| Miao et al. | An image processing-based crack detection technique for pressed panel products | |
| CN103454285A (zh) | 基于机器视觉的传动链条质量检测*** | |
| CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
| CN103217256A (zh) | 基于红外图像的局部灰度-熵差的泄漏检测定位方法 | |
| CN108198171A (zh) | 一种基于服务器表面热状态的运行状态诊断的方法 | |
| Guan et al. | Automatic fault diagnosis algorithm for hot water pipes based on infrared thermal images | |
| CN109345586A (zh) | 基于紫外成像技术的电气设备放电特征提取方法 | |
| CN112610905B (zh) | 一种基于图像识别和红外热成像技术的海上平台管线气体泄漏识别方法 | |
| CN117274722A (zh) | 基于红外图像的配电箱智能检测方法 | |
| CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
| CN117455843A (zh) | 一种电缆头缺陷智能化检测*** | |
| CN113744267B (zh) | 一种基于深度学习的输电导线覆冰检测和厚度估计的方法 | |
| CN111626104B (zh) | 一种基于无人机红外热像的电缆隐患点检测方法和装置 | |
| CN115855961B (zh) | 一种用于运行中的配电箱故障检测方法 | |
| CN116664512A (zh) | 一种基于视觉识别的veh连接器组装安全监测报警*** | |
| CN114838297B (zh) | 一种原油管道泄漏检测方法、装置、存储介质及*** | |
| Zhang et al. | A New Image Detection Method of Transmission Line Icing Thickness | |
| CN113781513B (zh) | 一种电厂供水管道泄漏检测方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |