CN109813757B - 页岩气压裂装备故障红外热成像特征提取方法及装置 - Google Patents
页岩气压裂装备故障红外热成像特征提取方法及装置 Download PDFInfo
- Publication number
- CN109813757B CN109813757B CN201910119781.9A CN201910119781A CN109813757B CN 109813757 B CN109813757 B CN 109813757B CN 201910119781 A CN201910119781 A CN 201910119781A CN 109813757 B CN109813757 B CN 109813757B
- Authority
- CN
- China
- Prior art keywords
- region
- infrared
- data set
- temperature
- thermal imaging
- 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.)
- Active
Links
Images
Landscapes
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明实施例提供了一种页岩气压裂装备故障红外热成像特征提取方法及装置,其中,该方法包括:在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像。该方案实现了对不同区域独立的灰度值标准或RGB代码标准成像,有利于消除某区域温度变化差异较大对其他区域带来的影响,有利于消除信息淹没的问题,有利于提高红外热像图颜色变化对温度变化的敏感性,提高可辨识率。
Description
技术领域
本发明涉及页岩气压裂装备故障红外热成像监测技术领域,特别涉及一种页岩气压裂装备故障红外热成像特征提取方法及装置。
背景技术
随着先进压裂技术的不断发展,我国页岩气的开发利用逐步走向工业化、规模化。其中,大型水力压裂技术是页岩气储层改造与增产的关键。压裂柱塞泵作为压裂车的关键设备之一,在压裂施工作业中的地位是非常重要的。其主要作用是将常压下一定粘度的压裂液转化为高压、大流量的压裂液以用于注入到地层,其性能的好坏直接影响油田压裂施工作业的技术水平。当前,我国的压裂泵产品正朝着高压、大排量和多功能性的方向发展,其安全性与可靠性也日益受到人们的关注。
红外热成像是一种将物体红外辐射转换成可见图像的技术。即物体的红外辐射通过镜头在探测器上聚焦并转换成电信号,放大并数字化后传送到信号处理器,再转换成显示器上能识别的图像。红外热成像监测诊断技术作为一种有效的故障诊断手段,可以将被监测设备的热状态分布快速地进行红外热成像,然后对生成的红外热图像进行分析,分析过程包括图像的去噪、增强、分割等,从而对设备可能存在的隐患以及故障做出诊断分析。
然而,红外热成像技术应用于页岩气压裂现场的设备监测及诊断时,常面临设备不同区域/部件的温度变化速率、幅度差异较大导致信息淹没的问题,即随着运行时间的增长,设备某些区域/部件的温度变化远大于其他区域/部件。若采用统一的灰度级标准或RGB代码标准,温度变化大的区域/部件将占用较多的灰度级或较大的RGB值范围,压缩温度变化小的区域/部件的可用灰度级或RGB代码范围变小,导致部分信息淹没,影响特征识别。
发明内容
本发明实施例提供了一种页岩气压裂装备故障红外热成像特征提取方法,以解决现有技术中红外热成像监测时存在信息淹没的技术问题。该方法包括:
在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像。
本发明实施例还提供了一种页岩气压裂装备故障红外热成像特征提取装置,以解决现有技术中红外热成像监测时存在信息淹没的技术问题。该装置包括:
区域划分模块,用于在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
数据获取模块,用于针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
成像模块,用于对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的页岩气压裂装备故障红外热成像特征提取方法,以解决现有技术中红外热成像监测时存在信息淹没的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的页岩气压裂装备故障红外热成像特征提取方法的计算机程序,以解决现有技术中红外热成像监测时存在信息淹没的技术问题。
在本发明实施例中,通过在红外热像图上划分不同的区域,进而在每个帧序列的红外热像图中获取各区域对应的数据,得到各区域的数据集合,最后,分别对各区域的数据集合构建灰度值分布,对每个区域分别进行成像。实现了对不同区域独立的灰度值标准或RGB(RGB是代表红、绿、蓝三个通道的颜色)代码标准成像,有利于消除某区域温度变化差异较大对其他区域带来的影响,有利于消除信息淹没的问题,有利于提高红外热像图颜色变化对温度变化的敏感性,提高可辨识率。
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,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1是本发明实施例提供的一种页岩气压裂装备故障红外热成像特征提取方法的流程图;
图2是本发明实施例提供的一种初始时刻压裂装备的红外热像图一;
图3是本发明实施例提供的一种初始时刻压裂装备的红外热像图二;
图4是本发明实施例提供的一种运行一段时间t后压裂装备的红外热像图一;
图5是本发明实施例提供的一种运行一段时间t后压裂装备的红外热像图二;
图6是本发明实施例提供的一种柱塞泵动力端分割矩阵的图像示意图;
图7是本发明实施例提供的一种柱塞泵电机分割矩阵的图像示意图;
图8是本发明实施例提供的一种柱塞泵泵头体分割矩阵的图像示意图;
图9是本发明实施例提供的一种柱塞泵动力端在初始时刻的红外热像图数据矩阵成像的示意图;
图10是本发明实施例提供的一种柱塞泵动力端在t时刻的红外热像图数据矩阵成像的示意图;
图11是本发明实施例提供的一种柱塞泵电机在初始时刻的红外热像图数据矩阵成像的示意图;
图12是本发明实施例提供的一种柱塞泵电机在t时刻的红外热像图数据矩阵成像的示意图;
图13是本发明实施例提供的一种柱塞泵泵头体在初始时刻的红外热像图数据矩阵成像的示意图;
图14是本发明实施例提供的一种柱塞泵泵头体在t时刻的红外热像图数据矩阵成像的示意图;
图15是本发明实施例提供的一种计算机设备的结构框图;
图16是本发明实施例提供的一种页岩气压裂装备故障红外热成像特征提取装置的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在本发明实施例中,提供了一种页岩气压裂装备故障红外热成像特征提取方法,如图1所示,该方法包括:
步骤102:在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
步骤104:针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
步骤106:对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像。
由图1所示的流程可知,在本发明实施例中,通过在红外热像图上划分不同的区域,进而在每个帧序列的红外热像图中获取各区域对应的数据,得到各区域的数据集合,最后,分别对各区域的数据集合构建灰度值分布,对每个区域分别进行成像。实现了对不同区域独立的灰度值标准或RGB代码标准成像,有利于消除某区域温度变化差异较大对其他区域带来的影响,有利于消除信息淹没的问题,有利于提高红外热像图颜色变化对温度变化的敏感性,提高可辨识率。
具体实施时,本申请发明人发现,鉴于普通的红外热成像方法只是将物体的红外辐射整体转化为电信号,进而转化为数字信号用于成像,则高温物体红外辐射强,生成的数字信号较大,反映在红外热像图中表现为灰度值高,R值较大;低温物体红外辐射弱,生成的数字信号较小,反映在红外热像图中表现为灰度值低,B值较大。但在设备运行过程中,被监测设备的某些区域/部件的温度变化幅度较大、变化速率较快,其灰度值将从较低水平快速升至较高水平,占用较大的灰度级跨度。与之相应的则是温度变化幅度较小、变化速率较慢的区域/部件占用的灰度级跨度被压缩,各温度级的平均灰度级跨度减小。当各温度级的平均灰度级跨度小于等于1时,温度的变化将无法反映为灰度值的变化,即出现信息淹没的问题,进而无法通过颜色的变化形成区别。
例如,通过以下步骤说明温度的变化反映为灰度值的变化:
其中,T为区域/部件的温度值范围,t为某一时刻的温度值,tmin为该区域/部件的最低温度值,tmax为该区域/部件的最高温度值。G为区域/部件的灰度值范围,g为某一时刻的灰度值,gmin为该区域/部件的最低灰度值,gmax为该区域/部件的最高灰度值。f(·)为灰度值与温度值的函数关系。
其中,G0-255为整体的灰度值集合(0-255),G高温为高温区域/部件的灰度值集合,G低温为低温区域/部件的灰度值集合。l(·)为灰度值集合的范围长度。
当高温区域/部件灰度值范围长度增大,在整体灰度值集合长度不变的前提下,低温区域/部件灰度值范围长度将减小。
本申请通过将红外热像图划分为不同的区域,使得可以将高温区域/部件和低温区域部件分开,基于各区域的各自温度变化形成相应的灰度值分布,即令:
其中,g为高温区域/部件的灰度值,t为高温区域/部件的温度值,f(·)为二者的函数关系;g′为低温区域/部件的灰度值,t′为低温区域/部件的温度值,f′(·)为二者的函数关系。
具体实施时,上述红外监测对象可以是页岩气压裂现场任何待监测设备、待监测现场等,为了进一步减少由于温度变化不同而互相产生影响的问题,在本实施例中,每个区域中可以包括红外监测对象的指定部分或区域,例如,该指定部分或区域可以是待监测设备的一个或部分部件,也可以是待监测现场的部分区域范围。
具体实施时,为了可以实现基于每个区域的数据分别对每个区域进行成像,在本实施例中,首先获取每个区域的数据,例如,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合,包括:
根据该区域的轮廓获取该区域的分割矩阵,其中,分割矩阵中的数值与红外热像图中的数值具有对应的坐标值,在分割矩阵中,该区域对应的数值为1,该区域之外的数值为0;
将该区域的分割矩阵与每个帧序列的红外热像图作哈达玛积,从每个帧序列的红外热像图中得到该区域对应的数据,组成该区域的数据集合。
具体的,可以通过以下步骤得到每个区域的分割矩阵,例如,针对架设位置固定的红外热像仪,其生成的关于待监测设备的红外热像图各区域/部件的轮廓是确定的。采取适宜的图像分割方法可从红外热像图中提取出各区域的轮廓p,并将其转化为红外热像图数据矩阵的坐标值(即p上各点均对应于红外热像图数据矩阵中的某一坐标值)。封闭轮廓线及其包围的区域组成分割区域P。
将红外热像图数据矩阵中区域P内的点数值定义为1,非区域P内的点数值定义为0,构建分割矩阵F。即F中各点的数值为a,则
则对于任意的红外热像图M,都可借助分割矩阵F提取出分割的区域/部件,生成数据矩阵M′:
M′=M*F (1.7)
其中,*表示矩阵的哈达玛积,即矩阵元素的对应相乘。
矩阵M′生成的红外热像图即为分割出区域的红外热像图,其它部分(区域外的部分)均为0值,即可实现图像分割。
具体的,已知红外热像仪连续不断地采集运行设备不同时刻的红外热像图,以时间序列(帧序列)分别为红外热像图I1,I2,I3,…In,对应的红外热像图数据矩阵分别为M1,M2,M3,…Mn。设备运行过程中,各区域/部件温度值不断变化,表现为M1,M2,M3,…Mn中各矩阵元素数值的变化。
由图像分割生成的不同区域/部件的分割矩阵分别为F1,F2,F3,…Fi,即每帧红外热像图中有i个需要分割并分别处理的区域/部件。
针对某一区域,选择该区域的分割矩阵Fi,分别对帧序数据矩阵M1,M2,M3,…Mn作哈达玛积,即
M′j=Mj*Fi 1≤j≤n (1.8)
生成M′j为不同时刻(帧)第i个区域/部件的数据矩阵(即上述的数据集合)。
针对每个区域,已知M′j中的数据元素为不同时刻、该区域的温度值t,统计M′j内所有温度值的最小值和最大值:
基于温度范围T={t|tmin≤t≤tmax}构建相应的灰度级分布G:
若研究另一区域/部件的温度变化,则选取对应的分割矩阵Fq(q≠i),分别对帧序数据矩阵M1,M2,M3,…Mn作哈达玛积,其余步骤与前述内容类似。
当完成所有分割区域/部件的灰度级分布构建后,分别成像,则可得出各区域/部件随运行时间变化的温度值变化,以及相应的图像颜色变化。
具体实施时,通过上述页岩气压裂装备故障红外热成像特征提取方法生成的图像即可传输给监测报警模块,以便对图像信号进行分析处理及状态识别,当红外热成像图像信号的特征参数超过设定阈值时将发生报警。
以下结合示例描述上述页岩气压裂装备故障红外热成像特征提取方法,红外监测对象以压裂装备为例。例如,附图2、3为初始时刻压裂装备的红外热像图,附图4、5为运行一段时间t后压裂装备的红外热像图。运行一段时间后,电机部分的温度升高较快,且温升幅度较大,导致附图4、5电机部分R值极大(具体的颜色趋近于红色),特征极其明显。与之相应的是其他部分温度升高较慢(或无明显升高),温升幅度较小,B值较大(具体的颜色趋近于蓝色)且区分度较低,特征非常不明显。
有鉴于此,基于本发明提出的区域/部件图像分离方法得到的各主要部件分割矩阵的图像如附图6、7、8所示(图案轮廓及包围部分数值为1,其他部分数值为0,),附图6是柱塞泵动力端分割矩阵D的图像,附图7是柱塞泵电机分割矩阵E的图像,附图8是柱塞泵泵头体分割矩阵B的图像。
将矩阵D分别与初始时刻和t时刻的红外热像图数据矩阵作哈达玛积,生成矩阵分别为D0和Dt,对应于柱塞泵动力端在初始时刻与t时刻的红外热像图数据矩阵,成像后分别如附图9、10所示。
同理,将矩阵E分别与初始时刻和t时刻的红外热像图数据矩阵作哈达玛积,生成矩阵分别为E0和Et,对应于柱塞泵电机在初始时刻与t时刻的红外热像图数据矩阵,成像后分别如附图11、12所示。
将矩阵B分别与初始时刻和t时刻的红外热像图数据矩阵作哈达玛积,生成矩阵分别为B0和Bt,对应于柱塞泵泵头体在初始时刻与t时刻的红外热像图数据矩阵,成像后分别如附图13、14所示。
通过上述页岩气压裂装备故障红外热成像特征提取方法,解决了温度变化幅度、速率不均带来的部分区域/部件信号淹没、可辨识度降低的问题,本发明提出了对各区域/部件分别构建灰度值分布(或RGB值分布)规则,以各自独立的灰度值标准或RGB代码标准成像,能够消除各区域/部件温度变化差异较大带来的影响,为各区域/部件设置适合的温度级平均灰度值跨度以提高红外热像图颜色变化对温度变化的敏感性,提高可辨识率。
在本实施例中,提供了一种计算机设备,如图15所示,包括存储器1502、处理器1504及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的页岩气压裂装备故障红外热成像特征提取方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的页岩气压裂装备故障红外热成像特征提取方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于同一发明构思,本发明实施例中还提供了一种页岩气压裂装备故障红外热成像特征提取装置,如下面的实施例所述。由于页岩气压裂装备故障红外热成像特征提取装置解决问题的原理与页岩气压裂装备故障红外热成像特征提取方法相似,因此页岩气压裂装备故障红外热成像特征提取装置的实施可以参见页岩气压裂装备故障红外热成像特征提取方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图16是本发明实施例的页岩气压裂装备故障红外热成像特征提取装置的一种结构框图,如图16所示,该装置包括:
区域划分模块1602,用于在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
数据获取模块1604,用于针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
成像模块1606,用于对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像。
在一个实施例中,所述数据获取模块,包括:
分割矩阵获取单元,用于根据该区域的轮廓获取该区域的分割矩阵,其中,分割矩阵中的数值与红外热像图中的数值具有对应的坐标值,在分割矩阵中,该区域对应的数值为1,该区域之外的数值为0;
数据获取单元,用于将该区域的分割矩阵与每个帧序列的红外热像图作哈达玛积,从每个帧序列的红外热像图中得到该区域对应的数据,组成该区域的数据集合。
在一个实施例中,所述成像模块,包括:
温度值获取单元,用于针对每个区域的数据集合,获取该区域的数据集合中的温度最大值和温度最小值;
灰度值构建单元,用于根据所述温度最大值和所述温度最小值组成的温度范围构建相应的灰度值分布。
在一个实施例中,每个区域中包括红外监测对象的部分区域。
本发明实施例实现了如下技术效果:通过在红外热像图上划分不同的区域,进而在每个帧序列的红外热像图中获取各区域对应的数据,得到各区域的数据集合,最后,分别对各区域的数据集合构建灰度值分布,对每个区域分别进行成像。实现了对不同区域独立的灰度值标准或RGB代码标准成像,有利于消除某区域温度变化差异较大对其他区域带来的影响,有利于消除信息淹没的问题,有利于提高红外热像图颜色变化对温度变化的敏感性,提高可辨识率。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。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 (8)
1.一种页岩气压裂装备故障红外热成像特征提取方法,其特征在于,包括:
在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像;
针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合,包括:
根据该区域的轮廓获取该区域的分割矩阵,其中,分割矩阵中的数值与红外热像图中的数值具有对应的坐标值,在分割矩阵中,该区域对应的数值为1,该区域之外的数值为0;
将该区域的分割矩阵与每个帧序列的红外热像图作哈达玛积,从每个帧序列的红外热像图中得到该区域对应的数据,组成该区域的数据集合。
2.如权利要求1所述的页岩气压裂装备故障红外热成像特征提取方法,其特征在于,对每个区域的数据集合分别构建灰度值分布,包括:
针对每个区域的数据集合,获取该区域的数据集合中的温度最大值和温度最小值;
根据所述温度最大值和所述温度最小值组成的温度范围构建相应的灰度值分布。
3.如权利要求1至2中任一项所述的页岩气压裂装备故障红外热成像特征提取方法,其特征在于,每个区域中包括红外监测对象的部分区域。
4.一种页岩气压裂装备故障红外热成像特征提取装置,其特征在于,包括:
区域划分模块,用于在红外热像图上划分不同的区域,每个区域中包括红外监测对象的指定部分;
数据获取模块,用于针对每个区域,在每个帧序列的红外热像图中获取该区域对应的数据,得到该区域的数据集合;
成像模块,用于对每个区域的数据集合分别构建灰度值分布,对每个区域分别成像;
所述数据获取模块,包括:
分割矩阵获取单元,用于根据该区域的轮廓获取该区域的分割矩阵,其中,分割矩阵中的数值与红外热像图中的数值具有对应的坐标值,在分割矩阵中,该区域对应的数值为1,该区域之外的数值为0;
数据获取单元,用于将该区域的分割矩阵与每个帧序列的红外热像图作哈达玛积,从每个帧序列的红外热像图中得到该区域对应的数据,组成该区域的数据集合。
5.如权利要求4所述的页岩气压裂装备故障红外热成像特征提取装置,其特征在于,所述成像模块,包括:
温度值获取单元,用于针对每个区域的数据集合,获取该区域的数据集合中的温度最大值和温度最小值;
灰度值构建单元,用于根据所述温度最大值和所述温度最小值组成的温度范围构建相应的灰度值分布。
6.如权利要求4至5中任一项所述的页岩气压裂装备故障红外热成像特征提取装置,其特征在于,每个区域中包括红外监测对象的部分区域。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的页岩气压裂装备故障红外热成像特征提取方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至3中任一项所述的页岩气压裂装备故障红外热成像特征提取方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119781.9A CN109813757B (zh) | 2019-02-18 | 2019-02-18 | 页岩气压裂装备故障红外热成像特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910119781.9A CN109813757B (zh) | 2019-02-18 | 2019-02-18 | 页岩气压裂装备故障红外热成像特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109813757A CN109813757A (zh) | 2019-05-28 |
CN109813757B true CN109813757B (zh) | 2020-04-24 |
Family
ID=66606780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910119781.9A Active CN109813757B (zh) | 2019-02-18 | 2019-02-18 | 页岩气压裂装备故障红外热成像特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109813757B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111998949B (zh) * | 2020-05-21 | 2022-04-01 | 中国地质大学(北京) | 基于红外传感器与图像识别的近程温度识别装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268845A (zh) * | 2014-10-31 | 2015-01-07 | 北京津同利华科技有限公司 | 极值温差短波红外图像的自适应双局部增强方法 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
JP2015226793A (ja) * | 2007-06-25 | 2015-12-17 | リアル イメージング リミテッド | 画像分析のための方法、装置およびシステム |
CN105447857A (zh) * | 2015-11-17 | 2016-03-30 | 电子科技大学 | 脉冲涡流红外热图像的特征提取方法 |
CN104361344B (zh) * | 2014-11-13 | 2017-06-16 | 华东交通大学 | 一种基于区间图像的无缝线路钢轨缺陷识别方法 |
CN107595253A (zh) * | 2017-09-29 | 2018-01-19 | 武汉昊博科技有限公司 | 双模态热层析成像方法及其装置 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN109345494A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示和结构张量的图像融合方法及装置 |
-
2019
- 2019-02-18 CN CN201910119781.9A patent/CN109813757B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015226793A (ja) * | 2007-06-25 | 2015-12-17 | リアル イメージング リミテッド | 画像分析のための方法、装置およびシステム |
CN104268845A (zh) * | 2014-10-31 | 2015-01-07 | 北京津同利华科技有限公司 | 极值温差短波红外图像的自适应双局部增强方法 |
CN104361344B (zh) * | 2014-11-13 | 2017-06-16 | 华东交通大学 | 一种基于区间图像的无缝线路钢轨缺陷识别方法 |
CN104504686A (zh) * | 2014-12-04 | 2015-04-08 | 哈尔滨工程大学 | 一种采用局部自适应阈值分割的高光谱图像异常探测方法 |
CN105447857A (zh) * | 2015-11-17 | 2016-03-30 | 电子科技大学 | 脉冲涡流红外热图像的特征提取方法 |
CN107595253A (zh) * | 2017-09-29 | 2018-01-19 | 武汉昊博科技有限公司 | 双模态热层析成像方法及其装置 |
CN108665443A (zh) * | 2018-04-11 | 2018-10-16 | 中国石油大学(北京) | 一种机械设备故障的红外图像敏感区域提取方法及装置 |
CN109345494A (zh) * | 2018-09-11 | 2019-02-15 | 中国科学院长春光学精密机械与物理研究所 | 基于潜在低秩表示和结构张量的图像融合方法及装置 |
Non-Patent Citations (4)
Title |
---|
Real-time diagnosis and alarm of down-hole incidents in the shale-gas well fracturing process;Zhang Xin et al;《Process safety and environmental protection》;20180221;第243-253页 * |
基于交流电磁场和涡流激励热成像的复合检测技术研究;贺敏;《中国博士学位论文全文数据库 工程科技I辑》;20190215;第B020-8页 * |
管道焊缝无损检测的综合方法结合及图像处理;李晨光;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111015;第I138-708页 * |
页岩气压裂井下工况多步预测方法研究;胡瑾秋等;《中国安全科学学报》;20180415;第115-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109813757A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、系统及介质 | |
CN109903272B (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
CN104732200A (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
CN112929695A (zh) | 视频去重方法、装置、电子设备和存储介质 | |
US20210374527A1 (en) | Information processing apparatus, information processing method, and storage medium | |
CN109813757B (zh) | 页岩气压裂装备故障红外热成像特征提取方法及装置 | |
CN111429371B (zh) | 图像处理方法、装置及终端设备 | |
CN114092459A (zh) | 一种基于决策级融合的电力设备热故障诊断方法、设备及介质 | |
CN114387505A (zh) | 一种高光谱与激光雷达多模态遥感数据分类方法及系统 | |
WO2020132895A1 (en) | Systems and methods for image segmentation | |
CN116309590B (zh) | 一种基于人工智能的视觉计算方法、系统、电子设备和介质 | |
CN111414960A (zh) | 一种人工智能图像特征提取系统及其特征识别方法 | |
CN116295847A (zh) | 电力设备故障诊断系统及诊断方法 | |
Achmad et al. | Comparison of image extraction model for cocoa disease fruits attack in support vector machine classification | |
CN109885560B (zh) | 页岩气压裂装备红外热像监测数据的清洗方法及装置 | |
CN115766090A (zh) | 一种多特征融合神经网络网络安全检测方法 | |
US11779264B2 (en) | Dark circle detection and evaluation method and apparatus | |
CN115273245A (zh) | 活体检测的方法、装置及计算机可读存储介质 | |
CN113298753A (zh) | 敏感肌的检测方法、图像处理方法、装置及设备 | |
Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
CN113674230A (zh) | 一种室内逆光人脸关键点的检测方法及装置 | |
CN114037646A (zh) | 基于物联网的智能图像检测方法、系统、可读介质、设备 | |
CN109583441A (zh) | 基于监控平台的字幕识别方法 | |
Tapia et al. | An efficient super-resolution single image network using sharpness loss metrics for iris |
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 |