CN112986330A - 基于红外热成像的管道缺陷检测数据收集装置及方法 - Google Patents
基于红外热成像的管道缺陷检测数据收集装置及方法 Download PDFInfo
- Publication number
- CN112986330A CN112986330A CN202110436716.6A CN202110436716A CN112986330A CN 112986330 A CN112986330 A CN 112986330A CN 202110436716 A CN202110436716 A CN 202110436716A CN 112986330 A CN112986330 A CN 112986330A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- thermal imaging
- coordinate system
- excitation
- image
- 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
- 238000001931 thermography Methods 0.000 title claims abstract description 90
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013480 data collection Methods 0.000 title claims abstract description 24
- 230000005284 excitation Effects 0.000 claims abstract description 100
- 238000007789 sealing Methods 0.000 claims abstract description 57
- 238000010438 heat treatment Methods 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 38
- 239000012530 fluid Substances 0.000 claims description 25
- 239000000463 material Substances 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 15
- 239000010985 leather Substances 0.000 claims description 13
- 238000003466 welding Methods 0.000 claims description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 12
- 229910052799 carbon Inorganic materials 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 9
- 238000002955 isolation Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 239000006163 transport media Substances 0.000 claims description 6
- 239000012774 insulation material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 abstract 1
- 230000005291 magnetic effect Effects 0.000 description 32
- 239000003302 ferromagnetic material Substances 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 239000012188 paraffin wax Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开一种基于红外热成像的管道缺陷检测数据收集装置及方法,该装置由红外热成像、激光激励和供电三个部分按顺序通过双头螺柱连接而成。所述红外热成像部分包括:成像控制器、成像外壳、密封挡板和多个热成像摄像头;所述激光激励部分由动力部分、激励部分和激励控制器组成;所述供电部分由供电外壳、密封挡板和电池组成。本发明的方法采用以蛇形管道机器人为载体的装置,利用激光激励对管壁进行热激时,使管壁表面热波具有横向传播特性,从而对管壁表面的裂纹具有较强的敏感性,并控制激励的功率和发热条的旋转速度使管道保持在最适温度,使热成像数据对比度更高,同时采用图像去畸变算法和导航算法,使得对缺陷定位更为准确。
Description
技术领域
本发明涉及管道检测技术领域,尤其涉及一种基于红外热成像的管道缺陷检测数据收集装置及方法。
背景技术
石油和天然气等具有流体特性的不可再生资源,被广泛运用于交通运输、石化等各行各业,被称为经济乃至整个社会的“黑色黄金”、“经济血液”,又因其没有一定的形状,由于管道运输具有可以在不考虑恶劣环境的因素下长距离、大量地运输物质的优点,因此管道成为用以运输石油天然气等流体的主要运输手段。我国石油管道早在五六十年代就铺入地下,长时间的使用使部分管道腐蚀甚至开裂,造成石油泄漏导致污染。所以对于在役石油管道的探伤显得极为重要。
目前应用于管道检测最为广泛的技术为漏磁检测,漏磁检测技术来源于磁粉检测技术,其检测基本原理为:在管壁周围外加磁场,使得铁磁材质的管道被磁化,当管道材料无缺陷时,材料中的磁力线分布均匀,不会泄漏出管道表面;而当管道材料有缺陷时,由于缺陷处的磁导率远小于铁磁材料的磁导率,缺陷处磁阻增大,磁场发生畸变,使得磁力线弯曲,从而导致部分磁力线露出铁磁管道,形成泄漏磁场,再通过霍尔传感器对泄漏磁信号收集,将其转化成电信号,并对其数据进行处理、存储和分析,即可得到管道缺陷的基本情况。
虽然漏磁检测具有检测过程简单、对环境要求低和检测缺陷种类较为全面等优点,但其仍有一些不足:
1、漏磁检测需要对管道进行磁化,非铁磁材料的磁导率接近1,缺陷周围的磁场不会因为磁导率不同出现分布变化,并不会产生明显的泄漏磁场,因此漏磁检测仅适用于铁磁材料管道。
2、漏磁检测对管壁内表面的千层缺陷比较敏感,若缺陷处于管壁材料内部或离管壁外侧较近时,磁场的畸变程度可能并不足够显著,因此,漏磁检测对缺陷所处的深度有一定要求,在深度过大时,检测出的铁磁材料内部的缺陷量化误差较大。
3、当管道出现开裂比较窄的,甚至是闭合性裂纹时,首先,由于狭缝宽度过小,泄漏磁力线过少,磁感强度过低,可能导致畸变磁场磁力线泄漏量偏小,其次,对于环形裂缝,磁路会形成一个封闭回路,磁力线并不会泄漏出去,在内部形成完成磁路,故磁检测无法检测此类型缺陷。
4、由于漏磁检测需要对管道的铁磁材料进行磁化,故需要永磁体管与壁紧密贴合,在环境温度低或者油温不高情况下,使得原油析出大量的石蜡等杂质,可能会导致装有漏磁检测装置的机器人卡堵在被检测管道中,极易导致检测事故,进而造成严重的经济损失,在内检测机器人无法取出时甚至会导致整个管道作废。
发明内容
针对上述现有技术的不足,本发明提供一种基于红外热成像的管道缺陷检测数据收集装置及方法,以蛇形管道内检测机器人为载体。
为解决上述技术问题,本发明所采取的技术方案是:一种基于红外热成像的管道缺陷检测数据收集装置,由红外热成像、激光激励和供电三个部分按顺序通过双头螺柱连接而成。
所述红外热成像部分包括:成像控制器、成像外壳、密封挡板和多个热成像摄像头;所述成像外壳的一端开设槽孔,用于安装成像控制器,成像外壳的另一端与密封挡板封闭连接;所述成像外壳中部外侧均匀开设有与热成像摄像头个数相同的凹槽,用于安装热成像摄像头。
所述成像外壳的另一端加工有法兰盘,与密封挡板封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性;在密封挡板外侧套有驱动皮碗,所述驱动皮碗的尺寸刚好与管道内壁贴合。
所述成像控制器内置惯性测量单元,通过对速度进行测量实现定位,从而使热成像数据对应位置数据。
所述激光激励部分由动力部分、激励部分和激励控制器组成;
所述动力部分由动力外壳和电机组成;所述动力外壳的一端设置有刚好放入电机的凹型槽,用于安装电机;所述电机的轴通过键连接的方式与激励部分相连接;
所述激励部分由激励外壳和多个发热条组成;所述激励外壳的一端设置有与电机轴键连接的孔,另一端安装控制器;所述激励外壳的中部外侧均匀开设有与发热条数量相同的凹槽,用于安装发热条。
所述安装发热条的凹槽内部位置环绕一圈隔热材料,避免发热条对控制器造成影响。
所述激励外壳仿照弗朗希斯水轮机结构,均匀设置有多个条形凸起,与安装发热条的凹槽交错分布。
所述供电部分由供电外壳、密封挡板和电池组成;所述供电外壳的一端开设凹槽用于安装电池,另一端与密封挡板封闭连接。
所述供电外壳的另一端加工有法兰盘,与密封挡板封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性;在密封挡板外侧套有驱动皮碗,所述驱动皮碗的尺寸刚好与管道内壁贴合。
为了避免激光激励部分产生的温度对红外热成像部分和供电部分造成影响,在激光激励部分两侧分别放置隔离碳板,在隔离碳板的中间开孔,将隔离碳板固定在所述双头螺柱上。
另一方面,本发明还提供一种采用上述装置进行管道缺陷检测数据收集的方法,包括如下步骤:
步骤1:开启待检管道发球筒入口处闸门,将装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人置入其中,关闭待检管道发球筒入口处闸门,半开启待检管道发球筒出口处闸门,待运输介质完全填充入待检管道后,关闭待检管道出口处闸门。
步骤2:基于红外热成像的管道缺陷检测数据收集装置的激励部分开始以任意恒定速度旋转,并以任意恒定功率,对管道进行热激励,同时红外热成像部分对管道进行热成像,找出对于本管道材料和运输物质的最适管道温度,过程如下:
步骤2.1:激励部分将管道从初始温度Tmin加热到可达到的最高温度Tmax;
步骤2.2:加热的过程中,红外热成像部分对管道温度场检测成像,将多个热成像摄像头得到的图像输入到成像控制器;
步骤2.3:控制器对图像进行分析,通过已知有缺陷带与无缺陷带边缘温度场分布数据关系,找到缺陷边界差距最大的管道温度,作为对于本管道材料和运输材料的最适管道温度,公式如下:
其中,ξ为缺陷边界的明显程度,用于衡量是否为最佳激励温度,Txy为缺陷边界像素点的温度,Tx'y'为缺陷边界像素点沿以该点所在曲率圆半径相邻像素点的温度,Cn为缺陷的闭合边界。
步骤3:完全开启待检管道发球筒出口处闸门,由驱动皮碗受运输介质流体的推动作用装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人开始随运输物质流体推动,由起点向终点运动;
步骤4:在运动过程中,激光激励部分的发热条向管道辐射热量,同时在管道内流体对激励外壳上设置的类似弗朗希斯水轮机结构的凸起的推动作用下进行旋转,从而对管道均匀辐射,并且向红外热成像部分发送当前旋转速度和激光激励功率;
步骤5:红外热成像部分对管道内温度场进行成像,并周期性校准惯性测量单元;
所述周期性校准惯性测量单元的过程如下:
步骤5.1:把行程数据与成像的温度场数据对应;
步骤5.2:以焊缝基准为惯性测量单元测得的距离来校准,公式如下:
其中,Xv为通过视觉算法最终解算出的行程数据,Xvk为第k个摄像头通过视觉算法解算出的行程数据,m为摄像头总个数,n为已经经过的焊缝的数量,d为相邻两焊缝之间的距离,h为摄像头到管壁的距离,θ为摄像头最大视角,L为在所成像中轴向像素点总个数,Ln为第n焊缝在所成像中轴向坐标,单位为像素点数,该坐标系以成像的温度场数据的左上角为原点,以一个像素点大小为坐标系单位长度。
所述步骤5还包括在周期性校准惯性测量单元前对图像进行去畸变处理,过程如下:
S1:构造相机坐标系和图像物理坐标系的转换方程;
热像仪采集到的图像为灰度图,图像通道数为1,相机坐标系为图像物理坐标系为其中,相机坐标系为三维坐标系,z轴是相机的主光轴,相机坐标系在z轴的投影为像坐标系,图像物理坐标系在像坐标系的基础上,将单位从距离转化成像素数;
相机坐标系和图像物理坐标系的转换关系为:
其中,fx,fy,cx,cy为线性变换系数;
对x,y进行归一化处理:
计算可得转换方程为:
u=fx·x′+cx
v=fy·y′+cy
其中,u和v为图像物理坐标系的横纵坐标;
S2:建立非畸变相机坐标系(x1,y1)与畸变相机坐标系(x2,y2)的转换关系:
S3:根据步骤1,将非畸变相机坐标系(x1,y1)和畸变相机坐标系(x2,y2)转化为非畸变图像物理坐标系(u,v)和畸变图像物理坐标系(u′,v′):
u=fx·x1+cx,v=fy·y1+cy
u′=fx·x2+cx,v′=fy·y2+cy
S4:联立S2和S3方程,得到非畸变图像物理坐标系(u,v)与畸变图像物理坐标系(u′,v′)的转换关系;
S5:计算非畸变图像物理坐标系中像素点Qi(ui,vi)对应的畸变图像物理坐标系一点Q′i(u′i,v′i),并判断u′i,v′i是否为整数;若为整数,则(ui,vi)处灰度值f(ui,vi)=f(u′i,v′i),跳转到S9;若不为整数,转到S6;
S7:计算Q′i点(u′,v′)在畸变图像中邻近的16个像素点灰度平均值:
有
(u′im,v′im),m∈[1,16]
若满足
则
f(ui,vi)=f(u′im,v′im)
S8:在原畸变图像像素点坐标不变的前提下,对畸变图像进行边缘扩展,Q′i点(u′i,v′i)在畸变图像中邻近的四个像素点分别为:
P11(u′i1,v′i1),P12(u′i1,v′i2),P21(u′i2,v′i1),P22(u′i2,v′i2)
外对角线的四个像素点分别为:
R1(u′i3,v′i3),R2(u′i3,v′i4),R3(u′i4,v′i3),R4(u′i4,v′i4)
则Q′i点(u′i,v′i)的像素值:
f(u′i,v′i)=pg(i)+(1-p)h(i)
其中,
g(i)=f(u′i1,v′i1)·w11+f(u′i1,v′i2)·w12+f(u′i2,v′i1)·w21+f(u′i2,v′i2)·w22
w11=(u′i2-u′)(v′i2-v′),w12=(u′i2-u′)(v′-v′i1),w21=(u′-u′i1)(v′i2-v′),w22=(u′-u′i1)(v′-v′i1)
h(i)=f(u′i3,v′i3)·w33+f(u′i3,v′i4)·w34+f(u′i4,v′i3)·w43+f(u′i4,v′i4)·w44
w33=(u′i4-u′)(v′i4-v′),w34=(u′i4-u′)(v′-v′i3),w43=(u′-u′i3)(v′i4-v′),w44=(u′-u′i3)(v′-v′i3)
其中,Δσ12为邻近四个像素点灰度值标准差与畸变图像灰度值标准差之差,Δσ34为外对角线的四个像素点灰度值标准差与畸变图像灰度值标准差之差;
S9:重复S5,直到遍历非畸变图像所有像素点,得到非畸变图像I。
步骤6:红外热成像部分接收当前旋转速度和激光激励功率,计算出发热条应该保持的温度和旋转速度,过程如下:
步骤6.1:通过分析温度场分布信息,计算出发热条应该保持的温度和旋转速度,具体计算方式如下:
其中,Vr为解算出的不依靠流体电机转动的速度,Vf为蛇形机器人流体作用下前进的速度,V0为在类似弗朗西斯水轮结构受流体推动而产生的旋转速度,k为管道和运输物质的综合热力学性质,由其材料本身性质决定,S2为当前热成像灰度值的方差,为热成像灰度值的方差阈值,小于本值认为激励均匀,T0为在管道起点处测出的最适温度,T为解算出的发热条应该保持的温度,P为当前热激励的功率,由其材料本身性质决定,T0为在管道起点处测出的最适温度,为目前管道的平均温度,σ为斯武藩常数;
步骤6.2:将计算出的温度和旋转速度值发送给激光激励部分,激光激励部分的激励控制器控制发热条的功率和电机的转速,使受激励程度始终均匀且保持在最适温度。
步骤7:激光激励部分接收来自热成像部分发热条应该保持的温度和旋转速度数据,并按照此数据,用PID算法进而控制发热条功率和旋转速率保持稳定;
步骤8:重复步骤4至步骤7,直到运动到管道终点,完成管道缺陷数据的采集。
采用上述技术方案所产生的有益效果在于:
1、本发明提供的基于红外热成像的管道缺陷检测数据收集装置可以在管道内流体的推动下随着流体在管道内行走;
2、本发明提供的装置采用激光激励对管道进行加热,并采用水轮机结构设计发热条的旋转部分,使管壁受热更均匀;
3、本发明提供的装置可以综合考虑流体速度、电机转动速度和热激励的功率,使本申请的装置工作在最佳温度场图像采集状态下;
4、本发明提供的方法对激励温度和旋转速度做了最优控制,使采集的热成像数据对比度更高,检测出的缺陷数据更明显;
5、本发明提供的方法使用了一种图像去畸变算法和导航算法,使得对缺陷定位更为准确。
附图说明
图1为本发明实施例中基于红外热成像的管道缺陷检测数据收集装置的结构示意图;
图2为本发明实施例中激励部分的激励外壳示意图;
图3为本发明实施例中红外热成像部分和激光激励部分控制模块的连接示意图;
图4为本发明实施例中激光激励部分中动力部分与激励部分的连接示意图;
图5为本发明实施例中待测试管道示意图;
图6为发明实施例中去畸变算法插值示意图;
其中,1-密封挡板,2-驱动皮碗,3-供电部分,4-激光激励部分,5-红外热成像部分,6-隔离碳板,7-双头螺柱,8-热成像摄像头,9-发热条,10-电机,11-环形隔热材料,12-螺纹孔,13-环形凹槽,14-圆形管道,15-闸门,16-孔缺陷,17-裂纹缺陷,18-内部划痕缺陷。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例中基于红外热成像的管道缺陷检测数据收集装置,由红外热成像部分5、激光激励部分4和供电部分3三个部分按顺序通过双头螺柱7连接而成。
所述红外热成像部分5包括:成像控制器、成像外壳、密封挡板1和多个热成像摄像头8;所述成像外壳的一端开设槽孔,本实施例中开设圆直径为150mm,深度为130mm的圆柱槽,用于安装成像控制器,成像外壳的另一端与密封挡板1封闭连接;所述成像外壳中部外侧均匀开设有与热成像摄像头8个数相同的凹槽,用于安装热成像摄像头8。本实施例中热成像摄像头8的个数为6个,相应的用于安装热成像摄像头的球形凹槽也开设6个,球形凹槽底部开设有M5螺纹孔,用于连接摄像头与控制器,且起到防漏的作用。
所述成像外壳的另一端加工有法兰盘,与密封挡板1封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性;在密封挡板外侧套有驱动皮碗2;所述驱动皮碗2的尺寸刚好与管道内壁贴合。
本实施例中法兰盘外径为294mm,法兰盘沿周向均匀分布有8个M14螺纹孔,中心有直径为30mm,深度为20mm的螺纹孔,周向螺纹孔用于和密封挡板1封闭连接,中心螺纹孔用于和双头螺柱7螺纹连接。密封挡板1直径也为294mm,沿周向钻有与法兰盘对应位置的8个螺纹孔。本实施例中密封圈为内径107.67mm,线径为1.78mm的O型圈。驱动皮碗的内径为294mm,外径为324mm。
所述成像控制器内置惯性测量单元,通过对速度进行测量实现定位,从而使热成像数据对应位置数据。
所述激光激励部分4由动力部分、激励部分和激励控制器组成;
所述动力部分由动力外壳和电机10组成;所述动力外壳的一端设置有刚好放入电机的凹型槽,用于安装电机10,另一端中心有直径为30mm,深度为20mm的螺纹孔,用于与双头螺柱7螺纹连接;所述电机10的轴通过键连接的方式与激励部分相连接,连接方式如图4所示;
所述激励部分由激励外壳和多个发热条9组成;所述激励外壳的一端设置有与电机轴键连接的孔,本实施例中设置为10mm,与电机轴通过键连接的方式使激励部分匀速旋转。另一端安装控制器,本实施例中开设外径为180mm,内径为70mm的环形凹槽来安装控制器;中心位置设置有直径为30mm,深度为20mm的螺纹孔,用于与双头螺柱螺纹连接。所述激励外壳的中部外侧均匀开设有与发热条9数量相同的凹槽,用于安装发热条9。本实施例中发热条为激光激励条,数量为6个,与之对应的安装发热条的凹槽开设也为6个。
所述安装发热条的凹槽内部位置环绕一圈隔热材料11,避免发热条对控制器造成影响。
所述激励外壳仿照弗朗希斯水轮机结构,均匀设置有多个条形凸起,与安装发热条的凹槽交错分布。本实施例中设置的条形凸起为6个。
本实施例中激励外壳的结构示意图如图2所示。
所述供电部分3由供电外壳、密封挡板1和电池组成;所述供电外壳的一端开设凹槽13用于安装电池,另一端与密封挡板1封闭连接。本实施例中,供电外壳的一端开设直径为150mm,深度为130mm的圆柱槽,槽内放置18650电池。
所述供电外壳的另一端加工有法兰盘,与密封挡板1封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性;在密封挡板1外侧套有驱动皮碗2,所述驱动皮碗2的尺寸刚好与管道内壁贴合。此处法兰盘与密封挡板1的连接手段与红外热成像部分5相同。
为了避免激光激励部分4产生的温度对红外热成像部分5和供电部分3造成影响,在激光激励部分4两侧分别放置隔离碳板6,在隔离碳板6的中间开孔,将隔离碳板6固定在所述双头螺柱7上。本实施例中隔离碳板的直径为280mm,碳板中间的孔直径为30mm。
本实施例中,红外热成像主控型号为Raspberry Pi 3B,红外热成像摄像头型号为MONCH TECHNOLOGY公司的FAST-SWIR短波红外热像仪,通过USB3.0协议与红外热成像主控连接,惯性测量单元型号为MPU6050,通过软件IIC协议与红外热成像主控连接,激光激励主控芯片型号为STM32F405RGT6,通过串口与红外主控连接,旋转电机模块型号为DJI公司的C620电调和M3508电机,通过CAN总线芯片SIT1040,采用CAN协议连接到激光激励主控,激光激励条型号为Coherent公司的100W808nm半导体激光器Bar条,激光激励主控通过中大功率PWM控制电源芯片SM8015向激光激励条发送PWM信号。本实施例的整体硬件电路结构如图3所示。
本实施例中,还提供一种采用上述基于红外热成像的管道缺陷检测数据收集装置进行管道缺陷检测数据收集的方法,包括如下步骤:
步骤1:开启待检管道发球筒入口处闸门,将装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人置入其中,关闭待检管道发球筒入口处闸门,半开启待检管道发球筒出口处闸门,待运输介质完全填充入待检管道后,关闭待检管道出口处闸门。
本实施例中,待检管道如图5所示。
步骤2:基于红外热成像的管道缺陷检测数据收集装置的激励部分控制器通过CAN总线芯片SIT104发送速度数据,再通过C620电调把速度处理成电流数据后,发送到电机M3508后,使激光激励部分开始以任意恒定速度旋转,并以任意恒定功率,对管道进行热激励,同时红外热成像部分对管道进行热成像,找出对于本管道材料和运输物质的最适管道温度,过程如下:
步骤2.1:激励部分将管道从初始温度Tmin加热到可达到的最高温度Tmax;
步骤2.2:加热的过程中,红外热成像部分对管道温度场检测成像,将多个热成像摄像头得到的图像输入到成像控制器;本实施例中,将FAST-SWIR短波红外热像仪得到的图像输入到红外热成像控制器,控制器使用opencv库对图像进行分析。
步骤2.3:控制器对图像进行分析,通过已知有缺陷带与无缺陷带边缘温度场分布数据关系,找到缺陷边界差距最大的管道温度,作为对于本管道材料和运输材料的最适管道温度,公式如下:
其中,ξ为缺陷边界的明显程度,用于衡量是否为最佳激励温度,Txy为缺陷边界像素点的温度,Tx'y'为缺陷边界像素点沿以该点所在曲率圆半径相邻像素点的温度,Cn为缺陷的闭合边界。
步骤3:完全开启待检管道发球筒出口处闸门,由驱动皮碗受运输介质流体的推动作用装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人开始随运输物质流体推动,由起点向终点运动;
步骤4:在运动过程中,激光激励部分的发热条本实施例中采用100W808nm半导体激光器Bar条,向管道辐射热量,同时在管道内流体对激励外壳上设置的类似弗朗希斯水轮机结构的凸起的推动作用下进行旋转,从而对管道均匀辐射,并且向红外热成像部分通过串口协议发送当前旋转速度和激光激励功率;
步骤5:红外热成像部分对管道内温度场进行成像,并周期性校准惯性测量单元;
所述周期性校准惯性测量单元的过程如下:
步骤5.1:把行程数据与成像的温度场数据对应;
步骤5.2:以焊缝基准为惯性测量单元测得的距离来校准,公式如下:
其中,Xv为通过视觉算法最终解算出的行程数据,Xvk为第k个摄像头通过视觉算法解算出的行程数据,m为摄像头总个数,n为已经经过的焊缝的数量,d为相邻两焊缝之间的距离,h为摄像头到管壁的距离,θ为摄像头最大视角,L为在所成像中轴向像素点总个数,Ln为第n焊缝在所成像中轴向坐标,单位为像素点数,该坐标系以成像的温度场数据的左上角为原点,以一个像素点大小为坐标系单位长度。
由于本算法依赖焊缝,可实施本校准算法的范围为(nd-htanθ,nd+htanθ),n=1,2,3...,其余行程范围中通过IIC协议,读取MPU6050的三轴加速度,并对其进行二次积分即可得到行程数据。把行程数据与成像的温度场数据对应后,热成像主控RaspberryPi 3B将其存储到其存储sd卡中。
所述步骤5还包括在周期性校准惯性测量单元前对图像进行去畸变处理,过程如下:
S1:构造相机坐标系和图像物理坐标系的转换方程;
热像仪采集到的图像为灰度图,图像通道数为1,相机坐标系为图像物理坐标系为其中,相机坐标系为三维坐标系,z轴是相机的主光轴,相机坐标系在z轴的投影为像坐标系,图像物理坐标系在像坐标系的基础上,将单位从距离转化成像素数;
相机坐标系和图像物理坐标系的转换关系为:
其中,fx,fy,cx,cy为线性变换系数;
对x,y进行归一化处理:
计算可得转换方程为:
u=fx·x′+cx
v=fy·y′+cy
其中,u和v为图像物理坐标系的横纵坐标;
S2:建立非畸变相机坐标系(x1,y1)与畸变相机坐标系(x2,y2)的转换关系:
S3:根据步骤1,将非畸变相机坐标系(x1,y1)和畸变相机坐标系(x2,y2)转化为非畸变图像物理坐标系(u,v)和畸变图像物理坐标系(u′,v′):
u=fx·x1+cx,v=fy·y1+cy
u′=fx·x2+cx,v′=fy·y2+cy
S4:联立S2和S3方程,得到非畸变图像物理坐标系(u,v)与畸变图像物理坐标系(u′,v′)的转换关系;
S5:计算非畸变图像物理坐标系中像素点Qi(ui,vi)对应的畸变图像物理坐标系一点Q′i(u′i,v′i),并判断u′i,v′i是否为整数;若为整数,则(ui,vi)处灰度值f(ui,vi)=f(u′i,v′i),跳转到S9;若不为整数,转到S6;
S7:计算Q′i点(u′,v′)在畸变图像中邻近的16个像素点灰度平均值:
有
(u′im,v′im),m∈[1,16]
若满足
则
f(ui,vi)=f(u′im,v′im)
S8:在原畸变图像像素点坐标不变的前提下,对畸变图像进行边缘扩展,其插值过程如图6所示,Q′i点(u′i,v′i)在畸变图像中邻近的四个像素点分别为:
P11(u′i1,v′i1),P12(u′i1,v′i2),P21(u′i2,v′i1),P22(u′i2,v′i2)
外对角线的四个像素点分别为:
R1(u′i3,v′i3),R2(u′i3,v′i4),R3(u′i4,v′i3),R4(u′i4,v′i4)
则Q′i点(u′i,v′i)的像素值:
f(u′i,v′i)=pg(i)+(1-p)h(i)
其中,
g(i)=f(u′i1,v′i1)·w11+f(u′i1,v′i2)·w12+f(u′i2,v′i1)·w21+f(u′i2,v′i2)·w22
w11=(u′i2-u′)(v′i2-v′),w12=(u′i2-u′)(v′-v′i1),w21=(u′-u′i1)(v′i2-v′),w22=(u′-u′i1)(v′-v′i1)
h(i)=f(u′i3,v′i3)·w33+f(u′i3,v′i4)·w34+f(u′i4,v′i3)·w43+f(u′i4,v′i4)·w44
w33=(u′i4-u′)(v′i4-v′),w34=(u′i4-u′)(v′-v′i3),w43=(u′-u′i3)(v′i4-v′),w44=(u′-u′i3)(v′-v′i3)
其中,Δσ12为邻近四个像素点灰度值标准差与畸变图像灰度值标准差之差,Δσ34为外对角线的四个像素点灰度值标准差与畸变图像灰度值标准差之差;
S9:重复S5,直到遍历非畸变图像所有像素点,得到非畸变图像I。
步骤6:红外热成像部分接收当前旋转速度和激光激励功率,计算出发热条应该保持的温度和旋转速度,过程如下:
步骤6.1:通过分析温度场分布信息,计算出发热条应该保持的温度和旋转速度,具体计算方式如下:
其中,Vr为解算出的不依靠流体电机转动的速度,Vf为蛇形机器人流体作用下前进的速度,V0为在类似弗朗西斯水轮结构受流体推动而产生的旋转速度,k为管道和运输物质的综合热力学性质,由其材料本身性质决定,S2为当前热成像灰度值的方差,为热成像灰度值的方差阈值,小于本值认为激励均匀,T0为在管道起点处测出的最适温度,T为解算出的发热条应该保持的温度,P为当前热激励的功率,由其材料本身性质决定,T0为在管道起点处测出的最适温度,为目前管道的平均温度,σ为斯武藩常数;
步骤6.2:将计算出的温度和旋转速度值发送给激光激励部分,激光激励部分的激励控制器控制发热条的功率和电机的转速,使受激励程度始终均匀且保持在最适温度。
步骤7:激光激励部分接收来自热成像部分发热条应该保持的温度和旋转速度数据,并按照此数据,用PID算法进而控制发热条功率和旋转速率保持稳定;
步骤8:重复步骤4至步骤7,直到运动到管道终点,完成管道缺陷数据的采集。
Claims (10)
1.一种基于红外热成像的管道缺陷检测数据收集装置,其特征在于,由红外热成像、激光激励和供电三个部分按顺序通过双头螺柱连接而成。
2.根据权利要求1所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:所述红外热成像部分包括:成像控制器、成像外壳、密封挡板和多个热成像摄像头;所述成像外壳的一端开设槽孔,用于安装成像控制器,成像外壳的另一端与密封挡板封闭连接;所述成像外壳中部外侧均匀开设有与热成像摄像头个数相同的凹槽,用于安装热成像摄像头;
所述成像外壳的另一端加工有法兰盘,与密封挡板封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性,在密封挡板外侧套有驱动皮碗;所述驱动皮碗的尺寸刚好与管道内壁贴合。
3.根据权利要求2所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:所述成像控制器内置惯性测量单元,通过对速度进行测量实现定位,从而使热成像数据对应位置数据。
4.根据权利要求1所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:所述激光激励部分由动力部分、激励部分和激励控制器组成;
所述动力部分由动力外壳和电机组成;所述动力外壳的一端设置有刚好放入电机的凹型槽,用于安装电机;所述电机的轴通过键连接的方式与激励部分相连接;
所述激励部分由激励外壳和多个发热条组成;所述激励外壳的一端设置有与电机轴键连接的孔,另一端安装激励控制器;所述激励外壳的中部外侧均匀开设有与发热条数量相同的凹槽,用于安装发热条;
所述激励外壳仿照弗朗希斯水轮机结构,均匀设置有多个条形凸起,与安装发热条的凹槽交错分布。
5.根据权利要求4所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:所述安装发热条的凹槽内部位置环绕一圈隔热材料,避免发热条对控制器造成影响。
6.根据权利要求1所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:所述供电部分由供电外壳、密封挡板和电池组成;
所述供电外壳的一端开设凹槽用于安装电池,另一端与密封挡板封闭连接;
所述供电外壳的另一端加工有法兰盘,与密封挡板封闭连接时在密封挡板与法兰盘接触面上设置有密封圈凹槽,放置O型圈来确保机器人内部的密封性,在密封挡板外侧套有驱动皮碗;所述驱动皮碗的尺寸刚好与管道内壁贴合。
7.根据权利要求1所述的基于红外热成像的管道缺陷检测数据收集装置,其特征在于:为了避免激光激励部分产生的温度对红外热成像部分和供电部分造成影响,在激光激励部分两侧分别放置隔离碳板,在隔离碳板的中间开孔,将隔离碳板固定在所述双头螺柱上。
8.采用上述权利要求1-7所述的基于红外热成像的管道缺陷检测数据收集装置进行管道缺陷检测数据收集的方法,其特征在于,包括如下步骤:
步骤1:开启待检管道发球筒入口处闸门,将装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人置入其中,关闭待检管道发球筒入口处闸门,半开启待检管道发球筒出口处闸门,待运输介质完全填充入待检管道后,关闭待检管道出口处闸门;
步骤2:基于红外热成像的管道缺陷检测数据收集装置的激励部分开始以任意恒定速度旋转,并以任意恒定功率,对管道进行热激励,同时红外热成像部分对管道进行热成像,找出对于本管道材料和运输物质的最适管道温度;
步骤3:完全开启待检管道发球筒出口处闸门,由驱动皮碗受运输介质流体的推动作用装有基于红外热成像的管道缺陷检测数据收集装置的蛇形管道内检测机器人开始随运输物质流体推动,由起点向终点运动;
步骤4:在运动过程中,激光激励部分的发热条向管道辐射热量,同时在管道内流体对激励外壳上设置的类似弗朗希斯水轮机结构的凸起的推动作用下进行旋转,从而对管道均匀辐射,并且向红外热成像部分发送当前旋转速度和激光激励功率;
步骤5:红外热成像部分对管道内温度场进行成像,并周期性校准惯性测量单元,过程如下:
步骤5.1:把行程数据与成像的温度场数据对应;
步骤5.2:以焊缝基准为惯性测量单元测得的距离来校准,公式如下:
其中,Xv为通过视觉算法最终解算出的行程数据,Xvk为第k个摄像头通过视觉算法解算出的行程数据,m为摄像头总个数,n为已经经过的焊缝的数量,d为相邻两焊缝之间的距离,h为摄像头到管壁的距离,θ为摄像头最大视角,L为在所成像中轴向像素点总个数,Ln为第n焊缝在所成像中轴向坐标,单位为像素点数,该坐标系以成像的温度场数据的左上角为原点,以一个像素点大小为坐标系单位长度;
步骤6:红外热成像部分接收当前旋转速度和激光激励功率,计算出发热条应该保持的温度和旋转速度,过程如下:
步骤6.1:通过分析温度场分布信息,计算出发热条应该保持的温度和旋转速度,具体计算方式如下:
其中,Vr为解算出的不依靠流体电机转动的速度,Vf为蛇形机器人流体作用下前进的速度,V0为在类似弗朗西斯水轮结构受流体推动而产生的旋转速度,k为管道和运输物质的综合热力学性质,由其材料本身性质决定,S2为当前热成像灰度值的方差,为热成像灰度值的方差阈值,小于本值认为激励均匀,T0为在管道起点处测出的最适温度,T为解算出的发热条应该保持的温度,P为当前热激励的功率,由其材料本身性质决定,T0为在管道起点处测出的最适温度,为目前管道的平均温度,σ为斯武藩常数;
步骤6.2:将计算出的温度和旋转速度值发送给激光激励部分,激光激励部分的激励控制器控制发热条的功率和电机的转速,使受激励程度始终均匀且保持在最适温度;
步骤7:激光激励部分接收来自热成像部分发热条应该保持的温度和旋转速度数据,并按照此数据,用PID算法进而控制发热条功率和旋转速率保持稳定;
步骤8:重复步骤4至步骤7,直到运动到管道终点,完成管道缺陷数据的采集。
9.根据权利要求8所述的方法,其特征在于,所述步骤2的过程如下:
步骤2.1:激励部分将管道从初始温度Tmin加热到可达到的最高温度Tmax;
步骤2.2:加热的过程中,红外热成像部分对管道温度场检测成像,将多个热成像摄像头得到的图像输入到成像控制器;
步骤2.3:控制器对图像进行分析,通过已知有缺陷带与无缺陷带边缘温度场分布数据关系,找到缺陷边界差距最大的管道温度,作为对于本管道材料和运输材料的最适管道温度,公式如下:
其中,ξ为缺陷边界的明显程度,用于衡量是否为最佳激励温度,Txy为缺陷边界像素点的温度,Tx'y'为缺陷边界像素点沿以该点所在曲率圆半径相邻像素点的温度,Cn为缺陷的闭合边界。
10.根据权利要求8所述的方法,其特征在于,所述步骤5还包括在周期性校准惯性测量单元前对图像进行去畸变处理,过程如下:
S1:构造相机坐标系和图像物理坐标系的转换方程;
热像仪采集到的图像为灰度图,图像通道数为1,相机坐标系为图像物理坐标系为其中,相机坐标系为三维坐标系,z轴是相机的主光轴,相机坐标系在z轴的投影为像坐标系,图像物理坐标系在像坐标系的基础上,将单位从距离转化成像素数;
相机坐标系和图像物理坐标系的转换关系为:
其中,fx,fy,cx,cy为线性变换系数;
对x,y进行归一化处理:
计算可得转换方程为:
u=fx·x′+cx
v=fy·y′+cy
其中,u和v为图像物理坐标系的横纵坐标;
S2:建立非畸变相机坐标系(x1,y1)与畸变相机坐标系(x2,y2)的转换关系:
S3:根据步骤1,将非畸变相机坐标系(x1,y1)和畸变相机坐标系(x2,y2)转化为非畸变图像物理坐标系(u,v)和畸变图像物理坐标系(u′,v′):
u=fx·x1+cx,v=fy·y1+cy
u′=fx·x2+cx,v′=fy·y2+cy
S4:联立S2和S3方程,得到非畸变图像物理坐标系(u,v)与畸变图像物理坐标系(u′,v′)的转换关系;
S5:计算非畸变图像物理坐标系中像素点Qi(ui,vi)对应的畸变图像物理坐标系一点Q′i(u′i,v′i),并判断u′i,v′i是否为整数;若为整数,则(ui,vi)处灰度值f(ui,vi)=f(u′i,v′i),跳转到S9;若不为整数,转到S6;
S7:计算Q′i点(u′,v′)在畸变图像中邻近的16个像素点灰度平均值:
有
(u′im,v′im),m∈[1,16]
若满足
则
f(ui,vi)=f(u′im,v′im)
S8:在原畸变图像像素点坐标不变的前提下,对畸变图像进行边缘扩展,Q′i点(u′i,v′i)在畸变图像中邻近的四个像素点分别为:
P11(u′i1,v′i1),P12(u′i1,v′i2),P21(u′i2,v′i1),P22(u′i2,v′i2)
外对角线的四个像素点分别为:
R1(u′i3,v′i3),R2(u′i3,v′i4),R3(u′i4,v′i3),R4(u′i4,v′i4)
则Q′i点(u′i,v′i)的像素值:
f(u′i,v′i)=pg(i)+(1-p)h(i)
其中,
g(i)=f(u′i1,v′i1)·w11+f(u′i1,v′i2)·w12+f(u′i2,v′i1)·w21+f(u′i2,v′i2)·w22
w11=(u′i2-u′)(v′i2-v′),w12=(u′i2-u′)(v′-v′i1),w21=(u′-u′i1)(v′i2-v′),w22=(u′-u′i1)(v′-v′i1)
h(i)=f(u′i3,v′i3)·w33+f(u′i3,v′i4)·w34+f(u′i4,v′i3)·w43+f(u′i4,v′i4)·w44
w33=(u′i4-u′)(v′i4-v′),w34=(u′i4-u′)(v′-v′i3),w43=(u′-u′i3)(v′i4-v′),w44=(u′-u′i3)(v′-v′i3)
其中,Δσ12为邻近四个像素点灰度值标准差与畸变图像灰度值标准差之差,Δσ34为外对角线的四个像素点灰度值标准差与畸变图像灰度值标准差之差;
S9:重复S5,直到遍历非畸变图像所有像素点,得到非畸变图像I。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436716.6A CN112986330A (zh) | 2021-04-22 | 2021-04-22 | 基于红外热成像的管道缺陷检测数据收集装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436716.6A CN112986330A (zh) | 2021-04-22 | 2021-04-22 | 基于红外热成像的管道缺陷检测数据收集装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112986330A true CN112986330A (zh) | 2021-06-18 |
Family
ID=76339850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436716.6A Pending CN112986330A (zh) | 2021-04-22 | 2021-04-22 | 基于红外热成像的管道缺陷检测数据收集装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986330A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0763154A (ja) * | 1993-08-26 | 1995-03-07 | Hitachi Ltd | 可変速水車発電装置及び可変速水車の運転方法 |
US20020190060A1 (en) * | 2000-09-29 | 2002-12-19 | Masaru Imai | Image heating and image forming device |
JP2008145298A (ja) * | 2006-12-11 | 2008-06-26 | Tohoku Electric Power Engineering & Construction Co Ltd | 水車構造物の三次元欠陥検査装置 |
KR20150069053A (ko) * | 2013-12-12 | 2015-06-23 | 한국표준과학연구원 | 적외선 열화상 검출기를 이용한 물성 측정장치, 측정방법, 물성 평가시스템 및 평가방법 |
CN105372263A (zh) * | 2015-12-14 | 2016-03-02 | 昆明理工大学 | 一种电涡流加热式管道缺陷红外成像检测装置及检测方法 |
WO2021003907A1 (zh) * | 2019-07-09 | 2021-01-14 | 苏交科集团股份有限公司 | 一种主动激励的焊缝缺陷红外智能检测系统及方法 |
CN216117426U (zh) * | 2021-04-22 | 2022-03-22 | 东北大学 | 基于红外热成像的管道缺陷检测数据收集装置 |
-
2021
- 2021-04-22 CN CN202110436716.6A patent/CN112986330A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0763154A (ja) * | 1993-08-26 | 1995-03-07 | Hitachi Ltd | 可変速水車発電装置及び可変速水車の運転方法 |
US20020190060A1 (en) * | 2000-09-29 | 2002-12-19 | Masaru Imai | Image heating and image forming device |
JP2008145298A (ja) * | 2006-12-11 | 2008-06-26 | Tohoku Electric Power Engineering & Construction Co Ltd | 水車構造物の三次元欠陥検査装置 |
KR20150069053A (ko) * | 2013-12-12 | 2015-06-23 | 한국표준과학연구원 | 적외선 열화상 검출기를 이용한 물성 측정장치, 측정방법, 물성 평가시스템 및 평가방법 |
CN105372263A (zh) * | 2015-12-14 | 2016-03-02 | 昆明理工大学 | 一种电涡流加热式管道缺陷红外成像检测装置及检测方法 |
WO2021003907A1 (zh) * | 2019-07-09 | 2021-01-14 | 苏交科集团股份有限公司 | 一种主动激励的焊缝缺陷红外智能检测系统及方法 |
CN216117426U (zh) * | 2021-04-22 | 2022-03-22 | 东北大学 | 基于红外热成像的管道缺陷检测数据收集装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108828059B (zh) | 电磁多场耦合缺陷综合检测评价方法及装置 | |
US20190086365A1 (en) | Two-stage corrosion under insulation detection methodology and modular vehicle with dual locomotion sensory systems | |
CA2630050C (en) | Pulsed eddy current pipeline inspection system and method | |
US6456066B1 (en) | Eddy current pipeline inspection device and method | |
CN204405601U (zh) | 一种管道缺陷检测装置 | |
US20210018426A1 (en) | Metal loss determinations based on thermography machine learning approach for insulated structures | |
CN216117426U (zh) | 基于红外热成像的管道缺陷检测数据收集装置 | |
CN109765292B (zh) | 一种管道缺陷精准定位方法 | |
CN111024805B (zh) | 一种钢轨表面伤损漏磁检测装置及方法 | |
CN111981242A (zh) | 一种管道泄漏检测机器人 | |
WO2021092135A1 (en) | Robotic inspection device for tank and pipe inspections | |
CN112986330A (zh) | 基于红外热成像的管道缺陷检测数据收集装置及方法 | |
CN116818884B (zh) | 一种换热管涡流热成像内检装置及方法 | |
RU2697007C1 (ru) | Устройство внутритрубной диагностики технического состояния трубопровода | |
CN109358058A (zh) | 管道状态检测系统和方法 | |
KR101346309B1 (ko) | 비파괴 검사를 수행하는 초음파 검사장치 | |
US11480548B2 (en) | Acoustic inspection device and method of operation | |
CN110702787A (zh) | 大型储罐底板腐蚀浸入式声学全域检测方法 | |
CN109764800A (zh) | 一种基于涡流热成像阵列的管道腐蚀壁厚检测系统 | |
WO2023055230A1 (en) | An automated inspection apparatus for nondestructive inspection of welds on pipes for detecting one or more anomalies in pipes | |
Tao et al. | Development of magnetic flux leakage pipe inspection robot using hall sensors | |
CN110514734B (zh) | 一种复合磁场磁光成像无损检测系统及方法 | |
CN210322886U (zh) | 一种管道缺陷精准定位装置 | |
CN209264626U (zh) | 一种用于钢板内部缺陷成像的阵列式电磁多维度检测系统 | |
Zhou et al. | Structural Optimization and Simulation of a Magnetic Leak Detection Device for Streak-like Defects in Oil Pipes |
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 |