CN117876361A - 用于燃气管道高危作业的图像处理方法及*** - Google Patents
用于燃气管道高危作业的图像处理方法及*** Download PDFInfo
- Publication number
- CN117876361A CN117876361A CN202410268646.1A CN202410268646A CN117876361A CN 117876361 A CN117876361 A CN 117876361A CN 202410268646 A CN202410268646 A CN 202410268646A CN 117876361 A CN117876361 A CN 117876361A
- Authority
- CN
- China
- Prior art keywords
- image
- gas pipeline
- gray
- grad
- risk
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 38
- 230000036961 partial effect Effects 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 230000007547 defect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 7
- 239000006002 Pepper Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 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
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及用于燃气管道高危作业的图像处理方法及***,属于图像处理技术领域。首先通过CCTV获取燃气管道的彩色图像并进行灰度转化,然后利用构造的高斯偏导函数对灰度转化后的燃气管道图像中的干扰信号进行滤除,通过卷积变换得到灰度图像梯度和幅角,并进一步基于上述灰度图像的梯度和幅角得到处理后的图像边缘。本发明能够有效抑制燃气管道图像边缘检测中的信号干扰从而提高边缘检测的精确度和完整度;此外,改变上述高斯偏导函数中的调节阈值,可以适用于不同的气管道图像干扰信号的滤除,扩大了图像处理方法的使用范围。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及用于燃气管道高危作业的图像处理方法及***。
背景技术
随着我国基础设施建设的不断完善,地下燃气管网规模不断扩大,截止2019年我国燃气管道总长度已经超过600万公里,然而不同燃气管道的铺设年代不同,早期铺设的燃气管道不可避免的会出现裂缝、腐蚀、外物侵入、穿孔等问题。上述问题可能会导致施工人员或专业人员在起重作业、人工管内作业、动土作业等燃气管道高危作业时遭受人身伤害。例如当燃气管道因腐蚀而导致管壁变薄或者燃气管道出现裂缝、穿孔等异常情况,如果利用起重设备对燃气管道进行长行程、长时间起重作业时可能会由于重力作用而使管道发生异常情况相对应的部分截断、坠落,从而造成不必要的人身伤害和财产损失。因此,有必要对燃气管道进行探伤从而保证燃气管道高危作业时的人身和财产安全。
目前我国地下燃气管道口径大小不一,对于多数口径较小的管道通常需要依赖闭路电视摄像机(CCTV)深入燃气管道内部进行管道探伤,对闭路电视摄像机(CCTV)传输的燃气管道实时图片或视频通过肉眼识别进行探伤,效率较低且容易出现缺陷遗漏。无论是直接进行燃气管道缺陷部位的图像边缘检测,还是在燃气管道缺陷部位的图像边缘检测的基础上进一步进行图像特征提取、重构等,现有技术中都依赖图像边缘检测方法进行上述探伤,常用的图像边缘检测算法大致可以分为ROBERT算法、CANNY算法、LAPLACIAN算法和SOBEL算法这四类,ROBERT算法是对差分原理对图像边缘进行检测,CANNY算法通过非极值抑制对图像边缘进行检测,LAPLACIAN算法利用其线性移不变特性对图像边缘进行检测,SOBEL算法通过卷积对图像像素进行加权平均以对图像边缘进行检测;然而上述算法都存在抵抗干扰信号的能力较差,一旦出现干扰信号时边缘检测精度和完整度下降的问题。综上,如何抑制燃气管道图像边缘检测中的信号干扰从而提高边缘检测的精确度和完整度,是燃气管道探伤时需要关注的问题。
发明内容
本发明的目的在于提供用于燃气管道高危作业的图像处理方法及***,利用构造的高斯偏导函数对灰度转化后的燃气管道图像中的干扰信号进行滤除,通过卷积变换得到灰度图像梯度和幅角,并进一步基于上述灰度图像的梯度和幅角得到处理后的图像边缘,通过本发明的图像处理方法能够有效抑制燃气管道图像边缘检测中的信号干扰从而提高边缘检测的精确度和完整度;此外,改变上述高斯偏导函数中的调节阈值,可以适用于不同的燃气管道图像干扰信号的滤除,扩大了图像处理方法的使用范围。
为了实现上述目的,本发明采用了如下技术方案:用于燃气管道高危作业的图像处理方法,所述图像处理方法如下步骤:
S1:基于CCTV摄像头获取燃气管道的彩色图像,并利用线性方程对所述燃气管道的彩色图像进行灰度处理,得到燃气管道的灰度图像;
S2:构造高斯偏导函数,并求取高斯偏导函数变量的归一化变量;
S3:利用所述归一化变量计算灰度图像的行、列卷积值,然后根据所述行卷积值和所述列卷积值进行灰度图像梯度和幅角求解;
S4:基于所述灰度图像梯度和幅角,寻找灰度图像边缘集合,然后进行灰度图像集合的弱边缘剔除,基于处理阈值得到处理后的图像边缘检测结果;
S5:将处理后的图像边缘检测结果发送至高危图像存储模块,以便进行燃气管道缺陷检测。
进一步地,所述步骤S1中利用线性方程对燃气管道的彩色图像进行灰度处理,所述线性方程为:F(x,y)=k1R+k2G+k3B,其中F(x,y)表示燃气管道的彩色图像的灰度矩阵,x、y分别表示灰度矩阵的行和列数据,R、G、B分别表示燃气管道的彩色图像中红、绿、蓝三色的分量,k1、k2、k3为比例系数。
进一步地,所述步骤S2中,构造高斯偏导函数具体为:
,
其中PX(x1y1)、PY(x1y1)分别为第一高斯偏导函数变量和第二高斯偏导函数变量,x1和y1分别为高斯偏导函数变量的行分量和列分量,m和N分别为第一调节阈值和第二调节阈值。
进一步地,所述步骤S2中,求取高斯偏导函数变量的归一化变量具体为:
,
其中PX1(x1y1)、PY1(x1y1)为第一高斯函数变量和第二高斯函数变量的归一化变量,表示范数函数。
进一步地,所述步骤S3中,利用所述归一化变量计算灰度图像行、列卷积值包括:
,
其中GX、GY分别为灰度图像行卷积值和灰度图像列卷积值,表示卷积运算,double()为浮点值转换函数。
进一步地,根据如下公式求取灰度图像的梯度和幅角:
,
其中GRAD(i,j)、ANG(i,j)分别为灰度图像的梯度和幅角,i、j分别为行序号和列序号。
进一步地,根据如下公式寻找步骤S4中的灰度图像边缘集合:
,
s.t.{ [-22.5<ANG(i,j)<22.5 or 157.5<ANG(i,j)<202.5] and [GRAD(i,j)>GRAD(i+1,j) and GRAD(i,j)>GRAD(i-1,j)] }or{ [67.5<ANG(i,j)<112.5 or 247.5<ANG(i,j)<292.5] and [GRAD(i,j)>GRAD(i,j+1) and GRAD(i,j)>GRAD(i,j-1)] } or{[22.5<ANG(i,j)<67.5 or 202.5<ANG(i,j)<247.5] and [GRAD(i,j)>GRAD(i+1,j+1) andGRAD(i,j)>GRAD(i-1,j-1)] }or{ GRAD(i,j)>GRAD(i+1,j-1) and GRAD(i,j)>GRAD(i-1,j+1)},
其中EDGE(i,j)为灰度图像边缘集合,GRAD(i,j)为灰度图像的梯度,s.t.表示约束条件。
进一步地,所述步骤S4中灰度图像集合的弱边缘剔除具体为:
;
基于处理阈值threshold得到处理后的图像边缘检测结果,具体为:
;
其中EDGE-new(i,j)为剔除弱边缘后的灰度图像集合,max()为取最大值函数,conj()为非共轭转置函数,threshold取0.2, EDGE-dis(i,j)为处理后的图像边缘检测结果。
本发明还提出了用于燃气管道高危作业的图像处理***,包括高危图像存储模块、图像处理模块和燃气管道高危预警模块,所述图像处理模块与所述高危图像存储模块相连,所述高危图像存储模块与所述燃气管道高危预警模块相连,所述图像处理模块用于执行上述图像处理方法,所述燃气管道高危预警模块用于根据所述高危图像存储模块中存储的图像边缘检测结果进行燃气管道缺陷检测,在检测为异常时,发出预警信号。
进一步地,所述预警信号为蜂鸣器信号或者振动马达信号。
本发明的有益效果在于:
(1)利用高斯偏导函数对灰度转化后的燃气管道图像中的干扰信号进行滤除,能够有效抑制燃气管道图像边缘检测中的信号干扰,提高图像边缘检测的精确度和完整度;
(2)改变高斯偏导函数中的调节阈值就可以适用于不同的燃气管道图像干扰信号的滤除,通过简单的操作即扩大了本发明图像处理方法的使用范围。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的用于燃气管道高危作业的图像处理方法流程图;
图2为本发明的用于燃气管道高危作业的图像处理***结构图;
图3为对掺杂有椒盐干扰信号的燃气管道图像进行灰度处理后的图像;
图4为燃气管道缺陷边缘检测图像;
图5为对于掺杂有gaussian干扰信号的灰度转化后的燃气管道图像及其图像处理结果;
图6为对于掺杂有poisson干扰信号的灰度转化后的燃气管道图像及其图像处理结果。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
本发明采用如下技术方案,用于燃气管道高危作业的图像处理方法,结合图1,所述图像处理方法如下步骤,步骤S1:基于CCTV摄像头获取燃气管道的彩色图像,并利用线性方程对所述燃气管道的彩色图像进行灰度处理,得到燃气管道的灰度图像。所述的CCTV摄像头可以装设在管道检测机器人(本发明中使用的是德国伊派克系列管道检测机器人,也可以采用市面上常用的其他管道机器人,如安川系列管道机器人、依巴克系列管道机器人等)上,能够对燃气管道进行360度全覆盖拍摄,并在管道检测机器人上设置图传***与地面控制单元进行燃气管道的实时图片或视频的有线传输。
本发明采用线性方程对CCTV采集到的燃气管道彩色图像进行灰度处理,具体如下:F(x,y)=k1R+k2G+k3B,其中F(x,y)表示燃气管道的彩色图像的灰度矩阵,x、y分别表示灰度矩阵的行和列数据,R、G、B分别表示燃气管道的彩色图像中红、绿、蓝三色的分量,k1、k2、k3为比例系数。可以设置比例系数的默认值为k1=0.3,k2=0.5,k3=0.2,但可以理解的是,比例系数k1、k2、k3分别对应燃气管道的彩色图像中红、绿、蓝三色的分量,检测人员可以根据地下燃气管道光线强度、图传质量等因素的不同而灵活调整上述比例系数k1、k2、k3,从而得到清晰的燃气管道灰度图像。
步骤S2:构造高斯偏导函数,并求取高斯偏导函数变量的归一化变量;具体为:
,
其中PX(x1y1)、PY(x1y1)分别为第一高斯偏导函数变量和第二高斯偏导函数变量,x1和y1分别为高斯偏导函数变量的行分量和列分量,m和N分别为第一调节阈值和第二调节阈值。其中第一调节阈值m为辨识系数,用于限定干扰信号的辨识维度;第二调节阈值N为干扰滤除系数,改变该第二调节阈值N可以滤除不同频带的干扰信号,本发明中该第二调节阈值N优选取偶数。
求取高斯偏导函数变量的归一化变量具体为:
,
其中PX1(x1y1)、PY1(x1y1)为第一高斯函数变量和第二高斯函数变量的归一化变量,表示范数函数。
步骤S3:利用所述归一化变量计算灰度图像行、列卷积值,然后进行灰度图像梯度和幅角求解;具体为:
利用所述归一化变量计算灰度图像行、列卷积值包括:
,
其中GX、GY分别为灰度图像行卷积值和灰度图像列卷积值,表示卷积运算,double()为浮点值转换函数。
根据如下公式求取灰度图像的梯度和幅角:
,
其中GRAD(i,j)、ANG(i,j)分别为灰度图像的梯度和幅角,i、j分别为行序号和列序号。
步骤S4:寻找灰度图像边缘集合,然后进行灰度图像集合的弱边缘剔除,基于处理阈值得到处理后的图像边缘检测结果;具体为:
根据如下公式寻找步骤S4中的灰度图像边缘集合:
,
s.t.{ [-22.5<ANG(i,j)<22.5 or 157.5<ANG(i,j)<202.5] and [GRAD(i,j)>GRAD(i+1,j) and GRAD(i,j)>GRAD(i-1,j)] }or{ [67.5<ANG(i,j)<112.5 or 247.5<ANG(i,j)<292.5] and [GRAD(i,j)>GRAD(i,j+1) and GRAD(i,j)>GRAD(i,j-1)] } or{[22.5<ANG(i,j)<67.5 or 202.5<ANG(i,j)<247.5] and [GRAD(i,j)>GRAD(i+1,j+1) andGRAD(i,j)>GRAD(i-1,j-1)] }or{ GRAD(i,j)>GRAD(i+1,j-1) and GRAD(i,j)>GRAD(i-1,j+1)},
其中EDGE(i,j)为灰度图像边缘集合,GRAD(i,j)为灰度图像的梯度,s.t.表示约束条件。
对于步骤S4中灰度图像集合的弱边缘剔除,采用如下方式进行剔除:
;
基于处理阈值threshold得到处理后的图像边缘检测结果,具体为:
;
其中EDGE-new(i,j)为剔除弱边缘后的灰度图像集合,max()为取最大值函数,conj()为非共轭转置函数,threshold取0.2, EDGE-dis(i,j)为处理后的图像边缘检测结果。改变处理阈值threshold的大小,可以改变图像边缘检测结果,但对于上述处理阈值threshold的调节应当取尽量小的步长,以免遗漏图像边缘信息从而影响图像边缘检测效果。
步骤S5:将处理后的图像边缘检测结果发送至高危图像存储模块,以便进行燃气管道缺陷检测。本发明的方案中利用Redis数据库作为高危图像存储模块,将图像边缘检测结果转换以二进制数据进行存储,也可以采用其他数据库如MongoDB进行上述图像存储。
结合图2,本发明还提出了用于燃气管道高危作业的图像处理***,包括高危图像存储模块、图像处理模块和燃气管道高危预警模块,所述图像处理模块与所述高危图像存储模块相连,所述高危图像存储模块与所述燃气管道高危预警模块相连,所述图像处理模块用于执行上述图像处理方法,所述燃气管道高危预警模块用于根据所述高危图像存储模块中存储的图像边缘检测结果进行燃气管道缺陷检测,在检测为异常时,发出预警信号。可以采用蜂鸣器或振动马达作为燃气管道高危预警模块,发出蜂鸣器信号或者振动马达信号作为预警信号。
图3和图4显示了应用本发明中的图像处理方法对管道腐蚀区域进行边缘检测的结果,其中图3是对掺杂有椒盐干扰信号的燃气管道图像进行灰度处理后的图像,图4是燃气管道缺陷边缘检测图像。图3中可以明显看出燃气管道内壁存在被腐蚀的多块大小不一的不规则区域,利用本发明的图像处理方法处理后得到的是图4中的边缘检测图像,可以将该边缘检测图像发送至高危图像存储模块,以便进行后续的燃气管道缺陷检测,这里通过图4可以看出本发明的图像处理方法抑制了椒盐干扰信号对图像缺陷检测的影响,图4中存在多条清晰的相互交织的图像边缘,因此可以认为燃气管道此处的腐蚀程度较为严重。
图5和图6显示了对于掺杂有不同的干扰信号的燃气管道图像的图像处理结果。图5中在灰度转化后的燃气管道图像上添加gaussian干扰信号,图6中在灰度转化后的燃气管道图像上添加poisson干扰信号。对于图5中的gaussian干扰信号,设置调节阈值m=1.9、N=30,对于图6中的poisson干扰信号,设置调节阈值m=1.5、N=28,可以理解的是,对于环境更加复杂的燃气管道高危作业现场,其干扰信号必然更加多样,通过改变第一调节阈值和第二调节阈值的大小,可以适用不同的燃气管道图像干扰信号的滤除,因而扩大了本发明的图像处理方法的使用范围。
本发明首先通过CCTV获取燃气管道的彩色图像并进行灰度转化,然后利用构造的高斯偏导函数对灰度转化后的燃气管道图像中的干扰信号进行滤除,通过卷积变换得到灰度图像梯度和幅角,并进一步基于上述灰度图像的梯度和幅角得到处理后的图像边缘,能够有效抑制燃气管道图像边缘检测中的信号干扰从而提高边缘检测的精确度和完整度;此外,调节上述高斯偏导函数中的调节阈值,可以适用于不同的燃气管道图像干扰信号的滤除,通过简单的操作即扩大了本发明图像处理方法的使用范围。
以上所述,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.用于燃气管道高危作业的图像处理方法,其特征在于,所述图像处理方法如下步骤:
S1:基于CCTV摄像头获取燃气管道的彩色图像,并利用线性方程对所述燃气管道的彩色图像进行灰度处理,得到燃气管道的灰度图像;
S2:构造高斯偏导函数,并求取高斯偏导函数变量的归一化变量;
S3:利用所述归一化变量计算灰度图像的行、列卷积值,然后根据所述行卷积值和所述列卷积值进行灰度图像梯度和幅角求解;
S4:基于所述灰度图像梯度和幅角,寻找灰度图像边缘集合,然后进行灰度图像集合的弱边缘剔除,基于处理阈值得到处理后的图像边缘检测结果;
S5:将处理后的图像边缘检测结果发送至高危图像存储模块,以便进行燃气管道缺陷检测。
2.如权利要求1所述的用于燃气管道高危作业的图像处理方法,其特征在于:所述步骤S1中利用线性方程对燃气管道的彩色图像进行灰度处理,所述线性方程为:
F(x,y)=k1R+k2G+k3B,
其中F(x,y)表示燃气管道的彩色图像的灰度矩阵,x、y分别表示灰度矩阵的行和列数据,R、G、B分别表示燃气管道的彩色图像中红、绿、蓝三色的分量,k1、k2、k3为比例系数。
3.如权利要求2所述的用于燃气管道高危作业的图像处理方法,其特征在于:所述步骤S2中,构造高斯偏导函数具体为:
,
其中PX(x1 y1)、PY(x1 y1)分别为第一高斯偏导函数变量和第二高斯偏导函数变量,x1和y1分别为高斯偏导函数变量的行分量和列分量,m和N分别为第一调节阈值和第二调节阈值。
4.如权利要求3所述的用于燃气管道高危作业的图像处理方法,其特征在于:所述步骤S2中,求取高斯偏导函数变量的归一化变量具体为:
,
其中PX1(x1 y1)、PY1(x1 y1)为第一高斯函数变量和第二高斯函数变量的归一化变量,表示范数函数。
5.如权利要求4所述的用于燃气管道高危作业的图像处理方法,其特征在于:所述步骤S3中,利用所述归一化变量计算灰度图像行、列卷积值包括:
,
其中GX、GY分别为灰度图像行卷积值和灰度图像列卷积值,表示卷积运算,double()为浮点值转换函数。
6.如权利要求5所述的用于燃气管道高危作业的图像处理方法,其特征在于:根据如下公式求取灰度图像的梯度和幅角:
,
其中GRAD(i,j)、ANG(i,j)分别为灰度图像的梯度和幅角,i、j分别为行序号和列序号。
7.如权利要求6所述的用于燃气管道高危作业的图像处理方法,其特征在于:根据如下公式寻找步骤S4中的灰度图像边缘集合:
,
s.t.{ [-22.5<ANG(i,j)<22.5 or 157.5<ANG(i,j)<202.5] and [GRAD(i,j)> GRAD(i+1,j) and GRAD(i,j)> GRAD(i-1,j)] }or{ [67.5<ANG(i,j)<112.5 or 247.5<ANG(i,j)<292.5] and [GRAD(i,j)> GRAD(i,j+1) and GRAD(i,j)> GRAD(i,j-1)] } or{ [22.5<ANG(i,j)<67.5 or 202.5<ANG(i,j)<247.5] and [GRAD(i,j)> GRAD(i+1,j+1) andGRAD(i,j)> GRAD(i-1,j-1)] }or{ GRAD(i,j)> GRAD(i+1,j-1) and GRAD(i,j)> GRAD(i-1,j+1)},
其中EDGE(i,j)为灰度图像边缘集合,GRAD(i,j)为灰度图像的梯度,s.t.表示约束条件。
8.如权利要求7所述的用于燃气管道高危作业的图像处理方法,其特征在于:所述步骤S4中灰度图像集合的弱边缘剔除具体为:
;
基于处理阈值threshold得到处理后的图像边缘检测结果,具体为:
;
其中EDGE-new(i,j)为剔除弱边缘后的灰度图像集合,max()为取最大值函数,conj()为非共轭转置函数,threshold取0.2, EDGE-dis(i,j)为处理后的图像边缘检测结果。
9.用于燃气管道高危作业的图像处理***,其特征在于,包括高危图像存储模块、图像处理模块和燃气管道高危预警模块,所述图像处理模块与所述高危图像存储模块相连,所述高危图像存储模块与所述燃气管道高危预警模块相连,所述图像处理模块用于执行权利要求1-8任一项所述的图像处理方法,所述燃气管道高危预警模块用于根据所述高危图像存储模块中存储的图像边缘检测结果进行燃气管道缺陷检测,在检测为异常时,发出预警信号。
10.如权利要求9所述的用于燃气管道高危作业的图像处理***,其特征在于:所述预警信号为蜂鸣器信号或者振动马达信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268646.1A CN117876361B (zh) | 2024-03-11 | 2024-03-11 | 用于燃气管道高危作业的图像处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268646.1A CN117876361B (zh) | 2024-03-11 | 2024-03-11 | 用于燃气管道高危作业的图像处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876361A true CN117876361A (zh) | 2024-04-12 |
CN117876361B CN117876361B (zh) | 2024-05-10 |
Family
ID=90581535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410268646.1A Active CN117876361B (zh) | 2024-03-11 | 2024-03-11 | 用于燃气管道高危作业的图像处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876361B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078634A1 (en) * | 2015-09-16 | 2017-03-16 | Thermo Electron Scientific Instruments Llc | Image analysis system and method |
CN107133598A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种非结构化道路的检测方法 |
CN107169979A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种改进Canny算子的图像边缘检测方法 |
KR20180064064A (ko) * | 2016-12-05 | 2018-06-14 | 인천대학교 산학협력단 | 퍼지 이론에 기초한 컬러 이미지의 에지 검출 방법 |
CN108470345A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种自适应阈值的图像边缘检测方法 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN111402280A (zh) * | 2020-03-10 | 2020-07-10 | 西安电子科技大学 | 基于对数图像处理模型的图像边缘检测***及方法 |
CN111739058A (zh) * | 2020-06-03 | 2020-10-02 | 大连理工大学 | 一种基于高斯滤波的分水岭算法的自由液面识别和提取的方法 |
-
2024
- 2024-03-11 CN CN202410268646.1A patent/CN117876361B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078634A1 (en) * | 2015-09-16 | 2017-03-16 | Thermo Electron Scientific Instruments Llc | Image analysis system and method |
KR20180064064A (ko) * | 2016-12-05 | 2018-06-14 | 인천대학교 산학협력단 | 퍼지 이론에 기초한 컬러 이미지의 에지 검출 방법 |
CN108470345A (zh) * | 2017-02-23 | 2018-08-31 | 南宁市富久信息技术有限公司 | 一种自适应阈值的图像边缘检测方法 |
CN107133598A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种非结构化道路的检测方法 |
CN107169979A (zh) * | 2017-05-11 | 2017-09-15 | 南宁市正祥科技有限公司 | 一种改进Canny算子的图像边缘检测方法 |
WO2019134327A1 (zh) * | 2018-01-03 | 2019-07-11 | 东北大学 | 一种基于边缘检测与sift的人脸表情识别特征提取方法 |
CN111402280A (zh) * | 2020-03-10 | 2020-07-10 | 西安电子科技大学 | 基于对数图像处理模型的图像边缘检测***及方法 |
CN111739058A (zh) * | 2020-06-03 | 2020-10-02 | 大连理工大学 | 一种基于高斯滤波的分水岭算法的自由液面识别和提取的方法 |
Non-Patent Citations (4)
Title |
---|
关芳芳;程筱胜;崔海华;: "基于Canny理论的自适应阈值彩色图像边缘检测", 机电产品开发与创新, no. 06, 28 November 2013 (2013-11-28) * |
王传琦;张建;熊伟;史彩娟;: "基于数学形态学的彩色图像边缘检测", 平顶山工学院学报, no. 02, 15 March 2008 (2008-03-15) * |
王本强;彭延军;王本刚;: "一种有效保持边缘的现场足迹边缘检测算法", ***仿真学报, no. 1, 23 September 2008 (2008-09-23) * |
辛玉欣;王传洋;: "一种基于Canny算子的图像边缘检测方法", 信息与电脑(理论版), no. 18, 23 September 2017 (2017-09-23) * |
Also Published As
Publication number | Publication date |
---|---|
CN117876361B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leung et al. | Comparison of image data fusion techniques using entropy and INI | |
CN111814711A (zh) | 一种应用于矿井机器视觉的图像特征快速匹配方法及*** | |
US10931871B2 (en) | Pipeline detection method and apparatus, and storage medium | |
CN114677601B (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN107515227A (zh) | 基于缺陷无损的图像压缩方法及显示面板缺陷检测*** | |
CN112508944A (zh) | 一种应用于煤矿井下供水管路的泄漏检测方法 | |
CN112734739A (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
CN104915938A (zh) | 一种高密度椒盐噪声污染图像修复方法 | |
CN116563283B (zh) | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 | |
Li et al. | Detection algorithm of defects on polyethylene gas pipe using image recognition | |
CN111289526B (zh) | 一种燃气输送管道内表面缺陷检测方法及*** | |
Yang et al. | Feature extraction of sewer pipe defects using wavelet transform and co-occurrence matrix | |
CN117876361B (zh) | 用于燃气管道高危作业的图像处理方法及*** | |
JP2007024746A (ja) | 管渠内部の欠陥検出・判別方法及び装置 | |
CN106404893B (zh) | 一种轴向漏磁缺陷信号自动检测方法 | |
CN113899349B (zh) | 海浪参数检测方法、设备及存储介质 | |
CN116092019A (zh) | 船舶周边异常物体监测***及其存储介质、电子设备 | |
CN114359149A (zh) | 基于实时图像边缘增强的坝岸险***检测方法及*** | |
CN112419336B (zh) | 基于小波变换的动车齿轮箱漏油故障识别方法及*** | |
Idris et al. | Image enhancement based on software filter optimization for corrosion inspection | |
CN109767426A (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN113516608A (zh) | 轮胎的缺陷检测方法和检测装置、轮胎检测设备 | |
CN115234845B (zh) | 基于投影模型的油气管道内壁缺陷图像可视化检测方法 | |
CN116152164A (zh) | 一种夜间多光谱微光遥感影像亮度异常检测方法及装置 | |
CN117372919B (zh) | 一种第三方施工威胁物检测方法及装置 |
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 |