CN106404893A - 一种轴向漏磁缺陷信号自动检测方法 - Google Patents

Abstract

本发明涉及一种轴向漏磁缺陷信号自动检测方法，具体实现步骤为：首先，将漏磁内检测原始数据进行轴向梯度提取处理，在此预处理后的数据上进行基于直方图的全局对比度增强，然后，对数据做阈值分割，得到缺陷粗检测结果，最后根据面积剔除虚惊，得到最终缺陷检测结果。本发明与现有技术相比的优点在于：采用两级对比度增强方法可实现对目标信号的拉伸处理，降低设备噪声干扰；采用阈值分割方法可以自适应检测目标信号，较少人工干预；计算复杂度低、检测效率高，适用于大数据漏磁信号分析。

Description

一种轴向漏磁缺陷信号自动检测方法

技术领域

本发明适用于漏磁内检测数据分析处理领域，具体涉及一种轴向漏磁缺陷信号自动检测方法，用于解决管道缺陷漏磁信号自动检测问题。

背景技术

油气管道经过长时间的使用,由于管道内部的腐蚀、磨损等原因导致管壁损伤而造成的泄露事件时有发生,造成能源浪费和引发环境污染等问题。因此定期对油气管道进行检测探伤,及时发现泄露隐患是非常必要的,也是近几十年来油气运输领域的研究热点。

漏磁内检测法是目前应用范围最广、检测效果最好的油气管道探伤技术。作为一种无损检测技术，它具有低污染、高精度、技术成熟等优点，检测后，无需对被测器件进行清理等优点。该技术主要包括信号采集和数据分析处理两部分：数据采集是通过采集器对被测管道进行局部磁化，并通过霍尔元件将漏磁通分量转化为电信号进而获得漏磁信号；数据分析处理指从漏磁缺陷信号中解读出管道的缺陷大小、腐蚀状况等信息。由于采集器中传感器较多，采集的数据量很大，因此数据分析的前提和基础是从漏磁信号中自动检测定位缺陷信号。现有技术中的技术方案尚不能从轴向漏磁信号中快速、自动检测漏磁缺陷信号。

发明内容

本发明要解决的技术问题是：从轴向漏磁信号中快速、自动检测漏磁缺陷信号。本发明提供了一种漏磁缺陷信号自动检测方法，在梯度提取和基于直方图全局对比度增强预处理的基础上，对数据做阈值分割，得到缺陷粗检测结果，最后根据面积剔除虚惊，得到最终缺陷检测结果。

本发明采用的技术方案为：

一种轴向漏磁缺陷信号自动检测方法，该方法包括如下步骤：

步骤1、对原始二维轴向漏磁信号进行梯度提取；

步骤2、对提取的梯度数据g(x,y)进行基于直方图的全局对比度增强；

步骤3、根据全局对比度增强后的数据计算全局最优分割点，实现阈值分割，得到二值化数据；

步骤4、根据阈值分割后的二值化数据的区域面积，剔除虚惊，从而实现信号的自动检测。

进一步的，所述步骤1、对原始二维轴向漏磁信号进行梯度提取，具体实现步骤为：

遍历原始二维轴向漏磁信号f(x,y)，提取(x,y)坐标下的梯度数据g(x,y)：

进一步的，所述步骤2、对提取的梯度数据g(x,y)进行基于直方图的全局对比度增强，具体实现步骤为：

2.1、计算梯度数据g(x,y)的最大值Mx₁、最小值Mi₁，并以如下公式完成数据归一化操作：

其中，为向下取整操作。

2.2、计算归一化后的梯度数据q(x,y)的直方图f(n)

遍历q(x,y)所有数据点，按照如下公式(3)和(4)计算直方图f(n)

其中

2.3、计算特征值映射表S(p)

其中

其中，σ为方差，n₁、n₂分别为第一、第二灰度级变量；

2.4、遍历所有数据点，根据特征映射表S(p)将梯度归一化后的梯度数据q(x,y)映射为全局对比度增强后的数据h(x,y)，公式如下：

h(x,y)＝S(q(x,y))； (7)。

进一步的，所述步骤3、根据全局对比度增强后的数据计算全局最优分割点，实现阈值分割，得到二值化数据；

具体实现步骤如下：

3.1、将全局对比度增强后的数据h(x,y)归一化至[0，255]

其中，Q(x,y)为归一化后的数据，Mx₂、Mi₂分别为h(x,y)的最大值和最小值。

3.2、将归一化后的数据Q(x,y)视为二维图像，图像点总个数为N，L为图像灰度级，灰度级取值范围为[0，255]，n_i为灰度级为i的点数，p_i为灰度级i出现的概率,则

p_i＝n_i/N i＝0,1,2…255 (9)

3.3、将图像像素点分为两类，即C₀类和C₁类；

计算C₀类的均值和权值：

计算C₁类的均值和权值：

其中，L为图像灰度级；

整幅图像的均值为

那么类间方差为

3.4、让k在[0，255]范围内遍历性取值，当最大时对应的k值为选定阈值，即图像的全局最优分割点；

遍历Q(x,y)，数值大于图像的全局最优分割点k的点设为1，否则设为0，可得二值化数据b(x,y)。

进一步的，所述步骤4、根据阈值分割后二值化数据的区域面积，剔除虚惊；

具体实现步骤如下：

4.1、计算缺陷面积：

将二值化数据b(x,y)中1值的点视为缺陷信号，0值的点为非缺陷信号；缺陷信号相邻距离小于第一距离阈值Ω，则视为同一缺陷区域，缺陷信号相邻距离超过第二距离阈值α，则视为不同缺陷区域；将第i个缺陷区域内信号点的个数A_i设为第i个缺陷的面积；

4.2、剔除虚惊：

遍历所有缺陷面积；如果缺陷面积小于第二距离阈值α视为虚惊，则将其剔除；如果缺陷面积大于等于第二距离阈值α，则视为有效缺陷，保留检测结果。

本发明与现有技术相比的优点在于：

(1)采用两级对比度增强方法可实现对目标信号的拉伸处理，降低设备噪声干扰。

(2)采用阈值分割方法可以自适应检测目标信号，较少人工干预。

(3)计算复杂度低、检测效率高，适用于大数据漏磁信号分析。

附图说明

图1为原始轴向漏磁信号

图2为漏磁缺陷信号自动检测结果

图3为本发明的方法流程图

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案做进一步详细的解释和说明。

一种轴向漏磁缺陷信号自动检测方法，该方法包括如下步骤：

步骤1、对原始二维轴向漏磁信号进行梯度提取，减弱噪声干扰；

具体实现步骤为：

遍历原始二维轴向漏磁信号f(x,y)，提取(x,y)坐标下的梯度数据g(x,y)：

步骤2、对提取的梯度数据g(x,y)进行基于直方图的全局对比度增强，进一步提升信噪比；

具体实现步骤为：

2.1、计算梯度数据g(x,y)的最大值Mx₁、最小值Mi₁，并以如下公式完成数据归一化操作：

其中，为向下取整操作。

2.2、计算归一化后的梯度数据q(x,y)的直方图f(n)

遍历q(x,y)所有数据点，按照如下公式(3)和(4)计算直方图f(n)

其中

2.3、计算特征值映射表S(p)

其中

2.4、遍历所有数据点，根据特征映射表S(p)将梯度归一化后的梯度数据q(x,y)映射为全局对比度增强后的数据h(x,y)

h(x,y)＝S(q(x,y))； (7)。

步骤3、根据全局对比度增强后的数据计算数据全局最优分割点，实现阈值分割，得到二值化数据；

具体实现步骤如下：

3.1、将h(x,y)归一化至[0，255]

其中，Q(x,y)为归一化后的数据，Mx₂、Mi₂分别为h(x,y)的最大值和最小值。

3.2、将归一化后的数据Q(x,y)视为二维图像，图像点总个数为N，灰度级取值范围为[0，255]，n_i为灰度级为i的点数，p_i为灰度级i出现的概率,则

p_i＝n_i/N i＝0,1,2…255 (9)

3.3、将图像像素点分为两类，即C₀类和C₁类；

计算C₀类的均值和权值：

计算C₁类的均值和权值：

整幅图像的均值为

那么类间方差为

3.4、让k在[0，255]范围内遍历性取值，当最大时对应的k值即为选定阈值。

遍历Q(x,y)，数值大于k的点设为1，否则设为0，可得二值化数据b(x,y)。

步骤4、根据阈值分割后二值化数据的区域面积，剔除虚惊；

具体实现步骤如下：

4.1、计算缺陷面积：

将b(x,y)中1值的点视为缺陷信号，0值的点为非缺陷信号；缺陷信号相邻距离小于Ω，则视为同一缺陷区域，缺陷信号相邻距离超过距离阈值α则视为不同缺陷区域；将第i个缺陷区域内信号点的个数A_i设为第i个缺陷的面积；

4.2、剔除虚惊：

遍历所有缺陷，则缺陷面积小于距离阈值α视为虚惊，将其剔除；缺陷面积大于等于α则视为有效缺陷，保留检测结果。

与现有技术相比，本方法采用两级对比度拉伸与阈值分割相结合的方案，在提高方法鲁棒性的同时降低了方法复杂度。

上述具体实施方式仅用于解释和说明本发明的技术方案，但并不能构成对权利要求的保护范围的限定。本领域技术人员应当清楚，在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案，均将落入本发明的保护范围之内。

Claims (5)

1.一种轴向漏磁缺陷信号自动检测方法，其特征在于，该方法包括如下步骤：

步骤1、对原始二维轴向漏磁信号进行梯度提取；

步骤2、对提取的梯度数据g(x,y)进行基于直方图的全局对比度增强；

步骤3、根据全局对比度增强后的数据计算全局最优分割点，实现阈值分割，得到二值化数据；

步骤4、根据阈值分割后的二值化数据的区域面积，剔除虚惊，从而实现信号的自动检测。

2.如权利要求1所述的方法，其特征在于，所述步骤1、对原始二维轴向漏磁信号进行梯度提取，具体实现步骤为：

遍历原始二维轴向漏磁信号f(x,y)，提取(x,y)坐标下的梯度数据g(x,y)：

$\begin{array}{c}g(x,y)=f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)\\ -f(x-1,y-1)-2*f(x,y-1)-f(x+1,y-1)\end{array}---\left(1\right)$

3.如权利要求1所述的方法，其特征在于，所述步骤2、对提取的梯度数据g(x,y)进行基于直方图的全局对比度增强，具体实现步骤为：

2.1、计算梯度数据g(x,y)的最大值Mx₁、最小值Mi₁，并以如下公式完成数据归一化操作：

其中，为向下取整操作。

2.2、计算归一化后的梯度数据q(x,y)的直方图f(n)

遍历q(x,y)所有数据点，按照如下公式(3)和(4)计算直方图f(n)

$f\left(n\right)=\underset{i}{\Σ}\underset{j}{\Σ}\mathrm{\Δ}\[q(i,j)-n\],n=0,1,\mathrm{....255}---\left(3\right)$

其中

2.3、计算特征值映射表S(p)

$S\left(p\right)={\mathrm{\Σ}}_{n=0}^{255}f\left(n\right)D(n,p),p=0,1,...255---\left(5\right)$

其中

其中，σ为方差，n₁、n₂分别为第一、第二灰度级变量；

2.4、遍历所有数据点，根据特征映射表S(p)将梯度归一化后的梯度数据q(x,y)映射为全局对比度增强后的数据h(x,y)，公式如下：

h(x,y)＝S(q(x,y))； (7)。

4.如权利要求1-3中任一项所述的方法，其特征在于，步骤3、根据全局对比度增强后的数据计算全局最优分割点，实现阈值分割，得到二值化数据；

具体实现步骤如下：

3.1、将全局对比度增强后的数据h(x,y)归一化至[0，255]

其中，Q(x,y)为归一化后的数据，Mx₂、Mi₂分别为h(x,y)的最大值和最小值。

3.2、将归一化后的数据Q(x,y)视为二维图像，图像点总个数为N，L为图像灰度级，灰度级取值范围为[0，255]，n_i为灰度级为i的点数，p_i为灰度级i出现的概率,则

p_i＝n_i/N i＝0,1,2…255 (9)

3.3、将图像像素点分为两类，即C₀类和C₁类；

计算C₀类的均值和权值：

$\begin{array}{cc}{u}_o=\underset{i=1}{\overset{k}{\Σ}}{\mathrm{ip}}_i/w_0& w_o=\underset{i=1}{\overset{k}{\Σ}}{p}_i\end{array}---\left(10\right)$

计算C₁类的均值和权值：

$\begin{array}{cc}{u}_1=\underset{i=k+1}{\overset{L}{\Σ}}{\mathrm{ip}}_i/w_1& w_1=\underset{i=k+1}{\overset{L}{\Σ}}{p}_i\end{array}---\left(11\right)$

其中，L为图像灰度级；

整幅图像的均值为

那么类间方差为

${\mathrm{\σ}}_B^2=w_0{(u_0-u_g)}^2+w_1{(u_1-u_g)}^2---\left(12\right)$

3.4、让k在[0，255]范围内遍历性取值，当最大时对应的k值为选定阈值，即图像的全局最优分割点；

遍历Q(x,y)，数值大于图像的全局最优分割点k的点设为1，否则设为0，可得二值化数据b(x,y)。

5.如权利要求1-4中任一项所述的方法，其特征在于，步骤4、根据阈值分割后二值化数据的区域面积，剔除虚惊；

具体实现步骤如下：

4.1、计算缺陷面积：

将二值化数据b(x,y)中1值的点视为缺陷信号，0值的点为非缺陷信号；缺陷信号相邻距离小于第一距离阈值Ω，则视为同一缺陷区域，缺陷信号相邻距离超过第二距离阈值α，则视为不同缺陷区域；将第i个缺陷区域内信号点的个数A_i设为第i个缺陷的面积；

4.2、剔除虚惊：

遍历所有缺陷面积；如果缺陷面积小于第二距离阈值α视为虚惊，则将其剔除；如果缺陷面积大于等于第二距离阈值α，则视为有效缺陷，保留检测结果。