CN116563283B - 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 - Google Patents
基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 Download PDFInfo
- Publication number
- CN116563283B CN116563283B CN202310834975.3A CN202310834975A CN116563283B CN 116563283 B CN116563283 B CN 116563283B CN 202310834975 A CN202310834975 A CN 202310834975A CN 116563283 B CN116563283 B CN 116563283B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- abnormal region
- region
- image
- similarity
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 343
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000009928 pasteurization Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 60
- 230000008859 change Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B37/00—Component parts or details of steam boilers
- F22B37/02—Component parts or details of steam boilers applicable to more than one kind or type of steam boiler
- F22B37/38—Determining or indicating operating conditions in steam boilers, e.g. monitoring direction or rate of water flow through water tubes
-
- 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
- G06V10/273—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 removing elements interfering with the pattern to be recognised
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30196—Human being; Person
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Quality & Reliability (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及图像处理领域,提供了一种基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置,包括:获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合;确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域;计算两种异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域;然后确定蒸汽锅炉是否发生泄露。根据蒸汽锅炉的可见光图像和红外图像中的异常区域在两种图像上的相似性排除人体干扰区域,减少了人体和蒸汽锅炉自身对蒸汽锅炉气体泄露故障检测的干扰,并提高了检测速度和准确性。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置。
背景技术
蒸汽锅炉是一种在高温下将水转化为蒸汽,并将其用于加热或产生动力的设备。蒸汽锅炉主要由炉体、水箱和管道系统组成,常用于工业、制造业和发电站等领域。在蒸汽锅炉的使用过程中,会出现由于设备老化或者人为的操作不当而导致的气体泄露问题,一般泄露的是燃烧不完全或燃烧产生的有害气体,如二氧化碳、一氧化碳、氮氧化物等。这些有害气体的泄露不仅会造成燃料的浪费,还会对工作人员的身体造成危害,甚至会导致火灾或者爆炸等事故的发生。因此,实时检测蒸汽锅炉是否出现气体泄露故障非常重要。
发明内容
为解决上述技术问题,本发明提供一种基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置。
第一方面,本申请提供一种基于图像处理的蒸汽锅炉气体泄露检测方法,包括:获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合;确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域;计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域;利用第三异常区域确定蒸汽锅炉是否发生泄露。
在一可选实施例中,获取蒸汽锅炉的待检测图像,包括:通过安装在蒸汽锅炉上的可见光图像检测装置获得初始可见光图像集合,通过安装在蒸汽过路上的红外像检测装置获得初始红外图像集合,其中,所述初始红外图像集合为红外灰度图像;对初始可见光图像集合进行灰度处理,得到可见光灰度图像;利用双边滤波方法对可见光灰度图像和红外灰度图像进行去噪处理,进而得到待检测图像。
在一可选实施例中,确定红外图像集合中每一红外图像的第一异常区域,包括:获取蒸汽锅炉正常状态下的红外参考图像;计算红外图像中每一像素点的灰度值与红外参考图像中每一像素点的灰度值的第一差值;如果第一差值大于或等于第一预设值,则像素点为第一异常像素点;对第一异常像素点进行连通域分析,得到第一异常区域;确定可见光图像集合中每一可见光图像的第二异常区域,包括:获取蒸汽锅炉正常状态下可见光参考图像;计算可见光图像中每一像素点的灰度值与可见光参考图像中每一像素点的灰度值的第二差值;如果第二差值大于或等于第二预设值,则像素点为第二异常像素点;对第二异常像素点进行连通域分析,得到第二异常区域。
在一可选实施例中,计算第二异常区域与第一异常区域的相似度,包括:对第一异常区域和第二异常区域进行边缘检测,得到每一第一异常区域的第一轮廓边界,以及每一第二异常区域的第二轮廓边界;基于每一第一异常区域的第一轮廓边界计算每一第一异常区域关于梯度幅值的第一直方图,以及基于每一第二异常区域的第二轮廓边界计算每一第二异常区域关于梯度幅值的第二直方图;对第一直方图以及第二直方图进行归一化处理,将第一直方图对应的第一轮廓直方图和第二直方图对应的第二轮廓直方图;基于第一轮廓直方图和第二轮廓直方图计算得到第二异常区域与第一异常区域的相似度。
在一可选实施例中,基于相似度确定第一异常区域中的人体干扰区域,包括:利用如下公式(1)基于相似度确定第一异常区域中的人体干扰区域:
(1);
其中,表示红外图像/>中的第/>个第一异常区域/>的人体干扰区域疑似程度;/>表示红外图像/>中的第/>个第一异常区域;/>表示可见光图像/>中的第/>个第二异常区域;/>表示可见光图像/>中第二异常区域的个数;/>表示取最小值;/>表示第二异常区域/>的第二轮廓直方图、第一异常区域的第一轮廓直方图之间的巴氏距离,/>表示第二异常区域与第一异常区域的相似度。
在一可选实施例中,利用第三异常区域确定蒸汽锅炉是否发生泄露,包括:按照时刻对第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现;基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标;基于气体泄露指标确定是否发生泄露。
在一可选实施例中,按照时刻对第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现,包括:确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度;第一时刻与第二时刻为相邻时刻;将属于第一时刻的红外图像中的相似度最高的第三异常区域作为第一参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第一参考区域相似度最高的第三异常区域与第一参考区域合并,得到一个初始异常区域集合;将属于第一时刻的红外图像中除第一参考区域外的相似度最高的第三异常区域作为第二参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第二参考区域相似度最高的第三异常区域与第二参考区域合并,得到一个初始异常区域集合;如果其他时刻的红外图像中的第三异常区域与第二参考区域相似度小于相似度阈值,或者遍历完所有时刻的红外图像,则得到多个初始异常区域集合;其中,每一初始异常区域集合表示同一异常区域在不同时刻的表现。
在一可选实施例中,基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标,包括:利用如下公式(2)计算气体泄露指标:
(2);
其中,表示第/>个时刻的红外图像中第/>个第三异常区域的覆盖面积趋势系数;/> 表示第/>个时刻的红外图像中第/>个第三异常区域/>的人体干扰区域疑似程度,其中,/>的作用为调整值域;第三异常区域的人体干扰区域疑似程度越小,覆盖面积趋势系数越大,表示该异常区域越疑似为气体泄露区域,即气体泄露检测指标/>的值越大,气体泄露检测指标/>的取值范围为/>。
在一可选实施例中,确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度,包括:
;
;
;
其中:表示第/>个时刻的红外图像中的第/>个第三异常区域与第/>个时刻的红外图像中的第/>个第三异常区域/>之间的异常区域相似度;/>表示第三异常区域/>、/>之间的覆盖面积近似度;/>表示第三异常区域/>、/>之间的轮廓相似度;/>、/>分别表示第三异常区域/>、/>的覆盖面积;/>表示第三异常区域/>、的轮廓直方图之间的巴氏距离;其中,两个异常区域的覆盖面积越接近,轮廓越相似,表示这两个异常区域的相似度越高,即/>与/>的值越大,异常区域相似度/>的值越大,其中/>的取值范围为/>。
在一可选实施例中,基于气体泄露指标确定是否发生泄露,包括:对气体泄露指标进行归一化处理,得到指标参数;如果指标参数大于阈值,则确定发生泄露。
第二方面,本申请提供一种基于图像处理的蒸汽锅炉气体泄露检测装置,包括:图像获取模块,用于获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合;异常区域定位模块,用于确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域;相似度计算模块,用于计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域;检测模块,用于利用第三异常区域确定蒸汽锅炉是否发生泄露。
第三方面,本申请提供一种电子设备,包括相互藕接的处理器及存储器,其中,存储器用于存储实现上述任意一项的方法的程序指令;处理器用于执行存储器存储的程序指令。
第四方面,本申请提供一种存储介质,存储有程序文件,程序文件能够被执行以实现上述任意一项的方法。
本发明的有益效果是:区别于现有技术,本发明提出的蒸汽锅炉气体泄露检测方法,包括:获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合;确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域;计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域;利用第三异常区域确定蒸汽锅炉是否发生泄露。根据蒸汽锅炉的可见光图像和红外图像中的异常区域在两种图像上的相似性排除人体干扰区域,减少了人体和蒸汽锅炉自身对蒸汽锅炉气体泄露故障检测的干扰,并提高了检测速度和准确性。
附图说明
图1是本发明蒸汽锅炉气体泄露检测方法的第一实施例的流程示意图;
图2是本发明蒸汽锅炉气体泄露检测装置的一实施例的结构示意图;
图3是本发明电子设备的一实施例的结构示意图;
图4是本发明存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1,为本申请蒸汽锅炉气体泄露检测方法的第一实施例的流程示意图,具体包括:
步骤S11:获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合。
由于蒸汽锅炉泄露的气体一般是无色的,这些气体不会改变可见光的透明度和颜色,因此在可见光图像中难以区分泄露的气体和周围的环境。而蒸汽锅炉发生气体泄露时,会导致周围环境的温度发生变化,因此基于红外辐射的红外图像能够检测出这种变化。因此在本申请中,我们利用可见光图像和红外光图像共同进行检测。
在一实施例中,使用多个设备对正在运行的蒸汽锅炉进行多方位的实时监控,在同一设备上安装一个可见光摄像头和一个红外热像仪,来同时对蒸汽锅炉进行拍摄。以其中一个设备为例,来实时检测蒸汽锅炉是否发生气体泄露的故障。
具体的,通过安装在蒸汽锅炉上的可见光图像检测装置获得初始可见光图像集合,通过安装在蒸汽过路上的红外像检测装置获得初始红外图像集合。其中,初始红外图像集合中的红外图像为红外灰度图像。对初始可见光图像集合进行灰度处理,得到可见光灰度图像;利用双边滤波方法对可见光灰度图像和红外灰度图像进行去噪处理,进而得到待检测图像。
在一可行实施例中,获取可见光图像检测装置、红外像检测装置个时刻的图像,包括可见光图像和红外图像,其中分别获取每个时刻的第一帧的图像,相邻两帧图像的时间间隔记为/>。具体数量/>以及间隔时段/>实施者自行定义,本发明中设置为/>,。共获取30帧的可见光图像和30帧的红外图像。
至此获得用于检测蒸汽锅炉是否发生气体泄露故障的个时刻的初始可见光图像集合和初始红外图像集合。需要说明的是,得到的红外图像是红外灰度图像,得到的可见光图像是RGB图像,因此,对所有的RGB图像(初始可见光图像集合)进行灰度化处理,得到可见光灰度图像。由于在图像的获取和传输过程中,图像会产生噪声,这会影响后续的图像处理,因此利用双边滤波方法对可见光灰度图像和红外灰度图像进行去噪处理,将去噪后的第/>个时刻的可见光图像和红外图像分别记为/>和/>,作为待检测图像。
步骤S12:确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域。
具体的,确定红外图像集合中每一红外图像的第一异常区域包括:获取蒸汽锅炉正常状态下的红外参考图像;计算红外图像中每一像素点的灰度值与红外参考图像中每一像素点的灰度值的第一差值;如果第一差值大于第一预设值,则像素点为第一异常像素点;对第一异常像素点进行连通域分析,得到第一异常区域。
确定可见光图像集合中每一可见光图像的第二异常区域,包括:获取蒸汽锅炉正常状态下可见光参考图像;计算可见光图像中每一像素点的灰度值与可见光参考图像中每一像素点的灰度值的第二差值;如果第二差值大于第二预设值,则像素点为第二异常像素点;对第二异常像素点进行连通域分析,得到第二异常区域。
在一具体实施例中,获取运行正常时的蒸汽锅炉的监控视频中某一帧的可见光图像和红外图像,分别记为可见光参考图像和红外参考图像/>。以第一个时刻的红外图像/>为例,根据红外图像/>和红外参考图像/>之间的差异来提取出红外图像/>中温度异常的区域,具体的异常区域的提取方法如下公式(3)所示:
(3)
上式中:表示由红外图像/>得到的二值图像/>中像素点/>的灰度值;表示第一个时刻的红外图像中像素点/>的灰度值;/>表示红外背景图像中像素点/>的灰度值;/>表示红外图像/>和红外背景图像/>的灰度差别第一预设值;1表示该像素点为异常像素点,0表示正常像素点。其中/>取经验值为10。其中,/>表示红外图像中每一像素点的灰度值与红外参考图像中每一像素点的灰度值的第一差值,其是差值的绝对值。如果/>大于或等于第一预设值,则/>=1,表示该像素为异常像素点;如果/>小于第一预设值,则/>=0,表示该像素为正常像素点。通过该方法得到所有第一异常像素点。对第一异常像素点进行连通域分析,得到第一异常区域。其中第一异常区域包括气体区域以及人体干扰区域,干扰区域主要为人体干扰和蒸汽锅炉内部温度变化的干扰。将由二值图像/>得到的连通域记为红外图像/>的第一异常区域/>。
进一步的,对可见光图像和可见光背景图像/>进行异常区域的提取的方法与上述公式(3)所示的基于红外图像/>的异常区域的提取方法相同,在此不再赘述。通过上述公式(3)得到可见光图像/>的第二异常区域/>。其中异常区域/>包括气体区域和人体干扰区域。
步骤S13:计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域。
具体的,如果发生泄露,蒸汽锅炉周围温度会发生变化,但是运行的蒸汽锅炉本身的温度也在发生变化,这会对泄露气体的检测造成干扰,并且拍摄到工作人员时,也会产生一定的干扰。因此,本申请在判断是否泄露时需要先剔除人体干扰区域。由于红外图像中的第一异常区域包括气体区域以及人体干扰区域,可见光图像中的第二异常区域包括气体区域以及人体干扰区域。由于气体刚开始泄露时因泄露量较少、浓度较低,使得可见光图像中只包含部分气体区域,因此可见光图像和红外图像中相似度越高的异常区域越疑似为人体干扰区域。因此计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域。
具体的,对第一异常区域和第二异常区域进行边缘检测,得到每一第一异常区域的第一轮廓边界,以及每一第二异常区域的第二轮廓边界。具体的,分别对二值图像中的第二异常区域/>和二值图像/>中的第一异常区域/>进行/>边缘检测,提取每个异常区域的轮廓边界,即得到第一异常区域/>的第一轮廓边界以及第二异常区域/>的第二轮廓边界。
基于每一第一异常区域的第一轮廓边界计算每一第一异常区域关于梯度幅值的第一直方图,以及基于每一第二异常区域的第二轮廓边界计算每一第二异常区域关于梯度幅值的第二直方图。对第一直方图以及第二直方图进行归一化处理,将第一直方图对应的第一轮廓直方图和第二直方图对应的第二轮廓直方图。具体的,计算第一异常区域的第一轮廓边界的梯度幅值,得到第一异常区域/>的轮廓边界关于梯度幅值的第一直方图;计算第二异常区域/>的第二轮廓边界的梯度幅值,得到第二异常区域/>的轮廓边界关于梯度幅值的第二直方图。并对第一直方图、第二直方图进行归一化处理,将归一化后的直方图记为第一轮廓直方图和第二轮廓直方图。
基于第一轮廓直方图和第二轮廓直方图计算得到第二异常区域与第一异常区域的相似度。具体的,表示第二异常区域与第一异常区域的相似度。其中,表示可见光图像/>中的第/>个第二异常区域,/>表示红外图像/>中的第/>个第一异常区域。
确定第二异常区域与第一异常区域的相似度后,基于相似度确定第一异常区域中的人体干扰区域。在一具体实施例中,利用如下公式(1)基于相似度确定第一异常区域中的人体干扰区域:
(1);
上式(1)中: 表示红外图像/>中的第/>个第一异常区域/>的人体干扰区域疑似程度;/>表示红外图像/>中的第/>个第一异常区域;/>表示可见光图像/>中的第/>个第二异常区域;/>表示可见光图像/>中第二异常区域的个数;/>表示取最小值;/>表示第二异常区域/>的第二轮廓直方图、第一异常区域/>的第一轮廓直方图之间的巴氏距离,/>表示第二异常区域与第一异常区域的相似度。巴氏距离的取值范围为/>,则人体干扰区域疑似程度/>的取值范围为/>。/>的值越小,表示这两个异常区域的轮廓相似度越高,即异常区域/>越疑似人体干扰区域。
确定人体干扰区域后,将第一异常区域中的人体干扰区域剔除,得到第三异常区域。
步骤S14:利用第三异常区域确定蒸汽锅炉是否发生泄露。
蒸汽锅炉发生气体泄露时,气体覆盖的范围会随着时间的变化而不断扩大,而蒸汽锅炉内部温度发生变化的区域受到蒸汽锅炉自身炉壁的限制,其温度变化区域的范围基本保持不变。
在一具体实施例中,按照时刻对第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现;基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标;基于气体泄露指标确定是否发生泄露。
具体的,按照时刻对第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现,包括:确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度;第一时刻与第二时刻为相邻时刻;将属于第一时刻的红外图像中的相似度最高的第三异常区域作为第一参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第一参考区域相似度最高的第三异常区域与第一参考区域合并,得到一个初始异常区域集合;将属于第一时刻的红外图像中除第一参考区域外的相似度最高的第三异常区域作为第二参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第二参考区域相似度最高的第三异常区域与第二参考区域合并,得到一个初始异常区域集合;如果其他时刻的红外图像中的第三异常区域与第二参考区域相似度小于相似度阈值,或者遍历完所有时刻的红外图像,则得到多个初始异常区域集合;其中,每一初始异常区域集合表示同一异常区域在不同时刻的表现。
具体的,利用区域生长算法对所有时刻的红外图像中的所有异常区域进行分类,其中区域生长算法为公知技术,不再赘述。具体的,对所有的异常区域按照异常区域所属时刻的红外图像进行标记,共标记成类,计算第一个时刻的红外图像中的所有异常区域与第二个时刻的红外图像中的所有异常区域之间的异常区域相似度,以其中具有最大异常区域相似度且属于第一个时刻的红外图像中的异常区域为初始种子点,生长准则为:对下个时刻的红外图像中的异常区域进行遍历,将其中与种子点的异常区域相似度最高的异常区域与种子点进行合并;直至与种子点的异常区域相似度的最大值小于阈值/>或者遍历完所有时刻的红外图像,停止生长,得到异常区域的集合/>即初始异常区域集合,其中阈值/>取经验值为0.5。排除掉集合/>中的所有异常区域,对剩余的所有时刻的红外图像中的所有异常区域重复上述步骤,直至所有时刻的红外图像中的异常区域均已被分类。共得到/>个异常区域的集合/>,异常区域的集合/>即包括多个初始异常区域集合,表示在/>个时刻的红外图像中属于同一个的异常区域的集合,即同一个异常区域在不同时刻红外图像中的不同表现。
具体的,确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度,包括:
;
;
;
其中:表示第/>个时刻的红外图像中的第/>个第三异常区域与第/>个时刻的红外图像中的第/>个第三异常区域/>之间的异常区域相似度;/>表示第三异常区域/>、/>之间的覆盖面积近似度;/>表示第三异常区域/>、/>之间的轮廓相似度;/>、/>分别表示第三异常区域/>、/>的覆盖面积;/>表示第三异常区域/>、的轮廓直方图之间的巴氏距离;其中,两个异常区域的覆盖面积越接近,轮廓越相似,表示这两个异常区域的相似度越高,即/>与/>的值越大,异常区域相似度/>的值越大,其中/>的取值范围为/>。
基于上述分析,获取每个异常区域的面积随时间变化的时间序列,具体的,对/>个时刻的红外图像进行异常区域的提取,将第/>个时刻的红外图像的异常区域的个数记为。对得到的红外图像的异常区域进行异常区域内像素点个数的统计,来作为该异常区域的覆盖面积/>,并提取每个异常区域的轮廓直方图。
将每个异常区域的集合即多个初始异常区域集合中每个异常区域对应的覆盖面积/>的值以时间顺序进行排列,将其中不存在覆盖面积/>的时刻对应的数值填补成0,得到每个异常区域的/>时间序列/>,即同一个异常区域的覆盖面积随时间的变化序列。计算每个/>时间序列/>中覆盖面积/>的值与其对应时刻的皮尔逊相关系数/>,记为异常区域的覆盖面积趋势系数,皮尔逊相关系数为公知技术,不再赘述,其中皮尔逊相关系数/>的取值范围为/>。异常区域的覆盖面积趋势系数/>的值越接近1,表示/>时间序列/>中覆盖面积/>的值与其对应时刻成正相关,即该异常区域的面积随时间的增加而增大。
基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标包括:
利用如下公式(2)计算气体泄露指标:
(2);
其中,表示第/>个时刻的红外图像中第/>个第三异常区域的覆盖面积趋势系数;/> 表示第/>个时刻的红外图像中第/>个第三异常区域/>的人体干扰区域疑似程度。其中,/>的作用为调整值域;第三异常区域的人体干扰区域疑似程度越小,覆盖面积趋势系数越大,表示该异常区域越疑似为气体泄露区域,即气体泄露检测指标/>的值越大,气体泄露检测指标/>的取值范围为/>。
得到气体泄露指标后,进一步对气体泄露指标进行归一化处理,得到指标参数;如果指标参数大于阈值,则确定发生泄露。具体的,对第个时刻的红外图像中第/>个异常区域的气体泄露检测指标/>进行归一化处理:
上式中:表示对第/>个时刻的红外图像中第/>个异常区域的气体泄露检测指标/>进行归一化后的结果;/>、/>分别表示气体泄露检测指标/>的最大值与最小值,用来调节函数的值域。则/>的取值范围为/>。
设定一个阈值,其中/>取经验值为0.8,若第/>个时刻的红外图像中第/>个异常区域的气体泄露检测指标/>,则在第/>个时刻的红外图像中对该异常区域进行标记,并发出警报,来及时提醒工作人员进行检查,完成对蒸汽锅炉气体泄露故障的智能检测。
本申请提出的蒸汽锅炉气体泄露检测方法,根据蒸汽锅炉的可见光图像和红外图像中的异常区域在两种图像上的相似性,以及气体泄露区域随时间的变化趋势来对蒸汽锅炉的气体泄露故障进行实时的智能检测,减少了人体和蒸汽锅炉自身对蒸汽锅炉气体泄露故障检测的干扰,并提高了检测速度和准确性。
请参见图2,为本发明蒸汽锅炉气体泄露检测装置的一实施例的结构示意图,具体包括:图像获取模块21、异常区域定位模块22、相似度计算模块23以及检测模块24。其中,图像获取模块21用于获取蒸汽锅炉的待检测图像,待检测图像包括可见光图像集合和红外图像集合;异常区域定位模块22用于确定红外图像集合中每一红外图像的第一异常区域,以及确定可见光图像集合中每一可见光图像的第二异常区域;相似度计算模块23用于计算第二异常区域与第一异常区域的相似度,基于相似度确定第一异常区域中的人体干扰区域;并将第一异常区域中的人体干扰区域剔除,得到第三异常区域;检测模块24用于利用第三异常区域确定蒸汽锅炉是否发生泄露。
本申请提出的蒸汽锅炉气体泄露检测装置,根据蒸汽锅炉的可见光图像和红外图像中的异常区域在两种图像上的相似性,以及气体泄露区域随时间的变化趋势来对蒸汽锅炉的气体泄露故障进行实时的智能检测,减少了人体和蒸汽锅炉自身对蒸汽锅炉气体泄露故障检测的干扰,并提高了检测速度和准确性。
请参见图3,为本发明电子设备的一实施例的结构示意图。电子设备包括相互连接的存储器52和处理器51。
存储器52用于存储实现上述任意一项的方法的程序指令。
处理器51用于执行存储器52存储的程序指令。
其中,处理器51还可以称为CPU(Central Processing Unit,中央处理单元)。处理器51可能是一种集成电路芯片,具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以为内存条、TF卡等,可以存储电子设备中全部信息,包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器,电子设备才有记忆功能,才能保证正常工作。电子设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等,能长期保存信息。内存指主板上的存储部件,用来存放当前正在执行的数据和程序,但仅用于暂时存放程序和数据,关闭电源或断电,数据会丢失。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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,系统服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
请参阅图4,为本发明存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件61,其中,该程序文件61可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于图像处理的蒸汽锅炉气体泄露检测方法,其特征在于,包括:
获取蒸汽锅炉的待检测图像,所述待检测图像包括可见光图像集合和红外图像集合;
确定所述红外图像集合中每一红外图像的第一异常区域,以及确定所述可见光图像集合中每一可见光图像的第二异常区域;
计算所述第二异常区域与所述第一异常区域的相似度,基于所述相似度确定所述第一异常区域中的人体干扰区域;并将所述第一异常区域中的人体干扰区域剔除,得到第三异常区域;
利用第三异常区域确定所述蒸汽锅炉是否发生泄露,包括:
按照时刻对所述第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现;
基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标;
基于所述气体泄露指标确定是否发生泄露;
所述按照时刻对所述第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现,包括:
确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度;所述第一时刻与所述第二时刻为相邻时刻;
将属于第一时刻的红外图像中的相似度最高的第三异常区域作为第一参考区域,遍历其他时刻的红外图像中的第三异常区域,将与所述第一参考区域相似度最高的第三异常区域与所述第一参考区域合并,得到一个初始异常区域集合;
将属于第一时刻的红外图像中除所述第一参考区域外的相似度最高的第三异常区域作为第二参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第二参考区域相似度最高的第三异常区域与第二参考区域合并,得到一个初始异常区域集合;
如果其他时刻的红外图像中的第三异常区域与第二参考区域相似度小于相似度阈值,或者遍历完所有时刻的红外图像,则得到多个初始异常区域集合;其中,每一初始异常区域集合表示同一异常区域在不同时刻的表现;
基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标,包括:
利用如下公式(2)计算气体泄露指标:
(2);
其中,表示第/>个时刻的红外图像中第/>个第三异常区域的覆盖面积趋势系数;/> 表示第/>个时刻的红外图像中第/>个第三异常区域/>的人体干扰区域疑似程度,其中,/>的作用为调整值域;所述第三异常区域的人体干扰区域疑似程度越小,覆盖面积趋势系数越大,表示该异常区域越疑似为气体泄露区域,即气体泄露检测指标/>的值越大,气体泄露检测指标/>的取值范围为/>。
2.根据权利要求1所述的检测方法,其特征在于,所述获取蒸汽锅炉的待检测图像,包括:
通过安装在所述蒸汽锅炉上的可见光图像检测装置获得初始可见光图像集合,通过安装在所述蒸汽过路上的红外像检测装置获得初始红外图像集合,其中,所述初始红外图像集合为红外灰度图像;
对所述初始可见光图像集合进行灰度处理,得到可见光灰度图像;
利用双边滤波方法对所述可见光灰度图像和所述红外灰度图像进行去噪处理,进而得到所述待检测图像;
所述确定所述红外图像集合中每一红外图像的第一异常区域,包括:
获取蒸汽锅炉正常状态下的红外参考图像;
计算所述红外图像中每一像素点的灰度值与所述红外参考图像中每一像素点的灰度值的第一差值;
如果第一差值大于或等于第一预设值,则所述像素点为第一异常像素点;
对所述第一异常像素点进行连通域分析,得到所述第一异常区域;
确定所述可见光图像集合中每一可见光图像的第二异常区域,包括:
获取蒸汽锅炉正常状态下可见光参考图像;
计算所述可见光图像中每一像素点的灰度值与所述可见光参考图像中每一像素点的灰度值的第二差值;
如果第二差值大于或等于第二预设值,则所述像素点为第二异常像素点;
对所述第二异常像素点进行连通域分析,得到所述第二异常区域;
所述计算所述第二异常区域与所述第一异常区域的相似度,包括:
对所述第一异常区域和所述第二异常区域进行边缘检测,得到每一所述第一异常区域的第一轮廓边界,以及每一所述第二异常区域的第二轮廓边界;
基于每一所述第一异常区域的第一轮廓边界计算每一所述第一异常区域关于梯度幅值的第一直方图,以及基于每一所述第二异常区域的第二轮廓边界计算每一所述第二异常区域关于梯度幅值的第二直方图;
对所述第一直方图以及所述第二直方图进行归一化处理,将所述第一直方图对应的第一轮廓直方图和所述第二直方图对应的第二轮廓直方图;
基于所述第一轮廓直方图和所述第二轮廓直方图计算得到第二异常区域与所述第一异常区域的相似度。
3.根据权利要求2所述的检测方法,其特征在于,所述基于所述相似度确定所述第一异常区域中的人体干扰区域,包括:
利用如下公式(1)基于所述相似度确定所述第一异常区域中的人体干扰区域:
(1);
其中,表示红外图像/>中的第/>个第一异常区域/>的人体干扰区域疑似程度;/>表示红外图像/>中的第/>个第一异常区域;/>表示可见光图像/>中的第个第二异常区域;/>表示可见光图像/>中第二异常区域的个数;/>表示取最小值;表示第二异常区域/>的第二轮廓直方图、第一异常区域/>的第一轮廓直方图之间的巴氏距离,/>表示第二异常区域与所述第一异常区域的相似度。
4.根据权利要求1所述的检测方法,其特征在于,确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度,包括:
;
;
;
其中:表示第/>个时刻的红外图像中的第/>个第三异常区域/>与第/>个时刻的红外图像中的第/>个第三异常区域/>之间的异常区域相似度;表示第三异常区域/>、/>之间的覆盖面积近似度;/>表示第三异常区域、/>之间的轮廓相似度;/>、/>分别表示第三异常区域、/>的覆盖面积;/>表示第三异常区域/>、/>的轮廓直方图之间的巴氏距离;其中,两个异常区域的覆盖面积越接近,轮廓越相似,表示这两个异常区域的相似度越高,即/>与/>的值越大,异常区域相似度/>的值越大,其中的取值范围为/>。
5.根据权利要求1所述的检测方法,其特征在于,所述基于所述气体泄露指标确定是否发生泄露,包括:
对所述气体泄露指标进行归一化处理,得到指标参数;
如果指标参数大于阈值,则确定发生泄露。
6.一种基于图像处理的蒸汽锅炉气体泄露检测装置,其特征在于,包括:
图像获取模块,用于获取蒸汽锅炉的待检测图像,所述待检测图像包括可见光图像集合和红外图像集合;
异常区域定位模块,用于确定所述红外图像集合中每一红外图像的第一异常区域,以及确定所述可见光图像集合中每一可见光图像的第二异常区域;
相似度计算模块,用于计算所述第二异常区域与所述第一异常区域的相似度,基于所述相似度确定所述第一异常区域中的人体干扰区域;并将所述第一异常区域中的人体干扰区域剔除,得到第三异常区域;
检测模块,用于利用第三异常区域确定所述蒸汽锅炉是否发生泄露,包括:
按照时刻对所述第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现;
基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标;
基于所述气体泄露指标确定是否发生泄露;
所述按照时刻对所述第三异常区域进行分类,得到同一位置的第三异常区域在不同时刻的表现,包括:
确定第一时刻的红外图像中每一第三异常区域与第二时刻的红外图像中每一第三异常区域的相似度;所述第一时刻与所述第二时刻为相邻时刻;
将属于第一时刻的红外图像中的相似度最高的第三异常区域作为第一参考区域,遍历其他时刻的红外图像中的第三异常区域,将与所述第一参考区域相似度最高的第三异常区域与所述第一参考区域合并,得到一个初始异常区域集合;
将属于第一时刻的红外图像中除所述第一参考区域外的相似度最高的第三异常区域作为第二参考区域,遍历其他时刻的红外图像中的第三异常区域,将与第二参考区域相似度最高的第三异常区域与第二参考区域合并,得到一个初始异常区域集合;
如果其他时刻的红外图像中的第三异常区域与第二参考区域相似度小于相似度阈值,或者遍历完所有时刻的红外图像,则得到多个初始异常区域集合;其中,每一初始异常区域集合表示同一异常区域在不同时刻的表现;
基于同一位置的第三异常区域在不同时刻的表现计算每一时刻的红外图像中每一个第三异常区域的气体泄露指标,包括:
利用如下公式(2)计算气体泄露指标:
(2);
其中,表示第/>个时刻的红外图像中第/>个第三异常区域的覆盖面积趋势系数;/> 表示第/>个时刻的红外图像中第/>个第三异常区域/>的人体干扰区域疑似程度,其中,/>的作用为调整值域;所述第三异常区域的人体干扰区域疑似程度越小,覆盖面积趋势系数越大,表示该异常区域越疑似为气体泄露区域,即气体泄露检测指标/>的值越大,气体泄露检测指标/>的取值范围为/>。
7.一种电子设备,其特征在于,所述电子设备包括:相互藕接的处理器及存储器,其中,
所述存储器用于存储实现如权利要求1~5任意一项所述的方法的程序指令;
所述处理器用于执行所述存储器存储的所述程序指令。
8.一种存储介质,其特征在于,存储有程序文件,所述程序文件能够被执行以实现如权利要求1~7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834975.3A CN116563283B (zh) | 2023-07-10 | 2023-07-10 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834975.3A CN116563283B (zh) | 2023-07-10 | 2023-07-10 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116563283A CN116563283A (zh) | 2023-08-08 |
CN116563283B true CN116563283B (zh) | 2023-09-08 |
Family
ID=87495030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310834975.3A Active CN116563283B (zh) | 2023-07-10 | 2023-07-10 | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116563283B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013080868A1 (ja) * | 2011-11-30 | 2013-06-06 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
WO2017090166A1 (ja) * | 2015-11-26 | 2017-06-01 | オリンパス株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN107240094A (zh) * | 2017-05-19 | 2017-10-10 | 同济大学 | 一种用于电气设备在线检测的可见光和红外图像重构方法 |
CN110555819A (zh) * | 2019-08-20 | 2019-12-10 | 中国石油大学(北京) | 基于红外和可见光图像融合的设备监测方法、装置及设备 |
WO2020215961A1 (zh) * | 2019-04-25 | 2020-10-29 | 北京工业大学 | 面向室内环境控制的人员信息检测方法与系统 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN114677667A (zh) * | 2022-03-18 | 2022-06-28 | 华北电力大学 | 一种基于深度学习的变电站电气设备红外故障识别方法 |
-
2023
- 2023-07-10 CN CN202310834975.3A patent/CN116563283B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013080868A1 (ja) * | 2011-11-30 | 2013-06-06 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
WO2017090166A1 (ja) * | 2015-11-26 | 2017-06-01 | オリンパス株式会社 | 画像処理装置、画像処理方法およびプログラム |
CN107240094A (zh) * | 2017-05-19 | 2017-10-10 | 同济大学 | 一种用于电气设备在线检测的可见光和红外图像重构方法 |
WO2020215961A1 (zh) * | 2019-04-25 | 2020-10-29 | 北京工业大学 | 面向室内环境控制的人员信息检测方法与系统 |
CN110555819A (zh) * | 2019-08-20 | 2019-12-10 | 中国石油大学(北京) | 基于红外和可见光图像融合的设备监测方法、装置及设备 |
WO2021217643A1 (zh) * | 2020-04-30 | 2021-11-04 | 深圳市大疆创新科技有限公司 | 红外图像处理方法、装置及可移动平台 |
CN114677667A (zh) * | 2022-03-18 | 2022-06-28 | 华北电力大学 | 一种基于深度学习的变电站电气设备红外故障识别方法 |
Non-Patent Citations (1)
Title |
---|
基于红外成像多特征联合的乙烯气体泄漏检测;王建平;李俊山;杨亚威;胡双演;孙胜永;;传感器与微系统(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116563283A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11221107B2 (en) | Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing | |
Cozzolino et al. | Camera-based image forgery localization using convolutional neural networks | |
US8413493B1 (en) | Method for detecting a defect on an operating turbine rotor blade | |
CN116563283B (zh) | 基于图像处理的蒸汽锅炉气体泄露检测方法及检测装置 | |
Wang et al. | A survey of passive image tampering detection | |
CN110033040B (zh) | 一种火焰识别方法、系统、介质和设备 | |
Lawgaly et al. | Weighted averaging-based sensor pattern noise estimation for source camera identification | |
CN105891230B (zh) | 基于光谱图像分析的水果外表检测方法 | |
CN109816656B (zh) | 一种火电厂负压侧系统漏点精确定位方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN112215780B (zh) | 基于类特征修复融合的图像取证对抗性攻击防御方法 | |
CN111967345B (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN117173187B (zh) | 一种阀门故障智能检测系统 | |
CN111612773B (zh) | 一种红外热像仪及实时自动盲元检测处理方法 | |
Peng et al. | Non-uniform illumination image enhancement for surface damage detection of wind turbine blades | |
CN112927223A (zh) | 一种基于红外热成像仪的玻璃幕墙检测方法 | |
CN111709930A (zh) | 基于模式噪声的图片出处与窜改认定方法 | |
Zhang et al. | Prnu-based image forgery localization with deep multi-scale fusion | |
Conotter et al. | Analysis of sensor fingerprint for source camera identification | |
CN111553910B (zh) | 一种基于红外图像的大型实验装置电器设备热故障检测方法 | |
Jöchl et al. | Device (in) dependence of deep learning-based image age approximation | |
Sathyan et al. | Infrared Thermal Image Enhancement in Cold Spot Detection of Condenser Air Ingress. | |
CN108765365A (zh) | 一种转子绕线图像合格性检测方法 | |
Lin et al. | Image provenance inference through content-based device fingerprint analysis | |
Liao et al. | Research on fault early warning method of diesel generator based on infrared 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |