CN113284109A - 管道缺陷识别方法、装置、终端设备及存储介质 - Google Patents

管道缺陷识别方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN113284109A
CN113284109A CN202110574408.XA CN202110574408A CN113284109A CN 113284109 A CN113284109 A CN 113284109A CN 202110574408 A CN202110574408 A CN 202110574408A CN 113284109 A CN113284109 A CN 113284109A
Authority
CN
China
Prior art keywords
pipeline
point cloud
defect identification
pipeline defect
identification result
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
CN202110574408.XA
Other languages
English (en)
Other versions
CN113284109B (zh
Inventor
尤伟军
王亮
李聪
袁东辉
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.)
China Construction Third Engineering Bureau Shenzhen Co Ltd
Original Assignee
China Construction Third Engineering Bureau Shenzhen 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 China Construction Third Engineering Bureau Shenzhen Co Ltd filed Critical China Construction Third Engineering Bureau Shenzhen Co Ltd
Priority to CN202110574408.XA priority Critical patent/CN113284109B/zh
Publication of CN113284109A publication Critical patent/CN113284109A/zh
Application granted granted Critical
Publication of CN113284109B publication Critical patent/CN113284109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G06T15/205—Image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明属于地下管道缺陷检测技术领域，提供一种管道缺陷识别方法、装置、终端设备及存储介质，该管道缺陷识别方法包括：通过获取管道的深度图像、彩色图像和空间轨迹信息，确定深度图像的三维点云数据，根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果，通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果，根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级，即通过结合深度图像的三维点云数据以及彩色图像的双重管道缺陷识别结果，进而确定管道缺陷等级，实现了管道缺陷的自动检测识别，弥补人工检测精度差、主观性强的不足，提高了管道缺陷识别的准确率，同时提高了识别效率。

Description

管道缺陷识别方法、装置、终端设备及存储介质
技术领域
本发明属于地下管道缺陷检测技术领域，尤其涉及一种管道缺陷识别方法、装置、终端设备及存储介质。
背景技术
地下管网是城市重要的基础设施，是保障城市功能正常运行的生命线。地下管道建成使用过程中，会受到各种连续或间断的物理、化学、生物作用，往往会产生不同程度的缺陷。其中，管道缺陷可分为两大类：结构性缺陷和功能性缺陷。结构性缺陷是指管道结构本体遭受损伤，影响管道强度、刚度和使用寿命的缺陷；功能性缺陷是指导致管道过水断面发生变化，影响畅通性能的缺陷。管道结构性缺陷可分为破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏；管道功能性缺陷分为沉积、结垢、障碍物等。
目前在工程中广泛使用的管道检测方法主要包括电视检测、声纳检测、管道潜望镜检测和传统的人工检测方法，需要人工对拍摄的视频和图片进行辨读，效率底下，费时费力，容易错漏缺陷，且无法对缺陷的大小、范围进行精确的量化，无法对管道缺陷进行识别。
发明内容
有鉴于此，本发明实施例提供了管道缺陷识别方法、装置、终端设备及存储介质，以解决现有技术中管道缺陷识别准确率低和效率低的问题。
本发明实施例的第一方面提供了一种管道缺陷识别方法，包括：
获取管道的深度图像、彩色图像和空间轨迹信息；
确定深度图像的三维点云数据；
根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果；
通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果；
根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级。
本发明实施例的第二方面提供了一种管道缺陷识别装置，包括：
获取模块，用于获取管道的深度图像、彩色图像和空间轨迹信息；
三维重建模块，用于确定深度图像的三维点云数据；
第一识别模块，用于根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果；
第二识别模块，用于通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果；
等级确定模块，用于根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述管道缺陷识别方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述管道缺陷识别方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
在本发明中，通过获取管道的深度图像、彩色图像和空间轨迹信息，确定深度图像的三维点云数据，根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果，通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果，根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级，即通过结合深度图像的三维点云数据以及彩色图像的双重管道缺陷识别结果，进而确定管道缺陷等级，实现了管道缺陷的自动检测识别，弥补人工检测精度差、主观性强的不足，提高了管道缺陷识别的准确率，同时提高了识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的管道缺陷识别方法的硬件装置结构示意图；
图2是本发明实施例的管道缺陷识别方法的实现流程图；
图3是本发明实施例的管道缺陷识别方法的流程示意图；
图4是本发明实施例提供的管道缺陷识别装置的结构示意图；
图5是本发明实施例提供的终端设备的硬件结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
在本发明实施例中，流程的执行主体为终端设备，该终端设备包括但不限于笔记本电脑、计算机、服务器、平板电脑以及智能手机等具有软件开发功能的终端设备。特别地，该终端设备执行本发明实施中的流程时能够用于为原生应用提供桌面应用的承载功能或前端界面的展示，为桌面应用提供界面组装框架。
进一步地，图1为本发明实施例的管道缺陷识别方法的硬件装置结构示意图，其中，硬件包括1-深度相机、2-多自由度机械臂、3-电源及主板、4-轮胎、5-爬行机器人底盘、6-信号传输线、7-收线轮、8-显示屏、9-被检测管道。
进一步地，爬行机器人用于通过人员的遥控在被检测管道内部移动，深度相机装载在爬行机器人的多自由度机械臂，多自由度机械臂可用于调整深度相机的拍摄角度，随着爬行机器人移动，深度相机可以采集到被检测管道内部不同位置的彩色图像和深度图像；爬行机器人还装载了惯性测量单元和高性能图形处理器，惯性测量单元用于实时获取爬行机器人在被检测管道内部移动过程中的空间位置信息，高性能图形处理器包括三维点云几何特征提取运算、基于深度学习的图像识别算法和其他相关图像算法，可以实现对被检测管道内部的图像进行三维重建，实时生成被检测管道内部的三维点云，同时，信号传输线通过收线轮传输所采集到的彩色图像、深度图像以及三维点云等数据，操作人员可以通过显示屏展示采集的彩色图像、深度图像以及实时观察到三维点云生成的过程；电源及主板配置有供电电源；显示屏可以是平板电脑，可以是手机，也可以是笔记本电脑。
进一步地，如图2所示，为本发明实施例的管道缺陷识别方法的实现流程图，具体包括：
S201、清理管道。
具体地，管道清理方式可以包括但不限于化学清洗和物理清洗，其中，化学清洗是采用化学药剂和一定的工艺手段对工业设备、管道容器等进行除油、除锈除垢、除焦碳等清洗过程，物理清洗可以是高压水射流清洗管道，或者PIG(由特殊的聚氨酯材料制成的清洗材料)物理管道清洗。
S202、用线材连接显示屏和爬行机器人。
S203、控制爬行机器人前进移动方向。
其中，地面上的操作人员将爬行机器人放入管道内部，并通过遥控来控制爬行机器人前进，或者通过控制显示屏的触控功能，来遥控爬行机器人。
S204、检测爬行机器人是否到达被检测管道的目标终点检查井。
若到达被检测管道的目标终点检查井，则执行S205，否则执行S207。具体地，在这个过程中，获得的管道内部的三维点云数据不断增长，直至形成完整的管道三维点云。之后使用三维点云数据构建三角网表面模型，并展示在显示屏上。
S205、将爬行机器人放入被检测管道内部，启动数据采集装置，并记录采集数据。
其中，数据采集装置包括三维激光扫描装置、深度相机以及惯性测量单元，其中，三维激光扫描装置利用激光测距，记录被检测管道内部表面大量密集点的信息，包括三维坐标、纹理、反射率等，可快速地重建出被检测管道的三维模型以及线、面、体等各种点云数据，惯性测量单元用于测量被检测管道的高程和爬行机器人的空间轨迹信息，采集数据包括深度图像、彩色图像、点云数据以及空间位置信息，并将采集数据存储在安装在爬行机器人的硬盘里。
进一步的，通过高性能图形处理器对采集数据进行缺陷识别，得到缺陷识别结果。
S206、显示屏展示采集数据以及采集数据对应的缺陷识别结果。
显示屏展示爬行机器人在被检测管道内部拍摄的前视图像(深度图像和彩色图像)、被检测管道内部的三维点云的生成过程、惯性测量单元在被检测管道内部的实时轨迹。
S207、回收爬行机器人。
具体地，将爬行机器人和线材分离，并进行回收。或通过控制遥控，将爬行机器人返回始发检查井。
S208、生成检测报告。
在显示屏上显示缺陷识别结果，并将缺陷识别结果中包括的缺陷类型、位置、等级等信息标注在被检测管道的三维模型上，并自动生成检测报告。
继续参考图3，图3为本发明实施例的管道缺陷识别方法的流程示意图，详述如下：
S301、获取管道的深度图像、彩色图像和空间轨迹信息。
具体地，采用深度相机采集深度图像和彩色图像，采用惯性测量单元获取空间轨迹信息。其中，深度相机可以包括但不限于结构光深度相机、时间飞行法深度相机或者双目立体深度相机。
其中，深度图像(depth image)也被称为距离影像(range image)，是指将从图像采集器(例如深度相机)到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状，即深度图像是物体的三维表示形式。在本发明实施例中，通过深度相机获取管道内部的深度图像，即获取的是管道内部表面的几何形状，即管道内壁结构。
需要说明的是，每一深度图像对应一张彩色图像，即每个管道的同一位置采集的图像包括一张深度图像和彩色图像。
可选地，通过信号传输线将深度图像和彩色图像传输到显示屏时，操作员依据深度图像和彩色图像这两种类型图像进行人工初步判断管道内部缺陷问题，避免单一类型图像影响人工检测效果，提高检测的效率。
进一步地，空间轨迹信息的获取包括：
采用惯性测量方式实时获取管道的空间轨迹信息，其中，空间轨迹信息包括管道的空间起始位置信息和管道的内部空间位置信息。
惯性测量方式采用的是惯性测量单元(Inertial Measurement Unit，简称IMU)和计算单元。通过IMU感知物体方向、姿态等变化信息，再经过各种转换、补偿计算得到更准确的信息，比如检测物体的初始位置、初始朝向、初始姿态以及每一刻朝向、角度的改变，通过计算单元推算出物体当前的朝向和位置。因此，通过惯性测量单元测量得到管道的空间起始位置信息，起始位置信息可以用坐标(x，y，z)表示，管道的内部空间位置信息包括管道高程信息和爬行机器人当前的空间位置信息。管道高层信息表示管道内部的某一参考点到管道顶部的某一点的距离，爬行机器人当前的空间位置信息可以是以管道的空间起始位置信息为原点，并以该原点建立坐标系，通过惯性测量单元和该坐标系计算得到该空间位置信息。
S302、确定深度图像的三维点云数据。
深度图像可以通过预设的内外参矩阵变换公式将深度图像中各像素点的坐标转换计算为三维点云数据，如公式(1)所示：
Figure BDA0003083753490000071
其中，x，y，z是三维点云数据的坐标，x'，y'是深度图像像素点的坐标，D为深度图像的深度值。
或者采用三维重建算法将深度图像转换为三维点云数据，例如，卷积神经网络。
在本发明实施例中，为了更直观地体现不同时间点的三维点云之间的变化情况，还可以采用如下：
从三维点云数据中选定第一点云和第二点云，其中，第一点云和第二点云在同一坐标系，第一点云的获取时间早于第二点云的时间；
对第二点云中的任意第一坐标点，确定距离第一点云中最近的第二坐标点，以及该第二坐标点与第一点云的第一距离；
将第一坐标点和第二坐标点确定为第一坐标点和第二点云的第二距离；
对第一距离和第二距离进行渲染。
具体地，通过本发明所述的设备，可以获得不同时间点的管道内壁的三维点云数据。通过对比不同时间点的管道内壁的三维点云数据，可以实现对管道结构和功能状况的监测，进而提高了管道缺陷的检测效率。
例如，将较早时间的管道内壁的三维点云数据记作第一点云(此处用点云A表示)，较晚时间的三维点云数据记作第二点云(此处用点云B表示)。
进一步地，将点云A和点云B放在同一坐标系下，对点云B中的任意一个第一坐标点(此处用点P1表示)，寻找点云A中距离最近的第二坐标点(此处用点P2表示)，并将点云A和点P2的距离，即第二坐标点与第一点云的第一距离标记为第一距离，将点P1和点P2的距离作为点P1和点云B，也就是将第一坐标点和第二坐标点确定为第一坐标点和第二点云的第二距离。
进一步地，比较第一距离和第二距离的方式还可以是使用管道原有的直径信息和管道的设计轴线，通过人工建立出未发生缺陷的管道的三维模型，并在该三维模型的同一坐标系中，计算已发生缺陷的管道的三维点云数据中的每一个点云距离未发生缺陷的管道的点云的距离。
进一步地，采用渲染方式可以直观地两个不同时期的三维点云数据的区别，进而实现对管道内壁结构和功能状况的检测。
其中，渲染方式可以使用不同的颜色对不同距离进行渲染，便于操作人员能直观观察到三维点云数据的变化，进而实现对管道内部的准确检测。
S303、根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果。
具体地，第一管道缺陷识别结果管可分为两大类：结构性缺陷和功能性缺陷。管道结构性缺陷可分为破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱落、支管暗接、异物穿入、渗漏中的任意一种以上；管道功能性缺陷分为沉积、结垢、障碍物等。
将三维点云数据进行预处理；
将预处理后的三维点云数据与空间起始位置信息进行位置对准；
将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果。
其中，预处理是指对管道内壁的三维点云数据进行降采样，例如，可以采用PCA(Principle Component Analysis主成分分析)方法对三维点云数据进行降维，或者双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波等方法去除三维点云数据中的大量散列点、孤立点，从而降低部分数据量，使三维点云数据密度较为平均，有利于提高缺陷识别的准确率。
进一步地，将降维后的三维点云数据与空间起始位置信息进行位置对准，通过旋转、缩放、平移，使得管道内壁的三维点云数据进行坐标对准，从而定位到实际三维空间上的位置，降低管道缺陷检测的测量误差。
利用计算机图像处理技术，将管道内壁三维点云数据在管道内壁空间中拟合管道的中轴线，并将拟合出来的中轴线和实际工程设计上的标准中轴线进行对比，从而可以判断管道是否发生起伏和偏移等管道结构性缺陷特点。
进一步地，将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果包括：
根据三维点云数据和管道的内部空间位置信息，拟合得到管道的中轴线；
将中轴线和预设中轴线进行对比，确定第一管道缺陷识别结果；
根据中轴线和三维点云数据，获取管道的横截面积变化值；
根据横截面积变化值，确定第一管道缺陷识别结果；
计算三维点云数据的点云曲率，以确定第一管道缺陷识别结果。
将管道的内部空间位置信息中的管道高程信息和爬行机器人当前的空间位置信息，利用计算机图像处理技术，拟合得到管道的中轴线。
进一步地，依据管道中轴线，在中轴线上依次选择两个相邻较近的三维点云数据，例如分别记为点云A’和点云B’。通过点云A’的坐标和点云B’的坐标，计算云A’和点云B’之间的距离为X，过点云A’和点云B’的两点分别做管道中轴线的垂直面，选取这两个面之间的三维点云数据，拟合这部分三维点云数据的外轮廓，并获得外轮廓的体积，可表示体积为V，则管道的横截面积S可近似认为是V/X。
进一步地，重复以上步骤，可依次得到不同相邻较近的三维点云数据所对应的管道横截面积，通过观察管道的横截面积随管道的三维点云数据坐标的变化，可以判断管道是否发生变形和腐蚀。
进一步地，为获得管道内壁三维点云的曲率图，遍历所有三维点云数据，在每个三维点云数据周围均匀地选取N1个点，N1为正整数，如果通过这N1个点利用最小二乘法拟合一个二次曲面。该二次曲面的方程如公式(2)所示：
a11x2+a22y2+a33z2+2a12xy+2a13xz+2a23yz+2a14x+2a24y+2a34z+a44＝0 公式(2)
其中，a11～a44表示方程中待求解的常数参数，xyz分别表示二次曲面上的点所对应的坐标。
记k1和k2为二次曲面在所选择的点处的主曲率。过二次曲面上某个点具有无穷个曲线，也就存在无穷个曲率，其中极大值记为主曲率k1，极小值记为主曲率k2。两个主曲率的乘积k1k2是高斯曲率K，而平均值(k1+k2)/2是平均曲率H。
根据上述二次曲面的方程，可以认为二次曲面在该三维点云数据的点云曲率为管道内壁三维点云数据该点的点云曲率，在本发明实施例中，点云曲率可以使用平均曲率H，也可以使用高斯曲率K。进一步地，设置阈值M1，M2，在点云曲率大于M1的三维点云数据所在的点的周围选择N2个点，若此时得到的二次曲面的点云曲率大于M1的三维点云数据的数目超过M2个，则判断管道内壁发生破裂，存在管道的裂缝。
进一步地，对视作发生了破裂的三维点云数据可以使用KD-tree临近搜索算法进行聚类，进而获得管道内壁三维点云数据中全部的破裂信息。对每一个聚类得到的管道破裂处，选择距离管道检测始发井最近的点，输出该最近点的坐标信息，即可获得管道破裂的发生点。
需要说明的是，通过设置不同的阈值，可以实现对管道脱节、错口的缺陷识别。
在本发明实施例中，根据三维点云数据的几何特征进行缺陷识别主要包括三维点云的预处理、位置对准、中轴线拟合、横截面面积计算、点云曲率计算等步骤，使得通过三维点云数据的中轴线的拟合结果可以识别出管道起伏、错口等缺陷，通过横截面的面积计算结果可以识别出管道变形缺陷，通过点云曲率计算结果可以识别出管道破裂、裂缝等缺陷，即本发明通过上述多种解决方案来确定管道缺陷的存在，实现了对管道缺陷的不同识别分类结果，有利于后续操作员对有缺陷的管道进行精准维护和修理。
S304、通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果。
其中，第二管道缺陷识别结果的类型和第一管道缺陷识别结果一样，即包括结构性缺陷和功能性缺陷，此处不再详述。
预设的管道缺陷识别算法由特征提取算法和属性识别算法组成，其中，特征提取算法可以是高斯拉普拉斯算子检测算法(LOG)、尺度不变特征变换算法(SIFT)或者加速稳健特征算法(SURF)。属性识别算法可以是朴素贝叶斯网络、贝叶斯信念网络、随机森林、k-最近邻分类等算法。
具体地，通过特征提取算法从彩色图像中提取关键特征，关键特征是指管道内壁特征；根据提取到的关键特征经过属性识别算法，例如通过k-最近邻分类算法，将关键特征聚类到对应的缺陷类别属性中，例如，缺陷类别属性可以是管道破裂缺陷、管道变形缺陷、管道脱节缺陷等；并将输出最终的属性识别结果作为第二管道缺陷识别结果，避免了人工判断管道缺陷存在的主观性，大大减少了人力成本，从而提高了管道缺陷识别的准确率和效率。
进一步地，预设的管道缺陷识别算法的训练过程包括：
采集管道缺陷数据集，其中，管道缺陷数据集为携带缺陷标签的管道图像，缺陷标签用于标注对应管道的缺陷内容，方便后续比对初始缺陷识别模型输出结果的准确率；
将管道缺陷数据集输入到初始缺陷识别模型中，并输出缺陷分类结果，其中初始缺陷识别模型包括上述的特征提取算法对应的模型和属性识别算法对应的模型，每个模型的参数值为初始默认值；
若输出的缺陷分类结果的准确率未达到预设阈值，则调整初始缺陷识别模型，并将管道缺陷数据集重新输入到调整后的初始缺陷识别模型中进行分类，直至准确率达到预设阈值时，将此时的初始缺陷识别模型作为最终的管道缺陷识别算法中的模型，从而提高了管道缺陷识别算法的识别准确率。
S305、根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级。
由于每一深度图像对应一张彩色图像，因此第一管道缺陷识别结果和第二管道缺陷识别结果实际是针对同一管道位置进行识别处理的，因此，可结合这两种结果来判断管道缺陷的严重程度，在本实施例采用等级来表示其严重程度。
进一步地，根据预设的权重参数列表，对第一管道缺陷识别结果和第二管道缺陷识别结果分别定义不同的权重值，权重参数列表规定了各种管道缺陷对应的权重值，例如，第一管道缺陷识别结果表示为P＝[管道缺陷1，管道缺陷2，…，管道缺陷m]，Q＝[管道缺陷a，管道缺陷b，…，管道缺陷n]，其中，m和n为大于1的整数，分别对应的权重为P’＝[管道缺陷1’，管道缺陷2’，…，管道缺陷m’],Q＝[管道缺陷a’，管道缺陷b’，…，管道缺陷n’]，分别求得第一管道缺陷识别结果的权重值为α＝管道缺陷1’+管道缺陷2’+…+管道缺陷m’，第二管道缺陷识别结果的权重值为β＝管道缺陷a’+管道缺陷b’+…+管道缺陷n’；若第一管道缺陷识别结果的权重和第二管道缺陷识别结果的权重均大于预设等级阈值，则可以表示管道缺陷等级为非常严重；若第一管道缺陷识别结果的权重或第二管道缺陷识别结果的权重大于或等于预设等级阈值，则管道缺陷等级为严重；若第一管道缺陷识别结果的权重和第二管道缺陷识别结果的权重均小于预设等级阈值，则管道缺陷等级为一般严重。管道缺陷等级为严重和一般严重的说明其管道缺陷识别结果有一定的误差性，此时需要人工介入来判断最终的管道缺陷识别结果。
进一步地，将第一管道缺陷识别结果、第二管道缺陷识别结果管道缺陷以及管道缺陷等级进行可视化展示可以用包括但不限于用表格或者条状图的方式列举出对应的管道缺陷；对第一管道缺陷识别结果和第二管道缺陷识别结果存在的共同管道缺陷可以单独列出共有的管道缺陷名称或者用同一标记符进行标记；对不同管道缺陷等级进行不同颜色或形状标记，并且每一管道缺陷等级设置有对应的提示信息，例如，非常严重的缺陷等级对应的提示信息为“紧急性维护”，严重的缺陷等级对应的提示信息为“一般性维护”，一般严重的缺陷等级对应的提示信息为“有待观察”，提示信息可以根据实际需要进行设置。
本发明实施例中的可视化展示方式不局限于上述的方式，上述只是其中一个较优的方案，通过可视化的展示方式有利于直观性的展示其管道缺陷识别结果，便于操作员观察和确定维护管道决策。
在本发明实施例中，通过获取管道的深度图像、彩色图像和空间轨迹信息，确定深度图像的三维点云数据，根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果，通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果，根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级，即通过结合深度图像的三维点云数据以及彩色图像的双重管道缺陷识别结果，进而确定管道缺陷等级，实现了管道缺陷的自动检测识别，弥补人工检测精度差、主观性强的不足，提高了管道缺陷识别的准确率，同时提高了识别效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例中，还提供了一种管道缺陷识别装置，管道缺陷识别装置包括的各模块用于执行图3对应的实施例中的各步骤。具体请参阅图3对应的实施例中的相关描述。图4示出了本发明的管道缺陷识别装置的结构示意图，包括获取模块41、三维重建模块42、第一识别模块43、第二识别模块44以及等级确定模块45：
获取模块41，用于获取管道的深度图像、彩色图像和空间轨迹信息；
三维重建模块42，用于确定深度图像的三维点云数据；
第一识别模块43，用于根据三维点云数据和空间轨迹信息，确定第一管道缺陷识别结果；
第二识别模块44，用于通过预设的管道缺陷识别算法和彩色图像，确定第二管道缺陷识别结果；
等级确定模块45，用于根据第一管道缺陷识别结果和第二管道缺陷识别结果确定管道缺陷等级。
进一步地，第一识别模块43包括：
预处理单元，用于将三维点云数据进行预处理；
对准单元，用于将预处理后的三维点云数据与空间起始位置信息进行位置对准；
拟合计算单元，用于将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果。
进一步地，拟合计算单元还用于：
拟合子单元，用于根据三维点云数据和管道的内部空间位置信息，拟合得到管道的中轴线；
第一识别子单元，用于将中轴线和预设中轴线进行对比，确定第一管道缺陷识别结果；
获取子单元，用于根据中轴线和三维点云数据，获取管道的横截面积变化值；
第二识别子单元，用于根据横截面积变化值，确定第一管道缺陷识别结果；
计算子单元，用于计算三维点云数据的点云曲率，以确定第一管道缺陷识别结果。
进一步地，管道缺陷识别装置还包括：
选定模块，用于从三维点云数据中选定第一点云和第二点云，其中，第一点云和第二点云在同一坐标系，第一点云的获取时间早于第二点云的时间；
第一距离模块，用于对第二点云中的任意第一坐标点，确定距离第一点云中最近的第二坐标点，以及该第二坐标点与第一点云的第一距离；
第二距离模块，用于将第一坐标点和第二坐标点确定为第一坐标点和第二点云的第二距离；
渲染模块，用于对第一距离和第二距离进行渲染。
进一步地，管道缺陷识别装置还包括：
可视化模块，用于将第一管道缺陷识别结果、第二管道缺陷识别结果管道缺陷以及缺陷等级进行可视化展示。
其中，上述管道缺陷识别装置中各个模块/单元的功能实现与上述管道缺陷识别方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
图5是本发明一实施例提供的终端设备的示意图。如图5所示，该实施例/终端设备5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52，例如软件开发程序。所述处理器50执行所述计算机程序52时实现上述各个软件开发方法实施例中的步骤，例如图1所示的步骤S301至S305。或者，所述处理器50执行所述计算机程序52时实现上述各系统实施例中各模块/单元的功能，例如图4所示模块41至模块45的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述管道缺陷识别装置/终端设备5中的执行过程。例如，所述计算机程序52可以被分割成获取模块、执行模块、生成模块(虚拟装置中的模块)，各模块具体功能如上所述，此处不再赘述。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中，应该理解到，所揭露的系统/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的系统/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种管道缺陷识别方法，其特征在于，包括：
获取管道的深度图像、彩色图像和空间轨迹信息；
确定所述深度图像的三维点云数据；
根据所述三维点云数据和所述空间轨迹信息，确定第一管道缺陷识别结果；
通过预设的管道缺陷识别算法和所述彩色图像，确定第二管道缺陷识别结果；
根据所述第一管道缺陷识别结果和所述第二管道缺陷识别结果确定管道缺陷等级。
2.如权利要求1所述的管道缺陷识别方法，其特征在于，所述空间轨迹信息的获取包括：
采用惯性测量方式实时获取所述管道的空间轨迹信息，其中，所述空间轨迹信息包括所述管道的空间起始位置信息和所述管道的内部空间位置信息。
3.如权利要求2所述的管道缺陷识别方法，其特征在于，所述根据所述三维点云数据和所述空间轨迹信息，确定第一管道缺陷识别结果包括：
将所述三维点云数据进行预处理；
将预处理后的所述三维点云数据与所述空间起始位置信息进行位置对准；
将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果。
4.如权利要求3所述的管道缺陷识别方法，其特征在于，所述将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果包括：
根据所述三维点云数据和所述管道的内部空间位置信息，拟合得到所述管道的中轴线；
将所述中轴线和预设中轴线进行对比，确定第一管道缺陷识别结果；
根据所述中轴线和所述三维点云数据，获取所述管道的横截面积变化值；
根据所述横截面积变化值，确定第一管道缺陷识别结果；
计算所述三维点云数据的点云曲率，以确定第一管道缺陷识别结果。
5.如权利要求1所述的管道缺陷识别方法，其特征在于，所述确定所述深度图像的三维点云数据之后，所述方法还包括：
从所述三维点云数据中选定第一点云和第二点云，其中，所述第一点云和所述第二点云在同一坐标系，所述第一点云的获取时间早于所述第二点云的时间；
对所述第二点云中的任意第一坐标点，确定距离所述第一点云中最近的第二坐标点，以及该第二坐标点与所述第一点云的第一距离；
将所述第一坐标点和所述第二坐标点确定为所述第一坐标点和第二点云的第二距离；
对所述第一距离和第二距离进行渲染。
6.如权利要求1－5任意一项所述的管道缺陷识别方法，其特征在于，所述方法还包括：
将所述第一管道缺陷识别结果、所述第二管道缺陷识别结果管道缺陷以及所述缺陷等级进行可视化展示。
7.一种管道缺陷识别装置，其特征在于，包括：
获取模块，用于获取管道的深度图像、彩色图像和空间轨迹信息；
三维重建模块，用于确定所述深度图像的三维点云数据；
第一识别模块，用于根据所述三维点云数据和所述空间轨迹信息，确定第一管道缺陷识别结果；
第二识别模块，用于通过预设的管道缺陷识别算法和所述彩色图像，确定第二管道缺陷识别结果；
等级确定模块，用于根据所述第一管道缺陷识别结果和所述第二管道缺陷识别结果确定管道缺陷等级。
8.如权利要求7所述的管道缺陷识别装置，其特征在于，所述第一识别模块包括：
预处理单元，用于将所述三维点云数据进行预处理；
对准单元，用于将预处理后的所述三维点云数据与所述空间起始位置信息进行位置对准；
拟合计算单元，用于将对准后的三维点云数据进行拟合计算，以确定第一管道缺陷识别结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述管道缺陷识别方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述管道缺陷识别方法的步骤。
CN202110574408.XA 2021-05-25 2021-05-25 管道缺陷识别方法、装置、终端设备及存储介质 Active CN113284109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110574408.XA CN113284109B (zh) 2021-05-25 2021-05-25 管道缺陷识别方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110574408.XA CN113284109B (zh) 2021-05-25 2021-05-25 管道缺陷识别方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN113284109A true CN113284109A (zh) 2021-08-20
CN113284109B CN113284109B (zh) 2023-08-18

Family

ID=77281556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110574408.XA Active CN113284109B (zh) 2021-05-25 2021-05-25 管道缺陷识别方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN113284109B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331956A (zh) * 2021-11-16 2022-04-12 武汉中仪物联技术股份有限公司 管道检测方法、装置、电子设备及存储介质
CN114419038A (zh) * 2022-03-28 2022-04-29 深圳市信润富联数字科技有限公司 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
CN114882024A (zh) * 2022-07-07 2022-08-09 深圳市信润富联数字科技有限公司 目标对象的缺陷检测方法、装置、电子设备以及存储介质
CN114991298A (zh) * 2022-06-23 2022-09-02 华中科技大学 一种城市排水管道检测与清淤智能机器人及工作方法
CN115932864A (zh) * 2023-02-24 2023-04-07 深圳市博铭维技术股份有限公司 管道缺陷检测方法和管道缺陷检测装置
CN116481460A (zh) * 2023-05-26 2023-07-25 中国矿业大学 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013195119A (ja) * 2012-03-16 2013-09-30 Hitachi-Ge Nuclear Energy Ltd 放射線透過デジタル画像を用いた検査方法及びその装置
CN107085001A (zh) * 2017-04-19 2017-08-22 天津博迈科海洋工程有限公司 大型工艺管线缺陷探测方法
CN110455815A (zh) * 2019-09-05 2019-11-15 西安多维机器视觉检测技术有限公司 一种电子元器件外观缺陷检测的方法及系统
CN110726726A (zh) * 2019-10-30 2020-01-24 中南大学 一种隧道成型质量及其缺陷的定量化检测方法及系统
CN111044522A (zh) * 2019-12-14 2020-04-21 中国科学院深圳先进技术研究院 缺陷检测方法、装置及终端设备
CN111443091A (zh) * 2020-04-08 2020-07-24 中国电力科学研究院有限公司 电缆线路隧道工程缺陷判断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013195119A (ja) * 2012-03-16 2013-09-30 Hitachi-Ge Nuclear Energy Ltd 放射線透過デジタル画像を用いた検査方法及びその装置
CN107085001A (zh) * 2017-04-19 2017-08-22 天津博迈科海洋工程有限公司 大型工艺管线缺陷探测方法
CN110455815A (zh) * 2019-09-05 2019-11-15 西安多维机器视觉检测技术有限公司 一种电子元器件外观缺陷检测的方法及系统
CN110726726A (zh) * 2019-10-30 2020-01-24 中南大学 一种隧道成型质量及其缺陷的定量化检测方法及系统
CN111044522A (zh) * 2019-12-14 2020-04-21 中国科学院深圳先进技术研究院 缺陷检测方法、装置及终端设备
CN111443091A (zh) * 2020-04-08 2020-07-24 中国电力科学研究院有限公司 电缆线路隧道工程缺陷判断方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331956A (zh) * 2021-11-16 2022-04-12 武汉中仪物联技术股份有限公司 管道检测方法、装置、电子设备及存储介质
CN114419038A (zh) * 2022-03-28 2022-04-29 深圳市信润富联数字科技有限公司 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
CN114991298A (zh) * 2022-06-23 2022-09-02 华中科技大学 一种城市排水管道检测与清淤智能机器人及工作方法
CN114991298B (zh) * 2022-06-23 2023-06-06 华中科技大学 一种城市排水管道检测与清淤智能机器人及工作方法
CN114882024A (zh) * 2022-07-07 2022-08-09 深圳市信润富联数字科技有限公司 目标对象的缺陷检测方法、装置、电子设备以及存储介质
CN114882024B (zh) * 2022-07-07 2022-11-15 深圳市信润富联数字科技有限公司 目标对象的缺陷检测方法、装置、电子设备以及存储介质
CN115932864A (zh) * 2023-02-24 2023-04-07 深圳市博铭维技术股份有限公司 管道缺陷检测方法和管道缺陷检测装置
CN116481460A (zh) * 2023-05-26 2023-07-25 中国矿业大学 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法
CN116481460B (zh) * 2023-05-26 2024-05-07 中国矿业大学 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法

Also Published As

Publication number Publication date
CN113284109B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
CN113284109B (zh) 管道缺陷识别方法、装置、终端设备及存储介质
CN111044522B (zh) 缺陷检测方法、装置及终端设备
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN110874596B (zh) 一种仪表智能识别预警方法及系统
CN112198170B (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN115147723A (zh) 一种内河船舶识别与测距方法、系统、介质、设备及终端
WO2022257158A1 (zh) 基于三维动态模型检测水工隧洞缺陷的方法
CN113763562B (zh) 基于双目视觉的立面特征检测及立面特征处理方法
CN112949380B (zh) 一种基于激光雷达点云数据的智能水下目标识别系统
CN112419429A (zh) 一种基于多视角的大型工件表面缺陷检测标定方法
CN116524017B (zh) 一种用于矿山井下检测识别定位系统
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN112652020A (zh) 一种基于AdaLAM算法的视觉SLAM方法
CN114972421A (zh) 车间物料识别追踪与定位方法、系统
Zhou et al. UAV vision detection method for crane surface cracks based on Faster R-CNN and image segmentation
CN113705564B (zh) 一种指针式仪表识别读数方法
Ma et al. ROV-based binocular vision system for underwater structure crack detection and width measurement
CN116772730B (zh) 一种裂缝尺寸测量方法、计算机存储介质及系统
CN117288094A (zh) 基于激光传感器的掘进机实时定位系统
CN116452944A (zh) 一种表面裂纹识别方法及装置
CN116740036A (zh) 一种钢管管端引熄弧板切割点位检测方法和系统
Gao et al. A new method for repeated localization and matching of tunnel lining defects
Ivanovskii The Concept of Automated Draught Survey System for Marine Ships
Dong et al. An innovative method for locating the welded circular seam on the inner surface of cylinder pipeline to inspector robot

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