CN110146589B - 一种管道漏磁数据的高清可视化方法 - Google Patents
一种管道漏磁数据的高清可视化方法 Download PDFInfo
- Publication number
- CN110146589B CN110146589B CN201910522202.5A CN201910522202A CN110146589B CN 110146589 B CN110146589 B CN 110146589B CN 201910522202 A CN201910522202 A CN 201910522202A CN 110146589 B CN110146589 B CN 110146589B
- Authority
- CN
- China
- Prior art keywords
- data
- gray
- magnetic
- value
- interval
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Electrochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明涉及一种管道漏磁数据的高清可视化方法,步骤为:采集漏磁数据并进行预处理,得到预处理后的漏磁检测数据H;对漏磁检测数据H进行分类,得到的漏磁数据分类标签;利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示,得到修正后的分类标签Cnew;漏磁数据局部灰度映射,显示增强后漏磁数据灰度图Gnew;对漏磁数据进行伪彩转换:对于转换为灰度值后的漏磁数据,根据修正后的分类标签Cnew,采用灰度级‑彩色变换法,以不同的分类标签为划分灰度值区间,将不同标签下的灰度值分别转换到RGB色彩空间中,并显示漏磁数据伪彩色图像。本发明改善了曲线图显示效果,整体提升漏磁数据可视化效果,完整地保留了漏磁信号特征信息,并提高数据显示效率减轻内存负担。
Description
技术领域
本发明涉及一种管道无损检测和数据可视化技术,具体为一种管道漏磁数据的高清可视化方法。
背景技术
深海油气管道常年处在恶劣的海底环境中,容易受海底高压强、高腐蚀等复杂环境影响,一旦发生泄漏,将造成极大生态污染及能源浪费,故对管道无损检测尤为必要。
漏磁检测技术是对管道进行缺陷检测的常用技术之一。随着硬件技术及传感器制造工艺的提升,远距离管道检测已成为现实,所布置的传感器数量及灵敏度均有极大提升,能够更精确地检测到细微缺陷或其他管道状态信息。为便于更直观观察及分析管道检测数据,进行缺陷检测及尺寸反演等,应采用合理的方法对漏磁数据可视化处理。常用的漏磁数据可视化方法有曲线视图、灰度视图、伪彩色视图等。
在对海量漏磁数据曲线显示过程中,由于数据量庞大而造成加载速度慢、操作延迟等问题,极大增加操作及数据特征分析难度,影响操作体验。常见的漏磁数据灰度图及伪彩色视图显示由于灰度映射带来的特征损失,使得小缺陷区域特征无法正常显示,边界模糊,无法较为完整地体现管道状态信息,不易于视觉观察及后序的管道缺陷检测等。
发明内容
针对现有技术中的漏磁数据可视化方法存在海量数据曲线显示所带来的性能瓶颈,灰度及伪彩色视图特征模糊、缺陷信息缺失等不足,本发明要解决的问题是提供一种效率更高、特征清晰的管道漏磁数据的高清可视化方法,以实现管道漏磁数据的自适应可视化。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种管道漏磁数据的高清可视化方法,包括下述步骤:
1)采集漏磁数据并进行预处理,将实时采集到的管道漏磁源数据Hs进行去噪处理,保留信号特征信息并去除高频噪声干扰;采用平均中值法进行数据基值校准,得到预处理后的漏磁检测数据H;
2)对漏磁检测数据H进行分类,得到的漏磁数据分类标签为
其中n表示当前数据段的里程采样点,m表示传感器通道数;
3)利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示,得到修正后的分类标签Cnew;
4)漏磁数据局部灰度映射,依据当前采样点幅值与中值大小关系,将电压幅值分别映射到(Ggray,255]及[0,Ggray)灰度范围内,得到漏磁数据的灰度值为依据步骤3)中修正后的分类标签Cnew,对灰度图进行分类灰度拉伸,显示增强后漏磁数据灰度图Gnew;
5)对漏磁数据进行伪彩转换:对于转换为灰度值后的漏磁数据,根据步骤3)中修正后的分类标签Cnew,采用灰度级-彩色变换法,以不同的分类标签为临界灰度值,将不同标签下的灰度值分别转换到RGB色彩空间中,并显示漏磁数据伪彩色图像。
步骤2)对漏磁检测数据H进行分类包括以下步骤:
201)依次取出原始漏磁检测数据H中第i(i=1...m)通道的漏磁检测数据{h1i...hni},求得当前通道i电压幅值的最大值Vimax、最小值Vimin及中值Vimedian;
202)选定类簇k,依照k值线性划分[Vimin,Vimedian]及[Vimedian,Vimax]区间,选取k个初始质心,以不同采样点间幅值差|Vi-Vj|为距离,采用k-means聚类算法对一维单通道数据聚类,得到当前通道下的簇划分结果,以作为当前漏磁数据分类标签。
步骤3)利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示包括以下步骤:
301)按相邻里程点求取漏磁数据H差分值,设定里程间隔Δinterval,依次遍历里程点,判断当前里程间隔Δinterval内差分值正负,当间隔内差分值有正有负时,去迭代下一里程点;当间隔内差分值全正或全负时,得到Δinterval内左侧里程点幅值Vleft及右侧幅值Vright;
302)得到上述Δinterval内峰谷差为Vinterval=|Vleft-Vright|,判断Vinterval与阈值Vthreshold大小关系,当Vinterval>=Vthreshold时,则当前间隔内采样点分类标签递增1,表示为cij=cij+1;
当Vinterval<Vthreshold时,迭代下一里程采样点,并记录当前位置[visitedij,visitedij+interval]为1,表示已做修正;
303)对漏磁数据分类标签修正后,取各通道标签最大值为当前里程点位置分类标签,得到最终的分类结果{C1,C2...Cn}T;
304)设计抽样系数{S1,S2...Sk},k为类簇个数,对应于不同分类标签下的里程抽样比例,作为曲线显示的抽样系数。
步骤4)漏磁数据局部灰度映射具体为:
401)依据漏磁检测数据缺陷峰谷幅值差特征,设置灰度临界值Ggray,并求取各通道幅值中值{Vmedian_1,Vmedian_2...Vmedian_m};
402)以当前里程点位置为中心,设置方形滑动窗口,窗口长为length,宽为width,即以当前采样位置为中心,分别向左右扩展length/2,分别上下扩展width/2,作为灰度值映射的滑动窗口;
403)对原始漏磁数据边界补偿,左右边界分别补偿length长度里程点距离,上下边界补偿width通道,补偿值分别取自各边界内部延伸值;
404)对任一采样点,求取窗口内幅值最大值Vw-max、最小值Vw-min,并依据其与漏磁数据整体幅值最大最小值差值进行线性补偿,使色彩有一定区分度,具体方式如下:
其中,Vw-max-new为补偿后的窗口内最大幅值,Vw-min-new为补偿后的窗口内最小幅值,Vmax、Vmin分别为整体最大、最小幅值,α、β为调节因子,radio为偏差系数;
405)判断当前里程点幅值是否大于中值:
当Vij>Vmedian-j时,将当前幅值映射到(Ggray,255]范围内;
当Vij<Vmedian-j时,映射为[0,Ggray);
当Vij=Vmedian-j时,gij=Ggray;
其中,Vij为当前里程点电压幅值,Vmedian-j为当前传感器通道电压幅值中值,gij为该里程点位置转换后灰度值,Ggray为选取的灰度临界值,i为里程点位置,j为通道数。
406)对得到的灰度图像进行分段灰度拉伸,以步骤3)中的分类标签Cnew作为灰度拉伸的区间,并将分类标签归并为三个区间,分别为[c1,ct]、[ct,cm]、[cm,ck],设数据平稳段的灰度范围为[r1,r2],其中r1<Gthreshold&r2>Gthreshold,增强后漏磁数据灰度图Gnew为:
其中,gij表示处理前的该位置灰度值,γ、ν均为灰度值的修正系数,δ表示偏差系数,λ为校正比例。
步骤5)对漏磁数据进行伪彩转换具体为:
501)将步骤3)中得到的分类标签Cnew依照数据特征进行归并划分,将k个分类标签值归并为4个区间[ca,cb],[cc,cd],[ce,cf],[cg,ck],其中下标a、b、c、d、e、f、g、k分别表示分类标签的类别,使其满足灰度级-彩色转换法的灰度值分割区间;
502)分别对处于不同分类标签区间下内的漏磁灰度数据,范围内的灰度值采用下述公式转换为RGB色彩空间,得到漏磁数据伪彩色图像。
本发明具有以下有益效果及优点:
1.本发明方法通过分析管道数据特征,合理设置抽样比率尽可能保留缺陷、组件等位置数据特征信息,降低数据平稳段显示比率以改善曲线图显示效果;同时对管道数据局部映射加以非线性补偿与增强使得特征信息显示更清晰,并设计合理的伪彩色转换方法,整体提升漏磁数据可视化效果。
2.本发明采用k-means算法及数据标签差分修正对漏磁数据自适应分类,且抽样曲线显示,较为完整地保留了漏磁信号特征信息,并提高数据显示效率减轻内存负担。
3.本发明设计了一种局部数据灰度化方法,提升小缺陷显示效果且保证对比度,有效地实现灰度图显示;设计自适应的伪彩色转换方式,提高特征区分度。
附图说明
图1为本发明的管道漏磁数据可视化流程图;
图2为本发明的管道漏磁数据曲线显示流程图;
图3为本发明的管道漏磁数据灰度显示流程图;
图4为本发明的管道漏磁数据彩色显示流程图;
图5为本发明的某段管段数据曲线显示效果对比图;
图6为本发明的某段管段数据灰度显示图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
如图1所示,本发明一种管道漏磁数据的高清可视化方法,包括下述步骤:
1)采集漏磁数据并进行预处理,将实时采集到的管道漏磁源数据Hs进行去噪处理,保留信号特征信息并去除高频噪声干扰;采用平均中值法进行数据基值校准,得到预处理后的漏磁检测数据H;
2)对漏磁检测数据H进行分类得到的漏磁数据分类标签为
其中n表示当前数据段的里程采样点,m表示传感器通道数;
3)利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示,得到修正后的分类标签Cnew;
4)漏磁数据局部灰度映射,依据当前采样点幅值与中值大小关系,将电压幅值分别映射到(Ggray,255]及[0,Ggray)灰度范围内,得到漏磁数据的灰度值为依据步骤3)中修正后的分类标签Cnew,对灰度图进行分段灰度拉伸,显示增强后漏磁数据灰度图Gnew;
5)对漏磁数据进行伪彩转换:对于转换为灰度值后的漏磁数据,根据步骤3)中修正后的分类标签Cnew,采用灰度级-彩色变换法,以不同的分类标签为临界灰度值,将不同标签下的灰度值分别转换到RGB色彩空间中,并显示漏磁数据伪彩色图像。
步骤1)漏磁数据的采集及预处理
对采集到的漏磁检测数据,需要进行滤波去噪,以去除部分高频噪声干扰,同时应注意保留数据特征。此外,由于各通道传感器本身差异,在零磁场环境下其输出各不相同,所以应对传感器基值校正,具体为:
101)根据漏磁信号特征,选择小波基为sym10,分解层数为5层,采用无偏风险估计阈值(rigrsure),对原始漏磁信号进行小波分解,得到细节分量(高频)及近似(低频)分量,并对细节分量进行阈值处理;
102)用处理后的低频分量进行小波重构,得到去噪后的漏磁信号;
103)采用平均中值法对各通道漏磁信号进行基值校正,采用每个传感器在该管段的中值信号作为基准,校正漏磁信号,具体方式如下;
其中Vij为第i个传感器在第j个里程点位置的信号幅值,Vij'是校正后的信号幅值,n为传感器的总个数(轴向为72),Vmedian是当前传感器通道内的信号幅值中值。
104)对各通道漏磁信号去噪及基值校正后,得到预处理后的漏磁信号H。
步骤2)中的漏磁数据分类处理
如图2所示,前半部分即为漏磁数据分类处理流程。
201)依次取出漏磁检测数据H中第i(i=1...m)通道的检测数据{h1i...hni}T,求得当前通道i电压幅值的最大值Vimax、最小值Vimin及中值Vimedian;
环绕管道一周共m个传感器通道(如轴向传感器m为72),依次取出原始漏磁检测数据H中第i(i=1...m)通道的漏磁检测数据{h1i...hni}T,求得当前通道i电压幅值的最大值Vimax、最小值Vimin及中值Vimedian;
202)选定类簇k,依照k值线性划分[Vimin,Vimedian]及[Vimedian,Vimax]区间,选取k个初始质心,以不同采样点间幅值差|Vi-Vj|为距离,采用k-means聚类算法对一维单通道数据聚类,得到当前通道下的簇划分结果,以作为当前漏磁数据分类标签。
本步骤根据漏磁检测基本原理,在缺陷或组件等位置由于漏磁场使得磁感应强度较大,使得霍尔传感器所采集到的电压幅值较大,呈现在曲线视图中即缺陷等位置呈现不同大小及形状的幅值波动,考虑对漏磁数据进行初步聚类,划分数据特征。
上述步骤2)中根据里程点幅值信号大小对漏磁数据进行初步聚类,得到簇划分结果C0,作为漏磁数据的初始分类标签。考虑到缺陷大小及特征,以幅值差为依据的初始聚类结果易淹没部分小缺陷,故对分类标签进行校正,增加小缺陷段标签值。同时,根据最终得到的分类标签,设计抽样系数,抽样显示曲线视图。图2中后半部分即为分类校正抽样显示流程。
步骤3)漏磁数据分类校正及抽样曲线显示
本步骤中,利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示,具体为:
301)按相邻里程点求取漏磁数据H差分值,设定里程间隔Δinterval,依次遍历里程点,判断当前里程间隔Δinterval内差分值正负,当间隔内差分值有正有负时,去迭代下一里程点;当间隔内差分值全正或全负时,得到Δinterval内左侧里程点幅值Vleft及右侧幅值Vright;
设定里程间隔Δinterval,Δinterval一般取值为5~10,此处取5;当内间隔差分值全正或全负,表示当前间隔内有可能处于缺陷段,但要继续判断幅值差大小关系,此时,得到Δinterval内左侧里程点幅值Vleft,及右侧幅值Vright;
302)得到上述Δinterval内峰谷差为Vinterval=|Vleft-Vright|,判断Vinterval与阈值Vthreshold大小关系,其中,Vthreshold取值与缺陷大小有关,一般取0.1V~0.5V,当前取0.1V。(1)Vinterval>=Vthreshold,判断当前间隔处于异常段(缺陷或组件或其他特征信息)。则当前间隔内采样点分类标签递增1,表示为cij=cij+1;(2)Vinterval<Vthreshold,判断当前间隔处于平稳段,迭代下一里程点,并记录当前位置[visitedij,visitedij+interval]为1,表示该里程点位置已经修正。其中布尔数组visited大小与该待测漏磁数据完全一致,且初始值均为0,表示尚未修正当前位置;
303)对漏磁数据分类标签修正后,取各通道标签最大值为当前里程点位置分类标签,得到最终的分类结果{C1,C2...Cn}T,即多传感器每里程点位置一个分类标签值;
304)设计抽样系数{S1,S2...Sk},k为类簇个数,对应于不同分类标签下的里程抽样比例,作为曲线显示的抽样系数。
当前实施例下k值为6,抽样系数一般取值为1~10中整数,由于分类标签较小时,如图5所示,属于波形平稳段,而与中值差值的绝对值决定分类标签大小,故当前取值为{6,6,3,2,1,1},对应于不同分类标签下的里程抽样比例,作为曲线显示的抽样系数。
步骤4)漏磁数据局部灰度映射
为在灰度及伪彩色图像中突显漏磁信号小缺陷信息,同时使得图像对比度鲜明,故设计局部灰度映射方案,并根据步骤三中分类标签做分段灰度拉伸增强。
如图3所示,即为漏磁数据灰度映射与图像增强流程图,如图6所示,即为某段漏磁数据灰度图像。
401)依据漏磁检测数据缺陷峰谷幅值差特征,设置灰度临界值Ggray,并求取各通道幅值中值{Vmedian_1,Vmedian_2...Vmedian_m};
通过对大量缺陷峰谷差分析对比,Ggray通常取值为50~100灰度范围,当前取值为70。
402)以当前里程点位置为中心,设置方形滑动窗口,窗口长为length,宽为width,即以当前采样位置为中心,分别向左右扩展length/2,分别上下扩展width/2,作为灰度值映射的滑动窗口;
其中length值取决于缺陷长度,常取值为20~60,当前取40,width取决于缺陷深度,常取值为6~18,当前取12。
403)对原始漏磁数据边界补偿,左右边界分别补偿length长度里程点距离,上下边界补偿width通道,补偿值分别取自各边界内部延伸值,消除边界效应,避免越界,对于72通道轴向数据,补偿后共有96通道。
404)对任一采样点,求取窗口内幅值最大值Vw-max、最小值Vw-min,并依据其与漏磁数据整体幅值最大最小值差值进行线性补偿,使色彩有一定区分度,具体方式如下:
其中,Vw-max-new为补偿后的窗口内最大幅值,Vw-min-new为补偿后的窗口内最小幅值,Vmax、Vmin分别为整体最大、最小幅值,α、β为调节因子,通常取值为0.8~1.4,当前α取值为1.2,β取值为0.8,同时radio偏差系数,通常取值为2~10,此时取值为5。
405)判断当前里程点幅值是否大于中值:
当Vij>Vmj时,将当前幅值映射到(Ggray,255]范围内;
当Vij<Vmj时,映射为[0,Ggray);
当Vij=Vmj时,gij=Ggray;
其中,Vij为当前里程点电压幅值,Vmedian-j为当前传感器通道电压幅值中值,gij为该里程点位置转换后灰度值,Ggray为选取的灰度临界值,i为里程点位置,j为通道数。
406)对得到的灰度图像进行分段灰度拉伸,以步骤3)中的分类标签Cnew作为灰度拉伸的区间,并将分类标签归并为三个区间,当前实施例下分别为[c1,c2]、[c3,c4]、[c5,c6],设数据平稳段的灰度范围为[r1,r2],其中r1<Gthreshold&r2>Gthreshold,目的是提高灰度图对比度,得到增强后漏磁数据灰度图Gnew,根据经验r1通常取值为30~40,r2的一般取值为50~100,分段灰度拉伸如下,此时得到的最终的Gnew即为漏磁数据灰度图;
其中,gij表示处理前的该位置灰度值,γ、ν均为灰度值的修正系数,γ取0.4~0.8,当前取0.5,ν取0~10,当前取4,δ表示补偿因子,常取0.4~0.7,当前取0.6,λ为校正比例,常取2~8,当前取5。
步骤5)对漏磁数据进行伪彩转换
对于转换为灰度值后的漏磁数据,根据步骤三中修正后的分类标签Cnew,采用灰度级-彩色变换法,以不同的分类标签为临界灰度值,将不同标签下的灰度值分别转换到RGB色彩空间中,并显示漏磁数据伪彩色图像。
如图4所示,为灰度漏磁数据伪彩色转换流程图。
501)将步骤3)中得到的分类标签Cnew依照数据特征进行归并划分,将k个分类标签归并为4个区间[ca,cb],[cc,cd],[ce,cf],[cg,ck],其中下标a、b、c、d、e、f、g、k分别表示分类标签的类别,使其满足灰度级-彩色转换法的灰度值分割区间;
其中,当前分类标签为6类,根据轴向漏磁数据特征,c1,c2一般为信号较为平稳段,c3,c4一般为低于中值缺陷边界段,c5,c6一般为磁感应强度较强,即幅值较大的缺陷段,故分类灰度区间分别为[c3,c4],[c1],[c2],[c5,c6]。
502)分别对处于[c3,c4],[c1],[c2],[c5,c6]范围内的灰度值gij采用下述公式转换为RGB色彩空间,并显示漏磁数伪彩色图像。
如最终结果图5、图6所示,仅用部分采样点基本还原源漏磁数据曲线视图,同时小缺陷在处理后的灰度图及彩色图中,特征比较清晰,达到了良好的显示效果。
Claims (5)
1.一种管道漏磁数据的高清可视化方法,其特征在于包括下述步骤:
1)采集漏磁数据并进行预处理,将实时采集到的管道漏磁源数据Hs进行去噪处理,保留信号特征信息并去除高频噪声干扰;采用平均中值法进行数据基值校准,得到预处理后的漏磁检测数据H;
2)对漏磁检测数据H进行分类,得到的漏磁数据分类标签为
其中n表示当前数据段的里程采样点,m表示传感器通道数;
3)利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示,得到修正后的分类标签Cnew;
4)漏磁数据局部灰度映射,依据当前采样点幅值与中值大小关系,将电压幅值分别映射到(Ggray,255]及[0,Ggray)灰度范围内,得到漏磁数据的灰度值为依据步骤3)中修正后的分类标签Cnew,对灰度图进行分类灰度拉伸,显示增强后漏磁数据灰度图Gnew;
5)对漏磁数据进行伪彩转换:对于转换为灰度值后的漏磁数据,根据步骤3)中修正后的分类标签Cnew,采用灰度级-彩色变换法,以不同的分类标签为临界灰度值,将不同标签下的灰度值分别转换到RGB色彩空间中,并显示漏磁数据伪彩色图像。
3.根据权利要求1所述的管道漏磁数据的高清可视化方法,其特征在于步骤3)利用漏磁数据分类标签C0进行漏磁数据分类校正及抽样曲线显示包括以下步骤:
301)按相邻里程点求取漏磁数据H差分值,设定里程间隔Δinterval,依次遍历里程点,判断当前里程间隔Δinterval内差分值正负,当间隔内差分值有正有负时,去迭代下一里程点;当间隔内差分值全正或全负时,得到Δinterval内左侧里程点幅值Vleft及右侧幅值Vright;
302)得到上述Δinterval内峰谷差为Vinterval=|Vleft-Vright|,判断Vinterval与阈值Vthreshold大小关系,当Vinterval>=Vthreshold时,则当前间隔内采样点分类标签递增1,表示为cij=cij+1;
当Vinterval<Vthreshold时,迭代下一里程采样点,并记录当前位置[visitedij,visitedij+interval]为1,表示已做修正;
303)对漏磁数据分类标签修正后,取各通道标签最大值为当前里程点位置分类标签,得到最终的分类结果{C1,C2...Cn}T;
304)设计抽样系数{S1,S2...Sk},k为类簇个数,对应于不同分类标签下的里程抽样比例,作为曲线显示的抽样系数。
4.根据权利要求1所述的管道漏磁数据的高清可视化方法,其特征在于步骤4)漏磁数据局部灰度映射具体为:
401)依据漏磁检测数据缺陷峰谷幅值差特征,设置灰度临界值Ggray,并求取各通道幅值中值{Vmedian_1,Vmedian_2...Vmedian_m};
402)以当前里程点位置为中心,设置方形滑动窗口,窗口长为length,宽为width,即以当前采样位置为中心,分别向左右扩展length/2,分别上下扩展width/2,作为灰度值映射的滑动窗口;
403)对原始漏磁数据边界补偿,左右边界分别补偿length长度里程点距离,上下边界补偿width通道,补偿值分别取自各边界内部延伸值;
404)对任一采样点,求取窗口内幅值最大值Vw-max、最小值Vw-min,并依据其与漏磁数据整体幅值最大最小值差值进行线性补偿,使色彩有一定区分度,具体方式如下:
其中,Vw-max-new为补偿后的窗口内最大幅值,Vw-min-new为补偿后的窗口内最小幅值,Vmax、Vmin分别为整体最大、最小幅值,α、β为调节因子,radio为偏差系数;
405)判断当前里程点幅值是否大于中值:
当Vij>Vmedian-j时,将当前幅值映射到(Ggray,255]范围内;
当Vij<Vmedian-j时,映射为[0,Ggray);
当Vij=Vmedian-j时,gij=Ggray;
其中,Vij为当前里程点电压幅值,Vmedian-j为当前传感器通道电压幅值中值,gij为该里程点位置转换后灰度值,Ggray为选取的灰度临界值,i为里程点位置,j为通道数;
406)对得到的灰度图像进行分段灰度拉伸,以步骤3)中的分类标签Cnew作为灰度拉伸的区间,并将分类标签归并为三个区间,分别为[c1,ct]、[ct,cm]、[cm,ck],设数据平稳段的灰度范围为[r1,r2],其中r1<Gthreshold&r2>Gthreshold,增强后漏磁数据灰度图Gnew为:
其中,gij表示处理前的该位置灰度值,γ、ν均为灰度值的修正系数,δ表示偏差系数,λ为校正比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522202.5A CN110146589B (zh) | 2019-06-17 | 2019-06-17 | 一种管道漏磁数据的高清可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910522202.5A CN110146589B (zh) | 2019-06-17 | 2019-06-17 | 一种管道漏磁数据的高清可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146589A CN110146589A (zh) | 2019-08-20 |
CN110146589B true CN110146589B (zh) | 2022-12-30 |
Family
ID=67591541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910522202.5A Active CN110146589B (zh) | 2019-06-17 | 2019-06-17 | 一种管道漏磁数据的高清可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146589B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111831872A (zh) * | 2020-06-09 | 2020-10-27 | 中海油能源发展装备技术有限公司 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
CN112329588B (zh) * | 2020-10-30 | 2024-01-05 | 中海石油(中国)有限公司 | 一种基于Faster R-CNN的管道故障检测方法 |
CN114136378A (zh) * | 2021-12-07 | 2022-03-04 | 东北大学 | 一种复杂工况管道在线全息外检测系统及方法 |
CN114354740B (zh) * | 2022-03-09 | 2022-05-31 | 成都熊谷油气科技有限公司 | 一种管道检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0295252A (ja) * | 1988-10-01 | 1990-04-06 | Nippon Steel Corp | 磁気探傷装置の感度校正方法 |
CN106404893A (zh) * | 2016-12-16 | 2017-02-15 | 北京华航无线电测量研究所 | 一种轴向漏磁缺陷信号自动检测方法 |
CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
WO2018082540A1 (zh) * | 2016-11-07 | 2018-05-11 | 广州广电运通金融电子股份有限公司 | 一种票据一维信号的检测方法及装置 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
-
2019
- 2019-06-17 CN CN201910522202.5A patent/CN110146589B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0295252A (ja) * | 1988-10-01 | 1990-04-06 | Nippon Steel Corp | 磁気探傷装置の感度校正方法 |
CN106645384A (zh) * | 2016-09-23 | 2017-05-10 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
WO2018082540A1 (zh) * | 2016-11-07 | 2018-05-11 | 广州广电运通金融电子股份有限公司 | 一种票据一维信号的检测方法及装置 |
CN106404893A (zh) * | 2016-12-16 | 2017-02-15 | 北京华航无线电测量研究所 | 一种轴向漏磁缺陷信号自动检测方法 |
CN109783906A (zh) * | 2018-12-29 | 2019-05-21 | 东北大学 | 一种管道内检测漏磁数据智能分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110146589A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146589B (zh) | 一种管道漏磁数据的高清可视化方法 | |
CN109919123B (zh) | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 | |
Liang et al. | Defect detection of rail surface with deep convolutional neural networks | |
CN113536963B (zh) | 基于轻量化yolo网络的sar图像飞机目标检测方法 | |
CN110598613B (zh) | 一种高速公路团雾监测方法 | |
CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
CN103440644A (zh) | 一种基于最小描述长度的多尺度图像弱边缘检测方法 | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN105787950A (zh) | 一种基于行梯度累加的红外图像海天线检测算法 | |
CN117094916B (zh) | 一种市政桥梁支座视觉检测方法 | |
CN105069778A (zh) | 基于目标特征显著图构建的工业产品表面缺陷检测方法 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
CN107024532B (zh) | 一种基于窗体特征的漏磁管道缺陷位置提取方法 | |
CN102509265B (zh) | 基于灰度值差和局部能量的数字图像去噪方法 | |
CN103065296B (zh) | 一种基于边缘特征的高分辨率遥感影像居民区提取方法 | |
CN111882518B (zh) | 一种漏磁数据自适应伪彩色化方法 | |
CN106778515B (zh) | 一种法兰轴向漏磁阵列信号自动识别方法 | |
CN115311287A (zh) | 一种共轨喷油器生产异常检测方法 | |
CN111831872A (zh) | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 | |
Yi et al. | Tire body defect detection: From the perspective of industrial applications | |
CN107590824B (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
CN112683533A (zh) | 一种用于轴承故障诊断的信号增强方法及系统 | |
Li et al. | Research on reading recognition of pointer meter based on improved U-net network |
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 |