CN117152064B - 一种基于图像的石化工厂管道液体滴漏检测方法及系统 - Google Patents
一种基于图像的石化工厂管道液体滴漏检测方法及系统 Download PDFInfo
- Publication number
- CN117152064B CN117152064B CN202311015142.0A CN202311015142A CN117152064B CN 117152064 B CN117152064 B CN 117152064B CN 202311015142 A CN202311015142 A CN 202311015142A CN 117152064 B CN117152064 B CN 117152064B
- Authority
- CN
- China
- Prior art keywords
- liquid
- image
- pictures
- difference
- frames
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 126
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 101100443238 Caenorhabditis elegans dif-1 gene Proteins 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及液体泄漏监测技术领域,具体而言,涉及一种基于图像的石化工厂管道液体滴漏检测方法及系统,包括以下步骤,获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;获取若干帧液体将要掉落的地面区域第二图片,设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏。通过两次的泄漏判断,来最终判断是否出现泄漏的情况,这样可以一定程度的避免由于其他情况导致干扰了滴落过程检测的报警,降低误报率。
Description
技术领域
本发明涉及液体泄漏监测技术领域,具体而言,涉及一种基于图像的石化工厂管道液体滴漏检测方法及系统。
背景技术
在石化工厂生产过程中,管道内部常常具有高温高压的情况,特别在开口或者转弯等薄弱环境,容易出现液体泄漏,如何在液体泄漏早期及时发现并加以解决,成为行业内部的难点之一。
现有对滴漏的检测技术之一,是将摄像头安装对准所要检查的管道部位,通过图像处理的办法,通过机器学习或者机器学习训练出算法模型,当发现有液体滴漏的情况时,算法软件会报警液体滴漏的警报。但是现有技术中只对滴落过程进行检测或者只对,在监测过程中可能会由于画面中的其他移动物体干扰,造成误报的可能。所以亟需一个有效的算法模型,提高液体滴漏识别准确率,减少漏报和误报。
发明内容
本发明的目的是提供一种基于图像的石化工厂管道液体滴漏检测方法及系统,来解决现有技术中只通过滴落过程的检测容易误报的问题。
本发明的实施例通过以下技术方案实现:
第一方面,本发明提供了一种基于图像的石化工厂管道液体滴漏检测方法,包括以下步骤:
S101:获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
S102:将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
S103:对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
S104:获取若干帧液体将要掉落的地面区域第二图片,对进行图像滤波与增强获得第二差分图;
S105:设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
S106:若步骤S103和步骤S105均判断为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
在本发明的一实施例中,所述图像滤波与增强包括;
计算若干帧第一图片或第二图片的帧间差运算,同时滤除相机带来的像素抖动,得到第一初始图;
对第一初始图进行二值化,给定一个阈值thresh1,对帧间差的每个像素点进行运算得到第二初始图;
对第二初始图进行图像处理腐蚀运算,再进行图像处理膨胀运算得到第一差分图或者第二差分图。
在本发明的一实施例中,所述帧间差运算的计算公式为;
式中:fn为当前帧,fi为之前帧,dif1为帧间差运算结果。
在本发明的一实施例中,所述图像叠加包括;
式中:s为合并差分图,当i<m时,diffi为之前帧的第一差分图,当i=m时,diffi为diffm,diffm为当前帧的第一差分图。
在本发明的一实施例中,所述通过直线的斜率进行判断是否有液体滴漏包括;
若检测超过10条直线斜率绝对值大于2时,则步骤S103判断为有液体泄漏。
在本发明的一实施例中,所述根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比包括;
液体滴落的轮廓的面积位于液体滴落的轮廓面积阈值内,则步骤S105判断为有液体泄漏。
在本发明的一实施例中,所述滤除相机带来的像素抖动包括;
将两幅图像对齐,检测出图像位置的偏移;
计算偏移的像素数量,对图像周围的像素进行填充或移除,以消除图像的像素偏移。
第二方面,本发明提供了一种基于图像的石化工厂管道液体滴漏检测系统,包括;
第一图像获取模块,被配置为获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
图像处理模块,被配置为将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
第一判断模块,被配置为对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
第二图像获取模块,被配置为获取若干帧液体将要掉落的地面区域第二图片,对第二图片进行图像滤波与增强获得第二差分图;
第二判断模块,被配置为设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
分析模块,被配置为上述第一判断模块和第二判断模块判断结果均为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可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护上述的一种基于图像的石化工厂管道液体滴漏检测方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述的一种基于图像的石化工厂管道液体滴漏检测方法。
本发明实施例的技术方案至少具有如下优点和有益效果:
采用本发明的上述方法,主要包括了获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图,通过直线的斜率进行第一次的判断是否有液体滴漏;获取若干帧液体将要掉落的地面区域第二图片,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,进行第二次判断是否有液体滴漏,通过两次的泄漏判断,滴落过程中的检测和掉落地面区域的检测的结合,来最终判断是否出现泄漏的情况,这样可以一定程度的避免由于其他情况导致干扰了滴落过程检测的报警,降低误报率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的流程示意图;
图2为本发明的第一差分图;
图3为本发明的合并差分图。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
本申请的说明书和权利要求书及上述附图中的术语“第一、第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。在本申请中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相类似的技术效果即可。
请参照图1-图3,本发明提供了一种基于图像的石化工厂管道液体滴漏检测方法,包括以下步骤:
S101:获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
S102:将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
S103:对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
具体的是,霍夫变换是一种用于检测几何形状的图像处理算法。它可以在一幅图像中检测到各种几何形状,如直线、圆、椭圆等。霍夫变换的基本思想是将图像中的每个像素点转化为新的参数空间中的一个点,然后在该参数空间中寻找几何形状的峰值。
在本实施例中,对于直线检测,霍夫变换首先将图像空间中的每个像素点表示为极坐标形式,然后将这些极坐标参数转换为霍夫空间中的投票点。如果图像中存在一条直线,那么霍夫空间中就会有一系列投票点沿着该直线呈现峰值,在本方案中,通过霍夫变换将图像空间中的像素点转换为直线,通过直线的斜率去判断,是否有液体泄漏。
S104:获取若干帧液体将要掉落的地面区域第二图片,对进行图像滤波与增强获得第二差分图;
S105:设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
S106:若步骤S103和步骤S105均判断为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
采用本发明的上述方法,主要包括了获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图,通过直线的斜率进行第一次的判断是否有液体滴漏;获取若干帧液体将要掉落的地面区域第二图片,根据体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,进行第二次判断是否有液体滴漏,通过两次的泄漏判断,滴落过程中的检测和掉落地面区域的检测的结合,来最终判断是否出现泄漏的情况,这样可以一定程度的避免由于其他情况导致干扰了滴落过程检测的报警,降低误报率。
在本发明的一实施例中,所述图像滤波与增强包括;
计算若干帧第一图片或第二图片的帧间差运算,同时滤除相机带来的像素抖动,得到第一初始图;
首先计算得到帧间差(f1-fn,f2-fn,f3-fn,...fn-1-fn),f1-fn是指将f1和fn的每个像素点做减法然后取绝对值运算。
计算:得到当前帧与之前帧的差异,同时滤除由于相机成像带来的像素抖动,因为相机成像(R,G,B)同一位置在不同帧之间会有小幅抖动。
式中:fn为第当前帧,fi为之前帧,dif1为帧间差运算结果。
对第一初始图进行二值化,给定一个阈值thresh1,对帧间差的每个像素点进行运算得到第二初始图;
对于dif1的每个像素点做如下操作,对差分图进行二值化,给定一个阈值thresh1,得到dif2,
对第二初始图进行图像处理腐蚀运算,再进行图像处理膨胀运算得到第一差分图或者第二差分图。
具体的,腐蚀运算可以消除二值图像中的细小或者薄弱的连通区域或者边缘。腐蚀操作通常用于去除图像上的噪声、分离相互接触的图形和连接图形中间空洞的效果。
腐蚀操作的实现过程是在图像上移动一个结构元素,在结构元素完全包含的情况下,该像素的值为1,则它与该结构元素不变,否则该像素就被置为0。简单来说,如果结构元素完全包含在图像中,则将其放置到当前像素中心,然后检查内部像素是否全部为1,如果是,则将该像素设置为1,否则将其设置为0。
膨胀运算可以将二值图像中的连通区域或者边缘膨胀或者扩张,以连接空洞、填补断裂,以及增加物体大小等目的。
膨胀操作的实现过程是在图像上移动一个结构元素,如果该结构元素的中心位置对应的像素值为1,则将其完全覆盖的周围像素都设置为1。简单来说,将结构元素的中心放在当前像素中,然后将其内部像素全部置为1,这样可以将物体变形并扩大。
腐蚀运算的核和膨胀运算的和均是一种结构元素,用于确定操作的区域大小和形状。结构元素可以是任意的形状,例如矩形、圆、十字形、菱形、椭圆等等。在本实施例中,腐蚀运算的核为[a,a/2],膨胀运算的核为[2a,a/2]。
在本发明的一实施例中,对于每一帧都能得到差分图diff,那么我们将得到k帧差分图片(diff1,diff2,diff3...diffm),其中diffm为当前帧的差分图diff。我们得到合并差分图
式中:当i<m时,diffi为之前帧的第一差分图,当i=m时,diffi为diffm,diffm为当前帧的第一差分图。
在本发明的一实施例中,所述通过直线的斜率进行判断是否有液体滴漏包括;若检测超过10条直线斜率绝对值大于2时,则步骤S103判断为有液体泄漏。
在本发明的一实施例中,所述根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比包括;
液体滴落的轮廓的面积位于液体滴落的轮廓面积阈值内,则步骤S105判断为有液体泄漏。
在本发明的一实施例中,所述滤除相机带来的像素抖动包括;
将两幅图像对齐,检测出图像位置的偏移;
计算偏移的像素数量,对图像周围的像素进行填充或移除,以消除图像的像素偏移。
第二方面,本发明提供了一种基于图像的石化工厂管道液体滴漏检测系统,包括;
第一图像获取模块,被配置为获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
图像处理模块,被配置为将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
第一判断模块,被配置为对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
第二图像获取模块,被配置为获取若干帧液体将要掉落的地面区域第二图片,对第二图片进行图像滤波与增强获得第二差分图;
第二判断模块,被配置为设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
分析模块,被配置为上述第一判断模块和第二判断模块判断结果均为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
另外,在本发明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。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,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read—On lyMemory)、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。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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)
1.一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,包括以下步骤:
S101:获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
S102:将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
S103:对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
S104:获取若干帧第二图片,所述第二图片为液体将要掉落的地面区域图像,对第二图片进行图像滤波与增强获得第二差分图;
S105:设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
S106:若步骤S103和步骤S105均判断为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
2.根据权利要求1所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述图像滤波与增强包括;
计算若干帧第一图片或第二图片的帧间差运算,同时滤除像素抖动,得到第一初始图;
对第一初始图进行二值化,给定一个阈值thresh1,对帧间差的每个像素点进行运算得到第二初始图;
对第二初始图进行图像处理腐蚀运算,再进行图像处理膨胀运算得到第一差分图或者第二差分图。
3.根据权利要求2所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述帧间差运算的计算公式包括;
式中:fn为当前帧,fi为之前帧,dif1为帧间差运算结果。
4.根据权利要求1所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述图像叠加包括;
式中:s为合并差分图,当i<m时,diffi为之前帧的第一差分图,当i=m时,diffi为diffm,diffm为当前帧的第一差分图。
5.根据权利要求1所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述通过直线的斜率进行判断是否有液体滴漏包括;
若检测超过10条直线斜率绝对值大于2时,则步骤S103判断为有液体泄漏。
6.根据权利要求1所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比包括;
液体滴落的轮廓的面积位于液体滴落的轮廓面积阈值内,则步骤S105判断为有液体泄漏。
7.根据权利要求2所述的一种基于图像的石化工厂管道液体滴漏检测方法,其特征在于,所述滤除像素抖动包括;
将两幅图像对齐,检测出图像位置的偏移;
计算偏移的像素数量,对图像周围的像素进行填充或移除,以消除图像的像素偏移。
8.一种基于图像的石化工厂管道液体滴漏检测系统,其特征在于,包括;
第一图像获取模块,被配置为获取若干帧第一图片,对所获得的若干帧第一图片进行图像滤波与增强获得第一差分图;
图像处理模块,被配置为将所得到的若干个第一差分图进行图像叠加,得到合并差分图;
第一判断模块,被配置为对合并差分图进行霍夫变换,并进行直线检测,通过直线的斜率进行判断是否有液体滴漏;
第二图像获取模块,被配置为获取若干帧液体将要掉落的地面区域第二图片,对第二图片进行图像滤波与增强获得第二差分图;
第二判断模块,被配置为设置液体滴落的轮廓面积阈值,对第二差分图进行液体滴落的轮廓查找,根据液体滴落的轮廓面积与设置液体滴落的轮廓面积阈值进行对比,判断是否有液体滴漏;
分析模块,被配置为上述第一判断模块和第二判断模块判断结果均为液体滴漏,则判断为有液体泄漏,否则判断为未发生液体泄漏。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可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权利要求1至7中任一项所述的一种基于图像的石化工厂管道液体滴漏检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于图像的石化工厂管道液体滴漏检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015142.0A CN117152064B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015142.0A CN117152064B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152064A CN117152064A (zh) | 2023-12-01 |
CN117152064B true CN117152064B (zh) | 2024-04-30 |
Family
ID=88885852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311015142.0A Active CN117152064B (zh) | 2023-08-11 | 2023-08-11 | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152064B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03270626A (ja) * | 1990-03-16 | 1991-12-02 | Tohoku Electric Power Co Inc | Ofケーブル線路の漏油監視方法 |
CN104537634A (zh) * | 2014-12-31 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 动态图像中去除雨滴影响的方法和系统 |
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109738137A (zh) * | 2019-01-02 | 2019-05-10 | 山东交通学院 | 基于图像对比的土石坝渗漏实时监测与快速诊断方法 |
CN112184644A (zh) * | 2020-09-21 | 2021-01-05 | 河南颂达信息技术有限公司 | 一种基于多光照强度的气密性气泡检测方法及装置 |
CN112229584A (zh) * | 2020-08-24 | 2021-01-15 | 交通运输部天津水运工程科学研究所 | 一种船舶供油作业溢油监测方法及监测装置 |
CN112541887A (zh) * | 2020-12-02 | 2021-03-23 | 中国华能集团有限公司南方分公司 | 一种火电厂多管道设备运行现场漏水缺陷检测方法 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统 |
CN114049624A (zh) * | 2021-11-17 | 2022-02-15 | 中科芯集成电路有限公司 | 一种基于机器视觉的船舶舱室智能检测方法及系统 |
CN114913211A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 |
CN115861236A (zh) * | 2022-12-05 | 2023-03-28 | 浙江大华技术股份有限公司 | 滴漏事件的确定方法及装置、存储介质、电子装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950508B (zh) * | 2021-03-12 | 2022-02-11 | 中国矿业大学(北京) | 一种基于计算机视觉的排水管道视频数据修复方法 |
-
2023
- 2023-08-11 CN CN202311015142.0A patent/CN117152064B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03270626A (ja) * | 1990-03-16 | 1991-12-02 | Tohoku Electric Power Co Inc | Ofケーブル線路の漏油監視方法 |
CN104537634A (zh) * | 2014-12-31 | 2015-04-22 | 中国科学院深圳先进技术研究院 | 动态图像中去除雨滴影响的方法和系统 |
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109738137A (zh) * | 2019-01-02 | 2019-05-10 | 山东交通学院 | 基于图像对比的土石坝渗漏实时监测与快速诊断方法 |
CN112229584A (zh) * | 2020-08-24 | 2021-01-15 | 交通运输部天津水运工程科学研究所 | 一种船舶供油作业溢油监测方法及监测装置 |
CN112184644A (zh) * | 2020-09-21 | 2021-01-05 | 河南颂达信息技术有限公司 | 一种基于多光照强度的气密性气泡检测方法及装置 |
CN112541887A (zh) * | 2020-12-02 | 2021-03-23 | 中国华能集团有限公司南方分公司 | 一种火电厂多管道设备运行现场漏水缺陷检测方法 |
CN114913211A (zh) * | 2021-02-08 | 2022-08-16 | 中国石油化工股份有限公司 | 气体泄漏红外成像监测方法、装置、电子设备及存储介质 |
CN113160173A (zh) * | 2021-04-22 | 2021-07-23 | 哈尔滨市科佳通用机电股份有限公司 | 基于Laws纹理特征的抗蛇形减震器漏油检测方法及系统 |
CN114049624A (zh) * | 2021-11-17 | 2022-02-15 | 中科芯集成电路有限公司 | 一种基于机器视觉的船舶舱室智能检测方法及系统 |
CN115861236A (zh) * | 2022-12-05 | 2023-03-28 | 浙江大华技术股份有限公司 | 滴漏事件的确定方法及装置、存储介质、电子装置 |
Non-Patent Citations (3)
Title |
---|
基于CMOS相机的火焰与漏油在线图像监测系统研发;孙月;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20220515(第5期);全文 * |
基于机器学习的钻井漏水检测方法研究;高辉 等;《物联网技术》;20230713;第13卷(第7期);全文 * |
巡检机器人在华庆油田的研究与应用;涂学万;《中国石油和化工标准与质量》;20211030;第41卷(第20期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152064A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111758024B (zh) | 一种缺陷检测方法及装置 | |
CN103729632B (zh) | 一种基于连通区域滤波的圆形Mark点的定位方法 | |
CN108369650B (zh) | 标识校准图案的可能特征点的方法 | |
CN107702663B (zh) | 一种基于具有标志点的旋转平台的点云配准方法 | |
CN110298853B (zh) | 面差视觉检测方法 | |
CN115082462A (zh) | 一种流体输送管外观质量检测方法及系统 | |
CN109509166B (zh) | 印刷电路板图像检测方法和装置 | |
CN111059612A (zh) | 一种云计算的城市供暖故障检测设备及方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN117152064B (zh) | 一种基于图像的石化工厂管道液体滴漏检测方法及系统 | |
CN104732530A (zh) | 一种图像边缘的检测方法 | |
CN111353400A (zh) | 一种基于视觉测振的全场景振动强度图谱分析方法 | |
CN101839741A (zh) | 液面高度辨识方法 | |
CN103065297B (zh) | 一种基于傅里叶变换的图像边缘检测方法 | |
CN113744200B (zh) | 一种摄像头脏污检测方法、装置及设备 | |
CN116740062A (zh) | 基于不规则胶圈的缺陷检测方法及系统 | |
WO2017080295A1 (zh) | 元件的定位方法和系统 | |
Kröger et al. | Performance evaluation on contour extraction using Hough transform and RANSAC for multi-sensor data fusion applications in industrial food inspection | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及系统 | |
CN114648505A (zh) | 一种环形纹理图像周期、相位的自动测量方法及系统 | |
CN111311511B (zh) | 一种去除莫尔纹的方法和装置 | |
CN108509845B (zh) | 基于特征拟合的变电站仪表设备巡检的视觉检测方法 | |
WO2021179438A1 (zh) | 存在投影盲区去除绝对相位噪声方法、装置及存储介质 | |
CN112598689B (zh) | 一种纹理背景下弱线的提取方法 | |
CN110264531A (zh) | 一种棋盘格角点的捉取方法、装置、系统及可读存储介质 |
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 |