CN117036347A - 基于图像增强的管道内衬泄漏视觉检测方法及系统 - Google Patents
基于图像增强的管道内衬泄漏视觉检测方法及系统 Download PDFInfo
- Publication number
- CN117036347A CN117036347A CN202311286671.4A CN202311286671A CN117036347A CN 117036347 A CN117036347 A CN 117036347A CN 202311286671 A CN202311286671 A CN 202311286671A CN 117036347 A CN117036347 A CN 117036347A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- pipeline
- local
- lining
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 230000000007 visual effect Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000011179 visual inspection Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 2
- 125000005842 heteroatom Chemical group 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了基于图像增强的管道内衬泄漏视觉检测方法及系统，包括：获取管道内衬灰度图；根据像素点所取邻域窗口内灰度级的分布特征获取细节变化度；根据局部管道窗口中不同位置滑动窗口内灰度分布特征获取任意两个位置滑动窗口之间的异质因数；根据局部管道窗口中所有滑动窗口之间的异质因数获取细节增益因子；根据局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取局部细节凸显度；采用图像增强算法基于局部细节凸显度得到增强内衬图；利用显著性检测算法得到管道内衬泄露的检测结果。本发明通过分析管道内衬灰度图中不同区域之间的分布特征改进自适应对比度增强算法，提高了管道内衬泄露的检测精度。
Description
技术领域
本发明涉及图像数据处理技术领域，具体涉及基于图像增强的管道内衬泄漏视觉检测方法及系统。
背景技术
管道内衬检测技术为近年来热度较高的地下管道修复技术，管道内衬检测技术用于修复各种类型的管道，包括给水管道、排水管道、燃气管道等。通过灌注或喷涂等方式将内衬材料固定在管道内壁上。管道内衬技术能够减少挖掘工程的需求，从而降低工程成本、缩短修复时间，并减少对周围环境的影响，因此对于管道内衬的泄漏检测是评估管道内衬质量的重要标识。
现阶段对管道内衬的泄漏检测主要通过机器学习的方式检测，由于管道内衬存在于管道内，使用相机拍摄的图像细节性不强，需要对拍摄图像进行增强处理。现阶段常用的图像增强算法包括：自适应对比度增强算法、伽马变换增强、暗通道增强算法等，其中，暗通道增强算法对先验知识的依赖性较强；自适应对比度增强算法（ACE）中增益函数的设置决定着图像增强的效果，然而增益函数的取值很容易被泄露检测人员设置为经验值，从而导致对管道内衬图像的增强效果欠佳。
发明内容
本发明提供基于图像增强的管道内衬泄漏视觉检测方法及系统，以解决自适应对比度增强算法对管道内衬图像的增强效果差的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例基于图像增强的管道内衬泄漏视觉检测方法，该方法包括以下步骤：
获取管道内衬灰度图；
根据每个像素点所取邻域窗口内灰度级的分布特征获取每个像素点的细节变化度；
根据每个像素点所取局部管道窗口中不同位置滑动窗口内灰度分布特征获取所述局部管道窗口中任意两个位置滑动窗口之间的异质因数；
根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数获取每个像素点的细节增益因子；根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取每个像素点的局部细节凸显度；
采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到增强内衬图；利用显著性检测算法基于增强内衬图得到管道内衬泄露的检测结果。
优选的，所述根据每个像素点所取邻域窗口内灰度级的分布特征获取每个像素点的细节变化度的方法为：
根据每个像素点所取邻域窗口内不同灰度级出现的频率获取每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数；
将每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数在每个像素点所取邻域窗口上的累加作为第一组成因子；
获取每个像素点所取邻域窗口内任意两个灰度级之间的差值，将每个像素点所取邻域窗口内所有所述灰度级之间差值的信息熵作为第二组成因子；
每个像素点的细节变化度由第一组成因子、第二组成因子两部分组成，其中，所述细节变化度与第一组成因子成正比关系、所述细节变化度与第二组成因子成反比关系。
优选的，所述根据每个像素点所取邻域窗口内不同灰度级出现的频率获取每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数的方法为：
获取每个像素点所取邻域窗口内所有灰度级按照降序顺序的排列结果，将所述排列结果中任意两个相邻元素之间的差值绝对值作为第一乘积因子；
将所述排列结果中任意两个相邻元素在所述邻域窗口内出现频率的均值与第一乘积因子的乘积作为所述两个相邻元素的相邻差异系数。
优选的，所述根据每个像素点所取局部管道窗口中不同位置滑动窗口内灰度分布特征获取所述局部管道窗口中任意两个位置滑动窗口之间的异质因数的方法为：
根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异获取所述相同次序像素点之间的同质因子；
将每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值差值的绝对值在所述滑动窗口内所有像素点上的累加作为分子；
将所述相同次序像素点之间的同质因子在所述滑动窗口内所有像素点上的累加与预设参数之和作为分母；
将分子与分母的比值作为每个像素点所取局部管道窗口中两个位置滑动窗口之间的异质因数。
优选的，所述根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异获取所述相同次序像素点之间的同质因子的方法为：
根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异情况确定所述相同次序像素点之间的同质因子；
所述差异情况包括第一差异情况、第二差异情况，所述第一差异情况为所述相同次序像素点灰度值之间差值的绝对值小于等于决策阈值，所述第二差异情况为所述相同次序像素点灰度值之间差值的绝对值大于决策阈值；
将满足第一差异情况的所述相同次序像素点之间的同质因子的值置为1，将满足第二差异情况的所述相同次序像素点之间的同质因子的值置为0。
优选的，所述根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数获取每个像素点的细节增益因子的方法为：
获取每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数按照升序顺序的排列结果；
将所述排列结果中每个元素与所有元素的均值之间差值的绝对值在所述排列结果上的累加作为第三组成因子，将第三组成因子与所述排列结果内所有元素标准差的和作为分子；
将所述异质因数在每个像素点所取局部管道窗口中出现频率最大值与最小值的差值作为第一差值；将每个像素点所取局部管道窗口中出现频率最高、出现频率最低的异质因数之间的差值绝对值作为第二差值；将第一差值、第二差值以及预设参数的和作为分母；
将分子与分母的比值作为每个像素点的细节增益因子。
优选的，所述根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取每个像素点的局部细节凸显度的方法为：
将每个像素点所取局部管道窗口中所有滑动窗口之间异质因数最大值、最小值之间的差值作为分子，将每个像素点所取局部管道窗口中所有滑动窗口之间异质因数升序排列结果中上下四分位差值与预设参数的和作为分母，将分子与分母的比值作为比例系数；
将每个像素点的细节增益因子与比例系数的和作为取整函数的输入，将取整函数的输出结果作为每个像素点的局部细节凸显度。
优选的，所述采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到增强内衬图的方法为：
采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到每个像素点的增强灰度值；
利用管道内衬灰度图中每个像素点的增强灰度值代替每个像素点的原有灰度值，遍历整幅管道内衬灰度图，将替换后的结果作为增强内衬图。
优选的，所述利用显著性检测算法基于增强内衬图得到管道内衬泄露的检测结果的方法为：
将增强内衬图作为显著性检测算法的输入，基于显著性检测算法得到增强内衬图上每个区域的显著值；
利用阈值分割算法得到增强内衬图上所有区域的显著值的分割阈值；将显著值大于所述分割阈值的区域作为发生管道内衬泄露的区域。
第二方面，本发明实施例还提供了基于图像增强的管道内衬泄漏视觉检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明通过对管道内衬灰度图上每个像素点所取邻域窗口内的灰度级分布情况得到像素点的细节变化度，细节变化度反应了邻域窗口内图像信息的复杂度；其次基于局部管道窗口以及滑动窗口构建异质因数，异质因数反映了不同位置滑动窗口之间的细节变化情况；并基于不同位置滑动窗口之间异质因数的分析构建细节增益因子以及局部细节凸显度，局部细节凸显度可以自适应获取管道内衬灰度图中每个像素点应当具有的增益量，利用局部细节凸显度对自适应对比度增强ACE算法进行改进，可以有效的凸显出管道内衬灰度图像中的细节，提高了基于显著性检测算法检测管道内衬泄露现象的检测精度。
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，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于图像增强的管道内衬泄漏视觉检测方法的流程示意图；
图2为本发明一个实施例所提供的局部管道窗口以及滑动窗口的位置示意图；
图3为本发明一个实施例所提供的管道内衬泄漏检测的实施流程图。
具体实施方式
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。
请参阅图1，其示出了本发明一个实施例提供的基于图像增强的管道内衬泄漏视觉检测方法的流程图，该方法包括以下步骤：
步骤S001，利用图像采集装置获取管道内衬灰度图。
由于管道内空间较为狭隘，采光效果较差，因此本发明中使用CCTV管道机器人携带的相机拍摄管道内衬图像，管道机器人拍摄的图像为RGB三通道图像，其次使用加权平均法将所获RGB图像转化为灰度图像。为了图像采集过程中的噪声干扰，提高图像质量，利用均值滤波对灰度图像进行降噪处理，处理后的图像记为管道内衬灰度图，其中，所述加权平均法以及均值滤波为公知技术，具体过程不再赘述。
至此，得到管道内衬灰度图，用于后续像素点细节变化度的计算。
步骤S002，基于邻域窗口内灰度级的分布特征得到细节变化度，根据局部管道窗口中不同位置滑动窗口内灰度分布特征获取滑动窗口之间的异质因数。
管道内衬泄露可能是保温层被破坏、腐蚀、管道转弯处液体流动过快等多种因素造成的，当管道内衬出现泄露现象时，泄露区域不会仅仅覆盖少量几个像素点。例如管道转弯处的液体泄漏会浸染一片区域、腐蚀区域内像素点的图像特征和非腐蚀区域内像素点的图像特征也会存在明显差异。
基于上述分析，以管道内衬灰度图中每个像素点为中心点，设置大小为M×M的邻域窗口，M的大小取经验值11。其次，以像素点i为例，将像素点i所取邻域窗口记为，统计内所有像素点的灰度值，将大小相等的灰度值划分为一个灰度级，将任意两个灰度级之间的差值记为灰度等级差值。基于每个像素点所取邻域窗口内灰度级的分布特征获取每个像素点的细节变化度，计算像素点i的细节变化度/>：
式中，是像素点i所取邻域窗口/>内第r个、第r-1个灰度级之间的相邻差异系数，/>、/>分别是邻域窗口/>内第r个、第r-1个灰度级，/>、/>分别是邻域窗口/>内第r个、第r-1个灰度级出现的频率；
是像素点i的细节变化度，/>是邻域窗口/>内所有灰度等级差值的信息熵，n是邻域窗口/>内灰度级的数量，信息熵的计算为公知技术，具体过程不再赘述。
其中，邻域窗口内像素点的灰度级取值差异越大，邻域窗口/>内第r个、第r-1个灰度级之间的差值越大，第一乘积因子/>的值越大，而灰度级对应的像素点在邻域窗口内的数量越多，/>的值越大，第一组成因子/>的值越大，邻域窗口内两个灰度级之间的灰度等级差值的大小越不一致，信息熵/>的值越小；即/>的值越大，邻域窗口内的灰度级分布越复杂，像素点i所在局部区域的图像信息越混乱。
对于品质良好的管道，对应的管道内衬灰度图内每个像素点通常与其周围的像素点具有一定的强关联性。这种关联性可以通过像素间的空间接近性来体现。在高品质的管道内衬图像中，管道内衬图像相邻像素之间往往存在相似的颜色、细节或亮度等特征。例如，在平滑的区域中，相邻像素的颜色值可能非常接近，而在细节丰富的区域中，相邻像素的细节特征可能会有更大的变化。
进一步的，以每个像素点为中心点构建大小为的局部管道窗口，其次在局部管道窗口内设置一个固定大小/>的滑动窗口，滑动窗口按照从左到右从上到下的顺序滑动，每次的滑动步长为一个像素点，局部管道窗口与滑动窗口的位置分布如图2所示，对不同位置的滑动窗口内像素点的图像信息进行分析，/>、/>的大小分别取经验值5、3。以像素点i为例，将以像素点i为中心点确定的局部管道窗口记为/>，将局部管道窗口/>内第a个位置的滑动窗口记为/>，根据上述滑动步长可得每个局部管道窗口内存在9个不同位置的滑动窗口。
每个像素点所取局部管道窗口内不同位置的滑动窗口内的图像信息反映了管道内衬灰度图的细节情况，灰度值变化越频繁且变化越大的局部管道窗口内的细节越丰富，所携带的信息含量越高。不同位置的滑动窗口之间的灰度变化可以揭示管道灰度图中细节的变化方向。如果两个不同位置的滑动窗口中相同次序的像素点之间的灰度值差异较大，表示这两个滑动窗口之间的细节更加丰富多样。通过比较不同位置滑动窗口之间的灰度变化，表征管道内衬灰度图中细节变化的特征信息。因此通过分析管道内衬灰度图中细节信息的变化特征构建每个像素点的所取局部管道窗口内不同位置滑动窗口之间的异质因数C，计算局部管道窗口中第a个、第b个滑动窗口之间的异质因数/>：
式中，是第a个、第b个滑动窗口之间的决策阈值，/>是局部管道窗口/>内第a个、第b个滑动窗口中心点之间的欧式距离，/>是像素点i的细节变化度；
是第a个、第b个滑动窗口中第j个像素点之间的同质因子，/>、/>分别是第a个、第b个滑动窗口中第j个像素点的灰度值；
是局部管道窗口/>中第a个、第b个滑动窗口之间的异质因数，/>是每个滑动窗口中像素点的数量，/>的大小取经验值9。
式中，局部管道窗口内第a个、第b个滑动窗口中相同次序像素点处图像信息差异越大，第j个像素点之间的灰度值差值越大，则第a个、第b个滑动窗口中第j个像素点之间的同质因子/>的值越小；局部管道窗口内第a个、第b个滑动窗口中图像信息差异越大，第a个、第b个滑动窗口所在区域内图像细节信息越多，/>的值越大，的值越小，相应的，/>的值越大。
至此，得到每个像素点的细节变化度以及滑动窗口之间的异质因数，用于后续每个像素点的细节增益因子的计算。
步骤S003，根据局部管道窗口中所有滑动窗口之间的异质因数获取细节增益因子，根据局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取局部细节凸显度。
进一步的，根据上述步骤，分别获取像素点i所取局部管道窗口内任意两个滑动窗口之间的异质因数，则/>中9个滑动窗口可以得到36个异质因数，将上述36个异质因数按照升序的顺序排序，将所得排序结果记为局部异质序列，依次计算所述排序结果中后一个元素与前一个元素的差值，将所有35个所述差值的标准差记为/>，根据像素点i所取局部管道窗口/>内两个滑动窗口之间的异质因数计算像素点i的细节增益因子/>：
式中，是像素点i的细节增益因子，/>是局部异质序列所有35个所述差值的标准差，/>是局部异质序列中元素的数量，/>是局部异质序列中的第k个元素，/>是局部异质序列中所有元素的均值，/>是局部异质序列中出现频率最高的两个元素之间的差值绝对值，/>是局部异质序列中元素出现频率最大值与出现频率最小值之间的差值绝对值。
其中，细节增益因子可以评估管道内衬灰度图中不同区域的细节复杂程度，从而在管道内衬灰度图的处理和分析中提供更精确的信息，当像素点i周围细节越丰富，不同滑动窗口之间的异质因数越大，单一异质因数与局部异质序列中所有元素的均值的差越大，第三组成因子的值越大；局部异质序列内各元素出现的频率越相似，第一差值/>、第二差值/>的值越小，/>的值越大。
进一步的，通过对滑动窗口之间的异质因数的分析得到有关图像细节信息在不同区域之间的变化情况。其次通过滑动窗口之间的异质因数的分布范围得到管道内衬灰度图中每个像素点的局部细节凸显度，计算像素点i的局部细节凸显度：
式中，是像素点i的局部细节凸显度，/>是像素点i的细节增益因子，/>是取整函数，/>、/>分别是像素点i所取局部管道窗口所有滑动窗口中同一次序像素点之间同质因子的最大值、最小值，/>是像素点i所取局部管道窗口所有滑动窗口中同一次序像素点之间同质因子的四分位差值，所述四分位差值的获取过程为：将像素点i所取局部管道窗口所有滑动窗口中同一次序像素点之间同质因子进行升序排序，在将在排序结果中处于75%处的元素与处于25%处元素的差值作为四分位差值。
至此，得到管道内衬灰度图中每个像素点的局部细节凸显度，用于后续对自适应对比度增强算法的改进。
步骤S004，采用图像增强算法基于局部细节凸显度得到增强内衬图，利用显著性检测算法得到管道内衬泄露的检测结果。
根据上述步骤，获取管道内衬灰度图中每个像素点的局部细节凸显度，采用自适应对比度增强算法基于局部细节凸显度计算每个像素点的增强灰度值，其次利用管道内衬灰度图中每个像素点的增强灰度值代替每个像素点的原有灰度值，遍历整幅管道内衬灰度图，将替换后的结果作为增强内衬图。计算像素点i的增强灰度值：
式中，是像素点i的增强灰度值，/>是算法中像素点i的局部灰度均值，/>是像素点i的局部细节凸显度，/>是管道内衬灰度图中像素点i得到灰度值，/>的获取过程中为以像素点i为中心取固定大小的局部窗口，将所述局部窗口内像素点的灰度值均值作为局部灰度均值，局部灰度均值的获取为自适应对比度增强算法中的公知技术，具体过程不再赘述。
进一步的，获取管道内每个位置的增强内衬图，其次基于显著性检测算法得到泄露的检测结果，本发明中，基于图像增强的管道内衬泄露的实施流程如图3所示。分别将每个位置的增强内衬图作为基于区域的对比度RC算法的输入，基于区域的对比度RC算法中高斯核函数生成权重时的值取经验值0.4，RC算法的输出为增强内衬图上每个区域的显著值，其次利用Otsu算法获取所有区域的显著值中的分割阈值，将所述显著值大于分割阈值的区域作为泄露区域，其中，Otsu算法以及基于区域的对比度RC算法为公知技术，具体过程不再赘述。
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，凡在本发明的原则之内，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 (10)
1.基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，该方法包括以下步骤：
获取管道内衬灰度图；
根据每个像素点所取邻域窗口内灰度级的分布特征获取每个像素点的细节变化度；
根据每个像素点所取局部管道窗口中不同位置滑动窗口内灰度分布特征获取所述局部管道窗口中任意两个位置滑动窗口之间的异质因数；
根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数获取每个像素点的细节增益因子；根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取每个像素点的局部细节凸显度；
采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到增强内衬图；利用显著性检测算法基于增强内衬图得到管道内衬泄露的检测结果。
2.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取邻域窗口内灰度级的分布特征获取每个像素点的细节变化度的方法为：
根据每个像素点所取邻域窗口内不同灰度级出现的频率获取每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数；
将每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数在每个像素点所取邻域窗口上的累加作为第一组成因子；
获取每个像素点所取邻域窗口内任意两个灰度级之间的差值，将每个像素点所取邻域窗口内所有所述灰度级之间差值的信息熵作为第二组成因子；
每个像素点的细节变化度由第一组成因子、第二组成因子两部分组成，其中，所述细节变化度与第一组成因子成正比关系、所述细节变化度与第二组成因子成反比关系。
3.根据权利要求2所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取邻域窗口内不同灰度级出现的频率获取每个像素点所取邻域窗口内两个灰度级之间的相邻差异系数的方法为：
获取每个像素点所取邻域窗口内所有灰度级按照降序顺序的排列结果，将所述排列结果中任意两个相邻元素之间的差值绝对值作为第一乘积因子；
将所述排列结果中任意两个相邻元素在所述邻域窗口内出现频率的均值与第一乘积因子的乘积作为所述两个相邻元素的相邻差异系数。
4.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取局部管道窗口中不同位置滑动窗口内灰度分布特征获取所述局部管道窗口中任意两个位置滑动窗口之间的异质因数的方法为：
根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异获取所述相同次序像素点之间的同质因子；
将每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值差值的绝对值在所述滑动窗口内所有像素点上的累加作为分子；
将所述相同次序像素点之间的同质因子在所述滑动窗口内所有像素点上的累加与预设参数之和作为分母；
将分子与分母的比值作为每个像素点所取局部管道窗口中两个位置滑动窗口之间的异质因数。
5.根据权利要求4所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异获取所述相同次序像素点之间的同质因子的方法为：
根据每个像素点所取局部管道窗口中不同位置滑动窗口内相同次序像素点灰度值之间的差异情况确定所述相同次序像素点之间的同质因子；
所述差异情况包括第一差异情况、第二差异情况，所述第一差异情况为所述相同次序像素点灰度值之间差值的绝对值小于等于决策阈值，所述第二差异情况为所述相同次序像素点灰度值之间差值的绝对值大于决策阈值；
将满足第一差异情况的所述相同次序像素点之间的同质因子的值置为1，将满足第二差异情况的所述相同次序像素点之间的同质因子的值置为0。
6.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数获取每个像素点的细节增益因子的方法为：
获取每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数按照升序顺序的排列结果；
将所述排列结果中每个元素与所有元素的均值之间差值的绝对值在所述排列结果上的累加作为第三组成因子，将第三组成因子与所述排列结果内所有元素标准差的和作为分子；
将所述异质因数在每个像素点所取局部管道窗口中出现频率最大值与最小值的差值绝对值作为第一差值；将每个像素点所取局部管道窗口中出现频率最高、出现频率最低的异质因数之间的差值绝对值作为第二差值；将第一差值、第二差值以及预设参数的和作为分母；
将分子与分母的比值作为每个像素点的细节增益因子。
7.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述根据每个像素点所取局部管道窗口中所有滑动窗口之间的异质因数的分布范围获取每个像素点的局部细节凸显度的方法为：
将每个像素点所取局部管道窗口中所有滑动窗口之间异质因数最大值、最小值之间的差值作为分子，将每个像素点所取局部管道窗口中所有滑动窗口之间异质因数升序排列结果中上下四分位差值与预设参数的和作为分母，将分子与分母的比值作为比例系数；
将每个像素点的细节增益因子与比例系数的和作为取整函数的输入，将取整函数的输出结果作为每个像素点的局部细节凸显度。
8.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到增强内衬图的方法为：
采用图像增强算法基于管道内衬灰度图中每个像素点的局部细节凸显度得到每个像素点的增强灰度值；
利用管道内衬灰度图中每个像素点的增强灰度值代替每个像素点的原有灰度值，遍历整幅管道内衬灰度图，将替换后的结果作为增强内衬图。
9.根据权利要求1所述的基于图像增强的管道内衬泄漏视觉检测方法，其特征在于，所述利用显著性检测算法基于增强内衬图得到管道内衬泄露的检测结果的方法为：
将增强内衬图作为显著性检测算法的输入，基于显著性检测算法得到增强内衬图上每个区域的显著值；
利用阈值分割算法得到增强内衬图上所有区域的显著值的分割阈值；将显著值大于所述分割阈值的区域作为发生管道内衬泄露的区域。
10.基于图像增强的管道内衬泄漏视觉检测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286671.4A CN117036347B (zh) | 2023-10-08 | 2023-10-08 | 基于图像增强的管道内衬泄漏视觉检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311286671.4A CN117036347B (zh) | 2023-10-08 | 2023-10-08 | 基于图像增强的管道内衬泄漏视觉检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117036347A true CN117036347A (zh) | 2023-11-10 |
| CN117036347B CN117036347B (zh) | 2024-02-02 |
Family
ID=88645158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311286671.4A Active CN117036347B (zh) | 2023-10-08 | 2023-10-08 | 基于图像增强的管道内衬泄漏视觉检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117036347B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
| CN117689590A (zh) * | 2024-01-31 | 2024-03-12 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1608273A (zh) * | 2001-12-22 | 2005-04-20 | 哈利伯顿能源服务公司 | 使用图像模式识别的卷曲管道检测系统 |
| JP2006023946A (ja) * | 2004-07-07 | 2006-01-26 | Canon Inc | 画像処理装置及びその制御方法、プログラム |
| CN104424642A (zh) * | 2013-09-09 | 2015-03-18 | 华为软件技术有限公司 | 一种视频显著性区域检测方法及系统 |
| CN110596204A (zh) * | 2019-09-18 | 2019-12-20 | 岭澳核电有限公司 | 一种核电站管道内衬胶层破损情况检测方法和系统 |
| CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
| CN114896877A (zh) * | 2022-04-29 | 2022-08-12 | 上海朗脉洁净技术股份有限公司 | 一种管道泄漏判断方法、装置及系统 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
| CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
-
2023
- 2023-10-08 CN CN202311286671.4A patent/CN117036347B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1608273A (zh) * | 2001-12-22 | 2005-04-20 | 哈利伯顿能源服务公司 | 使用图像模式识别的卷曲管道检测系统 |
| JP2006023946A (ja) * | 2004-07-07 | 2006-01-26 | Canon Inc | 画像処理装置及びその制御方法、プログラム |
| CN104424642A (zh) * | 2013-09-09 | 2015-03-18 | 华为软件技术有限公司 | 一种视频显著性区域检测方法及系统 |
| CN110596204A (zh) * | 2019-09-18 | 2019-12-20 | 岭澳核电有限公司 | 一种核电站管道内衬胶层破损情况检测方法和系统 |
| CN111325721A (zh) * | 2020-02-13 | 2020-06-23 | 北京信息科技大学 | 一种基于红外热成像的气体泄漏检测方法及系统 |
| CN114896877A (zh) * | 2022-04-29 | 2022-08-12 | 上海朗脉洁净技术股份有限公司 | 一种管道泄漏判断方法、装置及系统 |
| CN115861135A (zh) * | 2023-03-01 | 2023-03-28 | 铜牛能源科技(山东)有限公司 | 一种应用于箱体全景探测的图像增强及识别方法 |
| CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| FRANCISCO B.等: "A generic framework for defect detection on vessel structures based on image saliency", 2016 IEEE 21ST INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGIES AND FACTORY AUTOMATION (ETFA) * |
| 吴青龙;敖成刚;余映;: "基于视觉中心及超像素空间加权的图像显著性检测", 云南大学学报(自然科学版), no. 05 * |
| 张景川;曾周末;赖平;封皓;靳世久;: "基于小波能谱和小波信息熵的管道异常振动事件识别方法", 振动与冲击, no. 05 * |
| 王军;吴泽民;杨巍;胡磊;张兆丰;姜青竹;: "基于稀疏恢复与优化的显著性目标检测算法", 计算机科学, no. 08 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635507A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
| CN117635507B (zh) * | 2024-01-26 | 2024-04-09 | 深圳市精森源科技有限公司 | 一种塑胶颗粒在线视觉检测方法及系统 |
| CN117689590A (zh) * | 2024-01-31 | 2024-03-12 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
| CN117689590B (zh) * | 2024-01-31 | 2024-04-16 | 天津灵境智游科技有限公司 | 一种基于ai技术的ar的对象互动展示方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117036347B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117036347B (zh) | 基于图像增强的管道内衬泄漏视觉检测方法及系统 | |
| CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
| CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
| CN115082464A (zh) | 除尘机焊接过程中焊缝数据的识别方法及系统 | |
| CN117152137B (zh) | 基于图像处理的焊管腐蚀状态检测方法 | |
| CN107680113A (zh) | 基于贝叶斯框架边缘先验的多层分割网络的图像分割方法 | |
| CA2532052A1 (en) | Image segmentation method and device | |
| CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
| CN115457031A (zh) | 基于x射线的集成箱体内部缺陷识别方法 | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN108961307B (zh) | 基于核相关滤波跟踪的圆形目标尺度自适应跟踪方法 | |
| CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 | |
| CN115689948A (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
| CN115965623A (zh) | 一种变压器生产中表面瑕疵检测方法及系统 | |
| CN117115075A (zh) | 融合多方向多元宇宙局部分割的金属表面锈斑检测方法 | |
| CN115239661A (zh) | 基于图像处理的机械零件毛刺检测方法及系统 | |
| CN113392455B (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
| CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
| CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
| Gao et al. | Switching impulse noise filter based on Laplacian convolution and pixels grouping for color images | |
| CN117036205B (zh) | 基于图像增强的注塑件生产质量检测方法 | |
| CN116681695B (zh) | 一种抗变形模板端面的质量检测方法 | |
| CN108564603A (zh) | 基于改进的高斯混合模型的sar图像变化检测方法 | |
| CN117764992B (zh) | 基于图像处理的塑料管材质量检测方法 | |
| CN117218069A (zh) | 一种异常检测方法、装置、电子设备及介质 |
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 |