CN115187792A - 管道裂缝提取方法、装置、电子设备及存储介质 - Google Patents
管道裂缝提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115187792A CN115187792A CN202211099159.4A CN202211099159A CN115187792A CN 115187792 A CN115187792 A CN 115187792A CN 202211099159 A CN202211099159 A CN 202211099159A CN 115187792 A CN115187792 A CN 115187792A
- Authority
- CN
- China
- Prior art keywords
- crack
- pipeline
- image
- point
- extracted
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 111
- 239000002245 particle Substances 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 48
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000013398 bayesian method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 15
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及管道检测技术领域，提供一种管道裂缝提取方法、装置、电子设备及存储介质，该方法通过构建管道裂缝模型，设计扩展卡尔曼滤波器和粒子滤波器，利用滤波器组对待提取管道图像中的实际裂缝进行提取，可以大大提高裂缝提取的效率及准确性，尤其适用于提取复杂管道图像中的裂缝，具有很强的实际效益。
Description
技术领域
本发明涉及管道检测技术领域，尤其涉及一种管道裂缝提取方法、装置、电子设备及存储介质。
背景技术
裂缝是地下管道最常见的损坏，地下管道中的裂缝大小是地下管道寿命评估的标准之一，对裂缝的检测是具有普遍性的技术难题。
由于人无法进入到管道内部查看缺陷点的位置，因此如何确定地下管道的缺陷点一直是修复过程中的一个难点的问题。现有的裂缝检测手段主要有：超声波检测法、图像处理方法等。超声波检测法局限于检测表面状况，在检测表面比较平整时检测效果较好，对于不平整的地下管道难以达到理想的检测效果。图像处理方法则要求图像中的裂缝具有比较高的对比度与较好的连续性，并通过人工进行裂缝识别，效率低且容易有遗漏，导致识别结果准确性降低。
为此，现急需提供一种管道裂缝提取方法。
发明内容
本发明提供一种管道裂缝提取方法、装置、电子设备及存储介质，用以解决现有技术中存在的缺陷。
本发明提供一种管道裂缝提取方法，包括：
获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
根据本发明提供的一种管道裂缝提取方法，所述提取所述待提取管道图像中的备选裂缝，具体包括：
将所述待提取管道图像进行灰度化处理，得到灰度图像；
将所述灰度图像划分为多个局部区域，并基于各局部区域内的灰度累计值，确定所述各局部区域中的感兴趣区域；
对所述感兴趣区域进行二值分割，得到裂缝分割图像；
对所述裂缝分割图像进行裂缝检测，得到所述备选裂缝。
根据本发明提供的一种管道裂缝提取方法，所述根据所述各裂缝点的特征信息，确定管道裂缝模型，具体包括：
根据所述各裂缝点中相邻裂缝点之间的相关关系，确定初始模型；
基于所述各裂缝点的特征信息，对所述初始模型进行更新，得到所述管道裂缝模型。
根据本发明提供的一种管道裂缝提取方法，所述实际裂缝包括第一类裂缝和第二类裂缝，所述第一类裂缝方向单一且无遮挡，所述第二类裂缝具有分叉且有遮挡；
相应地，所述基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取，具体包括：
基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝；
基于所述粒子滤波器，提取所述待提取管道图像中的第二类裂缝。
根据本发明提供的一种管道裂缝提取方法，所述基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝，具体包括：
基于所述扩展卡尔曼滤波器，检测所述待提取管道图像中的当前轮廓，若所述当前轮廓与历史轮廓之间的距离最小值小于设定阈值，则将所述当前轮廓加入所述距离最小值对应的历史轮廓；
基于所述待提取管道图像中的所有轮廓，确定所述第一类裂缝。
根据本发明提供的一种管道裂缝提取方法，所述提取所述待提取管道图像中的备选裂缝，具体包括：
获取所述待提取管道图像的梯度图像，并标记所述梯度图像中的极小值点，基于所述极小值点，确定所述梯度图像的骨架；
以所述极小值点为中心、所述骨架为中轴，查找所述梯度图像中所述中轴两侧的两邻域内与所述极小值点的差商最大的特征点；
以所述特征点为中心，以所述极小值点到所述特征点为矢量方向，继续查找所述矢量方向两侧的两邻域内与所述特征点的差商最大的点，直至查找到所述梯度图像的边界点，得到所述备选裂缝。
根据本发明提供的一种管道裂缝提取方法，所述基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器，具体包括：
基于所述扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息，将所述第一类概率密度函数进行变形，得到第二类概率密度函数，并基于所述第二类概率密度函数，确定所述扩展卡尔曼滤波器；
基于蒙特卡罗数值逼近法，对所述第一类概率密度函数进行计算，得到备选概率密度函数；
基于所述粒子滤波器的同类滤波器的标准概率密度函数信息，将所述备选概率密度函数进行变形，得到第三类概率密度函数，并基于所述第三类概率密度函数，确定所述粒子滤波器。
本发明还提供一种管道裂缝提取装置，包括：
图像获取模块，用于获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
模型分析模块，用于根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
滤波器确定模块，用于基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
裂缝提取模块，用于基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
本发明还提供一种电子设备，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如上述任一种所述的管道裂缝提取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的管道裂缝提取方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的管道裂缝提取方法。
本发明提供的管道裂缝提取方法、装置、电子设备及存储介质，首先获取待提取管道图像，提取待提取管道图像中的备选裂缝，并确定备选裂缝上各裂缝点的特征信息；然后根据各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析管道裂缝模型，确定各裂缝点的第一类概率密度函数；此后基于各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；最后基于扩展卡尔曼滤波器以及粒子滤波器，对待提取管道图像中的实际裂缝进行提取。该方法通过构建管道裂缝模型，设计扩展卡尔曼滤波器和粒子滤波器，利用滤波器组对待提取管道图像中的实际裂缝进行提取，可以大大提高裂缝提取的效率及准确性，尤其适用于提取复杂管道图像中的裂缝，具有很强的实际效益。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的管道扫描方法的流程示意图；
图2是本发明提供的管道扫描装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于现有技术中用于检测裂缝的超声波检测法局限于检测表面状况，在检测表面比较平整时检测效果较好，对于不平整的地下管道难以达到理想的检测效果。而图像处理方法则要求图像中的裂缝具有比较高的对比度与较好的连续性，并通过人工进行裂缝识别，效率低且容易有遗漏，导致识别结果准确性降低。为此，本发明实施例中提供了一种管道裂缝提取方法。
图1为本发明实施例中提供的一种管道裂缝提取方法的流程示意图，如图1所示，该方法包括：
S1，获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
S2，根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
S3，基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
S4，基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
具体地，本发明实施例中提供的管道裂缝提取方法，其执行主体为管道裂缝提取装置，该装置可以配置于服务器内，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。
首先执行步骤S1，获取待提取管道图像，该待提取管道图像是指需要确定其中是否具有裂缝并在具有裂缝的情况提取裂缝的目标管道的图像。该待提取管道图像可以是目标管道的内壁图像，也可以是目标管道的外表面图像，此处不作具体限定。该待提取管道图像可以是彩色图像。
待提取管道图像可以通过图像采集设备采集得到，图像采集设备可以与管道裂缝提取装置通信连接，以将采集到的待提取管道图像传输至管道裂缝提取装置。本发明实施例中，图像采集设备可以是工业相机，例如可以是双目相机。
若待提取管道图像为内壁图像，图像采集设备可以搭载在能够在目标管道内行走的管道机器人上；若待提取管道图像为外表面图像，图像采集设备可以朝向目标管道固定设置，此处不作具体限定。
在获取到待提取管道图像之后，可以提取待提取管道图像中的备选裂缝，提取方式可以采用动态阈值分割方法实现，也可以将备选裂缝作为路径，通过路径识别的方式实现，此处不作具体限定。备选裂缝的数量可以为一个或多个，每个备选裂缝可以包括若干连续等间距的裂缝点。
此后，可以确定备选裂缝上各裂缝点的特征信息。每一裂缝点均对应有特征信息，特征信息可以包括裂缝点对应的行裂缝点数、列裂缝点数、延伸方向以及曲率变化量。
例如，备选裂缝上共有M个裂缝点，则对于备选裂缝上的任一裂缝点k（1≤k≤M），
裂缝点k的特征信息
可以用行裂缝点数、列裂缝点数、延伸方向以及曲率变化量构成的
四维向量进行表示，即有
。其中，行裂缝点数
是指裂缝点k所在行
的连续裂缝点数，例如可以是3个，即可以每相邻的3个裂缝点组成一行；列裂缝点数
是指
裂缝点k所在列的连续裂缝点数，例如可以是3个，即可以每相邻的3个裂缝点组成一列；延
伸方向
是指裂缝点k临近的连续裂缝点所成的方向；
是指备选裂缝上裂缝点k的曲率变
化量，即裂缝点k较前一裂缝点k-1的方向变化。
然后执行步骤S2，根据各裂缝点的特征信息，确定管道裂缝模型，管道裂缝模型可以用于表征相邻裂缝点的特征信息之间的相关关系。此后，可以结合贝叶斯方法，对管道裂缝模型进行分析，确定出各裂缝点的第一类概率密度函数。该第一类概率密度函数可以用于确定后续构建扩展卡尔曼滤波器和粒子滤波器所需的概率密度函数。由于扩展卡尔曼滤波器以及粒子滤波器均包含有预测阶段和更新阶段，预测阶段需要用到先验概率密度函数，更新阶段需要用到后验概率密度函数，因此第一类概率密度函数可以包括第一类先验概率密度函数以及第一类后验概率密度函数。
此处，可以先利用贝叶斯方法，获取各裂缝点对应的测量序列，裂缝点k对应的测
量序列可以包括裂缝点k的测量值
与备选裂缝上裂缝点k之前的前k-1个裂缝点的测量
值，即有
。进而，可以根据各裂缝点对应的测量序列，则确定出第一类
先验概率密度函数以及第一类后验概率密度函数。
第一类先验概率密度函数可以表示为：
第一类后验概率密度函数可以表示为：
然后执行步骤S3，基于各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器。此处，可以先根据第一类概率密度函数，通过变形等预处理方式确定用于构建扩展卡尔曼滤波器的第二类概率密度函数以及用于构建粒子滤波器的第三类概率密度函数，然后通过第二类概率密度函数构建扩展卡尔曼滤波器，通过第三类概率密度函数构建粒子滤波器。
扩展卡尔曼滤波模型是一种时间序列模型，它的目标是对某个变量进行后验估计，这个变量叫状态变量。但是，由于无法直接获取到状态变量的信息，只能间接地获取到与状态变量相关的另一变量的信息，并且这个信息往往是带有噪声的。即假如知道状态变量的取值了，那么测量变量的分布就随之确定了，这个条件概率分布为发射概率模型。其中，“分布”体现出测量过程是有噪声的，因为如果没有噪声的话，测量变量就是一个确切的值而不是分布，其实就是测量噪声的不确定性模型。另外，状态变量是可以在不同的取值之间变化的，这一变化为状态转移。如果知道上一个测量时刻状态变量的取值，那么在新的测量发生的时刻，状态变量的分布也是知道的，这个条件概率分布为转移概率模型。其中，“分布”体现出转移过程是有噪声的，其实就是转移噪声的不确定性模型。本发明实施例中扩展卡尔曼滤波模型的目标就是根据一系列带有噪声的测量值，去估计一系列的状态值是多少，每一个测量值对应输出一个状态值。
扩展卡尔曼滤波器是由测量方程所得到的测量信息求解系统状态的最优估计，整个滤波过程包括预测过程和更新过程。预测过程负责推算当前状态变量和误差协方差估计值，以便为下一个时间状态构造先验估计；更新过程负责反馈，它将先验估计和新的测量变量值结合以构造改进的后验估计。
最后执行步骤S4，根据扩展卡尔曼滤波器以及粒子滤波器，对待提取管道图像中的实际裂缝进行提取。此处，可以将待提取管道图像分别输入至扩展卡尔曼滤波器以及粒子滤波器中进行处理，扩展卡尔曼滤波器以及粒子滤波器输出的结果均可以作为实际裂缝。
虽然步骤S1中提取了初始裂缝，但是其准确性不高，而此处结合扩展卡尔曼滤波器以及粒子滤波器，提取得到的实际裂缝可以认为是目标管道中实际存在的裂缝，其准确性大大提高。
本发明实施例中提供的管道裂缝提取方法，首先获取待提取管道图像，提取待提取管道图像中的备选裂缝，并确定备选裂缝上各裂缝点的特征信息；然后根据各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析管道裂缝模型，确定各裂缝点的第一类概率密度函数；此后基于各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；最后基于扩展卡尔曼滤波器以及粒子滤波器，对待提取管道图像中的实际裂缝进行提取。该方法通过构建管道裂缝模型，设计扩展卡尔曼滤波器和粒子滤波器，利用滤波器组对待提取管道图像中的实际裂缝进行提取，可以大大提高裂缝提取的效率及准确性，尤其适用于提取复杂管道图像中的裂缝，具有很强的实际效益。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述提取所述待提取管道图像中的备选裂缝，具体包括：
将所述待提取管道图像进行灰度化处理，得到灰度图像；
将所述灰度图像划分为多个局部区域，并基于各局部区域内的灰度累计值，确定所述各局部区域中的感兴趣区域；
对所述感兴趣区域进行二值分割，得到裂缝分割图像；
对所述裂缝分割图像进行裂缝检测，得到所述备选裂缝。
具体地，本发明实施例中，在提取备选裂缝时，可以采用通过动态阈值分割方法实现。为了精确提取裂缝，避免提取假裂缝，可以先对待提取管道图像进行灰度化处理，得到灰度图像。
然后，可以通过均匀网格划分的方式将灰度图像划分为多个局部区域。局部区域的数量可以根据需要进行设定，此处不做具体限定。
此后，可以统计各局部区域内的灰度累计值，得到所有局部区域的灰度分布。此后，可以计算各局部区域内的灰度累计值的平均值，并将该平均值作为灰度阈值，利用该灰度阈值筛选出所有局部区域中的感兴趣区域。例如，可以将所有局部区域中灰度累计值小于灰度阈值的局部区域作为感兴趣区域。
然后，可以对感兴趣区域进行预处理，预处理方式可以包括中值滤波去噪以及基于模糊集的图像增强处理等方式，以使感兴趣区域的图像质量更高。
此后，对感兴趣区域进行二值分割，得到裂缝分割图像。二值分割的对象既可以是未经预处理的感兴趣区域，也可以是经过预处理之后的感兴趣区域，此处不作具体限定。
最后，可以对裂缝分割图像进行裂缝检测，得到备选裂缝。在进行裂缝检测之前，为提高裂缝检测效率，降低噪声的影响，还可以先对裂缝分割图像进行残余孤立噪声的去除。裂缝检测的过程，可以通过基于种子点生长的裂缝点连接方式实现。
本发明实施例中，在提取待提取管道图像中的备选裂缝时，先对待提取管道图像进行灰度化处理、区域划分以及二值分割等操作，然后再进行裂缝检测，不仅可以降低裂缝检测的难度，还可以保证得到的备选裂缝的准确性，进而提高实际裂缝的准确性。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述根据所述各裂缝点的特征信息，确定管道裂缝模型，具体包括：
根据所述各裂缝点中相邻裂缝点之间的相关关系，确定初始模型；
基于所述各裂缝点的特征信息，对所述初始模型进行更新，得到所述管道裂缝模型。
具体地，本发明实施例中，在确定管道裂缝模型的过程中，可以先根据各裂缝点中相邻裂缝点之间的相关关系，确定初始模型。该初始模型可以表示为：
其中，
为裂缝点k的特征信息，可以用于表征裂缝点k的真实噪声，利用该真实
噪声表征裂缝点k的状态值。
为作用在裂缝点k-1上的函数，为状态变量到测量变量（即观
测变量）的转换矩阵，表示将状态变量和观测变量连接起来的关系。
为裂缝点k的过程噪
声，其符合均值为0、协方差矩阵为
的多元正太分布，即有：
在确定备选裂缝之后，可以从其上的各裂缝点中的初始点开始，逐个裂缝点估计其过程噪声。
由于待提取管道图像中的测量值存在测量误差
（即测量噪声），因此可以基于测
量噪声构建测量方程。对于裂缝点k，其特征信息
，对应的测量值
满足如下测量方程：
其中，
是单位矩阵，用于将真实状态空间映射为测量空间；
为测量噪声，其符
合均值为0、协方差矩阵为
的正态分布，即有：
结合公式（4）以及
，可以对初始模型进行更新，进而得到管道
裂缝模型，即有：
本发明实施例中，结合各裂缝点的特征信息，确定管道裂缝模型，可以使该管道裂缝模型用于表征相邻裂缝点的特征信息之间的相关关系，为管道裂缝提取提供理论基础。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述实际裂缝包括第一类裂缝和第二类裂缝，所述第一类裂缝方向单一且无遮挡，所述第二类裂缝具有分叉且有遮挡；
相应地，所述基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取，具体包括：
基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝；
基于所述粒子滤波器，提取所述待提取管道图像中的第二类裂缝。
具体地，本发明实施例中，可以根据目标管道内实际裂缝的形态将实际裂缝分为第一类裂缝以及第二类裂缝，第一类裂缝是指方向单一且无遮挡的裂缝，第二类裂缝是指具有分叉且有遮挡的裂缝。
进而，在借助于扩展卡尔曼滤波器以及粒子滤波器，对待提取管道图像中的实际裂缝进行提取的过程中，可以借助于扩展卡尔曼滤波器，提取待提取管道图像中的第一类裂缝，即将待提取管道图像输入至扩展卡尔曼滤波器中，得到扩展卡尔曼滤波器输出的第一类裂缝。
可以借助于粒子滤波器，提取待提取管道图像中的第二类裂缝，即将待提取管道图像输入至粒子滤波器中，得到粒子滤波器输出的第二类裂缝。
本发明实施例中，借助于扩展卡尔曼滤波器以及粒子滤波器，可以提取出待提取管道图像中不同类型的裂缝，可以实现裂缝的分流提取，提高提取效率。而且，还便于实现对实际裂缝的全面提取。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝，具体包括：
基于所述扩展卡尔曼滤波器，检测所述待提取管道图像中的当前轮廓，若所述当前轮廓与历史轮廓之间的距离最小值小于设定阈值，则将所述当前轮廓加入所述距离最小值对应的历史轮廓；
基于所述待提取管道图像中的所有轮廓，确定所述第一类裂缝。
具体地，本发明实施例中，在通过扩展卡尔曼滤波器，提取待提取管道图像中的第一类裂缝时，可以先扩展卡尔曼滤波器，检测待提取管道图像中的当前轮廓，若当前轮廓与历史轮廓之间的距离最小值小于设定阈值，则将当前轮廓加入距离最小值对应的历史轮廓。
若当前轮廓与历史轮廓之间的距离最小值大于或等于设定阈值，则维持不变，即将当前轮廓作为区别于历史轮廓的新的轮廓。此时，还可以对当前轮廓进行有效性测试，若通过有效性测试，则将当前轮廓作为一个新的轮廓。
此后，结合待提取管道图像中的所有轮廓，确定出第一类裂缝，即可以将每个轮廓作为一个第一类裂缝，待提取管道图像中的轮廓个数与第一类裂缝的个数相同。
本发明实施例中，通过扩展卡尔曼滤波器以检测轮廓的方式确定第一类裂缝，可以保证第一类裂缝的准确提取。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述基于所述粒子滤波器，提取所述待提取管道图像中的第二类裂缝，具体包括：
基于所述粒子滤波器，提取所述待提取管道图像中的粒子；所述粒子用于表征所述待提取管道图像中的遮挡物、分叉的位置信息；
建立搜索窗口，并基于所述粒子，获取所述遮挡物以及所述分叉，并利用Sobel模版提取所述分叉对应的所述第二类裂缝。
具体地，本发明实施例中，在基于粒子滤波器，提取待提取管道图像中的第二类裂缝的过程中，可以先根据粒子滤波器，提取待提取管道图像中的粒子。该粒子可以是事先在目标管道的遮挡物或分叉的位置设置的粒子，该粒子可以为白色或彩色。该粒子的数量可以根据需要进行设置，此处不作具体限定。通过该粒子可以表征待提取管道图像中的遮挡物、分叉的位置信息，进而提取出粒子则可以确定遮挡物、分叉的位置信息。
此后，可以建立搜索窗口，该搜索窗口的形状可以为圆形或正方形，也可以是其他形状，该搜索窗口的大小也可以根据需要进行设置，此处不作具体限定。通过该搜索窗口，则可以结合上述步骤得到的粒子，获取遮挡物以及分叉，并利用Sobel模版可以提取出分叉对应的第二类裂缝。
本发明实施例中，通过粒子滤波器以提取粒子并结合搜索窗口、Sobel模版的方式确定第二类裂缝，可以保证第二类裂缝的准确提取。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述提取所述待提取管道图像中的备选裂缝，具体包括：
获取所述待提取管道图像的梯度图像，并标记所述梯度图像中的极小值点，基于所述极小值点，确定所述梯度图像的骨架；
以所述极小值点为中心、所述骨架为中轴，查找所述梯度图像中所述中轴两侧的两邻域内与所述极小值点的差商最大的特征点；
以所述特征点为中心，以所述极小值点到所述特征点为矢量方向，继续查找所述矢量方向两侧的两邻域内与所述特征点的差商最大的点，直至查找到所述梯度图像的边界点，得到所述备选裂缝。
具体地，本发明实施例中，在提取待提取管道图像中的备选裂缝时，可以采用识别路径的方式实现。即可以先获取待提取管道图像的梯度图像，并标记梯度图像中的极小值点，该极小值点可以被称为谷点，极小值点的数量可以为一个或多个。结合极小值点，可以确定梯度图像的骨架，该骨架可以为所有极小值点的连线。
然后，以每个极小值点为中心、骨架为中轴，查找梯度图像中在中轴两侧的两邻域内与每个极小值点的差商最大的特征点。并继续以每个特征点为中心，以极小值点到特征点为矢量方向，继续查找矢量方向两侧的两邻域内与特征点的差商最大的点，直至查找到梯度图像的边界点。此时可以将所有查找到的点进行连线，即可得到备选裂缝。
本发明实施例中，提供了另外一种提取备选裂缝的方式，可以保证备选裂缝的成功提取。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取方法，所述基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器，具体包括：
基于所述扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息，将所述第一类概率密度函数进行变形，得到第二类概率密度函数，并基于所述第二类概率密度函数，确定所述扩展卡尔曼滤波器；
基于蒙特卡罗数值逼近法，对所述第一类概率密度函数进行计算，得到备选概率密度函数；
基于所述粒子滤波器的同类滤波器的标准概率密度函数信息，将所述备选概率密度函数进行变形，得到第三类概率密度函数，并基于所述第三类概率密度函数，确定所述粒子滤波器。
具体地，本发明实施例中，在确定扩展卡尔曼滤波器和粒子滤波器的过程中，可以先确定扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息，该标准概率密度函数信息可以包括先验概率密度函数和后验概率密度函数均为高斯型函数且具有相同的均值和协方差。
此后，可以根据上述标准概率密度函数信息，将第一类概率密度函数进行变形，得到第二类概率密度函数。第二类概率密度函数可以包括第二类先验概率密度函数和第二类后验概率密度函数。
预测阶段的第二类先验概率密度函数可以通过公式（1）变形得到，即有：
更新阶段的第二类后验概率密度函数可以通过公式（2）变形得到，即有：
其中，
为卡尔曼增益，
是在第k步对状态向量的先验估计在这一步估计过
程中，通过对之前获得的测量值处理可以得到更好的估计后果。
是更新阶段的利用第k步的测量值得到的后验状态向量估计值；
为预测估计协方差矩阵，
为更新的协方
差矩阵；
最终，结合上述公式（6）-（10），确定扩展卡尔曼滤波器。
可以理解的是，在确定公式（6）-（10）之后，还可以利用最小均方误差估计可以得到最优解x。
而对于粒子滤波器，则可以先根据蒙特卡罗数值逼近法，对第一类概率密度函数进行计算，即对公式（1）-（2）进行计算，得到备选概率密度函数。备选概率密度函数可以表示为：
其中，N为粒子数目，
分别为第k步第i个粒子的状态和权值。
此后，可以确定粒子滤波器的同类滤波器的标准概率密度函数信息，该标准概率密度函数信息可以与扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息相同，均可以包括先验概率密度函数和后验概率密度函数均为高斯型函数且具有相同的均值和协方差。
然后，根据粒子滤波器的同类滤波器的标准概率密度函数信息，可以将计算得到的备选概率密度函数进行变形，得到第三类概率密度函数，即有：
最终，结合上述公式（12），可以确定粒子滤波器。
综上所述，本发明实施例中提供的管道裂缝提取方法，通过构建裂缝模型，设计扩展卡尔曼滤波器和粒子滤波器，利用滤波器组来设计算法并对管道图像中的裂缝进行处理；在每一个阶段通过利用扩展卡尔曼滤波器的状态预测获得测量数据，在扩展卡尔曼滤波器和粒子滤波器的使用过程中获得一个正反馈结果，降低算法的工作效率以及在一些极端情况下会产生一些不良后果。有利于提取复杂管道图像中的裂缝，具有很强的实际效益。
如图2所示，在上述实施例的基础上，本发明实施例中提供了一种管道裂缝提取装置，包括：
图像获取模块21，用于获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
模型分析模块22，用于根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
滤波器确定模块23，用于基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
裂缝提取模块24，用于基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述图像获取模块，具体用于：
将所述待提取管道图像进行灰度化处理，得到灰度图像；
将所述灰度图像划分为多个局部区域，并基于各局部区域内的灰度累计值，确定所述各局部区域中的感兴趣区域；
对所述感兴趣区域进行二值分割，得到裂缝分割图像；
对所述裂缝分割图像进行裂缝检测，得到所述备选裂缝。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述模型分析模块，具体用于：
根据所述各裂缝点中相邻裂缝点之间的相关关系，确定初始模型；
基于所述各裂缝点的特征信息，对所述初始模型进行更新，得到所述管道裂缝模型。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述实际裂缝包括第一类裂缝和第二类裂缝，所述第一类裂缝方向单一且无遮挡，所述第二类裂缝具有分叉且有遮挡；
相应地，所述裂缝提取模块，具体用于：
基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝；
基于所述粒子滤波器，提取所述待提取管道图像中的第二类裂缝。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述裂缝提取模块，具体用于：
基于所述扩展卡尔曼滤波器，检测所述待提取管道图像中的当前轮廓，若所述当前轮廓与历史轮廓之间的距离最小值小于设定阈值，则将所述当前轮廓加入所述距离最小值对应的历史轮廓；
基于所述待提取管道图像中的所有轮廓，确定所述第一类裂缝。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述图像获取模块，具体用于：
获取所述待提取管道图像的梯度图像，并标记所述梯度图像中的极小值点，基于所述极小值点，确定所述梯度图像的骨架；
以所述极小值点为中心、所述骨架为中轴，查找所述梯度图像中所述中轴两侧的两邻域内与所述极小值点的差商最大的特征点；
以所述特征点为中心，以所述极小值点到所述特征点为矢量方向，继续查找所述矢量方向两侧的两邻域内与所述特征点的差商最大的点，直至查找到所述梯度图像的边界点，得到所述备选裂缝。
在上述实施例的基础上，本发明实施例中提供的管道裂缝提取装置，所述滤波器确定模块，具体用于：
基于所述扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息，将所述第一类概率密度函数进行变形，得到第二类概率密度函数，并基于所述第二类概率密度函数，确定所述扩展卡尔曼滤波器；
基于蒙特卡罗数值逼近法，对所述第一类概率密度函数进行计算，得到备选概率密度函数；
基于所述粒子滤波器的同类滤波器的标准概率密度函数信息，将所述备选概率密度函数进行变形，得到第三类概率密度函数，并基于所述第三类概率密度函数，确定所述粒子滤波器。
具体地，本发明实施例中提供的管道裂缝提取装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（Processor）310、通信接口（Communications Interface）320、存储器（Memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各实施例中提供的管道裂缝提取方法，该方法包括：获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
此外，上述的存储器330中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例中提供的管道裂缝提取方法，该方法包括：获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例中提供的管道裂缝提取方法，该方法包括：获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。
Claims (10)
1.一种管道裂缝提取方法，其特征在于，包括：
获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
2.根据权利要求1所述的管道裂缝提取方法，其特征在于，所述提取所述待提取管道图像中的备选裂缝，具体包括：
将所述待提取管道图像进行灰度化处理，得到灰度图像；
将所述灰度图像划分为多个局部区域，并基于各局部区域内的灰度累计值，确定所述各局部区域中的感兴趣区域；
对所述感兴趣区域进行二值分割，得到裂缝分割图像；
对所述裂缝分割图像进行裂缝检测，得到所述备选裂缝。
3.根据权利要求1所述的管道裂缝提取方法，其特征在于，所述根据所述各裂缝点的特征信息，确定管道裂缝模型，具体包括：
根据所述各裂缝点中相邻裂缝点之间的相关关系，确定初始模型；
基于所述各裂缝点的特征信息，对所述初始模型进行更新，得到所述管道裂缝模型。
4.根据权利要求1所述的管道裂缝提取方法，其特征在于，所述实际裂缝包括第一类裂缝和第二类裂缝，所述第一类裂缝方向单一且无遮挡，所述第二类裂缝具有分叉且有遮挡；
相应地，所述基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取，具体包括：
基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝；
基于所述粒子滤波器，提取所述待提取管道图像中的第二类裂缝。
5.根据权利要求4所述的管道裂缝提取方法，其特征在于，所述基于所述扩展卡尔曼滤波器，提取所述待提取管道图像中的第一类裂缝，具体包括：
基于所述扩展卡尔曼滤波器，检测所述待提取管道图像中的当前轮廓，若所述当前轮廓与历史轮廓之间的距离最小值小于设定阈值，则将所述当前轮廓加入所述距离最小值对应的历史轮廓；
基于所述待提取管道图像中的所有轮廓，确定所述第一类裂缝。
6.根据权利要求1所述的管道裂缝提取方法，其特征在于，所述提取所述待提取管道图像中的备选裂缝，具体包括：
获取所述待提取管道图像的梯度图像，并标记所述梯度图像中的极小值点，基于所述极小值点，确定所述梯度图像的骨架；
以所述极小值点为中心、所述骨架为中轴，查找所述梯度图像中所述中轴两侧的两邻域内与所述极小值点的差商最大的特征点；
以所述特征点为中心，以所述极小值点到所述特征点为矢量方向，继续查找所述矢量方向两侧的两邻域内与所述特征点的差商最大的点，直至查找到所述梯度图像的边界点，得到所述备选裂缝。
7.根据权利要求1-6中任一项所述的管道裂缝提取方法，其特征在于，所述基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器，具体包括：
基于所述扩展卡尔曼滤波器的同类滤波器的标准概率密度函数信息，将所述第一类概率密度函数进行变形，得到第二类概率密度函数，并基于所述第二类概率密度函数，确定所述扩展卡尔曼滤波器；
基于蒙特卡罗数值逼近法，对所述第一类概率密度函数进行计算，得到备选概率密度函数；
基于所述粒子滤波器的同类滤波器的标准概率密度函数信息，将所述备选概率密度函数进行变形，得到第三类概率密度函数，并基于所述第三类概率密度函数，确定所述粒子滤波器。
8.一种管道裂缝提取装置，其特征在于，包括：
图像获取模块，用于获取待提取管道图像，提取所述待提取管道图像中的备选裂缝，并确定所述备选裂缝上各裂缝点的特征信息；
模型分析模块，用于根据所述各裂缝点的特征信息，确定管道裂缝模型，并基于贝叶斯方法，分析所述管道裂缝模型，确定所述各裂缝点的第一类概率密度函数；
滤波器确定模块，用于基于所述各裂缝点的第一类概率密度函数，确定扩展卡尔曼滤波器和粒子滤波器；
裂缝提取模块，用于基于所述扩展卡尔曼滤波器以及所述粒子滤波器，对所述待提取管道图像中的实际裂缝进行提取。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1-7中任一项所述的管道裂缝提取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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1-7中任一项所述的管道裂缝提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211099159.4A CN115187792B (zh) | 2022-09-09 | 2022-09-09 | 管道裂缝提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211099159.4A CN115187792B (zh) | 2022-09-09 | 2022-09-09 | 管道裂缝提取方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115187792A true CN115187792A (zh) | 2022-10-14 |
| CN115187792B CN115187792B (zh) | 2022-12-20 |
Family
ID=83524665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211099159.4A Active CN115187792B (zh) | 2022-09-09 | 2022-09-09 | 管道裂缝提取方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187792B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106112318A (zh) * | 2016-07-13 | 2016-11-16 | 桂林航天工业学院 | 一种基于视觉的在线焊缝跟踪方法及系统 |
| CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
| CN109949346A (zh) * | 2019-03-04 | 2019-06-28 | 天津科技大学 | 基于方向梯度直方图粒子滤波的焊缝跟踪方法 |
| CN111521178A (zh) * | 2020-04-28 | 2020-08-11 | 中国人民解放军国防科技大学 | 基于管长约束的钻探用定位定向仪孔内定位方法 |
| US20210069813A1 (en) * | 2018-02-08 | 2021-03-11 | Novarc Technologies Inc. | Systems and methods for seam tracking in pipe welding |
| CN114222240A (zh) * | 2021-10-29 | 2022-03-22 | 中国石油大学(华东) | 一种基于粒子滤波的多源融合定位方法 |
-
2022
- 2022-09-09 CN CN202211099159.4A patent/CN115187792B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106112318A (zh) * | 2016-07-13 | 2016-11-16 | 桂林航天工业学院 | 一种基于视觉的在线焊缝跟踪方法及系统 |
| US20210069813A1 (en) * | 2018-02-08 | 2021-03-11 | Novarc Technologies Inc. | Systems and methods for seam tracking in pipe welding |
| CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
| CN109949346A (zh) * | 2019-03-04 | 2019-06-28 | 天津科技大学 | 基于方向梯度直方图粒子滤波的焊缝跟踪方法 |
| CN111521178A (zh) * | 2020-04-28 | 2020-08-11 | 中国人民解放军国防科技大学 | 基于管长约束的钻探用定位定向仪孔内定位方法 |
| CN114222240A (zh) * | 2021-10-29 | 2022-03-22 | 中国石油大学(华东) | 一种基于粒子滤波的多源融合定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| WENJUN SHAO ET AL.: "A robust weld seam detection method based on particle filter for laser welding by using a passive vision sensor", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
| 莫玲: "微间隙焊缝磁光成像识别模型研究", 《中国博士学位论文全文数据库工程科技Ⅰ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115187792B (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fujita et al. | A robust automatic crack detection method from noisy concrete surfaces | |
| EP2360642A2 (en) | Video object tracking | |
| CN110673109B (zh) | 一种星载大光斑激光雷达全波形数据分解方法 | |
| CN106600602B (zh) | 基于聚类自适应窗高光谱图像异常检测方法 | |
| CN104268515A (zh) | 一种精子形态异常检测方法 | |
| US8582810B2 (en) | Detecting potential changed objects in images | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| EP1513104A2 (en) | Improvements in or relating to similarity measures | |
| CN114972882B (zh) | 基于多注意力机制的磨损表面损伤深度估计方法及系统 | |
| CN115082487B (zh) | 超声图像切面质量评价方法、装置、超声设备及存储介质 | |
| Purnama et al. | Follicle detection on the usg images to support determination of polycystic ovary syndrome | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
| Karavasilis et al. | Visual tracking by adaptive Kalman filtering and mean shift | |
| CN115187792B (zh) | 管道裂缝提取方法、装置、电子设备及存储介质 | |
| CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
| CN111310839A (zh) | 一种钼靶图像中乳头位置的检测方法及系统 | |
| Fujita et al. | A robust method for automatically detecting cracks on noisy concrete surfaces | |
| CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
| CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| CN111724366B (zh) | 一种激光腔识别方法及装置 | |
| CN116958152B (zh) | 一种零件尺寸测量方法、装置、设备及介质 | |
| CN114283296B (zh) | 一种基于结构相似度的目标识别自评估方法 | |
| Balasooriya et al. | Nonparametric Segmentation for Anatomical Structures through Nonlinear Optimization | |
| Gelzinis et al. | Learning accurate active contours |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Pipeline crack extraction method, device, electronic equipment, and storage medium Granted publication date: 20221220 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN EASY-SIGHT TECHNOLOGY Co.,Ltd. Registration number: Y2024980005423 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |