CN111831872A - 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 - Google Patents
一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 Download PDFInfo
- Publication number
- CN111831872A CN111831872A CN202010517835.XA CN202010517835A CN111831872A CN 111831872 A CN111831872 A CN 111831872A CN 202010517835 A CN202010517835 A CN 202010517835A CN 111831872 A CN111831872 A CN 111831872A
- Authority
- CN
- China
- Prior art keywords
- value
- magnetic
- window
- data
- amplitude
- 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
Links
- 230000004907 flux Effects 0.000 title claims abstract description 98
- 230000007547 defect Effects 0.000 title claims abstract description 34
- 238000007794 visualization technique Methods 0.000 title claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 145
- 238000013507 mapping Methods 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 45
- 238000001514 detection method Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000003321 amplification Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 230000002950 deficient Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 15
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013079 data visualisation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了一种小缺陷特征增强的漏磁数据自适应灰度可视化方法，对各采样点的漏磁数据进行基值校正及去噪预处理；设定分类类别数，对任一采样点的漏磁数据，依据其信号幅值与通道内信号幅值极值的关系进行分类，综合轴向、径向和周向类别数据设置其综合类别标签；根据分类类别设置相应的抽样比例，按照抽样比例抽样漏磁数据并绘制曲线视图；以采样点为中心设置方形滑动窗口，设置窗口调整阈值，对滑动窗口进行纵向和横向伸缩调整，调整时使滑动窗口内信号幅值最大值与最小值的差≤窗口调整阈值；对滑动窗口内采样点的漏磁数据，依次进行灰度补偿、局部分段灰度映射以及对应综合类别标签压缩或扩展灰度带。本发明效率更高、视觉分辨效果更好。
Description
技术领域
本发明涉及一种漏磁数据可视化方法，特别涉及一种小缺陷特征增强的漏磁数据自适应灰度可视化方法。
背景技术
目前，我国正面临部分油气管道服役时间较长，从而产生管壁腐蚀、老化等风险及问题。管道材质、施工、腐蚀等引发的管壁损伤问题已不容忽视，尤其是海底管道长期遭受深海恶劣环境腐蚀，情况尤为严重，因为一旦发生泄漏事故，所造成的经济影响及生态影响将难以衡量。因此，对管道进行定期检查及安全状态评估势在必行。
为实现对管道的无损检测并提高管道检测精度，常采用内检测方式，通过将传感器嵌入到管道检测器上，利用管道内介质流动推动检测器行进，由传感器记录管道内部数据，数据分析人员在离线状态下，通过分析检测数据对管道缺陷、变形、焊缝等精确定位，并得到其相关状态信息。在数据分析过程中，设置漏磁数据可视化方法，合理地显示大量管道检测数据，能够有效提升数据可读性，提高数据分析效率。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。
传统的曲线视图显示方法，以数据采样点为横轴，以传感器返回的电压信号幅值为纵轴来显示某管段内的检测信号变化趋势，但在大量漏磁数据条件下，传统曲线显示方法难以做到数据实时显示、灵敏操作；并且传统的灰度图显示方法，受限于漏磁信号幅值与灰度值映射关系，对小缺陷区域无法做到精确显示。
发明内容
针对上述现有的漏磁数据可视化方法中海量数据曲线显示所带来的性能瓶颈，将曲线视图转化为灰度图时，视图模糊、特征差异性降低、小缺陷信息丢失等问题，本发明提供一种效率更高、视觉分辨效果更好的小缺陷特征增强的漏磁数据自适应灰度可视化方法，改善传统数据灰度化的不足之处，保证数据映射的合理性。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种小缺陷特征增强的漏磁数据自适应灰度可视化方法，对各采样点的漏磁数据进行基值校正及去噪预处理；设定分类类别数，对预处理后的任一采样点的漏磁数据，依据其信号幅值与通道内信号幅值极值的关系进行分类，分别确定其轴向、径向和周向类别标签，综合轴向、径向和周向类别标签设置其综合类别标签；根据分类类别设置相应的抽样比例，按照抽样比例抽样漏磁数据并绘制曲线视图；以采样点为中心设置方形滑动窗口，设置窗口调整阈值，对滑动窗口进行纵向和横向伸缩调整，调整时使滑动窗口内信号幅值最大值与最小值的差≤窗口调整阈值；对滑动窗口内采样点的漏磁数据，依次进行灰度补偿、局部分段灰度映射以及对应综合类别标签压缩或扩展灰度带，将曲线视图转化为灰度视图。
进一步地，该方法包括如下步骤：
步骤1，采集管道漏磁数据，对各采样点的漏磁数据进行基值校正；
步骤2，对各采样点的漏磁数据采用非线性小波阈值方法进行滤波；
步骤3，设定分类类别数，对滤波处理后的漏磁数据进行分类，得到各采样点的漏磁数据类别标签；
步骤4，根据分类类别设置相应的降采样率，根据降采样率抽样漏磁数据并绘制曲线视图；
步骤5，设置以采样点为中心的方形滑动窗口；设置窗口调整阈值，对方形滑动窗口进行纵向和横向调整，直至该窗口内局部信号幅值最大值与最小值的差大于窗口调整阈值或无法继续增大窗口；
步骤6，在滑动窗口范围内，采用调节因子对漏磁数据进行灰度补偿；
步骤7，计算窗口内漏磁信号幅值中值与采样点幅值的差值，对应差值大于0、差值等于0、差值小于0三种情况，对一个窗口内的漏磁数据分段进行灰度变换；
步骤8，根据采样点的漏磁数据类别标签，对信号幅值相对接近通道内信号幅值极值的一部分类别采样点，采用非线性方式扩展灰度带；对其余部分压缩灰度带。
进一步地，步骤1中，对漏磁数据进行基值校正的方法采用如下公式：
其中，Bi(j)ans为i号传感器在里程采样点j位置校正后的检测磁场强度；Bi(j)为i号传感器在里程采样位置j处未校正的检测磁场强度；k表示传感器通道数；Bi-mid为i号传感器通道磁场强度中值，Bimax为i号传感器通道磁场强度最大值；Bimin为i号传感器通道磁场强度最小值；Vi-mid为该管段内第i号传感器的中值输出电压；Vref为霍尔传感器的基准电压值；P为检测电路的电压放大倍数；sens为霍尔传感器输入磁场强度及输出电压的灵敏度；Bi为i号传感器通道磁场强度。
进一步地，步骤3包括如下分步骤：
步骤3.1，选取一个单通道的漏磁数据，并设定分类类别数量及信号的幅值峰谷差阈值；
步骤3.2，以N个采样点为一个单位对漏磁信号进行处理，若采样点不足N个，则取全部采样点为一个单位；
步骤3.3，比较一个单位采样点中的电压幅值的最大值、最小值之差与幅值峰谷差阈值的大小，若电压幅值的最大值、最小值之差小于幅值峰谷差阈值，设置类别标签为1，否则，进行步骤3.4；
步骤3.4，根据
得到对应该通道的类别标签；其中，Ci,j为类别标签；K为分类类别数；Vi,j为i号传感器在里程采样点j位置的信号幅值；Vs-min为当前管段内信号幅值最小值；Vs-max为当前管段内信号幅值最大值；
步骤3.5，取各单通道类别最大值作为当前采样点的分类类别，得到对应轴向、径向和周向的类别标签，取轴向、径向和周向的类别标签最大值作为漏磁数据综合类别标签。
进一步地，步骤5包括如下分步骤：
步骤5.1，以采样点为中心设置方形滑动窗口，取该窗口内漏磁信号幅值最大值、最小值对应作为灰度映射的最大、最小尺度；
步骤5.2，对漏磁数据进行边界扩充；
步骤5.3，设置窗口调整阈值，当窗口内漏磁信号幅值的最大值与最小值的差值小于等于窗口调整阈值时，扩大采样点邻域，直至差值大于窗口调整阈值或无法继续增大窗口。
进一步地，步骤6中，采用调节因子对漏磁数据进行灰度补偿的方法为：
式中，Vw-max-c为校正后窗口内最大幅值映射值，Vw-min-c为校正后窗口最小幅值映射值，α、β为调节因子，Vw-max为窗口内信号幅值最大值、Vw-min为窗口内信号幅值最小值，Vmax为通道内信号幅值最大值，Vmin为通道内信号幅值最小值。
进一步地，步骤7中，对一个窗口内的漏磁数据分段进行灰度变换的具体方法为：
设窗口内漏磁信号幅值中值为Vm_i，设采样点幅值为Vi,j，比较Vm_i和Vi,j的大小，将一个窗口内采样点的漏磁数据分成三段，对应如下灰度变换公式计算各段采样点的灰度值Gi,j：
第一段：Vi,j＞Vm_i，
第二段：Vi,j＝Vm_i，Gi,j＝Gcv；
第三段：Vi,j＜Vm_i：
式中，Gi,j为转换后灰度值；Gm为最大灰度值；Gcv为灰度中值；Vi,j为i号传感器在里程采样点j位置的信号幅值，Vm_i为通道i幅值中值，Vmax为信号幅值最大值，Vmin为信号幅值最小值。
进一步地，步骤8中，设分类类别数为k，对应设置类别标签为Ci，i＝1、2…k，设C1类别的漏磁数据全部位于无缺陷区域，C2类别的漏磁数据一部分位于无缺陷区域，一部分位于缺陷区域；C3至Ck类别的漏磁数据全部位于缺陷区域；
当类别标签为C1和C2时，采用如下方法压缩灰度带：
当类别标签为C3～Ck时，采用如下方法扩展灰度带：
式中，h1、h2为放大系数，λ、γ为幂指数，Rb为尺度因子；Rs为尺度因子；gi,j为校正前的灰度值；Gcv为灰度中值；Gi,j'为校正后的灰度值。
本发明具有的优点和积极效果是：
第一，本发明提供了一种数据分类降采样的快速自适应方法，本发明根据分类类别设置相应的降采样率，提高数据显示效率，减轻内存负担，合理降采样数据点，实现视觉无损、快速且数据量自适应的漏磁信号曲线可视化。
第二，本发明提供了一种自适应滑动窗口及灰度值补偿算法，其通过设置窗口调整阈值，对方形滑动窗口进行纵向和横向调整，直至该窗口内局部信号幅值最大值与最小值的差大于窗口调整阈值或无法继续增大窗口；同时为保留灰度图像缺陷间差异性，在对漏磁数据灰度映射过程中采取一定尺度的灰度值补偿，能够有效实现漏磁数据灰度图像中小缺陷特征增强。
第三，本发明提供了一种基于轴向、径向和周向的综合类别标签的自适应灰度映射方法，依据任一采样点信号幅值与通道内信号幅值极值的关系进行分类，分别确定其轴向、径向和周向类别标签，综合轴向、径向和周向类别标签设置其综合类别标签；降低因局部映射所造成的背景噪声，进一步达到削弱纹理、有效提升漏磁数据灰度图像特征清晰度的效果。
附图说明
图1为本发明的一种小缺陷特征增强的漏磁数据自适应灰度可视化方法工作流程图；
图2为本发明的一种算法流程图；
图3本发明的管道漏磁数据分类流程图；
图4本发明的某段管段数据漏磁数据去噪前后效果对比图；
图5本发明的某段管段自适应滑动窗口对灰度进行映射处理后显示图；
图6本发明的某段管段对灰度进行补偿处理后显示图；
图7为本发明的某段管段分段对灰度进行变换处理后显示图；
图8本发明的某段管段根据分类标签对灰度进行变换处理后显示图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹列举以下实施例，并配合附图详细说明如下：
请参见图1至图8，一种小缺陷特征增强的漏磁数据自适应灰度可视化方法，对各采样点的漏磁数据进行基值校正及去噪预处理；设定分类类别数，对预处理后的任一采样点的漏磁数据，依据其信号幅值与通道内信号幅值极值的关系进行分类，分别确定其轴向、径向和周向类别标签，综合轴向、径向和周向类别标签设置其综合类别标签；根据分类类别设置相应的抽样比例，按照抽样比例抽样漏磁数据并绘制曲线视图；以采样点为中心设置方形滑动窗口，设置窗口调整阈值，对滑动窗口进行纵向和横向伸缩调整，调整时使滑动窗口内信号幅值最大值与最小值的差≤窗口调整阈值；对滑动窗口内采样点的漏磁数据，依次进行灰度补偿、局部分段灰度映射以及对应综合类别标签压缩或扩展灰度带，将曲线视图转化为灰度视图。通道内信号幅值极值包括极大值及极小值。灰度带指灰度区或灰度范围。
优选地，该方法可包括如下步骤：
步骤1，采集管道漏磁数据，对各采样点的漏磁数据进行基值校正；通过漏磁传感器等检测装置获取管道实际漏磁数据，可采用去极值的平均中值法对数据进行基值校准。
步骤2，对各采样点的漏磁数据可采用非线性小波阈值方法等方法进行滤波处理。
步骤3，设定分类类别数为k个，对滤波处理后的漏磁数据进行分类，得到各采样点的漏磁数据类别标签；对处理后的漏磁数据可采用非等量分类的方式进行分类。
步骤4，根据分类类别设置相应的降采样率，根据降采样率抽样漏磁数据并绘制曲线视图；分类类别数为k个，分别为类别1、类别2、…类别k，对应漏磁数据类别，分别设定降采样率{S1,S2,...,Sk}，根据降采样率对应抽样漏磁数据并绘制处理后的曲线视图；
步骤5，设置滑动窗口，可设置自适应滑动窗口，对漏磁数据边界进行纵向和横向扩充，在窗口内对漏磁数据进行灰度映射；设置以采样点为中心的方形滑动窗口；设置窗口调整阈值，对方形滑动窗口进行纵向和横向调整，直至该窗口内局部信号幅值最大值与最小值的差大于窗口调整阈值或无法继续增大窗口。
步骤6，为增强各个缺陷之间的差异性，对漏磁数据进行灰度补偿处理；在滑动窗口范围内，可采用调节因子对漏磁数据进行灰度补偿；
步骤7，计算窗口内漏磁信号幅值中值与采样点幅值的差值，对应差值大于0、差值等于0、差值小于0三种情况，对一个窗口内的漏磁数据分段进行灰度变换；取窗口内漏磁信号幅值中值Vm_i，判断与采样点幅值Vi,j大小关系，进行漏磁数据分段灰度映射；其中Vi,j中i表示传感器编号，j表示采样点对应里程位置编号。Vm_i中i表示通道编号。
步骤8，根据采样点的漏磁数据类别标签，对信号幅值相对接近通道内信号幅值极值的一部分类别采样点，采用非线性方式扩展灰度带；对其余部分采用线性变换压缩灰度带。通道内信号幅值极值包括极大值和极小值。
设类别i为Ci，i＝1、2…k；设采样点的漏磁数据与通道内中值信号幅值越接近，其漏磁数据类别编号越小；可对C3～Ck类别的采样点以灰度中值Gcv为中心灰度扩展灰度带，对C1、C2类别的采样点以灰度中值Gcv为中心灰度压缩灰度带，得变换后灰度Gi,j'，实现漏磁数据灰度化。
优选地，步骤1中，对漏磁数据进行基值校正的方法可采用如下公式：
其中，Bi(j)ans为i号传感器在里程采样点j位置校正后的检测磁场强度；Bi(j)为i号传感器在里程采样位置j处未校正的检测磁场强度；k表示传感器通道数；Bi-mid为i号传感器通道磁场强度中值，
Bimax为i号传感器通道磁场强度最大值；Bimin为i号传感器通道磁场强度最小值；Vi-mid为该管段内第i号传感器的输出电压中值；Vref为霍尔传感器的基准电压值；P为检测电路的电压放大倍数；sens为霍尔传感器输入磁场强度及输出电压的灵敏度；Bi为i号传感器通道磁场强度。
依据漏磁信号特征，在对漏磁数据进行分类并设置对应类别标签时，可将缺陷位置处于信号峰值及谷值的采样点漏磁数据标签设为高类别标签，避免因数据降采样操作的信号特征失真，损失信号细节；依采样点幅值与该管段信号最大值、最小值的距离关系设置类别标签，且应满足距离信号峰值及谷值越远，类别标签变化越大，优选地，步骤3可包括如下分步骤：
步骤3.1，对应一管段的轴向、径向、周向漏磁检测数据，选取轴向、径向、周向漏磁检测数据中的一个单通道漏磁数据，并设定分类类别数量及信号的幅值峰谷差阈值；
步骤3.2，以N个采样点为一个单位对漏磁信号进行处理，若采样点不足N个，则取全部采样点为一个单位；
步骤3.3，比较一个单位采样点中的电压幅值的最大值、最小值之差与幅值峰谷差阈值的大小；设电压幅值的最大值与最小值的差为a，幅值峰谷差阈值为b；若电压幅值的最大值、最小值之差小于幅值峰谷差阈值，即a＜b，设置类别标签为1；否则，即a≥b，进行步骤3.4；
步骤3.4，根据
设置对应该通道的采样点漏磁数据类别标签；其中，Ci,j为Vi,j对应的类别标签；K为分类类别数；Vi,j为i号传感器在里程采样点j位置的信号幅值；Vs-min为当前管段内信号幅值最小值；Vs-max为当前管段内信号幅值最大值；
步骤3.5，对不同单通道内的漏磁数据按照上述方法进行分类处理，依次获得对应各单通道的类别标签，然后取各通道类别最大值作为该采样点的漏磁数据的类别。将该管段轴向、径向、周向漏磁检测数据分别按上述步骤处理，分别得到该采样点的漏磁数据的轴向类别、径向类别、周向类别，即得到对应轴向、径向和周向的类别标签，取轴向、径向和周向的类别标签最大值作为漏磁数据综合类别标签。
优选地，请参见图2，步骤5可包括如下分步骤：
步骤5.1，以采样点为中心设置方形滑动窗口，取该窗口内漏磁信号幅值最大值、最小值对应作为灰度映射的最大、最小尺度；例如以采样点为中心设置长为Lw、宽为Ww的方形滑动窗口，可以当前采样位置为中心，左右分别扩展Lw/2，上下分别扩展Ww/2，作为灰度值映射的滑动窗口；取该窗口内信号幅值最大值Vw-max、最小值Vw-min作为灰度映射的最大、最小尺度；
步骤5.2，对待处理漏磁数据进行边界扩充，左右两侧可分别扩展Lw/2里程点，上下两侧可分别扩展Lw/2通道，实现对原始漏磁数据边界补偿，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。
步骤5.3，设置窗口调整阈值，设窗口调整阈值为Vδ，当窗口内漏磁信号幅值的最大值与最小值的差值小于等于窗口调整阈值时，扩大采样点邻域，直至当窗口内漏磁信号幅值的最大值与最小值的差值大于窗口调整阈值或无法继续增大窗口。判断当前窗口内幅值最大值与最小值的差是否大于窗口调整阈值，在窗口内极值幅值差小于等于窗口调整阈值时，扩大采样点邻域，长扩充Δl，宽扩充Δw，直至窗口内最大值与最小值的差大于窗口调整阈值或无法继续增大窗口。
进一步地，步骤6中，采用调节因子对漏磁数据进行灰度补偿的方法可为：
式中，Vw-max-c为校正后窗口内最大幅值映射值，Vw-min-c为校正后窗口最小幅值映射值，α、β为调节因子，取值范围为0.8～1.4，Vw-max为窗口内信号幅值最大值、Vw-min为窗口内信号幅值最小值，Vmax为通道内信号幅值最大值，Vmin为通道内信号幅值最小值。
优选地，步骤7中，对一个窗口内的漏磁数据分段进行灰度变换的具体方法可为：
设窗口内漏磁信号幅值中值为Vm_i，设采样点幅值为Vi,j，比较Vm_i和Vi,j的大小，按照如下方法将一个窗口内采样点的漏磁数据分成三段，对应如下灰度变换公式计算各段采样点的灰度值Gi,j：
第一段：Vi,j＞Vm_i，
第二段：Vi,j＝Vm_i，Gi,j＝Gcv；
第三段：Vi,j＜Vm_i：
式中，Gi,j为对应Vi,j转换后灰度值；Gm为最大灰度值；Gcv为灰度中值；Vi,j为i号传感器在里程采样点j位置的信号幅值，Vm_i为通道i幅值中值，Vmax为信号幅值最大值，Vmin为信号幅值最小值。
优选地，步骤8中，设分类类别数为k，对应设置类别标签为Ci，i＝1、2…k，可设C1类别的漏磁数据全部位于无缺陷区域，C2类别的漏磁数据一部分位于无缺陷区域，一部分位于缺陷区域；C3至Ck类别的漏磁数据全部位于缺陷区域；
当类别标签为C1和C2时，认为缺陷程度较小，采用压缩灰度带的方法：
当类别标签为C3～Ck时，缺陷程度随序号增大而增大，采用扩展灰度带的方法：
式中，h1、h2为放大系数，λ、γ为幂指数，Rb为尺度因子；Rs为尺度因子；gi,j为校正前的灰度值；Gcv为灰度中值；Gi,j'为校正后的灰度值。
下面以本发明的一个优选实施例来进一步说明本发明的工作流程及工作原理：
如图1所示，为本发明的小缺陷特征增强的漏磁数据自适应灰度可视化方法的流程图。本发明首先对传感器返回给计算机的原始漏磁数据进行基值校准和小波阈值去噪处理，然后对预处理后的数据建立非等量分类标签并设置不同抽样比，自适应地显示曲线视图；再通过自适应滑动窗口的局部分段灰度映射、灰度值补偿、基于三轴分类标签的自适应灰度变换等方法对数据进行灰度化处理，将曲线视图转化为效果清晰的灰度视图。其中三轴分类标签是指综合轴向、径向和周向类别标签的综合类别标签。
本发明的一种小缺陷特征增强的漏磁数据自适应灰度可视化方法，具体如下：
步骤1，漏磁数据的采集及预处理。
由于传感器自身差异导致不同传感器在零磁场环境下输出不同，因此各通道传感器数据的基值也不同，需要进行基值校正；另外受环境因素影响，原始漏磁数据中含大量噪声，需要对其进行降噪处理。
步骤1.1，采用去极值的平均中值法对原始漏磁数据进行基值校准，以该管段内信号中值作为基准值对校正漏磁信号进行校正，具体方式如下：
式中，Bi(j)ans为i号传感器在里程采样点j位置校准后的检测磁场强度；Bi(j)为i号传感器在里程j采样位置处未校准的检测磁场强度；k表示传感器通道数；Bi-mid为i号传感器通道磁场强度中值；Bimax为i号传感器通道磁场强度最大值；Bimin为i号传感器通道磁场强度最小值；Vi-mid为该管段内第i号传感器的输出电压中值；Vref为霍尔传感器的基准电压值2.5V；P为检测电路的电压放大倍数(通常取3)；sens为霍尔传感器输入磁场强度及输出电压的灵敏度(3.125mv/Gs)。
步骤2，漏磁数据噪声分析。
依据原始漏磁数据特征，采用非线性小波阈值去噪方式，通过小波分解、滤除噪声分量、小波重构等方法得降噪数据，并将信噪比和均方误差作为滤波效果的评价指标；
步骤2.1，以幅值为1的水平信号叠加半周期正弦信号作为特征信号，仿真一维漏磁数据，并添加信噪比为35dB的加性高斯白噪声，模拟在实际工况场景下的漏磁检测信号。
步骤2.2，以sym10为小波基函数，选择不同分解层数对仿真信号去噪处理，以信噪比、信号均方误差以及信号幅值最大值作为信号降噪效果的衡量指标，得到去噪后信号各指标参数结果如表1所示。
信号信噪比SNR计算公式为：
信号的均方误差MSE计算公式为：
式中：
为去噪信号，f(t)为有效信号，其能量为Ps，n(t)为噪声信号，其能量为Pn。
表1 不同分解层数对仿真漏磁信号滤波效果
综合表中信号最大值及最大值对应采样点位置判断，选择分解层数为5层作为对实测漏磁信号的小波分解层数。
步骤2.3，利用上述参数进行实测管道漏磁信号小波去噪，噪声种类繁杂，无法直接得知其所含噪声信号，修改信噪比公式为：
SNRref越小，降噪效果越优；本实例中将漏磁数据按上述方法处理，结果见表2和图4；
表2 信号降噪结果分析
实例结果表明小波降噪后，缺陷特征位置良好保留，信号波动平稳段数据毛刺减少，整体更平滑，且信噪比值明显下降；
步骤2.4，对各通道漏磁信号基值校正及降噪处理后，得漏磁信号H。
步骤3，漏磁数据分类。
图3所示为分类处理流程。图3中，Vs-max表示漏磁检测电压信号幅值的最大值；Vs-min表示漏磁检测电压信号幅值的最小值Vs-min，Vthr表示漏磁检测电压信号的幅值峰谷差阈值，Vm_i表示通道i幅值中值，三轴标签是指三轴分类标签，三轴标签指综合轴向、径向和周向类别标签的综合类别标签，对预处理后各通道漏磁信号{xi1...xin}采用数据非等量分类的方式确定原始漏磁数据的分类标签，依据采样点幅值与通道内最大最小值点的距离，将各采样点非线性地划分为不同类别中，得到的漏磁数据分类标签为：
步骤3.1，设多通道轴向漏磁检测数据为
取单通道数据
对于单通道数据，分类类别K值常取6～12，本实例取为8。
步骤3.2，为避免内检测器前进方向偏移或传感器滑动信号幅值漂移，从
以500采样点(本实例中对应实际管道长度1m)为单位处理数据，若不足500采样点，则取全部。
步骤3.3，比较通道i电压幅值的最大值Vs-max与最小值Vs-min差值与漏磁信号的幅值峰谷差阈值Vthr的大小关系，其中Vthr在轴向、径向一般取0.2V～0.3V，周向一般取1.2V～2V，本实例中选取轴向信号幅值阈值V(a)thr＝0.3V，径向信号幅值阈值V(r)thr＝0.3V，周向信号幅值阈值V(c)thr＝1.5V；若小于，设置类别为1，并判断下一管段，否则，跳过该步骤。
步骤3.4，依据漏磁信号特征，在建立漏磁数据分类标签时，应使缺陷位置处信号峰值及谷值均为高类别标签，避免因数据降采样操作的信号特征失真，损失信号细节；依采样点幅值与该管段信号最大值、最小值的距离关系设置类别标签，且应满足距离越远，类别标签变化越大，具体实现方式见下式：
步骤3.5，将各通道类别最大值作为采样点的分类类别Ci,j_a，将轴向、径向、周向的漏磁检测数据采用上述方法处理，分别得到对应的分类类别标签Ci,j_r和Ci,j_c，取三轴分类标签最大值进行分类标签校正得到该管段各采样点的漏磁数据最终分类标签。其中：
步骤4，漏磁数据降采样比设置。
表3数据分类降采样前后信号特征变化对比
针对不同类别的缺陷分别设定降采样比，构成向量{S1,S2,...,Sk}，并以此为依据抽样漏磁数据并绘制处理后的曲线视图，实现快速可视化；本实例中设置各类别标签抽样比例为S＝(5,5,3,3,2,2,1,1)，以轴向数据为例见表3，轴向数据由原单通道1000数据点，经降采样减少为701数据点，数据整体抽样率约为30％，减轻了大量数据对计算机等设备造成的曲线可视化的负担；
步骤5，漏磁数据自适应滑动窗口设置。
为实现漏磁数据的局部灰度映射，有效突出局部灰度差异，使缺陷、焊缝等特征清晰，以该采样位置为中心设置滑动窗口，并依据窗口内漏磁数据特征自适应调节窗口大小；
步骤5.1，设置窗口调整阈值Vδ，以采样点为中心设置方形滑动窗口，长为Lw、宽为Ww的方形滑动窗口，即以当前采样位置为中心，分别向左右扩展Lw/2，分别上下扩展Ww/2，作为灰度值映射的滑动窗口；本实例中Lw值取40，Ww值取12；取该窗口内信号幅值最大值Vw-max、最小值Vw-min作为灰度映射的最大、最小尺度；
Vw-max-Vw-min＞Vδ；
步骤5.2，对待处理漏磁数据进行边界扩充，左右两侧分别扩展Lw/2里程点，上下两侧分别扩展Lw/2通道，对原始漏磁数据边界补偿，本实例中左右边界分别补偿20里程点位置，上下边界补偿6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；
步骤5.3，设置判断当前窗口内幅值最大值与最小值的差是否大于幅值阈值Vδ，在窗口内极值幅值差小于等于阈值Vδ时，扩大采样点邻域，长扩充Δl，宽扩充Δw，直至窗口内最大值与最小值的差大于阈值Vδ或无法继续增大窗口，本实例中取Δl＝5，Δw＝2，Vδ＝0.4。
步骤6，漏磁数据灰度补偿。
为在一定程度上降低小缺陷区域亮度即减小其像素灰度值，使得色彩存在一定区分度，减轻背景噪声影响，对处理后的漏磁数据进行灰度补偿，具体实现方式如下：
式中，Vw-max-c表示校正后局部窗口最大幅值映射值；Vw-min-c表示校正后局部窗口最小幅值映射值；α、β为调节因子，通常取值为0.8～1.4。本例中选取偏差系数α＝0.9，β＝1.1。
步骤7，将采样点幅值与通道幅值中值Vm_i大小进行比较，为增强灰度图可视化效果，实行分段灰度映射，具体实现方式如下：
式中，Gi,j为转换后灰度值；Gm为最大灰度值；Gcv为灰度中值，常取值为50～100，本实例中取Gcv＝70；Vi,j为i号传感器在里程采样点j位置的信号幅值，Vm_i为通道i幅值中值，Vmax为信号幅值最大值，Vmin为信号幅值最小值。
步骤8，漏磁数据自适应灰度变换。
依据步骤3中漏磁数据分类标签对漏磁数据灰度图像进行分类灰度变换，以灰度中值Gcv为中心灰度，压缩中间区域灰度带，使其沿灰度值Gcv分布更均匀，同时其他位置灰度值根据与灰度中值大小关系，进行分段灰度变换，以突出灰度图特征区域，设分类类别数k＝7，对于C1、C2数据点，以Gcv为中心灰度压缩灰度带，对于C3～C7数据点大于中值部分逐渐递增，变化率随灰度值递增而递增，小于中值部分应逐渐递减，且变化率随灰度值递减而递增，并以此为依据将曲线视图转换为灰度视图；具体实现方式如下：
当标签为C1、C2时，灰度分段变换公式为：
式中，Rs为尺度因子，一般取2～8。
当标签为C3～C7时，灰度分段变换公式为：
式中，h1、h2为放大系数，通常为0.7～1.4；λ、γ为幂指数，通常为0.8～1.2，本实例中取Rs＝Rb＝4、h1＝1.1、λ＝0.9、h2＝0.9、γ＝1.1。
最终结果如图5至图8所示，仅用部分采样点基本还原源漏磁数据曲线视图，同时小缺陷在当前灰度图中，特征清晰，达到了良好的效果。
以上所述的实施例仅用于说明本发明的技术思想及特点，其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施，不能仅以本实施例来限定本发明的专利范围，即凡本发明所揭示的精神所作的同等变化或修饰，仍落在本发明的专利范围内。
Claims (8)
1.一种小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，对各采样点的漏磁数据进行基值校正及去噪预处理；设定分类类别数，对预处理后的任一采样点的漏磁数据，依据其信号幅值与通道内信号幅值极值的关系进行分类，分别确定其轴向、径向和周向类别标签，综合轴向、径向和周向类别标签设置其综合类别标签；根据分类类别设置相应的抽样比例，按照抽样比例抽样漏磁数据并绘制曲线视图；以采样点为中心设置方形滑动窗口，设置窗口调整阈值，对滑动窗口进行纵向和横向伸缩调整，调整时使滑动窗口内信号幅值最大值与最小值的差≤窗口调整阈值；对滑动窗口内采样点的漏磁数据，依次进行灰度补偿、局部分段灰度映射以及对应综合类别标签压缩或扩展灰度带，将曲线视图转化为灰度视图。
2.根据权利要求1所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，该方法包括如下步骤：
步骤1，采集管道漏磁数据，对各采样点的漏磁数据进行基值校正；
步骤2，对各采样点的漏磁数据采用非线性小波阈值方法进行滤波；
步骤3，设定分类类别数，对滤波处理后的漏磁数据进行分类，得到各采样点的漏磁数据类别标签；
步骤4，根据分类类别设置相应的降采样率，根据降采样率抽样漏磁数据并绘制曲线视图；
步骤5，设置以采样点为中心的方形滑动窗口；设置窗口调整阈值，对方形滑动窗口进行纵向和横向调整，直至该窗口内局部信号幅值最大值与最小值的差大于窗口调整阈值或无法继续增大窗口；
步骤6，在滑动窗口范围内，采用调节因子对漏磁数据进行灰度补偿；
步骤7，计算窗口内漏磁信号幅值中值与采样点幅值的差值，对应差值大于0、差值等于0、差值小于0三种情况，对一个窗口内的漏磁数据分段进行灰度变换；
步骤8，根据采样点的漏磁数据类别标签，对信号幅值相对接近通道内信号幅值极值的一部分类别采样点，采用非线性方式扩展灰度带；对其余部分压缩灰度带。
3.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤1中，对漏磁数据进行基值校正的方法采用如下公式：
其中，Bi(j)ans为i号传感器在里程采样点j位置校正后的检测磁场强度；Bi(j)为i号传感器在里程采样位置j处未校正的检测磁场强度；k表示传感器通道数；Bi-mid为i号传感器通道磁场强度中值，Bimax为i号传感器通道磁场强度最大值；Bimin为i号传感器通道磁场强度最小值；Vi-mid为该管段内第i号传感器的中值输出电压；Vref为霍尔传感器的基准电压值；P为检测电路的电压放大倍数；sens为霍尔传感器输入磁场强度及输出电压的灵敏度；Bi为i号传感器通道磁场强度。
4.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤3包括如下分步骤：
步骤3.1，选取一个单通道的漏磁数据，并设定分类类别数量及信号的幅值峰谷差阈值；
步骤3.2，以N个采样点为一个单位对漏磁信号进行处理，若采样点不足N个，则取全部采样点为一个单位；
步骤3.3，比较一个单位采样点中的电压幅值的最大值、最小值之差与幅值峰谷差阈值的大小，若电压幅值的最大值、最小值之差小于幅值峰谷差阈值，设置类别标签为1，否则，进行步骤3.4；
步骤3.4，根据
得到对应该通道的类别标签；其中，Ci,j为类别标签；K为分类类别数；Vi,j为i号传感器在里程采样点j位置的信号幅值；Vs-min为当前管段内信号幅值最小值；Vs-max为当前管段内信号幅值最大值；
步骤3.5，取各单通道类别最大值作为当前采样点的分类类别，得到对应轴向、径向和周向的类别标签，取轴向、径向和周向的类别标签最大值作为漏磁数据综合类别标签。
5.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤5包括如下分步骤：
步骤5.1，以采样点为中心设置方形滑动窗口，取该窗口内漏磁信号幅值最大值、最小值对应作为灰度映射的最大、最小尺度；
步骤5.2，对漏磁数据进行边界扩充；
步骤5.3，设置窗口调整阈值，当窗口内漏磁信号幅值的最大值与最小值的差值小于等于窗口调整阈值时，扩大采样点邻域，直至差值大于窗口调整阈值或无法继续增大窗口。
6.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤6中，采用调节因子对漏磁数据进行灰度补偿的方法为：
式中，Vw-max-c为校正后窗口内最大幅值映射值，Vw-min-c为校正后窗口最小幅值映射值，α、β为调节因子，Vw-max为窗口内信号幅值最大值、Vw-min为窗口内信号幅值最小值，Vmax为通道内信号幅值最大值，Vmin为通道内信号幅值最小值。
7.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤7中，对一个窗口内的漏磁数据分段进行灰度变换的具体方法为：
设窗口内漏磁信号幅值中值为Vm_i，设采样点幅值为Vi,j，比较Vm_i和Vi,j的大小，将一个窗口内采样点的漏磁数据分成三段，对应如下灰度变换公式计算各段采样点的灰度值Gi,j：
第一段：Vi,j＞Vm_i，
第二段：Vi,j＝Vm_i，Gi,j＝Gcv；
第三段：Vi,j＜Vm_i：
式中，Gi,j为转换后灰度值；Gm为最大灰度值；Gcv为灰度中值；Vi,j为i号传感器在里程采样点j位置的信号幅值，Vm_i为通道i幅值中值，Vmax为信号幅值最大值，Vmin为信号幅值最小值。
8.根据权利要求2所述的小缺陷特征增强的漏磁数据自适应灰度可视化方法，其特征在于，步骤8中，设分类类别数为k，对应设置类别标签为Ci，i＝1、2…k，设C1类别的漏磁数据全部位于无缺陷区域，C2类别的漏磁数据一部分位于无缺陷区域，一部分位于缺陷区域；C3至Ck类别的漏磁数据全部位于缺陷区域；
当类别标签为C1和C2时，采用如下方法压缩灰度带：
当类别标签为C3～Ck时，采用如下方法扩展灰度带：
式中，h1、h2为放大系数，λ、γ为幂指数，Rb为尺度因子；Rs为尺度因子；gi,j为校正前的灰度值；Gcv为灰度中值；Gi,j'为校正后的灰度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010517835.XA CN111831872A (zh) | 2020-06-09 | 2020-06-09 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010517835.XA CN111831872A (zh) | 2020-06-09 | 2020-06-09 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111831872A true CN111831872A (zh) | 2020-10-27 |
Family
ID=72899263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010517835.XA Pending CN111831872A (zh) | 2020-06-09 | 2020-06-09 | 一种小缺陷特征增强的漏磁数据自适应灰度可视化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111831872A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329588A (zh) * | 2020-10-30 | 2021-02-05 | 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 |
| CN118395095A (zh) * | 2024-06-27 | 2024-07-26 | 北京中航天佑科技有限公司 | 一种海底管道巡检探伤方法、系统及程序产品 |
| CN118573208A (zh) * | 2024-08-01 | 2024-08-30 | 地球脉动(无锡)科技有限公司 | 一种基于物联网技术的检波器实时原始数据压缩传输方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140183A (ja) * | 2000-11-02 | 2002-05-17 | Seiko Epson Corp | 画像処理装置及びその方法、その画像処理装置を備えたプリンタ装置、並びにコンピュータが読出し可能なプログラムを格納した記憶媒体 |
| CN106846267A (zh) * | 2016-12-30 | 2017-06-13 | 四川迪派锐科技有限公司 | 一种管道焊缝检测用多尺度图像对比度增强方法 |
| 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 |
| 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 |
-
2020
- 2020-06-09 CN CN202010517835.XA patent/CN111831872A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140183A (ja) * | 2000-11-02 | 2002-05-17 | Seiko Epson Corp | 画像処理装置及びその方法、その画像処理装置を備えたプリンタ装置、並びにコンピュータが読出し可能なプログラムを格納した記憶媒体 |
| CN106846267A (zh) * | 2016-12-30 | 2017-06-13 | 四川迪派锐科技有限公司 | 一种管道焊缝检测用多尺度图像对比度增强方法 |
| 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 |
| 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 |
Non-Patent Citations (6)
| Title |
|---|
| JIANGQI等: "Experimental Study of Interference Factors and Simulation on Oil-Gas Pipeline Magnetic Flux Leakage Density Signal", 《IEEE：INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION》 * |
| 余建明等: "《CR、DR成像技术学》", 30 September 2009, 北京：中国医药科技出版社 * |
| 杨理践等: "三轴漏磁缺陷检测技术", 《无损探伤》 * |
| 王富祥等: "三轴漏磁内检测信号分析与应用", 《油气储运》 * |
| 邢磊: "三轴漏磁管道缺陷检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑（月刊）》 * |
| 齐凯: "海底管道缺陷检测信号分析及可视化研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑（月刊）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112329588A (zh) * | 2020-10-30 | 2021-02-05 | 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 |
| 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 |
| CN118395095A (zh) * | 2024-06-27 | 2024-07-26 | 北京中航天佑科技有限公司 | 一种海底管道巡检探伤方法、系统及程序产品 |
| CN118395095B (zh) * | 2024-06-27 | 2024-09-20 | 北京中航天佑科技有限公司 | 一种海底管道巡检探伤方法、系统及程序产品 |
| CN118573208A (zh) * | 2024-08-01 | 2024-08-30 | 地球脉动(无锡)科技有限公司 | 一种基于物联网技术的检波器实时原始数据压缩传输方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114627111B (zh) | 一种纺织品缺陷检测识别装置 | |
| CN106645384B (zh) | 一种管道漏磁内检测器数据的自适应滤波方法 | |
| CN103499585B (zh) | 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置 | |
| CN110146589B (zh) | 一种管道漏磁数据的高清可视化方法 | |
| CN115965624B (zh) | 一种抗磨液压油污染颗粒检测方法 | |
| CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
| JP4235648B2 (ja) | 渦電流探傷信号処理方法 | |
| CN112184693A (zh) | 一种射线工业底片焊缝缺陷智能检测方法 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| JP2011080950A (ja) | 渦電流探傷装置及びその信号処理方法 | |
| CN114596525A (zh) | 一种基于计算机视觉的动态桥梁形态识别方法 | |
| CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
| JP4180619B2 (ja) | 交流電磁場測定法による探傷検査装置 | |
| CN111882518B (zh) | 一种漏磁数据自适应伪彩色化方法 | |
| CN114778574A (zh) | X射线数字成像检测识别在运高压电缆内部缺陷方法 | |
| CN115272322A (zh) | 一种基于数据处理的合金缺陷定量检测方法 | |
| JP2008256699A (ja) | 渦電流検査システムにおける長手方向欠陥のための方法及びアルゴリズム | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN117036205B (zh) | 基于图像增强的注塑件生产质量检测方法 | |
| CN113313638A (zh) | 一种外观缺陷检测方法 | |
| CN114998346B (zh) | 一种防水布质量数据处理、识别方法 | |
| CN114419037B (zh) | 工件缺陷检测方法和装置 | |
| CN115994893A (zh) | 一种基于低分辨率红外图像的密封件弱小泄露目标检测方法 | |
| CN108645865A (zh) | 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221230 Address after: 300452 box 505, Bohai oil new village, Binhai New Area, Tianjin Applicant after: CNOOC ENERGY DEVELOPMENT EQUIPMENT TECHNOLOGY Co.,Ltd. Applicant after: CNOOC (TIANJIN) PIPELINE ENGINEERING TECHNOLOGY Co.,Ltd. Applicant after: Northeastern University Address before: 300452 Mailbox 505, Bohai Petroleum New Village, Tanggu District, Tianjin (cancelled) Applicant before: CNOOC ENERGY DEVELOPMENT EQUIPMENT TECHNOLOGY Co.,Ltd. Applicant before: CNOOC PETROLEUM TECHNOLOGY DETECTION CO.,LTD. Applicant before: Northeastern University |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |