CN117491361A - 可视化的管道缺陷信息及范围自动标注方法 - Google Patents
可视化的管道缺陷信息及范围自动标注方法 Download PDFInfo
- Publication number
- CN117491361A CN117491361A CN202311438332.3A CN202311438332A CN117491361A CN 117491361 A CN117491361 A CN 117491361A CN 202311438332 A CN202311438332 A CN 202311438332A CN 117491361 A CN117491361 A CN 117491361A
- Authority
- CN
- China
- Prior art keywords
- defect
- pipeline
- image
- range
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 286
- 238000002372 labelling Methods 0.000 title claims abstract description 23
- 230000000007 visual effect Effects 0.000 title claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000011282 treatment Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000012800 visualization Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001568 sexual effect Effects 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 4
- 230000004907 flux Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 2
- 239000002344 surface layer Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
- G01N2021/8864—Mapping zones of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30204—Marker
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了可视化的管道缺陷信息及范围自动标注方法,涉及管道缺陷标注领域。可视化的管道缺陷信息及范围自动标注方法,包括以下步骤:S1:采集管道的内表面图像并进行调整,S2:处理完成后进行分析,判断是否存在缺陷,S3:判断缺陷的类型和缺陷范围,S4:对缺陷类型以及缺陷范围进行相应的标注,S5:对缺陷类型以及缺陷范围的标注信息进行显示。本发明解决了现有的专利不能对缺陷的类型进行识别,无法根据缺陷的具体情况采取相应的措施问题,本发明使得工作人员能够快速了解管道的缺陷类型,能够快速了解管道缺陷范围的大小,并根据缺陷范围的大小及时确定管道是否需要维护,加快了响应时间,并提高了工作效率。
Description
技术领域
本发明涉及管道缺陷标注技术领域,具体为可视化的管道缺陷信息及范围自动标注方法。
背景技术
在一些领域中,生产或输送过程中需要使用到管道。例如,石油行业,需要通过管道对石油进行输送。为了避免发生危险和造成损失,常常需要对管道的表面进行检测,进而判断管道表面存在的缺陷的类别。
公开号为CN113063843A的中国专利公开了一种管道缺陷识别方法、装置及存储介质,将待检测的径向分量漏磁曲线图和与待检测的径向分量漏磁曲线图对应的横向分量漏磁曲线图分别输入管道缺陷识别模型,得到径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果,若径向分量漏磁曲线图识别结果和横向分量漏磁曲线图识别结果均指向同一缺陷类型,则缺陷类型为管道的缺陷类型。该专利能够提高管道缺陷识别的准确率和效率。
上述专利在实际使用过程中仅能实现对管道缺陷进行识别,不能对缺陷的类型进行识别,同时确定管道存在缺陷后,不能对缺陷范围进行标注,导致无法精确的知道管道缺陷的具体情况,就无法根据缺陷的具体情况采取相应的措施,浪费工作时间;因此,不满足现有的需求,对此我们提出了可视化的管道缺陷信息及范围自动标注方法。
发明内容
本发明的目的在于提供可视化的管道缺陷信息及范围自动标注方法,通过对管道的缺陷类型进行细分并进行相应的判断,使得工作人员能够快速了解管道的缺陷类型,节约了工作时间,能够快速了解管道缺陷范围的大小,并根据缺陷范围的大小及时确定管道是否需要维护,不仅能够减少工作时间,而且还能通过标注的缺陷范围确定缺陷所在的位置,加快了响应时间,并提高了工作效率,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:可视化的管道缺陷信息及范围自动标注方法,包括以下步骤:
S1:通过数据采集模块采集管道的内表面图像,并对采集的管道内表面图像进行调整。
S2:处理完成后通过数据分析模块进行分析,根据分析结果判断管道内表面是否存在缺陷。
S3:若存在缺陷则根据所接收的图片特征信息判断缺陷的类型,并判断该类型的缺陷范围。
S4:判断完成后对缺陷类型以及缺陷范围进行相应的标注,并将标注的结果传递至可视化模块。
S5:可视化模块将接收的缺陷类型以及缺陷范围的标注信息进行可视化显示,并给出相应的维护意见。
优选的,所述数据采集模块,包括
图片采集模块,用于摄管道内部图像,并对所拍摄的图像进行调整,调整方式包括放大缩小图片、旋转图片、水平翻转图片、剪裁图片、改变图像亮度和图像模糊处理。
图片处理模块,用于对采集的管道图片进行滤波处理和灰度值拉伸,并对滤波处理和灰度值拉伸完成的图像进行特征提取。
优选的,所述图片处理模块,包括
预处理模块,用于对接收的管道内表面图像进行滤波处理和灰度值拉伸,拉伸完成后进行区域分割,处理完成后传输至特征提取模块。
特征提取模块,用于将处理完成的管道内表面图像输入至Vision Transformer特征提取网络中进行特征向量提取,得到预处理后的管道特征图像。
优选的,所述特征提取模块的特征提取具体包括:
用于将管道图像输入至Vision Transformer特征提取网络中,得到图片特征向量。
对获取的图片特征向量进行二值化处理,得到管道内表面缺陷二值化图像。
对管道内表面缺陷二值化图像利用自适应阈值法进行提取,得到管道内表面缺陷图像目标区域特征。
根据管道内表面缺陷图像目标区域特征利用Canny边缘检测算子进行提取,得到管道缺陷表面图像的具体缺陷特征轮廓。
优选的,所述数据分析模块,包括:
缺陷判断模块,用于根据所获取的缺陷特征轮廓信息判断管道是否存在缺陷,存在缺陷则对缺陷进行标注。
缺陷类型确定模块,用于获取所标注的缺陷的参数信息,并根根据获取的缺陷参数信息判断性缺陷的具体类型。
缺陷范围确定模块,用于根据获取的缺陷特征轮廓对缺陷的范围进行相应的计算,并对计算的结果进行标注。
优选的,所述缺陷的参数信息包括裂纹的长宽度以及深度、表层脱落的长宽度以及深度、凹坑的长宽度以及深度和气孔半径以及距管道内壁深度,裂纹的长度超过5mm,宽度超过0.3mm,深度超过1mm,即为裂纹缺陷,表层脱落的长度超过20mm,宽度超过20mm,深度超过1mm,即为腐蚀性缺陷,凹坑的长度超过5mm,宽度超过5mm,深度超过2mm,即为凹坑缺陷,气孔的半径超过1mm,距管道内壁深度超过2mm,即为气孔缺陷。
优选的,所述缺陷判断模块的判断流程,具体包括:
采集管道内表面的实时数据以及相邻上一时刻的管道内表面的数据,并预设两者之间的标准波动值以及缺陷初始判断标准。
将所获取的实时管道数据与相邻上一时刻的管道内表面的数据进行对比,计算两者之间的差值,并根据的到的差值判断两者之间的波动值是否在标准波动值以内。
若在波动值范围内,则将实施获取的管道内表面的数据与缺陷初始判断标准进行对比,判断是否符合缺陷初始判断标准。
若符合,则管道缺陷判断结果为存在缺陷,并将判断结果传递至缺陷类型确定模块确定缺陷的类型。
优选的,所述缺陷范围确定模块,包括:
缺陷范围计算模块,用于根据缺陷特征轮廓判断缺陷的大小,通过缺陷的大小计算缺陷的范围,并对缺陷范围进行标注。
定位模块,用于根据管道的缺陷范围对管道缺陷所在的位置进行精准定位。
优选的,所述缺陷范围确定模块的具体工作流程,包括:
根据具体缺陷特征轮廓,确定管道缺陷表面图像的直线和非规则形状特征。
提取缺陷边界轮廓的像素点,并根据边界轮廓的像素点计算轮廓的边界尺寸。
根据直线和非规则形状特征,确定图像像素尺寸和图像的标定系数。
根据图像像素尺寸和图像标定系数,得到缺陷的实际物理尺寸,缺陷实际物理尺寸为缺陷的范围。
优选的,所述可视化模块,包括:
显示模块,用于对所标注的管道缺陷信息以及缺陷范围进行多角度可视化显示,同时将管道缺陷所存在的定位进行可视化显示。
建议模块,用于根据所标注的管道缺陷信息以及缺陷范围给出相应的维护建议,并将维护建议进行可视化显示。。
与现有技术相比,本发明的有益效果是:
本发明通过对管道的缺陷类型进行细分并进行相应的判断,使得工作人员能够快速了解管道的缺陷类型,根据相应的缺陷类型做出相应的措施,节约了工作时间,提高了工作的效率,同时也能够快速的判断管道是否存在缺陷,若判断存在缺陷,则通过获取缺陷参数来判断的具体类型,保证了判断的精准度,通过范围确定模块对缺陷的范围进行判断,能够快速了解管道缺陷范围的大小,并根据缺陷范围的大小及时确定管道是否需要维护,不仅能够减少工作时间,而且还能通过标注的缺陷范围确定缺陷所在的位置,加快了响应时间,并提高了工作效率。
附图说明
图1为本发明的可视化的管道缺陷信息及范围自动标注方法的流程示意图;
图2为本发明的可视化的管道缺陷信息及范围自动标注方法的模块示意图。
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。
为了解决现有的专利在实际使用过程中仅能实现对管道缺陷进行识别,不能对缺陷的类型进行识别,同时确定管道存在缺陷后,不能对缺陷范围进行标注,导致无法精确的知道管道缺陷的具体情况,就无法根据缺陷的具体情况采取相应的措施,浪费工作时间的问题,请参阅图1-图2,本实施例提供以下技术方案:
可视化的管道缺陷信息及范围自动标注方法,包括以下步骤:
S1:通过数据采集模块采集管道的内表面图像,然后对采集的管道内表面图像进行放大缩小、旋转、剪裁、改变亮度和模糊处理,处理完成后进行滤波处理及灰度值拉伸,对滤波处理和灰度值拉伸完成的图像进行特征提取,通过对图片进行处理,更够更清晰的对管道内表面图片的特征进行提取,达到对管道缺陷进行快速准确识的目的。
数据采集模块,包括:
图片采集模块,用于摄管道内部图像,并对所拍摄的图像进行调整,调整方式包括放大缩小图片、旋转图片、水平翻转图片、剪裁图片、改变图像亮度和图像模糊处理,通过对图片进行调整,使得在对管道内表面图像进行特征提取是更加方便。
图片处理模块,用于对采集的管道图片进行滤波处理和灰度值拉伸,并对滤波处理和灰度值拉伸完成的图像进行特征提取。
图片处理模块,包括
预处理模块,用于对接收的管道内表面图像进行滤波处理和灰度值拉伸,拉伸完成后进行区域分割,处理完成后传输至特征提取模块。
特征提取模块,用于将处理完成的管道内表面图像输入至Vision Transformer特征提取网络中进行特征向量提取,得到预处理后的管道特征图像。
特征提取模块的特征提取具体包括:
用于将管道图像输入至Vision Transformer特征提取网络中,得到图片特征向量。
对获取的图片特征向量进行二值化处理,得到管道内表面缺陷二值化图像。
对管道内表面缺陷二值化图像利用自适应阈值法进行提取,得到管道内表面缺陷图像目标区域特征。
根据管道内表面缺陷图像目标区域特征利用Canny边缘检测算子进行提取,得到管道缺陷表面图像的具体缺陷特征轮廓。
S2:处理完成后通过数据分析模块进行分析,根据分析结果判断管道内表面是否存在缺陷。
数据分析模块,包括
缺陷判断模块,用于根据所获取的缺陷特征轮廓信息判断管道是否存在缺陷,存在缺陷则对缺陷进行标注。
缺陷判断模块的判断流程,具体包括:
采集管道内表面的实时数据以及相邻上一时刻的管道内表面的数据,并预设两者之间的标准波动值以及缺陷初始判断标准。
将所获取的实时管道数据与相邻上一时刻的管道内表面的数据进行对比,计算两者之间的差值,并根据的到的差值判断两者之间的波动值是否在标准波动值以内。
若在波动值范围内,则将实施获取的管道内表面的数据与缺陷初始判断标准进行对比,判断是否符合缺陷初始判断标准。
若符合,则管道缺陷判断结果为存在缺陷,并将判断结果传递至缺陷类型确定模块确定缺陷的类型,能够快速的判断管道是否存在缺陷,若判断存在缺陷,则通过获取缺陷参数来判断的具体类型,保证了判断的精准度。
缺陷类型确定模块,用于获取所标注的缺陷的参数信息,并根根据获取的缺陷参数信息判断性缺陷的具体类型。
缺陷的参数信息包括裂纹的长宽度以及深度、表层脱落的长宽度以及深度、凹坑的长宽度以及深度和气孔半径以及距管道内壁深度,裂纹的长度超过5mm,宽度超过0.3mm,深度超过1mm,即为裂纹缺陷,表层脱落的长度超过20mm,宽度超过20mm,深度超过1mm,即为腐蚀性缺陷,凹坑的长度超过5mm,宽度超过5mm,深度超过2mm,即为凹坑缺陷,气孔的半径超过1mm,距管道内壁深度超过2mm,即为气孔缺陷,通过对管道的缺陷类型进行细分并进行相应的判断,使得工作人员能够快速了解管道的缺陷类型,根据相应的缺陷类型做出相应的措施,节约了工作时间,提高了工作的效率。
缺陷范围确定模块,用于根据获取的缺陷特征轮廓对缺陷的范围进行相应的计算,并对计算的结果进行标注,能够快速了解管道缺陷范围的大小,并根据缺陷范围的大小及时确定管道是否需要维护,不仅能够减少工作时间,而且还能通过标注的缺陷范围确定缺陷所在的位置,加快了响应时间,并提高了工作效率。
缺陷范围确定模块,包括:
缺陷范围计算模块,用于根据缺陷特征轮廓判断缺陷的大小,通过缺陷的大小计算缺陷的范围,并对缺陷范围进行标注。
定位模块,用于根据管道的缺陷范围对管道缺陷所在的位置进行精准定位。
缺陷范围确定模块的具体工作流程,包括:
根据具体缺陷特征轮廓,确定管道缺陷表面图像的直线和非规则形状特征。
提取缺陷边界轮廓的像素点,并根据边界轮廓的像素点计算轮廓的边界尺寸。
根据直线和非规则形状特征,确定图像像素尺寸和图像的标定系数。
根据图像像素尺寸和图像标定系数,得到缺陷的实际物理尺寸,缺陷实际物理尺寸为缺陷的范围,能够根据缺陷的具体类型计算对应的缺陷范围,保证了缺陷范围判断的准确性。
S3:若存在缺陷,则获取所缺陷的参数信息,根据获取的缺陷参数信息判断性缺陷的具体类型,同时获取的缺陷特征轮廓计算缺陷的范围,通过对缺陷的范围进行判断,使得工作人员能够根据缺陷的范围判断管道是否需要维护,若需要维护则立即进行相应的维护措施,若不需要,则将当前的缺陷位置设定为重点观察对象,出现维护需求后能够及时处理,为后续管道缺陷的维护打下有力的基础。
S4:判断完成后对缺陷类型以及缺陷范围进行相应的标注,同时对缺陷所在的位置进行定位,并将标注的结果传递至可视化模块,能够定位缺陷的具体位置,使得工作人员在对管道缺陷进行维护时不需要查找缺陷的具体位置,给工作人员减少了工作负担。
S5:可视化模块将接收的缺陷类型以及缺陷范围的标注信息进行可视化显示,给出相应的维护意见,并将维护意见以及缺陷所在位置进行精准显示,能够将缺陷的类型以及缺陷的范围进行清晰化显示,保证了工作人员能够快速精准的了解管道内表面的缺陷信息,不仅能够使得工作人员快速发现管道的缺陷情况,而且还能根据所给出的维护意见进行维护,大大减少了维护的时间,保证了管道的使用情况。
可视化模块,包括:
显示模块,用于对所标注的管道缺陷信息以及缺陷范围进行多角度可视化显示,同时将管道缺陷所存在的定位进行可视化显示,通过对缺陷的类型、缺陷的位置以及缺陷的范围进行可视化显示,使得工作人员能够准确及时的了解管道内表面的缺陷情况,及时进行维护处理,保证了管道的正常使用。
建议模块,用于根据所标注的管道缺陷信息以及缺陷范围给出相应的维护建议,并将维护建议进行可视化显示,能够根据缺陷的类型以及范围给出相应的维护建议,进一步减轻了工作人员的负担,保证了管道的缺陷能够及时维护。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.可视化的管道缺陷信息及范围自动标注方法,其特征在于:包括以下步骤:
S1:通过数据采集模块采集管道的内表面图像,并对采集的管道内表面图像进行调整;
S2:处理完成后通过数据分析模块进行分析,根据分析结果判断管道内表面是否存在缺陷;
S3:若存在缺陷则根据所接收的图片特征信息判断缺陷的类型,并判断该类型的缺陷范围;
S4:判断完成后对缺陷类型以及缺陷范围进行相应的标注,并将标注的结果传递至可视化模块;
S5:可视化模块将接收的缺陷类型以及缺陷范围的标注信息进行可视化显示,并给出相应的维护意见。
2.根据权利要求1所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述数据采集模块,包括
图片采集模块,用于摄管道内部图像,并对所拍摄的图像进行调整,调整方式包括放大缩小图片、旋转图片、水平翻转图片、剪裁图片、改变图像亮度和图像模糊处理;
图片处理模块,用于对采集的管道图片进行滤波处理和灰度值拉伸,并对滤波处理和灰度值拉伸完成的图像进行特征提取。
3.根据权利要求2所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述图片处理模块,包括:
预处理模块,用于对接收的管道内表面图像进行滤波处理和灰度值拉伸,拉伸完成后进行区域分割,处理完成后传输至特征提取模块;
特征提取模块,用于将处理完成的管道内表面图像输入至Vision Transformer特征提取网络中进行特征向量提取,得到预处理后的管道特征图像。
4.根据权利要求3所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述特征提取模块的特征提取具体包括:
用于将管道图像输入至Vision Transformer特征提取网络中,得到图片特征向量;
对获取的图片特征向量进行二值化处理,得到管道内表面缺陷二值化图像;
对管道内表面缺陷二值化图像利用自适应阈值法进行提取,得到管道内表面缺陷图像目标区域特征;
根据管道内表面缺陷图像目标区域特征利用Canny边缘检测算子进行提取,得到管道缺陷表面图像的具体缺陷特征轮廓。
5.根据权利要求1所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述数据分析模块,包括
缺陷判断模块,用于根据所获取的缺陷特征轮廓信息判断管道是否存在缺陷,存在缺陷则对缺陷进行标注;
缺陷类型确定模块,用于获取所标注的缺陷的参数信息,并根根据获取的缺陷参数信息判断性缺陷的具体类型;
缺陷范围确定模块,用于根据获取的缺陷特征轮廓对缺陷的范围进行相应的计算,并对计算的结果进行标注。
6.根据权利要求5所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述缺陷的参数信息包括裂纹的长宽度以及深度、表层脱落的长宽度以及深度、凹坑的长宽度以及深度和气孔半径以及距管道内壁深度,裂纹的长度超过5mm,宽度超过0.3mm,深度超过1mm,即为裂纹缺陷,表层脱落的长度超过20mm,宽度超过20mm,深度超过1mm,即为腐蚀性缺陷,凹坑的长度超过5mm,宽度超过5mm,深度超过2mm,即为凹坑缺陷,气孔的半径超过1mm,距管道内壁深度超过2mm,即为气孔缺陷。
7.根据权利要求5所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述缺陷判断模块的判断流程,具体包括:
采集管道内表面的实时数据以及相邻上一时刻的管道内表面的数据,并预设两者之间的标准波动值以及缺陷初始判断标准;
将所获取的实时管道数据与相邻上一时刻的管道内表面的数据进行对比,计算两者之间的差值,并根据的到的差值判断两者之间的波动值是否在标准波动值以内;
若在波动值范围内,则将实施获取的管道内表面的数据与缺陷初始判断标准进行对比,判断是否符合缺陷初始判断标准;
若符合,则管道缺陷判断结果为存在缺陷,并将判断结果传递至缺陷类型确定模块确定缺陷的类型。
8.根据权利要求5所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述缺陷范围确定模块,包括:
缺陷范围计算模块,用于根据缺陷特征轮廓判断缺陷的大小,通过缺陷的大小计算缺陷的范围,并对缺陷范围进行标注;
定位模块,用于根据管道的缺陷范围对管道缺陷所在的位置进行精准定位。
9.根据权利要求8所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述缺陷范围确定模块的具体工作流程,包括:
根据具体缺陷特征轮廓,确定管道缺陷表面图像的直线和非规则形状特征;
提取缺陷边界轮廓的像素点,并根据边界轮廓的像素点计算轮廓的边界尺寸;
根据直线和非规则形状特征,确定图像像素尺寸和图像的标定系数;
根据图像像素尺寸和图像标定系数,得到缺陷的实际物理尺寸,缺陷实际物理尺寸为缺陷的范围。
10.根据权利要求1所述的可视化的管道缺陷信息及范围自动标注方法,其特征在于:所述可视化模块,包括:
显示模块,用于对所标注的管道缺陷信息以及缺陷范围进行多角度可视化显示,同时将管道缺陷所存在的定位进行可视化显示;
建议模块,用于根据所标注的管道缺陷信息以及缺陷范围给出相应的维护建议,并将维护建议进行可视化显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438332.3A CN117491361A (zh) | 2023-11-01 | 2023-11-01 | 可视化的管道缺陷信息及范围自动标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311438332.3A CN117491361A (zh) | 2023-11-01 | 2023-11-01 | 可视化的管道缺陷信息及范围自动标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491361A true CN117491361A (zh) | 2024-02-02 |
Family
ID=89682106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311438332.3A Pending CN117491361A (zh) | 2023-11-01 | 2023-11-01 | 可视化的管道缺陷信息及范围自动标注方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491361A (zh) |
-
2023
- 2023-11-01 CN CN202311438332.3A patent/CN117491361A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN114943733B (zh) | 一种钢管打磨质量评估方法及系统 | |
CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
JP2014006222A (ja) | コンクリート表面の変状検出方法及び装置 | |
CN109816645B (zh) | 一种钢卷松卷的自动检测方法 | |
CN114972203A (zh) | 基于分水岭分割的机械零件轧制异常检测方法 | |
CN113592828B (zh) | 基于工业内窥镜的无损检测方法及系统 | |
CN110969611A (zh) | 管道焊缝缺陷检测方法、装置、系统及存储介质 | |
CN113763363B (zh) | 一种排水管道破裂缺陷检测及等级评定方法 | |
CN112697803A (zh) | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 | |
CN103149222A (zh) | 射线实时成像中缺陷检测方法 | |
CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN113702391A (zh) | 一种钢坯表面及近表面缺陷复合检测方法及装置 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
KR20180115368A (ko) | 선재의 표면 흠 자동 맵핑 장치 및 방법 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控系统及方法 | |
CN107677677B (zh) | 一种连铸坯偏析程度定量化表征方法 | |
CN107492093B (zh) | 基于图像处理的轴承异常检测方法 | |
CN117491361A (zh) | 可视化的管道缺陷信息及范围自动标注方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
Wang et al. | Research on bearing surface defect detection system based on machine vision | |
CN117237364A (zh) | 基于图像特征的焊管质量检测方法 | |
CN112881403A (zh) | 一种热轧带钢表面缺陷检测装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |