CN115526889B - 基于图像处理的锅炉压力管道的无损检测方法 - Google Patents
基于图像处理的锅炉压力管道的无损检测方法 Download PDFInfo
- Publication number
- CN115526889B CN115526889B CN202211481601.XA CN202211481601A CN115526889B CN 115526889 B CN115526889 B CN 115526889B CN 202211481601 A CN202211481601 A CN 202211481601A CN 115526889 B CN115526889 B CN 115526889B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel point
- image
- hue
- pressure pipeline
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 140
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 230000002950 deficient Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/10024—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的锅炉压力管道的无损检测方法。该方法包括：得到灰度图像和每个像素点的色相因子；获得每个缺陷区域的最小外接圆和质心；以质心为起点向至少两个方向作射线，每个方向的射线交缺陷区域的边缘和最小外接圆于两点，其中与缺陷区域边缘的交点为第一像素点，求取所述两点之间的距离，作为第一距离；根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标；根据特征矩阵中各元素获得缺陷区域的异常指标；根据每个缺陷区域的异常指标判断压力管道的损坏程度。本发明能够准确的检测锅炉压力管道的损坏程度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的锅炉压力管道的无损检测方法。
背景技术
在实际工业生产领域，锅炉是工业生产发展过程中的巨大力量，在工业生产领域起到了至关重要的作用。但在锅炉容器长时间使用过程中，由于内部和外部复杂的工作环境使得锅炉的压力管道出现凹陷缺陷，这种锅炉的压力管道的坑点缺陷问题会对锅炉的正常运转造成很大的影响，若不及时对锅炉压力管道的凹陷缺陷进行检测，不仅会对锅炉容器的使用寿命造成极大影响，而且隐藏了巨大的安全运行隐患。
现有的对于坑点的缺陷检测方法有使用激光雷达来检测压力管道表面的凹陷的，但是由于压力管道的凹陷区域小，特征不明显和压力管道的反射问题，直接用激光雷达对凹陷缺陷进行检测会存在误差较大的问题；另外，随着图像处理技术和AI技术的发展，采用神经网络进行凹陷缺陷检测的方法是一种常用的方法，但训练神经网络需要大量的样本数据，且需要人工对其样本数据进行标注，工作量较大，同时对于灰度差异不明显的凹陷区域进行检测时，检测结果并不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的锅炉压力管道的无损检测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于图像处理的锅炉压力管道的无损检测方法，方法包括：获取锅炉压力管道的表面图像并预处理得到灰度图像和HSV图像；基于HSV图像获得每个像素点的色相因子；
对灰度图像中的边缘像素点进行筛选，基于筛选后的边缘像素点获得闭合边缘区域，闭合边缘区域为缺陷区域；
获得每个缺陷区域的最小外接圆和质心；以质心为起点向至少两个方向作射线，每个方向的射线交缺陷区域的边缘和最小外接圆于两点，求取所述两点之间的距离，作为第一距离，其中与缺陷区域边缘的交点为第一像素点；
获取缺陷区域边缘上每个第一像素点与质心的连线，作为第一线段；根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标；
缺陷区域边缘上每个第一像素点对应的第一距离和色相指标组成每个缺陷区域的特征矩阵；根据特征矩阵中各元素获得缺陷区域的异常指标；根据每个缺陷区域的异常指标判断压力管道的损坏程度。
优选地，获取锅炉压力管道的表面图像并预处理得到灰度图像和HSV图像，包括：获取锅炉压力管道的表面图像，将表面图像转化为第一灰度图；利用高斯滤波对第一灰度图进行降噪处理得到灰度图像，将灰度图像转化到HSV空间，得到HSV图像。
优选地，基于HSV图像获得每个像素点的色相因子，包括：获得HSV图像中每个像素点的H通道值；HSV图像中每个像素点的H通道值与HSV图像中所有像素点的H通道值的标准差的比值为每个像素点的色相因子。
优选地，对灰度图像中的边缘像素点进行筛选，包括：获得灰度图像中所有边缘像素点的梯度值的均值和方差，所述方差和第一预设倍数的均值的差值的绝对值为第一阈值，所述方差和第一预设倍数的均值的和的绝对值为第二阈值；大于第一阈值小于第二阈值的边缘像素点为弱边缘像素点，大于或等于第二阈值的边缘像素点为强边缘像素点。
优选地，基于筛选后的边缘像素点获得闭合边缘区域包括：利用每个强边缘像素点8邻域内的强边缘像素点形成区域的边缘，若强边缘像素点8邻域内的只有弱边缘像素点，则选取弱边缘像素点形成区域的边缘，得到闭合边缘区域。
优选地，根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标，包括：获取第一像素点的色相因子与质心的色相因子的差值的绝对值；所述差值的绝对值与第一像素点对应的第一线段上所有像素点的色相因子的方差的乘积为第一像素点的色相指标。
优选地，缺陷区域边缘上每个第一像素点对应的第一距离和色相指标组成每个缺陷区域的特征矩阵，包括：每个第一像素点对应的第一距离和色相指标组成一个数对；每个第一像素点对应的数对为特征矩阵中的一个元素。
优选地，缺陷区域的异常指标为：
其中，
表示第j个缺陷区域的异常指标；
表示第j个缺陷区域的特征矩阵中
第v行第t列的元素中的第一距离；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素
中的色相指标；
第j个缺陷区域的特征矩阵中第v行第t列的元素中的第一距离在特征矩
阵中出现的频率；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素中的色相指标在
特征矩阵中出现的频率；
表示以10为底的对数函数；V和T分别表示特征矩阵的行数和列
数。
优选地，根据每个缺陷区域的异常指标判断压力管道的损坏程度，包括：对所有缺陷区域的异常指标进行求和获得求和结果；将求和结果的相反数作为以自然常数为底的指数函数的指数得到指数函数值；一与所述指数函数值的差值为压力管道的损坏程度。
本发明实施例至少具有如下有益效果：本发明将锅炉压力管道的表面图像转化到HSV空间中，得到HSV图像，进而得到每个像素点的色相因子，从颜色特征上表征缺陷区域的特点，使得后续对于压力管道的检测更加准确；进一步的，对获取到的边缘像素点进行筛选，获得灰度图像中更加准确的边缘，这些边缘围成的闭合区域为缺陷区域，得到更加准确的缺陷区域；同时，通过每个缺陷区域的边缘上的像素点与其最小外接圆的对应的点之间的距离，也即是第一距离表征缺陷区域的形状特征，能够更加准确且方便的提取缺陷区域的形状特征；每个第一像素点的色相因子表征了缺陷区域内颜色的变化，结合缺陷区域边缘的特征，组成每个缺陷区域的特征矩阵，能够很好的表征每个缺陷区域的特征，避免一些特征不明显的缺陷区域提取特征困难、检测结果不准确的问题，利用特征矩阵中的元素对缺陷区域的缺陷进行分析，能够准确的获得每个缺陷区域的异常指标；最后，结合所有缺陷区域的异常指标对整个压力管道的损坏程度进行分析，准确的得到压力管道的损坏程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种基于图像处理的锅炉压力管道的无损检测方法的方法流程图；
图2为本发明实施例提供的拍摄方法示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的锅炉压力管道的无损检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于图像处理的锅炉压力管道的无损检测方法的具体方案。
实施例：
本发明的主要应用场景为：锅炉压力管道是锅炉正常使用的重要组成部分，压力管道表面出现凹陷缺陷，也即是坑点缺陷时，会对锅炉的正常使用造成一定的影响，严重时甚至会发生安全事故，因此需要对锅炉压力管道的表面的凹陷缺陷进行检测，判断锅炉压力管道的表面缺陷是否严重。
请参阅图1，其示出了本发明实施例提供的一种基于图像处理的锅炉压力管道的无损检测方法的方法流程图，该方法包括以下步骤：
步骤S1，获取锅炉压力管道的表面图像并预处理得到灰度图像和HSV图像；基于HSV图像获得每个像素点的色相因子。
首先需要对锅炉压力管道的表面进行拍摄采集，拍摄采集得到的锅炉压力管道的表面图像质量会对后续锅炉压力管道表面检测的结果产生较大的影响，因此为了获取质量较高，锅炉压力管道中缺陷细节保留清晰的锅炉压力管道的表面图像，本法发明使用如图2所示的图像采集拍摄方法，对锅炉压力管道表面进行拍摄采集，其中图2为拍摄方法示意图，图2显示出了补光光源和摄像机架设的位置，其中，补光光源为图2中的LED点光源。
受限于拍摄采集过程中的自然环境影响，在拍摄过程中可能存在光照条件不充分，因此为了避免由于光照条件不充分导致的锅炉压力管道表面缺陷细节表征不清晰，从而对后续锅炉压力管道的检测带来较大的影响，使用LED光源对锅炉压力管道表面进行光源的照射。LED光源相对于传统的荧光灯具有工作电压低、光照稳定的优点。同时为了避免单个光源照射下可能在图像中呈现阴影的效果，使用双LED点光源对拍摄部位进行照射处理。考虑到锅炉压力管道通常为钢管，钢管在光源直射条件下通常会出现反光的情况，这种反光会极大的干扰到后续锅炉压力管道表面缺陷的识别精度，为了尽可能减弱这种金属部件反光影响，使用漫反射板对设置的LED点光源进行漫反射。为了获取较高质的锅炉压力管道的表面图像，使用成像质量高、无拖影的线阵CCD相机作为摄像机进行拍摄采集。
同时，考虑到锅炉压力管道是圆柱形的空间立体结构，在使用单个CCD相机对锅炉压力管道表面进行拍摄采集时，在不同侧面的凹陷缺陷可能无法准确的拍摄采集得到，因此需要对同一根锅炉压力管道从多个角度进行多方位拍摄以获取较为全面的锅炉压力管道的表面图像，在本实施例中，以一个方向拍摄的锅炉压力管道的表面图像为例进行分析。
为了提高锅炉压力管道表面缺陷识别的精确程度和减少在锅炉压力管道识别过程中的计算时间成本，需要对上述过程中采集拍摄得到的锅炉压力的表面图像进行预处理。首先，由于CCD相机采集得到的锅炉压力管道表面图像是RGB颜色空间下的，使用加权平均的方法将该RGB颜色空间下的锅炉压力管道表面图像转化为锅炉压力管道的表面图像的第一灰度图。为了减少图像中噪声污染对锅炉压力管道表面缺陷识别的影响，使用高斯滤波的方法对锅炉压力管道的第一灰度图进行降噪处理，得到灰度图像。同时，为了后续便于获取锅炉压力管道图像中颜色特征信息，将降噪滤波处理后的锅炉压力管道表面的灰度图像转化为HSV颜色空间下的图像，得到HSV图像。
进一步的，通过锅炉压力管道的HSV图像提取每个像素点的颜色特征，方便后续的分析，对锅炉压力管道表面的凹陷缺陷部位进一步观察可以发现，在锅炉压力管道的凹陷缺陷部位的颜色特征会与周围无缺陷的颜色有着较为明显的差异；在HSV图像中获得每个像素点的H通道值，同时以整个HSV图像中所有像素点的H通道值的标准差作为基准，获得每个像素点的色相因子，用公式表示为：
其中，
表示HSV图像中第i个像素点的色相因子，
表示HSV图像中第i个像素点
的H通道值，
表示整个HSV图像中所有像素点的H通道值的标准差，作为一个基准。通过
将一个像素点的H通道的数值与整体颜色标准差相比的计算形式可以计算得到锅炉压力管
道的灰度图像中不同坐标位置像素点的色相因子的数值大小。通过计算锅炉压力管道表面
的灰度图像中不同像素点的色相因子的数值来提取得到锅炉压力管道凹陷缺陷处和正常
区域处的颜色信息，从而为后续锅炉压力管道的检测提供较为可靠的理论判断依据。
步骤S2，对灰度图像中的边缘像素点进行筛选，基于筛选后的边缘像素点获得闭合边缘区域，闭合边缘区域为缺陷区域。
对步骤S1采集获取后处理得到的锅炉压力管道表面的灰度图像进行观察后可以发现，由于长时间工作于复杂的高温压力环境中，锅炉压力管道表面会出现凹陷坑洼缺陷，这种缺陷呈现不规则的几何外形，同时与周围无缺陷的像素点在空间位置和外观特性上均有较大不同，因此可以根据此使用Canny算子对锅炉压力管道表面的灰度图像进行边轮廓提取，获取锅炉压力管道表面图像中凹陷缺陷位置处的边缘像素点的信息。
因此需要利用Canny算子对锅炉压力管道表面的灰度图像进行处理获得边缘像素点，但考虑到锅炉压力管道的表面整体粗糙不平，使用传统的Canny算子对锅炉压力管道表面的灰度图像进行处理和计算时可能会产生伪边缘像素点和孤立噪声点，这些伪边缘像素点和孤立噪声点会对提取准确的边缘造成一定的影响，为了消除这些无意义的伪边缘点和孤立噪声点，根据Canny算子提取到锅炉压力管道表面的灰度图像中的边缘像素点后，需要对这些边缘像素点进行筛选，依靠筛选后的边缘像素点获得更加准确的边缘。
计算通过Canny算子提取到边缘像素点的梯度值的均值和方差的值的大小，分别
记为
和
，方差
和第一预设倍数的均值的差值的绝对值为第一阈值，方差
和第一预设倍
数的均值的和的绝对值为第二阈值，优选地，本发明实施例中的第一预设倍数的取值为2，
实施者可以根据实际情况对第一预设倍数的取值进行调整，由此，在本实施例中，第一阈值
和第二阈值分别记为
和
，由于作为边缘像素点，边缘像素点的梯度值
是比较大的，因此可以通过第一阈值和第二阈值对提取到的边缘像素点进行筛选，小于或
等于第一阈值的边缘像素点为非边缘像素点，这部分边缘像素点为孤立噪声点或者不是真
实的边缘像素点，因此需要将非边缘像素点剔除；大于第一阈值小于第二阈值的边缘像素
点为弱边缘像素点，大于或等于第二阈值的边缘像素点为强边缘像素点，将非边缘像素点
剔除，弱边缘像素点体现的边缘的信息较少，所有的强边缘像素点能较好的反映出锅炉压
力管道表面的灰度图像中凹陷缺陷区域的信息特征，因此为有效的边缘像素点。
同时，需要说明的是，在拍摄锅炉压力管道的表面图像时，即使使用了光源进行了补光，还是可能会在图像上呈现出阴影效果，这些阴影在Canny算子提取时也会呈现出来，但这一部分的边缘都是不闭合的，而凹陷部分的区域都是由一个闭合的边缘围成的，因此闭合边缘包围的区域为凹陷区域。在获得弱边缘像素点和强边缘像素点后，根据弱边缘像素点和强边缘像素点获得至少两个闭合边缘，利用每个强边缘像素点8邻域内的强边缘像素点形成区域的边缘，若强边缘像素点8邻域内的只有弱边缘像素点，则选取弱边缘像素点形成区域的边缘，得到闭合边缘区域。本实施中获得闭合边缘区域的边缘相较于现有的获得边缘得到算法只是剔除了一部分伪边缘像素点和孤立噪声点，其余的与现有的获取边缘的算法一致。至此获得了灰度图像中所有闭合边缘区域，这些闭合边缘区域就是凹陷的缺陷区域。
步骤S3，获得每个缺陷区域的最小外接圆和质心；以质心为起点向至少两个方向作射线，每个方向的射线交缺陷区域的边缘和最小外接圆于两点，求取所述两点之间的距离，作为第一距离，其中与缺陷区域边缘的交点为第一像素点。
首先，根据对锅炉压力管道表面灰度图像的进一步观察可以发现，锅炉压力管道表面的灰度图像上的凹陷缺陷区域，缺陷区域整体面积越大，同时几何外形越不规则，缺陷程度越严重；根据锅炉压力管道表面凹陷坑洼缺陷的这种外形形态特征，需要获得每个缺陷区域的最小外接圆，同时获得每个缺陷区域的质心。
以质心为起点向至少两个方向作射线，优选地，在本实施例中，由于最小外接圆为360度，将360度均分，以10度为一个间隔，可以分成36个方向，因此需要以质心为起点做36个方向上的射线，每个方向上的射线都会与缺陷区域的边缘和缺陷区域的最小外接圆各有一个交点，其中与缺陷区域的边缘的交点为第一像素点；
获得每个第一像素点、每个第一像素点对应的与最小外接圆的交点的坐标；需要
说明的是获得坐标时，需要建立坐标系，例如以灰度图像的左下角为直角坐标系的原点，建
立坐标系。由此，对于一个缺陷区域，通过第一像素点的坐标和最小外接圆上的交点的坐
标，可以计算得到其边缘上每个第一像素点和每个像素点对应的最小外接圆上的交点之间
的欧式距离
，表示一个缺陷区域的边缘上第i个第一像素点对应的距离，记为第一距离。
一个缺陷区域边缘上所有第一像素点对应的第一距离可以在一定程度上表征这个缺陷区域的形状的不规则程度，也可以在一定程度上表征缺陷区域的面积，距离越大，说明其越不规则程度和面积越大，缺陷越严重。
步骤S4，获取缺陷区域边缘上每个第一像素点与质心的连线，作为第一线段；根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标。
当提取了缺陷区域的边缘的形状特征后，还需要提取缺陷区域内部的颜色特征，具体的，当锅炉压力管道上的凹坑越严重，即在该位置上向内凹陷越严重时，缺陷区域中心位置会失去原有的金属光泽而变黑，颜色越深，灰度值越小，对应位置越黑。
获取一个缺陷区域边缘上每个第一像素点与缺陷区域质心的连线，将该连线记为第一线段，可以根据第一线段上像素点的色相因子的变化得到从缺陷区域的中心到缺陷边缘颜色的变化情况，其中每个第一像素点都会对应一个第一线段。
由此计算每个缺陷区域边缘上每个第一像素点的色相指标，获取第一像素点的色相因子与质心的色相因子的差值的绝对值；所述差值的绝对值与第一像素点对应的第一线段上每个像素点的色相因子的方差的乘积为第一像素点的色相指标，用公式表示为：
其中，
表示缺陷区域边缘上第i个第一像素点对应的色相指标；
表示缺陷区
域边缘上第i个第一像素点对应的色相因子；
表示缺陷区域质心的色相因子；
表示
缺陷区域边缘上第i个第一像素点对应的第一线段上第j个像素点的色相因子；
表示缺
陷区域边缘上第i个第一像素点对应的第一线段上所有像素点的色相因子的均值；n表示缺
陷区域边缘上第i个第一像素点对应的第一线段上所有像素点的数量。
至此，获得缺陷区域的边缘上每个第一像素点的色相指标，从缺陷区域的内部到边缘的颜色的变化体现缺陷区域的特征。
步骤S5，缺陷区域边缘上每个第一像素点对应的第一距离和色相指标组成每个缺陷区域的特征矩阵；根据特征矩阵中各元素获得缺陷区域的异常指标；根据每个缺陷区域的异常指标判断压力管道的损坏程度。
设在缺陷区域的边缘上共有N个像素点，为了减少计算量，通过将360度均匀分割，
分别为
，也即是36个方向，共获得其边缘上36个第一像素点，也即
是每隔10度可以得到一个第一像素点，对这些第一像素点分别可以获得形状和颜色特征表
示信息，也即是每隔第一像素点对应的第一距离和色相指标。根据这些特征表示信息可以
构造得到特征矩阵M；每个第一像素点对应的第一距离和色相指标组成一个数对，每个第一
像素点对应的数对为特征矩阵中的一个元素，表示为
，表示第v行第t列的元素。
其中，特征矩阵中第一行的元素分别为缺陷区域边缘上
和
这四个
方向上第一像素点对应的第一距离和色相指标分别组成的四个数对；另外，特征矩阵中第
一列中的元素为
到
之间9个方向上第一像素点对应的第一距离和色相指标分别组成的
9个数对，第二列中的元素
到
之间9个方向上第一像素点对应的第一距离和色相指标
分别组成的9个数对，第三列中的元素
到
之间9个方向上第一像素点对应的第一距
离和色相指标分别组成的9个数对，第四列中的元素
到
之间9个方向上第一像素点
对应的第一距离和色相指标分别组成的9个数对。
特征矩阵中第一列中的第一个元素为
这个方向上的第一像素点对应的第一距
离和色相指标组成一个数对，第一列中的第二个元素为
这个方向上的第一像素点对应
的第一距离和色相指标组成一个数对，以此类推，第一列中的第九个元素为
这个方向上
的第一像素点对应的第一距离和色相指标组成一个数对，最后一列的最后一个元素为
这个方向上的第一像素点对应的第一距离和色相指标组成一个数对，特征矩阵中其他三列
的元素的排列跟第一列中元素的排列的顺序是一致的，因此特征矩阵的列数为4列，行数为
9行。
一个缺陷区域的特征矩阵包含了每个方向上的距离和颜色的变化差异特征，因此基于每个缺陷区域的特征矩阵和每个缺陷区域边缘上每个第一像素点对应的第一距离的方差计算每个缺陷区域的异常指标：
其中，
表示第j个缺陷区域的异常指标；
表示第j个缺陷区域的特征矩阵中
第v行第t列的元素中的第一距离；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素
中的色相指标；
第j个缺陷区域的特征矩阵中第v行第t列的元素中的第一距离在特征矩
阵中出现的频率；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素中的色相指标在
特征矩阵中出现的频率；
表示以10为底的对数函数；V和T分别为特征矩阵的行数和列
数，取值分别为4和9。
得到锅炉压力管道表面的灰度图像中每个缺陷区域的异常指标后，需要基于所有缺陷区域的异常指标对锅炉压力管道表面的损坏程度进行分析，对所有缺陷区域的异常指标进行求和获得求和结果；将求和结果的相反数作为以自然常数为底的指数函数的指数得到指数函数值，所述指数函数值为压力管道的损坏程度，优选地，在本实施例中，用公式表示：
其中，p表示锅炉压力管道的损坏程度；Z表示所有缺陷区域的数量；
表示第j个
缺陷区域的异常指标，e为自然常数；
的目的就是为了将
归一化；
的取值越大，
的取值就越小，
的值就越大，损坏程度就越高。
至此，可以准确的得到锅炉压力管道的损坏程度，设定判断阈值，优选地，本实施例中判断阈值的取值为0.73，实施者可以根据实际情况对判断阈值的取值进行调整，当损坏程度大于判断阈值时，锅炉压力管道发生缺陷，且对于锅炉压力管道损坏非常严重。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，该方法包括：
获取锅炉压力管道的表面图像并预处理得到灰度图像和HSV图像；基于HSV图像获得每个像素点的色相因子；
获取第一阈值和第二阈值，基于第一阈值和第二阈值对灰度图像中的边缘像素点进行筛选，基于筛选后的边缘像素点获得闭合边缘区域，闭合边缘区域为缺陷区域；
获得每个缺陷区域的最小外接圆和质心；以质心为起点向至少两个方向作射线，每个方向的射线交缺陷区域的边缘和最小外接圆于两点，求取所述两点之间的距离，作为第一距离，其中与缺陷区域边缘的交点为第一像素点；
获取缺陷区域边缘上每个第一像素点与质心的连线，作为第一线段；根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标；
缺陷区域边缘上每个第一像素点对应的第一距离和色相指标组成每个缺陷区域的特征矩阵；根据特征矩阵中各元素获得缺陷区域的异常指标；根据每个缺陷区域的异常指标判断压力管道的损坏程度；
所述缺陷区域的异常指标为：
其中，
表示第j个缺陷区域的异常指标；
表示第j个缺陷区域的特征矩阵中第v
行第t列的元素中的第一距离；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素中
的色相指标；第j个缺陷区域的特征矩阵中第v行第t列的元素中的第一距离在特征矩阵中
出现的频率；
表示第j个缺陷区域的特征矩阵中第v行第t列的元素中的色相指标在特征
矩阵中出现的频率；
表示以10为底的对数函数。
2.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述获取锅炉压力管道的表面图像并预处理得到灰度图像和HSV图像，包括：获取锅炉压力管道的表面图像，将表面图像转化为灰度图像；利用高斯滤波对灰度图像进行降噪处理，将降噪处理后的灰度图像转化到HSV空间，得到HSV图像。
3.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述基于HSV图像获得每个像素点的色相因子，包括：获得HSV图像中每个像素点的H通道值；HSV图像中每个像素点的H通道值与HSV图像中所有像素点的H通道值的标准差的比值为每个像素点的色相因子。
4.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述获取第一阈值和第二阈值，基于第一阈值和第二阈值对灰度图像中的边缘像素点进行筛选，包括：获得灰度图像中所有边缘像素点的梯度值的均值和方差，所述方差和2倍的均值的差值的绝对值为第一阈值，所述方差和2倍的均值的和的绝对值为第二阈值；小于或等于第一阈值的边缘像素点为非边缘像素点，大于第一阈值小于第二阈值的边缘像素点为弱边缘像素点，大于或等于第二阈值的边缘像素点为强边缘像素点，将非边缘像素点剔除。
5.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述基于筛选后的边缘像素点获得闭合边缘区域包括：利用每个强边缘像素点8邻域内的强边缘像素点形成区域的边缘，若强边缘像素点8邻域内的只有弱边缘像素点，则选取弱边缘像素点形成区域的边缘，得到闭合边缘区域。
6.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述根据每个第一像素点、每个第一像素点对应的第一线段上每个像素点以及质心的色相因子得到每个第一像素点的色相指标，包括：获取第一像素点的色相因子与质心的色相因子的差值的绝对值；所述差值的绝对值与第一像素点对应的第一线段上所有像素点的色相因子的方差的乘积为第一像素点的色相指标。
7.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述缺陷区域边缘上每个第一像素点对应的第一距离和色相指标组成每个缺陷区域的特征矩阵，包括：每个第一像素点对应的第一距离和色相指标组成一个数对；每个第一像素点对应的数对为特征矩阵中的一个元素。
8.根据权利要求1所述的一种基于图像处理的锅炉压力管道的无损检测方法，其特征在于，所述根据每个缺陷区域的异常指标判断压力管道的损坏程度，包括：对所有缺陷区域的异常指标进行求和获得求和结果；将求和结果的相反数作为以自然常数为底的指数函数的指数得到指数函数值；一与所述指数函数值的差值为压力管道的损坏程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481601.XA CN115526889B (zh) | 2022-11-24 | 2022-11-24 | 基于图像处理的锅炉压力管道的无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211481601.XA CN115526889B (zh) | 2022-11-24 | 2022-11-24 | 基于图像处理的锅炉压力管道的无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115526889A CN115526889A (zh) | 2022-12-27 |
| CN115526889B true CN115526889B (zh) | 2023-03-03 |
Family
ID=84705173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211481601.XA Active CN115526889B (zh) | 2022-11-24 | 2022-11-24 | 基于图像处理的锅炉压力管道的无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526889B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116091499B (zh) * | 2023-04-07 | 2023-06-20 | 山东中胜涂料有限公司 | 一种涂料生产异常识别系统 |
| CN116630332B (zh) * | 2023-07-26 | 2023-09-26 | 山东华航高分子材料有限公司 | 一种基于图像处理的pvc塑料管口缺陷检测方法 |
| CN117949616B (zh) * | 2024-03-07 | 2024-09-03 | 梁山县水泊梁山食品有限公司 | 一种松花蛋成品质量自动化视觉检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
| CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
| CN115082466A (zh) * | 2022-08-22 | 2022-09-20 | 江苏庆慈机械制造有限公司 | 一种pcb表面焊点缺陷检测方法及系统 |
-
2022
- 2022-11-24 CN CN202211481601.XA patent/CN115526889B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及系统 |
| CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
| CN115082466A (zh) * | 2022-08-22 | 2022-09-20 | 江苏庆慈机械制造有限公司 | 一种pcb表面焊点缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115526889A (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115526889B (zh) | 基于图像处理的锅炉压力管道的无损检测方法 | |
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN114723701A (zh) | 基于计算机视觉的齿轮缺陷检测方法和系统 | |
| CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
| CN114943739B (zh) | 一种铝管质量检测方法 | |
| CN112308832A (zh) | 一种基于机器视觉的轴承质量检测方法 | |
| CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
| CN116645367B (zh) | 一种高端制造用的钢板切割质量检测方法 | |
| CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
| KR101813223B1 (ko) | 영상 표면의 결함을 검출 및 분류하는 방법 및 장치 | |
| CN114998323B (zh) | 基于注意力机制的螺纹钢异常判定方法 | |
| CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
| CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
| CN114913177B (zh) | 一种基于霍夫圆的汽车零部件缺陷检测方法 | |
| CN115561247A (zh) | 一种电子元器件外观自动视觉检测系统 | |
| CN113962929B (zh) | 光伏电池组件缺陷检测方法、系统及光伏电池组件生产线 | |
| CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
| CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
| CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
| CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
| Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
| CN116977335B (zh) | 一种用于机械零件表面点蚀缺陷的智能检测方法 | |
| CN115984283B (zh) | 一种钢筋笼焊接质量智能检测方法 | |
| CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
| CN117455828A (zh) | 一种基于mlp神经网络的燃烧质量检测方法 |
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 |