CN106404893A - 一种轴向漏磁缺陷信号自动检测方法 - Google Patents
一种轴向漏磁缺陷信号自动检测方法 Download PDFInfo
- Publication number
- CN106404893A CN106404893A CN201611167484.4A CN201611167484A CN106404893A CN 106404893 A CN106404893 A CN 106404893A CN 201611167484 A CN201611167484 A CN 201611167484A CN 106404893 A CN106404893 A CN 106404893A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- value
- signal
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000004907 flux Effects 0.000 title claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 206010010904 Convulsion Diseases 0.000 claims description 3
- 230000036461 convulsion Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/83—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws by investigating stray magnetic fields
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
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
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],ni为灰度级为i的点数,pi为灰度级i出现的概率,则
pi=ni/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Ai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],ni为灰度级为i的点数,pi为灰度级i出现的概率,则
pi=ni/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Ai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):
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)
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)。
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],ni为灰度级为i的点数,pi为灰度级i出现的概率,则
pi=ni/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)。
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Ai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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611167484.4A CN106404893B (zh) | 2016-12-16 | 2016-12-16 | 一种轴向漏磁缺陷信号自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611167484.4A CN106404893B (zh) | 2016-12-16 | 2016-12-16 | 一种轴向漏磁缺陷信号自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106404893A true CN106404893A (zh) | 2017-02-15 |
CN106404893B CN106404893B (zh) | 2019-05-03 |
Family
ID=58087882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611167484.4A Active CN106404893B (zh) | 2016-12-16 | 2016-12-16 | 一种轴向漏磁缺陷信号自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106404893B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884471A (zh) * | 2017-09-28 | 2018-04-06 | 北京华航无线电测量研究所 | 一种基于图像处理的轴向漏磁信号缺陷检测方法 |
CN109101968A (zh) * | 2018-08-09 | 2018-12-28 | 四川理工学院 | 一种车牌识别系统及识别方法 |
CN110146589A (zh) * | 2019-06-17 | 2019-08-20 | 东北大学 | 一种管道漏磁数据的高清可视化方法 |
CN111882518A (zh) * | 2020-06-09 | 2020-11-03 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706955A (zh) * | 2012-05-31 | 2012-10-03 | 东北大学 | 基于单轴漏磁数据的管道缺陷特征提取方法及装置 |
US20140294285A1 (en) * | 2007-12-21 | 2014-10-02 | Kinder Morgan, Inc. | Method, machine, and computer medium having computer program to detect and evaluate structural anomalies in circumferentially welded pipelines |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
-
2016
- 2016-12-16 CN CN201611167484.4A patent/CN106404893B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140294285A1 (en) * | 2007-12-21 | 2014-10-02 | Kinder Morgan, Inc. | Method, machine, and computer medium having computer program to detect and evaluate structural anomalies in circumferentially welded pipelines |
CN102706955A (zh) * | 2012-05-31 | 2012-10-03 | 东北大学 | 基于单轴漏磁数据的管道缺陷特征提取方法及装置 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
CN104899868A (zh) * | 2015-05-12 | 2015-09-09 | 清华大学 | 三维漏磁检测缺陷复合反演成像方法 |
Non-Patent Citations (1)
Title |
---|
黄松岭 等: "缺陷漏磁成像技术综述", 《电工技术学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107884471A (zh) * | 2017-09-28 | 2018-04-06 | 北京华航无线电测量研究所 | 一种基于图像处理的轴向漏磁信号缺陷检测方法 |
CN107884471B (zh) * | 2017-09-28 | 2021-04-20 | 北京华航无线电测量研究所 | 一种基于图像处理的轴向漏磁信号缺陷检测方法 |
CN109101968A (zh) * | 2018-08-09 | 2018-12-28 | 四川理工学院 | 一种车牌识别系统及识别方法 |
CN110146589A (zh) * | 2019-06-17 | 2019-08-20 | 东北大学 | 一种管道漏磁数据的高清可视化方法 |
CN110146589B (zh) * | 2019-06-17 | 2022-12-30 | 东北大学 | 一种管道漏磁数据的高清可视化方法 |
CN111882518A (zh) * | 2020-06-09 | 2020-11-03 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
CN111882518B (zh) * | 2020-06-09 | 2023-12-19 | 中海石油(中国)有限公司 | 一种漏磁数据自适应伪彩色化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106404893B (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bastian et al. | Visual inspection and characterization of external corrosion in pipelines using deep neural network | |
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
Jiang et al. | HDCB-Net: A neural network with the hybrid dilated convolution for pixel-level crack detection on concrete bridges | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN106404893B (zh) | 一种轴向漏磁缺陷信号自动检测方法 | |
Zhai et al. | Recent methods and applications on image edge detection | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN115935241B (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
CN112560895A (zh) | 一种基于改进PSPNet网络的桥梁裂缝检测方法 | |
Lu et al. | Quantitative nondestructive testing of wire ropes based on features fusion of magnetic image and infrared image | |
Chen et al. | A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data | |
Li et al. | Wafer crack detection based on yolov4 target detection method | |
Zhang et al. | Improving Pipeline Magnetic Flux Leakage (MFL) Detection Performance with Mixed Attention Mechanisms (AM) and Deep Residual Shrinkage Networks (DRSN) | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN116630257A (zh) | 钢轨擦伤检测方法及装置 | |
CN116821840A (zh) | 一种基于特征级融合多模态的滚动轴承故障检测方法 | |
CN111091553A (zh) | 一种挡键丢失检测方法 | |
CN111179278A (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN113780136B (zh) | 基于时空纹理识别的VOCs气体泄漏检测方法、系统及设备 | |
CN106778515B (zh) | 一种法兰轴向漏磁阵列信号自动识别方法 | |
CN113034502B (zh) | 一种排水管道缺陷去冗余方法 | |
Fu et al. | Recognition of bridge over water in high-resolution remote sensing images | |
CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
Li et al. | Detection of component types and track damage for high-speed railway using region-based convolutional neural networks | |
Yang et al. | The method of the pipeline magnetic flux leakage detection image formation based on the artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |