CN116993745A - 基于图像处理给水管表面漏损检测方法 - Google Patents
基于图像处理给水管表面漏损检测方法 Download PDFInfo
- Publication number
- CN116993745A CN116993745A CN202311267209.XA CN202311267209A CN116993745A CN 116993745 A CN116993745 A CN 116993745A CN 202311267209 A CN202311267209 A CN 202311267209A CN 116993745 A CN116993745 A CN 116993745A
- Authority
- CN
- China
- Prior art keywords
- pixel block
- super pixel
- super
- water supply
- supply pipe
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 title claims abstract description 29
- 230000007797 corrosion Effects 0.000 claims abstract description 71
- 238000005260 corrosion Methods 0.000 claims abstract description 71
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于图像处理给水管表面漏损检测方法,获取预处理后的给水管表面Lab图像,提取给水管区域并获取给水管区域各超像素块;计算各超像素块的边界中心锈蚀差异系数以及区块锈蚀包围度;结合超像素块中心点坐标及颜色信息获取超像素块的融合特征;根据超像素块与边界超像素块的融合特征得到超像素块的锈蚀差异因子;计算各超像素块的锈蚀腐蚀度;根据超像素块的锈蚀腐蚀度及超像素块的空间分布特征得到超像素块的显著性,并获取超像素块的显著优化值,结合最大显著优化值完成给水管表面漏损检测。从而实现给水管表面漏损的精确检测,具有较高检测精度及速度。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于图像处理给水管表面漏损检测方法。
背景技术
市政给水管由于腐蚀,动态荷载、材料老化、安装施工问题等方面原因会出现不同程度的漏损。因此给水管表面检测是十分重要,可以帮助提早发现管道表面的问题,以采取及时有效的措施进行维护和修复,避免管道漏水或损坏进一步加重。传统的管道检测方法存在成本高和误报警率高的缺陷,采用图像处理的方法能够更加准确的判断出给水管道漏损,并且仅通过相机采集的图像进行判断,能够极大程度的节约成本。
通过对漏点类型进行统计,可以得出在日常中给水管最容易出现漏损的情况是接头不佳,因此在检测时应该重点关注接头处的情况。另外水管腐蚀也是一个重要影响因素,与正常管道表面相比,腐蚀的区域颜色上会有较大的对比,故通过图像检测给水管表面的漏损是一个可行的方案。
综上所述,本发明提出基于图像处理给水管表面漏损检测方法,通过相机采集给水管表面图像,提取给水管区域,获取给水管区域的各超像素块,对各超像素块的特征进行提取,进而计算各超像素块的显著性,得到对应的显著优化值,根据各超像素块的显著优化值实现对给水管表面漏损情况的精确检测。
发明内容
为了解决上述技术问题,本发明提供基于图像处理给水管表面漏损检测方法,以解决现有的问题。
本发明的基于图像处理给水管表面漏损检测方法采用如下技术方案:
本发明一个实施例提供了基于图像处理给水管表面漏损检测方法,该方法包括以下步骤:
获取预处理后的给水管表面Lab图像,语义分割得到给水管表面Lab图像中的给水管区域,采用SLIC算法获取给水管区域各超像素块;
对于各超像素块,根据超像素块边界像素点数量以及超像素块各边界像素点与中心像素点之间的关系得到超像素块的边界中心锈蚀差异系数;根据超像素块与邻域超像素块边界中心锈蚀差异系数之间的关系得到超像素块的区块锈蚀包围度;结合超像素块中心点坐标及颜色信息获取超像素块的融合特征;获取超像素块的各边界超像素块;根据超像素块与边界超像素块的融合特征得到超像素块的锈蚀差异因子;根据超像素块的区块锈蚀包围度和超像素块的锈蚀差异因子得到超像素块的锈蚀腐蚀度;
将超像素块的中心点坐标以及像素点个数作为超像素块的空间分布特征,根据超像素块的锈蚀腐蚀度及超像素块的空间分布特征得到超像素块的显著性;根据超像素块的显著性得到超像素块的显著优化值,结合给水管区域中的最大显著优化值完成给水管表面漏损检测。
优选的,所述根据超像素块边界像素点数量以及超像素块各边界像素点与中心像素点之间的关系得到超像素块的边界中心锈蚀差异系数,具体包括:
统计超像素块的边界像素点数量,记为第一数量;
计算超像素块各边界像素点与超像素块中心像素点之间的灰度差值绝对值;
统计灰度差值绝对值大于阈值的边界像素点数量,记为第二数量;
将第一数量与第二数量的比值确定为超像素块的边界中心锈蚀差异系数。
优选的,所述超像素块的区块锈蚀包围度具体包括:将超像素块边界中心锈蚀差异系数与邻域超像素块边界中心锈蚀差异系数差值平方的均值,确定为超像素块的区块锈蚀包围度。
优选的,所述结合超像素块中心点坐标及颜色信息获取超像素块的融合特征,具体包括:
获取超像素块的中心点坐标,计算超像素块中所有像素点的L通道均值、a通道均值、b通道均值,将所述中心点坐标、L通道均值、a通道均值、b通道均值组合作为超像素块的融合特征。
优选的,所述获取超像素块的各边界超像素块,具体包括:
对于超像素块i,其中i代表第i个超像素块;
以超像素块i为中心,将与超像素块i有共同边界的超像素块记为超像素块i的各第一边界超像素块;
同样方法获取所述第一边界超像素块的各第一边界超像素块,将所述第一边界超像素块的各第一边界超像素块作为超像素块i的第二边界超像素块;
所述第一边界超像素块及所述第二边界超像素块均作为超像素块i的边界超像素块。
优选的,所述根据超像素块与边界超像素块的融合特征得到超像素块的锈蚀差异因子,具体包括:
将超像素块与各边界超像素块的融合特征欧式距离的均值作为超像素块的锈蚀差异因子,所述锈蚀差异因子与所述均值成正相关关系。
优选的,所述超像素块的锈蚀腐蚀度为超像素块的区块锈蚀包围度和超像素块的锈蚀差异因子的加权求和,超像素块的锈蚀腐蚀度与所述区块锈蚀包围度以及锈蚀差异因子成正相关关系。
优选的,所述根据超像素块的锈蚀腐蚀度及超像素块的空间分布特征得到超像素块的显著性,表达式为:
式中,为超像素块i的显著性,K为给水管区域的超像素块总数,为空间因子,和分别表示第个和第个超像素块的空间分布特征,和分别代表第个和第个超像
素块的锈蚀腐蚀度,为L2距离。
优选的,所述根据超像素块的显著性得到超像素块的显著优化值,具体包括:
计算超像素块空间分布特征与给水管区域空间分布特征的欧式距离;
将自然常数e作为指数函数的底数,所述欧式距离与控制因子乘积的负数作为指数函数的指数;
超像素块的显著性与所述指数函数的乘积作为超像素块的显著优化值。
优选的,所述结合给水管区域中的最大显著优化值完成给水管表面漏损检测,具体包括:
设定第一阈值及第二阈值,其中第一阈值大于第二阈值;
当给水管区域中最大显著优化值大于第一阈值时,给水管表面漏损严重;
当给水管区域中最大显著优化值处于第一阈值与第二阈值之间时,给水管表面漏损轻微;
当给水管区域中最大显著优化值小于第二阈值时,给水管表面未出现漏损现象。
本发明至少具有如下有益效果:
本发明通过监控相机采集裸露在空气中给水管表面图像,提取给水管区域,解决了无关区域对给水管表面漏损检测精度的影响,提高检测精度。本发明采用SLIC超像素分割算法对给水管区域进行分割,提高了给水管区域表面锈蚀状况的检测速度;本发明通过结合各超像素块的边界超像素块对超像素块的锈蚀腐蚀度进行准确分析,提高了超像素块显著性检测精度,结合超像素块的空间分布特征提高了超像素块的显著性计算准确度,最终本发明根据显著优化值作为给水管表面漏损判断依据进行维修等级的判定,与传统方法相比可以极大的降低检测成本和误报警率。
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为本发明提供的基于图像处理给水管表面漏损检测方法的流程图。
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基于图像处理给水管表面漏损检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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基于图像处理给水管表面漏损检测方法的具体方案。
本发明一个实施例提供的基于图像处理给水管表面漏损检测方法。
具体的,提供了如下的基于图像处理给水管表面漏损检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集给水管表面图像并进行预处理,作为给水管表面漏损检测的基础数据。
给水管在日常使用中因为腐蚀老化等原因会出现不同程度的漏损,并且对于接头处最易出现漏损,当给水管表面出现锈蚀现象时,后面将会加速给水管表面的漏损情况,因此,本实施例将对给水管表面的锈蚀进行检测分析,以获取给水管表面漏损程度。
由于大多数给水管都深埋在地下无法进行图片采集,但是裸露在空气中的铁管更易受到空气、雨水、温度变化等情况,而出现不同程度的锈蚀。因此本实施例采用监控相机采集裸露在室外的给水管表面图像数据,并以此数据对于示例场景进行分析。
相机采集到的数据由于受环境和光照等因素影响,这往往会导致原始图像中存在许多噪声,这样容易导致图像的边界信息过于丰富。对此采用加权的中值滤波对给水管表面图像进行处理,可以有效地减少噪声并且简化图像中的边界信息,并且还可以保留主要的边界信息。需要说明的是,加权中值滤波对图像处理的过程为现有公知技术,不在本实施例保护范围内,在此不做详细阐述。
步骤S002:对给水管区域进行分割,对各超像素块进行显著性检测。
为了方便后续的操作计算,需要将滤波后的图像由RGB颜色空间转换到CIELab颜色空间中。图像的颜色空间转换为现有公知技术,不在本实施例保护范围内,在此不做相关详细阐述。首先对图像中的生锈区域检测,这里结合生锈区域的特征,由于当给水管表面出现锈蚀时,其边界特征和颜色特征尤为明显,本方案通过融合这些特征构建锈蚀程度指标,进行图像的显著性检测。具体计算步骤如下:
当给水管出现锈蚀时,给水管表面将会出现锈蚀,因此要获取给水管在图像中的空间位置信息。此处采用U-Net网络对采集到的给水管表面图像进行语义分割,以此来获取给水管管道的边缘信息,以此得到给水管区域。由于U-Net的训练方式和优化方法为本领域技术人员所周知,不在本实施例保护范围内,因此本实施例不再进行赘述,同时,实施者也可选取其他网络模型对给水管表面图像中的给水管区域进行提取,对此本实施例不做限制。语义分割后获取给水管表面图像的分割图,根据语义信息得到给水管的位置信息和边界信息,考虑到本实施例旨在对管道表面的锈蚀情况进行分析,对图像中其他位置的信息并不关注,本实施例将选取给水管区域进行分析,以提高给水管表面锈蚀检测精度,防止无关区域的影响。
为提高给水管变形锈蚀程度的分析效率,保证检测精度,本实施例首先采用SLIC
算法对给水管区域进行像素聚类,得到根据相似像素点聚类获得的超像素块,一般根据经
验设置分割区域的个数为200个,实施者也可自行设定,本实施例对此不做限制。具体的
超像素分割过程可通过现有技术实现,不在本实施例保护范围内,不做相关阐述。下面无特
殊说明时是以超像素块为基本计算单元。
至此,根据本实施例上述过程可得到给水管区域的超像素块信息,通过计算超像
素块的边界-中心锈蚀差异系数,注意超像素块的边界-中心锈蚀差异系数的计算是以超像
素块内的像素点为基本处理单元。对于各超像素块,通过计算超像素块各边界像素点与超
像素块中心像素点的差异度,得到一个差异序列,该序列的长度为超像素块边界的个数,用表示第个超像素块的边界像素点个数。需要说明的是,本实施例将像素点之间的灰度
差值绝对值作为所述差异度。进一步设定阈值,统计大于阈值的边界像素点的个数为,
由于锈蚀区域是随机无规则的,因此分割得到的超像素块边界并不全是锈蚀区域,当大于
阈值的边界像素点个数比较少表明该像素块位于锈蚀区域的边缘处,说明锈蚀情况较轻。
根据经验设置阈值为150,实施者也可根据实际情况自行设定阈值。由此得到边界中心锈
蚀差异系数:
式中,表示超像素块中所述差异度大于阈值的边界像素点的个数,表示第个超像素块边界像素点的个数。如果超像素块的锈蚀情况比较严重,其中心像素点与边界
像素灰度差异会较大,边界中心锈蚀差异系数也会对应越大。
边界中心锈蚀差异系数只反映一个超像素块的锈蚀的情况,通常当给水管表面发生锈蚀区域是较大的,其内部多个超像素块,因此需要考虑超像素块的邻域信息,由单个超像素块的差异系数计算区块锈蚀包围度:
式中,表示第个超像素块的邻域超像素块的边界中心锈蚀差异系数,n为邻域
超像素块的数目,为超像素块i的区块锈蚀包围度,表示第个超像素块与其邻域超像素
块边界中心锈蚀差异系数之间的关系,表示超像素块之间的锈蚀差异性。如果超像素块被
锈蚀区域包围的情况越严重,其与邻域超像素块的差异值越大,值也越大。因此能够反
映超像素块与其邻域的锈蚀情况,区块锈蚀包围度越大,表明给水管表面的该处位置锈蚀
情况比较严重,出现漏损的可能性越大。
区块锈蚀包围度是计算超像素块与超像素块块之间的关系,反映超像素块与邻域
的锈蚀情况。同时,本实施例考虑到给水管发生锈蚀的区域与正常区域具有一定的颜色差
异,因此,对于各超像素块,将超像素块内所有像素点的L、a、b色彩均值作为该超像素块的
颜色特征,结合每个超像素块中心像素点的位置信息,构建超像素块的融合特征为,其中,分别为超像素块中所有像素点的L、a、b均值,为超像素块中
心像素点的坐标。然后本实施例将获取各超像素块的边界超像素块,所述超像素块的边界
超像素块为:以超像素块i为中心,将与超像素块i有共同边界的超像素块记为超像素块i的
各第一边界超像素块,同样的方法获取所述第一边界超像素块的各第一边界超像素块,将
所述第一边界超像素块的各第一边界超像素块作为超像素块i的第二边界超像素块,所述
第一边界超像素块及第二边界超像素块均为超像素块i的边界超像素块。结合管道的实际
锈蚀情况以及超像素块与边界超像素块之间的关系,计算单个超像素块与边界超像素块之
间的锈蚀差异因子:
式中,为超像素块i的融合特征,表示第j个边界超像素块的融合特征,为之间的欧式距离,表示超像素块i的边界超像素块个数。表明与超像
素块与其他各边界超像素块之间的融合特征差异程度,由于锈蚀是不规则的,当锈蚀越严
重时,超像素块与边界超像素块的融合特征差异越大,则对应锈蚀差异因子也将越大。
最终本实施例将利用超像素块的区块锈蚀包围度和超像素块的锈蚀差异因子,得到每个超像素块的锈蚀腐蚀度:
式中,表示超像素块的区块锈蚀包围度,表示超像素块的锈蚀差异因子,表
示权重系数,实施者可自行设定,本实施例将权重系数设定为0.5,为超像素块i的锈蚀腐
蚀度,其值越大,则对应超像素块与边界超像素块之间的相似程度越低,超像素块的显著性
越高。
通过上述计算得到超像素块的锈蚀腐蚀度,该指标是通过融合超像素块的边界特征和颜色特征所得到的,能够表征超像素块与附近超像素块之间的差异情况,对超像素块所在给水管区域表面锈蚀程度进行检测。在实际情况中,当给水管表面出现锈蚀情况时,锈蚀区域会与周围区域在颜色上有明显不同,并且在边界处的特征尤为突出,同时,在进行超像素块的显著性分析时,需要将超像素块的空间特征纳入显著性的计算中,以提高超像素块的显著性检测精度,准确获取各超像素块的显著性,表达式具体为:
式中,K为给水管区域的超像素块总数,为空间因子,用来控制给水管表面图像分
割后的超像素块的空间特征对图像显著值的影响,一般设置经验值为0.2。和表示第和个超像素块的空间分布特征,代表超像素块的位置和大小的空间特征信息,具体用超像素
块中心像素的坐标以及超像素块内像素点总个数表示,如。表示第和
个超像素块在空间分布特征之间的L2距离,用于表征空间分布特征差异,和代表第和
个超像素块的锈蚀腐蚀度,其中融合了超像素块的边界特征和颜色特征,代表超
像素块之间锈蚀腐蚀度的L2距离。本实施例以超像素块的空间分布特征和锈蚀腐蚀度为依
据计算给水管表面的显著性。
重复上述方法,获取各超像素块的显著性,结合实际的给水管表面锈蚀的场景,本实施例场景针对人为判定易出现锈蚀的区域通过相机进行监测并图像采集,因此,出现漏损位置一般趋于图像的中心位置,依据中心边缘的法则,所以最终每个超像素块的显著优化值被定义为:
式中,为中心边缘原则的控制因子,决定中心位置对超像素块的加强效果,实施
者可根据实际情况自行设定,本实施例不做限制,本实施例中设置经验值为0.2。为给水
管区域空间分布特征,为超像素块i的空间分布特征,代表超像素块i的显著性,为超像素块i的显著优化值。
重复本实施例上述方法可实现对给水管区域的各超像素块的显著优化值进行提取,本实施例上述过程是根据SLIC分割得到的超像素块为处理单元的,其每一个超像素块的显著优化值的大小反映了该超像素块内给水管表面的锈蚀情况。当超像素块的显著优化性值越大表明对应区域锈蚀的情况越严重,越可能出现漏损现象;当超像素块的显著优化值较小时,表明该区域的表面状况较为良好,只需要进行日常维护即可。
步骤S003:根据各超像素块的显著优化值判断漏损情况,评估维护等级。
本实施例将通过各超像素块的显著优化值来进行判断给水管漏损情况,为便于给
水管表面漏损情况的快速分析,本实施例对各超像素块的显著优化值进行归一化处理,保
证显著优化值处于(0,1)。然后将给水管区域中显著优化值最大对应的超像素块作为预选
超像素块,并设定漏损判定条件:当预选超像素块的显著优化值大于t1时,则给水管对应维
护等级设定为严重,及时提示相应工作人员对给水管表面进行检修、维护,防止给水管发生
重大漏损情况;当预选超像素块显著优化值处于时,对应给水管的维护等级设定为
一般,给水管表面漏损轻微,出现微小的锈蚀情况,提示相应工作人员对给水管进行定期查
看;当预选超像素块的显著优化值小于t2时,给水管对应维护等级设定为正常,也即给水管
表面良好,没有出现锈蚀情况。以此为依据提交给维护工作人员,让工作人员根据维护等级
对给水管做相应的检修、查看,减小人力资源消耗,避免不必要的经济损失。其中,,
t1、t2为第一、第二阈值,实施者可自行设定,本实施例设定为。需要说
明的是,对于根据显著优化值设定漏损判定条件本实施例不做限制,实施者可自行定义漏
损判定条件、具体的漏损检测判定结果以及维护等级的设定。
综上所述,本发明实施例通过监控相机采集裸露在空气中给水管表面图像,提取给水管区域,解决了无关区域对给水管表面漏损检测精度的影响,提高检测精度。本发明实施例采用SLIC超像素分割算法对给水管区域进行分割,提高了给水管区域表面锈蚀状况的检测速度;本发明实施例通过结合各超像素块的边界超像素块对超像素块的锈蚀腐蚀度进行准确分析,提高了超像素块显著性检测精度,结合超像素块的空间分布特征提高了超像素块的显著性计算准确度,最终本发明实施例结合显著优化值作为给水管表面漏损判断依据进行维修等级的判定,与传统方法相比可以极大的降低检测成本和误报警率。本发明实施例具有检测精度高、速度快等有益效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (10)
1.基于图像处理给水管表面漏损检测方法,其特征在于,该方法包括以下步骤:
获取预处理后的给水管表面Lab图像,语义分割得到给水管表面Lab图像中的给水管区域,采用SLIC算法获取给水管区域各超像素块;
对于各超像素块,根据超像素块边界像素点数量以及超像素块各边界像素点与中心像素点之间的关系得到超像素块的边界中心锈蚀差异系数;根据超像素块与邻域超像素块边界中心锈蚀差异系数之间的关系得到超像素块的区块锈蚀包围度;结合超像素块中心点坐标及颜色信息获取超像素块的融合特征;获取超像素块的各边界超像素块;根据超像素块与边界超像素块的融合特征得到超像素块的锈蚀差异因子;根据超像素块的区块锈蚀包围度和超像素块的锈蚀差异因子得到超像素块的锈蚀腐蚀度;
将超像素块的中心点坐标以及像素点个数作为超像素块的空间分布特征,根据超像素块的锈蚀腐蚀度及超像素块的空间分布特征得到超像素块的显著性;根据超像素块的显著性得到超像素块的显著优化值,结合给水管区域中的最大显著优化值完成给水管表面漏损检测。
2.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述根据超像素块边界像素点数量以及超像素块各边界像素点与中心像素点之间的关系得到超像素块的边界中心锈蚀差异系数,具体包括:
统计超像素块的边界像素点数量,记为第一数量;
计算超像素块各边界像素点与超像素块中心像素点之间的灰度差值绝对值;
统计灰度差值绝对值大于阈值的边界像素点数量,记为第二数量;
将第一数量与第二数量的比值确定为超像素块的边界中心锈蚀差异系数。
3.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述超像素块的区块锈蚀包围度具体包括:将超像素块边界中心锈蚀差异系数与邻域超像素块边界中心锈蚀差异系数差值平方的均值,确定为超像素块的区块锈蚀包围度。
4.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述结合超像素块中心点坐标及颜色信息获取超像素块的融合特征,具体包括:
获取超像素块的中心点坐标,计算超像素块中所有像素点的L通道均值、a通道均值、b通道均值,将所述中心点坐标、L通道均值、a通道均值、b通道均值组合作为超像素块的融合特征。
5.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述获取超像素块的各边界超像素块,具体包括:
对于超像素块i,其中i代表第i个超像素块;
以超像素块i为中心,将与超像素块i有共同边界的超像素块记为超像素块i的各第一边界超像素块;
同样方法获取所述第一边界超像素块的各第一边界超像素块,将所述第一边界超像素块的各第一边界超像素块作为超像素块i的第二边界超像素块;
所述第一边界超像素块及所述第二边界超像素块均作为超像素块i的边界超像素块。
6.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述根据超像素块与边界超像素块的融合特征得到超像素块的锈蚀差异因子,具体包括:
将超像素块与各边界超像素块的融合特征欧式距离的均值作为超像素块的锈蚀差异因子,所述锈蚀差异因子与所述均值成正相关关系。
7.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述超像素块的锈蚀腐蚀度为超像素块的区块锈蚀包围度和超像素块的锈蚀差异因子的加权求和,超像素块的锈蚀腐蚀度与所述区块锈蚀包围度以及锈蚀差异因子成正相关关系。
8.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述根据超像素块的锈蚀腐蚀度及超像素块的空间分布特征得到超像素块的显著性,表达式为:
式中,为超像素块i的显著性,K为给水管区域的超像素块总数,/>为空间因子,/>和分别表示第/>个和第/>个超像素块的空间分布特征,/>和/>分别代表第/>个和第/>个超像素块的锈蚀腐蚀度,/>为L2距离。
9.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述根据超像素块的显著性得到超像素块的显著优化值,具体包括:
计算超像素块空间分布特征与给水管区域空间分布特征的欧式距离;
将自然常数e作为指数函数的底数,所述欧式距离与控制因子乘积的负数作为指数函数的指数;
超像素块的显著性与所述指数函数的乘积作为超像素块的显著优化值。
10.如权利要求1所述的基于图像处理给水管表面漏损检测方法,其特征在于,所述结合给水管区域中的最大显著优化值完成给水管表面漏损检测,具体包括:
设定第一阈值及第二阈值,其中第一阈值大于第二阈值;
当给水管区域中最大显著优化值大于第一阈值时,给水管表面漏损严重;
当给水管区域中最大显著优化值处于第一阈值与第二阈值之间时,给水管表面漏损轻微;
当给水管区域中最大显著优化值小于第二阈值时,给水管表面未出现漏损现象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267209.XA CN116993745B (zh) | 2023-09-28 | 2023-09-28 | 基于图像处理给水管表面漏损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311267209.XA CN116993745B (zh) | 2023-09-28 | 2023-09-28 | 基于图像处理给水管表面漏损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993745A true CN116993745A (zh) | 2023-11-03 |
CN116993745B CN116993745B (zh) | 2023-12-19 |
Family
ID=88527008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311267209.XA Active CN116993745B (zh) | 2023-09-28 | 2023-09-28 | 基于图像处理给水管表面漏损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993745B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2020133170A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 图像处理方法和装置 |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及*** |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115760762A (zh) * | 2022-11-17 | 2023-03-07 | 香港中文大学(深圳) | 一种锈蚀检测方法,检测装置及存储介质 |
US20230177801A1 (en) * | 2021-11-30 | 2023-06-08 | Viettel Group | Method of salient object detection in images |
CN116363122A (zh) * | 2022-12-05 | 2023-06-30 | 南通海驹钢结构有限公司 | 基于人工智能的钢材焊缝裂纹检测方法及*** |
US20230252644A1 (en) * | 2022-02-08 | 2023-08-10 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for unsupervised superpixel-driven instance segmentation of remote sensing image |
-
2023
- 2023-09-28 CN CN202311267209.XA patent/CN116993745B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2020133170A1 (zh) * | 2018-12-28 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 图像处理方法和装置 |
US20230177801A1 (en) * | 2021-11-30 | 2023-06-08 | Viettel Group | Method of salient object detection in images |
US20230252644A1 (en) * | 2022-02-08 | 2023-08-10 | Ping An Technology (Shenzhen) Co., Ltd. | System and method for unsupervised superpixel-driven instance segmentation of remote sensing image |
CN114998310A (zh) * | 2022-07-11 | 2022-09-02 | 道格特半导体科技(江苏)有限公司 | 基于图像处理的显著性检测方法及*** |
CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
CN115760762A (zh) * | 2022-11-17 | 2023-03-07 | 香港中文大学(深圳) | 一种锈蚀检测方法,检测装置及存储介质 |
CN116363122A (zh) * | 2022-12-05 | 2023-06-30 | 南通海驹钢结构有限公司 | 基于人工智能的钢材焊缝裂纹检测方法及*** |
Non-Patent Citations (4)
Title |
---|
兰叶深;刘文军;毛建辉;: "基于视觉显著性的轴承表面缺陷检测算法的研究", 自动化应用, no. 09 * |
吴青龙;敖成刚;余映;: "基于视觉中心及超像素空间加权的图像显著性检测", 云南大学学报(自然科学版), no. 05 * |
王娟;王萍;王港;: "基于自适应超像素分割的点刻式DPM区域定位算法研究", 自动化学报, no. 05 * |
王海罗;汪渤;周志强;李笋;踪华;: "基于超像素融合算法的显著区域检测", 北京理工大学学报, no. 08 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及*** |
CN117455907B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116993745B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993745B (zh) | 基于图像处理给水管表面漏损检测方法 | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及*** | |
CN114140462A (zh) | 一种基于图像处理的轴承磨损程度评估方法 | |
CN115115638B (zh) | 一种液压***漏油检测及判定方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
CN107316301B (zh) | 一种便捷的污水中悬浮颗粒浓度在线检测*** | |
CN107185854A (zh) | 基于rgb通道的光伏电池片色差检测及颜色分类的算法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN115082744B (zh) | 一种基于人工智能的太阳能集热效率分析方法及*** | |
CN110210060B (zh) | 太阳能光伏板表面积灰程度的预测方法 | |
CN108053412A (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN103852018A (zh) | 基于图像处理的输电线路覆冰厚度测量算法 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN116342586B (zh) | 基于机器视觉的路面质量检测方法 | |
CN114627316A (zh) | 基于人工智能的液压***漏油检测方法 | |
CN116091719B (zh) | 一种基于物联网的河道数据管理方法及*** | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN112560895A (zh) | 一种基于改进PSPNet网络的桥梁裂缝检测方法 | |
CN114639064B (zh) | 一种水位识别方法及装置 | |
CN109146888A (zh) | 一种基于差商分析的土裂隙分形维数计算方法 | |
CN114049320A (zh) | 一种基于图片相似度的器件缺失ai质检方法与装置 | |
CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN114723691A (zh) | 基于人工智能的液压***漏油故障程度检测方法 |
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 |