CN110009632A - 一种金属腐蚀状态的评估方法、装置和设备 - Google Patents

一种金属腐蚀状态的评估方法、装置和设备 Download PDF

Info

Publication number
CN110009632A
CN110009632A CN201910309042.6A CN201910309042A CN110009632A CN 110009632 A CN110009632 A CN 110009632A CN 201910309042 A CN201910309042 A CN 201910309042A CN 110009632 A CN110009632 A CN 110009632A
Authority
CN
China
Prior art keywords
corrosion
image
amount
metal
sample
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
Application number
CN201910309042.6A
Other languages
English (en)
Inventor
吴高林
任啸
钟尧
郝建
王谦
李勇
龙英凯
蒋西平
印华
王勇
周孟戈
刘熊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Original Assignee
Chongqing University
Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd
State Grid Corp of China SGCC
State Grid Chongqing Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University, Electric Power Research Institute of State Grid Chongqing Electric Power Co Ltd, State Grid Corp of China SGCC, State Grid Chongqing Electric Power Co Ltd filed Critical Chongqing University
Priority to CN201910309042.6A priority Critical patent/CN110009632A/zh
Publication of CN110009632A publication Critical patent/CN110009632A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种金属腐蚀状态的评估方法、装置和设备，包括：采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。本发明所提供的方法、装置和设备，提高了金属腐蚀状态评估效率。

Description

一种金属腐蚀状态的评估方法、装置和设备
技术领域
本发明涉及腐蚀检测技术领域，特别是涉及一种金属腐蚀状态的评估方法、装置和设备。
背景技术
金属材料由于优良的物理、化学和力学等性能而得到广泛使用，但由于暴露在复杂多样的环境里，会导致其腐蚀的逐渐产生。腐蚀的损伤不仅会导致金属层的厚度变薄，还会改变金属结构的力学性能，从而破坏设备而产生安全事故。据统计，我国每年因腐蚀所造成的损失约占国民生产总值5％左右。我国电网覆盖地域广，不同区域气候、环境等差异巨大。既有高温高湿的沿海地区，腐蚀性极强的酸性土壤、盐渍土等恶劣腐蚀环境，又面临部分工业快速发展地区所带来的重工业大气污染环境。因此，需及时掌握电力设备的腐蚀状态，以便进行有效的腐蚀防护。
传统金属材料腐蚀状态的表征方法主要是腐蚀失重、腐蚀速率和腐蚀深度等参数。对应的方法有失重法、警戒孔监视法等。但该类方法由于需要对金属构件进行破坏，并需带到实验室进行处理，不利于设备的运行稳定性，因此不具有实际的操作性。目前，常用的评估金属腐蚀状态的方法有人工检测法、场图像法、激光全息及射线等无损检测法、电化学阻抗及噪声法等方法。人工检测法依靠个人经验对金属进行腐蚀形貌特征的描述和腐蚀等级的判断，但由于人的主观差异性大，缺乏统一的标准，人工强度大，效率低，检测效果较为粗糙。场图像法原理是将探头或电极焊接在待测管线、容器外部，并呈矩阵式分布，然后测量通过金属结构的电场的微小变化，但由于变电站现场电磁噪声影响很大，测试效果不佳。射线和激光等方法成本高，并要求较高的测试环境，适用性不佳。电化学阻抗及噪声等方法需要取样和较稳定的测试条件，数据分析对测试人员水平要求高。
综上所述可以看出，如何提高电力设备金属表面腐蚀检测的效率和准确性是目前有待解决的问题。
发明内容
本发明的目的是提供一种金属腐蚀状态的评估方法、装置和设备，以解决现有技术中对电力设备金属表面腐蚀状态的检测效率低，操作难度高的问题。
为解决上述技术问题，本发明提供一种金属腐蚀状态的评估方法，包括：采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
优选地，所述对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量包括：
利用RGB模型提取所述腐蚀图像的色彩信息；
利用和将所述腐蚀图像由所述RGB模型转换为HIS模型，提取所述腐蚀图像的饱和度信息S和色调信息H；
其中，R表示所述RGB模型的红色通道，所述G表示所述RGB模型的绿色通道，所述B表示所述RGB模型的蓝色通道；
利用所述色彩信息、所述饱和度信息和所述色调信息计算得到所述腐蚀图像的色度学特征量MR、MG、MB、MH、MS、σR、σG、σB、σH、σS；其中，M表示均值，σ表示标准差。
优选地，所述腐蚀图像的形貌纹理特征量包括：
所述腐蚀图像的腐蚀特征量包括：统计学特征量、二值特征量、小波特征量、分形特征量。
优选地，所述对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量包括：
对所述腐蚀图像进行灰度转换以及预处理操作后，得到所述腐蚀图像的灰度图像，并提取所述灰度图像的所述统计学特征量腐蚀能量和腐蚀熵其中，p(m)为像素值为m的点占总的像素点的比例，m的取值范围为0～255；
对所述灰度图像进行二值化处理，采用像素点数目衡量所述腐蚀图像的腐蚀孔面积，以便计算所述腐蚀图像的腐蚀率其中，Sco为所述腐蚀图像中腐蚀区域的面积，S0为所述腐蚀图像的总面积；
对所述灰度图像进行二级小波变换处理，提取所述腐蚀图像的二级小波处变换处理，提取二级小波特征量EH2、EV2和ED2，并引入各向异性的能量值Eo2和二级小波分解子图像高频分量能量和Et2作为所述小波特征量；
其中，所述EH2、所述EV2和所述ED2分别为所述腐蚀图像的二级腐蚀子图像的水平细节系数H2、垂直细节系数V2以及对角细节系数D2所占的能量百分比；
利用DBC盒子维法计算所述灰度图像的分形特征FD。
优选地，所述腐蚀标准图像库的建立过程包括：
制备碳钢标准腐蚀试样，对所述碳钢标准腐蚀试样进行标记后，利用暴露法对所述碳钢标准腐蚀试样进行大气腐蚀试验；
在预设时长内，根据腐蚀速率选取取样时间节点对所述碳钢标准腐蚀试样进行取样，每个取样时间点选取多个平行样品；
对所述每个取样时间点取下的各个平行样品分别进行记录、拍照并作为标准图像存储；
根据所述各个平行样品的腐蚀前质量和腐蚀后质量，各个计算所述各个平行的腐蚀比率；
对所述各个平行的腐蚀比率取均值，得到所述每个取样时间点下的单位面积金属腐蚀量；
根据所述单位面积金属腐蚀量，结合GB/T16545《金属和合金的腐蚀/大气腐蚀性分类》对所述碳钢标准腐蚀试样的腐蚀程度的划分，录入与所述单位面积金属腐蚀量对应的标准图像，建立梯度腐蚀程度的腐蚀标准图像库。
优选地，所述利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练包括：
在所述腐蚀标准图像库中的每幅标准图像中局部裁剪第一预设数量的第一预设大小的样本图像；
利用每幅样本图像的色度学特征量和所述形貌纹理特征量对基于BP神经网络预选构建的初始腐蚀评价网络进行训练，以便得到训练完成的目标腐蚀评价网络。
优选地，所述对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量包括：
在所述腐蚀图像内选取预设数量的差异化腐蚀区域进行预设像素大小的局部图像截取，得到所述预设数量幅局部腐蚀图像；
分别提取各个局部腐蚀图像的色度学特征量，计算所述各个局部腐蚀图像每个色度学特征量的均值，作为所述腐蚀图像的目标色度学特征量。
优选地，所述对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量包括：
分别对所述各个局部腐蚀图像进行灰度转换及预处理操作后，计算所述各个局部腐蚀图像的形貌纹理特征量；
计算所述各个局部腐蚀图像中每个形貌纹理特征量的均值，作为所述腐蚀图像的目标形貌纹理特征量。
本发明还提供了一种金属腐蚀状态的评估装置，包括：
采集模块，用于采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；
计算模块，用于对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；
输入模块，用于将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；
确定模块，用于根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
本发明还提供了一种金属腐蚀状态的评估设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种金属腐蚀状态的评估方法的步骤。
本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种金属腐蚀状态的评估方法的步骤。
本发明所提供的金属腐蚀状态的评估方法，采集到待评估电力设备金属的腐蚀图像后，将所述腐蚀图像由RGB模型至HIS模型的色彩空间转换，从而提取所述腐蚀图像的色度学特征量。对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量。利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的目标腐蚀评价网络。将所述色度学特征量和所述形貌纹理特征量输入至所述目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值。根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
本发明所提供的金属腐蚀状态的评估方法，利用了随着金属腐蚀的进行，金属表面的腐蚀产物会逐渐增加，其颜色和不规则性、粗糙程度等会发生相应的变化，而不同的腐蚀程度对应了不同的腐蚀形貌的规律。预先建立不同腐蚀状态的金属的腐蚀标准图像库，并提取所述腐蚀标准图像库的腐蚀特征对预先构建的初始腐蚀评价网络进行训练，建立一套金属材料表面腐蚀的自动化腐蚀状态评估系统。采集待评估电力设备金属表面的腐蚀图像，提取所述腐蚀图像的色度学特征量和形貌纹理特征量。将所述色度学特征量和所述形貌纹理特征量输入至所述目标腐蚀评价网络中，输出所述腐蚀图像的所述腐蚀状态评估值；从而确定了所述待评估电力设备金属表面对应的腐蚀程度。本发明所提供的评估方法，从色度和表面纹理方面提取了表征技术腐蚀状态的多维度信息，更能准确反映金属腐蚀程度。且本发明可智能一体化地实现腐蚀图像处理、腐蚀信息分析、腐蚀状态评估、腐蚀程度划分，获取腐蚀图像操作简单，检测效率高，实现难度低，更符合工程实际要求。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的金属腐蚀状态的评估方法的第一种具体实施例的流程图；
图2为暴露试验架的结构示意图；
图3为拍照装置模型的结构示意图；
图4为初始腐蚀评价网络的训练流程图；
图5为本发明所提供的金属腐蚀状态的评估方法的第二种具体实施例的流程图；
图6a为重庆地区某变电站的电力设备金属的腐蚀图像；
图6b为在图6a中选择三个差异化的腐蚀区域进行局部腐蚀图像截取的示意图；
图7为本发明实施例提供的一种金属腐蚀状态的评估装置的结构框图。
具体实施方式
本发明的核心是提供一种金属腐蚀状态的评估方法、装置以及设备，评估效率高，实现难度低，更符合工程实际要求。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的金属腐蚀状态的评估方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；
随着腐蚀过程的进行，金属表面的腐蚀产物会逐渐增加，其颜色和形貌也会逐渐发生转变。RGB模型能够对图像的原始色彩信息进行全面的反映，而HSI模型能同时提取图像的强度、色调和饱和度等信息。在本实施例中，利用所述RGB模型提取所述腐蚀图像的色彩信息；R表示所述RGB模型的红色通道，所述G表示所述RGB模型的绿色通道，所述B表示所述RGB模型的蓝色通道。并将所述腐蚀图像由所述RGB模型转换为HIS模型，提取所述腐蚀图像的饱和度信息S和色调信息H。
其中，RGB-HIS的转换模型为：
选取腐蚀图像的RGB-HSI模型的均值和标准差作为特征量并进行计算；可以得到10个色度学特征量：MR、MG、MB、MH、MS、σR、σG、σB、σH、σS；其中，M表示均值，σ表示标准差。
步骤S102：对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；
虽然彩色图像包含更多的有用信息，但也存在大量的冗余信息。把彩色圈像转换成灰度图像，对有形成分不会造成不正确的判别，这样不仅减少存储的开销，降低计算量，同时很好的抑制了噪声，使图像明暗分明，轮廓清晰，便于后续处理。本实施例将所述腐蚀图像转化为灰度图像，同时进行白平衡校正、高斯滤波和分段线性增强等操作，以滤除噪声，突出纹理特征。
在本实施例中，选取所述腐蚀图像的统计学特征量、二值特征量、小波特征量、分形特征量表征所述腐蚀图像的表面纹理特征。在本发明所提供的其他实施例中，还可以利用所述腐蚀图像的其他特征量表征所述腐蚀图像的表面纹理特征；或选取一个或多个特征量表征所述腐蚀图像的表面纹理特征。
腐蚀能量E可以反映不同区域的灰度等级分布，腐蚀熵S可以反映图像内容的随机性提取所述灰度图像的所述统计学特征量腐蚀能量和腐蚀熵其中，p(m)为像素值为m的点占总的像素点的比例，m的取值范围为0～255。
腐蚀区域形状具有显著的不规则性，对所述灰度图像进行二值化处理，采用像素点数目衡量所述腐蚀图像的腐蚀孔面积，以便计算所述腐蚀图像的腐蚀率其中，Sco为所述腐蚀图像中腐蚀区域的面积，S0为所述腐蚀图像的总面积。
利用小波变换，可以根据图像不同频率成份在空间(时间)域的比重进行自动采集取样，进而达到高效率、高对比度的效果，可用来观察并分析腐蚀形貌图像的任意细节，并有效地应用于图像处理。
在本实施例中对所述灰度图像进行二级小波变换处理，提取所述腐蚀图像的二级小波处变换处理，提取二级小波特征量EH2、EV2和ED2，其中，所述EH2、所述EV2和所述ED2分别为所述腐蚀图像的二级腐蚀子图像的水平细节系数H2、垂直细节系数V2以及对角细节系数D2矩阵所占的能量百分比。同时，由于腐蚀形状和特征具有旋转不变性，引入各向异性的能量值和二级小波分解子图像高频分量能量和Et2＝EH2+EV2+ED2作为所述小波特征量。
在本实施例中，选取DBC“盒子维法”计算所述灰度图像的分形特征FD。金属腐蚀图像含有由于其不规则性和复杂性，在不同腐蚀状态下，其不规则程度差异明显。分形维数可以良好的表征腐蚀图像形貌不规则度。分形维数FD的合理区间为[2，3]，其中2对应纯平面。FD越大，灰度曲面越复杂。
步骤S103：将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；
分别选取腐蚀图像的色度学特征量MR、MG、MB、MH、MS、σR、σG、σB、σH、σS；统计学特征量：腐蚀能量E、腐蚀熵S；二值特征量腐蚀率K；二级小波特征量：EH2、EV2、ED2、Eo2及Et2；分形特征量分形维数FD共计19个特征量作为腐蚀特征向量，即目标腐蚀评价网络的输入层，输入因子为19个，对应输入节点ni＝19。所以输入特征向量Ci可表征为：
Ci＝[MR,MG,MB,σR,σG,σB,MH,MS,σH,σS,EH2,EV2,ED2,Eo,Et,E,S,K,FD]。
步骤S104：根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
由于BP神经网络分类效果好，计算效率高在本实施例中选取BP神经网络作为所述初始腐蚀评价网络；在本发明的其他实施例中可以选取其他深度神经网络作为腐蚀评价系统的网络结构。
为了判断采集到的待评估电力设备金属的腐蚀图像的腐蚀程度以及对预先构建的腐蚀评价网络进行训练，首先需要创建一个腐蚀标准图像库。
在创建所述腐蚀标准图像库时，首先制备碳钢标准腐蚀试样。本发明实施例中选择选择Q235等碳素钢作为标准试验样品，Q235等碳素结构钢的技术指标应符合GB/T 700《碳素结构钢》要求：碳素结构钢(Cu0.03％～0.10％，P<0.07％)，且材料应为近期制造。为了方便称重和测量，并且形状简单易于安装在试验架上，所述Q235等碳素钢试样设定为四边形板状，尺寸为150mm×100mm×3～5mm，长宽的精度为±5mm。在本发明的其他实施例中，也可以选择其他金属材料作为标准腐蚀试样，所述标准腐蚀试样的尺寸形状也可以根据实际情况设定。所述碳钢腐蚀试样在进行腐蚀实验前，其表面应根据GB/T19292.4《金属和合金的腐蚀/大气腐蚀性/用于评估腐蚀性的标准试样的腐蚀速率的测定》的要求，对全部碳钢标准腐蚀试样应用溶剂除油。表面有可见锈斑或腐蚀产物的碳钢标准腐蚀试样应用120号砂纸打磨，除去这些腐蚀产物后，再除油。有明显缺陷(如麻点、裂纹、划伤、分层等)的碳钢标准腐蚀试样应弃用。
对所述碳钢标准腐蚀试样进行预处理后，对所述碳钢标准腐蚀试样进行标记，标记方式不能影响后期腐蚀的进程，也不会因为腐蚀而导致无法辨识。
由于本发明是对电力设备现场暴露的金属表面腐蚀程度进行评估，与实验室模拟腐蚀环境获取的样本相比，现场暴露腐蚀获取的所述腐蚀标准图像库中的腐蚀形貌图像更符合工程实际情况。在实施例中利用暴露法选择电力设备所在变电站的现场选择大气腐蚀场地。大地腐蚀场地应选取敞开放置，无遮挡，地面平坦，草高不高于0.2m的区域，且应尽量避免过于靠近电力设备的区域以免造成安全隐患。放置所述碳钢标准腐蚀试样的暴露试验架平衡应性能好，不会因刮风下雨而倒塌，最好固定于地面。所述暴露试验架应根据所述碳钢标准腐蚀试样的尺寸进行订做，确保所述碳钢标准腐蚀试样与地面的距离大于等于0.75m，如图2所示。所述暴露试验架的朝向应正面朝南。所述碳钢标准腐蚀试样可以使用塑料螺母直接固定在所述暴露试验架上或者通过塑料垫片加螺母固定与所述暴露试验架上。
在本实施例中，所述碳钢标准腐蚀试样的暴露时间设定为3年，其暴露时间也可以根据实际情况设定。在所述暴露时间内，可以根据所述碳钢标准腐蚀试样的腐蚀速率灵活选取取样的时间节点。每个时间节点取样多个平行试样。在本实施例中，以每个时间节点取样三个平行节点为例。每个标记的试样挂片前都应称取相应腐蚀前的质量W0，精度至少±10mg，称量后立即记录在对应的试样袋上。
对于每个时间节点取样的平行试样，需要记录和拍照并保存，拍照装置模型如图3所示，所述拍照装置模型包括：相机1、灯管2、遮光箱3、试样放置盘4和桌面5、其中所述遮光箱3避免了外部光线的作用，控制了相机到当前拍照试样的距离；而灯管则提供了平行光，保证了所有标准图片的标准性与统一性，避免了其他干扰。采集到的图片应大于8Mbits，照片长边不小于5000像素。对于每个时间节点所取的每个平行试样称取质量后，对所述每个平行试样的腐蚀产物进行清除。所述腐蚀产物的清除根据GB/T16545《金属和合金的腐蚀/腐蚀试样上腐蚀产物的清除》，具体试剂如表1所示。在酸洗过程中，应保持整个表面酸洗均匀。酸洗一定时间后从溶液中取出试样轻刷，以有助于所述腐蚀产物的清除。用鬃刷刷去表面疏松铁锈直至再无脱落止，表面剩下附着牢固的锈层，然后将其置于干燥器中48小时，取出称重，得到腐蚀后的所述每个平行试样的质量WT。
表1腐蚀产物清除方法
根据分别计算每个平行试样的腐蚀量P，其中W0为每个平行试样腐蚀前的质量，WT为所述每个平行试样腐蚀后的质量。每个取样节点的平行试样为3个，假设每个平行试样的腐蚀比率分别为：Mi1，Mi2，Mi3。通过对三个腐蚀比率取均值，可以得到该取样节点下的单位面积金属腐蚀量。
根据金属腐蚀比率的不同，结合GB/T19292.1《金属和合金的腐蚀/大气腐蚀性分类》可以进行腐蚀程度的划分，对应录入相应的腐蚀图像，建立腐蚀标准图像库如表2所示。
表2梯度腐蚀程度的腐蚀标准图像库
所述标准图库分别为6个不同腐蚀阶段的18个典型腐蚀样本(P11，P12，P13，...，P61，P62，P63)。
由于在本实施例中，将所述腐蚀图像划分成了6个不同的腐蚀程度。因此，将所述初始腐蚀评价网络的输出层节点no设为1，期望状态评估输出值为Co，设其典型的腐蚀状态输出值为0.5,1,1.5,2,2.5和3。对应关系如表3所示。
表3腐蚀程度与腐蚀状态输出值对应关系
神经网络的隐含层节点一般不做特别规定，但一般不少于输入层节点。采用经验公式进行计算，其中a为1～10之间的整数。在本发明实施例中隐含层节点可以选取为10个或其他数量。
利用所述腐蚀标准图像库对所述初始腐蚀评价网络进行训练时，在所述腐蚀标准图像库中的每幅标准图像中局部裁剪第一预设数量的第一预设大小的样本图像。例如，在所述每幅标准图像中裁剪3幅400×400像素大小的样本图像。利用每幅样本图像的色度学特征量和所述形貌纹理特征量对基于BP神经网络预选构建的初始腐蚀评价网络进行训练，以便得到训练完成的目标腐蚀评价网络，训练过程如图4所示。
步骤S104：根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
本发明实施例提出了一种基于色度和表面纹理特征分析的电力设备金属腐蚀状态评估方法，可实现电力设备技术腐蚀等级的快速划分。合理运用了统计学、分形学、小波变换等，从色度和表面纹理方面提取了表征技术腐蚀状态的多维度信息，更能准确反映金属腐蚀程度。且本实施例可以智能一体化地实现腐蚀图像处理、腐蚀信息分析、腐蚀状态评估、腐蚀程度划分，提高了金属腐蚀状态评价效率。
基于上述实施例，为了降低待评估的电力设备表面金属的腐蚀图像内边缘影响，减少计算量；本实施例可以在内选取预设数量的差异化腐蚀区域进行预设像素大小的局部图像截取，得到所述预设数量幅局部腐蚀图像；分别提取各个局部腐蚀图像的色度学特征量，计算所述各个局部腐蚀图像每个色度学特征量的均值，作为所述腐蚀图像的色度学特征量。分别对所述各个局部腐蚀图像进行灰度转换及预处理操作后，计算所述各个局部腐蚀图像的形貌纹理特征量；计算所述各个局部腐蚀图像中每个形貌纹理特征量的均值，作为所述腐蚀图像的色度学特征量。
请参考图5，图5为本发明所提供的金属腐蚀状态的评估方法的第二种具体实施例的流程图；具体操作步骤如下：
步骤S501：采集待评估电力设备金属表面的腐蚀图像，在所述腐蚀图片中选择三个差异化的腐蚀区域进行截取，得到像素大小均为400×400的三幅局部腐蚀图像；
在本实施例中，以重庆地区某变电站的电力设备金属的腐蚀图像为例，采集到的所述腐蚀图像如图6a所示；对所述腐蚀图像选择三个差异化的腐蚀区域进行400×400像素大小的局部腐蚀图像的截取如图6b所示。
步骤S502：分别计算各幅局部腐蚀图像中同一色度学特征量的均值，以便得到所述腐蚀图像的目标色度学特征量；
利用RGB模型分别提取每幅局部腐蚀图像的色彩信息；并将所述每幅局部腐蚀图像由所述RGB模型转换为HIS模型，提取所述每幅局部腐蚀图像的饱和度信息和色调信息。利用所述每幅局部腐蚀图像的所述色彩信息、所述饱和度信息和所述色调信息计算所述每幅局部图像的色度学特征量。计算各幅局部腐蚀图像中同一色度学特征量的均值作为所述腐蚀图像的目标色度学特征量，如表4所示。
表4局部腐蚀图像色度学特征值
特征量 局部腐蚀图像1 局部腐蚀图像2 局部腐蚀图像3 均值
M<sub>R</sub> 114.0784 112.9826 113.7949 113.6186
M<sub>G</sub> 87.4043 78.4671 105.4692 90.4469
M<sub>B</sub> 75.2981 57.3065 108.0189 80.2078
σ<sub>R</sub> 20.5438 21.5211 31.6252 24.5634
σ<sub>G</sub> 19.2966 12.4544 39.8789 23.8766
σ<sub>B</sub> 30.442 15.1777 48.7444 31.4547
M<sub>H</sub> 0.2045 0.1059 0.3873 0.2326
M<sub>S</sub> 0.3794 0.4848 0.1993 0.3545
σ<sub>H</sub> 0.2812 0.1718 0.3302 0.2611
σ<sub>S</sub> 0.1866 0.1547 0.1244 0.1552
步骤S503：分别对所述各幅局部腐蚀图像进行灰度转换以及预处理操作后，计算所述各幅局部腐蚀图像的统计学特征量的均值作为所述腐蚀图像的目标统计学特征量；
步骤S504：计算所述各幅局部腐蚀图像的二值特征量的均值作为所述腐蚀图像的目标二值特征量；
步骤S505：计算所述各幅局部腐蚀图像的小波特征量的均值作为所述腐蚀图像的目标小波特征量；
步骤S506：计算所述各幅局部腐蚀图像的分形特征量的均值作为所述腐蚀图像的目标分形特征量；
对所述各幅局部腐蚀图像进行灰度转换、高斯滤波和分段线性增强等处理后，，然后进行所述统计学特征量、所述二值特征量、所述分形特征量及所述小波特征量的提取，提取结果如表5所示。
表5局部腐蚀图像统计学、二值、分形及小波特征值
特征量 局部腐蚀图像1 局部腐蚀图像2 局部腐蚀图像3 均值
E 0.0213 0.0343 0.0124 0.0227
S 5.9079 5.2794 6.7097 5.9657
FD 2.7824 2.7574 2.8087 2.7828
K 6.0071 0.6808 29.8179 12.1686
E<sub>H2</sub> 1.6884 1.7312 1.0796 1.4997
E<sub>V2</sub> 2.351 1.9616 2.447 2.2532
E<sub>D2</sub> 0.7041 0.7967 0.3413 0.6140
E<sub>t2</sub> 4.7435 4.4896 3.8678 4.3670
E<sub>o2</sub> 0.628 0.6092 0.6971 0.6448
步骤S507：将所述目标色度学特征量，所述目标统计学特征量，所述目标二值特征量，所述目标分形特征量输入预先完成训练的目标腐蚀评估网络中，输出所述腐蚀图像的腐蚀状态评估值；
步骤S508：查找与所述腐蚀状态评估值对应的腐蚀程度，以便确定所述待评估电力设备金属表面的腐蚀程度。
将表4和表5中所述各幅局部腐蚀图像的特征值求取均值，得到所述腐蚀图像的腐蚀特征向量Ci。然后将所述腐蚀特征向量Ci输入到所述目标腐蚀评价网络中，即可得到所述腐蚀图像的腐蚀状态评估值Co。将所述腐蚀状态评估值Co的大小与表2进行比对，即可判断所述待评估电力设备金属的腐蚀程度。经运算，所述电力设备设备金属的腐蚀状态评估输出值Co大小为1.826，腐蚀程度为中腐蚀～较强腐蚀，与实际腐蚀情况相符，验证了本发明实施例所提供的电力设备金属腐蚀的评估方法的有效性。
请参考图7，图7为本发明实施例提供的一种金属腐蚀状态的评估装置的结构框图；具体装置可以包括：
采集模块100，用于采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；
计算模块200，用于对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；
输入模块300，用于将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；
确定模块400，用于根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
本实施例的金属腐蚀状态的评估装置用于实现前述的金属腐蚀状态的评估方法，因此金属腐蚀状态的评估装置中的具体实施方式可见前文中的金属腐蚀状态的评估方法的实施例部分，例如，采集模块100，计算模块200，输入模块300，确定模块400，分别用于实现上述金属腐蚀状态的评估方法中步骤S101，S102，S103和S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种金属腐蚀状态的评估设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种金属腐蚀状态的评估方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的金属腐蚀状态的评估方法、装置以及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种金属腐蚀状态的评估方法，其特征在于，包括：
采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；
对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；
将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；
根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
2.如权利要求1所述的评估方法，其特征在于，所述对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量包括：
利用RGB模型提取所述腐蚀图像的色彩信息；
利用和将所述腐蚀图像由所述RGB模型转换为HIS模型，提取所述腐蚀图像的饱和度信息S和色调信息H；
其中，R表示所述RGB模型的红色通道，所述G表示所述RGB模型的绿色通道，所述B表示所述RGB模型的蓝色通道；
利用所述色彩信息、所述饱和度信息和所述色调信息计算得到所述腐蚀图像的色度学特征量MR、MG、MB、MH、MS、σR、σG、σB、σH、σS；其中，M表示均值，σ表示标准差。
3.如权利要求1所述的评估方法，其特征在于，所述腐蚀图像的形貌纹理特征量包括：
所述腐蚀图像的腐蚀特征量包括：统计学特征量、二值特征量、小波特征量、分形特征量。
4.如权利要求3所述的评估方法，其特征在于，所述对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量包括：
对所述腐蚀图像进行灰度转换以及预处理操作后，得到所述腐蚀图像的灰度图像，并提取所述灰度图像的所述统计学特征量腐蚀能量和腐蚀熵其中，p(m)为像素值为m的点占总的像素点的比例，m的取值范围为0～255；
对所述灰度图像进行二值化处理，采用像素点数目衡量所述腐蚀图像的腐蚀孔面积，以便计算所述腐蚀图像的腐蚀率其中，Sco为所述腐蚀图像中腐蚀区域的面积，S0为所述腐蚀图像的总面积；
对所述灰度图像进行二级小波变换处理，提取所述腐蚀图像的二级小波处变换处理，提取二级小波特征量EH2、EV2和ED2，并引入各向异性的能量值Eo2和二级小波分解子图像高频分量能量和Et作为所述小波特征量；
其中，所述EH2、所述EV2和所述ED2分别为所述腐蚀图像的二级腐蚀子图像的水平细节系数H2、垂直细节系数V2以及对角细节系数D2所占的能量百分比；
利用DBC盒子维法计算所述灰度图像的分形特征FD。
5.如权利要求1所述的评估方法，其特征在于，所述腐蚀标准图像库的建立过程包括：
制备碳钢标准腐蚀试样，对所述碳钢标准腐蚀试样进行标记后，利用暴露法对所述碳钢标准腐蚀试样进行大气腐蚀试验；
在预设时长内，根据腐蚀速率选取取样时间节点对所述碳钢标准腐蚀试样进行取样，每个取样时间点选取多个平行样品；
对所述每个取样时间点取下的各个平行样品分别进行记录、拍照并作为标准图像存储；
根据所述各个平行样品的腐蚀前质量和腐蚀后质量，各个计算所述各个平行的腐蚀比率；
对所述各个平行的腐蚀比率取均值，得到所述每个取样时间点下的单位面积金属腐蚀量；
根据所述单位面积金属腐蚀量，结合GB/T16545《金属和合金的腐蚀/大气腐蚀性分类》对所述碳钢标准腐蚀试样的腐蚀程度的划分，录入与所述单位面积金属腐蚀量对应的标准图像，建立梯度腐蚀程度的腐蚀标准图像库。
6.如权利要求5所述的评估方法，其特征在于，所述利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练包括：
在所述腐蚀标准图像库中的每幅标准图像中局部裁剪第一预设数量的第一预设大小的样本图像；
利用每幅样本图像的色度学特征量和所述形貌纹理特征量对基于BP神经网络预选构建的初始腐蚀评价网络进行训练，以便得到训练完成的目标腐蚀评价网络。
7.如权利要求1至6任一项所述的评估方法，其特征在于，所述对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量包括：
在所述腐蚀图像内选取预设数量的差异化腐蚀区域进行预设像素大小的局部图像截取，得到所述预设数量幅局部腐蚀图像；
分别提取各个局部腐蚀图像的色度学特征量，计算所述各个局部腐蚀图像每个色度学特征量的均值，作为所述腐蚀图像的目标色度学特征量。
8.如权利要求7所述的评估方法，其特征在于，所述对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量包括：
分别对所述各个局部腐蚀图像进行灰度转换及预处理操作后，计算所述各个局部腐蚀图像的形貌纹理特征量；
计算所述各个局部腐蚀图像中每个形貌纹理特征量的均值，作为所述腐蚀图像的目标形貌纹理特征量。
9.一种金属腐蚀状态的评估装置，其特征在于，包括：
采集模块，用于采集待评估电力设备金属的腐蚀图像，对所述腐蚀图像进行RGB模型至HIS模型的色彩空间转换，提取所述腐蚀图像的色度学特征量；
计算模块，用于对所述腐蚀图像进行灰度转换及预处理操作后，计算所述腐蚀图像的形貌纹理特征量；
输入模块，用于将所述色度学特征量和所述形貌纹理特征量输入至目标腐蚀评价网络内，输出所述腐蚀图像的腐蚀状态评估值；其中，所述目标腐蚀评价网络是利用预先建立的腐蚀标准图像库对预先构建的初始腐蚀评价网络进行训练得到的；
确定模块，用于根据所述腐蚀状态评估值确定所述待评估电力设备金属的腐蚀程度。
10.一种金属腐蚀状态的评估设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至8任一项所述一种金属腐蚀状态的评估方法的步骤。
CN201910309042.6A 2019-04-17 2019-04-17 一种金属腐蚀状态的评估方法、装置和设备 Pending CN110009632A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910309042.6A CN110009632A (zh) 2019-04-17 2019-04-17 一种金属腐蚀状态的评估方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910309042.6A CN110009632A (zh) 2019-04-17 2019-04-17 一种金属腐蚀状态的评估方法、装置和设备

Publications (1)

Publication Number Publication Date
CN110009632A true CN110009632A (zh) 2019-07-12

Family

ID=67172521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910309042.6A Pending CN110009632A (zh) 2019-04-17 2019-04-17 一种金属腐蚀状态的评估方法、装置和设备

Country Status (1)

Country Link
CN (1) CN110009632A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532924A (zh) * 2019-08-22 2019-12-03 江苏联峰实业有限公司 一种高耐热钢的识别处理方法及装置
CN110827234A (zh) * 2019-09-23 2020-02-21 深圳市智微智能科技开发有限公司 有色金属的腐蚀信息获取方法及相关装置
CN111814831A (zh) * 2020-06-10 2020-10-23 东莞东阳光科研发有限公司 一种测定腐蚀箔比容值的方法
CN112067565A (zh) * 2020-09-22 2020-12-11 江苏师范大学 一种基于波长变化的金属腐蚀状态评估测试装置及方法
CN112102255A (zh) * 2020-08-21 2020-12-18 杭州培慕科技有限公司 基于工业场景下的x射线成像图像的缺陷智能评级方法
CN112801956A (zh) * 2021-01-18 2021-05-14 南京工业大学 一种漆层下海洋腐蚀的高分辨率图像重构和状态评估方法
CN112836717A (zh) * 2020-12-02 2021-05-25 国网重庆市电力公司电力科学研究院 一种电力设备金属腐蚀老化程度的辨识方法
CN113129300A (zh) * 2021-05-10 2021-07-16 深圳市水务工程检测有限公司 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN113160909A (zh) * 2021-04-30 2021-07-23 苏州华碧微科检测技术有限公司 一种快速鉴定金属腐蚀失效的方法
CN113205514A (zh) * 2021-05-27 2021-08-03 上海扩博智能技术有限公司 获取风机叶片腐蚀信息的方法、系统、设备和存储介质
CN113298766A (zh) * 2021-05-19 2021-08-24 中国兵器工业第五九研究所 一种基于图像识别的金属腐蚀损伤定量评价方法
CN113884430A (zh) * 2021-09-27 2022-01-04 重庆科技学院 一种基于图像识别的金属腐蚀程度的综合评价方法及装置
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477630A (zh) * 2009-02-17 2009-07-08 吴俊� 智能化水处理微生物机器视觉辨识系统和方法
CN103400121A (zh) * 2013-08-06 2013-11-20 河海大学 基于彩色二值化图像的车牌定位方法
CN106023185A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种输电设备故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101477630A (zh) * 2009-02-17 2009-07-08 吴俊� 智能化水处理微生物机器视觉辨识系统和方法
CN103400121A (zh) * 2013-08-06 2013-11-20 河海大学 基于彩色二值化图像的车牌定位方法
CN106023185A (zh) * 2016-05-16 2016-10-12 国网河南省电力公司电力科学研究院 一种输电设备故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALEXSANDRO MENDESZIMER等: "Investigation of AISI 1040 steel corrosion in H2S solution containing chloride ions by digital image processing coupled with electrochemical techniques", 《CORROSION SCIENCE》 *
夏莹: "基于图像分析的Q235钢海水腐蚀检测技术研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532924A (zh) * 2019-08-22 2019-12-03 江苏联峰实业有限公司 一种高耐热钢的识别处理方法及装置
CN110827234A (zh) * 2019-09-23 2020-02-21 深圳市智微智能科技开发有限公司 有色金属的腐蚀信息获取方法及相关装置
CN111814831A (zh) * 2020-06-10 2020-10-23 东莞东阳光科研发有限公司 一种测定腐蚀箔比容值的方法
CN112102255A (zh) * 2020-08-21 2020-12-18 杭州培慕科技有限公司 基于工业场景下的x射线成像图像的缺陷智能评级方法
CN112102255B (zh) * 2020-08-21 2024-01-23 杭州培慕科技有限公司 基于工业场景下的x射线成像图像的缺陷智能评级方法
CN112067565A (zh) * 2020-09-22 2020-12-11 江苏师范大学 一种基于波长变化的金属腐蚀状态评估测试装置及方法
CN112067565B (zh) * 2020-09-22 2023-01-17 江苏师范大学 一种基于波长变化的金属腐蚀状态评估测试装置及方法
CN112836717A (zh) * 2020-12-02 2021-05-25 国网重庆市电力公司电力科学研究院 一种电力设备金属腐蚀老化程度的辨识方法
CN112836717B (zh) * 2020-12-02 2023-05-23 国网重庆市电力公司电力科学研究院 一种电力设备金属腐蚀老化程度的辨识方法
CN112801956B (zh) * 2021-01-18 2022-04-05 南京工业大学 一种漆层下海洋腐蚀的高分辨率图像重构和状态评估方法
CN112801956A (zh) * 2021-01-18 2021-05-14 南京工业大学 一种漆层下海洋腐蚀的高分辨率图像重构和状态评估方法
CN113160909A (zh) * 2021-04-30 2021-07-23 苏州华碧微科检测技术有限公司 一种快速鉴定金属腐蚀失效的方法
CN113129300A (zh) * 2021-05-10 2021-07-16 深圳市水务工程检测有限公司 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN113298766B (zh) * 2021-05-19 2022-06-07 中国兵器工业第五九研究所 一种基于图像识别的金属腐蚀损伤定量评价方法
CN113298766A (zh) * 2021-05-19 2021-08-24 中国兵器工业第五九研究所 一种基于图像识别的金属腐蚀损伤定量评价方法
CN113205514A (zh) * 2021-05-27 2021-08-03 上海扩博智能技术有限公司 获取风机叶片腐蚀信息的方法、系统、设备和存储介质
CN113884430A (zh) * 2021-09-27 2022-01-04 重庆科技学院 一种基于图像识别的金属腐蚀程度的综合评价方法及装置
CN114049354A (zh) * 2022-01-12 2022-02-15 山东仲良格环保技术有限公司 一种基于金属锈蚀程度的除锈剂优化配比方法及系统

Similar Documents

Publication Publication Date Title
CN110009632A (zh) 一种金属腐蚀状态的评估方法、装置和设备
CN103996192B (zh) 基于高质量自然图像统计量模型的无参考图像质量评价方法
Baveye et al. Observer-dependent variability of the thresholding step in the quantitative analysis of soil images and X-ray microtomography data
RU2008105393A (ru) Основанные на применении компьютера формирование и проверка тренировочных образов, предназначенных для многоточечного теостатистического анализа
CN108876021B (zh) 一种中长期径流预报方法及系统
CN109409441A (zh) 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法
CN106709958A (zh) 一种基于灰度梯度和颜色直方图的图像质量评价方法
CN104198498B (zh) 基于自适应正交小波变换的布匹疵点检测方法及装置
Fily et al. Opening and closing of sea ice leads: Digital measurements from synthetic aperture radar
CN107688776B (zh) 一种城市水体提取方法
CN114140691B (zh) 基于无人机可见光图像预测作物倒伏角度和形态的方法
CN107318014A (zh) 基于视觉显著区域和时空特性的视频质量评估方法
KR20030089784A (ko) 프랙탈 차원을 이용한 디스플레이 장치의 화질 분석 방법및 시스템
CN102062725A (zh) 一种馆藏壁画表面颜料特征的无损分析方法
CN115345069A (zh) 一种基于最大水深记录和机器学习的湖泊水量估算方法
Benestad et al. The use of a calculus-based cyclone identification method for generating storm statistics
CN116309155A (zh) 基于卷积和转换器混合网络的图像修复方法、模型和装置
CN107945154A (zh) 基于四元数离散余弦变换的彩色图像质量评价方法
CN116740579B (zh) 一种国土空间规划数据智能采集方法
CN109344769A (zh) 一种基于遥感影像的光伏电站检测方法及系统
CN108764112A (zh) 一种遥感图像目标物检测方法及设备
Swall et al. The impact of spatial correlation and incommensurability on model evaluation
CN112488997A (zh) 基于特征插值的古代绘画印刷品颜色复现检测和评价方法
Wu et al. Atmospheric corrosion state evaluation based on surface corrosion morphology for electrical metal frame equipment in chongqing power grid
CN115471724A (zh) 一种基于自适应归一化的细粒度鱼类疫病识别融合算法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712