CN117173187B - 一种阀门故障智能检测*** - Google Patents

Abstract

本发明涉及阀门故障检测技术领域，具体涉及一种阀门故障智能检测***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：获取阀门表面灰度图像；根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异得到像素点的异常程度，进而获得疑似异常像素点，获得疑似异常像素点的噪声程度；根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值，利用权值对Sobel算子进行调整，利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测得到边缘检测结果，根据边缘检测结果获取阀门故障检测结果。本发明能够获得较为准确的阀门故障检测结果。

Description

一种阀门故障智能检测***

技术领域

本发明涉及阀门故障检测技术领域，具体涉及一种阀门故障智能检测***。

背景技术

阀门是一种用于控制流体流动的机械装置，常用于工业、建筑和船舶等领域。阀门的表面缺陷容易影响阀门的寿命和性能，因此，通过识别阀门表面的缺陷区域对阀门进行故障检测就显得尤为重要，可以防止阀门设备故障、提高阀门使用寿命、提高安全性和降低维护成本等。通过机器视觉识别阀门表面的缺陷部分可以提高故障检测的效果和准确性。

传统的方法是通过边缘检测获取阀门边缘信息，基于阀门表面图像的边缘信息特征对阀门进行故障检测。但是由于环境等客观因素导致采集的图像中存在噪声，噪声对图像中边缘信息提取具有较大的影响，导致边缘检测结果较不准确，进而导致阀门故障检测结果较不准确。

发明内容

为了解决阀门故障检测结果较不准确的技术问题，本发明的目的在于提供一种阀门故障智能检测***，所采用的技术方案具体如下：

本发明提供了一种阀门故障智能检测***，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取阀门表面灰度图像；

根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异，得到阀门表面灰度图像中像素点的异常程度；根据异常程度对像素点进行筛选得到疑似异常像素点；

根据疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，得到疑似异常像素点的噪声程度；

根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值，利用权值对Sobel算子进行调整，利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测得到边缘检测结果，根据边缘检测结果获取阀门故障检测结果。

优选地，所述根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异，得到阀门表面灰度图像中像素点的异常程度，具体包括：

将阀门表面灰度图像中任意一个像素点记为目标像素点，根据目标像素点的灰度值与阀门表面灰度图像的灰度均值之间的差异得到第一系数，根据目标像素点的灰度值与其邻域内像素点的灰度值之间的差异得到第二系数；根据第一系数和第二系数得到目标像素点的异常程度，所述第一系数和第二系数均与异常程度呈正相关关系。

优选地，所述根据目标像素点的灰度值与阀门表面灰度图像的灰度均值之间的差异得到第一系数具体为：

获取阀门表面灰度图像中所有像素点的灰度值的均值，计算目标像素点的灰度值与所述灰度值的均值之间的差值绝对值，将差值绝对值与最大灰度值之间的比值作为目标像素点的第一系数。

优选地，所述根据目标像素点的灰度值与其邻域内像素点的灰度值之间的差异得到第二系数具体为：

获取目标像素点与其邻域内每个像素点之间灰度值的差值绝对值的均值，记为目标像素点的差异均值，将目标像素点与其邻域内像素点之间灰度值的差异绝对值的最大值记为目标像素点的最大灰度差异；将阀门表面灰度图像中所有像素点的差异均值的平均值作为特征差异；获取最大灰度差异与特征差异之间的差值绝对值得到调节系数；

将目标像素点的差异均值与特征差异之间的差值绝对值与调节系数之间的乘积作为目标像素点的第二系数。

优选地，所述根据疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，得到疑似异常像素点的噪声程度，具体包括：

对于阀门表面灰度图像中任意一个疑似异常像素点，获取疑似异常像素点所在行的所有像素点的灰度值，构成第一灰度序列，并获取与疑似异常像素点所在行的相邻行所有像素点的灰度值构成，第二灰度序列；将第一灰度序列中疑似异常像素点的灰度值删除得到灰度缺失序列；

获取第一灰度序列与第二灰度序列之间的差异距离得到第一差异，获取灰度缺失序列与第二灰度序列之间的差异距离得到第二差异，根据第一差异和第二差异之间的差异情况得到疑似异常像素点在阀门表面灰度图像中的噪声特征系数；

根据疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的噪声特征系数得到第三系数；将疑似异常像素点在阀门表面灰度图像中的噪声特征系数与第三系数的乘积作为疑似异常像素点的噪声程度。

优选地，所述根据第一差异和第二差异之间的差异情况得到疑似异常像素点在阀门表面灰度图像中的噪声特征系数具体为：

若第一差异小于第二差异，则疑似异常像素点在阀门表面灰度图像中的噪声特征系数的取值为第一预设值；

若第一差异大于或等于第二差异，则将第一差异和第二差异之间的差值作为疑似异常像素点在阀门表面灰度图像中的噪声特征系数，此时噪声特征系数的取值大于第一预设值。

优选地，所述根据疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的噪声特征系数得到第三系数具体为：

获取阀门表面灰度图像的图像金字塔，对图像金字塔中每层图像进行插值处理获得与阀门表面灰度图像尺寸相同的特征图像；

对于任意一个疑似异常像素点，分别获取疑似异常像素点在每个特征图像中的噪声特征系数，计算疑似异常像素点在图像金字塔中每相邻两层图像对应的特征图像中的噪声特征系数之间的差异绝对值得到突变指标，将所有突变指标的最大值作为第三系数。

优选地，所述根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值具体为：

对于任意一个疑似异常像素点，获取疑似异常像素点的异常程度和噪声程度的乘积，将乘积的负相关归一化值作为疑似异常像素的权值。

优选地，所述根据异常程度对像素点进行筛选得到疑似异常像素点具体为：

将异常程度大于预设的异常阈值对应的像素点记为疑似异常像素点。

优选地，述根据边缘检测结果获取阀门故障检测结果具体为：

将阀门表面灰度图像中的闭合边缘构成的区域记为待分析区域，计算每个待分析区域中像素点的灰度值的均值得到待分析区域的第一均值，将阀门表面灰度图像中所有像素点的灰度值的均值记为第二均值，将第一均值大于第二均值对应的待分析区域记为缺陷区域，当缺陷区域的总面积大于预设的面积阈值时，阀门故障检测结果为存在故障。

本发明实施例至少具有如下有益效果：

本发明首先获取阀门表面灰度图像，通过对阀门表面灰度图像中像素点的灰度值和像素点的灰度差异进行分析，考虑了阀门表面灰度图像中噪声点的灰度特征，获得像素点的异常程度，利用异常程度表征像素点存在异常的可能性，进而基于像素点存在的可能性大小对像素点进行筛选，获得疑似异常像素点，即利用异常程度对像素点进行初步筛选。然后，通过分析疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，对疑似异常像素点是噪声点的可能性进行进一步的分析，考虑了疑似异常像素点缺失后对图像中灰度分布情况的影响，能够较为准确的表征像素点为噪声点的可能性。最后，结合疑似异常像素点两个方面的特征指标，获得对应的权值，利用权值能够自适应的对Sobel算子进行调整，使得利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测能够较为准确的边缘检测结果，进而能够获得较为准确的阀门故障检测结果。

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是本发明实施例的一种阀门故障智能检测***所执行的方法的流程图。

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阀门故障智能检测***，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一种阀门故障智能检测***的具体方案。

本发明的主要目的是：通过分别对阀门表面灰度图像中像素点的灰度值差异情况进行分析，判断可能存在异常的像素点在不同尺度下的图像中缺失后的灰度分布情况，进而获得可能存在异常的像素点为噪声点的可能性，利用像素点存在异常的程度和为噪声点的可能性获得权值，进而对Sobel算子进行调整，获得调整后的Sobel算子，能够获得较为准确的梯度方法，根据梯度方向提取较为准确的亚像素坐标，最终能够获得较为准确的边缘信息，利用边缘信息进行故障检测。

本发明提供了一种阀门故障智能检测***，该***以实现如图1所示的步骤，具体步骤如下：

步骤一，获取阀门表面灰度图像。

通过摄像头采集阀门表面图像，并对阀门表面图像进行灰度化处理得到灰度图像，由于灰度图像中包含了背景部分，故在本实施例中，采用语义分割的方法去除灰度图像中的背景部分得到阀门表面灰度图像。

其中，语义分割网络采用DNN网络，语义分割网络的相关内容包括：数据集为多张阀门表面对应的灰度图像；标签为两类，阀门表面部分和背景部分，打标签的过程为像素级分类，需要给灰度图像中所有像素点标注上对应的标签，将属于阀门表面部分的像素点标注为1，将属于背景部分的像素点标注为0；网络使用的损失函数为交叉熵损失函数。

对采集到阀门表面对应的灰度图像使用训练完成的语义分割网络模型进行处理，得到阀门表面灰度图像。

步骤二，根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异，得到阀门表面灰度图像中像素点的异常程度；根据异常程度对像素点进行筛选得到疑似异常像素点。

在阀门表面存在正常的纹理信息，也可能存在缺陷部分，而由于环境等客观因素导致采集到的阀门表面灰度图像中存在一定的噪声点，可能会影响提取阀门表面灰度图像中的梯度信息的准确性，故需要对阀门表面灰度图像中像素点的灰度和像素点的灰度差异进行分析。

不存在故障的阀门表面较为光滑，对应的阀门表面灰度图像中的灰度分布较为均匀，存在缺陷的部分像素点灰度值较大，且分布较为聚集，而噪声点的分布较为离散，故可结合像素点的自身灰度分布情况和像素点的灰度值，对像素点的异常情况进行分析。

基于此，将阀门表面灰度图像中任意一个像素点记为目标像素点，根据目标像素点的灰度值与阀门表面灰度图像的灰度均值之间的差异得到第一系数，根据目标像素点的灰度值与其邻域内像素点的灰度值之间的差异得到第二系数；根据第一系数和第二系数得到目标像素点的异常程度，所述第一系数和第二系数均与异常程度呈正相关关系。

其中，获取阀门表面灰度图像中所有像素点的灰度值的均值，计算目标像素点的灰度值与所述灰度值的均值之间的差值绝对值，将差值绝对值与最大灰度值之间的比值作为目标像素点的第一系数。获取目标像素点与其邻域内每个像素点之间灰度值的差值绝对值的均值，记为目标像素点的差异均值，将目标像素点与其邻域内像素点之间灰度值的差异绝对值的最大值记为目标像素点的最大灰度差异；将阀门表面灰度图像中所有像素点的差异均值的平均值作为特征差异；获取最大灰度差异与特征差异之间的差值绝对值得到调节系数；将目标像素点的差异均值与特征差异之间的差值绝对值与调节系数之间的乘积作为目标像素点的第二系数。

在本实施例中，将阀门表面灰度图像中第i个像素点作为目标像素点，则目标像素点的第二系数的计算公式可以表示为：

其中，表示第i个像素点的第二系数，/>表示第i个像素点的最大灰度差异，/>表示阀门表面灰度图像的特征差异，/>表示第i个像素点的灰度值，/>表示第i个像素点的邻域内第z个像素点的灰度值，/>表示第i个像素点的邻域内包含的像素点的总数量。

表示第i个像素点与其邻域内像素点之间灰度值的差异情况，其取值越大，说明第i个像素点与其邻域内像素点之间的灰度差异较大，/>表示第i个像素点的差异均值，反映了像素点与其邻域内像素点之间的灰度差异的均衡情况。

特征差异表征了阀门表面灰度图像中所有像素点与其对应邻域内像素点的灰度差异的均衡情况，从整体上反映了像素点的灰度差异分布情况，/>表示目标像素点的差异均值与特征差异之间的差异情况，其取值越大，说明目标像素点周围的灰度变化与阀门表面灰度图像整体相比差异越大，进而说明目标像素点周围的灰度分布较不均匀，对应的第二系数的取值越大。

为调节系数，其取值越大，表示目标像素点周围的最大的灰度变化情况与图像整体相比差异越大，利用调节系数对目标像素点的差异均值与特征差异之间的差异情况进行调节，目标像素点的邻域范围内最大灰度差异与特征差异之间的差异越大，对应的目标像素点的周围灰度分布情况越不均匀。第二系数表征了目标像素点周围的灰度分布均匀程度，第二系数的取值越大，像素点周围的灰度分布越不均匀。

通过对像素点的灰度差异进行分析，获得了像素点周围的灰度分布均匀程度，进而需要进一步结合像素点的灰度值对像素点的异常情况进行分析，则目标像素点的异常程度的计算公式可以表示为：

其中，表示第i个像素点的异常程度，即目标像素点的异常程度；/>表示第i个像素点的灰度值，/>表示阀门表面灰度图像中所有像素点的灰度值的均值，最大灰度值为255，表示第i个像素点的第二系数，ε为超参数，在本实施例中的取值为0.01，为了防止分母为0，exp()表示以自然常数e为底的指数函数，/>表示对第二系数进行正相关归一化处理，实施者也可根据具体实施场景进行设置。

为第一系数，反映了像素点的灰度值与阀门表面灰度图像整体灰度均值之间的差异，由于阀门表面灰度图像中正常像素点的数量较多，图像整体的灰度均值能够表征较为正常的情况。第一系数的取值越大时，说明像素点的灰度值与图像整体之间的偏离程度越大，说明像素点存在异常的可能性越大，对应的异常程度取值越大。第二系数的取值越大，像素点周围的灰度分布越不均匀，像素点存在异常的可能性越大，对应的异常程度取值越大。

像素点的异常程度表征了像素点存在异常的可能性大小，异常程度的取值越大，对应的像素点存在异常的可能性越大，异常程度的取值越小，对应的像素点存在异常的可能性越小。基于此，可以根据异常程度对像素点进行筛选得到疑似异常像素点。

具体地，将异常程度大于预设的异常阈值对应的像素点记为疑似异常像素点。在本实施例中，异常阈值的取值为0.75，实施者可根据具体实施场景进行设置。当像素点的异常程度大于0.75时，说明像素点存在异常的可能性较大，故将其作为疑似异常像素点进行进一步的分析。当像素点的异常程度小于或等于0.75，说明像素点存在异常的可能性较小，将这类像素点看作正常像素点。

步骤三，根据疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，得到疑似异常像素点的噪声程度。

在筛选出疑似异常像素点后，进一步对疑似异常像素点分布的规律性和在不同尺度图像下像素点的消失情况，获取像素点为噪声点的可能性大小。由于噪声点的位置分布是随机分布且没有规律的，而阀门表面灰度图像中正常纹理像素点的分布较为规则。但是在局部范围内噪声点和纹理像素点的分布情况无法较为准确的判断，利用滤波器进行去噪处理时，可能导致正常的纹理信息被去除，导致图像丢失细节纹理。

基于此，可以首先根据像素点在图像中的消失情况，判断像素点是噪声点的可能性大小，消失情况越严重的像素点是噪声点的可能性越大。

具体地，对于阀门表面灰度图像中任意一个疑似异常像素点，获取疑似异常像素点所在行的所有像素点的灰度值构成第一灰度序列，并获取与疑似异常像素点所在行的相邻行所有像素点的灰度值构成第二灰度序列。例如，对于第u个疑似异常像素点，获取第u个疑似异常像素点在阀门表面灰度图像中所在行为第x行，则第x+1行为第x行的相邻行，进而第x行所有像素点的灰度值组成第一灰度序列，第x+1行所有像素点的灰度值组成第二灰度序列。

将第一灰度序列中疑似异常像素点的灰度值删除得到灰度缺失序列；获取第一灰度序列与第二灰度序列之间的差异距离得到第一差异，获取灰度缺失序列与第二灰度序列之间的差异距离得到第二差异，根据第一差异和第二差异之间的差异情况得到疑似异常像素点在阀门表面灰度图像中的噪声特征系数。

在本实施例中，将第一灰度序列和第二灰度序列之间的DTW距离作为差异距离，得到第一差异。将灰度缺失序列与第二灰度序列之间的DTW距离作为差异距离，得到第二差异。第一差异反映了疑似异常像素点未缺失前，阀门表面灰度图像中疑似异常像素点周围的像素分布相似情况，第二差异反映了疑似异常像素点缺失后，阀门表面灰度图像中像素分布的相似情况。

若第一差异小于第二差异，说明疑似异常像素点缺失后，阀门表面灰度图像中相邻行的灰度分布的差异变小，即疑似异常像素点的缺失反而使得阀门表面灰度图像中的灰度分布更加均匀，进而说明疑似异常像素点为噪声点的可能性越小，则疑似异常像素点在阀门表面灰度图像中的噪声特征系数的取值为第一预设值。在本实施例中，第一预设值的取值为0.01，即第一预设值的取值应当设置为极小正数，实施者可根据具体实施场景进行设置。

若第一差异大于或等于第二差异，说明疑似异常像素点缺失后，阀门表面灰度图像中相邻行的灰度分布的差异变大，即疑似异常像素点的缺失导致了阀门表面灰度图像中的灰度分布变化较大，进而说明疑似异常像素点为噪声点的可能性越大。则将第一差异和第二差异之间的差值作为疑似异常像素点在阀门表面灰度图像中的噪声特征系数，此时噪声特征系数的取值大于第一预设值。噪声特征系数表征了疑似异常像素点的缺失情况对阀门表面灰度图像中的灰度分布情况的影响程度。其取值越小，影响程度越小，其取值越大，影响程度越大。

进一步的，仅分析阀门表面灰度图像中疑似异常像素点的缺失情况对图像中灰度分布的影响精度不高，故在本发明实施例中通过对不同尺度下的图像进行综合分析，提高噪声点的判断的准确度。

根据疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的噪声特征系数得到第三系数，具体地，获取阀门表面灰度图像的图像金字塔。其中，图像金字塔的获取方法为公知技术，在此不再过多介绍。

在本实施例中，将阀门表面灰度图像作为底层图像，进行下采样得到图像金字塔，图像金字塔中每层图像的分辨率不同且图像尺度不同，为了后续能够对疑似异常像素点在不同尺度图像中的噪声特征系数进行分析，需要将图像金字塔中每层图像进行尺度变换，使其与阀门表面灰度图像的尺寸相同。即对图像金字塔中每层图像进行插值处理获得与阀门表面灰度图像尺寸相同的特征图像，对图像进行插值处理为公知技术，在此不再过多介绍。

对于任意一个疑似异常像素点，分别获取疑似异常像素点在每个特征图像中的噪声特征系数，具体地，对于任意一个特征图像，获取疑似异常像素点在特征图像上对应位置处的像素点记为匹配像素点，按照疑似异常像素点的噪声特征系数的获取方法，获得匹配像素点在特征图像上的噪声特征系数，进而匹配像素点在特征图像上的噪声特征系数也可被称作对应疑似异常像素点在特征图像上的噪声特征系数。

计算疑似异常像素点在图像金字塔中每相邻两层图像对应的特征图像中的噪声特征系数之间的差异绝对值得到突变指标，将所有突变指标的最大值作为第三系数。例如，在图像金字塔中，计算疑似异常像素点在第t层图像对应的特征图像与第t+1层图像对应的特征图像上的噪声特征系数之间的差异绝对值得到突变指标，突变指标反映了图像金字塔中相邻两层图像中疑似异常像素点的缺失情况对图像灰度分布的影响程度变化情况，突变指标的取值越大，说明影响程度变化越大，故将所有突变指标的最大值作为第三系数，利用第三系数表征了疑似异常像素点缺失情况对图像灰度分布的突变影响程度。

最后，结合疑似异常像素点在原始的阀门表面灰度图像中的影响程度，以及基于不同尺度下的图像获得的突变影响程度，获得疑似异常像素点为噪声的可能性大小。即将疑似异常像素点在阀门表面灰度图像中的噪声特征系数与第三系数的乘积作为疑似异常像素点的噪声程度。

疑似异常像素点在阀门表面灰度图像中的噪声特征系数的取值越大，说明疑似异常像素点缺失后对阀门表面灰度图像的灰度分布情况影响程度越大，第三系数的取值越大，说明疑似异常像素点在不同尺度图像中出现突变影响程度越大，对应的噪声程度越大，说明疑似异常像素点越可能为噪声点。

步骤四，根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值，利用权值对Sobel算子进行调整，利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测得到边缘检测结果，根据边缘检测结果获取阀门故障检测结果。

由于在获取像素点的梯度信息的窗口内有噪声点的存在，导致整个窗口的梯度信息计算不准确，进而导致对阀门表面灰度图像进行边缘检测的结果较不准确，因此，可以基于阀门表面灰度图像中像素点为噪声点的可能性大小调整窗口内像素点进行梯度信息计算时的权重。

根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值，具体地，对于任意一个疑似异常像素点，获取疑似异常像素点的异常程度和噪声程度的乘积，将乘积的负相关归一化值作为疑似异常像素的权值，疑似异常像素的权值的计算公式可以表示为：

其中，表示第k个疑似异常像素点的权值，/>表示第k个疑似异常像素点的异常程度，/>表示第k个疑似异常像素点的噪声程度，Norm()表示归一化函数，在本实施例中采用最大值最小值归一化。

疑似异常像素点的异常程度的取值越大，噪声程度的取值越大，说明疑似异常像素点为噪声点的可能性越大，对应的权值越小。进而获得每个疑似异常像素点的权值，利用权值对Sobel算子进行调整，即在利用Sobel算子获取阀门表面灰度图像中每个像素点的梯度信息时，每个像素点均对应一个权值，利用权值对Sobel算子中卷积因子进行加权，得到调整后的Sobel卷积因子，进而利用调整后的Sobel算子获取阀门表面灰度图像中每个像素点的边缘信息。

需要说明的是，在上述步骤中，仅对疑似异常像素点进行分析，获得每个疑似异常像素点对应的权值，而阀门表面灰度图像中的正常像素点不需要对其进行多余的处理，故在本实施例中，将正常像素点对应的权值的取值设置为1。

利用调整后的Sobel算子能够获得阀门表面灰度图像中每个像素点较为准确的边缘信息，进而基于像素点的边缘信息利用边缘检测算法获取阀门表面灰度图像中的边缘，得到阀门表面灰度图像的边缘检测结果。其中，在本实施例中，根据像素点的边缘信息采用canny边缘检测算法获取阀门表面灰度图像对应的边缘检测结果。

最后，根据边缘检测结果能够获得较为准确的阀门表面故障检测结果。具体地，基于canny边缘检测算法获取的大致边缘，再利用亚像素轮廓提取算法获取进一步精确的边缘信息，亚像素轮廓提取算法为公知技术，在此不再过多介绍，然后将阀门表面灰度图像中的闭合边缘构成的区域记为待分析区域，计算每个待分析区域中像素点的灰度值的均值得到待分析区域的第一均值，将阀门表面灰度图像中所有像素点的灰度值的均值记为第二均值。将第一均值大于第二均值对应的待分析区域记为缺陷区域，当缺陷区域的总面积大于预设的面积阈值时，阀门故障检测结果为存在故障。当不存在缺陷区域或者缺陷区域的总面积小于或等于预设的面积阈值时，阀门的故障检测结果为正常运行。其中，面积阈值的取值为阀门表面灰度图像的总面积的30%，实施者也可以根据具体实施场景进行设置。

综上所述，由于传统的边缘提取算法容易受噪声的影响，导致亚像素坐标定位不准确，故本发明通过对阀门表面灰度图像中像素点的灰度值和像素点的灰度差异进行分析，考虑了阀门表面灰度图像中噪声点的灰度特征，利用异常程度表征像素点存在异常的可能性，进而基于像素点存在的可能性大小对像素点进行筛选，即利用异常程度对像素点进行初步筛选。然后，对疑似异常像素点是噪声点的可能性进行进一步的分析，考虑了疑似异常像素点缺失后对图像中灰度分布情况的影响。最后，结合疑似异常像素点两个方面的特征指标，获得对应的权值，利用权值能够自适应的对Sobel算子进行调整，使得利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测能够较为准确的边缘检测结果。提高了阀门缺陷识别的准确度，可以降低阀门设备故障检测的准确度，以便后续相关工作对阀门进行分析故障原因并能够及时具有针对性的对其进行整修或者替换，提高提高安全性，降低维护成本。

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；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，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)

1.一种阀门故障智能检测***，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取阀门表面灰度图像；

根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异，得到阀门表面灰度图像中像素点的异常程度；根据异常程度对像素点进行筛选得到疑似异常像素点；

根据疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，得到疑似异常像素点的噪声程度；

根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值，利用权值对Sobel算子进行调整，利用调整后的Sobel算子对阀门表面灰度图像进行边缘检测得到边缘检测结果，根据边缘检测结果获取阀门故障检测结果。

2.根据权利要求1所述的一种阀门故障智能检测***，其特征在于，所述根据阀门表面灰度图像中像素点的灰度值和像素点的灰度差异，得到阀门表面灰度图像中像素点的异常程度，具体包括：

将阀门表面灰度图像中任意一个像素点记为目标像素点，根据目标像素点的灰度值与阀门表面灰度图像的灰度均值之间的差异得到第一系数，根据目标像素点的灰度值与其邻域内像素点的灰度值之间的差异得到第二系数；根据第一系数和第二系数得到目标像素点的异常程度，所述第一系数和第二系数均与异常程度呈正相关关系。

3.根据权利要求2所述的一种阀门故障智能检测***，其特征在于，所述根据目标像素点的灰度值与阀门表面灰度图像的灰度均值之间的差异得到第一系数具体为：

获取阀门表面灰度图像中所有像素点的灰度值的均值，计算目标像素点的灰度值与所述灰度值的均值之间的差值绝对值，将差值绝对值与最大灰度值之间的比值作为目标像素点的第一系数。

4.根据权利要求2所述的一种阀门故障智能检测***，其特征在于，所述根据目标像素点的灰度值与其邻域内像素点的灰度值之间的差异得到第二系数具体为：

获取目标像素点与其邻域内每个像素点之间灰度值的差值绝对值的均值，记为目标像素点的差异均值，将目标像素点与其邻域内像素点之间灰度值的差异绝对值的最大值记为目标像素点的最大灰度差异；将阀门表面灰度图像中所有像素点的差异均值的平均值作为特征差异；获取最大灰度差异与特征差异之间的差值绝对值得到调节系数；

将目标像素点的差异均值与特征差异之间的差值绝对值与调节系数之间的乘积作为目标像素点的第二系数。

5.根据权利要求1所述的一种阀门故障智能检测***，其特征在于，所述根据疑似异常像素点缺失后图像灰度分布情况和疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的缺失分布情况，得到疑似异常像素点的噪声程度，具体包括：

对于阀门表面灰度图像中任意一个疑似异常像素点，获取疑似异常像素点所在行的所有像素点的灰度值，构成第一灰度序列，并获取与疑似异常像素点所在行的相邻行所有像素点的灰度值构成，第二灰度序列；将第一灰度序列中疑似异常像素点的灰度值删除得到灰度缺失序列；

获取第一灰度序列与第二灰度序列之间的差异距离得到第一差异，获取灰度缺失序列与第二灰度序列之间的差异距离得到第二差异，根据第一差异和第二差异之间的差异情况得到疑似异常像素点在阀门表面灰度图像中的噪声特征系数；

根据疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的噪声特征系数得到第三系数；将疑似异常像素点在阀门表面灰度图像中的噪声特征系数与第三系数的乘积作为疑似异常像素点的噪声程度。

6.根据权利要求5所述的一种阀门故障智能检测***，其特征在于，所述根据第一差异和第二差异之间的差异情况得到疑似异常像素点在阀门表面灰度图像中的噪声特征系数具体为：

若第一差异小于第二差异，则疑似异常像素点在阀门表面灰度图像中的噪声特征系数的取值为第一预设值；

若第一差异大于或等于第二差异，则将第一差异和第二差异之间的差值作为疑似异常像素点在阀门表面灰度图像中的噪声特征系数，此时噪声特征系数的取值大于第一预设值。

7.根据权利要求5所述的一种阀门故障智能检测***，其特征在于，所述根据疑似异常像素点在阀门表面灰度图像对应的不同尺寸图像中的噪声特征系数得到第三系数具体为：

获取阀门表面灰度图像的图像金字塔，对图像金字塔中每层图像进行插值处理获得与阀门表面灰度图像尺寸相同的特征图像；

对于任意一个疑似异常像素点，分别获取疑似异常像素点在每个特征图像中的噪声特征系数，计算疑似异常像素点在图像金字塔中每相邻两层图像对应的特征图像中的噪声特征系数之间的差异绝对值得到突变指标，将所有突变指标的最大值作为第三系数。

8.根据权利要求1所述的一种阀门故障智能检测***，其特征在于，所述根据疑似异常像素点的异常程度和噪声程度得到疑似异常像素点的权值具体为：

对于任意一个疑似异常像素点，获取疑似异常像素点的异常程度和噪声程度的乘积，将乘积的负相关归一化值作为疑似异常像素的权值。

9.根据权利要求1所述的一种阀门故障智能检测***，其特征在于，所述根据异常程度对像素点进行筛选得到疑似异常像素点具体为：

将异常程度大于预设的异常阈值对应的像素点记为疑似异常像素点。

10.根据权利要求1所述的一种阀门故障智能检测***，其特征在于，所述根据边缘检测结果获取阀门故障检测结果具体为：

将阀门表面灰度图像中的闭合边缘构成的区域记为待分析区域，计算每个待分析区域中像素点的灰度值的均值得到待分析区域的第一均值，将阀门表面灰度图像中所有像素点的灰度值的均值记为第二均值，将第一均值大于第二均值对应的待分析区域记为缺陷区域，当缺陷区域的总面积大于预设的面积阈值时，阀门故障检测结果为存在故障。