CN114113110B - 一种基于机器视觉的天然气管线保温层缺陷检测方法 - Google Patents

一种基于机器视觉的天然气管线保温层缺陷检测方法 Download PDF

Info

Publication number
CN114113110B
CN114113110B CN202111426120.4A CN202111426120A CN114113110B CN 114113110 B CN114113110 B CN 114113110B CN 202111426120 A CN202111426120 A CN 202111426120A CN 114113110 B CN114113110 B CN 114113110B
Authority
CN
China
Prior art keywords
natural gas
picture
heat
detected
liquefied natural
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
Application number
CN202111426120.4A
Other languages
English (en)
Other versions
CN114113110A (zh
Inventor
彭文成
许洁
孙殿魁
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.)
Bomesc Offshore Engineering Co Ltd
Original Assignee
Bomesc Offshore Engineering 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 Bomesc Offshore Engineering Co Ltd filed Critical Bomesc Offshore Engineering Co Ltd
Priority to CN202111426120.4A priority Critical patent/CN114113110B/zh
Publication of CN114113110A publication Critical patent/CN114113110A/zh
Application granted granted Critical
Publication of CN114113110B publication Critical patent/CN114113110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks

Landscapes

  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于机器视觉的天然气管线保温层缺陷检测方法，包括：布置液化天然气管线拍摄环境，拍摄待检测液化天然气管线保温层表面图片；将所得图片上传至电脑端并统计所得图片灰度值；对图片进行降噪处理；使用神经网络训练灰度阈值检测模型；识别待检测管线保温层缺陷，修复缺陷并重新送检。本发明相较于传统方法，识别效率更高，易于操作，节省人工成本。

Description

一种基于机器视觉的天然气管线保温层缺陷检测方法
技术领域
本发明涉及天然气管线保温缺陷检测方法，尤其涉及一种基于机器视觉的天然气管线保温层缺陷检测方法。
背景技术
在液化天然气的运输过程中，需要为液化天然气管线铺设保温层来保证温度变化较为缓和。保温层的质量关乎液化天然气输送的安全性。而现如今广泛采用的人工检测方法耗时耗力、效率低下，检测正确性会根据检测人员的不同和检测人员的工作状态有较大波动，为天然气管线的安全带来了隐患。
发明内容
本发明的目的在于克服已有技术的不足，提供一种基于机器视觉的天然气管线保温层缺陷检测方法。该方法通过机器视觉对待检测液化天然气管线表面保温层进行拍摄并进行分析，可以方便的识别出缺陷部分并进行反馈，减少了人工成本，提高了缺陷检测效率。
为实现上述目的，本发明采用的技术方案是：一种基于机器视觉的天然气管线保温层缺陷检测方法，其特征在于包括以下步骤：
步骤一、将待检测液化天然气管线置于暗处，调整摄像机的位置，使摄像机的镜头对准待检测液化天然气管线的一端，并将光照系统置于摄像机暗场；
步骤二、开启摄像机与照明系统，拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第一组图片，然后将待检测液化天然气管线绕其轴线旋转，再次拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第二组图片，重复上述步骤直至最后完成该段待检测液化天然气管线的保温层的整周拍摄；
步骤三、重复步骤一、二，逐段完成各段液化天然气管线的保温层的拍摄直至将整根待检测液化天然气管线保温层拍摄完成；
步骤四、将拍摄得到的每组保温层图片分别上传到电脑，统计每张保温层图片中各像素点的灰度值；
步骤五、采用图像处理模块将同一组保温层图片各像素点灰度值求平均值，去掉噪声的影响，得到与每组保温层图片对应的一张保温层新图片；
步骤六、将每一组做平均得到的保温层新图片各个像素点的灰度值输入神经网络模块，利用MLP神经网络算法进行灰度阈值预测模型的训练，得到阈值，并根据阈值对图片进行二值化处理，得到二值图片，然后在二值图片中找到缺陷区域；
步骤七、在液化天然气管线保温层缺陷检测的实际作业中，选取一根待检测管线，依次经过步骤一、二、三、四、五过程，并利用步骤六中得到的阈值进行图像二值化，然后根据二值化图像找到液化天然气管线保温层对应的缺陷位置；
步骤八、识别出缺陷后，将有缺陷的天然气管线保温层进行重新修复处理，处理完成后重新进行检验。
附图说明
图1为本发明一种基于机器视觉的天然气管线保温层缺陷检测方法的流程图；
图2为本发明步骤七第一步像素点及其相邻区域像素点示意图。
具体实施方式
下面结合附图对本发明做详细的说明：
本发明一种基于机器视觉的天然气管线保温层缺陷检测方法，包括以下步骤：
步骤一、将待检测液化天然气管线置于暗处，调整摄像机的位置，使摄像机的镜头对准待检测液化天然气管线的一端，并将光照系统置于摄像机暗场；
步骤二、开启摄像机与照明系统，拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第一组图片，然后将待检测液化天然气管线绕其轴线旋转，再次拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第二组图片，重复上述步骤直至最后完成该段待检测液化天然气管线的保温层的整周拍摄；
在该步骤中，可以在第一次拍摄完成后，将待检测液化天然气管线绕其轴线顺时针旋转90°，拍摄n张保温层图片，再次绕其轴线顺时针旋转90°后拍摄保温层图片，直至将待检测液化天然气管线一周都拍摄完成；
步骤三、重复步骤一、二，逐段完成各段液化天然气管线的保温层的拍摄直至将整根待检测液化天然气管线保温层拍摄完成。
步骤四、将拍摄得到的每组保温层图片分别上传到电脑，统计每张保温层图片中各像素点的灰度值，记为ri,j(x,y)。
其中:
x,y分别表示每张保温层图片像素点的横坐标、纵坐标；
i表示保温层图片属于第i组图片；
j表示保温层图片是该组图片的第j张；
步骤五、采用图像处理模块将同一组保温层图片各像素点灰度值求平均值，去掉噪声的影响，得到与每组保温层图片对应的一张保温层新图片，所述的保温层新图片各像素点灰度值记为
则有
步骤六、将每一组做平均得到的保温层新图片各个像素点的灰度值输入神经网络模块，利用MLP神经网络算法进行灰度阈值预测模型的训练，得到阈值ri，并根据阈值ri对图片进行二值化处理，得到二值图片，然后在二值图片中找到缺陷区域，具体过程如下：
第一步、在python中导入神经网络模块，提取一个步骤五得到的保温层新图片，将新图片各像素点的灰度值利用MPL神经网络算法进行阈值预测，得到阈值预测结果ri；
第二步、根据第一步得出的阈值ri对保温层新图片进行处理，若某像素点灰度值则将其置为255，反之则置为0，得到二值图片。
第三步、遍历二值图片各像素点，若某像素点自身灰度值且周围一圈相邻区域存在灰度为0的像素点，则该像素点为边界点，并作标记。
第四步、将边界点与其相邻的边界点相连，若有边界点无相邻边界点，则将取消标记，最终被标记的像素点所包裹的区域即为有缺陷区域。
第五步、判断得到的缺陷区域是否与实际缺陷情况相符，如果不符合，则返回第一步重新进行阈值的预测，若符合则对返回第二步对下一张图片进行阈值预测，直至检测完全部保温层新图片。
步骤七、在液化天然气管线保温层缺陷检测的实际作业中，选取一根待检测管线，依次经过步骤一、二、三、四、五过程，并利用步骤六中得到的阈值进行图像二值化，然后根据二值化图像找到液化天然气管线保温层对应的缺陷位置。
步骤八、识别出缺陷后，将有缺陷的天然气管线保温层进行重新修复处理，处理完成后重新进行检验。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (1)

1.一种基于机器视觉的天然气管线保温层缺陷检测方法，其特征在于包括以下步骤：
步骤一、将待检测液化天然气管线置于暗处，调整摄像机的位置，使摄像机的镜头对准待检测液化天然气管线的一端，并将光照系统置于摄像机暗场；
步骤二、开启摄像机与照明系统，拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第一组图片，然后将待检测液化天然气管线绕其轴线旋转，再次拍摄n张待检测液化天然气管线的保温层在该位置下的保温层表面图片并记为第二组图片，重复上述步骤直至最后完成该段待检测液化天然气管线的保温层的整周拍摄；
步骤三、重复步骤一、二，逐段完成各段液化天然气管线的保温层的拍摄直至将整根待检测液化天然气管线保温层拍摄完成；
步骤四、将拍摄得到的每组保温层图片分别上传到电脑，统计每张保温层图片中各像素点的灰度值，记为ri，j(x，y)；
其中:
x，y分别表示每张保温层图片像素点的横坐标、纵坐标；
i表示保温层图片属于第i组图片；
j表示保温层图片是该组图片的第j张；
步骤五、采用图像处理模块将同一组保温层图片各像素点灰度值求平均值，去掉噪声的影响，得到与每组保温层图片对应的一张保温层新图片，所述的保温层新图片各像素点灰度值记为
则有
步骤六、将每一组做平均得到的保温层新图片各个像素点的灰度值输入神经网络模块，利用MLP神经网络算法进行灰度阈值预测模型的训练，得到阈值ri，并根据阈值ri对图片进行二值化处理，得到二值图片，然后在二值图片中找到缺陷区域：
步骤七、在液化天然气管线保温层缺陷检测的实际作业中，选取一根待检测管线，依次经过步骤一、二、三、四、五过程，并利用步骤六中得到的阈值进行图像二值化，然后根据二值化图像找到液化天然气管线保温层对应的缺陷位置；
步骤八、识别出缺陷后，将有缺陷的天然气管线保温层进行重新修复处理，处理完成后重新进行检验；
所述步骤六的具体过程如下：
第一步、在python中导入神经网络模块，提取一个步骤五得到的保温层新图片，将新图片各像素点的灰度值利用MPL神经网络算法进行阈值预测，得到阈值预测结果ri；
第二步、根据第一步得出的阈值ri对保温层新图片进行处理，若某像素点灰度值则将其置为255，反之则置为0，得到二值图片；
第三步、遍历二值图片各像素点，若某像素点自身灰度值且周围一圈相邻区域存在灰度为0的像素点，则该像素点为边界点，并作标记；
第四步、将边界点与其相邻的边界点相连，若有边界点无相邻边界点，则将取消标记，最终被标记的像素点所包裹的区域即为有缺陷区域；
第五步、判断得到的缺陷区域是否与实际缺陷情况相符，如果不符合，则返回第一步重新进行阈值的预测，若符合则对返回第二步对下一张图片进行阈值预测，直至检测完全部保温层新图片。
CN202111426120.4A 2021-11-26 2021-11-26 一种基于机器视觉的天然气管线保温层缺陷检测方法 Active CN114113110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111426120.4A CN114113110B (zh) 2021-11-26 2021-11-26 一种基于机器视觉的天然气管线保温层缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111426120.4A CN114113110B (zh) 2021-11-26 2021-11-26 一种基于机器视觉的天然气管线保温层缺陷检测方法

Publications (2)

Publication Number Publication Date
CN114113110A CN114113110A (zh) 2022-03-01
CN114113110B true CN114113110B (zh) 2023-10-13

Family

ID=80371016

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111426120.4A Active CN114113110B (zh) 2021-11-26 2021-11-26 一种基于机器视觉的天然气管线保温层缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114113110B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0979795A2 (de) * 1998-08-10 2000-02-16 W. Schlafhorst & Co. Verfahren zur Erkennung von Fadenresten auf Spinnkopshülsen
JP2008076320A (ja) * 2006-09-25 2008-04-03 Kirin Techno-System Co Ltd 表面検査装置
JP2011095108A (ja) * 2009-10-29 2011-05-12 Panasonic Electric Works Co Ltd 木材欠陥検出装置およびその方法
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统
CN110361395A (zh) * 2019-08-06 2019-10-22 天津日博工业技术有限公司 一种基于机器视觉的防水透气膜缺陷测试方法及设备
CN111539935A (zh) * 2020-04-24 2020-08-14 江苏大学 一种基于机器视觉的电缆表面缺陷在线检测方法
CN111707672A (zh) * 2020-06-28 2020-09-25 江苏科技大学 风电回转支撑件表面缺陷检测方法
CN111899215A (zh) * 2020-06-15 2020-11-06 浙江大学 一种光学元件体缺陷的提取方法
CN113252568A (zh) * 2021-06-10 2021-08-13 菲特（天津）检测技术有限公司 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4095860B2 (ja) * 2002-08-12 2008-06-04 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0979795A2 (de) * 1998-08-10 2000-02-16 W. Schlafhorst & Co. Verfahren zur Erkennung von Fadenresten auf Spinnkopshülsen
JP2008076320A (ja) * 2006-09-25 2008-04-03 Kirin Techno-System Co Ltd 表面検査装置
JP2011095108A (ja) * 2009-10-29 2011-05-12 Panasonic Electric Works Co Ltd 木材欠陥検出装置およびその方法
CN109816644A (zh) * 2019-01-16 2019-05-28 大连理工大学 一种基于多角度光源影像的轴承缺陷自动检测系统
CN110361395A (zh) * 2019-08-06 2019-10-22 天津日博工业技术有限公司 一种基于机器视觉的防水透气膜缺陷测试方法及设备
CN111539935A (zh) * 2020-04-24 2020-08-14 江苏大学 一种基于机器视觉的电缆表面缺陷在线检测方法
CN111899215A (zh) * 2020-06-15 2020-11-06 浙江大学 一种光学元件体缺陷的提取方法
CN111707672A (zh) * 2020-06-28 2020-09-25 江苏科技大学 风电回转支撑件表面缺陷检测方法
CN113252568A (zh) * 2021-06-10 2021-08-13 菲特（天津）检测技术有限公司 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端

Also Published As

Publication number Publication date
CN114113110A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN109035233B (zh) 视觉注意力网络系统及工件表面缺陷检测方法
CN117314912B (zh) 一种焊管表面焊接缺陷视觉检测方法及系统
CN113239930B (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN112233090B (zh) 基于改进注意力机制的薄膜瑕疵检测方法
CN107843818B (zh) 基于异源图像温升与局部放电特征高压绝缘故障诊断方法
CN111667470B (zh) 一种基于数字图像的工业管道探伤内壁检测方法
CN109358065A (zh) 一种地铁隧道外观检测方法
CN108596909A (zh) 空心圆柱工件表面缺陷检测系统及方法
Chen et al. The defect detection of 3D-printed ceramic curved surface parts with low contrast based on deep learning
CN114170552A (zh) 基于红外热成像的天然气泄漏实时预警方法及系统
Li et al. Detection algorithm of defects on polyethylene gas pipe using image recognition
CN116823839A (zh) 基于热红外图像的管道泄漏检测方法
CN117541568A (zh) 一种基于深度学习的汽车刹车盘表面缺陷检测方法
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN117235672A (zh) 一种基于多源数据的综合管廊故障诊断方法及装置
CN114113110B (zh) 一种基于机器视觉的天然气管线保温层缺陷检测方法
CN115774014A (zh) 一种基于视觉与超声的焊缝缺陷检测系统及检测方法
CN111833350B (zh) 机器视觉检测方法与系统
CN114463285A (zh) 一种多级网络融合圆钢表面缺陷检测方法及图像采集装置
CN114486934B (zh) 一种用于管道内部裂纹图像识别系统
CN116452550A (zh) 基于噪声抑制的光伏电池缺陷检测方法
CN116402753A (zh) 一种基于改进的YOLOv5的钢材缺陷检测方法
CN115266932A (zh) 一种变速箱齿轮轴探伤检测方法
CN116342898A (zh) 一种冰风洞中翼型结冰区域检测方法、装置、设备和存储介质
CN114782409A (zh) 一种基于侧方位相机的车辆表面异常检测方法

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
GR01 Patent grant
GR01 Patent grant