CN114878087B - 一种基于人工智能的压力容器气密性的检测方法及装置 - Google Patents
一种基于人工智能的压力容器气密性的检测方法及装置 Download PDFInfo
- Publication number
- CN114878087B CN114878087B CN202210636565.3A CN202210636565A CN114878087B CN 114878087 B CN114878087 B CN 114878087B CN 202210636565 A CN202210636565 A CN 202210636565A CN 114878087 B CN114878087 B CN 114878087B
- Authority
- CN
- China
- Prior art keywords
- bubble
- air tightness
- image
- images
- pressure container
- 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
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
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/06—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing bubbles in a liquid pool
- G01M3/10—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point by observing bubbles in a liquid pool for containers, e.g. radiators
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Abstract
本发明提供了一种基于人工智能的压力容器气密性的检测方法及装置,涉及人工智能领域,方法包括:采用压力容器气密性检测设备对压力容器进行气密性检测;获取压力容器气密性检测设备的图像确认监测区域,其为包括压力容器的区域;气密性检测过程中,按时间顺序采集检测图像集合包括气密性检测过程中产生的气泡图像;将检测图像集合输入气泡分析模型,分析气泡图像的大小;按照气泡大小对气泡图像筛选,去除非气密性气泡图像获得气密性气泡图像;将气密性气泡图像输入气密性分析模型获得气泡连续性特征和气泡规模特征确定压力容器的气密性检测结果,解决了现有技术中的检测方法由于自身的局限性,导致存在实用性较差的技术问题。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种基于人工智能的压力容器气密性的检测方法及装置。
背景技术
压力容器是一种储存压缩气体或液体的特种设备,在诸多领域具有广泛的应用,压力容器内部的存储气体经过高度压缩后密封存储,良好的气密性是其安全性的有力保障,因此针对压力容器的气密性检测方面的研究一直备受关注。
目前已有的气密性检测方式包括超声波检测,红外检测和压力检测和浸水式气密性检测等,但是红外和超声波检测虽然定位准确,却存在难以确定气密性泄露程度的问题;而压力检测虽然可确定气密性泄露程度,却存在定位不准确的问题;浸水式气密性检测虽然可以同时确定气密性泄露程度和泄露位置,但是检测过程较依赖人工,导致安全性较低。
综上所述,现有技术中的检测方法由于自身的局限性,导致存在实用性较差的技术问题。
发明内容
本申请实施例通过提供了一种基于人工智能的压力容器气密性的检测方法及装置,解决了现有技术中的检测方法由于自身的局限性,导致存在实用性较差的技术问题。
鉴于上述问题,本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法及装置。
第一方面,本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法,其中,所述方法应用于基于人工智能的压力容器气密性的检测装置,所述装置包括压力容器气密性检测设备和图像采集设备,方法包括:采用所述压力容器气密性检测设备对压力容器进行气密性检测;采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;在所述气密性检测过程中,采用所述图像采集设备按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果。
另一方面,本申请实施例提供了一种基于人工智能的压力容器气密性的装置,其中,所述装置包括压力容器气密性检测设备和图像采集设备,所述装置包括:气密性检测模块,用于采用所述压力容器气密性检测设备对压力容器进行气密性检测;监测区域设定模块,用于采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;图像采集模块,用于在所述气密性检测过程中,采用所述图像采集设备按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;第一特征分析模块,用于将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;图像筛选模块,用于按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;第二特征分析模块,用于将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;检测结果获取模块,用于基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果。
本申请实施例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:
由于采用了使用压力容器气密性检测设备对对压力容器进行气密性检测:采集压力容器气密性检测设备的图像,确定包括压力容器的监测区域;在气密性检测过程中,使用图像采集设备按照时间顺序采集监测区域的图像,设为检测图像集合;从检测图像集合中提取的气密性检测过程中产生的气泡图像输入气泡分析模型,确定气泡大小信息;按照气泡大小对气泡图像进行筛选,去除非气密性气泡图像,得到气密性气泡图像;通过气密性分析模型对气密性气泡图像分析确定气泡连续性特征信息和气泡规模特征信息;依据气泡连续性特征信息和气泡规模特征信息确定压力容器的气密性检测结果的技术方案,通过机器视觉结合传统的浸水式气密性试验对气密性检测中的气泡图像进行特征分析,依据气泡连续性特征信息和气泡规模特征信息确定泄露位置和泄露程度,从而实现了对压力容器自动化程度较高且全面的气密性检测的技术效果。
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为本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法流程示意图;
图2为本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法中监测信息的确定流程示意图;
图3为本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法中气泡图像的大小信息分析流程示意图;
图4为本申请实施例提供了一种基于人工智能的压力容器气密性的检测装置结构示意图。
附图标记说明:压力容器气密性检测设备001,图像采集设备002,气密性检测模块11,监测区域设定模块12,图像采集模块13,第一特征分析模块14,图像筛选模块15,第二特征分析模块16,检测结果获取模块17。
具体实施方式
本申请实施例通过提供了一种基于人工智能的压力容器气密性的检测方法及装置,解决了现有技术中的检测方法由于自身的局限性,导致存在实用性较差的技术问题,通过机器视觉结合传统的浸水式气密性试验对气密性检测中的气泡图像进行特征分析,依据气泡连续性特征信息和气泡规模特征信息确定泄露位置和泄露程度,从而实现了对压力容器自动化程度较高且全面的气密性检测的技术效果。
申请概述
对于压力容器的气密性检测是压力容器研究中饱受关注的一项内容,目前已知的检测方式包括红外、超声波、浸水式气密性检测和压力检测等手段,但是无论何种检测方式都存在自身的局限性,例如红外、超声波具有泄露程度难以表征的问题,压力检测具有定位不准确的问题,浸水式气密性检测存在人工参与程度较高导致安全性较低的问题,进而使得现有技术存在实用性都较差的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于人工智能的压力容器气密性的检测方法及装置。通过在浸水式气密性检测的基础上增加智能化的处理逻辑:通过图像采集设备采集气密性检测过程的气泡图像;通过气泡分析模型对气泡图像特征进行筛选,去除非气密性气泡图像,得到气密性气泡图像并依赖气密性分析模型对气密性气泡图像进行特征提取,确定气泡连续性特征信息和气泡规模特征信息,进而即可确定泄露位置和泄露程度,实现压力容器的气密性检测。进而达到了自动化程度较高且得到较全面的气密性检测结果的技术效果。
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基于人工智能的压力容器气密性的检测方法,其中,所述方法应用于基于人工智能的压力容器气密性的检测装置,所述装置包括压力容器气密性检测设备和图像采集设备,所述方法包括如下步骤:
S100:采用所述压力容器气密性检测设备对压力容器进行气密性检测;
具体而言,压力容器气密性检测设备指的是浸水式气密性检测试验中不限形式的任意浸水式气密性检测设备,示例性地浸水式气密性检测设备包括:气密性检测水槽、密封塞、压力传感设备、充气设备等部件。
此处的所进行的气密性检测指的是可选的使用上述方式对压力容器进行气密性检测实验的过程,以上述举例的浸水式气密性检测设备对气密性检测试验举不设限制的一例:通过将压力容器使用密封塞封住瓶口,置入气密性检测水槽淹没;气密性检测开始后,通过充气设备向压力容器充气加压达到预设压强后停止,水槽内水面会产生气泡,后步可结合机器视觉对气泡特征进行分析,进而实现气密性自动化检测。
本申请实施例所举例的浸水式气密性检测设备及检测流程仅为实现气密性检测的一种可能的形式,并不对本申请实施例所提出的一种基于人工智能的压力容器气密性的检测方法的应用浸水式气密性检测设备具体形式加以限制,其它可常规替换形式的浸水式气密性检测设备同样在本申请的保护范围之内。
S200:采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;
具体而言,监测区域表征图像采集设备预进行图像采集的区域,具体指压力容器气密性检测设备中的水槽内的一个或多个水面预设区域。在压力容器气密性检测设备中进行气密性检测时,采集的图像位置越是和压力容器相对应,则可保障图像采集结果对气密性检测的代表性,进而可排除冗杂图像的干扰,提高图像采集结果的准确性,因此通过获取气密性检测时的压力容器气密性检测设备的图像,对其进行区域分析,确定监测区域,为后步进行图像采集的准确性增加保障。
监测区域的详细确定过程的优选实施例如下所述:
进一步的,如图2所示,基于所述采集获取压力容器气密性检测设备的图像,确认检测区域,步骤S200还包括步骤:
S210:采集获取所述压力容器气密性检测设备在历史时间内进行各类压力容器气密性检测的图像,获得历史设备图像集合;
S220:在所述历史设备图像集合内的图像中,对各类压力容器的图像区域进行框选标识,获得监测区域分析构建数据集;
S230:基于深度卷积神经网络,构建获得压力容器定位分析模型;
S240:将所述压力容器气密性检测设备的图像输入所述压力容器定位分析模型,获得输出结果;
S250:根据所述输出结果,获得所述监测区域。
具体而言,包括如下步骤:
步骤一:数据采集:历史设备图像集合指的是压力容器气密性检测设备在历史时间内进行各类压力容器气密性检测的图像,采集过程举不设限制的一例:预设采集组次,可选的任意类别的压力容器试验组次大于等于100组,基于当前时间节点对压力容器气密性检测设备进行各类压力容器气密性检测的历史图像回溯,将回溯得到的历史图像依据压力容器的类型分组存储,记为历史设备图像集合。
步骤二:数据预处理:监测区域分析构建数据集指的是依次遍历历史设备图像集合的每组图像数据,进行对应类别的压力容器标识处理后确定的结果,标识方法优选的为通过不限颜色和形状的标识框标识,标识框之内为历史设备图像集合对应类别的压力容器,将监测区域分析构建数据集依据压力容器类别分组存储,置为待响应状态,等待后步调用。
步骤三:构建分析模型:压力容器定位分析模型指的是基于深度卷积神经网络构建的用于确定压力容器定位信息的智能化模型,压力容器定位分析模型优选的构建方式优选为:通过将历史设备图像集合作为输入数据集,将监测区域分析构建数据集中的压力容器标识处理结果作为输出标识数据,基于深度卷积神经网络进行有监督训练,收敛后得到压力容器定位分析模型,选择深度卷积神经网络是由于其对图像特征提取具有较高的敏感度,进而可保障压力容器定位分析的准确性。
步骤四:监测区域划分:将压力容器气密性检测设备的图像输入压力容器定位分析模型,确定此时压力容器气密性检测设备中的压力容器的定位数据,表现形式为:框选的标识方式,进而依据输出结果中对压力容器气密性检测设备的图像的框选结果,设定监测区域,将全部的框选内的结果设备多个监测区域,置为待响应状态,等待后步调用。
S300:在所述气密性检测过程中,采用所述图像采集设备按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;
具体而言,图像采集设备是用于对压力容器气密性检测设备进行图像采集的设备,包括但不限于工业相机,部署位置优选的为压力容器气密性检测设备的上方,至少包括两个以上,保障图像采集结果的准确性,当监测区域确定完毕之后,将处于待响应状态的监测区域传输至图像采集设备,图像采集设备即可按照气密性检测过程的时间顺序采集监测区域的图像;将采集到的监测区域的图像,记为检测图像集合。
进一步的,通过对检测图像集合中的气泡图像进行提取,得到表征气密性检测过程中产生的气泡的图像集合,提取方式优选的通过对气泡特征进行特征值标定,将特征值标定结果作为输出标识信息,将检测图像集合作为输入标识信息基于三层卷积神经网络构建筛选模型实现气泡图像集合的提取,选择三层卷积神经网络是由于气泡图像集合的提取较为简单,因此采用结构简单的卷积神经网络可快速收敛,亦可保障输出的稳定性。
通过采集和压力容器位置对应的检测图像集合,进一步又准确筛选能够表征其气密性的气泡图像,降低图像冗杂性,为后步进行气密性分析的准确性奠定了准确度较高且冗杂性较低的分析数据基础。
S400:将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;
进一步的,如图3所示,基于所述分析多个所述气泡图像的大小信息,步骤S400还包括步骤:
S410:采集获取用于分析气泡大小的气泡大小分析构建数据集;
S420:基于深度卷积神经网络,采用所述气泡大小分析构建数据集,构建获得所述气泡分析模型;
S430:将所述检测图像集合输入所述气泡分析模型,获得输出结果;
S440:根据所述输出结果,获得所述检测图像内的多个气泡的气泡大小信息。
更进一步的,基于所述采集获取用于分析气泡大小的气泡大小分析构建数据集,步骤S410还包括步骤:
S411:采集获取所述压力容器气密性检测设备内产生不同气泡时的图像,获得气泡图像集合;
S412:采集获取所述气泡图像集合内气泡图像的大小信息,获得多个实际气泡大小信息;
S413:将所述气泡图像集合和多个所述实际气泡大小信息作为所述气泡大小分析构建数据集。
具体而言,气泡分析模型指的是用对检测图像集合中的气泡图像进行大小特征分析的智能化模型,优选的基于深层卷积神经网络构建,构建过程的优选实施例如下:
步骤一:采集训练数据:气泡大小分析构建数据集指的是用于构建气泡分析模型的数据集,其采集过程如下:气泡图像集合指的是表征压力容器气密性检测设备内产生不同气泡时的图像集合,优选的包括同类型压力容器在压力容器气密性检测设备内产生气泡图像集合;实际气泡大小信息指的是对气泡图像集合中的多个气泡尽心大小特征值标定后的结果,大小优选的使用半径进行表征,半径单位依据实际情况选定,可选的为nm、mm等;进一步的,将多个所述实际气泡大小信息作为输出训练数据,将气泡图像集合作为输入训练数据,记为气泡大小分析构建数据集。
步骤二:构建气泡分析模型:将多个所述实际气泡大小信息作为输出训练数据,将气泡图像集合作为输入训练数据,基于深层卷积神经网络进行有监督训练,构建气泡分析模型,当模型达到收敛后停止训练,得到用于气泡大小分析的智能化模型。
步骤三:确定气泡大小:将检测图像集合输入气泡分析模型,对多组气泡图像进行气泡大小特征分析,得到表征多个气泡大小信息的输出结果,置为待响应状态,等待后步调用。
通过对气泡大小进行特征分析,便于后步进行气密性分析图像的进一步筛选,可排除非相关图像,提高数据的精细化程度,保障分析结果的准确性。
S500:按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;
进一步的,基于所述按照多个所述气泡大小信息对多个所述气泡图像进行筛选,步骤S500还包括步骤:
S510:根据多个所述实际气泡大小信息,设置获得气泡大小阈值,其中,所述气泡大小阈值大于多个所述实际气泡大小信息中的任意一个;
S520:分别判断多个所述气泡大小信息是否大于所述气泡大小阈值,若大于,则对应的气泡图像为非气密性气泡图像,若小于,则对应的气泡图像为气密性气泡图像。
具体而言,多个气密性气泡图像指的是根据多个气泡大小信息对多个气泡图像进行筛选,去除非气密性气泡图像,进而确定的可准确表征压力容器气密性特征的图像集合,筛选规则如下:
设定气泡大小阈值,气泡大小阈值指的是表征气密性气泡的大小临界值的特征信息,优选的实际气泡大小信息设定:气泡大小阈值大于多个所述实际气泡大小信息中的任意一个;将多个气泡大小信息和气泡大小阈值依次比对,将大于或等于气泡大小阈值的气泡图像设为非气密性气泡图像,将小于气泡大小阈值的气泡图像设为气密性气泡图像,分组存储,将非气密性气泡图像置为淘汰状态,将气密性气泡图像置,依据不同的监测区域的不同位置按照采集时间顺序分组进行存储,即相同组别内同一时刻为相同监测区域的相同位置气泡图像,相同组别内不同时刻为相同监测区域的相同位置的多个气派图像,将多组气泡图像置为待响应状态,等待后步调用。
通过将非气密性气泡图像筛除,进一步提高了气泡图像对压力容器的气密性特征的表征准确度,为后步的准确表征奠定了数据基础。
S600:将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;
具体而言,气密性分析模型指的是对气密性气泡图像进行气密性特征提取的智能化模型;气泡连续性特征信息指的是表征不同的监测区域内的相同位置不同时刻的气密性气泡生成的连续性特征,示例性地如:相同时刻多个气泡之间距离特征、相同气泡不同时刻的漂浮路径特征、相同区域内的气泡大小变化特征等信息;气泡规模特征信息指的是表征气泡大小,气泡飘浮范围、聚集程度等特征信息的数据;由浸水式气密性检测实验,可得知,在传统手段中工作人员依据人眼观察,评估气泡规模特征信息和气泡规模特征信息,进而依赖经验评估压力容器的气密性,但是实际上气泡规模特征信息和气泡规模特征信息和压力容器的气密性特性,即:泄露位置和泄露程度,具有一定的规律性,进而可实现结合机器学习可实现气泡连续性特征信息和气泡规模特征信息的自动化提取,同时根据可表征相应的泄露位置和泄露程度。
首先是对气密性分析模型的构建过程通过优选实施例说明:
进一步的,基于所述将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息,步骤S600包括步骤:
S610:采集获取气泡连续性构建数据集和气泡规模构建数据集;
S620:基于深度卷积神经网络,构建所述气泡规模分析模型,其中,所述气泡规模分析模型包括输入层、输出层和气泡规模分析层,所述气泡规模分析层基于所述气泡规模构建数据集构建;
S630:根据所述气泡连续性构建数据集,构建气泡连续性分析分支;
S640:结合所述气泡连续性分支,获得所述气密性分析模型;
S650:将所述气密性气泡图像输入所述气密性分析模型,获得所述气泡连续性特征信息和气泡规模特征信息。
更进一步的,基于所述采集获取气泡连续性构建数据集合气泡规模构建数据集,步骤S610还包括步骤:
S611:采集获取不同压力容器在采用所述压力容器气密性检测设备进行气密性检测时出现气泡的图像,获得压力容器气泡图像集合;
S612:根据所述压力容器气泡图像集合内气泡的大小和气泡出现的连续性进行特征提取,获得压力容器气泡规模特征集和压力容器气泡连续性特征集;
S612:根据所述压力容器气泡图像集合、压力容器气泡规模特征集和压力容器气泡连续性特征集,分别获得所述气泡连续性构建数据集和气泡规模构建数据集。
具体而言,包括如下步骤:
步骤一:数据采集:气泡连续性构建数据集指的是用于在构建对气密性分析模型中对气泡连续性进行分析的功能模块的数据集,气泡规模构建数据集指的是用于在构建对气密性分析模型中对气泡规模进行分析的功能模块的数据集。
数据采集方式可选的如下:压力容器气泡图像集合指的是表征历史数据中不同压力容器在采用压力容器气密性检测设备进行气密性检测时出现气泡的图像集合,采集数据量由工作人员设定;压力容器气泡规模特征集指的是通过历史数据的检测结果对压力容器气泡图像集合中的气泡规模特征进行特征值标识的结果;压力容器气泡连续性特征集指的是通过历史数据的检测结果对压力容器气泡图像集合中的压力容器气泡连续性特征进行特征值标识的结果;将压力容器气泡图像集合和压力容器气泡规模特征集一一对应存储记为气泡规模构建数据集;将压力容器气泡图像集合和压力容器气泡连续性特征集一一对应存储记为气泡连续性构建数据集,置为待响应状态,等待后步调用。
步骤二:模型构建:气泡规模分析模型指的是,基于卷积神经网络模型,将压力容器气泡图像集合作为输入数据集,将压力容器气泡规模特征集作为输出标识数据集,进行有监督学习,当模型达到收敛时,完成气泡规模分析模型的构建,其包括输入层-气泡规模分析层-输出层,气泡规模分析层为深度卷积层,用于对气泡规模进行分析;进一步的,气泡连续性分析分支指的是基于压力容器气泡图像集合和压力容器气泡连续性特征集,将压力容器气泡图像集合作为输入训练数据,将压力容器气泡连续性特征集作为输出训练数据,进行有监督训练确定的用于气泡连续性特征分析的模型,其作为气泡规模分析模型的并行的分支节点模型,二者共同组成气密性分析模型。
通过气密性分析模型可对气泡连续性特征信息和气泡规模特征信息进行准确的提取,基于前述图像信息的多次筛选,此步对筛选后的图像进行气密性特征提取,可满足准确表征压力容器气密性特诊的基本要求,进而可表征其气密性特性,确定泄露位置及泄露程度。
S700:基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果。
具体而言,压力容器的气密性检测结果指的是表征压力容器的气密性特性,即泄露位置及泄露程度的数据;优选的确定方式为将气泡连续性特征信息和气泡规模特征信息输入气密性特征(连续性特征,规模特征)-气密性特性云端匹配数据库确定。
云端数据库中存储的多组数据为专业人员通过自身经验对自动化提取气泡连续性特征信息和气泡规模特征信息进行计算,确定的相应的泄露位置及泄露程度数据;通过云端大数据构建的云端数据库一者可以保障数据的存储量,二者可以保障数据的准确性及全面性;即通过输入气泡连续性特征信息和气泡规模特征信息至气密性特征(连续性特征,规模特征)-气密性特性云端匹配数据库中,即可输出对应的气密性特性,确定泄露位置和泄露程度,云端匹配数据库可选的按照预设周期更新,实现对陈旧数据的筛除及新数据的引入,满足云端匹配数据库的数据时效性。
综上所述,本申请实施例所提供的一种基于人工智能的压力容器气密性的检测方法及装置具有如下技术效果:
1.通过在浸水式气密性检测的基础上增加智能化的处理逻辑:通过图像采集设备采集气密性检测过程的气泡图像;通过气泡分析模型对气泡图像特征进行筛选,去除非气密性气泡图像,得到气密性气泡图像并依赖气密性分析模型对气密性气泡图像进行特征提取,确定气泡连续性特征信息和气泡规模特征信息,进而即可确定泄露位置和泄露程度,实现压力容器的气密性检测。进而达到了自动化程度较高且得到较全面的气密性检测结果的技术效果。
实施例二
基于与前述实施例中一种基于人工智能的压力容器气密性的检测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基于人工智能的压力容器气密性的装置,其中,所述装置包括压力容器气密性检测设备001和图像采集设备002,所述装置包括:
气密性检测模块11,用于采用所述压力容器气密性检测设备001对压力容器进行气密性检测;
监测区域设定模块12,用于采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;
图像采集模块13,用于在所述气密性检测过程中,采用所述图像采集设备002按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;
第一特征分析模块14,用于将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;
图像筛选模块15,用于按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;
第二特征分析模块16,用于将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;
检测结果获取模块17,用于基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果。
进一步的,所述监测区域设定模块12执行如下步骤:
采集获取所述压力容器气密性检测设备在历史时间内进行各类压力容器气密性检测的图像,获得历史设备图像集合;
在所述历史设备图像集合内的图像中,对各类压力容器的图像区域进行框选标识,获得监测区域分析构建数据集;
基于深度卷积神经网络,构建获得压力容器定位分析模型;
将所述压力容器气密性检测设备的图像输入所述压力容器定位分析模型,获得输出结果;
根据所述输出结果,获得所述监测区域。
进一步的,所述第一特征分析模块14执行如下步骤:
采集获取用于分析气泡大小的气泡大小分析构建数据集;
基于深度卷积神经网络,采用所述气泡大小分析构建数据集,构建获得所述气泡分析模型;
将所述检测图像集合输入所述气泡分析模型,获得输出结果;
根据所述输出结果,获得所述检测图像内的多个气泡的气泡大小信息。
进一步的,所述第一特征分析模块14还执行如下步骤:
采集获取所述压力容器气密性检测设备内产生不同气泡时的图像,获得气泡图像集合;
采集获取所述气泡图像集合内气泡图像的大小信息,获得多个实际气泡大小信息;
将所述气泡图像集合和多个所述实际气泡大小信息作为所述气泡大小分析构建数据集。
更进一步的,所述图像筛选模块15执行如下步骤:
根据多个所述实际气泡大小信息,设置获得气泡大小阈值,其中,所述气泡大小阈值大于多个所述实际气泡大小信息中的任意一个;
分别判断多个所述气泡大小信息是否大于所述气泡大小阈值,若大于,则对应的气泡图像为非气密性气泡图像,若小于,则对应的气泡图像为气密性气泡图像。
进一步的,所述第二特征分析模块16执行如下步骤:
采集获取气泡连续性构建数据集和气泡规模构建数据集;
基于深度卷积神经网络,构建所述气泡规模分析模型,其中,所述气泡规模分析模型包括输入层、输出层和气泡规模分析层,所述气泡规模分析层基于所述气泡规模构建数据集构建;
根据所述气泡连续性构建数据集,构建气泡连续性分析分支;
结合所述气泡连续性分支,获得所述气密性分析模型;
将所述气密性气泡图像输入所述气密性分析模型,获得所述气泡连续性特征信息和气泡规模特征信息。
进一步的,所述第二特征分析模块16还执行如下步骤:
采集获取不同压力容器在采用所述压力容器气密性检测设备进行气密性检测时出现气泡的图像,获得压力容器气泡图像集合;
根据所述压力容器气泡图像集合内气泡的大小和气泡出现的连续性进行特征提取,获得压力容器气泡规模特征集和压力容器气泡连续性特征集;
根据所述压力容器气泡图像集合、压力容器气泡规模特征集和压力容器气泡连续性特征集,分别获得所述气泡连续性构建数据集和气泡规模构建数据集。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。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 (7)
1.一种基于人工智能的压力容器气密性的检测方法,其特征在于,所述方法应用于基于人工智能的压力容器气密性的检测装置,所述装置包括压力容器气密性检测设备和图像采集设备,所述方法包括:
采用所述压力容器气密性检测设备对压力容器进行气密性检测;
采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;
在所述气密性检测过程中,采用所述图像采集设备按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;
将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;
按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;
将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;
基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果;
其中,所述采集获取压力容器气密性检测设备的图像,确认监测区域,包括:
采集获取所述压力容器气密性检测设备在历史时间内进行各类压力容器气密性检测的图像,获得历史设备图像集合;
在所述历史设备图像集合内的图像中,对各类压力容器的图像区域进行框选标识,获得监测区域分析构建数据集;
基于深度卷积神经网络,构建获得压力容器定位分析模型;
将所述压力容器气密性检测设备的图像输入所述压力容器定位分析模型,获得输出结果;
根据所述输出结果,获得所述监测区域。
2.根据权利要求1所述的方法,其特征在于,所述分析多个所述气泡图像的大小信息,包括:
采集获取用于分析气泡大小的气泡大小分析构建数据集;
基于深度卷积神经网络,采用所述气泡大小分析构建数据集,构建获得所述气泡分析模型;
将所述检测图像集合输入所述气泡分析模型,获得输出结果;
根据所述输出结果,获得所述检测图像内的多个气泡的气泡大小信息。
3.根据权利要求2所述的方法,其特征在于,所述采集获取用于分析气泡大小的气泡大小分析构建数据集,包括:
采集获取所述压力容器气密性检测设备内产生不同气泡时的图像,获得气泡图像集合;
采集获取所述气泡图像集合内气泡图像的大小信息,获得多个实际气泡大小信息;
将所述气泡图像集合和多个所述实际气泡大小信息作为所述气泡大小分析构建数据集。
4.根据权利要求3所述的方法,其特征在于,所述按照多个所述气泡大小信息对多个所述气泡图像进行筛选,包括:
根据多个所述实际气泡大小信息,设置获得气泡大小阈值,其中,所述气泡大小阈值大于多个所述实际气泡大小信息中的任意一个;
分别判断多个所述气泡大小信息是否大于所述气泡大小阈值,若大于,则对应的气泡图像为非气密性气泡图像,若小于,则对应的气泡图像为气密性气泡图像。
5.根据权利要求1所述的方法,其特征在于,所述将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息,包括:
采集获取气泡连续性构建数据集和气泡规模构建数据集;
基于深度卷积神经网络,构建所述气泡规模分析模型,其中,所述气泡规模分析模型包括输入层、输出层和气泡规模分析层,所述气泡规模分析层基于所述气泡规模构建数据集构建;
根据所述气泡连续性构建数据集,构建气泡连续性分析分支;
结合所述气泡连续性分析分支,获得所述气密性分析模型;
将所述气密性气泡图像输入所述气密性分析模型,获得所述气泡连续性特征信息和气泡规模特征信息。
6.根据权利要求5所述的方法,其特征在于,所述采集获取气泡连续性构建数据集合气泡规模构建数据集,包括:
采集获取不同压力容器在采用所述压力容器气密性检测设备进行气密性检测时出现气泡的图像,获得压力容器气泡图像集合;
根据所述压力容器气泡图像集合内气泡的大小和气泡出现的连续性进行特征提取,获得压力容器气泡规模特征集和压力容器气泡连续性特征集;
根据所述压力容器气泡图像集合、压力容器气泡规模特征集和压力容器气泡连续性特征集,分别获得所述气泡连续性构建数据集和气泡规模构建数据集。
7.一种基于人工智能的压力容器气密性的装置,其特征在于,所述装置包括压力容器气密性检测设备和图像采集设备,所述装置包括:
气密性检测模块,用于采用所述压力容器气密性检测设备对压力容器进行气密性检测;
监测区域设定模块,用于采集获取压力容器气密性检测设备的图像,确认监测区域,所述监测区域为包括所述压力容器的区域;
图像采集模块,用于在所述气密性检测过程中,采用所述图像采集设备按照时间顺序采集获取所述监测区域的图像,获得检测图像集合,所述检测图像内包括气密性检测过程中产生的气泡图像;
第一特征分析模块,用于将所述检测图像集合输入气泡分析模型,分析多个所述气泡图像的大小信息,获得多个气泡大小信息;
图像筛选模块,用于按照多个所述气泡大小信息对多个所述气泡图像进行筛选,去除非气密性气泡图像,获得多个气密性气泡图像;
第二特征分析模块,用于将多个所述气密性气泡图像,输入气密性分析模型,分析获得气泡连续性特征信息和气泡规模特征信息;
检测结果获取模块,用于基于所述气泡连续性特征信息和气泡规模特征信息,获得所述压力容器的气密性检测结果;
其中,所述监测区域设定模块执行如下步骤:
采集获取所述压力容器气密性检测设备在历史时间内进行各类压力容器气密性检测的图像,获得历史设备图像集合;
在所述历史设备图像集合内的图像中,对各类压力容器的图像区域进行框选标识,获得监测区域分析构建数据集;
基于深度卷积神经网络,构建获得压力容器定位分析模型;
将所述压力容器气密性检测设备的图像输入所述压力容器定位分析模型,获得输出结果;
根据所述输出结果,获得所述监测区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636565.3A CN114878087B (zh) | 2022-06-07 | 2022-06-07 | 一种基于人工智能的压力容器气密性的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636565.3A CN114878087B (zh) | 2022-06-07 | 2022-06-07 | 一种基于人工智能的压力容器气密性的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114878087A CN114878087A (zh) | 2022-08-09 |
CN114878087B true CN114878087B (zh) | 2023-04-25 |
Family
ID=82679322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636565.3A Active CN114878087B (zh) | 2022-06-07 | 2022-06-07 | 一种基于人工智能的压力容器气密性的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114878087B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451284B (zh) * | 2023-12-26 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 容器气密性异常检测方法、装置、电子设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029861A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于背景建模与质心聚类的压力容器气密性检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101065768B1 (ko) * | 2011-03-23 | 2011-09-19 | 아이리얼 주식회사 | 연료탱크의 기밀검사장치 및 방법 |
CN105389814B (zh) * | 2015-11-03 | 2017-12-08 | 浙江工业大学 | 一种用于气密性试验的气泡检测方法 |
CN111144398A (zh) * | 2018-11-02 | 2020-05-12 | 银河水滴科技(北京)有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN110487493B (zh) * | 2019-08-27 | 2021-06-04 | 浙江工业大学 | 一种用于压力容器气密性试验的多区域泄漏检测方法 |
CN112414623A (zh) * | 2020-11-04 | 2021-02-26 | 周婷婷 | 一种基于人工智能的零件气密性泄漏缺陷检测方法及系统 |
CN112380961A (zh) * | 2020-11-11 | 2021-02-19 | 邵传宏 | 一种基于人工智能的检测气泡流型评估气密性方法及系统 |
-
2022
- 2022-06-07 CN CN202210636565.3A patent/CN114878087B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029861A (zh) * | 2018-07-12 | 2018-12-18 | 浙江工业大学 | 一种基于背景建模与质心聚类的压力容器气密性检测方法 |
CN109115417A (zh) * | 2018-07-12 | 2019-01-01 | 浙江工业大学 | 一种基于连通域判断的压力容器气密性检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114878087A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105389814B (zh) | 一种用于气密性试验的气泡检测方法 | |
CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN110598736A (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
US20190118226A1 (en) | Sorting system | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断系统 | |
KR102346676B1 (ko) | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 | |
CN114878087B (zh) | 一种基于人工智能的压力容器气密性的检测方法及装置 | |
CN114548278A (zh) | 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统 | |
CN112686833A (zh) | 一种基于卷积神经网络的工业产品表面缺陷检测和分类装置 | |
CN111896549B (zh) | 一种基于机器学习的建筑物裂缝监测系统和方法 | |
CN116363125B (zh) | 基于深度学习的电池模组外观缺陷检测方法及系统 | |
CN109978870A (zh) | 用于输出信息的方法和装置 | |
CN114049565A (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
CN115673596A (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
KR102189951B1 (ko) | 이미지 분석을 이용한 선박 도장상태 검사 시스템 및 방법 | |
CN113297945A (zh) | 基于混合现实空间定位的室内设备巡检辅助方法及系统 | |
CN112184710A (zh) | 一种基于视觉感知的线扫激光气泡检测方法及系统 | |
CN112508946B (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN111353547B (zh) | 一种基于深度学习的图片处理方法、设备及系统 | |
CN113780111B (zh) | 一种基于优化YOLOv3算法的管道连接器的缺陷精确识别方法 | |
CN113033845A (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
TW202219494A (zh) | 缺陷檢測方法及檢測裝置 | |
CN113011486A (zh) | 鸡爪分类及定位模型的构建方法及系统、鸡爪分拣方法 | |
CN112700425B (zh) | 一种用于电力设备x射线图像质量的判定方法 |
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 |