CN117670888B - 管道内壁缺陷检测方法、装置、设备及介质 - Google Patents
管道内壁缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117670888B CN117670888B CN202410143689.7A CN202410143689A CN117670888B CN 117670888 B CN117670888 B CN 117670888B CN 202410143689 A CN202410143689 A CN 202410143689A CN 117670888 B CN117670888 B CN 117670888B
- Authority
- CN
- China
- Prior art keywords
- height
- determining
- detection data
- data
- calculating
- 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 142
- 230000007547 defect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000012163 sequencing technique Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 229920002148 Gellan gum Polymers 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本申请涉及一种管道内壁缺陷检测方法、装置、设备及介质,应用于缺陷检测技术领域,其方法包括:获取检测数据;基于所述检测数据以及三角法计算轮廓高度;基于预设算法对所述轮廓高度进行纠偏;基于纠偏后的所述轮廓高度确定缺陷位置。本申请具有提高管道内壁缺陷检测的效率的效果。
Description
技术领域
本申请涉及缺陷检测的技术领域,尤其是涉及一种管道内壁缺陷检测方法、装置、设备及介质。
背景技术
管道作为常用气体和液体的传输手段,其截面形状、管壁形貌等对流动流体的动态性能有着显著的影响,管道内壁的缺陷例如腐蚀、使用过程中的破损等对生产的安全性有重要影响,因而对管道内壁缺陷进行无损检测,尽早发现缺陷,对于减少事故的发生和避免经济损失具有重要意义。
在对管道内部进行缺陷检测时,通常是将相机沿管道圆心轴线进行移动从而获取检测数据,然而若相机偏离管道圆心轴线,则检测数据会存在一定误差,现阶段的解决方法为工作人员重新进行检测,然而重新进行检测,降低了检测的效率。
发明内容
为了提高管道内壁缺陷检测的效率,本申请提供一种管道内壁缺陷检测方法、装置、设备及介质。
第一方面,本申请提供一种管道内壁缺陷检测方法,采用如下的技术方案:
一种管道内壁缺陷检测方法,包括:
获取检测数据;
基于所述检测数据以及三角法计算轮廓高度;
基于预设算法对所述轮廓高度进行纠偏;
基于纠偏后的所述轮廓高度确定缺陷位置。
通过采用上述技术方案,将检测数据即激光图像通过三角法计算轮廓高度,通过预设算法对轮廓高度进行纠偏,并根据纠偏后的轮廓高度确定缺陷位置,当检测数据存在误差从而导致轮廓高度存在误差时,通过预设算法对轮廓高度进行纠偏,而无需重新进行检测,提高了管道内壁缺陷检测的效率。
可选的,在所述基于所述检测数据以及三角法计算轮廓高度之前,所述方法还包括:
基于检测时间对所述检测数据进行分组,得到至少一个第一数据组合;
计算每个所述检测数据的平均灰度;
将每个所述第一数据组合中的所述检测数据按照所述平均灰度进行排序,得到排序结果;
基于所述排序结果对所述检测数据进行筛选,得到至少一个最优检测数据,所述最优检测数据的数量与所述第一数据组合的数量相同;
其中,所述基于所述检测数据以及三角法计算轮廓高度,包括:
基于所述最优检测数据以及所述三角法计算轮廓高度。
通过采用上述技术方案,在获取检测数据时,会进行多次曝光从而在一个位置获取多个检测数据,通过平均灰度对检测数据进行筛选,提高了检测数据的准确性,从而提高了轮廓高度的准确性。
可选的,所述基于所述排序结果对所述检测数据进行筛选,得到至少一个最优检测数据,包括:
将所述排序结果中最大的所述平均灰度对应的所述检测数据确定为第一检测数据;
若每个所述第一数据组合中所述第一检测数据的数量大于一个,则确定所述第一检测数据的像素亮度值;
将每个所述第一数据组合中所述像素亮度值最大的所述第一检测数据确定为所述最优检测数据。
通过采用上述技术方案,当同一个位置的第一检测数据大于一个时,再根据像素亮度值进行筛选,提高了筛选的准确性,从而提高了检测数据的准确性。
可选的,所述基于预设算法对所述轮廓高度进行纠偏,包括:
将每个所述轮廓高度以及对应的管道深度确定为一个位置点;
将各个所述位置点基于最小二乘法进行拟合,得到拟合直线;
将在所述拟合直线上的位置点确定为第一位置点;
统计所述第一位置点的个数;
将所述第一位置点的个数占所述位置点的个数的概率确定为第一概率;
若所述第一概率小于预设概率,则基于所述预设算法对所述轮廓高度进行纠偏。
通过采用上述技术方案,将各个位置点通过最小二乘法进行拟合,通过拟合直线判断测量得到的轮廓高度的偏移情况,若第一概率大于或等于预设概率,即偏移不严重,则只需根据拟合直线对轮廓高度进行纠偏,若第一概率小于预设概率,即偏移较严重,则需要通过预设算法对轮廓高度进行纠偏,根据偏移情况选择不同的纠偏方法,提高了纠偏的准确性。
可选的,所述基于所述预设算法对所述轮廓高度进行纠偏,包括:
基于预设距离以及所述管道深度将所述位置点进行分组,得到多个第二数据组合;
将每个所述第二数据组合中的所述位置点进行拟合,得到多个第二拟合直线,所述第二拟合直线的数量与所述第二数据组合的数量相同;
基于所述第二拟合直线以及乔莱斯基分解法确定模型参数;
基于所述模型参数以及随机抽样一致算法确定纠偏模型;
基于所述纠偏模型对所述轮廓高度进行纠偏,得到纠偏后的所述轮廓高度。
可选的,在所述基于所述纠偏模型对所述轮廓高度进行纠偏之后,所述方法还包括:
将纠偏后的所述轮廓高度确定为拟合值;
基于所述拟合值以及所述轮廓高度计算残差;
计算所述拟合值的平均值;
基于所述平均值以及所述拟合值计算总平方和;
基于所述残差计算残差平方和;
基于所述总平方和以及所述残差平方和计算评估系数;
基于所述评估系数评估所述纠偏模型。
通过采用上述技术方案,在根据纠偏模型对轮廓高度进行纠偏之后,根据纠偏后的轮廓高度即拟合值以及轮廓高度进行计算,从而对纠偏模型进行评估,提高了纠偏模型的准确性,从而提高了纠偏后的轮廓高度的准确性,进而提高了缺陷位置的准确性。
可选的,所述基于纠偏后的所述轮廓高度确定缺陷位置,包括:
若所述残差小于所述预设残差,则将所述拟合值确定为轮廓高度;
基于所述轮廓高度、所述管道深度以及偏转角度确定点云数据;
基于卷积神经网络以及所述点云数据确定缺陷位置。
通过采用上述技术方案,若残差小于预设残差,即该缺陷可以忽略,则将拟合值确定为轮廓高度,再通过卷积神经网络以及点云数据确定缺陷位置,可以准确得到实际需要的缺陷位置。
第二方面,本申请提供一种管道内壁缺陷检测装置,采用如下的技术方案:
一种管道内壁缺陷检测装置,包括:
数据获取模块,用于获取检测数据;
高度计算模块,用于基于所述检测数据以及三角法计算轮廓高度;
高度纠偏模块,用于基于预设算法对所述轮廓高度进行纠偏;
缺陷确定模块,用于基于纠偏后的所述轮廓高度确定缺陷位置。
通过采用上述技术方案,将检测数据即激光图像通过三角法计算轮廓高度,通过预设算法对轮廓高度进行纠偏,并根据纠偏后的轮廓高度确定缺陷位置,当检测数据存在误差从而导致轮廓高度存在误差时,通过预设算法对轮廓高度进行纠偏,而无需重新进行检测,提高了管道内壁缺陷检测的效率。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
一种电子设备,包括处理器,所述处理器与存储器耦合;
所述存储器上存储有能够被处理器加载并执行第一方面任一项所述的管道内壁缺陷检测方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行第一方面任一项所述的管道内壁缺陷检测方法的计算机程序。
附图说明
图1是本申请实施例提供的一种管道内壁缺陷检测方法的流程示意图。
图2是本申请实施例提供的一种管道内壁缺陷检测装置的结构框图。
图3是本申请实施例提供的电子设备的结构框图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例提供一种管道内壁缺陷检测方法,该管道内壁缺陷检测方法可由电子设备执行,该电子设备可以为服务器也可以为终端设备,其中该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、台式计算机等,但并不局限于此。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
如图1所示,一种管道内壁缺陷检测方法,该方法主要流程描述如下(步骤S101~S104):
步骤S101、获取检测数据。
采用内部检测结构对管道内壁进行测量,其中,内部检测结构包括相机传感器,相机传感器可以通过发射激光从而得到更加稳定的成像效果,其中,激光采用的是蓝色激光(波长在400-500nm)之间,相比于红色激光,蓝色激光有着更高的亮度和对材料的漫反射率,从而可以得到更加稳定的成像效果,检测数据为相机传感器拍摄的激光图像,从相机传感器处获取检测数据。
步骤S102、基于检测数据以及三角法计算轮廓高度。
将检测数据即各个位置的激光图像通过三角法计算轮廓高度,其中,通过三角法测量距离为本领域技术人员的常规技术手段,此处不再赘述,在进行检测时,将管道水平放置,轮廓高度为管道内壁距离水平放置的管道底部的距离。
具体地,在基于检测数据以及三角法计算轮廓高度之前,方法还包括:基于检测时间对检测数据进行分组,得到至少一个第一数据组合;计算每个检测数据的平均灰度;将每个第一数据组合中的检测数据按照平均灰度进行排序,得到排序结果;基于排序结果对检测数据进行筛选,得到至少一个最优检测数据,最优检测数据的数量与第一数据组合的数量相同;其中,基于检测数据以及三角法计算轮廓高度,包括:基于最优检测数据以及三角法计算轮廓高度。
在本实施例中,为了减小内部检测结构发生抖动从而导致检测数据误差较大的可能性,会在管道内部的同一个位置进行多次曝光,最优点策略即从多次曝光的激光图像中选择误差最小的激光图像,在同一个位置进行多次曝光时、每次曝光相隔的时间间隔非常小,时间间隔以及曝光次数均为预先设定好的,分组时间=预先设定的时间间隔×预先设定的曝光次数,每个检测数据都对应有检测时间,将检测数据按照对应的检测时间每隔一个分组时间进行一次划分,得到至少一个第一数据组合,每个第一数据组合中的检测数据为管道内部同一个位置处的激光图像。
通过图像处理工具确定激光图像中每个像素点的灰度值,并计算一个激光图像中所有像素点的平均灰度,对于每个第一数据组合来说,将检测数据按照平均灰度从小到大进行排序,得到检测数据的排序结果,将排序结果中平均灰度最大的激光图像确定为该第一数据组合的最优检测数据,每个第一数据组合对应一个最优检测数据,即最优检测数据的数量与第一数据组合的数量相同。
得到最优检测数据之后,只需根据最优检测数据通过三角法计算轮廓高度,而无需通过所有检测数据计算轮廓高度。
进一步地,基于排序结果对检测数据进行筛选,得到至少一个最优检测数据,包括:将排序结果中最大的平均灰度对应的检测数据确定为第一检测数据;若每个第一数据组合中第一检测数据的数量大于一个,则确定第一检测数据的像素亮度值;将每个第一数据组合中像素亮度值最大的第一检测数据确定为最优检测数据。
在本实施例中,若每个第一数据组合中最大的平均灰度对应的检测数据(即第一检测数据)的数量大于一个,再根据第一检测数据的像素亮度值选择最优检测数据,可以通过图像处理工具确定第一检测数据的像素亮度值,对于每个第一数据组合来说,将像素亮度值最大的第一检测数据确定为最优检测数据。
步骤S103、基于预设算法对轮廓高度进行纠偏。
该步骤为了得到纠偏后的轮廓高度,将纠偏后的轮廓高度命名为拟合值,拟合值为管道内壁表面没有凹凸不平理想中的轮廓高度。
具体地,基于预设算法对轮廓高度进行纠偏,包括:将每个轮廓高度以及对应的管道深度确定为一个位置点;将各个位置点基于最小二乘法进行拟合,得到拟合直线;将在拟合直线上的位置点确定为第一位置点;统计第一位置点的个数;将第一位置点的个数占位置点的个数的概率确定为第一概率;若第一概率小于预设概率,则基于预设算法对轮廓高度进行纠偏。
在获取检测数据时,管道水平放置,内部检测结构沿管道深度方向进行移动,将管道深度方向即内部检测结构移动方向确定为一个坐标轴方向(此处称为X轴),将垂直于地面的方向确定为另一个坐标轴方向(此处称为Z轴),从而建立一个二维坐标轴。
在本实施例中,将每个通过最优检测数据以及三角法计算得到的轮廓高度以及对应的管道深度确定为一个位置点,该位置点为二维位置点,每次纠偏操作针对的是平行于X轴的一行管道内壁,通过最小二乘法对该行的所有位置点进行直线拟合,得到拟合直线,统计落在该拟合直线上的位置点的个数,即第一位置点的个数,将第一位置点的个数占所有位置点的个数的概率确定为第一概率;若第一概率小于预设概率,说明轮廓高度的误差较大,则基于预设算法对轮廓高度进行纠偏,若第一概率大于或等于预设概率,说明轮廓高度的误差较小,则根据管道深度从该拟合直线上确定纠偏后的轮廓高度,其中,预设概率为工作人员根据实际情况预先设定,此处不做具体限定。
具体地,基于预设算法对轮廓高度进行纠偏,包括:基于预设距离以及管道深度将位置点进行分组,得到多个第二数据组合;将每个第二数据组合中的位置点进行拟合,得到多个第二拟合直线,第二拟合直线的数量与第二数据组合的数量相同;基于第二拟合直线以及乔莱斯基分解法确定模型参数;基于模型参数以及随机抽样一致算法确定纠偏模型;基于纠偏模型对轮廓高度进行纠偏,得到纠偏后的轮廓高度。
在本实施例中,预设距离为工作人员根据实际情况预先设定的,根据位置点中的管道深度对应的X轴坐标对位置点进行分组,每隔一个预设距离进行一次划分,将所有的位置点划分为多个第二数据组合,将每个第二数据组合中的所有位置点通过最小二乘法进行拟合,得到多个第二拟合直线,将第二拟合直线的函数记为fi(),其中,i为1至N中的整数,j为1至M中的整数,N为第二拟合直线的数量,M为位置点的数量,将位置点记为(/>,/>),拟合方程为/>
其中,为模型参数,将位置点以及第二拟合直线代入至拟合方程中,通过乔莱斯基分解法求解模型参数,将随机抽样一致算法作为纠偏模型的框架,并根据模型参数从而构建纠偏模型,将位置点输入至纠偏模型中对轮廓高度进行纠偏,得到纠偏后的轮廓高度。
进一步地,在基于纠偏模型对轮廓高度进行纠偏之后,方法还包括:将纠偏后的轮廓高度确定为拟合值;基于拟合值以及轮廓高度计算残差;计算拟合值的平均值;基于平均值以及拟合值计算总平方和;基于残差计算残差平方和;基于总平方和以及残差平方和计算评估系数;基于评估系数评估纠偏模型。
在本实施例中,残差的计算公式为,其中,/>为残差,/>为轮廓高度对应的拟合值,/>为轮廓高度,计算拟合值的平均值/>,总平方和/>,残差平方和/>,评估系数为/>,当评估系数大于或等于预设评估系数时,该纠偏模型符合条件,其中,预设评估系数为预先设定,此处不做具体限定。
当评估系数小于预设评估系数时,通过随机抽样一致算法对纠偏模型进行迭代学习,直至评估系数大于或等于预设评估系数,重新根据纠偏模型对轮廓高度进行纠偏。
步骤S104、基于纠偏后的轮廓高度确定缺陷位置。
通过轮廓高度以及纠偏后的轮廓高度即拟合值确定缺陷位置。
具体地,基于纠偏后的轮廓高度确定缺陷位置,包括:若残差小于预设残差,则将拟合值确定为轮廓高度;基于轮廓高度、管道深度以及偏转角度确定点云数据;基于卷积神经网络以及点云数据确定缺陷位置。
在本实施例中,拟合值为管道内壁表面没有凹凸不平理想中的轮廓高度,若残差小于预设残差,说明该位置处管道内壁的缺陷较小,可以默认为不存在缺陷,此时将拟合值确定为轮廓高度,其中,预设残差为工作人员根据需要预先设定的值,将轮廓高度、管道深度以及每次测量数据对应的偏转角度将二维位置点确定为三维点云数据,每次测量数据对应的偏转角度即相较于两个坐标轴的偏转角度,三维点云数据用于描述管道内壁的实际情况,通过卷积神经网络以及点云数据进行计算,得到管道内壁的缺陷位置。
图2为本申请实施例提供的一种管道内壁缺陷检测装置200的结构框图。
如图2所示,管道内壁缺陷检测装置200主要包括:
数据获取模块201,用于获取检测数据;
高度计算模块202,用于基于检测数据以及三角法计算轮廓高度;
高度纠偏模块203,用于基于预设算法对轮廓高度进行纠偏;
缺陷确定模块204,用于基于纠偏后的轮廓高度确定缺陷位置。
作为本实施例的一种可选实施方式,高度计算模块202还具体用于在基于检测数据以及三角法计算轮廓高度之前,还包括:基于检测时间对检测数据进行分组,得到至少一个第一数据组合;计算每个检测数据的平均灰度;将每个第一数据组合中的检测数据按照平均灰度进行排序,得到排序结果;基于排序结果对检测数据进行筛选,得到至少一个最优检测数据,最优检测数据的数量与第一数据组合的数量相同;其中,基于检测数据以及三角法计算轮廓高度,包括:基于最优检测数据以及三角法计算轮廓高度。
作为本实施例的一种可选实施方式,高度计算模块202还具体用于基于排序结果对检测数据进行筛选,得到至少一个最优检测数据,包括:将排序结果中最大的平均灰度对应的检测数据确定为第一检测数据;若每个第一数据组合中第一检测数据的数量大于一个,则确定第一检测数据的像素亮度值;将每个第一数据组合中像素亮度值最大的第一检测数据确定为最优检测数据。
作为本实施例的一种可选实施方式,高度纠偏模块203还具体用于基于预设算法对轮廓高度进行纠偏,包括:将每个轮廓高度以及对应的管道深度确定为一个位置点;将各个位置点基于最小二乘法进行拟合,得到拟合直线;将在拟合直线上的位置点确定为第一位置点;统计第一位置点的个数;将第一位置点的个数占位置点的个数的概率确定为第一概率;若第一概率小于预设概率,则基于预设算法对轮廓高度进行纠偏。
作为本实施例的一种可选实施方式,高度纠偏模块203还具体用于基于预设算法对轮廓高度进行纠偏,包括:基于预设距离以及管道深度将位置点进行分组,得到多个第二数据组合;将每个第二数据组合中的位置点进行拟合,得到多个第二拟合直线,第二拟合直线的数量与第二数据组合的数量相同;基于第二拟合直线以及乔莱斯基分解法确定模型参数;基于模型参数以及随机抽样一致算法确定纠偏模型;基于纠偏模型对轮廓高度进行纠偏,得到纠偏后的轮廓高度。
作为本实施例的一种可选实施方式,高度纠偏模块203还具体用于在基于纠偏模型对轮廓高度进行纠偏之后,包括:将纠偏后的轮廓高度确定为拟合值;基于拟合值以及轮廓高度计算残差;计算拟合值的平均值;基于平均值以及拟合值计算总平方和;基于残差计算残差平方和;基于总平方和以及残差平方和计算评估系数;基于评估系数评估纠偏模型。
作为本实施例的一种可选实施方式,缺陷确定模块204还具体用于基于纠偏后的轮廓高度确定缺陷位置,包括:若残差小于预设残差,则将拟合值确定为轮廓高度;基于轮廓高度、管道深度以及偏转角度确定点云数据;基于卷积神经网络以及点云数据确定缺陷位置。
在一个例子中,以上任一装置中的模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个专用集成电路(application specificintegratedcircuit,ASIC),或,一个或多个数字信号处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA),或这些集成电路形式中至少两种的组合。
再如,当装置中的模块可以通过处理元件调度程序的形式实现时,该处理元件可以是通用处理器,例如中央处理器(central processing unit,CPU)或其它可以调用程序的处理器。再如,这些模块可以集成在一起,以片上***(system-on-a-chip,SOC)的形式实现。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3为本申请实施例提供的一种电子设备300的结构框图。
如图3所示,电子设备300包括处理器301和存储器302,还可以进一步包括信息输入/信息输出(I/O)接口303、通信组件304中的一种或多种以及通信总线305。
其中,处理器301用于控制电子设备300的整体操作,以完成上述的管道内壁缺陷检测方法的全部或部分步骤;存储器302用于存储各种类型的数据以支持在电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,SRAM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、只读存储器(Read-OnlyMemory,ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。
I/O接口303为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearField Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件304可以包括:Wi-Fi部件,蓝牙部件,NFC部件。
电子设备300可以被一个或多个应用专用集成电路 (Application SpecificIntegrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例给出的管道内壁缺陷检测方法。
通信总线305可包括一通路,在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。
电子设备300可以包括但不限于移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端,还可以为服务器等。
本申请还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的管道内壁缺陷检测方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器 (R ead-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种管道内壁缺陷检测方法,其特征在于,包括:
获取检测数据;
基于所述检测数据以及三角法计算轮廓高度;
基于预设算法对所述轮廓高度进行纠偏;
基于纠偏后的所述轮廓高度确定缺陷位置;
所述基于预设算法对所述轮廓高度进行纠偏,包括:
将每个所述轮廓高度以及对应的管道深度确定为一个位置点;
将各个所述位置点基于最小二乘法进行拟合,得到拟合直线;
将在所述拟合直线上的位置点确定为第一位置点;
统计所述第一位置点的个数;
将所述第一位置点的个数占所述位置点的个数的概率确定为第一概率;
若所述第一概率小于预设概率,则基于所述预设算法对所述轮廓高度进行纠偏;
所述基于所述预设算法对所述轮廓高度进行纠偏,包括:
基于预设距离以及所述管道深度将所述位置点进行分组,得到多个第二数据组合;
将每个所述第二数据组合中的所述位置点进行拟合,得到多个第二拟合直线,所述第二拟合直线的数量与所述第二数据组合的数量相同;
基于所述第二拟合直线以及乔莱斯基分解法确定模型参数;
基于所述模型参数以及随机抽样一致算法确定纠偏模型;
基于所述纠偏模型对所述轮廓高度进行纠偏,得到纠偏后的所述轮廓高度;
在所述基于所述纠偏模型对所述轮廓高度进行纠偏之后,所述方法还包括:
将纠偏后的所述轮廓高度确定为拟合值;
基于所述拟合值以及所述轮廓高度计算残差;
计算所述拟合值的平均值;
基于所述平均值以及所述拟合值计算总平方和;
基于所述残差计算残差平方和;
基于所述总平方和以及所述残差平方和计算评估系数;
基于所述评估系数评估所述纠偏模型;
所述基于所述评估系数评估所述纠偏模型,包括:
若所述评估系数小于预设评估系数,则基于随机抽样一致算法对所述纠偏模型进行迭代学习;
重新计算所述评估系数;
若所述评估系数大于或等于所述预设评估系数,则重新根据所述纠偏模型对所述轮廓高度进行纠偏;
所述基于纠偏后的所述轮廓高度确定缺陷位置,包括:
若所述残差小于预设残差,则将所述拟合值确定为轮廓高度;
基于所述轮廓高度、所述管道深度以及偏转角度确定点云数据;
基于卷积神经网络以及所述点云数据确定缺陷位置。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述检测数据以及三角法计算轮廓高度之前,所述方法还包括:
基于检测时间对所述检测数据进行分组,得到至少一个第一数据组合;
计算每个所述检测数据的平均灰度;
将每个所述第一数据组合中的所述检测数据按照所述平均灰度进行排序,得到排序结果;
基于所述排序结果对所述检测数据进行筛选,得到至少一个最优检测数据,所述最优检测数据的数量与所述第一数据组合的数量相同;
其中,所述基于所述检测数据以及三角法计算轮廓高度,包括:
基于所述最优检测数据以及所述三角法计算轮廓高度。
3.根据权利要求2所述的方法,其特征在于,所述基于所述排序结果对所述检测数据进行筛选,得到至少一个最优检测数据,包括:
将所述排序结果中最大的所述平均灰度对应的所述检测数据确定为第一检测数据;
若每个所述第一数据组合中所述第一检测数据的数量大于一个,则确定所述第一检测数据的像素亮度值;
将每个所述第一数据组合中所述像素亮度值最大的所述第一检测数据确定为所述最优检测数据。
4.一种管道内壁缺陷检测装置,其特征在于,包括:
数据获取模块,用于获取检测数据;
高度计算模块,用于基于所述检测数据以及三角法计算轮廓高度;
高度纠偏模块,用于基于预设算法对所述轮廓高度进行纠偏;
缺陷确定模块,用于基于纠偏后的所述轮廓高度确定缺陷位置;
所述高度纠偏模块还具体用于所述基于预设算法对所述轮廓高度进行纠偏,包括:
将每个所述轮廓高度以及对应的管道深度确定为一个位置点;
将各个所述位置点基于最小二乘法进行拟合,得到拟合直线;
将在所述拟合直线上的位置点确定为第一位置点;
统计所述第一位置点的个数;
将所述第一位置点的个数占所述位置点的个数的概率确定为第一概率;
若所述第一概率小于预设概率,则基于所述预设算法对所述轮廓高度进行纠偏;
所述高度纠偏模块还具体用于所述基于所述预设算法对所述轮廓高度进行纠偏,包括:
基于预设距离以及所述管道深度将所述位置点进行分组,得到多个第二数据组合;
将每个所述第二数据组合中的所述位置点进行拟合,得到多个第二拟合直线,所述第二拟合直线的数量与所述第二数据组合的数量相同;
基于所述第二拟合直线以及乔莱斯基分解法确定模型参数;
基于所述模型参数以及随机抽样一致算法确定纠偏模型;
基于所述纠偏模型对所述轮廓高度进行纠偏,得到纠偏后的所述轮廓高度;
所述高度纠偏模块还具体用于在所述基于所述纠偏模型对所述轮廓高度进行纠偏之后,还包括:
将纠偏后的所述轮廓高度确定为拟合值;
基于所述拟合值以及所述轮廓高度计算残差;
计算所述拟合值的平均值;
基于所述平均值以及所述拟合值计算总平方和;
基于所述残差计算残差平方和;
基于所述总平方和以及所述残差平方和计算评估系数;
基于所述评估系数评估所述纠偏模型;
所述高度纠偏模块还具体用于所述基于所述评估系数评估所述纠偏模型,包括:
若所述评估系数小于预设评估系数,则基于随机抽样一致算法对所述纠偏模型进行迭代学习;
重新计算所述评估系数;
若所述评估系数大于或等于所述预设评估系数,则重新根据所述纠偏模型对所述轮廓高度进行纠偏;
所述缺陷确定模块还具体用于所述基于纠偏后的所述轮廓高度确定缺陷位置,包括:
若所述残差小于预设残差,则将所述拟合值确定为轮廓高度;
基于所述轮廓高度、所述管道深度以及偏转角度确定点云数据;
基于卷积神经网络以及所述点云数据确定缺陷位置。
5.一种电子设备,其特征在于,包括处理器,所述处理器与存储器耦合;
所述处理器用于执行所述存储器中存储的计算机程序,以使得所述电子设备执行如权利要求1至3任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,包括计算机程序或指令,当所述计算机程序或指令在计算机上运行时,使得所述计算机执行如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143689.7A CN117670888B (zh) | 2024-02-01 | 2024-02-01 | 管道内壁缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410143689.7A CN117670888B (zh) | 2024-02-01 | 2024-02-01 | 管道内壁缺陷检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117670888A CN117670888A (zh) | 2024-03-08 |
CN117670888B true CN117670888B (zh) | 2024-05-17 |
Family
ID=90069939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410143689.7A Active CN117670888B (zh) | 2024-02-01 | 2024-02-01 | 管道内壁缺陷检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670888B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211918A (zh) * | 2018-08-28 | 2019-01-15 | 河海大学常州校区 | 一种基于纬纱走向的织物弓纬检测方法 |
CN111077107A (zh) * | 2020-01-08 | 2020-04-28 | 山东金璋隆祥智能科技有限责任公司 | 一种甜菊糖提取液中糖甙含量的在线检测方法 |
CN113742248A (zh) * | 2021-11-02 | 2021-12-03 | 北京关键科技股份有限公司 | 一种基于项目测量数据进行组织过程预测的方法及*** |
CN115526885A (zh) * | 2022-10-24 | 2022-12-27 | 杭州安脉盛智能技术有限公司 | 一种产品图像缺陷检测方法、***、装置及介质 |
CN115880658A (zh) * | 2022-12-16 | 2023-03-31 | 华南理工大学 | 一种夜间场景下汽车车道偏离预警方法及*** |
CN115953376A (zh) * | 2022-12-27 | 2023-04-11 | 深圳市凌云视迅科技有限责任公司 | 一种孔内缺陷检测方法、***及装置 |
CN117218062A (zh) * | 2023-08-18 | 2023-12-12 | 杭州海康机器人股份有限公司 | 一种缺陷检测方法、装置、电子设备和存储介质 |
CN117474839A (zh) * | 2023-10-10 | 2024-01-30 | 深圳市格灵精睿视觉有限公司 | 工件缺陷检测方法、装置、电子设备及存储介质 |
-
2024
- 2024-02-01 CN CN202410143689.7A patent/CN117670888B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109211918A (zh) * | 2018-08-28 | 2019-01-15 | 河海大学常州校区 | 一种基于纬纱走向的织物弓纬检测方法 |
CN111077107A (zh) * | 2020-01-08 | 2020-04-28 | 山东金璋隆祥智能科技有限责任公司 | 一种甜菊糖提取液中糖甙含量的在线检测方法 |
CN113742248A (zh) * | 2021-11-02 | 2021-12-03 | 北京关键科技股份有限公司 | 一种基于项目测量数据进行组织过程预测的方法及*** |
CN115526885A (zh) * | 2022-10-24 | 2022-12-27 | 杭州安脉盛智能技术有限公司 | 一种产品图像缺陷检测方法、***、装置及介质 |
CN115880658A (zh) * | 2022-12-16 | 2023-03-31 | 华南理工大学 | 一种夜间场景下汽车车道偏离预警方法及*** |
CN115953376A (zh) * | 2022-12-27 | 2023-04-11 | 深圳市凌云视迅科技有限责任公司 | 一种孔内缺陷检测方法、***及装置 |
CN117218062A (zh) * | 2023-08-18 | 2023-12-12 | 杭州海康机器人股份有限公司 | 一种缺陷检测方法、装置、电子设备和存储介质 |
CN117474839A (zh) * | 2023-10-10 | 2024-01-30 | 深圳市格灵精睿视觉有限公司 | 工件缺陷检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117670888A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667448B (zh) | 一种图像处理方法、装置及设备 | |
CN111189403B (zh) | 一种隧道变形的监测方法、装置及计算机可读存储介质 | |
CN103697820A (zh) | 一种基于终端测量尺寸的方法及终端设备 | |
US20100061622A1 (en) | Method for aligning objects | |
CN109696654B (zh) | 定位方法及终端设备 | |
CN113569432B (zh) | 一种液气密元件的模拟检测方法及*** | |
CN117670888B (zh) | 管道内壁缺陷检测方法、装置、设备及介质 | |
CN108332662B (zh) | 一种物体测量方法和装置 | |
CN116124081B (zh) | 一种非接触式的工件检测方法、装置、电子设备及介质 | |
García-Alfonso et al. | Comparison of uncertainty analysis of the Montecarlo and Latin Hypercube algorithms in a camera calibration model | |
CN107607129B (zh) | 数据校准方法、装置及电子设备 | |
CN117218062A (zh) | 一种缺陷检测方法、装置、电子设备和存储介质 | |
CN112197708A (zh) | 测量方法及装置、电子设备及存储介质 | |
CN108801226B (zh) | 平面倾斜测试方法及设备 | |
CN115452101A (zh) | 一种仪表检定方法、装置、设备及介质 | |
CN115511718A (zh) | Pcb图像校正方法、装置、终端设备和存储介质 | |
CN113487685A (zh) | 线激光扫描相机的标定方法、装置、设备和存储介质 | |
JP2020204556A (ja) | 測定装置 | |
JP6872324B2 (ja) | 計測システム、計測方法および計測プログラム | |
CN117115233B (zh) | 一种基于机器视觉的尺寸测量方法、装置及电子设备 | |
TWI783667B (zh) | 自動影像檢測方法、設備、內儲程式之電腦可讀取記錄媒體、以及電腦程式產品 | |
CN112199814B (zh) | 测量***的***误差自检校方法、装置、设备和介质 | |
CN117969034A (zh) | 镜头畸变参数测试的方法、***、装置和存储介质 | |
CN110068575B (zh) | 多相混合均匀性的判断方法、判断装置及终端 | |
CN115423883A (zh) | 一种轮廓仪相机的标定方法、装置及电子设备 |
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 |