CN114387332A - 一种管道测厚方法及装置 - Google Patents
一种管道测厚方法及装置 Download PDFInfo
- Publication number
- CN114387332A CN114387332A CN202210048494.5A CN202210048494A CN114387332A CN 114387332 A CN114387332 A CN 114387332A CN 202210048494 A CN202210048494 A CN 202210048494A CN 114387332 A CN114387332 A CN 114387332A
- Authority
- CN
- China
- Prior art keywords
- thickness
- pipeline
- model
- smoothness
- information
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种管道测厚方法及装置,其中,所述方法包括:获得第一图像数据集,根据所述第一图像数据集,构建所述第一管道的三维立体模型;对所述三维立体模型的参数进行聚类分析,获得聚类结果;根据所述聚类结果,确定所述厚度采集装置数量信息;对所述三维立体模型进行灰度处理,获得平滑度分析结果;根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。解决了现有技术中存在由于管道应用场景多,管道安装位置复杂,人工检测方法误差大等原因,导致的管道厚度检测难度大,测量结果准确性和可靠性不高的技术问题。
Description
技术领域
本发明涉及管道检测领域,具体涉及一种管道测厚方法及装置。
背景技术
由于管道作业场景、用途不同,会导致管道产生不同的损耗。举例如在化工企业中,多数压力管道在高温、高速及腐蚀性环境下运行,管道受到不同程度的损耗,严重时会发生管路泄漏、爆管等事故。来自外部的腐蚀、来自内部的侵蚀,以及流经管道的气体或流体施加的压力,都可能影响管道的原始壁厚。在管道维修的过程中,准确对管道壁厚进行测量,能够有效避免管道事故发生。但目前仍存在仅靠人工抽检的方法进行管路壁厚检测,管路壁厚测定的常见办法包括4点测定方法、Φ30多点测定法、精确测点法以及连续测定法。人工抽检的方法不仅会导致准确率低,而且在一些管路损耗较为严重的地方,测厚数据忽高忽低,极不准确。同时由于管道的应用场景多,管道分布广,例如穿墙管、埋地管,出现检测管道数据十分不便,工作量大以及工作难度高等实际的问题。因此管路准确测量的问题亟需引起相关人员的广泛关注。
但现有技术存在由于管道应用场景多,管道安装位置复杂,人工检测方法误差大等原因,导致的管道厚度检测难度大,测量结果准确性和可靠性不高的技术问题。
发明内容
本申请通过提供了一种管道测厚方法及装置,解决了现有技术中存在由于管道应用场景多,管道安装位置复杂,人工检测方法误差大等原因,导致的管道厚度检测难度大,测量结果准确性和可靠性不高的技术问题。达到了通过多角度图像采集,构建管道的仿真三维立体模型,进行特征提取将管道结构拆分,根据拆分结果确定厚度采集装置的数量,并且通过三维立体模型的明暗处理、平滑度分析,从而得到精确的采集位置,降低管道厚度检测难度,实现厚度数据准确测量科学测量的技术效果。
鉴于上述问题,本申请提供了一种管道测厚方法及装置。
第一方面,本申请提供了一种管道测厚方法,所述方法包括:通过所述图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;根据所述第一图像数据集,构建所述第一管道的三维立体模型;对所述三维立体模型的参数进行聚类分析,获得聚类结果;根据所述聚类结果,确定所述厚度采集装置数量信息;对所述三维立体模型进行灰度处理,获得平滑度分析结果;根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
另一方面,本申请提供了一种管道测厚装置,所述装置包括:第一获得单元,所述第一获得单元用于通过图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;第一执行单元,所述第一执行单元用于根据所述第一图像数据集,构建所述第一管道的三维立体模型;第二获得单元,所述第二获得单元用于对所述三维立体模型的参数进行聚类分析,获得聚类结果;第二执行单元,所述第二执行单元用于根据所述聚类结果,确定厚度采集装置数量信息;第三获得单元,所述第三获得单元用于对所述三维立体模型进行灰度处理,获得平滑度分析结果;第三执行单元,所述第三执行单元用于根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;第四获得单元,所述第四获得单元用于按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
第三方面,本发明提供了一种管道测厚装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过图像采集装置采集第一管道的多角度图像数据,获得第一图像数据集,根据所述第一图像数据集,构建第一管道的三维立体模型;对三维立体模型的参数进行聚类分析,根据聚类结果,确定厚度采集装置数量信息;对三维立体模型进行灰度处理,获得平滑度分析结果;根据平滑度分析结果,确定厚度采集装置的位置信息;确定厚度采集装置的数量信息和位置信息后,对所述第一管道进行厚度数据采集,从而获得第一管道的厚度数据集合的技术方案,本申请通过提供了一种管道测厚方法及装置,达到了通过多角度图像采集,构建管道的仿真三维立体模型,进行特征提取将管道结构拆分,根据拆分结果确定厚度采集装置的数量,并且通过三维立体模型的明暗处理、平滑度分析,从而得到精确的采集位置,降低管道厚度检测难度,实现厚度数据准确测量科学测量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种管道测厚方法的流程示意图;
图2为本申请实施例一种管道测厚方法的根据平滑度分析模型获得平滑度分析结果的流程示意图;
图3为本申请实施例一种管道测厚方法的去除第一管道的厚度数据集合中的噪声数据的流程示意图;
图4为本申请实施例一种管道测厚装置的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一执行单元12,第二获得单元13,第二执行单元14,第三获得单元15,第三执行单元16,第四获得单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种管道测厚方法及装置,解决了现有技术中存在由于管道应用场景多,管道安装位置复杂,人工检测方法误差大等原因,导致的管道厚度检测难度大,测量结果准确性和可靠性不高的技术问题。达到了通过多角度图像采集,构建管道的仿真三维立体模型,进行特征提取将管道结构拆分,根据拆分结果确定厚度采集装置的数量,并且通过三维立体模型的明暗处理、平滑度分析,从而得到精确的采集位置,降低管道厚度检测难度,实现厚度数据准确测量科学测量的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
由于管道作业场景、用途不同,会导致管道产生不同的损耗,来自外部的腐蚀、来自内部的侵蚀,以及流经管道的气体或流体施加的压力,都可能影响管道的原始壁厚。在管道维修的过程中,准确对管道壁厚进行测量,能够有效避免管道事故发生。但目前仍存在仅靠人工抽检的方法进行管路壁厚检测,管路壁厚测定的常见办法包括4点测定方法、Φ30多点测定法、精确测点法以及连续测定法。人工抽检的方法不仅会导致准确率低,而且在一些管路损耗较为严重的地方,测厚数据忽高忽低,极不准确,因此管路准确测量的问题亟需引起人们广泛关注。现有技术中存在由于管道应用场景多,管道安装位置复杂,人工检测方法误差大等原因,导致的管道厚度检测难度大,测量结果准确性和可靠性不高的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种管道测厚方法,所述方法包括:获通过图像采集装置采集第一管道的多角度图像数据,获得第一图像数据集,根据所述第一图像数据集,构建第一管道的三维立体模型;对三维立体模型的参数进行聚类分析,根据聚类结果,确定厚度采集装置数量信息;对三维立体模型进行灰度处理,获得平滑度分析结果;根据平滑度分析结果,确定厚度采集装置的位置信息;确定厚度采集装置的数量信息和位置信息后,对所述第一管道进行厚度数据采集,从而获得第一管道的厚度数据集合。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种管道测厚方法,其中,所述方法应用于一管道测厚装置,所述装置具有多个厚度采集装置和一图像采集装置,所述方法包括:
步骤S100:通过所述图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;
步骤S200:根据所述第一图像数据集,构建所述第一管道的三维立体模型;
具体而言,来自外部的腐蚀、来自内部的侵蚀,以及流经管道的气体或流体施加的压力,都可能影响管道的原始壁厚。在管道维修的过程中,准确对管道壁厚进行测量,能够有效避免管道事故发生。所述图像采集装置为任一具有图像采集功能的图像采集装置,例如高清摄像装置。所述第一管道为待测量厚度的任一管道。使用所述图像采集装置对待第一管道进行多角度图像采集获得所述第一图像数据集。所述第一图像数据集包括所述第一管道的多角度图像集合,包括但不限于第一管道的主视图、左视图、俯视图、右视图等。
任何物理自然界存在的东西都可以用三维模型表示。三维模型已经用于各种不同的领域,例如:医疗行业、电影行业、视频游戏行业、科学领域、建筑业、工程领域等。目前,市场上有许多优秀的建模软件,例如3DMAX,Softlmage,Maya,UG以及AutoCAD等。将所述第一图像数据集作为模型素材,进行第一管道的三维立体建模,可采用现有的建模软件,进行管道建模,基于图像建模的方法成本低廉,真实感强,并且自动化程度高。通过采集多角度图像,借助现有建模技术对第一管道进行仿真三维立体模型构建,能够全方位、清晰的观察第一管道,为后续管道数据的处理、厚度采集装置的放置位置、放置数目的分析奠定基础。
步骤S300:对所述三维立体模型的参数进行聚类分析,获得聚类结果;
步骤S400:根据所述聚类结果,确定所述厚度采集装置数量信息;
具体而言,三维立体模型的参数包括但不限于物体表面每个位置的三维空间坐标,色彩、纹理等。对所述三维立体模型进行参数分析,采用聚类分析的方法进行参数特征提取。聚类分析是无监督学习的一种方法,给定一组数据点,通过聚类分析能够将每个数据点分类到特定的组中。理论上同一组中的数据点应具有相似的属性或特征,而不同组中的数据点应具有较大差异的属性或特征。
聚类分析可以但不限于通过将三维立体模型按照一定尺寸划分为多个部分,将各个部分的参数进行聚类分析,从而获得聚类结果。聚类分析可使用K-均值聚类或层次聚类等方法。即将一个整体的模型通过聚类分析转换为多个具有相似属性/特征的组。组内相似性越大,组间差距越大,说明聚类效果越好。根据组的数量获得所述厚度采集装置数量信息。其中,所述厚度采集装置为任一能够对第一管道进行厚度测量的装置,举不受限制的一例:所述厚度采集装置可为超声波测厚仪。达到了通过聚类分析将整体问题进行分解,从而科学的获得厚度采集装置的数量的技术效果。
步骤S500:对所述三维立体模型进行灰度处理,获得平滑度分析结果;
进一步的,如图2所示,所述对所述三维立体模型进行灰度处理,获得平滑度分析结果,本申请实施例步骤S500包括:
步骤S510:对所述三维立体模型进行灰度处理,获得第一灰度模型信息;
步骤S520:根据所述第一灰度模型信息,提取明暗分布特征;
步骤S530:获得所述明暗分布特征与平滑度的映射关系;
步骤S540:通过所述明暗分布特征和所述明暗分布特征与所述平滑度的映射关系对神经网络模型进行监督学习,训练获得平滑度分析模型;
步骤S550:根据所述平滑度分析模型,获得所述平滑度分析结果。
具体而言,管道壁厚测定时需要注意测定位置需要尽可能光滑。因此,需要进行平滑度分析,找到较为平滑的位置放置所述厚度采集装置。首先对所述三维立体模型进行灰度处理,所述灰度处理包括但不限于对所述三维立体模型进行灰度变换运算,灰度变换运算通过三维立体模型在空间坐标系中对应的每一个点转换生成一个对应的灰度值实现。通过灰度变换运算可以获得增强对比度后的三维立体模型,将所述三维立体模型经过灰度处理,得到所述第一灰度模型信息,所述第一灰度模型信息包括每一个位置的灰度值。因此,转换得到的第一灰度模型信息包含空间位置信息。由于灰度变换后对比度得到增强,明暗处对比十分鲜明。因此能够基于所述第一灰度模型信息,进行明暗分布特征提取,特征提取方法举例如基于灰度值进行明暗分布特征的提取,将灰度值进行汇总和排序,得到不同区域的明暗分布。
所述明暗分布特征与平滑度之间存在一定的映射关系,举不受限制的一例:提取得到的明暗分布特征之间存在明暗边界,在明暗边界处,平滑度较差,在明的中心区域和暗的中心区域平滑度较好,且越靠近中心区域平滑度越好。神经网络模型是由多个神经元相互连接组成构成的,基于所述明暗分布特征和所述明暗分布特征与所述平滑度的映射关系,对神经网络模型进行监督学习,完成训练后获得所述平滑度分析模型,所述平滑度分析模型是由神经网络模型训练而来的。基于所述平滑度分析模型获得所述平滑度分析结果,其中,平滑度分析结果包括但不限于第一灰度模型信息中不同区域的平滑度。使用平滑度分析模型对第一灰度模型的平滑度进行分析,能够提高分析的准确性和科学性。使用平滑度分析模型得到的平滑度分析结果准确、可靠,能够为厚度采集装置的放置位置选取提供数据支撑。
步骤S600:根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;
进一步的,所述根据所述平滑度分析结果,确定所述厚度采集装置的位置信息,本申请实施例步骤S600还包括:
步骤S610:所述平滑度分析结果包括所述第一灰度模型信息中不同平滑度以及对应区域信息;
步骤S620:获得所述平滑度不同的各区域的中心位置;
步骤S630:将所述平滑度不同的各区域的中心位置作为所述厚度采集装置的位置信息。
具体而言,由于平滑度分析模型是通过所述明暗分布特征和所述明暗分布特征与所述平滑度的映射关系对神经网络模型进行监督学习获得的。因此能够基于明暗分布特征与平滑度的映射关系获得第一灰度模型信息中不同区域的平滑度,根据明暗分布特征获得区域位置信息。因此所述平滑度分析结果包括所述第一灰度模型信息中不同平滑度以及对应区域信息。进一步而言,在平滑度不同的各个区域中确定其中心位置。举例如:在区域位置信息中确定中心位置可以通过空间坐标确定位置信息,并且可通过空间位置坐标信息确定所述区域信息的中心位置。平滑度不同的各区域的中心位置的为该区域中最光滑的地方,适宜用作厚度采集的位置。将所述中心位置作为所述厚度采集装置的位置信息。能够得到准确的装置放置位置,从而提高测量的精准度,减少由于测量装置布局问题导致的测量误差和管道事故发生。
步骤S700:按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
具体而言,所述厚度采集装置的数量信息由聚类分析结果确定,数量信息反映管道三维立体模型中存在不同类型的特征数量。厚度采集装置的位置信息由平滑度分析结果确定,位置信息的数量反映管道上不同平滑度的区域数量。管道参数一般会受到管道的腐蚀、裂缝、污渍等异常导致管道参数存在差异。而管道上的腐蚀、裂缝、污渍等异常也会导致该区域的平滑度发生变化,因此由三维立体模型的参数进行聚类分析得到的聚类分析结果和由三维立体模型进行灰度处理获得的平滑度分析结果存在一定的关联性。基于厚度采集装置的数量信息和位置信息的综合结果,进行厚度采集装置的放置。
进一步而言,能够通过所述厚度采集装置的数量信息和位置信息对所述第一管道进行厚度数据采集。为避免出现测量误差,可以对厚度进行多次采集,获得所述第一管道的厚度数据集合。通过聚类分析和平滑度分析,能够对厚度采集装置的数量和位置进行准确定位和预测,在厚度测量时,精准选择测量装置数量和测量位置,实现智能化的准确测量和科学测量的技术效果。
进一步的,所述对所述三维立体模型的参数进行聚类分析,获得聚类结果,本申请实施例步骤S300包括:
步骤S310:对所述三维立体模型按照预定单位尺寸进行区域划分,获得多个区域;
步骤S320:分别对所述三维立体模型的每个区域的所有参数进行特征提取,获得与每个所述区域相对应的特征提取结果;
步骤S330:对所有所述特征提取结果进行聚类分析,获得所述聚类结果。
具体而言,对所述三维立体模型的参数进行聚类分析能够将三维立体模型结构拆解后进行深入分析,使用聚类分析将数据分组成为由类似的对象组成的多个类。首先,设定预定单位尺寸,预定单位尺寸根据三维立体模型的体积大小和复杂程度进行预先设定。其次,按照预定单位尺寸将所述三维立体模型进行区域划分,得到多个区域。再次,对每一个区域的所有参数进行参数提取,提取参数包括三维立体模型的所有参数,所有参数包括但不限于三维空间坐标、内表面和外表面的突起或凹陷的坐标参数等。举不受限制的一例:对某一区域进行参数提取,该区域存在裂缝和腐蚀痕迹,那么提取到的参数可包括该区域的裂缝几何形状、裂缝的深度,以及腐蚀痕迹的几何形状等。经过对所述三维立体模型的每个区域的所有参数进行特征提取,获得每个区域的特征提取结果。最后,将所有特征提取结果进行聚类分析,聚类分析可使用K-均值聚类或层次聚类等方法。聚类分析是一类无监督学习方法,可根据数据的相似性对数据进行分类。数据之间的相似性可以通过定义距离或相似性系数来判别。若按照数据之间的距离进行聚类,那么距离相近的数据被划分为一个簇。同一个簇内的数据相似性尽可能大,不在同一个簇内的数据的差异性也尽可能大。经过聚类分析,将基于预定单位尺寸进行三维立体模型区域划分后的多个区域聚为若干类,得到所述聚类结果,所述聚类结果包括具有各自特征的不同区域。从而根据聚类分析结果能够为厚度采集装置的数量信息提供数据支撑。
进一步的,所述根据所述聚类结果,确定所述厚度采集装置数量信息,本申请实施例步骤S400还包括:
步骤S410:根据所述聚类结果,获得类别数量;
步骤S420:根据所述类别数量,确定所述厚度采集装置数量信息。
具体而言,所述聚类结果包括具有各自特征的不同区域。同一类中的区域相似性高,不同类之间的区域差异性强。根据所述聚类结果,获得类别数量,根据类别数量信息确定厚度采集装置的数量,举不受限制的一例:特征提取结果可以分为10类,那么厚度采集装置数量设置为10个即可。这样可以保证在相似的一类特征位置处,设置一个厚度采集装置,这样可以减少厚度采集装置的重复设置,从而实现精准定位采集。
进一步的,如图3所示,所述按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合之后,步骤S700还包括:
步骤S710:获得所述第一管道的厚度数据集合中各数据的方差和平均值;
步骤S720:通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得管壁厚度异常数据检测模型;
步骤S730:基于所述管壁厚度异常数据检测模型,获得所述第一管道的厚度数据集合中的噪声数据;
步骤S740:去除所述第一管道的厚度数据集合中的所述噪声数据,获得所述第一管道的有效厚度数据集合。
进一步的,所述去除所述第一管道的厚度数据集合中的所述噪声数据,获得所述第一管道的有效厚度数据集合之后,步骤S740还包括:
步骤S741:对所述第一管道的有效厚度数据集合进行平均值计算,获得所述第一管道的第一厚度信息。
具体而言,当确定好所述厚度采集装置的数量信息和位置信息后进行厚度数据采集,在采集的过程中,往往由于各种各样的原因,会产生一定的异常数据,从而导致最终得到的数据精度差,数据不准确。因此需要对第一管道的厚度数据集合进行噪音去除。某个数据点与全局大多数点都不一样,那么这个点就构成了单点异常,也叫做全局异常,可以通过数据挖掘手段识别数据中的异常点。在数据挖掘中,异常检测(Anomaly Detection)能够对数据集中的异常观测值进行识别。
高斯分布又叫正态分布是一种概率分布,也是自然界最常见的一种分布。高斯分布是具有两个参数μ和σ2的连续型随机变量的分布。第一参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差。通常如果我们认为变量x符合高斯分布,那么可以获得其概率密度函数:
其中,p为概率密度,x为变量,μ为平均值,σ2为方差,σ为标准差。
进一步而言,利用测得的第一管道的厚度数据集x(1),x(2),..,x(m)来计算各数据的方差和平均值,计算公式如下:
其中,x为变量,μ为平均值,σ2为方差。
通过高斯分布算法对异常检测模型进行训练时,我们可以将第一管道的厚度数据集合一部分数据作为训练数据,一部分数据作为测试数据,计算所述第一管道的厚度数据集合中的训练数据的方差和平均值,通过高斯分布算法对异常检测模型进行训练,获得管壁厚度异常数据检测模型,所述异常检测模型能够进行测试数据的判断,将所述第一管道的厚度数据集合的测试数据进行异常检测,获得异常可能性P(x)即通过概率密度函数计算得到P(x)。将ε值作为阀值,用于预测数据是否异常,可根据查准率与查全率的比例来选择ε值。当P(x)<ε时,为异常数据。得到噪声数据,将这些噪声数据去除后,获得所述第一管道的有效厚度数据集合。所述有效厚度数据集合中的数据均为有效数据。对所述有效厚度数据集合中的所有数据进行平均值计算,得到的数据即为所述第一管道的第一厚度信息。通过高斯分布算法训练异常检测模型,并对测量得到的厚度数据集合进行异常检测,从而去除噪声数据,保证检测结果的准确性,为管道厚度测量提供科学、可靠的数据处理方法。
综上所述,本申请实施例所提供的一种管道测厚方法及装置具有如下技术效果:
1、由于采用了通过图像采集装置采集第一管道的多角度图像数据,获得第一图像数据集,根据所述第一图像数据集,构建第一管道的三维立体模型;对三维立体模型的参数进行聚类分析,根据聚类结果,确定厚度采集装置数量信息;对三维立体模型进行灰度处理,获得平滑度分析结果;根据平滑度分析结果,确定厚度采集装置的位置信息;确定厚度采集装置的数量信息和位置信息后,对所述第一管道进行厚度数据采集,从而获得第一管道的厚度数据集合的技术方案,本申请通过提供了一种管道测厚方法及装置,达到了通过多角度图像采集,构建管道的仿真三维立体模型,进行特征提取将管道结构拆分,根据拆分结果确定厚度采集装置的数量,并且通过三维立体模型的明暗处理、平滑度分析,从而得到精确的采集位置,降低管道厚度检测难度,实现厚度数据准确测量科学测量的技术效果。
2、由于采用了通过高斯分布算法训练异常检测模型,并对测量得到的厚度数据集合进行异常检测的方法,达到了去除噪声数据,保证检测结果的准确性,为管道厚度测量提供科学、可靠的数据处理方法的技术效果。
3、由于采用了对三维立体模型进行灰度处理,并提取明暗分布特征的方法,训练获得准确性和科学性好的平滑度分析模型,能够对三维立体模型的平滑度进行分析,并且找出平滑度不同的各区域的中心位置,实现将厚度采集装置放置于不同平滑度区域中最为平滑的地方,得到准确的装置放置位置,从而提高测量的精准度,减少由于测量装置布局问题导致的测量误差。
实施例二
基于与前述实施例中一种管道测厚方法相同的发明构思,如图4所示,本申请实施例提供了一种管道测厚装置,其中,所述装置包括:
第一获得单元11,所述第一获得单元11用于通过图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;
第一执行单元12,所述第一执行单元12用于根据所述第一图像数据集,构建所述第一管道的三维立体模型;
第二获得单元13,所述第二获得单元13用于对所述三维立体模型的参数进行聚类分析,获得聚类结果;
第二执行单元14,所述第二执行单元14用于根据所述聚类结果,确定厚度采集装置数量信息;
第三获得单元15,所述第三获得单元15用于对所述三维立体模型进行灰度处理,获得平滑度分析结果;
第三执行单元16,所述第三执行单元16用于根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;
第四获得单元17,所述第四获得单元17用于按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
进一步的,所述装置包括:
第五获得单元,所述第五获得单元用于对所述三维立体模型按照预定单位尺寸进行区域划分,获得多个区域;
第六获得单元,所述第六获得单元用于分别对所述三维立体模型的每个区域的所有参数进行特征提取,获得与每个所述区域相对应的特征提取结果;
第七获得单元,所述第七获得单元用于对所有所述特征提取结果进行聚类分析,获得所述聚类结果。
进一步的,所述装置包括:
第八获得单元,所述第八获得单元用于根据所述聚类结果,获得类别数量;
第四执行单元,所述第四执行单元用于根据所述类别数量,确定所述厚度采集装置数量信息。
进一步的,所述装置包括:
第九获得单元,所述第九获得单元用于对所述三维立体模型进行灰度处理,获得第一灰度模型信息;
第五执行单元,所述第五执行单元用于根据所述第一灰度模型信息,提取明暗分布特征;
第十获得单元,所述第十获得单元用于获得所述明暗分布特征与平滑度的映射关系;
第六执行单元,所述第六执行单元用于通过所述明暗分布特征和所述明暗分布特征与所述平滑度的映射关系对神经网络模型进行监督学习,训练获得平滑度分析模型;
第十一获得单元,所述第十一获得单元用于根据所述平滑度分析模型,获得所述平滑度分析结果。
进一步的,所述装置包括:
第十二获得单元,所述第十二获得单元用于获得所述平滑度不同的各区域的中心位置;
第七执行单元,所述第七执行单元用于将所述平滑度不同的各区域的中心位置作为所述厚度采集装置的位置信息。
进一步的,所述装置包括:
第十三获得单元,所述第十三获得单元用于获得所述第一管道的厚度数据集合中各数据的方差和平均值;
第十四获得单元,所述第十四获得单元用于通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得管壁厚度异常数据检测模型;
第十五获得单元,所述第十五获得单元用于基于所述管壁厚度异常数据检测模型,获得所述第一管道的厚度数据集合中的噪声数据;
第十六获得单元,所述第十六获得单元用于去除所述第一管道的厚度数据集合中的所述噪声数据,获得所述第一管道的有效厚度数据集合。
进一步的,所述装置包括:
第十七获得单元,所述第十七获得单元用于对所述第一管道的有效厚度数据集合进行平均值计算,获得所述第一管道的第一厚度信息。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种管道测厚方法相同的发明构思,本申请实施例还提供了一种管道测厚装置,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得装置以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种管道测厚方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种管道测厚方法,其中,所述方法包括:通过图像采集装置采集第一管道的多角度图像数据,获得第一图像数据集,根据所述第一图像数据集,构建第一管道的三维立体模型;对三维立体模型的参数进行聚类分析,根据聚类结果,确定厚度采集装置数量信息;对三维立体模型进行灰度处理,获得平滑度分析结果;根据平滑度分析结果,确定厚度采集装置的位置信息;确定厚度采集装置的数量信息和位置信息后,对所述第一管道进行厚度数据采集,从而获得第一管道的厚度数据集合。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种管道测厚方法,其特征在于,所述方法应用于一管道测厚装置,所述装置具有多个厚度采集装置和一图像采集装置,所述方法包括:
通过所述图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;
根据所述第一图像数据集,构建所述第一管道的三维立体模型;
对所述三维立体模型的参数进行聚类分析,获得聚类结果;
根据所述聚类结果,确定所述厚度采集装置数量信息;
对所述三维立体模型进行灰度处理,获得平滑度分析结果;
根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;
按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
2.如权利要求1所述的方法,其特征在于,所述对所述三维立体模型的参数进行聚类分析,获得聚类结果,包括:
对所述三维立体模型按照预定单位尺寸进行区域划分,获得多个区域;
分别对所述三维立体模型的每个区域的所有参数进行特征提取,获得与每个所述区域相对应的特征提取结果;
对所有所述特征提取结果进行聚类分析,获得所述聚类结果。
3.如权利要求1所述的方法,其特征在于,所述根据所述聚类结果,确定所述厚度采集装置数量信息,包括:
根据所述聚类结果,获得类别数量;
根据所述类别数量,确定所述厚度采集装置数量信息。
4.如权利要求1所述的方法,其特征在于,所述对所述三维立体模型进行灰度处理,获得平滑度分析结果,包括:
对所述三维立体模型进行灰度处理,获得第一灰度模型信息;
根据所述第一灰度模型信息,提取明暗分布特征;
获得所述明暗分布特征与平滑度的映射关系;
通过所述明暗分布特征和所述明暗分布特征与所述平滑度的映射关系对神经网络模型进行监督学习,训练获得平滑度分析模型;
根据所述平滑度分析模型,获得所述平滑度分析结果。
5.如权利要求1所述的方法,其特征在于,所述根据所述平滑度分析结果,确定所述厚度采集装置的位置信息,包括:
所述平滑度分析结果包括所述第一灰度模型信息中不同平滑度以及对应区域信息;
获得所述平滑度不同的各区域的中心位置;
将所述平滑度不同的各区域的中心位置作为所述厚度采集装置的位置信息。
6.如权利要求1所述的方法,其特征在于,所述按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合之后,还包括:
获得所述第一管道的厚度数据集合中各数据的方差和平均值;
通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得管壁厚度异常数据检测模型;
基于所述管壁厚度异常数据检测模型,获得所述第一管道的厚度数据集合中的噪声数据;
去除所述第一管道的厚度数据集合中的所述噪声数据,获得所述第一管道的有效厚度数据集合。
7.如权利要求6所述的方法,其特征在于,所述去除所述第一管道的厚度数据集合中的所述噪声数据,获得所述第一管道的有效厚度数据集合之后,包括:
对所述第一管道的有效厚度数据集合进行平均值计算,获得所述第一管道的第一厚度信息。
8.一种管道测厚装置,其特征在于,所述装置包括:
第一获得单元,所述第一获得单元用于通过图像采集装置获得第一图像数据集,所述第一图像数据集包括第一管道的多角度图像数据的集合;
第一执行单元,所述第一执行单元用于根据所述第一图像数据集,构建所述第一管道的三维立体模型;
第二获得单元,所述第二获得单元用于对所述三维立体模型的参数进行聚类分析,获得聚类结果;
第二执行单元,所述第二执行单元用于根据所述聚类结果,确定厚度采集装置数量信息;
第三获得单元,所述第三获得单元用于对所述三维立体模型进行灰度处理,获得平滑度分析结果;
第三执行单元,所述第三执行单元用于根据所述平滑度分析结果,确定所述厚度采集装置的位置信息;
第四获得单元,所述第四获得单元用于按照所述厚度采集装置的数量信息和位置信息,对所述第一管道进行厚度数据采集,获得所述第一管道的厚度数据集合。
9.一种管道测厚装置,包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048494.5A CN114387332B (zh) | 2022-01-17 | 2022-01-17 | 一种管道测厚方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048494.5A CN114387332B (zh) | 2022-01-17 | 2022-01-17 | 一种管道测厚方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114387332A true CN114387332A (zh) | 2022-04-22 |
CN114387332B CN114387332B (zh) | 2022-11-08 |
Family
ID=81201935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048494.5A Active CN114387332B (zh) | 2022-01-17 | 2022-01-17 | 一种管道测厚方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387332B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372433A (zh) * | 2023-12-08 | 2024-01-09 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
US20100008581A1 (en) * | 2008-07-08 | 2010-01-14 | Xerox Corporation | Word detection method and system |
CN102262785A (zh) * | 2010-05-24 | 2011-11-30 | 珠海扬智电子有限公司 | 点阵字型的边缘平滑方法、缩放方法与其记录媒体 |
CN105095390A (zh) * | 2015-06-30 | 2015-11-25 | 北京奇虎科技有限公司 | 基于poi数据的连锁品牌采集方法及装置 |
CN105652225A (zh) * | 2015-12-28 | 2016-06-08 | 沈阳东软医疗系统有限公司 | 一种磁共振系统的匀场方法和装置 |
CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
CN109523495A (zh) * | 2018-10-15 | 2019-03-26 | 北京东软医疗设备有限公司 | 图像处理方法及装置、设备和存储介质 |
CN109739227A (zh) * | 2018-12-27 | 2019-05-10 | 驭势(上海)汽车科技有限公司 | 一种行驶轨迹构建系统与方法 |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN111582317A (zh) * | 2020-04-15 | 2020-08-25 | 扬州哈工科创机器人研究院有限公司 | 一种道路定位方法及装置 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和系统 |
CN111666941A (zh) * | 2020-06-12 | 2020-09-15 | 北京达佳互联信息技术有限公司 | 一种文本检测方法、装置及电子设备 |
CN111860554A (zh) * | 2019-04-28 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 风险监控方法、装置、存储介质及电子设备 |
US20210199439A1 (en) * | 2019-03-19 | 2021-07-01 | Huazhong University Of Science And Technology | Short arc initial orbit determining method based on gauss solution cluster |
CN113569968A (zh) * | 2021-07-30 | 2021-10-29 | 清华大学苏州汽车研究院(吴江) | 模型训练方法、目标检测方法、装置、设备及存储介质 |
CN113706528A (zh) * | 2021-10-27 | 2021-11-26 | 南通祥元纺织有限公司 | 一种基于图像识别的纺织品质量检测方法及系统 |
-
2022
- 2022-01-17 CN CN202210048494.5A patent/CN114387332B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100008581A1 (en) * | 2008-07-08 | 2010-01-14 | Xerox Corporation | Word detection method and system |
CN101616310A (zh) * | 2009-07-17 | 2009-12-30 | 清华大学 | 可变视角及分辨率的双目视觉系统目标图像稳定化方法 |
CN102262785A (zh) * | 2010-05-24 | 2011-11-30 | 珠海扬智电子有限公司 | 点阵字型的边缘平滑方法、缩放方法与其记录媒体 |
CN105095390A (zh) * | 2015-06-30 | 2015-11-25 | 北京奇虎科技有限公司 | 基于poi数据的连锁品牌采集方法及装置 |
CN105652225A (zh) * | 2015-12-28 | 2016-06-08 | 沈阳东软医疗系统有限公司 | 一种磁共振系统的匀场方法和装置 |
CN108765443A (zh) * | 2018-05-22 | 2018-11-06 | 杭州电子科技大学 | 一种自适应颜色阈值分割的标志增强处理方法 |
CN109523495A (zh) * | 2018-10-15 | 2019-03-26 | 北京东软医疗设备有限公司 | 图像处理方法及装置、设备和存储介质 |
CN109739227A (zh) * | 2018-12-27 | 2019-05-10 | 驭势(上海)汽车科技有限公司 | 一种行驶轨迹构建系统与方法 |
US20210199439A1 (en) * | 2019-03-19 | 2021-07-01 | Huazhong University Of Science And Technology | Short arc initial orbit determining method based on gauss solution cluster |
CN111860554A (zh) * | 2019-04-28 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 风险监控方法、装置、存储介质及电子设备 |
CN111080700A (zh) * | 2019-12-11 | 2020-04-28 | 中国科学院自动化研究所 | 医疗器械图像检测方法及装置 |
CN111582317A (zh) * | 2020-04-15 | 2020-08-25 | 扬州哈工科创机器人研究院有限公司 | 一种道路定位方法及装置 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和系统 |
CN111666941A (zh) * | 2020-06-12 | 2020-09-15 | 北京达佳互联信息技术有限公司 | 一种文本检测方法、装置及电子设备 |
CN113569968A (zh) * | 2021-07-30 | 2021-10-29 | 清华大学苏州汽车研究院(吴江) | 模型训练方法、目标检测方法、装置、设备及存储介质 |
CN113706528A (zh) * | 2021-10-27 | 2021-11-26 | 南通祥元纺织有限公司 | 一种基于图像识别的纺织品质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
章永来等: "聚类算法综述", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372433A (zh) * | 2023-12-08 | 2024-01-09 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
CN117372433B (zh) * | 2023-12-08 | 2024-03-08 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
CN117455907A (zh) * | 2023-12-22 | 2024-01-26 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
CN117455907B (zh) * | 2023-12-22 | 2024-03-19 | 中国石油大学(华东) | 一种基于图像处理的腐蚀产物膜厚度统计方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114387332B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114387332B (zh) | 一种管道测厚方法及装置 | |
Czerniawski et al. | Pipe spool recognition in cluttered point clouds using a curvature-based shape descriptor | |
CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN112766301A (zh) | 一种采油机示功图相似性判断方法 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN114418976A (zh) | 一种血管造影图像的分析方法和装置 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN117195610A (zh) | 边坡监测预警方法、装置、电子设备及可读存储介质 | |
CN117252863A (zh) | 一种地理信息异常数据快速检测分析方法 | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
CN114118835B (zh) | 一种定量遥感反演预测结果评价方法及系统 | |
CN116007504A (zh) | 基于图像技术的裂缝检测模块、装置和计算机设备 | |
CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
Jia et al. | Defect Severity Assessment Model for Sewer Pipeline Based on Automated Pipe Calibration | |
Saha et al. | Classification of surface geometry behavior of cultural heritage surfaces based on monitoring change | |
CN112069621A (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN112073932A (zh) | 一种无线传感网络的网络数据异常检测与定位方法 | |
CN117961645B (zh) | 一种面向小样本噪声数据的刀具磨损软测量方法 | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
CN117216454B (zh) | 基于模糊非概率的可靠性评估方法、装置、终端及存储介质 | |
CN116740687A (zh) | 一种大坝渗漏电性异常识别方法、系统及电子设备 | |
CN113933595A (zh) | 一种提高电子电器设备接地电阻检测精度的方法及装置 | |
CN114419012A (zh) | 基于三维点云航空发动机管路全范围间隙测量方法及应用 |
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 |