CN104034795A - 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 - Google Patents
基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN104034795A CN104034795A CN201410261559.XA CN201410261559A CN104034795A CN 104034795 A CN104034795 A CN 104034795A CN 201410261559 A CN201410261559 A CN 201410261559A CN 104034795 A CN104034795 A CN 104034795A
- Authority
- CN
- China
- Prior art keywords
- image
- oil
- sub
- region
- defect
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于区域遗传四叉树算法的油气管道缺陷检测方法,包括:通过油气管道内检测器的霍尔传感器采集油气管道漏磁信号,并将其转换为模拟电压信号进行滤波和放大处理后,转换成数字信号传输至FPGA;FPGA对数字信号进行数据预处理;对数据预处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。本发明通过将区域分裂聚合方法融入到适应度函数的方法形成基于区域遗传四叉树算法,增强了遗传算法区域内的寻优能力,避免了传统算法中的假边缘和空白,提高了油气管道缺陷检测能力;通过在FPGA总线并行机制中实现区域遗传四叉树算法,弥补了两种方法融合对寻优速度的影响,保证了系统的运行速度。
Description
技术领域
本发明属于管道检测技术领域,具体涉及一种基于区域遗传四叉树算法的油气管道缺陷检测方法及系统。
背景技术
我国在役长输管道总长约两万公里,在建和拟建管道也达数千公里。由于管龄的增长及管线的增多,致使石油天然气泄漏事故不断增加,对经济和环境造成巨大负担。因此,实时准确反馈管道状态具有重要意义。
目前,漏磁检测相对于超声等方式实现对管道内外壁的腐蚀检测已经具有较好的效果。但是在漏磁信号采集过程中,由于现场伴随有磁、声、热和烟尘等杂物以及受到人为破坏和外力的影响,都会严重干扰对管道缺陷的准确判断,难以确定缺陷的真实边缘。
发明内容
针对现有技术存在的不足,本发明提供一种基于区域遗传四叉树算法的油气管道缺陷检测方法及系统。
本发明的技术方案是:
一种基于区域遗传四叉树算法的油气管道缺陷检测方法,包括以下步骤:
步骤1:通过油气管道内检测器的霍尔传感器采集油气管道漏磁信号,并将其转换为模拟电压信号;
步骤2:对模拟电压信号进行滤波和放大处理后,传输至AD模块;
步骤3:滤波和放大处理后的模拟电压信号经AD模块转换成数字信号,传输至FPGA;
步骤4:FPGA对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵;
步骤5:FPGA对数据预处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果;
步骤5.1:对缺陷灰度图像矩阵进行锐化滤波;
步骤5.2:采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵进行图像分割;
步骤5.2.1:将锐化滤波后的缺陷灰度图像矩阵作为总体图像区域,建立区域遗传4叉树算法的区域变化准则,即缺陷灰度图像矩阵中某一子图像区域中像素点灰度值的均方差;
步骤5.2.2:对总体图像区域进行初始4叉树分裂,分成若干子图像区域;
步骤5.2.3:计算分裂后的每个子图像区域的区域变化准则,并将该区域变化准则与总体图像区域的区域变化准则比较,若子图像区域的区域变化准则大于总体图像区域的区域变化准则,则执行步骤5.2.4,否则执行步骤5.2.5;
步骤5.2.4:对当前子图像区域继续进行4叉树分裂;
步骤5.2.5:判断所有子图像区域是否均分裂完毕,若分裂完毕,则执行步骤5.2.6;否则执行步骤5.2.3;
步骤5.2.6:将分裂后所有子图像区域,按照水平从左至右顺序重新排序,得到新的子图像区域;
步骤5.2.7:分别计算新的子图像区域的区域变化准则及其相邻的子图像区域的区域变化准则,若两者均小于总体图像区域的区域变化准则,则执行步骤5.2.8;否则执行步骤5.2.9;
步骤5.2.8:聚合当前子图像区域及其相邻的子图像区域;
步骤5.2.9:判断所有新的子图像区域是否聚合完毕,若聚合完毕,则执行步骤5.2.10;否则执行步骤5.2.7;
步骤5.2.10:将聚合后的所有子图像区域,按照水平方向从左至右顺序重新排序,得到最终的子图像区域,并以最终的子图像区域作为初始种群体,对初始种群体进行编码;
步骤5.2.11:建立边缘模糊性准则度量指标、总体图像区域的边缘模糊性准则度量的加权和以及个体适应度函数;
所述边缘模糊性准则度量指标为各个子图像区域及其相邻子图像区域的平均灰度差与灰度方差和分别作商,再对各商值求和后取平均值;
所述总体图像区域的边缘模糊性准则度量的加权和为对边缘模糊性准则度量指标加权求和后取平均值;
所述个体适应度函数为总体图像区域的边缘模糊性准则度量的加权和与总体图像区域的区域变化准则的乘积;
步骤5.2.12:利用个体适应度函数对编码后的子图像区域进行基于遗传阈值算法的迭代处理;
步骤5.2.13:对迭代处理后的种群体进行解码,得到迭代处理的最佳阈值,并将最佳阈值返回步骤5.2.1,对子图像区域的区域变化准则进行约束;
步骤5.3:利用最佳阈值对总体图像区域进行二值化处理,即完成图像分割,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
步骤5.2.12中所述的利用个体适应度函数对编码后的子图像区域进行基于遗传阈值算法的迭代处理时,种群体的交叉概率和变异概率按照如下方法设定:
(1)对第t代所有种群体的个体适应度函数求和后取平均值,得到种群个体适应度函数值平均值;
(2)第t代种群体的早熟程度,即第t代最优个体适应度函数值与种群个体适应度函数值平均值之差;
(3)根据不同代种群体的早熟程度设定种群体的交叉概率和变异概率。
所述的基于区域遗传四叉树算法的油气管道缺陷检测方法采用的油气管道缺陷检测系统,包括油气管道内检测器的霍尔传感器、信号调理模块、AD模块和FPGA;
油气管道内检测器的霍尔传感器用于采集油气管道漏磁信号,并将其转换为模拟电压信号;
信号调理模块用于对模拟电压信号进行滤波和放大处理后传输至AD模块;
AD模块用于将滤波和放大处理后的模拟电压信号转换成数字信号,传输至FPGA;
FPGA用于对AD转换后的数字信号进行数字信号处理,得到缺陷灰度图像矩阵,并对数字信号处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
FPGA设置有数字信号处理模块和图像信号处理模块;
数字信号处理模块包括AD时序控制模块和数据预处理模块,其中,AD时序控制模块用于对AD模块的工作时序进行控制;数据预处理模块用于对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵;
图像信号处理模块包括锐化滤波模块和区域遗传四叉树模块,其中,锐化滤波模块用于对缺陷灰度图像矩阵进行锐化滤波;区域遗传四叉树模块用于采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵进行图像分割,根据最佳阈值对总体图像区域进行二值化处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
有益效果:
本发明采用了模拟滤波(信号调理模块)与数字滤波(锐化滤波模块)两级滤波的方式,提高了系统的抗干扰能力;通过将区域分裂聚合方法融入到适应度函数的方法形成基于区域遗传四叉树算法,解决了传统遗传算法对初始种群的过度依赖问题,增强了遗传算法区域内的寻优能力,避免了传统算法中的假边缘和空白,提高了油气管道缺陷检测能力;通过在FPGA总线并行机制中实现区域遗传四叉树算法,弥补了两种方法融合对寻优速度的影响,保证了系统的运行速度。
附图说明
图1是本发明具体实施方式的油气管道缺陷检测系统的结构框图;
图2是本发明具体实施方式的基于区域遗传四叉树算法的油气管道缺陷检测方法流程图;
图3是本发明具体实施方式的信号调理模块电路原理图;
图4是本发明具体实施方式的AD模块与FPGA接口电路原理图;
图5是本发明具体实施方式的经锐化滤波模块处理前后缺陷图像效果图,(a)为经锐化滤波模块处理前的缺陷图像效果图,(b)为经锐化滤波模块处理后的缺陷图像效果图;
图6是本发明具体实施方式的采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵R进行图像分割流程图;
图7是本发明具体实施方式的四叉树分裂方式示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细说明。
本实施方式中,基于区域遗传四叉树算法的油气管道缺陷检测方法采用的油气管道缺陷检测系统,如图1所示,包括油气管道内检测器的霍尔传感器、信号调理模块、AD模块和FPGA;
油气管道内检测器的霍尔传感器用于采集油气管道漏磁信号,并将其转换为模拟电压信号;
信号调理模块用于对模拟电压信号进行滤波和放大处理后传输至AD模块;
信号调理模块电路如图3所示,该模块实现信号的稳压、滤波和放大,霍尔传感器的输出首先经过滤波电路滤波,然后经一个10K的电阻连接到运算放大器的反相输入端,同相输入端经过LM385稳压后的2.5V的参考电压,运算放大器的输出端连接合适的电阻、电容进行滤波;其中,运算放大器的型号为AD822,AD822的电源由LP2951稳压得到供电电压。
AD模块用于将滤波和放大处理后的模拟电压信号转换成数字信号,传输至FPGA;
FPGA用于对AD转换后的数字信号进行数字信号处理,得到缺陷灰度图像矩阵,并对数字信号处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
AD模块与FPGA接口电路如图4所示;AD模块的CS端连接FPGA的I/O31端、AD转换模块的Dclk端连接FPGA的I/O32端、AD模块的Din端连接FPGA的I/O30端、AD模块的Dout端连接FPGA的I/O29端。其中,AD模块采用型号为ADS7844AD的转换芯片,FPGA的型号为EP3C25Q240C8。
FPGA设置有数字信号处理模块和图像信号处理模块;
数字信号处理模块包括AD时序控制模块和数据预处理模块,其中,AD时序控制模块用于对AD模块的工作时序进行控制;数据预处理模块用于对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵;
图像信号处理模块包括锐化滤波模块和区域遗传四叉树模块,其中,锐化滤波模块用于对缺陷灰度图像矩阵进行锐化滤波;区域遗传四叉树模块用于采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵进行图像分割,根据最佳阈值对总体图像区域进行二值化处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
本实施方式的基于区域遗传四叉树算法的油气管道缺陷检测方法,如图2所示,包括以下步骤:
步骤1:通过油气管道内检测器的霍尔传感器采集油气管道漏磁信号,并将其转换为模拟电压信号;
步骤2:对模拟电压信号进行滤波和放大处理后,传输至AD模块;
步骤3:滤波和放大处理后的模拟电压信号经AD模块转换成数字信号,传输至FPGA;
步骤4:FPGA对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵R;
步骤5:FPGA对数据预处理得到的缺陷灰度图像矩阵R进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果;
如图6所示,具体步骤如下:
步骤5.1:对缺陷灰度图像矩阵R进行锐化滤波;如图5所示,(a)为经锐化滤波模块处理前的缺陷图像效果图,(b)为经锐化滤波模块处理后的缺陷图像效果图;
步骤5.2:采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵R进行图像分割,如图6所示;
步骤5.2.1:将锐化滤波后的缺陷灰度图像矩阵R作为总体图像区域,建立区域遗传四叉树算法的区域变化准则,即缺陷灰度图像矩阵中某一子图像区域中像素点灰度值的均方差;
区域遗传四叉树算法的区域变化准则
式中,Ω为图像矩阵R的某一子图像区域,n为Ω的像素点数,f(x,y)表示(x,y)像素点的灰度值,G是区域Ω中n个像素点灰度的平均值,即
步骤5.2.2:对总体图像区域进行初始4叉树分裂,分成32块子图像区域;
步骤5.2.3:计算分裂后的每个子图像区域的区域变化准则H',并将该区域变化准则H'与总体图像区域的区域变化准则HR比较,若子图像区域的区域变化准则大于总体图像区域的区域变化准则,即H'>HR,则执行步骤5.2.4,否则执行步骤5.2.5;
步骤5.2.4:对当前子图像区域继续进行4叉树分裂;四叉树分裂方式如图7所示;
步骤5.2.5:判断所有子图像区域是否均分裂完毕,若分裂完毕,则执行步骤5.2.6;否则执行步骤5.2.3;
步骤5.2.6:将分裂后所有子图像区域,按照水平从左至右顺序重新排序,得到新的子图像区域Ri,i=1,2,...,n;
步骤5.2.7:分别计算新的子图像区域Ri的区域变化准则及Ri相邻的子图像区域Rj的区域变化准则若两者均小于总体图像区域的区域变化准则,即与均小于HR,则执行步骤5.2.8;否则执行步骤5.2.9;
步骤5.2.8:聚合当前子图像区域Ri及其相邻的子图像区域Rj;
步骤5.2.9:判断所有新的子图像区域是否聚合完毕,若聚合完毕,则执行步骤5.2.10;否则执行步骤5.2.7;
步骤5.2.10:将聚合后的所有子图像区域,按照水平方向从左至右顺序重新排序,得到最终的子图像区域Ri',i=1,2,...,m,m≤n,并以最终的子图像区域Ri'作为初始种群体,对初始种群体进行编码;
步骤5.2.11:建立边缘模糊性准则度量指标、总体图像区域的边缘模糊性准则度量的加权和以及个体适应度函数;
边缘模糊性准则度量指标Fi为各个子图像区域及其相邻子图像区域的平均灰度差sij与灰度方差和cij分别作商,再对各商值求和后取平均值;
式中,Fi为第i个子图像区域的边缘模糊性准则度量指标,li为与Ri'相邻的区域个数,sij为子图像区域Ri'与相邻子图像区域的平均灰度差,cij为子图像区域Ri'与相邻子图像区域的灰度方差和。
总体图像区域的边缘模糊性准则度量的加权和F为对边缘模糊性准则度量指标加权求和后取平均值:
式中,m为分裂聚合后的子图像区域个数;wi(pi)为区域的面积加权系数,pi为第i个子图像区域面积,则有
式中,α,β分别为所有子图像中最小子图像区域的面积和最大子图像区域的面积。
个体适应度函数A为总体图像区域的边缘模糊性准则度量的加权和与总体图像区域的区域变化准则的乘积:
步骤5.2.12:利用个体适应度函数A对编码后的子图像区域Ri',i=1,2,...,m,进行基于遗传阈值算法的迭代处理;
利用个体适应度函数对编码后的子图像区域进行基于遗传阈值算法的迭代处理时,种群体的交叉概率和变异概率按照如下方法设定:
(1)对第t代所有种群体的个体适应度函数求和后取平均值,得到种群个体适应度函数值平均值:
式中,为第t代的第i个种群个体适应度,m子图像区域Ri'的个数;
(2)第t代种群体的早熟程度,即第t代最优个体适应度函数值与种群个体适应度函数值平均值之差;第t代种群早熟程度为Δ':
式中,表示中的最大值;
(3)根据不同代种群体的早熟程度设定种群体的交叉概率和变异概率:
设定交叉概率Pc,变异概率Pm
Pc=1/[1+exp(-k1Δ')]
Pm=1-1/[1+exp(-k2Δ')]
式中,k1为交叉概率自调整系数,k2为变异概率自调整系数。
自适应调整遗传阈值算法的控制参数,确保Δ'变大及种群离散时,Pc增大,Pm减小,Δ'变小及种群收敛时反之,交叉和变异概率自调整系数k1=2.0,k2=4.0。
判断初始群体是否满足终止准则,如果满足,获得最优子代,执行步骤5.2.13,否则继续迭代;
步骤5.2.13:对迭代处理后的种群体进行解码,得到迭代处理的最佳阈值T,并将最佳阈值返回步骤5.2.1,修正H;
利用遗传阈值算法求取最优解阈值T,若G≥T,则令G=T;否则仍以G计算区域变化准则;
步骤5.3:利用最佳阈值T对总体图像区域R进行二值化处理,完成图像分割,实现图像背景与目标的分离,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
Claims (4)
1.一种基于区域遗传四叉树算法的油气管道缺陷检测方法,其特征在于:包括以下步骤:
步骤1:通过油气管道内检测器的霍尔传感器采集油气管道漏磁信号,并将其转换为模拟电压信号;
步骤2:对模拟电压信号进行滤波和放大处理后,传输至AD模块;
步骤3:滤波和放大处理后的模拟电压信号经AD模块转换成数字信号,传输至FPGA;
步骤4:FPGA对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵;
步骤5:FPGA对数据预处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果;
步骤5.1:对缺陷灰度图像矩阵进行锐化滤波;
步骤5.2:采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵进行图像分割;
步骤5.2.1:将锐化滤波后的缺陷灰度图像矩阵作为总体图像区域,建立区域遗传4叉树算法的区域变化准则,即缺陷灰度图像矩阵中某一子图像区域中像素点灰度值的均方差;
步骤5.2.2:对总体图像区域进行初始4叉树分裂,分成若干子图像区域;
步骤5.2.3:计算分裂后的每个子图像区域的区域变化准则,并将该区域变化准则与总体图像区域的区域变化准则比较,若子图像区域的区域变化准则大于总体图像区域的区域变化准则,则执行步骤5.2.4,否则执行步骤5.2.5;
步骤5.2.4:对当前子图像区域继续进行4叉树分裂;
步骤5.2.5:判断所有子图像区域是否均分裂完毕,若分裂完毕,则执行步骤5.2.6;否则执行步骤5.2.3;
步骤5.2.6:将分裂后所有子图像区域,按照水平从左至右顺序重新排序,得到新的子图像区域;
步骤5.2.7:分别计算新的子图像区域的区域变化准则及其相邻的子图像区域的区域变化准则,若两者均小于总体图像区域的区域变化准则,则执行步骤5.2.8;否则执行步骤5.2.9;
步骤5.2.8:聚合当前子图像区域及其相邻的子图像区域;
步骤5.2.9:判断所有新的子图像区域是否聚合完毕,若聚合完毕,则执行步骤5.2.10;否则执行步骤5.2.7;
步骤5.2.10:将聚合后的所有子图像区域,按照水平方向从左至右顺序重新排序,得到最终的子图像区域,并以最终的子图像区域作为初始种群体,对初始种群体进行编码;
步骤5.2.11:建立边缘模糊性准则度量指标、总体图像区域的边缘模糊性准则度量的加权和以及个体适应度函数;
所述边缘模糊性准则度量指标为各个子图像区域及其相邻子图像区域的平均灰度差与灰度方差和分别作商,再对各商值求和后取平均值;
所述总体图像区域的边缘模糊性准则度量的加权和为对边缘模糊性准则度量指标加权求和后取平均值;
所述个体适应度函数为总体图像区域的边缘模糊性准则度量的加权和与总体图像区域的区域变化准则的乘积;
步骤5.2.12:利用个体适应度函数对编码后的子图像区域进行基于遗传阈值算法的迭代处理;
步骤5.2.13:对迭代处理后的种群体进行解码,得到迭代处理的最佳阈值,并将最佳阈值返回步骤5.2.1,对子图像区域的区域变化准则进行约束;
步骤5.3:利用最佳阈值对总体图像区域进行二值化处理,即完成图像分割,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
2.根据权利要求1所述的基于区域遗传四叉树算法的油气管道缺陷检测方法,其特征在于:步骤5.2.12中所述的利用个体适应度函数对编码后的子图像区域进行基于遗传阈值算法的迭代处理时,种群体的交叉概率和变异概率按照如下方法设定:
(1)对第t代所有种群体的个体适应度函数求和后取平均值,得到种群个体适应度函数值平均值;
(2)第t代种群体的早熟程度,即第t代最优个体适应度函数值与种群个体适应度函数值平均值之差;
(3)根据不同代种群体的早熟程度设定种群体的交叉概率和变异概率。
3.权利要求1所述的基于区域遗传四叉树算法的油气管道缺陷检测方法采用的油气管道缺陷检测系统,其特征在于:包括油气管道内检测器的霍尔传感器、信号调理模块、AD模块和FPGA;
油气管道内检测器的霍尔传感器用于采集油气管道漏磁信号,并将其转换为模拟电压信号;
信号调理模块用于对模拟电压信号进行滤波和放大处理后传输至AD模块;
AD模块用于将滤波和放大处理后的模拟电压信号转换成数字信号,传输至FPGA;
FPGA用于对AD转换后的数字信号进行数字信号处理,得到缺陷灰度图像矩阵,并对数字信号处理得到的缺陷灰度图像矩阵进行图像处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
4.根据权利要求3所述的油气管道缺陷检测系统,其特征在于:FPGA设置有数字信号处理模块和图像信号处理模块;
数字信号处理模块包括AD时序控制模块和数据预处理模块,其中,AD时序控制模块用于对AD模块的工作时序进行控制;数据预处理模块用于对AD转换后的数字信号进行数据预处理,包括自适应补偿、插值和重构,形成缺陷灰度图像矩阵;
图像信号处理模块包括锐化滤波模块和区域遗传四叉树模块,其中,锐化滤波模块用于对缺陷灰度图像矩阵进行锐化滤波;区域遗传四叉树模块用于采用区域遗传四叉树算法对锐化滤波后的缺陷灰度图像矩阵进行图像分割,根据最佳阈值对总体图像区域进行二值化处理,得到油气管道缺陷边缘图像,即油气管道缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410261559.XA CN104034795A (zh) | 2014-06-12 | 2014-06-12 | 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410261559.XA CN104034795A (zh) | 2014-06-12 | 2014-06-12 | 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104034795A true CN104034795A (zh) | 2014-09-10 |
Family
ID=51465644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410261559.XA Pending CN104034795A (zh) | 2014-06-12 | 2014-06-12 | 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104034795A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212018A (zh) * | 2018-09-19 | 2019-01-15 | 东北大学 | 一种基于压缩感知的管道漏磁数据分级压缩方法 |
CN112348803A (zh) * | 2020-11-19 | 2021-02-09 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及系统 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN117705822A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于cis的圆柱体表面检测方法、装置及存储介质 |
-
2014
- 2014-06-12 CN CN201410261559.XA patent/CN104034795A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212018A (zh) * | 2018-09-19 | 2019-01-15 | 东北大学 | 一种基于压缩感知的管道漏磁数据分级压缩方法 |
CN112348803A (zh) * | 2020-11-19 | 2021-02-09 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及系统 |
CN112348803B (zh) * | 2020-11-19 | 2024-03-29 | 西安维控自动化科技有限公司 | 一种超声波边缘检测方法及系统 |
CN115689948A (zh) * | 2023-01-05 | 2023-02-03 | 济宁智诚物业管理有限公司 | 用于检测建筑供水管道裂痕的图像增强方法 |
CN117705822A (zh) * | 2024-02-06 | 2024-03-15 | 中国科学院长春光学精密机械与物理研究所 | 一种基于cis的圆柱体表面检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104034795A (zh) | 基于区域遗传四叉树算法的油气管道缺陷检测方法及系统 | |
CN113239504B (zh) | 一种基于优化神经网络的管道腐蚀缺陷预测方法 | |
Hou et al. | Inspection of surface defects on stay cables using a robot and transfer learning | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN104063588A (zh) | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 | |
KR20180114983A (ko) | 다중 메타학습을 이용한 플랜트 배관 이상 감지 장치 및 방법 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN112488025A (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN103997315A (zh) | 一种管道漏磁信号自适应滤波装置及方法 | |
CN115906949B (zh) | 一种石油管道故障诊断方法及系统、存储介质和石油管道故障诊断设备 | |
CN115861190A (zh) | 一种基于对比学习的光伏组件无监督缺陷检测方法 | |
CN104034796A (zh) | 一种管道漏磁内检测数据实时处理装置及方法 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN114966332A (zh) | 基于温度曲线相似度的盘形悬式瓷绝缘子串劣化判定方法 | |
CN113719764A (zh) | 一种管道泄漏检测方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN107273595B (zh) | 基于emd-ga的汽车排气系统金属波纹管形变参数动态跟踪方法 | |
CN113033624A (zh) | 一种基于联邦学习的工业图像故障诊断方法 | |
CN116738367A (zh) | 基于多尺度图Transformer的滚动轴承故障诊断方法 | |
CN108895839B (zh) | 烧结机漏风故障在线诊断方法 | |
CN115423810A (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
Chen et al. | The improvement of automated crack segmentation on concrete pavement with graph network | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140910 |