CN117218113B - 一种炉管的氧化程度分析方法、装置、计算机设备及介质 - Google Patents
一种炉管的氧化程度分析方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117218113B CN117218113B CN202311460324.9A CN202311460324A CN117218113B CN 117218113 B CN117218113 B CN 117218113B CN 202311460324 A CN202311460324 A CN 202311460324A CN 117218113 B CN117218113 B CN 117218113B
- Authority
- CN
- China
- Prior art keywords
- furnace tube
- image
- distribution
- current
- determining
- 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
- 230000003647 oxidation Effects 0.000 title claims abstract description 53
- 238000007254 oxidation reaction Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 195
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000011282 treatment Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 235000007270 Gaultheria hispida Nutrition 0.000 description 2
- 235000009134 Myrica cerifera Nutrition 0.000 description 2
- 244000269152 Myrica pensylvanica Species 0.000 description 2
- 235000012851 Myrica pensylvanica Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010301 surface-oxidation reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及视觉处理技术领域，尤其涉及一种炉管的氧化程度分析方法、装置、计算机设备及介质，方法包括：获取新炉管外表面的第一图像，得到新炉管外表面的相对粗糙程度，采集当前炉管外表面的第二图像；确定第二图像的像素点强度分布的当前分布状态；对第二图像进行N次高斯噪声处理，直至得到第二图像的像素点强度分布为第一目标分布状态，该第一目标分布状态与标准高斯分布之间KL散度满足阈值；基于N次高斯噪声处理的次数，确定当前炉管外表面的相对粗糙程度；基于当前炉管相对于新炉管的相对粗糙程度，确定当前炉管外表面的氧化程度和氧化皮脱落程度，进而评估炉管在服役期间经历的高温过程，从而为评估炉管的剩余寿命提供了依据。
Description
技术领域
本发明涉及视觉处理技术领域，尤其涉及一种炉管的氧化程度分析方法、装置、计算机设备及介质。
背景技术
高温工业炉在石化、炼化、化肥、冶金等行业中是最核心和重要的设备，该高温工业炉的稳定性直接决定安全生产的风险程度。
其中，高温工业炉主要由高温合金材料的炉管和炉膛组成，其炉管作为高温介质反应容器，需要长期承受高温（900~1200℃），外表面氧化、内表面渗碳，管内结焦、热疲劳以及热冲击等多种因素的作用，超温是导致炉管失效的主要原因之一。为了评估炉管的剩余寿命，需要了解炉管的高温服役过程，其中主要涉及服役高温温度和高温服役时间。
目前，部分企业为炉管配备了高温热电偶和红外测温仪等在线检测设备。其中，高温热电偶仅能对局部某点进行实时测温；红外测温仪受到高温烟气影响，测量数据波动较大。在工业炉停炉检修期间，因为上述数据的局限性，关于炉管每个区域的高温服役过程的数据是不完整的，导致检修和更换炉管的计划很难精准制订。并且，目前有很多企业未配备上述相关设备。在停炉检修期间，对炉管服役高温过程进行分析，目前没有相关技术，如何准确判断炉管受高温影响的程度是目前亟待解决的技术问题。
发明内容
鉴于上述问题，本发明提供了一种克服上述问题或者至少部分地解决上述问题的炉管的氧化程度分析方法、装置、计算机设备及介质。
第一方面，本发明提供了一种炉管的氧化程度分析方法，包括：
获取新炉管外表面的第一图像，所述新炉管为在炉管安装之后且使用之前的炉管；
基于所述第一图像，确定所述新炉管外表面的相对粗糙程度；
采集当前炉管外表面的第二图像，所述当前炉管为经历高温过程使用后的炉管；
基于所述第二图像，确定所述第二图像的像素点强度分布的当前分布状态；
对所述第二图像进行N次高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值；
基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度；
基于所述当前炉管外表面的相对粗糙程度和所述新炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度；
对所述当前炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定所述当前炉管在经历高温过程之后的剩余使用寿命。
优选地，所述采集当前炉管外表面的第二图像，包括：
通过爬管机器人上设置的多个图像采集装置，对所述当前炉管的周向和纵向采集第二图像。
优选地，所述对第二图像进行N次高斯噪声处理，直到得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与所述标准高斯分布之间的KL散度满足阈值，包括：
对所述第二图像进行一次高斯噪声处理，得到第二图像的像素点强度分布的更新分布状态；
判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值；
若否，继续对所述第二图像进行高斯噪声处理，直至得到第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与所述标准高斯分布之间的KL散度满足阈值。
优选地，所述判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值，包括：
按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：；其中， />是所述更新分布状态，/>是标准高斯分布；且/>，其中，/>为所述标准高斯分布的方差，/>为所述标准高斯分布的平均值；
判断所述KL散度是否小于所述阈值。
优选地，所述基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度，包括：
在高斯噪声处理的次数越多时，确定当前炉管外表面相对越光滑，在高斯噪声处理的次数越少时，确定当前炉管外表面相对越粗糙。
优选地，所述基于所述当前炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度，包括：
在所述当前炉管外表面越光滑时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越大；
在所述当前炉管外表面越粗糙时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越小。
优选地，所述基于所述第一图像，确定所述新炉管外表面的相对粗糙程度，包括：
基于所述第一图像，确定所述第一图像的像素点强度分布的初始分布状态；
对所述第一图像进行M次高斯噪声处理，直至得到第一图像的像素点强度分布为第二目标分布状态，所述第二目标分布状态与标准高斯分布之间的KL散度满足阈值；
基于所述M次高斯噪声处理的次数，确定所述新炉管外表面的相对粗糙程度。
第二方面，本发明还提供了一种炉管的氧化程度分析装置，包括：
获取模块，用于获取新炉管外表面的第一图像，所述新炉管为在炉管安装之后且使用之前的炉管；
第一确定模块，用于基于所述第一图像，确定所述新炉管外表面的相对粗糙程度；
采集模块，用于采集当前炉管外表面的第二图像，所述当前炉管为经历高温过程使用后的炉管；
第二确定模块，用于基于所述第二图像，确定所述第二图像的像素点强度分布的当前分布状态；
处理模块，用于对所述第二图像进行N次高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值；
第三确定模块，用于基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度；
第四确定模块，用于基于所述当前炉管外表面的相对粗糙程度和所述新炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度；
第五确定模块，用于对所述炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定所述当前炉管在经历高温过程之后的剩余使用寿命。
第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面中所述的方法步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序,该程序被处理器执行时实现第一方面中所述的方法步骤。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本发明提供了一种炉管的氧化程度分析方法，包括：获取新炉管外表的第一图像，该新炉管为在炉管安装之后且使用之前的炉管；基于第一图像，确定新炉管外表面的相对粗糙程度；采集当前炉管外表面的第二图像，该当前炉管为经历高温过程使用的炉管；基于该第二图像，确定第二图像的像素点强度分布的当前分布状态；对第二图像进行N次高斯噪声处理，直到得到第二图像的像素点强度分布为第一目标分布状态，该第一目标分布状态与标准高斯分布之间的KL散度满足阈值；基于N次高斯噪声处理的次数，确定当前炉管外表面的相对粗糙程度；基于当前炉管外表面的相对粗糙程度与新炉管外表面的相对粗糙程度，确定当前炉管外表面的氧化程度和氧化皮脱落程度，进而通过对当前炉管外表面像素点强度的分布情况进行视觉分析，准确评估出炉管所经历的高温过程，从而为评估炉管剩余寿命提供了依据。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：
图1示出了本发明实施例中炉管的氧化程度分析方法的步骤流程示意图；
图2示出了本发明实施例中采集到当前炉管外表面的第一种图像示意图；
图3示出了本发明实施例中采集到当前炉管外表面的第二种图像示意图；
图4示出了本发明实施例中采集到当前炉管外表面的第三种图像示意图；
图5示出了本发明实施例中采集到当前炉管外表面的第四种图像示意图；
图6示出了本发明实施例中炉管的氧化程度分析装置的结构示意图；
图7示出了本发明实施例中实现炉管的氧化程度分析方法的计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整传达给本领域的技术人员。
实施例一
本发明的实施例提供了一种炉管的氧化程度分析方法，如图1所示，包括：
S101，获取新炉管外表面的第一图像，该新炉管为在炉管安装之后且使用之前的炉管；
S102，基于第一图像，确定新炉管外表面的相对粗糙程度；
S103，采集当前炉管外表面的第二图像，当前炉管为经历高温过程使用后的炉管；
S104，基于该第二图像，确定第二图像的像素点强度分布的当前分布状态；
S105，对第二图像进行N次高斯噪声处理，直到得到第二图像的像素点强度分布为第一目标分布状态，第一目标分布状态与标准高斯分布之间的KL散射杜满足阈值；
S106，基于N次高斯噪声处理的次数，确定当前炉管外表面的相对粗糙程度；
S107，基于当前炉管外表面的相对粗糙程度和新炉管外表面的相对粗糙程度，确定当前炉管外表面的氧化程度和氧化皮脱落程度；
S108，对炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定当前炉管在经历高温过程之后的剩余使用寿命。
对于长度为14米的炉管来说，是有大约2~3根管通过焊接形成的。本发明主要针对每根管的外表面的氧化程度进行分析。
首先，S101，获取新炉管外表面的第一图像，该新炉管为在炉管安装之后且使用之前的炉管；具体是在炉管使用之前，通过爬管机器人上设置的多个图像采集装置对炉管的周向和纵向采集图像得到，并进行存储，以备后期使用。
接着，S102，基于该第一图像，确定新炉管外表面的相对粗糙程度。
具体地，基于第一图像，确定第一图像的像素点强度分布的初始分布状态；对第一图像进行M次高斯噪声处理，直至得到第一图像的像素点强度分布为第二目标分布状态，第二目标分布状态与标准高斯分布之间的KL散度满足阈值；基于M次高斯噪声处理的次数，确定新炉管外表面的相对粗糙程度。其中，该像素点强度分布表明了炉管外表面的杨梅粒子的突起程度。
具体的处理过程参考对第二图像所对应的相对粗糙程度的过程。
S103，采集当前炉管外表面的第二图像，该当前炉管为经历高温过程使用后的炉管。具体地，通过爬管机器人上设置的多个图像采集装置，对炉管的周向和纵向采集第二图像。在爬管机器人爬管的过程中，对于不同位置都会采集相应的图像。具体拍摄的图像如图2、图3、图4、图5所示。
接下来，执行S104，基于该第二图像，确定第二图像的像素点强度分布的当前分布状态。
这里是对第二图像上任意一个像素单元的区域进行分析。具体地，对第二图像进行像素处理，以得到第二图像的像素点强度分布的当前分布状态。
首先，将当前炉管外表面上得到的第二图像的像素值做均值和方差处理，得到均值和方差结果，然后，将任意一个像素单元的像素值与该均值做差，做差的结果再除以该方差，得到每个像素单元的结果，由此得到当前分布状态。同理，按照该方法可以得到第一图像的像素点强度分布的初始分布状态。
接下来，执行S105，对第二图像进行N次高斯噪声处理，直至得到第二图像的像素点强度分布为第一目标分布状态，第一目标分布状态与标准高斯分布之间的KL散度满足阈值。该标准高斯分布为新炉管理想状态下杨梅粒子突起程度的分布状态。
具体的过程包括：对第二图像进行一次高斯噪声处理，得到第二图像的像素点强度分布的更新分布状态；判断更新分布状态与标准高斯分布之间的KL散度是否满足阈值；若否，继续对第二图像进行高斯噪声处理，直至得到第二图像的像素点强度分布为第一目标分布状态，该第一目标分布状态与标准高斯分布之间的KL散度满足阈值。
其中，具体是按照如下计算公式计算更新分布状态与标准高斯分布之间的KL散度：
按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：
；其中， />是所述更新分布状态，/>是标准高斯分布；且/>，其中，/>为所述标准高斯分布的方差，/>为所述标准高斯分布的平均值；判断/>散度是否小于阈值。
在该散度小于阈值时，确定该/>散度满足阈值，在/>散度大于或等于阈值时，确定该/>散度不满足阈值。
散度也称为相对熵，是信息论中一种度量两个概率分布之间差异的方法，可以用于衡量一个概率分布与另一个概率分布之间的距离，或者衡量两个概率分布之间的相似度。
通过计算散度，可以判断当前分布状态和标准高斯分布之间的差距。在当前分布状态与标准高斯分布之间的差距越大时，/>散度越大，在当前分布状态与标准高斯分布之间的差距越小时，/>散度越小。从而根据差距大小确定当前炉管外表面的氧化程度和氧化皮脱落程度。
通过不断对得到的第二图像进行高斯噪声处理，直至对应的更新分布状态与标准高斯分布之间散度满足阈值，由此得到进行高斯噪声处理的次数。同理，按照上述的方式可以对第一图像进行处理，得到对第一图像进行高斯噪声处理的次数。
接下来执行S106，基于N次高斯噪声处理的次数，确定炉管表面的相对粗糙程度。
具体地，在高斯噪声处理的次数越多时，确定当前炉管外表面相对越光滑。在进行高斯噪声处理的次数越少时，确定当前炉管外表面相对越粗糙。
当前炉管外表面越光滑时，当前炉管的氧化程度和氧化皮脱落程度越大；在当前炉管外表面越粗糙时，当前炉管的氧化程度和氧化皮脱落程度越小。
如图2~图5，其炉管表面的相对粗糙程度逐渐递减，则对应的氧化程度和氧化皮脱离程度逐渐递增。
然后，执行S107，基于当前炉管外表面的相对粗糙程度和新炉管外表面的相对粗糙程度，确定当前炉管外表面的氧化程度和氧化皮脱落程度。
具体地，将当前炉管外表面的相对粗糙程度和新炉管外表面的相对粗糙程度进行对比，为了能够量化对比，可以将当前炉管外表面的第二图像对应的进行高斯噪声处理的次数与新炉管外表面的第一图像对应的进行高斯噪声处理的次数进行对比，由此确定出该当前炉管外表面的氧化程度和氧化皮脱落程度。
若以当前炉管外表面的第二图像对应的进行高斯噪声处理的次数为N，新炉管外表面的第一图像对应的进行高斯噪声处理的次数为M为例，在N-M的差值越小，则当前炉管外表面的相对粗糙程度相较于新炉管（未服役时）的相对粗糙程度较小，而当前炉管外表面较为粗糙；在N-M的差值越大，则当前炉管外表面的相对粗糙程度相较于新炉管（未服役时）的相对粗糙程度较大，而当前炉管外表面较为光滑。
比如，第一图像对应的进行高斯噪声处理的次数为2，第二图像对应的进行高斯噪声处理的次数为8，通过相减，得到差值为6，该差值能够反应当前炉管在从新炉管经历高温过程使用之后的氧化程度以及氧化皮脱落程度。
最后，执行S108，对炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定当前炉管在经历高温过程之后的剩余使用寿命。
对于新炉管的使用寿命来说，根据初始状态的不同，使用寿命也有所不同，本发明通过将当前炉管与新炉管的相对粗糙程度进行比较，得到当前炉管在经历高温过程使用后氧化程度和氧化皮脱落程度进行分析，以为当前炉管的剩余使用寿命评判提供有力依据。
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
本发明提供了一种炉管的氧化程度分析方法，包括：获取新炉管外表的第一图像，该新炉管为在炉管安装之后且使用之前的炉管；基于第一图像，确定新炉管外表面的相对粗糙程度；采集当前炉管外表面的第二图像，该当前炉管为经历高温过程使用的炉管；基于该第二图像，确定第二图像的像素点强度分布的当前分布状态；对第二图像进行N次高斯噪声处理，直到得到第二图像的像素点强度分布为第一目标分布状态，该第一目标分布状态与标准高斯分布之间的KL散度满足阈值；基于N次高斯噪声处理的次数，确定当前炉管外表面的相对粗糙程度；基于当前炉管外表面的相对粗糙程度与新炉管外表面的相对粗糙程度，确定当前炉管外表面的氧化程度和氧化皮脱落程度，进而通过对当前炉管外表面像素点强度分布的分布情况进行视觉分析，准确评估出炉管所经历的高温过程，从而为评估炉管剩余寿命提供了依据。
实施例二
基于相同的发明构思，本发明实施例还提供了一种炉管的氧化程度分析装置，如图6所示，包括：
获取模块601，用于获取新炉管外表面的第一图像，所述新炉管为在炉管安装之后且使用之前的炉管；
第一确定模块602，用于基于所述第一图像，确定所述新炉管外表面的相对粗糙程度；
采集模块603，用于采集当前炉管外表面的第二图像，所述当前炉管为经历高温过程使用后的炉管；
第二确定模块604，用于基于所述第二图像，确定所述第二图像的像素点强度分布的当前分布状态；
处理模块605，用于对所述当前分布状态进行N次高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值；
第三确定模块606，用于基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度；
第四确定模块607，用于基于所述当前炉管外表面的相对粗糙程度和所述新炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度；
第五确定模块608，用于对所述炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定所述当前炉管在经历高温过程之后的剩余使用寿命。
在一种可选的实施方式中，所述采集模块601，用于通过爬管机器人上设置的多个图像采集装置，对所述当前炉管的周向和纵向采集第二图像。
在一种可选的实施方式中，第一确定模块602，用于对所述第二图像进行像素处理，以得到所述第二图像的像素点强度分布的当前分布状态。
在一种可选的实施方式中，处理模块603，包括：
得到单元，用于对所述第二图像进行一次高斯噪声处理，得到第二图像的像素点强度分布的更新分布状态；
判断单元，用于判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值；
处理单元，用于若否，继续对所述第二图像进行高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与所述标准高斯分布之间的KL散度满足阈值。
在一种可选的实施方式中，判断单元，用于按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：
按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：，其中， />是所述更新分布状态，/>是标准高斯分布；且/>，其中，/>为所述标准高斯分布的方差，/>为所述标准高斯分布的平均值；
判断所述散度是否小于所述阈值。
在一种可选的实施方式中，第二确定模块604，用于在高斯噪声处理的次数越多时，确定当前炉管外表面相对越光滑，在高斯噪声处理的次数越少时，确定当前炉管外表面相对越粗糙。
在一种可选的实施方式中，第三确定模块605，用于在所述当前炉管外表面越光滑时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越大；在所述当前炉管外表面越粗糙时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越小。
在一种可选的实施方式中，第一确定模块602，用于：
基于所述第一图像，确定所述第一图像的像素点强度分布的初始分布状态；
对所述第一图像进行M次高斯噪声处理，直至得到第一图像的像素点强度分布为第二目标分布状态，所述第二目标分布状态与标准高斯分布之间的KL散度满足阈值；
基于所述M次高斯噪声处理的次数，确定所述新炉管外表面的相对粗糙程度。
实施例三
基于相同的发明构思，本发明实施例提供了一种计算机设备，如图7所示，包括存储器704、处理器702及存储在存储器704上并可在处理器702上运行的计算机程序，所述处理器702执行所述程序时实现上述炉管的氧化程度分析方法的步骤。
其中，在图7中，总线架构（用总线700来代表），总线700可以包括任意数量的互联的总线和桥，总线700将包括由处理器702代表的一个或多个处理器和存储器704代表的存储器的各种电路链接在一起。总线700还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口706在总线700和接收器701和发送器703之间提供接口。接收器701和发送器703可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器702负责管理总线700和通常的处理，而存储器704可以被用于存储处理器702在执行操作时所使用的数据。
实施例四
基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述炉管的氧化程度分析方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个实施例中所明确记载的特征更多的特征。更确切地说，如每个实施例所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在具体实施方式中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的炉管的氧化程度分析装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (8)
1.一种炉管的氧化程度分析方法，其特征在于，包括：
获取新炉管外表面的第一图像，所述新炉管为在炉管安装之后且使用之前的炉管；
基于所述第一图像，确定所述新炉管外表面的相对粗糙程度；
采集当前炉管外表面的第二图像，所述当前炉管为经历高温过程使用后的炉管；
基于所述第二图像，确定所述第二图像的像素点强度分布的当前分布状态；
对所述第二图像进行N次高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值，包括：
对所述第二图像进行一次高斯噪声处理，得到第二图像的像素点强度分布的更新分布状态；
判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值，所述判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值，包括：
按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：，其中，/> 是所述更新分布状态，/>是标准高斯分布；且/>，其中，/>为所述标准高斯分布的方差，/>为所述标准高斯分布的平均值；
判断所述散度是否小于所述阈值；
若否，继续对所述第二图像进行高斯噪声处理，直至得到第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值；
基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度；
基于所述当前炉管外表面的相对粗糙程度和所述新炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度；
对所述当前炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定所述当前炉管在经历高温过程之后的剩余使用寿命。
2.如权利要求1所述的方法，其特征在于，所述采集当前炉管外表面的第二图像，包括：
通过爬管机器人上设置的多个图像采集装置，对所述当前炉管的周向和纵向采集第二图像。
3.如权利要求1所述的方法，其特征在于，所述基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度，包括：
在高斯噪声处理的次数越多时，确定当前炉管外表面相对越光滑，在高斯噪声处理的次数越少时，确定当前炉管外表面相对越粗糙。
4.如权利要求1所述的方法，其特征在于，所述基于所述当前炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度，包括：
在所述当前炉管外表面越光滑时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越大；
在所述当前炉管外表面越粗糙时，所述当前炉管外表面的氧化程度和氧化皮脱落程度越小。
5.如权利要求1所述的方法，其特征在于，所述基于所述第一图像，确定所述新炉管外表面的相对粗糙程度，包括：
基于所述第一图像，确定所述第一图像的像素点强度分布的初始分布状态；
对所述第一图像进行M次高斯噪声处理，直至得到第一图像的像素点强度分布为第二目标分布状态，所述第二目标分布状态与标准高斯分布之间的KL散度满足阈值；
基于所述M次高斯噪声处理的次数，确定所述新炉管外表面的相对粗糙程度。
6.一种炉管的氧化程度分析装置，其特征在于，包括：
获取模块，用于获取新炉管外表面的第一图像，所述新炉管为在炉管安装之后且使用之前的炉管；
第一确定模块，用于基于所述第一图像，确定所述新炉管外表面的相对粗糙程度；
采集模块，用于采集当前炉管外表面的第二图像，所述当前炉管为经历高温过程使用后的炉管；
第二确定模块，用于基于所述第二图像，确定所述第二图像的像素点强度分布的当前分布状态；
处理模块，用于对所述当前分布状态进行N次高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与标准高斯分布之间的KL散度满足阈值，所述处理模块，包括：
得到单元，用于对所述第二图像进行一次高斯噪声处理，得到第二图像的像素点强度分布的更新分布状态；
判断单元，用于判断所述更新分布状态与标准高斯分布之间的KL散度是否满足阈值，所述判断单元，用于按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：
按照如下计算公式计算所述更新分布状态与标准高斯分布之间的KL散度：，其中，/> 是所述更新分布状态，/>是标准高斯分布；且/>，其中，/>为所述标准高斯分布的方差，/>为所述标准高斯分布的平均值；
判断所述散度是否小于所述阈值；
处理单元，用于若否，继续对所述第二图像进行高斯噪声处理，直至得到所述第二图像的像素点强度分布为第一目标分布状态，所述第一目标分布状态与所述标准高斯分布之间的KL散度满足阈值；
第三确定模块，用于基于所述N次高斯噪声处理的次数，确定所述当前炉管外表面的相对粗糙程度；
第四确定模块，用于基于所述当前炉管外表面的相对粗糙程度和所述新炉管外表面的相对粗糙程度，确定所述当前炉管外表面的氧化程度和氧化皮脱落程度；
第五确定模块，用于对所述炉管外表面的氧化程度和氧化皮脱落程度进行分析，确定所述当前炉管在经历高温过程之后的剩余使用寿命。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1~5中任一权利要求所述的方法步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1~5中任一权利要求所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311460324.9A CN117218113B (zh) | 2023-11-06 | 2023-11-06 | 一种炉管的氧化程度分析方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311460324.9A CN117218113B (zh) | 2023-11-06 | 2023-11-06 | 一种炉管的氧化程度分析方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117218113A CN117218113A (zh) | 2023-12-12 |
| CN117218113B true CN117218113B (zh) | 2024-05-24 |
Family
ID=89041193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311460324.9A Active CN117218113B (zh) | 2023-11-06 | 2023-11-06 | 一种炉管的氧化程度分析方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218113B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108174055A (zh) * | 2017-12-29 | 2018-06-15 | 广东工业大学 | 一种智能监控方法、***、设备及存储介质 |
| CN112419188A (zh) * | 2020-11-23 | 2021-02-26 | 杭州丽视智能科技有限公司 | 图像噪声消除方法、装置、电子设备及计算机存储介质 |
| WO2022267494A1 (zh) * | 2021-06-22 | 2022-12-29 | 英特灵达信息技术(深圳)有限公司 | 一种图像数据生成方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111242137B (zh) * | 2020-01-13 | 2023-05-26 | 江西理工大学 | 一种基于形态成分分析的椒盐噪声滤波方法、装置 |
-
2023
- 2023-11-06 CN CN202311460324.9A patent/CN117218113B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108174055A (zh) * | 2017-12-29 | 2018-06-15 | 广东工业大学 | 一种智能监控方法、***、设备及存储介质 |
| CN112419188A (zh) * | 2020-11-23 | 2021-02-26 | 杭州丽视智能科技有限公司 | 图像噪声消除方法、装置、电子设备及计算机存储介质 |
| WO2022267494A1 (zh) * | 2021-06-22 | 2022-12-29 | 英特灵达信息技术(深圳)有限公司 | 一种图像数据生成方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117218113A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zio et al. | Fatigue crack growth estimation by relevance vector machine | |
| US8761490B2 (en) | System and method for automated borescope inspection user interface | |
| CN116625438B (zh) | 燃气管网安全在线监测***及其方法 | |
| Tang et al. | Methodologies for uncertainty management in prognostics | |
| Huda et al. | A new thermographic NDT for condition monitoring of electrical components using ANN with confidence level analysis | |
| CN105051527A (zh) | 疲劳破坏预测和结构完整性评定的无损检测的嵌入式缺陷的概率建模和尺寸测定 | |
| US20150006972A1 (en) | Method for Detecting Anomalies in a Time Series Data with Trajectory and Stochastic Components | |
| Kopsaftopoulos et al. | A vibration model residual-based sequential probability ratio test framework for structural health monitoring | |
| JP7085067B2 (ja) | 保温材下腐食発生予測モデルおよびプラント保全支援装置 | |
| JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
| CN117235672B (zh) | 一种基于多源数据的综合管廊故障诊断方法及装置 | |
| Liu et al. | Validation of strain gauges for structural health monitoring with Bayesian belief networks | |
| de Araujo Lima-Filho et al. | Inflated beta control chart for monitoring double bounded processes | |
| CN117218113B (zh) | 一种炉管的氧化程度分析方法、装置、计算机设备及介质 | |
| CN111314110B (zh) | 一种用于分布式***的故障预警方法 | |
| Molleda et al. | A fast and robust decision support system for in-line quality assessment of resistance seam welds in the steelmaking industry | |
| CN113295399A (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
| CN111105847B (zh) | 一种基于磁信号的Cr-Ni-Fe合金蠕变损伤早期及失效临界状态的判断与预警方法 | |
| CN114997310A (zh) | 一种环保监测数据处理方法及*** | |
| Jamrozik | Contextual reliability discounting in welding process diagnostic based on DSmT | |
| Sun et al. | Research on Both the Classification and Quality Control Methods of the Car Seat Backrest Based on Machine Vision | |
| CN117218132B (zh) | 一种整体炉管寿命分析方法、装置、计算机设备及介质 | |
| Xi et al. | A Copula based sampling method for residual life prediction of engineering systems under uncertainty | |
| Dubey et al. | A Probabilistic Model to Estimate Automated and Manual Visual Inspection Errors |
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 |