CN112284619A - 一种漏油实时监测装置和检测方法 - Google Patents

一种漏油实时监测装置和检测方法 Download PDF

Info

Publication number
CN112284619A
CN112284619A CN202011230976.XA CN202011230976A CN112284619A CN 112284619 A CN112284619 A CN 112284619A CN 202011230976 A CN202011230976 A CN 202011230976A CN 112284619 A CN112284619 A CN 112284619A
Authority
CN
China
Prior art keywords
infrared
oil leakage
light
detection
analysis module
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
Application number
CN202011230976.XA
Other languages
English (en)
Other versions
CN112284619B (zh
Inventor
段美前
周奋强
刘晓云
李正家
俞荣厚
肖学勇
王浪
戴冬生
邓资华
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 Datang International Pengshui Hydropower Development Co ltd
Original Assignee
Chongqing Datang International Pengshui Hydropower Development 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 Datang International Pengshui Hydropower Development Co ltd filed Critical Chongqing Datang International Pengshui Hydropower Development Co ltd
Priority to CN202011230976.XA priority Critical patent/CN112284619B/zh
Publication of CN112284619A publication Critical patent/CN112284619A/zh
Application granted granted Critical
Publication of CN112284619B publication Critical patent/CN112284619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/002—Investigating fluid-tightness of structures by using thermal means
    • 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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/28—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring areas
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/38—Investigating fluid-tightness of structures by using light

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种漏油实时监测装置和检测方法，包括红外摄像机、红外结构光发射器、红外结构光接收器及边缘计算系统，所述红外结构光发射器发射特定结构光栅的红外光源对检测区域进行照射，通过红外结构光接收器接收结构光栅，并将红外摄像机采集的视频画面和红外结构光接收器接收到的结构光数据传输至边缘计算系统，从而得出漏油的准确位置以及泄漏程度。本发明通过结合红外热成像和红外结构光，使无论是白天还是黑夜，均能检测漏油情况；使用深度学习模型提高漏油检测的准确性，并红外结构光对检测现场进行三维成像重构，更加精准的定位漏油位置，从而计算出泄漏的油液体积，提高了判断泄漏严重程度。

Description

一种漏油实时监测装置和检测方法
技术领域
本发明涉及石油运输领域，尤其涉及一种漏油实时监测装置和检测方法。
背景技术
长线输油管道的运输过程中管道会发生局部的破裂从而引起泄露，给生产带来很大的安全隐患甚至经济损失。在当前的基于摄像头视频图像进行漏油检测的方法中，通常只是利用了常规可见光的视频图像。可见光成像仪对可见光的依赖性较强，对太阳反射和视角的变化比较敏感，当环境光线十分强烈或比较昏暗的时候，会造成视频图像过亮或过暗，很难分辨出图像内容。
发明内容
本发明的目的在于克服现有技术的不足，提供一种漏油实时监测装置和检测方法。
本发明的目的是通过以下技术方案来实现的：
一种漏油实时监测装置，包括红外摄像机、红外结构光发射器、红外结构光接收器及边缘计算系统，所述红外结构光发射器发射特定结构光栅的红外光源对检测区域进行照射，通过红外结构光接收器接收结构光栅，并将红外摄像机采集的视频画面和红外结构光接收器接收到的结构光数据传输至边缘计算系统。
进一步的，所述边缘计算系统包括红外图像接收模块、红外热成像特征分析模块、红外结构光特征分析模块和异常处理模块；所述红外图像接收模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于接收数据，并将数据发送至外热成像特征分析模块和红外结构光特征分析模块；所述异常处理模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于对分析出的异常信息进行处理。
进一步的，一种漏油检测方法，包括以下步骤：
红外结构光发射器发射红外光源对检测区域进行照射；
红外摄像机采集检测区域的红外热成像画面，红外结构光接收器接收从检测区域反射的结构光；
通过深度学习神经网络模型对红外热成像画面进行智能检测，并计算漏油面积；
通过结构光对现场进行三维建模，得到漏油区域的油膜厚度，并计算漏油体积。
进一步的，所述深度学习神经网络模型的以可见光图像和红外图像为样本进行模型训练，包括以下子步骤：
网络输入同一时刻的可见光图像和红外图像两张图片并引入该时刻的温度，分别经过预处理后进行图像配准，得到检测目标；
以可见光图像和红外图像分别进行目标检测，得到各自的检测结果；
以可见光图像和红外图像联合进行目标检测，从而获得准确的漏油检测结果。
进一步的，所述计算漏油体积包括以下步骤：
根据结构光经过油层后抵达接收器的时间以及光栅条纹，得出结构光经过检测区域的折射率；
通过对结构光的时间调制与空间调制结果产生相应油层的深度信息；
根据漏油的面积以及深度信息计算出漏油体积。
进一步的，所述结构光对现场进行三维建模，能对现场进行三维成像重构，同时更加精准的定位漏油位置
本发明的有益效果：通过结合红外热成像和红外结构光，使无论是白天还是黑夜，均能检测漏油情况；使用深度学习模型提高漏油检测的准确性，并红外结构光对检测现场进行三维成像重构，更加精准的定位漏油位置，从而计算出泄漏的油液体积，提高了判断泄漏严重程度。
附图说明
图1是本发明的装置结构示意图。
图2是本发明的方法流程示意图。
图3是本发明的深度学习神经网络模型示意图。
图4是本发明的油膜深度计算原理示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本实施例中，如图1和图2所示，一种漏油实时监测装置，包括红外摄像机、红外结构光发射器、红外结构光接收器及边缘计算系统，所述红外结构光发射器发射特定结构光栅的红外光源对检测区域进行照射，通过红外结构光接收器接收结构光栅，并将红外摄像机采集的视频画面和红外结构光接收器接收到的结构光数据传输至边缘计算系统。
需要理解的是，所述边缘计算系统包括红外图像接收模块、红外热成像特征分析模块、红外结构光特征分析模块和异常处理模块；所述红外图像接收模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于接收数据，并将数据发送至外热成像特征分析模块和红外结构光特征分析模块；所述异常处理模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于对分析出的异常信息进行处理。
本实施例中，一种漏油检测方法，包括以下步骤：
红外结构光发射器发射红外光源对检测区域进行照射；
红外摄像机采集检测区域的红外热成像画面，红外结构光接收器接收从检测区域反射的结构光；
通过深度学习神经网络模型对红外热成像画面进行智能检测，并计算漏油面积；
通过结构光对现场进行三维建模，得到漏油区域的油膜厚度，并计算漏油体积。
本实施例中，如图3所示，所述深度学习神经网络模型的以可见光图像和红外图像为样本进行模型训练，包括以下子步骤：
网络输入同一时刻的可见光图像和红外图像两张图片并引入该时刻的温度，分别经过预处理后进行图像配准，得到检测目标；
以可见光图像和红外图像分别进行目标检测，得到各自的检测结果；
以可见光图像和红外图像联合进行目标检测，从而获得准确的漏油检测结果。
本实施例中，如图4所示，所述计算漏油体积包括以下步骤：
根据结构光经过油层后抵达接收器的时间以及光栅条纹偏移量S，得出结构光经过检测区域的折射率；
通过对结构光的时间调制与空间调制结果产生相应油层的深度信息h；
根据相应漏油的面积以及深度信息计算出漏油体积。
本实施例中，由于油液与金属及地面在温度和热传导性上存在较大差异，因此，无论是白天还是黑夜，在红外热图像上都能够将油液所在区域很明显的区分出来。
本实施例中，在深度学习神经网络模型中引入温度特征，减少了可见光图像中反光现象带来的结果误差，从而提高了漏油检测的准确性。
本实施例中，边缘计算系统提供了对深度学习神经网络模型推理的硬件加速能力，大大提高了漏油检测算法的实时性，减少了对数据网络带宽资源的占用，提高了算法的实时性和实用性，功耗也低。
本实施例中，红外结构光对检测现场进行三维成像重构，更加精准的定位漏油位置。
本发明通过结合红外热成像和红外结构光，使无论是白天还是黑夜，均能检测漏油情况；使用深度学习模型提高漏油检测的准确性，并红外结构光对检测现场进行三维成像重构，更加精准的定位漏油位置，从而计算出泄漏的油液体积，提高了判断泄漏严重程度。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种漏油实时监测装置，其特征在于，包括红外摄像机、红外结构光发射器、红外结构光接收器及边缘计算系统，所述红外结构光发射器发射特定结构光栅的红外光源对检测区域进行照射，通过红外结构光接收器接收结构光栅，并将红外摄像机采集的视频画面和红外结构光接收器接收到的结构光数据传输至边缘计算系统。
2.根据权利要求1所述的一种漏油实时监测装置，其特征在于，所述边缘计算系统包括红外图像接收模块、红外热成像特征分析模块、红外结构光特征分析模块和异常处理模块；所述红外图像接收模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于接收数据，并将数据发送至外热成像特征分析模块和红外结构光特征分析模块；所述异常处理模块分别连接红外热成像特征分析模块和红外结构光特征分析模块，用于对分析出的异常信息进行处理。
3.一种漏油检测方法，其特征在于，包括以下步骤：
红外结构光发射器发射红外光源对检测区域进行照射；
红外摄像机采集检测区域的红外热成像画面，红外结构光接收器接收从检测区域反射的结构光；
通过深度学习神经网络模型对红外热成像画面进行智能检测，并计算漏油面积；
通过结构光对现场进行三维建模，得到漏油区域的油膜厚度，并计算漏油体积。
4.根据权利要求3所述的一种漏油检测方法，其特征在于，所述深度学习神经网络模型的以可见光图像和红外图像为样本进行模型训练，包括以下子步骤：
网络输入同一时刻的可见光图像和红外图像两张图片并引入该时刻的温度，分别经过预处理后进行图像配准，得到检测目标；
以可见光图像和红外图像分别进行目标检测，得到各自的检测结果；
以可见光图像和红外图像联合进行目标检测，从而获得准确的漏油检测结果。
5.根据权利要求3所述的一种漏油检测方法，其特征在于，所述计算漏油体积包括以下步骤：
根据结构光经过油层后抵达接收器的时间以及光栅条纹，得出结构光经过检测区域的折射率；
通过对结构光的时间调制与空间调制结果产生相应油层的深度信息；
根据漏油的面积以及深度信息计算出漏油体积。
6.根据权利要求3所述的一种漏油检测方法，其特征在于，所述结构光对现场进行三维建模，能对现场进行三维成像重构，同时更加精准的定位漏油位置。
CN202011230976.XA 2020-11-06 2020-11-06 一种漏油实时监测装置和检测方法 Active CN112284619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011230976.XA CN112284619B (zh) 2020-11-06 2020-11-06 一种漏油实时监测装置和检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011230976.XA CN112284619B (zh) 2020-11-06 2020-11-06 一种漏油实时监测装置和检测方法

Publications (2)

Publication Number Publication Date
CN112284619A true CN112284619A (zh) 2021-01-29
CN112284619B CN112284619B (zh) 2022-10-14

Family

ID=74351657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011230976.XA Active CN112284619B (zh) 2020-11-06 2020-11-06 一种漏油实时监测装置和检测方法

Country Status (1)

Country Link
CN (1) CN112284619B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447205A (zh) * 2021-06-28 2021-09-28 东莞正扬电子机械有限公司 一种近红外摄像头漏气检测系统及其检测方法
CN113532753A (zh) * 2021-07-15 2021-10-22 西安华控智能系统工程有限公司 一种基于机器视觉的风电场齿轮箱漏油检测方法
CN117450413A (zh) * 2023-12-25 2024-01-26 江西铜业集团铜板带有限公司 一种铜板带冷轧机的机油渗漏检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
DE102011053261A1 (de) * 2011-09-05 2013-03-07 Walter Werne Vorrichtung zur Untersuchung von Bauteilen
CN105181638A (zh) * 2015-09-16 2015-12-23 湖北久之洋红外系统股份有限公司 一种红外溢油监测装置及其监测方法
CN107606493A (zh) * 2017-10-27 2018-01-19 华润电力技术研究院有限公司 一种管道泄漏检测系统
CN208937255U (zh) * 2018-11-06 2019-06-04 济南火哨安全科技有限公司 一种红外油料泄漏传感器
CN110188727A (zh) * 2019-06-05 2019-08-30 中煤航测遥感集团有限公司 海洋溢油量估算方法及装置
CN110440700A (zh) * 2018-05-02 2019-11-12 长沙青波光电科技有限公司 目标物体油层厚度检测装置及皮肤油层厚度检测装置
CN110513604A (zh) * 2019-09-09 2019-11-29 朱晓斌 一种基于多源图像的lng站泄漏智能检测系统及其检测方法
CN111209876A (zh) * 2020-01-10 2020-05-29 汕头大学 一种漏油缺陷检测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011053261A1 (de) * 2011-09-05 2013-03-07 Walter Werne Vorrichtung zur Untersuchung von Bauteilen
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
CN105181638A (zh) * 2015-09-16 2015-12-23 湖北久之洋红外系统股份有限公司 一种红外溢油监测装置及其监测方法
CN107606493A (zh) * 2017-10-27 2018-01-19 华润电力技术研究院有限公司 一种管道泄漏检测系统
CN110440700A (zh) * 2018-05-02 2019-11-12 长沙青波光电科技有限公司 目标物体油层厚度检测装置及皮肤油层厚度检测装置
CN208937255U (zh) * 2018-11-06 2019-06-04 济南火哨安全科技有限公司 一种红外油料泄漏传感器
CN110188727A (zh) * 2019-06-05 2019-08-30 中煤航测遥感集团有限公司 海洋溢油量估算方法及装置
CN110513604A (zh) * 2019-09-09 2019-11-29 朱晓斌 一种基于多源图像的lng站泄漏智能检测系统及其检测方法
CN111209876A (zh) * 2020-01-10 2020-05-29 汕头大学 一种漏油缺陷检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李征: ""直埋供热管道运行监测与泄漏检测技术探讨"", 《区域供热》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113447205A (zh) * 2021-06-28 2021-09-28 东莞正扬电子机械有限公司 一种近红外摄像头漏气检测系统及其检测方法
CN113447205B (zh) * 2021-06-28 2024-06-11 广东正扬传感科技股份有限公司 一种近红外摄像头漏气检测系统及其检测方法
CN113532753A (zh) * 2021-07-15 2021-10-22 西安华控智能系统工程有限公司 一种基于机器视觉的风电场齿轮箱漏油检测方法
CN113532753B (zh) * 2021-07-15 2024-02-20 宁夏龙源新能源有限公司 一种基于机器视觉的风电场齿轮箱漏油检测方法
CN117450413A (zh) * 2023-12-25 2024-01-26 江西铜业集团铜板带有限公司 一种铜板带冷轧机的机油渗漏检测方法
CN117450413B (zh) * 2023-12-25 2024-03-15 江西铜业集团铜板带有限公司 一种铜板带冷轧机的机油渗漏检测方法

Also Published As

Publication number Publication date
CN112284619B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN112284619B (zh) 一种漏油实时监测装置和检测方法
US11221107B2 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
Carletti et al. An intelligent flying system for automatic detection of faults in photovoltaic plants
CN101957309B (zh) 一种能见度的全天候视频测量方法
Wang et al. Automated sewer pipe defect tracking in CCTV videos based on defect detection and metric learning
KR102423561B1 (ko) 디지털 트윈 기반 지능형 댐 안전 관리 시스템
CN102262092B (zh) 能见度测量系统及方法
CN109186706A (zh) 一种用于城市雨洪淹没区预警的方法
CN113012195B (zh) 基于光流计算的河流表面流速估计的方法和可读存储介质
CN115751203A (zh) 一种基于红外热像仪的天然气管道泄漏监测系统
CN115862259B (zh) 一种基于温度监测的火警预警系统
CN112365468A (zh) 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法
Hao et al. Methods of image recognition of overhead power line insulators and ice types based on deep weakly‐supervised and transfer learning
CN116148801B (zh) 一种基于毫米波雷达的目标检测方法及系统
CN114842643B (zh) 视频车辆检测模型在线更新方法、装置及雷视融合系统
Dusek et al. WebCAT: Piloting the development of a web camera coastal observing network for diverse applications
CN115995058A (zh) 基于人工智能的输电通道安全在线监测方法
CN105701578A (zh) 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法
Zhan et al. [Retracted] The System Research and Implementation for Autorecognition of the Ship Draft via the UAV
Wang et al. A novel quality control model of rainfall estimation with videos–A survey based on multi-surveillance cameras
CN114639064A (zh) 一种水位识别方法及装置
Motayyeb et al. Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades
CN117237925B (zh) 一种基于计算机视觉的智慧道路病害巡检方法及系统
Dong et al. Pixel-level intelligent segmentation and measurement method for pavement multiple damages based on mobile deep learning
CN111881566B (zh) 基于实景仿真的滑坡位移检测方法及装置

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