CN116309376A - 一种ppr管道内外径测量方法、装置、设备及存储介质 - Google Patents
一种ppr管道内外径测量方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116309376A CN116309376A CN202310160312.8A CN202310160312A CN116309376A CN 116309376 A CN116309376 A CN 116309376A CN 202310160312 A CN202310160312 A CN 202310160312A CN 116309376 A CN116309376 A CN 116309376A
- Authority
- CN
- China
- Prior art keywords
- image
- outer diameter
- algorithm
- ppr pipeline
- inner diameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 239000004743 Polypropylene Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- -1 polypropylene Polymers 0.000 description 2
- 229920001155 polypropylene Polymers 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920005630 polypropylene random copolymer Polymers 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000010959 steel Substances 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30172—Centreline of tubular or elongated structure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种ppr管道内外径测量方法、装置、设备及存储介质,应用于深度学习领域,该方法包括:获取ppr管道的端面图像;利用深度学习算法对端面图像进行粗分割,得到有效区域图像;利用传统图像算法对有效区域图像进行细分割,得到分割图像;利用距离算法测量分割图像,得到ppr管道的内外径测量值。本方法使用人工智能技术进行ppr管道内外径尺寸自动测量,用深度学习方法加传统图像处理的方式,提高了测量的速度和精度。而且从ppr管道端面图像采集开始,完全不需要人力的干涉,自动输出ppr管道端面的内外径测量值,大大提升了生产线的工作效率,节省人力。
Description
技术领域
本发明涉及深度学习领域,特别涉及一种ppr管道内外径测量方法、装置、设备及存储介质。
背景技术
三型聚丙烯(polypropylene random,是一种聚丙烯无规共聚物的简称,简称ppr)管道常用在建筑业、市政工程、水利工程、农业和工业等行业,具有价格适中,性能稳定,耐热保温,耐腐蚀等特点。与传统的铸铁管等相比,具有节能节材,环保,轻质高强等优势。
工厂生产ppr管道时,需要工人对生产的每一根ppr管道进行内外径尺寸的测量。整个测量过程,费时费力。现有方案通过工人使用游标卡尺测量ppr管道的内外径,费时费力;或者仅基于传统图像处理算法,对管道端面进行处理,得到测量值,但这种方式无法应对采集时存在光照差异且存在杂质的ppr管道内外径测量,因此会影响测量精度。
发明内容
有鉴于此,本发明的目的在于提供一种ppr管道内外径测量方法、装置、设备及存储介质,解决了现有技术中测量精度不准确的问题。
为解决上述技术问题,本发明提供了一种ppr管道内外径测量方法,包括:
获取ppr管道的端面图像;
利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像;
利用传统图像算法对所述有效区域图像进行细分割,得到分割图像;
利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值。
可选的,所述利用传统图像算法对所述有效区域图像进行细分割,得到分割图像,包括:
利用大津算法寻找所述有效区域图像的最佳阈值;
基于所述最佳阈值对所述有效区域图像进行二值化处理得到二值化图像;
利用漫水填充法对所述二值化图像进行孔洞填充,得到填充图像;
对所述填充图像进行开运算操作,得到所述分割图像。
可选的,所述利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值,包括:
使用canny算法寻找所述分割图像中端面的内圆轮廓和外圆轮廓,基于所述内圆轮廓和所述外圆轮廓计算所述内外径测量值。
可选的,所述基于所述内圆轮廓和所述外圆轮廓计算所述内外径测量值,包括:
计算所述内圆轮廓上各个点与所述内圆轮廓上其他剩余点之间的最大距离作为第一距离,并对各个点所述第一距离从大到小排序,得到内径距离序列;
计算所述外圆轮廓上各个点与所述外圆轮廓上其他剩余点之间的最大距离作为第二距离,并对各个点所述第二距离从大到小排序,得到外径距离序列;
根据所述内径距离序列和所述外径距离序列得到所述内外径测量值。
可选的,所述根据所述内径距离序列和所述外径距离序列得到所述内外径测量值,包括:
按照第一预设规则保留所述内径距离序列的部分数值作为内圆轮廓数值组;
按照第二预设规则保留所述外径距离序列的部分数值作为外圆轮廓数值组;
对所述内圆轮廓数值组取平均,得到第一平均值,所述第一平均值乘以缩放系数得到所述内外径测量值的内径测量值;
对所述外圆轮廓数值组取平均,得到第二平均值,所述第二平均值乘以所述缩放系数得到所述内外径测量值的外径测量值。
可选的,所述按照第一预设规则保留所述内径距离序列的部分数值作为内圆轮廓数值组;按照第二预设规则保留所述外径距离序列的部分数值作为外圆轮廓数值组,包括:
将去除所述内径距离序列的前N个数值和后N个数值之后,保留的数值作为所述内圆轮廓数值组;
将去除所述外径距离序列的前N个数值和后N个数值之后,保留的数值作为所述外圆轮廓数值组。
可选的,所述利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像,包括:
利用插值算法对所述端面图像进行预处理,得到缩放图像;
利用Encoder-decode框架对所述缩放图像进行粗分割,得到第一图像;
将所述第一图像放大到与所述端面图像一致的尺寸,作为所述有效区域图像。
本发明还提供了一种ppr管道内外径测量装置,包括:
获取模块,用于获取ppr管道的端面图像;
粗分割模块,用于利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像;
细分割模块,用于利用传统图像算法对所述有效区域图像进行细分割,得到分割图像;
测量模块,用于利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值。
本发明还提供了一种ppr管道内外径测量设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述的ppr管道内外径测量方法的步骤。
本发明还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的ppr管道内外径测量方法的步骤。
可见,本发明通过获取ppr管道的端面图像;利用深度学习算法对端面图像进行粗分割,得到有效区域图像;利用传统图像算法对有效区域图像进行细分割,得到分割图像;利用距离算法测量分割图像,得到ppr管道的内外径测量值。本方法使用人工智能技术进行ppr管道内外径尺寸自动测量,用深度学习方法加传统图像处理的方式,提高了测量的速度和精度。而且从ppr管道端面图像采集开始,完全不需要人力的干涉,自动输出ppr管道端面的内外径测量值,大大提升了生产线的工作效率,节省人力。
此外,本发明还提供了一种ppr管道内外径测量装置、设备及存储介质,同样具有上述有益效果。
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,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种ppr管道内外径测量方法的流程图;
图2为本发明实施例提供的一种ppr管道内外径测量装置的结构示意图;
图3为本发明实施例提供的一种ppr管道内外径测量设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参考图1,图1为本发明实施例提供的一种ppr管道内外径测量方法的流程图。该方法可以包括:
S101:获取ppr管道的端面图像。
本实施例的执行主体为终端。本实施例并不限定终端的种类,只要是能够完成ppr管道内外径测量的操作即可。例如,可以是专用型终端,或者还可以是通用型终端。本实施例通过获取ppr管道的端面图像,对图像做后续处理,达到检测内外径测量值。
S102:利用深度学习算法对端面图像进行粗分割,得到有效区域图像。
本实施例采取深度学习算法对端面图像进行粗分割,以此得到有效区域图像。本实施例中的深度学习分割算法只要是能够实现对图像进行分割即可。
进一步地,为了图像分割的有效性,上述利用深度学习算法对端面图像进行粗分割,得到有效区域图像,可以包括以下步骤:
利用插值算法对端面图像进行预处理,得到缩放图像;
利用Encoder-decode框架对缩放图像进行粗分割,得到第一图像;
将第一图像放大到与端面图像一致的尺寸,作为有效区域图像。
本实施例中采用插值算法对端面图像进行缩放,将大尺寸图像缩放为小尺寸图像,利用Encoder-decode框架对缩放图像进行粗分割,得到第一图像,即提取出有效区域,再对第一图像进行尺寸恢复,得到有效区域图像。本实施例并不对插值算法做限定。例如,可以是双线性插值法,或者还可以是最邻近插值法。Encoder-decode框架是一种输出结果能够保留原尺寸的pixel-wise(像素级)分类任务,例如u-net(U-net网络是一个基于CNN的图像分割网络)就是一个很常见的Encoder-decode。本实施例中的训练图像为标记的缩放后的图像。
S103:利用传统图像算法对有效区域图像进行细分割,得到分割图像。
本实施例采取传统图像算法对有效区域图像进行细分割,以此得到分割图像。本实施例中的传统图像分割算法只要是能够实现对图像进行分割即可。
进一步地,为了精确分割,上述利用传统图像算法对有效区域图像进行细分割,得到分割图像,可以包括以下步骤:
利用大津算法寻找有效区域图像的最佳阈值;
基于最佳阈值对有效区域图像进行二值化处理得到二值化图像;
利用漫水填充法对二值化图像进行孔洞填充,得到填充图像;
对填充图像进行开运算操作,得到分割图像。
本实施例中大津算法是一种确定图像二值化分割阈值的算法,又称作最大类间方差法,按照大津算法求得的阈值进行图像二值化分割后,前景与背景图像的类间方差最大。漫水填充法是一种用特定的颜色填充联通的区域,通过设置可连通像素的上下限以及连通方式来达到不同的填充效果的方法。本实施例首先使用大津算法寻找图像的最佳阈值,并对有效区域图像进行二值化,然后基于漫水填充法对二值化图像进行孔洞填充,再对图像进行多次开运算操作去除ppr管道端面边缘上的毛刺,达到细分割的目的,以此得到分割图像。
S104:利用距离算法测量分割图像,得到ppr管道的内外径测量值。
本实施例采取距离算法对分割图像进行测量,以此得到ppr管道的内外径测量值。本实施例中的距离算法只要是能够实现对ppr管道内外径测量即可。
进一步地,为了内圆轮廓和外圆轮廓提取的准确性,上述利用距离算法测量分割图像,得到ppr管道的内外径测量值,可以包括以下步骤:
使用canny算法寻找分割图像中端面的内圆轮廓和外圆轮廓,基于内圆轮廓和外圆轮廓计算内外径测量值。
本实施例采取canny边缘检测算法提取分割图像中端面的内圆轮廓和外圆轮廓,根据内圆轮廓计算得到内径测量值,根据外圆轮廓计算得到外径测量值。本实施例中当内外圆轮廓提取成功后,并不限定测量内外径的方法,只要能够实现计算得出内外径测量值即可。
进一步地,为了进一步提高内外径测量值测量的准确性,上述基于内圆轮廓和外圆轮廓计算内外径测量值,可以包括以下步骤:
计算内圆轮廓上各个点与内圆轮廓上其他剩余点之间的最大距离作为第一距离,并对各个点第一距离从大到小排序,得到内径距离序列;
计算外圆轮廓上各个点与外圆轮廓上其他剩余点之间的最大距离作为第二距离,并对各个点第二距离从大到小排序,得到外径距离序列;
根据内径距离序列和外径距离序列得到内外径测量值。
本实施例通过计算对于内/外轮廓上的每一个点,计算其与内/外轮廓上剩余点之间的距离,取其最大值,即为内/外径的一个测量值。然后对内/外径的所有测量值进行排序,得到内/外径距离序列,根据这些测量值确定内外径测量值。
进一步地,为了避免离群边缘轮廓点的干扰,上述根据内径距离序列和外径距离序列得到内外径测量值,可以包括以下步骤:
按照第一预设规则保留内径距离序列的部分数值作为内圆轮廓数值组;
按照第二预设规则保留外径距离序列的部分数值作为外圆轮廓数值组;
对内圆轮廓数值组取平均,得到第一平均值,第一平均值乘以缩放系数得到内外径测量值的内径测量值;
对外圆轮廓数值组取平均,得到第二平均值,第二平均值乘以缩放系数得到内外径测量值的外径测量值。
本实施例对内/外径的所有测量值进行排序后,根据预设规则去掉部分的数值,保留剩余数值作为内/外圆轮廓数值组。并对剩余的值取平均再乘以一个固定的缩放系数作为的内/外径测量值。其中图像中的一个像素对应于实际物理空间的尺寸,由成像系统决定。本实施例并限定第一预设规则与第二预设规则是否一致。例如,第一预设规则和第二预设规则可以一致,或者第一预设规则和第二预设规则可以不一致。
进一步地,为了提高内外径测量值测量的准确性,上述按照第一预设规则保留内径距离序列的部分数值作为内圆轮廓数值组;按照第二预设规则保留外径距离序列的部分数值作为外圆轮廓数值组,可以包括以下步骤:
将去除内径距离序列的前N个数值和后N个数值之后,保留的数值作为内圆轮廓数值组;
将去除外径距离序列的前N个数值和后N个数值之后,保留的数值作为外圆轮廓数值组。
本实施例中内/外径距离序列中去掉前N个数值和后N个数值,即去掉N个数量的最大值和最小值,保留剩余数值作为内(外)圆轮廓数值组。
应用本发明实施例提供的ppr管道内外径测量方法,通过获取ppr管道的端面图像;利用深度学习算法对端面图像进行粗分割,得到有效区域图像;利用传统图像算法对有效区域图像进行细分割,得到分割图像;利用距离算法测量分割图像,得到ppr管道的内外径测量值。本方法使用人工智能技术进行ppr管道内外径尺寸自动测量,用深度学习方法加传统图像处理的方式,提高了测量的速度和精度。而且从ppr管道端面图像采集开始,完全不需要人力的干涉,自动输出ppr管道端面的内外径测量值,大大提升了生产线的工作效率,节省人力。并且,对端面进行缩放,采用Encoder-decode框架进行粗分割,后再对图像进行放大,保证了图像分割的有效性;并且,利用大津算法进行二值化处理,漫水填充法进行孔洞填充,再使用开运算操作去除端面边缘的毛刺,提高准确性;并且,采用canny算法提取端面的内外圆轮廓,提高边缘检测的准确性;并且,计算轮廓上每个点与其他点的距离,并将每个点距离的最大值进行排序得到序列,提高了内外径测量值测量的准确性;并且按照相应的规则去除部分数值,避免了离群边缘轮廓点的干扰;去除相应数值序列中N个最大值和N个最小值后的数值作为内/外圆轮廓数值组,提高了内外径测量值测量的准确性。
下面对本发明实施例提供的ppr管道内外径测量装置进行介绍,下文描述的ppr管道内外径测量装置与上文描述的ppr管道内外径测量方法可相互对应参照。
具体请参考图2,图2为本发明实施例提供的一种ppr管道内外径测量装置的结构示意图,可以包括:
获取模块100,用于获取ppr管道的端面图像;
粗分割模块200,用于利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像;
细分割模块300,用于利用传统图像算法对所述有效区域图像进行细分割,得到分割图像;
测量模块400,用于利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值。
基于上述实施例,所述细分割模块300,可以包括:
最佳阈值获取单元,用于利用大津算法寻找所述有效区域图像的最佳阈值;
二值化处理单元,用于基于所述最佳阈值对所述有效区域图像进行二值化处理得到二值化图像;
孔洞填充单元,用于利用漫水填充法对所述二值化图像进行孔洞填充,得到填充图像;
开运算操作单元,用于对所述填充图像进行开运算操作,得到所述分割图像。
基于上述实施例,所述测量模块400,可以包括:
计算单元,用于使用canny算法寻找所述分割图像中端面的内圆轮廓和外圆轮廓,基于所述内圆轮廓和所述外圆轮廓计算所述内外径测量值。
基于上述实施例,所述计算单元,可以包括:
第一计算子单元,用于计算所述内圆轮廓上各个点与所述内圆轮廓上其他剩余点之间的最大距离作为第一距离,并对各个点所述第一距离从大到小排序,得到内径距离序列;
第二计算子单元,用于计算所述外圆轮廓上各个点与所述外圆轮廓上其他剩余点之间的最大距离作为第二距离,并对各个点所述第二距离从大到小排序,得到外径距离序列;
第三计算子单元,用于根据所述内径距离序列和所述外径距离序列得到所述内外径测量值。
基于上述实施例,所述第三计算子单元,可以包括:
内圆轮廓数值组子单元,用于按照第一预设规则保留所述内径距离序列的部分数值作为内圆轮廓数值组;
外圆轮廓数值组子单元,用于按照第二预设规则保留所述外径距离序列的部分数值作为外圆轮廓数值组;
第四计算子单元,用于对所述内圆轮廓数值组取平均,得到第一平均值,所述第一平均值乘以缩放系数得到所述内外径测量值的内径测量值;
第五计算子单元,用于对所述外圆轮廓数值组取平均,得到第二平均值,所述第二平均值乘以所述缩放系数得到所述内外径测量值的外径测量值。
基于上述实施例,所述内圆轮廓数值组子单元和外圆轮廓数值组子单元,可以包括:
第一筛选子单元,用于将去除所述内径距离序列的前N个数值和后N个数值之后,保留的数值作为所述内圆轮廓数值组;
第二筛选子单元,用于将去除所述外径距离序列的前N个数值和后N个数值之后,保留的数值作为所述外圆轮廓数值组。
基于上述任意实施例,所述粗分割模块200,可以包括:
预处理单元,用于利用插值算法对所述端面图像进行预处理,得到缩放图像;
粗分割单元,用于利用Encoder-decode框架对所述缩放图像进行粗分割,得到第一图像;
放大单元,用于将所述第一图像放大到与所述端面图像一致的尺寸,作为所述有效区域图像。
需要说明的是,上述ppr管道内外径测量装置中的模块以及单元在不影响逻辑的情况下,其顺序可以前后进行更改。
应用本发明实施例提供的ppr管道内外径测量装置,通过获取模块100,用于获取ppr管道的端面图像;粗分割模块200,用于利用深度学习算法对端面图像进行粗分割,得到有效区域图像;细分割模块300,用于利用传统图像算法对有效区域图像进行细分割,得到分割图像;测量模块400,用于利用距离算法测量分割图像,得到ppr管道的内外径测量值。本装置使用人工智能技术进行ppr管道内外径尺寸自动测量,用深度学习方法加传统图像处理的方式,提高了测量的速度和精度。而且从ppr管道端面图像采集开始,完全不需要人力的干涉,自动输出ppr管道端面的内外径测量值,大大提升了生产线的工作效率,节省人力。并且,对端面进行缩放,采用Encoder-decode框架进行粗分割,后再对图像进行放大,保证了图像分割的有效性;并且,利用大津算法进行二值化处理,漫水填充法进行孔洞填充,再使用开运算操作去除端面边缘的毛刺,提高准确性;并且,采用canny算法提取端面的内外圆轮廓,提高边缘检测的准确性;并且,计算轮廓上每个点与其他点的距离,并将每个点距离的最大值进行排序得到序列,提高了内外径测量值测量的准确性;并且按照相应的规则去除部分数值,避免了离群边缘轮廓点的干扰;去除相应数值序列中N个最大值和N个最小值后的数值作为内/外圆轮廓数值组,提高了内外径测量值测量的准确性。
下面对本发明实施例提供的ppr管道内外径测量设备进行介绍,下文描述的ppr管道内外径测量设备与上文描述的ppr管道内外径测量方法可相互对应参照。
请参考图3,图3为本发明实施例提供的一种ppr管道内外径测量设备的结构示意图,可以包括:
存储器10,用于存储计算机程序;
处理器20,用于执行计算机程序,以实现上述的ppr管道内外径测量方法。
存储器10、处理器20、通信接口31和通信总线32。存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。
在本发明实施例中,存储器10中用于存放一个或者一个以上程序,程序可以包括程序代码,程序代码包括计算机操作指令,在本申请实施例中,存储器10中可以存储有用于实现以下功能的程序:
获取ppr管道的端面图像;
利用深度学习算法对端面图像进行粗分割,得到有效区域图像;
利用传统图像算法对有效区域图像进行细分割,得到分割图像;
利用距离算法测量分割图像,得到ppr管道的内外径测量值。
在一种可能的实现方式中,存储器10可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及至少一个功能所需的应用程序等;存储数据区可存储使用过程中所创建的数据。
此外,存储器10可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可以包括各种系统程序,用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器(Central Processing Unit,CPU)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件,处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为通信模块的接口,用于与其他设备或者系统连接。
当然,需要说明的是,图3所示的结构并不构成对本申请实施例中ppr管道内外径测量设备的限定,在实际应用中ppr管道内外径测量设备可以包括比图3所示的更多或更少的部件,或者组合某些部件。
下面对本发明实施例提供的存储介质进行介绍,下文描述的存储介质与上文描述的ppr管道内外径测量方法可相互对应参照。
本发明还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述的ppr管道内外径测量方法的步骤。
该存储介质可以包括: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。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应该认为超出本发明的范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上对本发明所提供的一种ppr管道内外径测量方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种ppr管道内外径测量方法,其特征在于,包括:
获取ppr管道的端面图像;
利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像;
利用传统图像算法对所述有效区域图像进行细分割,得到分割图像;
利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值。
2.根据权利要求1所述的ppr管道内外径测量方法,其特征在于,所述利用传统图像算法对所述有效区域图像进行细分割,得到分割图像,包括:
利用大津算法寻找所述有效区域图像的最佳阈值;
基于所述最佳阈值对所述有效区域图像进行二值化处理得到二值化图像;
利用漫水填充法对所述二值化图像进行孔洞填充,得到填充图像;
对所述填充图像进行开运算操作,得到所述分割图像。
3.根据权利要求1所述的ppr管道内外径测量方法,其特征在于,所述利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值,包括:
使用canny算法寻找所述分割图像中端面的内圆轮廓和外圆轮廓,基于所述内圆轮廓和所述外圆轮廓计算所述内外径测量值。
4.根据权利要求3所述的ppr管道内外径测量方法,其特征在于,所述基于所述内圆轮廓和所述外圆轮廓计算所述内外径测量值,包括:
计算所述内圆轮廓上各个点与所述内圆轮廓上其他剩余点之间的最大距离作为第一距离,并对各个点所述第一距离从大到小排序,得到内径距离序列;
计算所述外圆轮廓上各个点与所述外圆轮廓上其他剩余点之间的最大距离作为第二距离,并对各个点所述第二距离从大到小排序,得到外径距离序列;
根据所述内径距离序列和所述外径距离序列得到所述内外径测量值。
5.根据权利要求4所述的ppr管道内外径测量方法,其特征在于,所述根据所述内径距离序列和所述外径距离序列得到所述内外径测量值,包括:
按照第一预设规则保留所述内径距离序列的部分数值作为内圆轮廓数值组;
按照第二预设规则保留所述外径距离序列的部分数值作为外圆轮廓数值组;
对所述内圆轮廓数值组取平均,得到第一平均值,所述第一平均值乘以缩放系数得到所述内外径测量值的内径测量值;
对所述外圆轮廓数值组取平均,得到第二平均值,所述第二平均值乘以所述缩放系数得到所述内外径测量值的外径测量值。
6.根据权利要求5所述的ppr管道内外径测量方法,其特征在于,所述按照第一预设规则保留所述内径距离序列的部分数值作为内圆轮廓数值组;按照第二预设规则保留所述外径距离序列的部分数值作为外圆轮廓数值组,包括:
将去除所述内径距离序列的前N个数值和后N个数值之后,保留的数值作为所述内圆轮廓数值组;
将去除所述外径距离序列的前N个数值和后N个数值之后,保留的数值作为所述外圆轮廓数值组。
7.根据权利要求1至6任一项所述的ppr管道内外径测量方法,其特征在于,所述利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像,包括:
利用插值算法对所述端面图像进行预处理,得到缩放图像;
利用Encoder-decode框架对所述缩放图像进行粗分割,得到第一图像;
将所述第一图像放大到与所述端面图像一致的尺寸,作为所述有效区域图像。
8.一种ppr管道内外径测量装置,其特征在于,包括:
获取模块,用于获取ppr管道的端面图像;
粗分割模块,用于利用深度学习算法对所述端面图像进行粗分割,得到有效区域图像;
细分割模块,用于利用传统图像算法对所述有效区域图像进行细分割,得到分割图像;
测量模块,用于利用距离算法测量所述分割图像,得到所述ppr管道的内外径测量值。
9.一种ppr管道内外径测量设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的ppr管道内外径测量方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的ppr管道内外径测量方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160312.8A CN116309376A (zh) | 2023-02-21 | 2023-02-21 | 一种ppr管道内外径测量方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160312.8A CN116309376A (zh) | 2023-02-21 | 2023-02-21 | 一种ppr管道内外径测量方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309376A true CN116309376A (zh) | 2023-06-23 |
Family
ID=86795397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310160312.8A Pending CN116309376A (zh) | 2023-02-21 | 2023-02-21 | 一种ppr管道内外径测量方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309376A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788554A (zh) * | 2024-02-23 | 2024-03-29 | 东莞市兆丰精密仪器有限公司 | 管道参数测量方法、电子设备以及存储介质 |
-
2023
- 2023-02-21 CN CN202310160312.8A patent/CN116309376A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117788554A (zh) * | 2024-02-23 | 2024-03-29 | 东莞市兆丰精密仪器有限公司 | 管道参数测量方法、电子设备以及存储介质 |
CN117788554B (zh) * | 2024-02-23 | 2024-05-28 | 东莞市兆丰精密仪器有限公司 | 管道参数测量方法、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN107798326B (zh) | 一种轮廓视觉检测方法 | |
CN106651828B (zh) | 一种工业小尺度运动模糊成像条件下的产品尺寸亚像素测量方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN111931647B (zh) | 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 | |
CN116309376A (zh) | 一种ppr管道内外径测量方法、装置、设备及存储介质 | |
CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN113361143B (zh) | 一种凹陷管道应变解析计算及评价方法和装置 | |
CN111723821A (zh) | 一种电厂仪表图像的检测识别方法及装置 | |
CN112598723B (zh) | 一种不锈钢覆层钢筋厚度识别方法、装置及存储介质 | |
CN105678768A (zh) | 一种基于机器视觉的胎面检测方法 | |
CN103729846A (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN108663029A (zh) | 一种获取水下圆柱形基桩信息的方法、存储介质及终端 | |
CN112629409A (zh) | 一种线结构光条纹中心提取方法 | |
CN107230214A (zh) | 基于递归otsu算法的sar图像水域自动检测方法 | |
CN111445511B (zh) | 一种图像中圆的检测方法 | |
CN113989653B (zh) | 一种河流平面几何指标与拓扑结构的提取方法 | |
CN115482211A (zh) | 隧道超欠挖检测方法、装置、电子设备和存储介质 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN112907506A (zh) | 一种基于水尺颜色信息的不定长水尺水位检测方法、装置及存储介质 | |
CN113392846A (zh) | 一种基于深度学习的水尺水位监测方法及系统 | |
CN112231993A (zh) | 基于道克拉斯-普克的河道断面概化方法及装置 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN115082658A (zh) | 一种指针表读数的识别方法及装置 | |
Ying et al. | Research on an automatic counting method for steel bars' image |
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 |