CN115063430B - 基于图像处理的电气管道裂纹检测方法 - Google Patents
基于图像处理的电气管道裂纹检测方法 Download PDFInfo
- Publication number
- CN115063430B CN115063430B CN202210995649.6A CN202210995649A CN115063430B CN 115063430 B CN115063430 B CN 115063430B CN 202210995649 A CN202210995649 A CN 202210995649A CN 115063430 B CN115063430 B CN 115063430B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- image
- area
- crack
- scratch
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000007547 defect Effects 0.000 claims abstract description 91
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 17
- 230000011218 segmentation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 241000764238 Isis Species 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及电气管道缺陷检测领域,具体涉及基于图像处理的电气管道裂纹检测方法。方法包括:根据管道图像中各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线对边缘线分类,得到疑似裂纹区域和划痕区域,判断疑似裂纹区域和划痕区域是否重叠,若重叠,将划痕区域用正常区域像素值替换,得到管道下采样图像;若不重叠,删除管道图像中对应的目标区域,得到管道下采样图像;将管道图像中划痕区域用正常区域的像素值替换,得到新复原图像,利用目标网络判断管道下采样图像中疑似管道裂纹区域是否为管道裂纹区域以及新复原图像中疑似管道裂纹区域是否为管道裂纹区域;若均为是,则判定存在裂纹。本发明提高了电气管道裂纹的识别精度。
Description
技术领域
本发明涉及电气管道缺陷检测领域,具体涉及基于图像处理的电气管道裂纹检测方法。
背景技术
电气管道可能会出现管道裂纹和管道划痕两种缺陷,管道划痕为表面受损,影响较小,而管道裂纹较大时,可能会存在安全隐患。电气管道裂纹是工业安全隐患之一,针对电气管道裂纹的精准检测很有必要。现有技术中主要是利用激光探测器对电气管道表面裂纹进行探测,通过激光返回时间来确定管道表面是否存在裂纹缺陷。当对电气管道表面裂纹检测时,管道划痕缺陷会对裂纹检测造成一定程度的干扰,降低裂纹检测的准确率。
发明内容
为了解决现有方法存在的电气管道裂纹检测准确率低的问题,本发明的目的在于提供一种基于图像处理的电气管道裂纹检测方法,所采用的技术方案具体如下:
本发明提供了一种基于图像处理的电气管道裂纹检测方法,该方法包括以下步骤:
获取管道图像;
对所述管道图像进行边缘检测,得到管道图像中各缺陷区域边缘线;
根据各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线,对各缺陷区域边缘线进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域;
获取管道图像对应的疑似管道裂纹区域和管道划痕区域的各像素点的行号和列号,判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道下采样图像;若不重叠,删除管道图像中对应的目标区域,得到管道下采样图像,所述目标区域包括管道划痕区域各像素点所在行和列;
将管道图像中管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道新复原图像,所述管道正常区域为管道图像中不包括疑似管道裂纹区域和管道划痕区域的区域;
利用目标网络判断管道下采样图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域,以及利用目标网络判断管道新复原图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域;若判断结果均为是管道裂纹区域,则判定所述管道图像存在裂纹。
优选的,所述获取管道图像,包括:
获取管道分布区域图像;
对管道分布区域图像进行灰度化处理,得到管道分布区域的灰度化图像;
对管道分布区域的灰度化图像进行去噪处理,得到去噪后的管道灰度图像;
对所述去噪后的管道灰度图像进行图像分割,得到管道图像。
优选的,得到各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线,包括:
过各缺陷区域边缘线上各像素点作该像素点处切线的垂线;
根据垂线上各像素点的灰度值,构建各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线。
优选的,所述得到管道图像对应的疑似管道裂纹区域和管道划痕区域,包括:
获取各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率;
计算管道图像各缺陷区域各像素点与其对应的邻域内的像素点的灰度均值,根据所述管道图像各缺陷区域各像素点与其对应的邻域内的像素点的灰度均值,计算所述管道图像各缺陷区域的图像复杂度;
根据所述各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率和所述管道图像各缺陷区域的图像复杂度,对所述管道图像各缺陷区域进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域。
优选的,所述根据所述各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率和所述管道图像各缺陷区域的图像复杂度,对所述管道图像各缺陷区域进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域,包括:
判断各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率是否先为正后为负,以及各缺陷区域边缘线对应的区域的图像复杂度是否小于设定阈值,若判断结果均为是,则判定边缘线对应的区域为管道划痕区域;若判断结果存在否,则判定边缘线对应的区域为疑似管道裂纹区域。
优选的,所述删除管道图像中对应的目标区域,得到管道下采样图像,包括:
获取管道划痕区域的总行数和总列数;
比较管道划痕区域的总行数和总列数的值的大小,若总行数小于总列数,根据管道划痕区域的总列数,删除管道图像中管道划痕区域所在的行、列以及设定行数的正常区域,得到管道下采样图像,所述设定行数为总列数与总行数之差;若总行数等于总列数,删除管道图像中管道划痕区域所在的行和列,得到管道下采样图像;若总行数大于总列数,根据管道划痕区域的总行数,删除管道图像中管道划痕区域所在的行、列以及设定列数的正常区域,得到管道下采样图像,所述设定列数为总行数与总列数之差。
本发明具有如下有益效果:本发明获取了管道图像各缺陷区域边缘线,根据各缺陷区域边缘线对应的灰度梯度变化曲线,对各缺陷区域边缘线进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域;本发明判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道下采样图像,若不重叠,删除管道图像中管道划痕区域中对应的目标区域,得到管道下采样图像,在保留疑似管道裂纹区域的基础上,尽可能排除管道划痕区域的干扰,能够使最终的判断结果更加准确;本发明将管道图像划痕区域像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道新复原图像;利用目标网络判断管道下采样图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域,以及利用目标网络判断管道新复原图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域;若判断结果均为是管道裂纹区域,则判定所述管道图像存在裂纹。本发明将管道下采样图像和管道新复原图像都作为缺陷识别网络的输入,得到两个缺陷概率分布图进行概率匹配,提高了电气管道裂纹的识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于图像处理的电气管道裂纹检测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于图像处理的电气管道裂纹检测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的电气管道裂纹检测方法的具体方案。
基于图像处理的电气管道裂纹检测方法实施例
现有技术利用激光传感器对电气管道表面裂纹检测准确率较低。为了解决上述问题,本实施例提出了基于图像处理的电气管道裂纹检测方法,如图1所示,本实施例的基于图像处理的电气管道裂纹检测方法包括以下步骤:
步骤S1,获取管道图像。
本实施例在巡检设备上安装相机,通过相机采集电气管道图像。本实施例以管道分布区域的一张图像为例进行以下处理,首先对管道分布区域的图像进行灰度化处理,得到管道灰度图像,灰度化处理采用均值灰度化,将管道灰度图像进行图像预处理,图像预处理采用中值滤波去噪,去除图像在信号传输过程中产生的椒盐噪声,通过直方图均衡化对图像进行滤波,提高图像的对比度,得到的图像为去噪后的管道灰度图像。灰度化处理、中值滤波去噪和直方图均衡化均为公知技术,此处不再赘述。
采用语义分割网络对去噪后的管道灰度图像进行图像分割,语义分割网络的网络结构为Encoder-Decoder,损失函数为交叉熵损失函数。具体来说,将管道灰度图像中属于管道区域的像素点标记为1,其他区域的像素点标记为0;将标记后的图像输入语义分割网络中,通过编码器进行卷积、池化,得到特征向量,经过解码器进行反卷积输出语义分割图像,语义分割图像即为管道图像。
步骤S2,对所述管道图像进行边缘检测,得到管道图像中各缺陷区域边缘线。
本实施例将管道图像进行分割,分割后的管道图像大小为,这样分割使得分割后的管道图像均为方图,以便于后续对管道图像进行下采样处理。本实施例以分割后一个区域的管道图像为例进行处理,其他区域的管道图像均可采用同样方法进行处理。
为了识别管道裂纹缺陷,本实施例先对管道图像进行边缘检测。具体的,采用Canny边缘检测算法对管道图像进行边缘检测,得到管道图像各缺陷区域的边缘线。
但是检测出的边缘除了包括管道裂纹之外,还可能包括管道划痕,为了避免管道划痕对后续管道裂纹判断的干扰,本实施例还包括以下步骤。
步骤S3,根据各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线,对各缺陷区域边缘线进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域。
本实施例对管道图像各缺陷区域的边缘线上各像素点的灰度值进行多项式拟合,得到各边缘线的函数解析式,对各边缘线的函数解析式求导,得到各边缘线上各像素点对应的斜率,过各缺陷区域边缘线上各像素点作该像素点处切线的垂线,根据垂线上各像素点的灰度值,构建各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线。
管道划痕相较于管道正常区域像素点的颜色较浅,灰度值较大,而管道正常区域像素点对应的灰度值相同,因此当管道图像中出现划痕时,灰度值会增大,对应的灰度梯度变化曲线的斜率会发生改变,对于一个边缘线上的一个像素点,它的灰度梯度变化曲线先递增后递减,即该像素点的灰度梯度变化曲线的斜率先为正后为负,本实施例根据各缺陷区域边缘线上各像素点对应的梯度变化曲线的斜率变化对管道缺陷区域进行分类。
为了提高管道缺陷的识别精度,对管道缺陷位置进行灰度分布特征分析,得到图像复杂度。具体的,灰度分布特征通过图像灰度共生矩阵获取。边缘线的矩形包围框内部的图像像素点构成灰度共生矩阵,所述的灰度共生矩阵与传统的灰度共生矩阵不同的是,灰度共生矩阵不是方阵,而是矩形框形状,通过灰度共生矩阵内部各像素点的灰度值与其8邻域像素点的灰度均值组成灰度二元组,其中,为第i个像素点的灰度值,为第i个像素点与其8邻域像素点的灰度均值,对矩形矩阵内部所有的像素点获取灰度二元组,然后对灰度二元组的频数进行统计,得到不同灰度二元组的分布概率,其中,为灰度共生矩阵的大小,即行像素点个数和列像素点个数的乘积。采用如下公式计算灰度共生矩阵的图像熵:
灰度共生矩阵反映图像的纹理特征,图像熵反映图像中灰度分布的聚集特征所包含的信息量,图像中灰度分布的聚集特征所包含的信息量越多,图像的复杂度就越大。本实施例用灰度共生矩阵的图像熵表征缺陷区域的图像复杂度。
管道裂纹区域和管道划痕区域像素点对应的灰度值与管道正常区域存在明显的差异,一般情况下管道划痕仅是涂层受损,为表面受损,划痕区域所占面积较小,划痕区域对应的像素点的灰度值也比较单一;管道裂纹会有一定的深度,而且深浅不一,导致采集到的图像的灰度分布较复杂。本实施例根据管道裂纹和管道划痕的灰度分布特征分析,设定图像复杂度阈值,当图像复杂度小于时,判定该边缘线为管道划痕区域的边缘线,在具体应用中,图像复杂度阈值可根据需要进行设定。采用同样方法对管道图像缺陷区域的各边缘线进行区分,得到管道划痕区域的所有边缘线,其余管道图像缺陷区域的边缘线为疑似管道裂纹区域的边缘线。当管道划痕较深时,可能会被误判为管道裂纹。因此,疑似管道裂纹区域可能包含部分管道划痕。
步骤S4,获取管道图像对应的疑似管道裂纹区域和管道划痕区域的各像素点的行号和列号,判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道下采样图像;若不重叠,删除管道图像中对应的目标区域,得到管道下采样图像,所述目标区域包括管道划痕区域各像素点所在行和列。
本实施例的目的在于判断管道图像中是否存在裂纹,因此将复杂的管道图像特征进行过滤,在保留疑似管道裂纹区域的基础上,尽可能排除管道划痕区域的干扰,得到了尽可能单一的缺陷特征图像,提高电气管道图像裂纹检测的精度,因此本实施例对管道图像进行下采样处理。由于传统图像下采样处理为隔点采样,可能会将管道图像中管道裂纹区域的部分像素点去除掉,甚至会去除掉整个管道裂纹区域。
针对这种情况,本实施例获取管道图像对应的疑似管道裂纹区域和管道划痕区域各像素点的行号和列号,判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,管道正常区域为管道图像中不包括疑似管道裂纹区域和管道划痕区域;若不重叠,删除管道图像中对应的目标区域,得到管道下采样图像。具体地,删除管道图像中对应的目标区域的过程如下:对行数和列数进行统计,假设管道划痕区域的总行数为,总列数为,为了使下采样的后的图像仍然为方图,比较和的大小,若小于,删除管道图像中管道划痕区域所在的行、列以及行的正常区域,得到管道下采样图像;若等于,删除管道图像中管道划痕区域所在的行和列,得到管道下采样图像;若大于,删除管道图像中管道划痕区域所在的行、列以及列的正常区域,得到管道下采样图像。
传统的下采样一般为隔点采样,本实施例的下采样方法与传统下采样方法不同,本实施例采用去除管道划痕区域各像素点的方法完成下采样处理的,这样做排除了管道划痕区域的干扰,得到了尽可能单一的缺陷特征图像,提高了后续管道裂纹的检测精度。
步骤S5,将管道图像中管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道新复原图像,所述管道正常区域为管道图像中不包括疑似管道裂纹区域和管道划痕区域的区域。
本实施例将管道图像中划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到的图像为管道新复原图像,管道新复原图像与管道图像不同的是,管道新复原图像中不存在管道划痕区域,避免了对裂纹检测结果的干扰。
步骤S6,利用目标网络判断管道下采样图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域,以及利用目标网络判断管道新复原图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域;若判断结果均为是管道裂纹区域,则判定所述管道图像存在裂纹。
本实施例将管道下采样图像和管道新复原图像输入缺陷识别网络进行缺陷检测,缺陷识别网络结构为Encoder-Decoder,缺陷识别网络的损失函数为交叉熵损失函数。经过缺陷识别编码器Encoder分别对管道下采样图像和管道新复原图像进行卷积、池化,得到管道裂纹区域的特征向量,然后分别经过缺陷识别解码器Decoder反卷积输出两个缺陷概率分布图,将输出的两个缺陷概率分布图中识别为缺陷的像素点进行概率匹配。
由于两个输出的缺陷概率分布图的大小不同,具体的缺陷像素点的概率匹配方法如下:记录当前下采样图像的下采样大小和下采样区域,根据同样的下采样方法,去除掉管道新复原图像中与管道下采样图像中位置不对应的像素点,保留与管道下采样图像中位置对应的像素点,将管道新复原图像中保留的像素点的缺陷概率与管道下采样图像中像素点的缺陷概率进行概率匹配,当一个像素点在两个概率分布图中对应的概率均大于概率阈值时,则判定该像素点为管道裂纹区域的像素点。本实施例设定概率阈值为0.7,在具体应用中,根据需要进行设定。
本实施例在对图像进行下采样的过程中,会将除裂纹缺陷区域像素点外,其他区域部分像素点去除,裂纹区域邻域内的背景会发生变化,导致网络在卷积的过程中像素点的置信度发生变化,变化后的背景图像与裂纹区域像素点在卷积核内部的对比差异不同,从而可能降低缺陷识别精度,为了提高管道裂纹缺陷的识别精度,本实施例获取了管道新复原图像并将其输入到缺陷识别网络中,得到各像素点的概率;虽然管道正常区域各像素点的颜色分布不均匀,管道新复原图像中正常区域像素点的像素值会存在一定的差异,在对管道新复原图像缺陷区域像素点进行识别时,可能会受到管道新复原图像中管道正常区域部分像素点的干扰,导致网络对管道裂纹缺陷的识别精度下降,但是本实施例将管道下采样图像和管道新复原图像都作为缺陷识别网络的输入,得到两个缺陷概率分布图并进行概率匹配,提高了管道裂纹缺陷的识别精度。
本实施例发明获取了管道图像各缺陷区域边缘线,根据各缺陷区域边缘线对应的灰度梯度变化曲线,对各缺陷区域边缘线进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域;本实施例判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道下采样图像,若不重叠,删除管道图像中管道划痕区域各像素点所在行和列,得到管道下采样图像,在保留疑似管道裂纹区域的基础上,尽可能排除管道划痕区域的干扰,能够使最终的判断结果更加准确;本实施例将管道图像划痕区域像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道新复原图像;利用目标网络判断管道下采样图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域,以及利用目标网络判断管道新复原图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域;若判断结果均为是管道裂纹区域,则判定所述管道图像存在裂纹。本实施例将管道下采样图像和管道新复原图像都作为缺陷识别网络的输入,得到两个缺陷概率分布图进行概率匹配,提高了电气管道裂纹的识别精度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于图像处理的电气管道裂纹检测方法,其特征在于,该方法包括以下步骤:
获取管道图像;
对所述管道图像进行边缘检测,得到管道图像中各缺陷区域边缘线;
根据各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线,对各缺陷区域边缘线进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域;
获取管道图像对应的疑似管道裂纹区域和管道划痕区域的各像素点的行号和列号,判断管道图像对应的疑似管道裂纹区域和管道划痕区域的像素点的行号和列号是否重叠,若重叠,将管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道下采样图像;若不重叠,删除管道图像中对应的目标区域,得到管道下采样图像,所述目标区域包括管道划痕区域各像素点所在行和列;
将管道图像中管道划痕区域的像素点对应的像素值用管道正常区域像素点对应的像素值替换,得到管道新复原图像,所述管道正常区域为管道图像中不包括疑似管道裂纹区域和管道划痕区域的区域;
利用目标网络判断管道下采样图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域,以及利用目标网络判断管道新复原图像中疑似管道裂纹区域对应的区域是否为管道裂纹区域;若判断结果均为是管道裂纹区域,则判定所述管道图像存在裂纹。
2.根据权利要求1所述的一种基于图像处理的电气管道裂纹检测方法,其特征在于,所述获取管道图像,包括:
获取管道分布区域图像;
对管道分布区域图像进行灰度化处理,得到管道分布区域的灰度化图像;
对管道分布区域的灰度化图像进行去噪处理,得到去噪后的管道灰度图像;
对所述去噪后的管道灰度图像进行图像分割,得到管道图像。
3.根据权利要求1所述的一种基于图像处理的电气管道裂纹检测方法,其特征在于,得到各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线,包括:
过各缺陷区域边缘线上各像素点作该像素点处切线的垂线;
根据垂线上各像素点的灰度值,构建各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线。
4.根据权利要求1所述的一种基于图像处理的电气管道裂纹检测方法,其特征在于,所述得到管道图像对应的疑似管道裂纹区域和管道划痕区域,包括:
获取各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率;
计算管道图像各缺陷区域各像素点与其对应的邻域内的像素点的灰度均值,根据所述管道图像各缺陷区域各像素点与其对应的邻域内的像素点的灰度均值,计算所述管道图像各缺陷区域的图像复杂度;
根据所述各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率和所述管道图像各缺陷区域的图像复杂度,对所述管道图像各缺陷区域进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域。
5.根据权利要求4所述的一种基于图像处理的电气管道裂纹检测方法,其特征在于,所述根据所述各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率和所述管道图像各缺陷区域的图像复杂度,对所述管道图像各缺陷区域进行分类,得到管道图像对应的疑似管道裂纹区域和管道划痕区域,包括:
判断各缺陷区域边缘线上各像素点对应的灰度梯度变化曲线的斜率是否先为正后为负,以及各缺陷区域边缘线对应的区域的图像复杂度是否小于设定阈值,若判断结果均为是,则判定边缘线对应的区域为管道划痕区域;若判断结果存在否,则判定边缘线对应的区域为疑似管道裂纹区域。
6.根据权利要求1所述的一种基于图像处理的电气管道裂纹检测方法,其特征在于,所述删除管道图像中对应的目标区域,得到管道下采样图像,包括:
获取管道划痕区域的总行数和总列数;
比较管道划痕区域的总行数和总列数的值的大小,若总行数小于总列数,根据管道划痕区域的总列数,删除管道图像中管道划痕区域所在的行、列以及设定行数的正常区域,得到管道下采样图像,所述设定行数为总列数与总行数之差;若总行数等于总列数,删除管道图像中管道划痕区域所在的行和列,得到管道下采样图像;若总行数大于总列数,根据管道划痕区域的总行数,删除管道图像中管道划痕区域所在的行、列以及设定列数的正常区域,得到管道下采样图像,所述设定列数为总行数与总列数之差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995649.6A CN115063430B (zh) | 2022-08-19 | 2022-08-19 | 基于图像处理的电气管道裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210995649.6A CN115063430B (zh) | 2022-08-19 | 2022-08-19 | 基于图像处理的电气管道裂纹检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063430A CN115063430A (zh) | 2022-09-16 |
CN115063430B true CN115063430B (zh) | 2022-10-21 |
Family
ID=83208197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210995649.6A Active CN115063430B (zh) | 2022-08-19 | 2022-08-19 | 基于图像处理的电气管道裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063430B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309557B (zh) * | 2023-05-16 | 2023-08-01 | 山东聚宁机械有限公司 | 一种挖掘机履带板断裂检测方法 |
CN116563288B (zh) * | 2023-07-11 | 2023-09-05 | 深圳市欣精艺科技有限公司 | 一种汽车发动机齿轮螺纹孔检测方法 |
CN117114420B (zh) * | 2023-10-17 | 2024-01-05 | 南京启泰控股集团有限公司 | 一种基于图像识别的工贸安全事故风险管控***和方法 |
CN117237747B (zh) * | 2023-11-14 | 2024-01-26 | 深圳市明鸿五金制品有限公司 | 基于人工智能的五金件缺陷分类识别方法 |
CN117893532B (zh) * | 2024-03-14 | 2024-05-24 | 山东神力索具有限公司 | 基于图像处理的模锻索具用模具裂纹缺陷检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6856662B2 (en) * | 2003-05-13 | 2005-02-15 | Framatome Anp, Inc. | Remote examination of reactor nozzle J-groove welds |
CN112102287B (zh) * | 2020-09-15 | 2021-10-29 | 湖南大学 | 一种基于图像的生球裂纹自动检测与识别方法 |
CN114723701B (zh) * | 2022-03-31 | 2023-04-18 | 厦门力和行自动化有限公司 | 基于计算机视觉的齿轮缺陷检测方法和*** |
-
2022
- 2022-08-19 CN CN202210995649.6A patent/CN115063430B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115063430A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063430B (zh) | 基于图像处理的电气管道裂纹检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN116168026B (zh) | 基于计算机视觉的水质检测方法及*** | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN114972326A (zh) | 热收缩管扩管工艺的次品识别方法 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及*** | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN114549981A (zh) | 一种基于深度学习的智能巡检指针式仪表识别及读数方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
CN117635609B (zh) | 一种塑胶产品生产质量视觉检测方法 | |
CN112017109B (zh) | 一种在线铁谱视频图像气泡的消除方法 | |
CN115205223A (zh) | 透明物体的视觉检测方法、装置、计算机设备及介质 | |
CN115063407A (zh) | 一种用于环形铜垫片的划痕及裂纹识别方法 | |
CN113516619A (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 |
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 |