CN103216731A - 一种管道泄漏判定方法及其系统 - Google Patents
一种管道泄漏判定方法及其系统 Download PDFInfo
- Publication number
- CN103216731A CN103216731A CN2013101654643A CN201310165464A CN103216731A CN 103216731 A CN103216731 A CN 103216731A CN 2013101654643 A CN2013101654643 A CN 2013101654643A CN 201310165464 A CN201310165464 A CN 201310165464A CN 103216731 A CN103216731 A CN 103216731A
- Authority
- CN
- China
- Prior art keywords
- image
- leakage
- pipeline
- signal
- connected region
- 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
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种管道泄漏判定方法及其系统,所述方法包括泄漏检测步骤:S101、将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;S102、将所述图片转换为二值图像;S103、利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;S104、删除图像中所包含的面积小于第二阈值的连通区域;S105、采用与步骤S103中相同的结构元素对图像进行膨胀处理;S106、统计图像中所包含的连通区域的个数N,如果N等于1,则判定当前管道未发生泄漏;如果N大于1,则判定当前管道发生了泄漏。本发明模拟人眼辨别压力曲线的过程来判定泄漏的发生并对泄漏位置进行定位,能够提供较高的检测精度和泄漏点定位精度,是对现有技术的有益补充。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种管道泄漏判定方法及其系统。
背景技术
目前,国内外管道泄漏检测和定位,通常采用基于压力信号分析的方法,系统的组成基本相似,即在管道的两端安装压力变送器采集压力变化信号,采集到的信号表现为4~20mA的电流信号,再通过远程数据单元RTU,将该电流信号转换为数字信号序列。通常我们会通过分析信号本身的特征去发现泄漏、定位泄漏。泄漏检测和定位的传统方法是采用小波、经验模式分解等方法对该数字信号序列去噪,进行特征提取,然后采用人工智能方法进行模式识别;或者采用小波分析、相关性分析、特征统计等方法直接进行信号分析。另外,清华大学叶昊曾提出将采集到的动态压力数据视为一维灰度图像,通过判断灰度图像左右两部分的灰度值差异进行泄漏判定的方法。
现有技术存在如下缺点:(1)泄漏检测的灵敏度较低,容易发生误判或漏判;(2)泄漏点的定位精度较低,泄漏位置判定误差较大。
发明内容
本发明的目的是模拟人眼发现泄漏的过程,从图像处理的角度对管道泄漏进行检测和定位,有助于提高泄漏检测的灵敏度和定位精度。
为达此目的,本发明采用以下技术方案:
一种管道泄漏判定方法,其特征在于包括以下步骤以检测管道是否发生了泄漏:
S101、将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
S102、将所述图片转换为二值图像;
S103、利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
S104、删除图像中所包含的面积小于第二阈值的连通区域;
S105、采用与步骤S103中相同的结构元素对图像进行膨胀处理;
S106、统计图像中所包含的连通区域的个数N,如果N等于1,则当前图像为正常信号图像,即判定当前管道未发生泄漏;如果N大于1,则当前图像为异常信号图像,即判定当前管道发生了泄漏。
进一步地,所述方法进一步包括以下步骤以对管道泄漏的具体位置进行定位:
S701、分别对管道上、下游两幅异常信号图像中位于左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列;
S702、对于经步骤S701处理后的图像统计任意一幅图像所包含的列数,并分别确定所述两幅异常信号图像中左端连通区域的右边界所在列的列索引;
S703、根据所述列数及列索引计算泄漏点在原信号中出现的位置;
S704、根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置。
根据同一构思,本发明还提出了一种管道泄漏判定系统,其特征在于包括以下模块以检测管道是否发生了泄漏:
信号图片转换模块,用于将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
二值化模块,将所述图片转换为二值图像;
腐蚀模块,利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
细小区域删除模块,用于删除图像中所包含的面积小于第二阈值的连通区域;
膨胀模块,采用与腐蚀模块中相同的结构元素对图像进行膨胀处理;
统计判定模块,统计图像中所包含的连通区域的个数N,如果N等于1,则当前图像为正常信号图像,即判定当前管道未发生泄漏;如果N大于1,则当前图像为异常信号图像,即判定当前管道发生了泄漏。
进一步地,所述系统还包括以下模块以对管道泄漏的具体位置进行定位:
边界处理模块,分别对管道上、下游两幅异常信号图像中位于左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列;
列信息确定模块,对于经所述边界处理模块处理后的图像统计任意一幅图像所包含的列数,并分别确定上下游信号图像左端连通区域的右边界所在列的列索引;
原信号位置计算模块,根据所述列数及列索引计算泄漏点在原信号中出现的位置;
管道位置计算模块,根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置。
本发明创造性地提出应用图像学方法,模拟人眼辨别压力曲线,判定泄漏的发生并对泄漏位置进行定位,从机器视觉的角度提出了一种管道泄漏判定的新方法,能够提供较高的检测精度和泄漏点定位精度,是对现有泄漏检测技术的有益补充。
附图说明
图1是本发明具体实施例一所述的管道泄漏判定方法流程图;
图2是正常信号图像;
图3是异常信号图像;
图4是腐蚀后的正常信号图像;
图5是删除图4中包含的小连通区域并进行膨胀后的正常信号图像;
图6是腐蚀并膨胀后的异常信号图像;
图7是本发明具体实施例二中所包含的泄漏定位操作流程图;
图8是本发明具体实施例三所述的管道泄漏判定系统结构图;
图9是本发明具体实施例四中所包含的泄漏定位单元的结构图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例一
图1是本实施例所述的管道泄漏判定方法流程图,用于判断管道是否发生了泄漏,如图1所示,本实施例所述方法包括以下步骤:
步骤S101、将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
管道上下游两端的压力传感器通常以相同的采样频率及采样时长对管道两端的压力数据进行采样,两个传感器在一个采样周期内获得的采样点数是一致的,在保存图片时,也会将上下游信号图片保存为同样大小,这样方便了后续步骤对上下游两幅信号图像的统一处理。当然,两个传感器的采集参数也可以不一致,这时候就需要对获取的数据或者依据该数据保存的图片进行处理,转换为相同频率和时长的数据或者相应的图片,从而使得最后得到的两幅信号图像保持相同的规格。
下面来看一下不同压力信号图像的特征。以某石油管道一端获得的压力数据为例,实验信号采样间隔20ms,采样频率为50Hz,每次采样总时长2分钟,获得采样点总数6000个。典型的正常信号和异常信号分别如图2、图3所示。从视觉的角度出发,正常信号是围绕某一中心区域上下密集波动的一个连通区域。异常信号,即存在负压波的信号,明显地在连通区域中插入了空白区域,当泄漏发生,泄露处产生压降,负压波沿传输介质向管道两端传输。负压波表现在仿真信号中是连接两个连通区域的振荡的细线,如图3所示。
本例的实验仿真环境是Matlab R2008a,在一个采样周期中,动态压力传感器采集到的信号在Matlab中被保存为1行6000列的数字矩阵。在本例中,创造性地将模拟仿真信号直接保存为图片的过程实质是将一个1*6000数字序列保存为3维的jpg图片。这个处理模拟人眼看到仿真信号时,立即把它看作一幅图片,寻找图片的显著特征。其中,可以应用matlab工具箱中的print命令直接输出plot仿真出来的数据为jpg格式的数据;也可以利用操作系统提供的标准API来导出图片,例如在Windows操作系统中,可以利用其提供的API如SaveToFile()将信号保存为图像格式。除上述方式之外,还可以采用其他科学计算软件如Mathematica、Maple、MathCAD等来实现,本发明对此不作限制。
进一步地,为了保证图片质量和便于计算,可以将所述图片缩放预设倍数以便于后续处理。例如可以采用三次样条插值的方法缩小图片至原信号矩阵0.3倍大小。以正常信号为例,保存后为<901*1201*3unit8>的3维矩阵,矩阵太大,不便于计算,故采用上述方法将图片缩小至原信号矩阵0.3倍大小,将矩阵转换为<271*361*3unit8>矩阵,在保证图像细节不失真的前提下,计算的数据量大大减少。当然,如果要考虑提升计算速度时,也可以将图片进一步缩小,比如缩放至原图的0.1倍,但是缩小的同时会一定比例的丢失细节数据,并且需要调整后面的腐蚀及膨胀操作中所使用的结构元素的尺寸。在本发明所给出的上述图片规格的情况下,0.3是优选的缩放倍数。
步骤S102、将所述图片转换为二值图像;
在这个步骤中,对图片进行二值化操作,将其转换为仅包含0、1的二值图像,以方便应用matlab中的腐蚀、膨胀工具对图像做进一步处理。这个处理过程模拟现实世界中,人眼去看仿真信号时,首先把它看做一个画面即图像,然后寻找画面的本质即二值化特征。二值图像在matlab中被存为仅包含0、1的二值矩阵。
步骤S103、利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
当泄漏发生,泄露处产生压降,负压波沿传输介质向管道两端传输,负压波表现在仿真信号中是连接两个连通区域的振荡的细线,如图3所示。为了删除这部分细线,本发明利用具有预设形状且尺寸为第一阈值的结构元素来腐蚀所述二值图像。在本例中,构造半径为3像素的平坦圆盘型结构元素来实施上述腐蚀操作。在当前实施例的工况下,经过对1000多组石油管道仿真信号的实验得知,半径为3像素的平坦圆盘型结构元素可以有效腐蚀掉细线。当然工况不同,获得的仿真数据千差万别,可以在有效腐蚀两个连通区域中连接细线的前提下,适度调整所述结构元素的形状和大小。
另外,在图像处理中,图像默认为8连通的。在进行泄漏检测时,我们需要图像的大致特征即可,无需过多关注细节。在进行腐蚀处理时,4连通区域的处理计算量相对少,图像边沿信息丢失相对大,可以更好的断开两个连通区域中的细小连接部分,因此,优选该方式进行处理。
步骤S104、删除图像中所包含的面积小于第二阈值的连通区域;
由于上述腐蚀操作可能导致一个连通区域被割裂成多个连通区域,如图4所示,一个正常的信号经过腐蚀处理后,出现了三个连通区域。其中线框包围的两个连通区域是我们不希望出现的,这两个连通区域面积和我们要获得的能够表征图像特征的连通区域面积相比非常小,在此根据大量的数据统计经验,选取一个阈值100作为所述第二阈值,将面积小于100像素的连通区域,全部置为0,相当于去除了相应的区域。
步骤S105、采用与步骤S103中相同的结构元素对图像进行膨胀处理;
在步骤S103的腐蚀过程中不仅腐蚀了区域间的细小连接,也使二值图像中的对象收缩和细化,这会导致负压波的发生位置产生一定程度的偏移。为了准确定位负压波发生的位置,还需采用与步骤S103中相同的结构元素对腐蚀过的图像进行逆运算,即膨胀处理。本例中,可以选用半径为3像素的平坦圆盘型结构元素对腐蚀过的图像进行膨胀。此处选择的用于膨胀操作的结构元素与步骤S103中所使用的结构元素相一致,是为了前面腐蚀多少,后面就膨胀多少,这样可以保证连通区域的宽度不变,避免负压波发生位置的偏移,进而保证了在做泄漏定位时,泄漏位置的准确预测。对正常信号和异常信号图像执行膨胀操作后的结果分别如图5和图6所示。
步骤S106、统计图像中所包含的连通区域的个数N,并据此判断是否发生了泄漏;
对图像中所包含的连通区域的个数N进行统计,如果N等于1,如图5所示,则表示当前的信号图像中没有产生负压波,即当前图像为正常信号图像,管道未发生泄漏;如果N大于1,如图6所示连通区域个数N=3,则表示当前的信号图像中产生了负压波,即当前图像为异常信号图像,管道发生了泄漏。
通过该实施例一所描述的方案可以灵敏地检测出当前管道是否发生了泄漏,而为了进一步定位泄漏点的具体位置,本发明在实施例一的基础上给出以下实施例二。
实施例二
本实施例在图1所示的泄漏检测操作基础上进一步包括泄漏定位操作,当所述泄漏检测操作判定当前管道发生了泄漏即图像为异常信号图像时(如图6所示),对管道泄漏的具体位置进行定位,所述泄漏定位操作如图7所示,包括以下步骤:
步骤S701、分别对管道上、下游两幅异常信号图像中位于左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列。
由于管道两端均设置有压力传感器,因此,一旦管道发生泄漏,则两个压力传感器捕获的压力信号中都会出现负压波,也就是说,此时起,上下游两幅压力信号图像会先后表现为异常信号图像,本发明即借助于上下游的这两幅异常信号图像对泄漏位置进行定位。
如图6所示,采用图1所述方法处理后的异常信号图像中包含了3个连通区域,各连通区域横向依次排列,各区域之间被空白区域分开。检测到连通区域1的右边界,即可找到当前异常信号图像中负压波发生的位置。但是在图中也可以看到,连通区域1的右上角线框包围的部分存在腐蚀后的细线根部,这会导致对负压波的位置判断产生误差,因此,需要将所述细线根部删除。
参见图6,位于异常信号图像左端的连通区域为区域1,这个区域的右边界是指该区域最右端像素列的位置。对位于当前异常信号图像左端的连通区域1执行以下处理:从该连通区域1的右边界向左按列依次统计当前列所包含的像素数M,若M小于第三阈值,则删除该列,重复执行该删除操作直至M不满足上述条件。所述细线根部的图像特征是,所在列的像素数比较少。经过对1000余幅图像的实验处理,在区域1中从右向左按列统计像素总数,若像素总数小于30,将该列所有元素置0。经试验,当阈值为30时,可以获得理想的实验效果。
采用同样的方法,对管道另一端压力传感器获得的异常信号进行处理,删除异常信号图像左端的连通区域的右边界所含像素数小于第三阈值的列。
步骤S702、对于经步骤S701处理后的图像统计任意一幅图像所包含的列数,并针对两幅图像分别确定所述右边界所在列的列索引。
对于经步骤S701处理后的图像统计任意一幅图像所包含的列数nLie,并分别找到两幅图像中经步骤S701处理后的所述第一连通区域的右边界所在列的列索引cd1和cd2。如前面所述,两幅图像的规格是一致的,因此其列数是也相同的,所以仅需统计一幅图像的列数就可以。
步骤S703、根据所述列数及列索引计算泄漏点在原信号中出现的位置。
在上游信号中出现的位置为UpLeak,在下游信号中出现的位置为DpLeak,各自的计算公式为:
UpLeak=nSample×cd1/nLie,DpLeak=nSample×cd2/nLie,
其中,nSample为原信号中一个采样周期中的采样点数;如前面所述,两幅图像的规格是一致的,因此单个周期的采样点数是也相同的。
步骤S704、根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置,计算公式为:
XL=1/2(L-v×(Ts×(UpLeak-DpLeak)+ΔT)),
其中,XL为泄漏点距上游端的距离,L为管道的总长度,v为压力波在管道中的平均传播速度,Ts为采样周期,ΔT为泄漏信号在上游及下游出现的时间差。
通过该实施例二进一步所描述的方案可以精确地定位当前管道发生泄漏的具体位置,从而为工程技术人员提供可靠的参考信息。
实施例三
根据同一构思,本发明还提出了一种管道泄漏判定系统,用于判断管道是否发生了泄漏,如图8所示,本实施例所述的泄漏判定系统800具体包括:
信号图片转换模块801,用于将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
二值化模块802,将所述图片转换为二值图像;
腐蚀模块803,利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
细小区域删除模块804,用于删除图像中所包含的面积小于第二阈值的连通区域;
膨胀模块805,采用与腐蚀模块中相同的结构元素对图像进行膨胀处理;
统计判定模块806,统计图像中所包含的连通区域的个数N,如果N等于1,则当前图像为正常信号图像,即判定当前管道未发生泄漏;如果N大于1,则当前图像为异常信号图像,即判定当前管道发生了泄漏。
通过该实施例三所描述的方案可以灵敏地检测出当前管道是否发生了泄漏,而为了进一步定位泄漏点的具体位置,本发明在实施例三的基础上给出以下实施例四。
实施例四
本实施例在图8所示的泄漏判定系统800的基础上进一步包括泄漏定位单元900,当所述泄漏判定系统判定当前管道发生了泄漏即图像为异常信号图像时,对管道泄漏的具体位置进行定位,其中,所述泄漏定位单元900的结构如图9所示,包括以下模块:
边界处理模块901,分别对管道上下游共两幅异常信号图像左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列;
列信息确定模块902,对于经所述边界处理模块处理后的图像统计任意一幅图像所包含的列数,并分别确定上下游信号图像左端连通区域的右边界所在列的列索引;
原信号位置计算模块903,根据所述列数及列索引计算泄漏点在原信号中出现的位置;
管道位置计算模块904,根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置。
通过该实施例进一步所描述的方案可以精确地定位当前管道发生泄漏的具体位置,从而为工程技术人员提供可靠的参考信息。
本发明基于图像学方法来模拟人眼辨别压力曲线,判定泄漏的发生并对泄漏位置进行定位,从机器视觉的角度提出了一种管道泄漏判定的新方法,能够提供较高的检测精度和泄漏点定位精度,是对现有泄漏检测技术的有益补充。
以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现,其软件程序存储在可读取的存储介质中,存储介质例如:计算机中的硬盘、光盘或软盘。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种管道泄漏判定方法,其特征在于,该方法包括以下步骤:
S101、将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
S102、将所述图片转换为二值图像;
S103、利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
S104、删除图像中所包含的面积小于第二阈值的连通区域;
S105、采用与步骤S103中相同的结构元素对图像进行膨胀处理;
S106、统计图像中所包含的连通区域的个数N,如果N等于1,则当前图像为正常信号图像,即判定当前管道未发生泄漏;如果N大于1,则当前图像为异常信号图像,即判定当前管道发生了泄漏。
2.如权利要求1所述的管道泄漏判定方法,其特征在于:优选的,所述步骤S101还包括:将所述图片缩放预设倍数以便于后续处理,并采用三次样条插值方法执行所述缩放操作,所述预设倍数为0.3倍,且:所述具有预设形状且尺寸为第一阈值的结构元素具体是:半径为3像素的平坦圆盘型结构,所述第二阈值为100像素。
3.如权利要求1所述的管道泄漏判定方法,其特征在于,所述方法进一步包括以下步骤以对管道泄漏的具体位置进行定位:
S701、分别对管道上、下游两幅异常信号图像中位于左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列;
S702、对于经步骤S701处理后的图像统计任意一幅图像所包含的列数,并分别确定所述两幅异常信号图像中左端连通区域的右边界所在列的列索引;
S703、根据所述列数及列索引计算泄漏点在原信号中出现的位置;
S704、根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置。
4.如权利要求3所述的管道泄漏判定方法,其特征在于:
所述步骤S701具体包括:
对每幅异常信号图像左端的第一连通区域执行以下处理:从该第一连通区域的右边界向左按列依次统计当前列所包含的像素数M,若M小于第三阈值,则删除该列,重复执行该删除操作直至M不满足上述条件。
5.如权利要求3所述的管道泄漏判定方法,其特征在于,所述步骤S702具体包括:
对于经步骤S701处理后的图像统计任意一幅图像所包含的列数nLie,并分别找到经步骤S701处理后的两幅图像中所述第一连通区域的右边界所在列的列索引cd1和cd2。
6.如权利要求5所述的管道泄漏判定方法,其特征在于,所述步骤S703具体包括:
计算泄漏点在原信号中出现的位置,在上游信号中出现的位置为UpLeak,在下游信号中出现的位置为DpLeak,各自的计算公式为:
UpLeak=nSample×cd1/nLie,DpLeak=nSample×cd2/nLie,
其中,nSample为原信号中一个采样周期中的采样点数。
7.如权利要求6所述的管道泄漏判定方法,其特征在于,所述步骤S704具体包括:
计算泄漏点在管道中的位置,其计算公式为:
XL=1/2(L-v×(Ts×(UpLeak-DpLeak)+ΔT)),
其中,XL为泄漏点距上游端的距离,L为管道的总长度,v为压力波在管道中的平均传播速度,Ts为采样周期,ΔT为泄漏信号在上游及下游出现的时间差。
8.如权利要求3所述的管道泄漏判定方法,其特征在于,所述第三阈值为 30像素。
9.一种管道泄漏判定系统,其特征在于,包括以下模块以检测管道是否发生了泄漏:
信号图片转换模块,用于将直管道两端的动态压力传感器捕获的管道上游及下游压力信号均保存为图片;
二值化模块,将所述图片转换为二值图像;
腐蚀模块,利用具有预设形状且尺寸为第一阈值的结构元素腐蚀所述二值图像;
细小区域删除模块,用于删除图像中所包含的面积小于第二阈值的连通区域;
膨胀模块,采用与腐蚀模块中相同的结构元素对图像进行膨胀处理;
统计判定模块,统计图像中所包含的连通区域的个数N,如果N等于1,则当前图像为正常信号图像,即判定当前管道未发生泄漏;如果N大于1,则当前图像为异常信号图像,即判定当前管道发生了泄漏。
10.如权利要求9所述的管道泄漏判定系统,其特征在于,所述系统进一步包括以下模块以对管道泄漏的具体位置进行定位:
边界处理模块,分别对管道上、下游两幅异常信号图像中位于左端的连通区域的右边界进行处理,删除所含像素数小于第三阈值的列;
列信息确定模块,对于经所述边界处理模块处理后的图像统计任意一幅图像所包含的列数,并分别确定上下游信号图像左端连通区域的右边界所在列的列索引;
原信号位置计算模块,根据所述列数及列索引计算泄漏点在原信号中出现的位置;
管道位置计算模块,根据泄漏点在原信号中出现的所述位置计算泄漏点在管道中的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165464.3A CN103216731B (zh) | 2013-05-08 | 2013-05-08 | 一种管道泄漏判定方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310165464.3A CN103216731B (zh) | 2013-05-08 | 2013-05-08 | 一种管道泄漏判定方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103216731A true CN103216731A (zh) | 2013-07-24 |
CN103216731B CN103216731B (zh) | 2015-02-04 |
Family
ID=48814774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310165464.3A Expired - Fee Related CN103216731B (zh) | 2013-05-08 | 2013-05-08 | 一种管道泄漏判定方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103216731B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743871A (zh) * | 2013-11-21 | 2014-04-23 | 瓮福(集团)有限责任公司 | 一种化工企业漏点快速查找方法 |
CN109029861A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于背景建模与质心聚类的压力容器气密性检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
CN109115418A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于区域划分的压力容器气密性检测方法 |
CN109556797A (zh) * | 2018-11-19 | 2019-04-02 | 浙江工业大学 | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 |
CN109708813A (zh) * | 2018-06-28 | 2019-05-03 | 永康市胜时电机有限公司 | 供暖片漏水状态实时检测平台 |
CN109945075A (zh) * | 2019-03-07 | 2019-06-28 | 三川智慧科技股份有限公司 | 一种供水管道泄漏程度检测方法及装置 |
CN114997740A (zh) * | 2022-07-18 | 2022-09-02 | 淄博市特种设备检验研究院 | 一种基于互联网和云计算的压力容器风险预警系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2819239Y (zh) * | 2005-03-02 | 2006-09-20 | 王明时 | 红外埋地管道探测装置 |
CN101281079A (zh) * | 2008-05-12 | 2008-10-08 | 北京理工大学 | 基于红外成像技术的泄漏检测定位方法及系统 |
WO2012010474A1 (en) * | 2010-07-20 | 2012-01-26 | Eni S.P.A. | Monitoring and analysis method of the conditions of a pipeline |
-
2013
- 2013-05-08 CN CN201310165464.3A patent/CN103216731B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2819239Y (zh) * | 2005-03-02 | 2006-09-20 | 王明时 | 红外埋地管道探测装置 |
CN101281079A (zh) * | 2008-05-12 | 2008-10-08 | 北京理工大学 | 基于红外成像技术的泄漏检测定位方法及系统 |
WO2012010474A1 (en) * | 2010-07-20 | 2012-01-26 | Eni S.P.A. | Monitoring and analysis method of the conditions of a pipeline |
Non-Patent Citations (2)
Title |
---|
张宇等: "基于动态压力信号的管道泄漏特征提取方法研究", 《石油学报》 * |
陈华立,叶昊: "基于图像处理的管道泄漏检测与定位", 《清华大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743871A (zh) * | 2013-11-21 | 2014-04-23 | 瓮福(集团)有限责任公司 | 一种化工企业漏点快速查找方法 |
CN109708813A (zh) * | 2018-06-28 | 2019-05-03 | 永康市胜时电机有限公司 | 供暖片漏水状态实时检测平台 |
CN109029861A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于背景建模与质心聚类的压力容器气密性检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
CN109115418A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于区域划分的压力容器气密性检测方法 |
CN109556797A (zh) * | 2018-11-19 | 2019-04-02 | 浙江工业大学 | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 |
CN109945075A (zh) * | 2019-03-07 | 2019-06-28 | 三川智慧科技股份有限公司 | 一种供水管道泄漏程度检测方法及装置 |
CN114997740A (zh) * | 2022-07-18 | 2022-09-02 | 淄博市特种设备检验研究院 | 一种基于互联网和云计算的压力容器风险预警系统 |
CN114997740B (zh) * | 2022-07-18 | 2022-10-25 | 淄博市特种设备检验研究院 | 一种基于互联网和云计算的压力容器风险预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103216731B (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103216731B (zh) | 一种管道泄漏判定方法及其系统 | |
US10565699B2 (en) | Apparatus and method for detecting anomaly in plant pipe using multiple meta-learning | |
CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
CN102982537B (zh) | 一种检测场景变换的方法和系统 | |
CN109635822B (zh) | 基于深度学习编码译码网络的立体图像视觉显著提取方法 | |
CN104539937A (zh) | 一种摄像头模组污点检测的方法和装置 | |
CN115082791A (zh) | 一种基于深度可分离卷积网络的气象锋面自动识别方法 | |
CN111583265A (zh) | 基于编解码器结构实现钓鱼行为检测处理的方法及相应的语义分割网络系统 | |
CN108564002A (zh) | 一种遥感影像时间序列变化检测方法及系统 | |
CN109145822A (zh) | 一种深度学习的暴力检测系统 | |
TWI401576B (zh) | 連續資料之數值分析方法及系統 | |
WO2008040945A1 (en) | A method of identifying a measure of feature saliency in a sequence of images | |
CN115037543A (zh) | 一种基于双向时间卷积神经网络的异常网络流量检测方法 | |
CN115906337A (zh) | 一种工程结构分段式主余震韧性分析方法及系统 | |
CN111815526A (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
Zhang et al. | Integrated deep and shallow networks for salient object detection | |
CN114049483A (zh) | 基于事件相机的目标检测网络自监督训练方法及装置 | |
CN112464725A (zh) | 基于深度学习网络的初至拾取方法及装置 | |
CN117392452A (zh) | 基于图像分析的墙体裂缝检测系统及其方法 | |
CN116452574A (zh) | 一种基于改进YOLOv7的缝隙检测方法、系统和存储介质 | |
CN105913427A (zh) | 一种基于机器学习的噪声图像显著性检测方法 | |
CN112487911B (zh) | 智能监控环境下基于改进yolov3的实时行人检测方法及装置 | |
CN111339863B (zh) | 一种基于物体导向外部记忆模块的视频物体检测模型 | |
CN103575323A (zh) | 占用检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150204 Termination date: 20180508 |