CN116433668A - 一种智能液压油管漏油检测方法 - Google Patents

一种智能液压油管漏油检测方法 Download PDF

Info

Publication number
CN116433668A
CN116433668A CN202310700146.6A CN202310700146A CN116433668A CN 116433668 A CN116433668 A CN 116433668A CN 202310700146 A CN202310700146 A CN 202310700146A CN 116433668 A CN116433668 A CN 116433668A
Authority
CN
China
Prior art keywords
hydraulic oil
oil pipe
gray
area
degree
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
Application number
CN202310700146.6A
Other languages
English (en)
Other versions
CN116433668B (zh
Inventor
王宏亮
张金飞
马巍
马建
王军栋
宋如香
何春生
张昕昕
朱立峰
项剑锋
廖晓龙
解菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongying Fu Ruite Energy Equipment Co ltd
Original Assignee
Dongying Fu Ruite Energy Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongying Fu Ruite Energy Equipment Co ltd filed Critical Dongying Fu Ruite Energy Equipment Co ltd
Priority to CN202310700146.6A priority Critical patent/CN116433668B/zh
Publication of CN116433668A publication Critical patent/CN116433668A/zh
Application granted granted Critical
Publication of CN116433668B publication Critical patent/CN116433668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • 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
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20008—Globally adaptive
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/20—Controlling water pollution; Waste water treatment
    • Y02A20/204—Keeping clear the surface of open water from oil spills

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种智能液压油管漏油检测方法，涉及图像数据处理技术领域。该智能液压油管漏油检测方法，先阈值分割出红外热图像内的液压油管区域，再根据各个液压油管连通域内的温度变化特征，生成液压油管区域的灰度拉伸系数，由此利用分段式线性拉伸算法实现图像对比度的精准增强，从而在高质量红外热图像内精准识别漏油点，实现液压油管漏油检测。

Description

一种智能液压油管漏油检测方法
技术领域
本发明涉及图像数据处理技术领域，尤其涉及一种智能液压油管漏油检测方法。
背景技术
液压油管是一种主要用于液压系统中传递液体的管道，它在工业、农业、建筑等领域都有广泛的应用。但由于液压油管老化、压力过大、温度过高、腐蚀以及磨损等原因，使得液压油管出现泄漏情况。而液压油管漏油不仅会影响液压系统的正常运行，还可能对周围环境和设备造成严重损害和危险。因此，需要对液压油管进行精准的漏油检测，避免事故和损失的发生。
目前，常见的液压油管漏油检测方法为热红外成像法，利用热红外相机等设备对液压油管进行扫描和成像，通过监测液压油管温度变化，判断是否存在漏油情况。然而红外热图像对比度低、分辨细节能力较差，当前场景中液压油管的漏油处往往十分微小，由此会导致通过红外热图像检测的结果准确性较小。
发明内容
有鉴于此，本发明实施例提供一种智能液压油管漏油检测方法，能够从红外热图像精准识别漏油点，实现液压油管漏油检测。
为实现上述目的，本发明实施例提供了一种智能液压油管漏油检测方法。
本发明实施例的一种智能液压油管漏油检测方法，包括：
从液压油管的红外热图像中分割出液压油管区域；其中，所述液压油管区域包括至少一个液压油管连通域；
分析所述液压油管区域的灰度特征得到每个所述液压油管连通域的异常程度；
分析液压油管的弯曲影响程度得到校正系数，利用所述校正系数对所述液压油管连通域的所述异常程度进行校正得到校正异常程度；
基于各个所述液压油管连通域的所述校正异常程度生成所述液压油管区域的灰度拉伸系数；
根据所述灰度拉伸系数对所述红外热图像采用分段式线性拉伸算法进行图像增强生成高质量红外热图像；
利用深度神经网络语义分割模型识别出所述高质量红外热图像中的漏油点。
可选地，从液压油管的红外热图像中分割出液压油管区域，包括：
利用热红外相机采集液压油管的红外热图像；
采用大津算法求取所述红外热图像的最佳分割阈值；
将所述红外热图像内灰度值小于等于所述最佳分割阈值的像素点划分为背景像素点，将所述红外热图像内灰度值大于所述最佳分割阈值的像素点划分为液压油管像素点；其中，所有所述背景像素点组成背景区域，连续相邻的所述液压油管像素点形成一个液压油管连通域，所有的所述液压油管连通域组成液压油管区域。
可选地，分析所述液压油管区域的灰度特征得到每个所述液压油管连通域的异常程度，包括：
利用大津算法求取每个所述液压油管连通域的泄漏分割阈值；
将所述液压油管连通域内灰度值小于等于所述泄漏分割阈值的像素点划分为正常像素点，将所述液压油管连通域内灰度值大于所述泄漏分割阈值的像素点划分为泄漏像素点；其中，所有所述正常像素点组成正常区域，所有所述泄漏像素点组成疑似泄漏区域；
统计各个所述液压油管连通域中所述疑似泄漏区域的最大灰度值，生成灰度值集合；计算每个所述液压油管连通域中所述疑似泄漏区域内所有像素点的灰度方差；分别计算每个所述液压油管连通域内所述疑似泄漏区域和所述正常区域内像素点的灰度均值；
基于所述泄漏分割阈值、所述灰度值集合、所述灰度方差、所述疑似泄漏区域的灰度均值和所述正常区域的灰度均值，计算每个所述液压油管连通域的异常程度。
可选地，根据下述公式计算每个所述液压油管连通域的异常程度：
Figure SMS_1
式中，B为所述液压油管连通域的异常程度，
Figure SMS_4
为所述液压油管连通域内所述疑似泄漏区域的灰度均值，/>
Figure SMS_6
为所述液压油管连通域内所述正常区域的灰度均值，H为所述灰度值集合中数据的信息熵，/>
Figure SMS_8
为所述疑似泄漏区域内所述液压油管连通域的数量，/>
Figure SMS_3
为所述泄漏分割阈值，/>
Figure SMS_5
为第/>
Figure SMS_7
个所述液压油管连通域中所述疑似泄漏区域的最大灰度值，/>
Figure SMS_9
为第/>
Figure SMS_2
个所述液压油管连通域中所述疑似泄漏区域的灰度方差。
可选地，分析液压油管的弯曲影响程度得到校正系数，利用所述校正系数对所述液压油管连通域的所述异常程度进行校正得到校正异常程度，包括：
利用形态学细化操作获取各个所述液压油管连通域的单像素宽度骨架线；统计所述单像素宽度骨架线上各骨架点的曲率，生成曲率集合；将曲率集合内局部极大值点对应的骨架点标记为骨架拐点；
获取所述红外热图像的一个对角线长度；
获取每个所述疑似泄漏区域内所述液压油管连通域的中心点与所述单像素宽度骨架线上离该中心点最近的骨架拐点之间的拐点距离；
根据所述曲率集合、所述对角线长度、所述拐点距离计算校正系数，利用所述校正系数对每个所述液压油管连通域的所述异常程度进行校正得到校正异常程度。
可选地，根据下述公式得到校正异常程度：
Figure SMS_10
式中，
Figure SMS_11
为所述校正异常程度，B为所述异常程度，F为所述对角线长度，/>
Figure SMS_12
为所述疑似泄漏区域内所述液压油管连通域的数量，/>
Figure SMS_13
为所述疑似泄漏区域内第/>
Figure SMS_14
个所述液压油管连通域对应的所述拐点距离，/>
Figure SMS_15
为所述疑似泄漏区域内与第/>
Figure SMS_16
个所述液压油管连通域的中心点最近的骨架拐点的曲率。
可选地，基于各个所述液压油管连通域的所述校正异常程度生成所述液压油管区域的灰度拉伸系数，包括：
计算所述液压油管区域内所有所述液压油管连通域的校正异常程度和值、所有所述液压油管连通域的灰度均值方差；
基于各个液压油管连通域的所述校正异常程度、所述校正异常程度和值、所述灰度均值方差生成所述液压油管区域的灰度拉伸系数。
可选地，根据下述公式生成所述灰度拉伸系数：
Figure SMS_17
式中，P为所述灰度拉伸系数，
Figure SMS_18
为所述液压油管区域内第j个所述液压油管连通域的所述校正异常程度，/>
Figure SMS_19
为所述校正异常程度和值，/>
Figure SMS_20
为所述液压油管区域内所述液压油管连通域的数量，/>
Figure SMS_21
为所述灰度均值方差，k为自然常数e的调整系数、设置为0.1。
可选地，根据所述灰度拉伸系数对所述红外热图像采用分段式线性拉伸算法进行图像增强生成高质量红外热图像，包括：
根据所述最佳分割阈值和所述液压油管区域的所述灰度拉伸系数得到所述红外热图像的自适应灰度拉伸范围；
利用所述自适应灰度拉伸范围对所述红外热图像进行图像对比度增强生成高质量红外热图像。
可选地，自适应灰度拉伸范围的表达式为：
Figure SMS_22
Figure SMS_23
式中，R为所述最佳分割阈值灰度线性拉伸后对应的灰度值，P为所述液压油管区域所需的所述灰度拉伸系数，T为所述最佳分割阈值，
Figure SMS_24
为向下取整函数，/>
Figure SMS_25
为所述红外热图像内第/>
Figure SMS_26
类灰度值，y表示所述红外热图像内灰度值的种类数量，/>
Figure SMS_27
为所述红外热图像内的最大灰度值，/>
Figure SMS_28
为所述红外热图像内第/>
Figure SMS_29
类灰度值在灰度拉伸后对应的灰度值。
上述发明实施例具有如下优点或有益效果：
先根据最佳阈值分割获取重要的液压油管区域，再根据温度变化分析各个液压油管连通域内的异常程度，进而识别由于液压油管弯曲造成的温度不均匀影响，以此为校正系数，获取各个液压油管连通域的校正异常程度，然后根据各个液压油管连通域之间的差异，获取红外热图像内液压油管区域所需的灰度拉伸系数，由此得到自适应灰度拉伸范围，利用分段式线性拉伸算法对红外热图像进行图像对比度增强。若红外热图像内的液压油管区域存在泄漏点的可能性较大，且对应的异常程度较大，以及各液压油管之间的差异较大，则赋予较大的灰度拉伸范围，提高其细节信息，保障后续泄漏点检测的准确性。若红外热图像内的液压油管区域存在泄漏点的可能性较小，且对应的异常程度较小，以及各液压油管之间的差异较小，则赋予较小的灰度拉伸范围，防止灰度过渡拉伸产生伪影，造成后续泄漏点检测错误。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种智能液压油管漏油检测方法的主要步骤的示意图；
图2是根据本发明一个可参考实施例的一种智能液压油管漏油检测方法的主要部分的示意图；
图3是根据本发明实施例的一种智能液压油管漏油检测方法的图像增强的主要过程的示意图；
图4是根据本发明一个可参考实施例的一种智能液压油管漏油检测方法的应用流程的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
本发明先阈值分割出红外热图像内的液压油管区域，再根据各液压油管连通域内的温度变化特征，得到自适应灰度拉伸范围，由此利用分段式线性拉伸算法实现图像对比度的精准增强，从而在高质量红外热图像内精准识别漏油点，实现液压油管漏油检测。
如图1所示，本发明实施例的一种智能液压油管漏油检测方法主要包括以下步骤：
步骤S101，从液压油管的红外热图像中分割出液压油管区域。
由于液压油管老化、过高的压力、温度过高和腐蚀以及磨损等因素，会使得液压油管出现漏油的情况，影响液压系统的正常运行。因此需要定期对工作中的液压油管进行精准的漏油检测，避免事故和损失的发生。本发明实施例利用液压油管的红外热图像结合深度神经网络(DNN)，实现液压油管的漏油检测。但由于红外热图像对比度较低，不利于分辨细节，液压油管的漏油处往往十分微小，识别液压油管泄漏点困难，所以在用深度神经网络语义分割模型识别漏油点之前，需要对红外热图像进行处理，首先划分出液压油管区域，以便于后续分析计算实现图像增强，该液压油管区域包括至少一个液压油管连通域。
红外热图像是由热红外扫描器接收和记录目标物发射的热辐射能而形成的图像。本发明实施例利用热红外相机采集红外热图像。
在本发明实施例中，步骤S101可以采用以下方式实现：利用热红外相机采集液压油管的红外热图像；采用大津算法求取红外热图像的最佳分割阈值；将红外热图像内灰度值小于等于最佳分割阈值的像素点划分为背景像素点，将红外热图像内灰度值大于最佳分割阈值的像素点划分为液压油管像素点。
为划分出液压油管区域，本发明实施例采用大津算法对红外热图像进行阈值分割。大津算法是一种对图像进行二值化的高效算法，利用阈值将原图像分成前景和背景两个图像。大津算法的实现可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。
其中，所有背景像素点组成背景区域，连续相邻的液压油管像素点形成一个液压油管连通域，所有的液压油管连通域组成液压油管区域。
步骤S102，分析液压油管区域的灰度特征得到每个液压油管连通域的异常程度。
在红外热图像中，每个液压油管连通域对应一根液压油管，正常情况下液压油管连通域内温度均匀分布，而液压油管的漏油点处会出现异常形成一个更高温的热斑，通过灰度特征能够体现红外热图像中的温度情况。
在本发明实施例中，步骤S101可以采用以下方式实现：利用大津算法求取每个液压油管连通域的泄漏分割阈值；将液压油管连通域内灰度值小于等于泄漏分割阈值的像素点划分为正常像素点，将液压油管连通域内灰度值大于泄漏分割阈值的像素点划分为泄漏像素点；统计各个液压油管连通域中疑似泄漏区域的最大灰度值，生成灰度值集合；计算每个液压油管连通域中疑似泄漏区域内所有像素点的灰度方差；分别计算每个液压油管连通域内疑似泄漏区域和正常区域内像素点的灰度均值；基于泄漏分割阈值、灰度值集合、灰度方差、疑似泄漏区域的灰度均值和正常区域的灰度均值，计算每个液压油管连通域的异常程度。
通过识别液压油管区域内的疑似泄漏点，计算其异常程度，提高其细节信息，后续可以对异常程度大的区域赋予较大的灰度拉伸范围，保障泄漏点检测的准确性。
其中，所有正常像素点组成正常区域，所有泄漏像素点组成疑似泄漏区域。
作为一种优选的实施方式，可以根据下述公式计算每个液压油管连通域的异常程度：
Figure SMS_30
式中，B为液压油管连通域的异常程度，
Figure SMS_33
为液压油管连通域内疑似泄漏区域的灰度均值，/>
Figure SMS_35
为液压油管连通域内正常区域的灰度均值，H为灰度值集合中数据的信息熵，/>
Figure SMS_37
为疑似泄漏区域内液压油管连通域的数量，/>
Figure SMS_32
为泄漏分割阈值，/>
Figure SMS_34
为第/>
Figure SMS_36
个液压油管连通域中疑似泄漏区域的最大灰度值，/>
Figure SMS_38
为第/>
Figure SMS_31
个液压油管连通域中疑似泄漏区域的灰度方差。
其中，
Figure SMS_41
体现了灰度变化的剧烈程度，可以作为灰度变化特征，已知正常情况下液压油管连通域内温度均匀分布，当/>
Figure SMS_43
越大，说明该疑似泄漏区域的异常程度越大，而当
Figure SMS_46
越大，说明该疑似泄漏区域为泄漏点的可能性越大，故用归一化的/>
Figure SMS_40
为/>
Figure SMS_44
的调整值，两者的乘积表示该疑似泄漏区域内的灰度变化特征。而各疑似泄漏区域内的最大灰度值体现了液压油管连通域内的最高温，/>
Figure SMS_47
体现了其泄漏程度。信息熵描述信息源各可能事件发生的不确定性，其计算可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。信息熵H越大，说明各疑似泄漏区域内泄漏程度的种类越丰富，因此用归一化的/>
Figure SMS_49
为各疑似泄漏区域内灰度变化特征均值/>
Figure SMS_39
的调整值。由于大津算法不管液压油管连通域内是否真正存在泄漏点，都会进行阈值分割，当
Figure SMS_42
越大，说明液压油管连通域内存在泄漏点的概率越大，求取的初始异常程度可信度越高，因此用归一化的/>
Figure SMS_45
为/>
Figure SMS_48
的调整值，两者的乘积表示该液压油管连通域内的异常程度。
步骤S103，分析液压油管的弯曲影响程度得到校正系数，利用校正系数对液压油管连通域的异常程度进行校正得到校正异常程度。
常用的液压油管材质为橡胶软管，其长期在不断加压、卸压的状态下交替，故液压油管存在一定的弯曲，而当液体在弯曲处流动时，会产生湍流现象，导致流速不均匀，使得越靠近弯曲向的内侧壁流速越小、越靠近弯曲向的外侧壁流速越大，且当流速较快时，液体冷却越快，温度较低，当流速较慢时，液体冷却越慢，温度较高，使得液压油管弯曲处温度不均匀，导致步骤S102求取的异常程度存在误差。因此，本发明实施例进一步分析液压油管弯曲造成的影响，得出校正系数。
在本发明实施例中，步骤S103可以采用以下方式实现：利用形态学细化操作获取各个液压油管连通域的单像素宽度骨架线；统计单像素宽度骨架线上各骨架点的曲率，生成曲率集合；将曲率集合内局部极大值点对应的骨架点标记为骨架拐点；获取红外热图像的一个对角线长度；获取每个疑似泄漏区域内液压油管连通域的中心点与单像素宽度骨架线上离该中心点最近的骨架拐点之间的拐点距离；根据曲率集合、对角线长度、拐点距离计算校正系数，利用校正系数对每个液压油管连通域的异常程度进行校正得到校正异常程度。
形态学细化操作用于将图像的骨架提取出来并同时保持图像细小部分的连通性。细化一般采取逐次去除边界的方法来进行，而且不能破坏图像的连通性；逐次细化的过程中，当这一次的结果和下一次的结果一样时，说明细化成功。形态学细化操的实现过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。
作为一种优选的实施方式，可以根据下述公式得到校正异常程度：
Figure SMS_50
式中，
Figure SMS_51
为校正异常程度，B为异常程度，F为对角线长度，/>
Figure SMS_52
为疑似泄漏区域内液压油管连通域的数量，/>
Figure SMS_53
为疑似泄漏区域内第/>
Figure SMS_54
个液压油管连通域对应的拐点距离，/>
Figure SMS_55
为疑似泄漏区域内与第/>
Figure SMS_56
个液压油管连通域的中心点最近的骨架拐点的曲率。/>
Figure SMS_57
表示以自然常数e为底的指数函数。
液压油管弯曲时会造成液压油流速不均匀，导致液压油管温度不均匀，弯曲程度越大对液压油流速的影响越大。当
Figure SMS_58
越大，说明该液压油管拐弯处的弯曲程度越大，温度越不均匀，且该液压油管连通域的中心点距离拐弯处越近，/>
Figure SMS_59
越小时，说明该液压油管连通域受到此拐弯处的影响越大，因此用反比归一化的/>
Figure SMS_60
为/>
Figure SMS_61
的调整值，两者乘积表示异常程度B受液压油管弯曲的影响程度，其值越大，异常程度B的可信度越小，故用反比归一化均值的/>
Figure SMS_62
作为B的校正系数，两者的乘积表示该液压油管连通域内校正后的异常程度（即校正异常程度）。
同理，利用上述公式分别计算液压油管区域内各个液压油管连通域的校正异常程度
Figure SMS_63
，获得集合/>
Figure SMS_64
，其中/>
Figure SMS_65
表示红外热图像内的液压油管连通域数量。
步骤S104，基于各个液压油管连通域的校正异常程度生成液压油管区域的灰度拉伸系数。
常用的分段线性拉伸增强图像对比度的算法，由于其划分的各段灰度拉伸范围需要根据人工经验选取，而液压油管由于其工作负载、环境温度、液体类型、液体流速和管径大小等因素，使得采集的红外热图像内各液压油管温度存在差异，故各图像往往需要不同的灰度拉伸范围，当其选取不合适时，会导致图像对比度增强的效果较差。因此，本发明实施例通过各个液压油管连通域的校正异常程度，进一步分析各液压油管之间的差异，获取液压油管区域所需的灰度拉伸系数。
在本发明实施例中，步骤S104可以采用以下方式实现：计算液压油管区域内所有液压油管连通域的校正异常程度和值、所有液压油管连通域的灰度均值方差；基于各个液压油管连通域的校正异常程度、校正异常程度和值、灰度均值方差生成液压油管区域的灰度拉伸系数。
作为一种优选的实施方式，可以根据下述公式生成液压油管区域的灰度拉伸系数：
Figure SMS_66
式中，P为灰度拉伸系数，
Figure SMS_67
为液压油管区域内第j个液压油管连通域的校正异常程度，/>
Figure SMS_68
为校正异常程度和值，/>
Figure SMS_69
为液压油管区域内液压油管连通域的数量，/>
Figure SMS_70
为灰度均值方差。e为自然常数，k为自然常数e的调整系数，k用于防止e其过早趋于0，k的取值可以根据实际情况设置，优选地，可以将k设置为0.1。/>
Figure SMS_71
为归一化函数，用于将括号内的数值归一化至区间[0,1]内。
液压油管连通域内的温度异常程度越大，则说明该液压油管连通域越重要，因此用归一化的
Figure SMS_72
为权重，对/>
Figure SMS_73
进行加权求和获取液压油管区域的重要程度。而当各个液压油管连通域的温度差异越大，/>
Figure SMS_74
越大时，说明各个液压油管的应用和工作状态不同，则液压油管区域越重要，因此以其为/>
Figure SMS_75
的调整值，为防止调整值为0影响后续计算，由此令/>
Figure SMS_76
时，调整值为1；/>
Figure SMS_77
时，调整值为/>
Figure SMS_78
，再对两者的乘积加1，即生成液压油管区域所需的灰度拉伸系数。
步骤S105，根据灰度拉伸系数对红外热图像采用分段式线性拉伸算法进行图像增强生成高质量红外热图像。
通过步骤S104获得自适应灰度拉伸范围后，采用分段式线性拉伸算法对红外热图像进行图像增强，即可得到高质量液压油管红外热图像。需要说明的是，本步骤的图像增强优选为图像对比度增强。
具体地，步骤S105可以采用以下方式实现：根据最佳分割阈值和液压油管区域的灰度拉伸系数得到红外热图像的自适应灰度拉伸范围；利用自适应灰度拉伸范围对红外热图像进行图像对比度增强生成高质量红外热图像。
在红外热图像中，液压油管区域为重要区域，需要较大的灰度拉伸，而背景区域为不重要区域，因此可以根据实际情况设置，优选地，可以将背景区域的灰度拉伸系数设置为1。本发明实施例将红外热图像的灰度拉伸范围设置为[0,255]。
在本发明实施例中，自适应灰度拉伸范围的表达式为：
Figure SMS_79
Figure SMS_80
式中，R为最佳分割阈值灰度线性拉伸后对应的灰度值，P为液压油管区域所需的灰度拉伸系数，T为最佳分割阈值，
Figure SMS_81
为向下取整函数，/>
Figure SMS_82
为红外热图像内第/>
Figure SMS_83
类灰度值，y表示红外热图像内灰度值的种类数量，/>
Figure SMS_84
为红外热图像内的最大灰度值，/>
Figure SMS_85
为红外热图像内第/>
Figure SMS_86
类灰度值在灰度拉伸后对应的灰度值。
步骤S106，利用深度神经网络语义分割模型识别出高质量红外热图像中的漏油点。
采用图像对比度增强的高质量红外热图像，本发明实施例利用深度神经网络语义分割对其进行处理，识别出漏油点。
进一步地，当检测到漏油点时，可以通过液压油管智能检测系统等进行警报提示，令工作人员快速及时的更换液压油管。
深度神经网络语义分割模型是使用深度神经网络(DNN)从带有大量标注的数据中提取出语义信息和图像特征，再依据这些提取信息学习推理出原始图像中像素的标签，通过端到端训练的方式挖掘出每个像素的高阶语义并实现图像对象的分类。深度神经网络语义分割模型的实现过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。
深度神经网络语义分割模型在训练时，使用的数据集为图像增强的高质量红外热图像数据集（即训练集）。由于需要分割的像素，共分为两类，故训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0、属于漏油点区域的标注为1。此外，深度神经网络语义分割模型的任务是分类，所以使用的损失函数为交叉熵损失函数。
根据本发明实施例的一种智能液压油管漏油检测方法可以看出，本方案先根据最佳阈值分割获取重要的液压油管区域，再根据温度变化分析各个液压油管连通域内的异常程度，进而识别由于液压油管弯曲造成的温度不均匀影响，以此为校正系数，获取各个液压油管连通域的校正异常程度，然后根据各个液压油管连通域之间的差异，获取红外热图像内液压油管区域所需的灰度拉伸系数，由此得到自适应灰度拉伸范围，利用分段式线性拉伸算法对红外热图像进行图像对比度增强。若红外热图像内的液压油管区域存在泄漏点的可能性较大，且对应的异常程度较大，以及各液压油管之间的差异较大，则赋予较大的灰度拉伸范围，提高其细节信息，保障后续泄漏点检测的准确性。若红外热图像内的液压油管区域存在泄漏点的可能性较小，且对应的异常程度较小，以及各液压油管之间的差异较小，则赋予较小的灰度拉伸范围，防止灰度过渡拉伸产生伪影，造成后续泄漏点检测错误。
如图2所示，本发明实施例的一种智能液压油管漏油检测方法主要包括以下两部分：
第一：采集液压油管红外热图像，对图像进行增强处理。
首先利用热红外相机采集液压油管的红外热图像，再利用大津算法阈值分割背景区域和液压油管区域。然后对液压油管连通域进行阈值分割划分出疑似泄漏区域，再根据疑似泄漏区域内的温度变化，计算液压油管连通域内的异常程度，从而根据液压油管的弯曲特征，计算校正系数，进而获取液压油管连通域内校正后的异常程度，由此根据各液压油管连通域之间的差异，计算图像内液压油管区域所需的灰度拉伸系数，基于此获取自适应灰度拉伸范围，利用分段式线性拉伸算法进行图像对比度增强。
第二：在高质量图像内精准识别漏油点，实现液压油管漏油检测。
由于红外热图像对比度低,分辨细节能力较差，当前场景中液压油管的漏油处往往十分微小，由此会导致通过红外热图像检测的结果准确性较小。因此，本发明实施例使用自适应灰度拉伸范围的分段式线性拉伸算法进行图像对比度增强，获取高质量的液压油管红外热图像，提高后续漏油点识别的准确性。
最终利用DNN语义分割的方式来精准识别高质量液压油管红外热图像内的漏油点。
如图3所示，本发明实施例的一种智能液压油管漏油检测方法的图像增强的主要过程包括：
a）采集液压油管红外热图像，分割液压油管区域。
利用热红外相机采集工作中的液压油管的红外热图像，已知液压油管内的油温应该在30至80度之间，故液压油管为红外热图像内的高温区域。红外热图像中高温的液压油管主要呈现黄红色、其它部分则主要呈现蓝紫色。利用大津算法求取红外热图像的最佳分割阈值T，令图像内灰度值大于最佳分割阈值T的像素点为液压油管区域，令灰度值小于等于最佳分割阈值T的像素点为背景区域。
b）分析液压油管区域的灰度特征，自适应灰度拉伸系数。
根据上述步骤a）获取的液压油管区域，取一个液压油管连通域为例，该液压油管连通域为同一根液压油管，正常情况下其内温度均匀分布，而液压油管的漏油点处则会形成一个更高温的热斑。
因此利用大津算法求取该液压油管连通域的泄漏分割阈值
Figure SMS_87
，令该液压油管连通域内灰度值大于/>
Figure SMS_88
的像素点为疑似泄漏区域、令灰度值小于等于阈值/>
Figure SMS_89
的像素点为正常区域。再统计各液压油管连通域内疑似泄漏区域中的最大灰度值，获得灰度值集合
Figure SMS_90
，其中n表示疑似泄漏区域中液压油管连通域的数量。由此可知该液压油管连通域内的异常程度B为：
Figure SMS_91
其中，
Figure SMS_92
和/>
Figure SMS_96
分别表示该液压油管连通域内疑似泄漏区域和正常区域内像素点的灰度均值。H表示灰度值集合A中数据的信息熵，由于信息熵的取值范围为[0,+/>
Figure SMS_99
]，故/>
Figure SMS_93
为归一化至区间[0.5,1]内。/>
Figure SMS_95
表示疑似泄漏区域中液压油管连通域的数量，
Figure SMS_98
为该液压油管连通域的泄漏分割阈值，/>
Figure SMS_101
表示第/>
Figure SMS_94
个液压油管连通域中疑似泄漏区域的最大灰度值，/>
Figure SMS_97
表示第/>
Figure SMS_100
个液压油管连通域中疑似泄漏区域的灰度方差，其体现了灰度变化的剧烈程度。
利用形态学细化操作获取该液压油管连通域的单像素宽度骨架线，统计该单像素宽度骨架线上各骨架点的曲率，曲率的取值范围为[0,+
Figure SMS_102
]，获得曲率集合
Figure SMS_103
，其中q表示该单像素宽度骨架线的长度。已知曲率越大，表示曲线的弯曲程度越大，由此统计曲率集合D内的局部极大值点对应的骨架点，用于表示液压油管各弯曲处的拐点，其数量表示液压油管的拐弯数量，标记其为骨架拐点。由此可知该液压油管连通域的校正异常程度/>
Figure SMS_104
为：
Figure SMS_105
其中，B表示该液压油管连通域内的异常程度，F表示采集的液压油管红外热图像的一个对角线长度，
Figure SMS_106
为疑似泄漏区域内液压油管连通域的数量，/>
Figure SMS_107
表示疑似泄漏区域内第/>
Figure SMS_108
个液压油管连通域对应的拐点距离，/>
Figure SMS_109
表示疑似泄漏区域内与第/>
Figure SMS_110
个液压油管连通域的中心点最近的骨架拐点的曲率。/>
Figure SMS_111
表示以自然常数e为底的指数函数。
同理获取液压油管区域内各液压油管连通域的校正异常程度
Figure SMS_112
，获得集合
Figure SMS_113
，其中/>
Figure SMS_114
表示红外热图像内液压油管连通域的数量。
已知红外热图像内的液压油管区域为重要区域，需要较大的灰度拉伸，图像内的背景区域为不重要区域，因此设置背景区域所需的灰度拉伸系数为1，背景区域的灰度拉伸系数可根据实际需求灵活设置。则红外热图像内的液压油管区域所需的自适应灰度拉伸系数P为：
Figure SMS_115
其中
Figure SMS_116
表示液压油管区域内第j个液压油管连通域的校正异常程度，/>
Figure SMS_117
表示液压油管区域内各液压油管连通域的校正异常程度的总和（即校正异常程度和值）。/>
Figure SMS_118
表示液压油管区域内液压油管连通域的数量，/>
Figure SMS_119
表示红外热图像中各液压油管连通域内像素点的灰度均值方差。e为自然常数，k为自然常数e调整系数，为防止其过早趋于0，设置k为0.1，k的值还可以根据实际情况灵活调整。/>
Figure SMS_120
为归一化至区间[0,1]内。
c）利用分段式线性拉伸算法实现图像增强。
根据上述步骤a）、b）获取红外热图像的背景区域和液压油管区域，其最佳分割阈值为T，以及对应的灰度拉伸系数1和P。本发明实施例设置图像的灰度拉伸范围为[0,255]，则红外热图像的分段式线性拉伸表达公式为：
Figure SMS_121
Figure SMS_122
其中1和P分别表示背景区域和液压油管区域所需的灰度拉伸系数，T表示红外热图像的最佳分割阈值，
Figure SMS_123
表示向下取整，则R表示最佳分割阈值T在灰度线性拉伸后的对应灰度值。/>
Figure SMS_124
表示红外热图像内第/>
Figure SMS_125
类灰度值，y表示红外热图像内灰度值的种类数量，
Figure SMS_126
表示红外热图像内的最大灰度值，/>
Figure SMS_127
表示红外热图像内第/>
Figure SMS_128
类灰度值在灰度拉伸后的灰度值。
由此获得利用自适应灰度拉伸范围的分段式线性拉伸算法进行图像对比度增强后的高质量液压油管红外热图像。
如图4所示，在应用本发明实施例的一种智能液压油管漏油检测方法时，可参考以下流程：
采集液压油管的红外热图像：
本步骤可以通过如下方式实现：利用热红外相机采集液压油管的红外热图像；
阈值分割出液压油管区域：
本步骤可以通过如下方式实现：采用大津算法求取红外热图像的最佳分割阈值；将红外热图像内灰度值小于等于最佳分割阈值的像素点划分为背景像素点，将红外热图像内灰度值大于最佳分割阈值的像素点划分为液压油管像素点；将所有背景像素点组成背景区域，将连续相邻的液压油管像素点形成一个液压油管连通域，则所有的液压油管连通域组成液压油管区域；
阈值分割出疑似泄漏区域：
本步骤可以通过如下方式实现：利用大津算法求取每个液压油管连通域的泄漏分割阈值；将液压油管连通域内灰度值小于等于泄漏分割阈值的像素点划分为正常像素点，将液压油管连通域内灰度值大于泄漏分割阈值的像素点划分为泄漏像素点；将所有正常像素点组成正常区域、所有泄漏像素点组成疑似泄漏区域；
计算液压油管连通域内的异常程度：
本步骤可以通过如下方式实现：统计各个液压油管连通域中疑似泄漏区域的最大灰度值，生成灰度值集合；计算每个液压油管连通域中疑似泄漏区域内所有像素点的灰度方差；分别计算每个液压油管连通域内疑似泄漏区域和正常区域内像素点的灰度均值；基于泄漏分割阈值、灰度值集合、灰度方差、疑似泄漏区域的灰度均值和正常区域的灰度均值，计算每个液压油管连通域的异常程度；
分析液压油管的弯曲影响程度
本步骤可以通过如下方式实现：利用形态学细化操作获取各个液压油管连通域的单像素宽度骨架线；统计单像素宽度骨架线上各骨架点的曲率，生成曲率集合；将曲率集合内局部极大值点对应的骨架点标记为骨架拐点；获取红外热图像的一个对角线长度；获取每个疑似泄漏区域内液压油管连通域的中心点与单像素宽度骨架线上离该中心点最近的骨架拐点之间的拐点距离；根据曲率集合、对角线长度、拐点距离计算校正系数；
校正液压油管连通域内的异常程度
本步骤可以通过如下方式实现：利用校正系数对每个液压油管连通域的异常程度进行校正得到校正异常程度；
计算液压油管区域所需的灰度拉伸系数
本步骤可以通过如下方式实现：计算液压油管区域内所有液压油管连通域的校正异常程度和值、所有液压油管连通域的灰度均值方差；基于各个液压油管连通域的校正异常程度、校正异常程度和值、灰度均值方差生成液压油管区域的灰度拉伸系数；
分段式线性拉伸，识别漏油点
本步骤可以通过如下方式实现：根据最佳分割阈值和液压油管区域的灰度拉伸系数得到红外热图像的自适应灰度拉伸范围；利用自适应灰度拉伸范围对红外热图像进行图像对比度增强生成高质量红外热图像；然后利用深度神经网络语义分割模型识别出高质量红外热图像中的漏油点。
根据本发明实施例的技术方案，本方案先根据最佳阈值分割获取重要的液压油管区域，再根据温度变化分析各个液压油管连通域内的异常程度，进而识别由于液压油管弯曲造成的温度不均匀影响，以此为校正系数，获取各个液压油管连通域的校正异常程度，然后根据各个液压油管连通域之间的差异，获取红外热图像内液压油管区域所需的灰度拉伸系数，由此得到自适应灰度拉伸范围，利用分段式线性拉伸算法对红外热图像进行图像对比度增强。若红外热图像内的液压油管区域存在泄漏点的可能性较大，且对应的异常程度较大，以及各液压油管之间的差异较大，则赋予较大的灰度拉伸范围，提高其细节信息，保障后续泄漏点检测的准确性。若红外热图像内的液压油管区域存在泄漏点的可能性较小，且对应的异常程度较小，以及各液压油管之间的差异较小，则赋予较小的灰度拉伸范围，防止灰度过渡拉伸产生伪影，造成后续泄漏点检测错误。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种智能液压油管漏油检测方法，其特征在于，包括：
从液压油管的红外热图像中分割出液压油管区域；其中，所述液压油管区域包括至少一个液压油管连通域；
分析所述液压油管区域的灰度特征得到每个所述液压油管连通域的异常程度；
分析液压油管的弯曲影响程度得到校正系数，利用所述校正系数对所述液压油管连通域的所述异常程度进行校正得到校正异常程度；
基于各个所述液压油管连通域的所述校正异常程度生成所述液压油管区域的灰度拉伸系数；
根据所述灰度拉伸系数对所述红外热图像采用分段式线性拉伸算法进行图像增强生成高质量红外热图像；
利用深度神经网络语义分割模型识别出所述高质量红外热图像中的漏油点。
2.根据权利要求1所述的方法，其特征在于，从液压油管的红外热图像中分割出液压油管区域，包括：
利用热红外相机采集液压油管的红外热图像；
采用大津算法求取所述红外热图像的最佳分割阈值；
将所述红外热图像内灰度值小于等于所述最佳分割阈值的像素点划分为背景像素点，将所述红外热图像内灰度值大于所述最佳分割阈值的像素点划分为液压油管像素点；其中，所有所述背景像素点组成背景区域，连续相邻的所述液压油管像素点形成一个液压油管连通域，所有的所述液压油管连通域组成液压油管区域。
3.根据权利要求1所述的方法，其特征在于，分析所述液压油管区域的灰度特征得到每个所述液压油管连通域的异常程度，包括：
利用大津算法求取每个所述液压油管连通域的泄漏分割阈值；
将所述液压油管连通域内灰度值小于等于所述泄漏分割阈值的像素点划分为正常像素点，将所述液压油管连通域内灰度值大于所述泄漏分割阈值的像素点划分为泄漏像素点；其中，所有所述正常像素点组成正常区域，所有所述泄漏像素点组成疑似泄漏区域；
统计各个所述液压油管连通域中所述疑似泄漏区域的最大灰度值，生成灰度值集合；计算每个所述液压油管连通域中所述疑似泄漏区域内所有像素点的灰度方差；分别计算每个所述液压油管连通域内所述疑似泄漏区域和所述正常区域内像素点的灰度均值；
基于所述泄漏分割阈值、所述灰度值集合、所述灰度方差、所述疑似泄漏区域的灰度均值和所述正常区域的灰度均值，计算每个所述液压油管连通域的异常程度。
4.根据权利要求3所述的方法，其特征在于，根据下述公式计算每个所述液压油管连通域的异常程度：
Figure QLYQS_1
式中，B为所述液压油管连通域的异常程度，
Figure QLYQS_4
为所述液压油管连通域内所述疑似泄漏区域的灰度均值，/>
Figure QLYQS_6
为所述液压油管连通域内所述正常区域的灰度均值，H为所述灰度值集合中数据的信息熵，/>
Figure QLYQS_8
为所述疑似泄漏区域内所述液压油管连通域的数量，/>
Figure QLYQS_3
为所述泄漏分割阈值，/>
Figure QLYQS_5
为第/>
Figure QLYQS_7
个所述液压油管连通域中所述疑似泄漏区域的最大灰度值，
Figure QLYQS_9
为第 />
Figure QLYQS_2
个所述液压油管连通域中所述疑似泄漏区域的灰度方差。
5.根据权利要求3所述的方法，其特征在于，分析液压油管的弯曲影响程度得到校正系数，利用所述校正系数对所述液压油管连通域的所述异常程度进行校正得到校正异常程度，包括：
利用形态学细化操作获取各个所述液压油管连通域的单像素宽度骨架线；统计所述单像素宽度骨架线上各骨架点的曲率，生成曲率集合；将曲率集合内局部极大值点对应的骨架点标记为骨架拐点；
获取所述红外热图像的一个对角线长度；
获取每个所述疑似泄漏区域内所述液压油管连通域的中心点与所述单像素宽度骨架线上离该中心点最近的骨架拐点之间的拐点距离；
根据所述曲率集合、所述对角线长度、所述拐点距离计算校正系数，利用所述校正系数对每个所述液压油管连通域的所述异常程度进行校正得到校正异常程度。
6.根据权利要求5所述的方法，其特征在于，根据下述公式得到校正异常程度：
Figure QLYQS_10
式中，
Figure QLYQS_11
为所述校正异常程度，B为所述异常程度，F为所述对角线长度，/>
Figure QLYQS_12
为所述疑似泄漏区域内所述液压油管连通域的数量，/>
Figure QLYQS_13
为所述疑似泄漏区域内第 />
Figure QLYQS_14
个所述液压油管连通域对应的所述拐点距离，/>
Figure QLYQS_15
为所述疑似泄漏区域内与第/>
Figure QLYQS_16
个所述液压油管连通域的中心点最近的骨架拐点的曲率。
7.根据权利要求1所述的方法，其特征在于，基于各个所述液压油管连通域的所述校正异常程度生成所述液压油管区域的灰度拉伸系数，包括：
计算所述液压油管区域内所有所述液压油管连通域的校正异常程度和值、所有所述液压油管连通域的灰度均值方差；
基于各个液压油管连通域的所述校正异常程度、所述校正异常程度和值、所述灰度均值方差生成所述液压油管区域的灰度拉伸系数。
8.根据权利要求7所述的方法，其特征在于，根据下述公式生成所述灰度拉伸系数：
Figure QLYQS_17
式中，P为所述灰度拉伸系数，
Figure QLYQS_18
为所述液压油管区域内第j个所述液压油管连通域的所述校正异常程度，/>
Figure QLYQS_19
为所述校正异常程度和值，/>
Figure QLYQS_20
为所述液压油管区域内所述液压油管连通域的数量，/>
Figure QLYQS_21
为所述灰度均值方差，k为自然常数e的调整系数、设置为0.1。
9.根据权利要求1所述的方法，其特征在于，根据所述灰度拉伸系数对所述红外热图像采用分段式线性拉伸算法进行图像增强生成高质量红外热图像，包括：
根据所述最佳分割阈值和所述液压油管区域的所述灰度拉伸系数得到所述红外热图像的自适应灰度拉伸范围；
利用所述自适应灰度拉伸范围对所述红外热图像进行图像对比度增强生成高质量红外热图像。
10.根据权利要求9所述的方法，其特征在于，自适应灰度拉伸范围的表达式为：
Figure QLYQS_22
Figure QLYQS_23
式中，R为所述最佳分割阈值在灰度线性拉伸后对应的灰度值，P为所述液压油管区域所需的所述灰度拉伸系数，T为所述最佳分割阈值，
Figure QLYQS_24
为向下取整函数，/>
Figure QLYQS_25
为所述红外热图像内第/>
Figure QLYQS_26
类灰度值，/>
Figure QLYQS_27
表示所述红外热图像内灰度值的种类数量，/>
Figure QLYQS_28
为所述红外热图像内的最大灰度值，/>
Figure QLYQS_29
为所述红外热图像内第/>
Figure QLYQS_30
类灰度值在灰度拉伸后对应的灰度值。
CN202310700146.6A 2023-06-14 2023-06-14 一种智能液压油管漏油检测方法 Active CN116433668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310700146.6A CN116433668B (zh) 2023-06-14 2023-06-14 一种智能液压油管漏油检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310700146.6A CN116433668B (zh) 2023-06-14 2023-06-14 一种智能液压油管漏油检测方法

Publications (2)

Publication Number Publication Date
CN116433668A true CN116433668A (zh) 2023-07-14
CN116433668B CN116433668B (zh) 2023-09-12

Family

ID=87087650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310700146.6A Active CN116433668B (zh) 2023-06-14 2023-06-14 一种智能液压油管漏油检测方法

Country Status (1)

Country Link
CN (1) CN116433668B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758085A (zh) * 2023-08-21 2023-09-15 山东昆仲信息科技有限公司 一种气体污染红外图像视觉辅助检测方法
CN116823839A (zh) * 2023-08-31 2023-09-29 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN117218116A (zh) * 2023-11-07 2023-12-12 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117556364A (zh) * 2024-01-12 2024-02-13 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040088113A1 (en) * 2002-10-31 2004-05-06 Eastman Kodak Company Detecting natural gas pipeline failures
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
CN112085728A (zh) * 2020-09-17 2020-12-15 哈尔滨工程大学 一种海底管道及泄漏点检测方法
WO2021243743A1 (zh) * 2020-06-04 2021-12-09 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN115908410A (zh) * 2023-01-06 2023-04-04 磐石重工(青岛)股份有限公司 基于机器视觉的压力容器激光焊接控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040088113A1 (en) * 2002-10-31 2004-05-06 Eastman Kodak Company Detecting natural gas pipeline failures
CN102636313A (zh) * 2012-04-11 2012-08-15 浙江工业大学 基于红外热成像图像处理的渗漏源检测装置
US20190331301A1 (en) * 2016-12-30 2019-10-31 Du Yuchuan Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
WO2021243743A1 (zh) * 2020-06-04 2021-12-09 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN112085728A (zh) * 2020-09-17 2020-12-15 哈尔滨工程大学 一种海底管道及泄漏点检测方法
CN115908410A (zh) * 2023-01-06 2023-04-04 磐石重工(青岛)股份有限公司 基于机器视觉的压力容器激光焊接控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XINHUA ZHAO等: "Research on Detection Method for the Leakage of Underwater Pipeline by YOLOv3", 《2020 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》 *
尹皓等: "基于图像处理的石油管道故障检测", 《当代化工研究 》 *
谢静;杨晓燕;徐长航;陈国明;葛苏鞍;: "基于形态学方法的工件表面缺陷红外热像检测技术", 中国石油大学学报(自然科学版), no. 03 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758085A (zh) * 2023-08-21 2023-09-15 山东昆仲信息科技有限公司 一种气体污染红外图像视觉辅助检测方法
CN116758085B (zh) * 2023-08-21 2023-11-03 山东昆仲信息科技有限公司 一种气体污染红外图像视觉辅助检测方法
CN116823839A (zh) * 2023-08-31 2023-09-29 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法
CN116823839B (zh) * 2023-08-31 2023-12-01 梁山中维热力有限公司 基于热红外图像的管道泄漏检测方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN116883411B (zh) * 2023-09-08 2023-12-19 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN117218116A (zh) * 2023-11-07 2023-12-12 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117218116B (zh) * 2023-11-07 2024-02-09 威海立达尔机械股份有限公司 一种基于机器视觉的液压油缸漏油检测方法
CN117556364A (zh) * 2024-01-12 2024-02-13 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统
CN117556364B (zh) * 2024-01-12 2024-03-29 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统

Also Published As

Publication number Publication date
CN116433668B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116433668B (zh) 一种智能液压油管漏油检测方法
US11221107B2 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
CN111079747B (zh) 铁路货车转向架侧架断裂故障图像识别方法
EP3309703A1 (en) Method and system for decoding qr code based on weighted average grey method
CN110648310B (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN113160192A (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN116611748B (zh) 一种钛合金家具生产质量监控系统
CN113592828B (zh) 基于工业内窥镜的无损检测方法及系统
CN107220962B (zh) 一种隧道裂纹的图像检测方法和装置
WO2023082418A1 (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
CN115115638B (zh) 一种液压系统漏油检测及判定方法
CN105160339A (zh) 一种二维码打印质量在线评估方法
CN114219805A (zh) 一种玻璃缺陷智能检测方法
CN115689948B (zh) 用于检测建筑供水管道裂痕的图像增强方法
CN115131354A (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN115751203A (zh) 一种基于红外热像仪的天然气管道泄漏监测系统
CN112785578A (zh) 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统
CN116188468A (zh) 一种hdmi线缆传输分拣智能控制系统
CN115752969A (zh) 一种铝箔封口密封性检测方法及系统和设备
CN117037132A (zh) 一种基于机器视觉的船舶水尺读数检测和识别方法
CN116630332B (zh) 一种基于图像处理的pvc塑料管口缺陷检测方法
CN117058133A (zh) 基于图像数据的液压系统漏油检测方法
CN116385466A (zh) 一种基于边界框弱标注的图像中目标分割方法及系统
CN115063739B (zh) 异常行为的检测方法、装置、设备及计算机存储介质

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