管道无损检测方法

摘要

本发明涉及图像处理和模式识别技术领域，公开了一种管廊的无损检测方法，包括以下步骤：S1、采集预设区域内的视频信号；S2、对所述视频信号中获取的多个热像图进行图像增强；S3、对增强处理之后的多个热像图分别进行处理后再进行图像拼接；S4、利用拼接后的图像对所述预设区域内的管道进行无损检测。本发明采用图像处理和模式识别技术相结合，提供了一种管道无损检测方法，由于本发明的方法是采用处理之后的图像对管道的位置进行检测，并且对管道是否泄漏进行检测，因此，检测过程对管道无损害，且能够对管道泄漏点进行准确检测，进而能够对可能存在的安全隐患进行及时报警。

权利要求

1.一种管道无损检测方法，其特征在于，包括以下步骤：S1、采集预设区域内的视频信号；

S2、对所述视频信号中获取的多个热像图进行图像增强；

S3、对增强处理之后的多个热像图分别进行处理后再进行图像拼接；

S4、利用拼接后的图像对所述预设区域内的管道进行无损检测；

其中，步骤S3具体包括：

S31、对步骤S1中用于采集视频信号的摄像机进行标定，并采用标定后镜头的径向畸变模型校正经步骤S2处理之后的图像；

S32、使用Harris角点检测算法和SIFT算法提取和处理图像中的特征点，利用kd-树的BBF搜索算法对所述特征点中的描述子进行粗匹配，并采用随机采样算法对所述特征点中的描述子进行精匹配，得到被提取特征点图像与预设参考图像对应的投影变换矩阵；

S33、采用双线性插值方法将被提取特征点的图像进行投影变换，采用双线性插值方法过程中使用所述投影变换矩阵；

S34、采用图像加权融合的方法使所述预设参考图像与经投影变换后图像的重叠区域进行平滑过渡；

S35、对步骤S34处理后的多个图像进行图像拼接。

2.如权利要求1所述的方法，其特征在于，步骤S2具体包括：S21、使用基于多尺度方向分析的方法对所述热像图进行去噪处理；

S22、采用数学工具对包含不同类型管道的热像图进行增强处理；

S23、利用分形布朗运动模型对增强后的图像进行分析，以提取人眼感兴趣的边缘特征，并对所述边缘特征进行加权增强。

3.如权利要求1所述的方法，其特征在于，步骤S32中使用所述Harris角点检测算法提取特征点的步骤包括：计算图像像素点在垂直和水平两个方向的梯度值，将梯度值经过高斯滤波求得自相关矩阵，通过自相关矩阵的特征值来判断平坦区域点、边缘点和角点，所述平坦区域点、边缘点和角点作为特征点。

4.如权利要求3所述的方法，其特征在于，步骤S32中使用所述SIFT算法处理所述特征点的步骤包括：S321.使用DOG算子构建尺度空间，检测图像中的所述特征点；

S322.对所述特征点进行过滤；

S323.为每个过滤后的特征点指定方向参数；

S324.生成特征点的描述子。

5.如权利要求1所述的方法，其特征在于，步骤S34具体为：对于位于重叠区域的像素点，先计算在该点位置参考图像和经投影变换后图像之间的灰度差，如果差值小于预设固定阈值，则计算加权灰度值作为此像素点的灰度值；否则根据像素点与参考图像和经投影变换后图像之间的距离远近确定其灰度值。

6.如权利要求1所述方法，其特征在于，步骤S4具体包括：S41、根据不同材质管道的导热特性设定泄漏诊断阈值，所述泄漏诊断阈值包括温度阈值和管道表面热场阈值；

S42、根据拼接后的图像的灰度分布确定管道的温度分布和表面热场分布；

S43、将所述温度分布与管道表面热场分布与对应的泄漏诊断阈值进行比较，确定管道是否发生泄漏，并确定泄漏点位置。

7.如权利要求1～6中任一项所述的方法，其特征在于，所述预设区域为公共管廊区域。

说明书

管道无损检测方法

技术领域

[0001] 本发明涉及图像处理和模式识别技术领域，特别是涉及一种管道无损检测方法。

背景技术

[0002] 现代化工行业已经进入到高度自动化的生产过程，大多数设备处于流程化作业、长周期运行的状态，有些甚至在高温、高压及易腐蚀的环境下运行，存在着易燃、易爆的危险性。因此，生产过程中重大设备的监测显得十分重要。目前，普遍采用严格执行定期大修制度的做法，此方法存在着一定的盲目性，效率不高，有些不必要的停机检修会使生产停滞而带来额外的经济损失。现代社会对产品质量及安全的要求越来越高，无损检测技术对保障设备结构的安全服役、提高产品质量等具有重要的作用，许多领域，特别是航空航天等部门对无损检测的准确性和可靠性的要求更高。如在民航维修中采用该技术，能有效地发现民用航空器的疲劳裂纹、结构腐蚀、分层、脱胶等损伤，并能跟踪检测损伤的发展，以保持结构的完整性，是控制航空器制造质量和保持其持续适航的重要手段。无损检测技术也从最初分属不同领域的简单探伤检测发展成为一门富有生命力的专门技术学科。由于它涉及许多技术领域，因此，又是一门边缘学科。无损检测方法很多，大概可分六大类约70多种，在GB/T5616无损检测应用导则中对此进行了分类：辐射(工业CT)，声学(MAT电磁声检测，超声，声发射)，电磁(涡流、漏磁)，表面方法，泄漏方法，红外线方法等。国内实际应用中最常用的无损检测方法有五种，即所谓的五大常规检测：超声检测、射线检测、涡流检测、渗透检测和磁粉检测。此外，非常规无损检测技术有声发射、泄漏检测、光全息照相、红外热成像、微波检测等。

[0003] 各种无损检测方法各有其局限性及适用范围，如涡流、渗透、磁粉三种检测方法主要是针对被检物的表面及近表面的缺陷，对于被检物内部的缺陷则要靠超声、射线两种方法来检验。目前还没有一种全能的检测方法，在实际应用中要根据实际情况选择合适的检测方法，或多种检测同时使用，相互补充验证。作为一种综合性技术，无损检测技术经历了从无损探伤和无损检测，到无损评价，并且向定量无损评价发展的过程，除了常规的超声检测、射线检测、涡流检测、磁粉检测和渗透检测方法，随着科技进步，新的检测方法不断出现并得到逐步发展和完善，并且这些检测方法互为补充，共同发展。红外辐射成像无损检测技术是随着红外热成像技术等的发展而出现的一种无损检测技术，近来引起人们越来越广泛的关注。从性能上看，红外成像检测具有快速、直观、非接触、一次观测面积大等优点，适合于外场、在线在役检测；从功能上看，非常适合于对固体表面和亚表面裂纹、锈蚀、脱粘等一类疲劳损伤的发展性缺陷的检测和监测。与超声、渗透、磁粉检测相比，红外检测是非接触检测，无污染；与射线检测相比，红外检测同样可以大面积检测，同时又具有安全、单面检测的优势，是一种安全无污染的“绿色”检测技术，可完成超声波、X射线、涡流检测及声发射等技术无法胜任的检测任务，其独特的功能是传统常规的无损检测技术所不能替代。

[0004] 红外测温装置一般由光学系统、光电探测器、信号放大器及信号处理、显示输出等部分组成。光学系统汇聚其视场内的目标红外辐射能量，视场的大小由测温装置的光学零件及其位置确定。红外能量聚焦在光电探测器上并转变为相应的电信号。该信号经过放大器和信号处理电路，并按照仪器内置的算法和目标发射率校正后转变为被测目标的温度值。热红外探测器可探测0.1至0.05度的温差，长波红外影像可穿透烟雾，分辨率高，空间分辨能力更可达0.1毫弧度。任何物质只要有温度就会辐射红外线，温度不同，辐射的红外线就有差异。大多数情况下，管道内介质的温度与周围的环境温度不同，通过红外线成像设备可以得到温度差形成的图像。一旦管道发生泄漏，周围环境的温度必然发生变化，由此可以判断管道泄漏。利用热红外成像技术，记录管道平时周围环境温度数据和热图谱，实时检测管道周围环境温度场的变化，从而发现泄漏。热红外成像的缺点是对管道的埋设深度有一定的限制，只有在气温与管道内介质相差很大时才有可能使用成功，而且需要很长时间。

[0005] 由于红外目标和景物的固有的特性以及外界大气环境因素的干扰影响作用，使得红外图像的信噪比较低，图像的空间相关性强、对比度低、视觉效果模糊，这将非常不利于后续观察，目标探测和识别任务，严重影响观察的准确性和有效性。因此，抑制红外图像的噪声，提高红外图像的信噪比以及调整红外图像的对比度，增强红外图像边缘以及线条等操作将是必不可少的图像处理操作。

[0006] 虽然中外的研究人员提出了很多红外的增强方法，但是这些方法依旧存在很多问题，主要有：算法的计算量大，不适于实时图像处理；算法的智能性和自适应性差，需要人为的设置参数；大部分的自适应算法还是依据图像的灰度分布，并没有考虑到实际场景中的景物对目标的影响，针对性不强，不利于人眼观察。这些方法在不同的场景和实际应用中存在着很多缺陷。

[0007] 专门针对化工园区的公共管道的热成像研究还比较少，化工园区公共管道类型多样，热成像图的效果不尽相同，如何有效地对不同类型的管道进行无损检测，是需要解决的问题。

发明内容

[0008] （一）要解决的技术问题

[0009] 本发明要解决的技术问题是：如何解决各种区域的管道的无损检测问题，尤其是公共管廊中的管道。

[0010] （二）技术方案

[0011] 为了解决上述技术问题，本发明提供一种管道无损检测方法，包括以下步骤：

[0012] S1、采集预设区域内的视频信号；

[0013] S2、对所述视频信号中获取的多个热像图进行图像增强；

[0014] S3、对增强处理之后的多个热像图分别进行处理后再进行图像拼接；

[0015] S4、利用拼接后的图像对所述预设区域内的管道进行无损检测。

[0016] 优选地，步骤S2具体包括：

[0017] S21、使用基于多尺度方向分析的方法对所述热像图进行去噪处理；

[0018] S22、采用数学工具对包含不同类型管道的热像图进行增强处理；

[0019] S23、利用分形布朗运动模型对增强后的图像进行分析，以提取人眼感兴趣的边缘特征，并对所述边缘特征进行加权增强。

[0020] 优选地，步骤S3具体包括：

[0021] S31、对步骤S1中用于采集视频信号的摄像机进行标定，并采用标定后镜头的径向畸变模型校正经步骤S2处理之后的图像；

[0022] S32、使用Harris角点检测算法和SIFT算法提取和处理图像中的特征点，利用kd-树的BBF搜索算法对所述特征点中的描述子进行粗匹配，并采用随机采样算法对所述特征点中的描述子进行精匹配，得到被提取特征点图像与预设参考图像对应的投影变换矩阵；

[0023] S33、采用双线性插值方法将被提取特征点的图像进行投影变换，采用双线性插值方法过程中使用所述投影变换矩阵；

[0024] S34、采用图像加权融合的方法使所述预设参考图像与经投影变换后图像的重叠区域进行平滑过渡；

[0025] S35、对步骤S34处理后的多个图像进行图像拼接。

[0026] 优选地，步骤S32中使用所述Harris角点检测算法提取特征点的步骤包括：计算图像像素点在垂直和水平两个方向的梯度值，将梯度值经过高斯滤波求得自相关矩阵，通过自相关矩阵的特征值来判断平坦区域点、边缘点和角点，所述平坦区域点、边缘点和角点作为特征点。

[0027] 优选地，步骤S32中使用所述SIFT算法处理所述特征点的步骤包括：

[0028] S321.使用DOG算子构建尺度空间，检测图像中的所述特征点；

[0029] S322.对所述特征点进行过滤；

[0030] S323.为每个过滤后的特征点指定方向参数；

[0031] S324.生成特征点的描述子。

[0032] 优选地，步骤S4具体包括：

[0033] S41、根据不同材质管道的导热特性设定泄漏诊断阈值，所述泄漏诊断阈值包括温度阈值和管道表面热场阈值；

[0034] S42、根据拼接后的图像的灰度分布确定管道的温度分布和表面热场分布；

[0035] S43、将所述温度分布与管道表面热场分布与对应的泄漏诊断阈值进行比较，确定管道是否发生泄漏，并确定泄漏点位置。

[0036] 优选地，所述预设区域为公共管廊区域。

[0037] （三）有益效果

[0038] 上述技术方案具有如下优点：采用图像处理和模式识别技术相结合，提供了一种管道无损检测方法，由于本发明的方法是采用处理之后的图像对管道的位置进行检测，并且对管道是否泄漏进行检测，因此，检测过程对管道无损害，且能够对管道泄漏点进行准确检测，进而能够对可能存在的安全隐患进行及时报警。

附图说明

[0039] 图1是本发明实施例的方法流程图；

[0040] 图2是红外图像拼接算法流程图；

[0041] 图3是本发明实施例的标定棋盘示意图；

[0042] 图4是本发明实施例的图像加权融合示意图。

具体实施方式

[0043] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0044] 本发明设计一种系统全面的对化工园区公共管廊各类型管道进行无损检测的方法，公共管廊的管道长度长，高度高，在线监控很难提供管道的全景检测结果，需要对管道热成像图的拼接技术进行研究。红外图像是灰度图像，没有彩色或阴影，所以对人眼而言，分辨率低，没有立体感；由于景物热平衡、光波波长较长、传输距离远和大气衰减等原因，造成红外图像空间相关性强、对比度低、视觉效果模糊；外界环境的随机干扰和红外成像系统的不完善，给红外图像带来多种多样的噪声，这些分布复杂的噪声使得红外图像的信噪比比可见光图像低。目前，红外成像系统突出的性能优点还远没有得到充分地发挥。因此，研究适合化工园区公共管廊的热像图的图像增强算法，也是研究的重点。因为本发明提出的无损检测方法，考虑在实时在线的系统中运行，对算法的性能问题也进行了着重考虑。

[0045] 如图1所示，本发明实施例提供的一种针对化工园区公共管廊中管道的使用被动红外在线无损检测进行管道监控的方法，包括以下步骤：

[0046] S1、使用安装在云台上的被动红外摄像机，以可编程的方式周期性的扫面监控区域内的公共管廊，采集预设监测区域内的视频信号；

[0047] S2、根据管廊内管道的类型，使用相应的图像处理算法对视频信号中获取（例如截屏）的热像图进行图像增强，方便人眼识别；

[0048] S3、对增强处理后的二维热像图序列进行处理后进行图像拼接；

[0049] S4、利用拼接后的图像对所述预设区域内的管道进行无损检测。

[0050] 步骤S2中对所述热像图进行图像增强包括如下步骤：

[0051] S21、使用基于多尺度方向分析的方法进行红外图像去噪；

[0052] S22、采用多种数学工具，包括人工神经网络、小波理论和遗传算法，模糊理论和数学形态学等对不同类型的管道热像图进行增强；

[0053] S23、利用分形布朗运动模型对红外图像进行分析，提取人眼感兴趣的边缘特征，将图像的边缘进行加权增强，解决红外图像的边缘模糊和可视性差的问题。

[0054] 如图2所示，对增强处理之后的多个热像图分别进行处理后再进行图像拼接包括如下步骤：

[0055] S31、图像的畸变校正，首先，利用张正友标定方法对摄像机进行标定，采用镜头的径向畸变模型校正图像。

[0056] 考虑到目前采用普通镜头，镜头的畸变主要来自径向畸变与切向畸变，所以采用张正友标定方法标定。由于红外图像与可见光图像存在本质上的差异，利用传统的棋盘格采集图像，并不能很好地区分角点，所以在传统的棋盘格角点处安装小灯泡，如图3所示。

[0057] S32、图像配准，使用Harris角点检测算法和SIFT算法提取特征点，利用kd-树的BBF搜索算法结合监控预置运动轨迹的图像位置关系对高维描述子进行粗匹配，采用随机采样算法（RANSAC）进行精匹配，得到当前图像与参考图像对应的投影变换矩阵。

[0058] 步骤S32中所述Harris角点检测的具体步骤如下：

[0059] 计算图像像素点在垂直、水平方向的梯度值，经过高斯滤波，求得自相关矩阵，通过自相关矩阵的两个特征值来判断平坦区域点、边缘和角点。判定的标准是：两个特征值都很小，为平坦区域点；一个特征值远大于另一个特征值，为边缘点；如果两个特征值都很大，此处是角点。

[0060] 步骤S32中所述SIFT算法的主要步骤如下：

[0061] S321.使用DOG算子构建尺度空间，检测图像中的所述特征点，获得尺度不变性；

[0062] S322.对所述特征点进行过滤；

[0063] S323.为每个过滤后的特征点指定方向参数；

[0064] S324.生成特征点的描述子；

[0065] 当两幅图像的SIFT特征向量生成以后，下一步就可以采用特征点特征向量的欧式距离来作为两幅图像中特征点的相似性判定度量。取一幅图中的某个特征点，通过遍历找到另一幅图中的距离最近的两个特征点。在这两个特征点中，如果次近距离除以最近距离小于某个阈值，则判定为一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。

[0066] 步骤S32中所述投影变换矩阵定义如下：

[0067] 设参考图像中一点为X′＝[x′ y′ 1]，对应于当前图像中点为X＝[x y 1]，投影变换模型为：

[0068] X'＝HX，即

[0069]

[0070] 其中H为两幅图像间对应的投影变换矩阵。

[0071] 采用直接线性变换(Direct Linear Transformation，DLT)算法计算对应的矩阵H。

[0072] 步骤S32中所述特征点粗匹配如下：

[0073] 采用近似最近邻(Approximate Nearest Neighbor，ANN)的kd-树最优二分搜索(Best Bin First，BBF)算法。给参考图像的特征描述子建立kd-树，待拼接图像的特征描述子作为查找对象，对kd-树进行BBF搜索，寻找出最近邻和次近邻这两个匹配点。如果最近邻和次近邻的比值小于阈值，就把最近邻点作为匹配点。

[0074] 步骤S32中所述特征点精匹配是采用RANSAC算法估计对应矩阵H，具体操作如下：

[0075] 1.重复随机采样N次；

[0076] 2.随机采样4对匹配点，估计对应矩阵H的初始参数；

[0077] 3.计算每个特征点经过对应矩阵H变换后到对应匹配点的距离；

[0078] 4.将距离值和距离阈值比较，如果小于距离阈值把此点作为内点；

[0079] 5．找到一个包括内点所占比例最多的点集，并用这个点集来重新估计对应矩阵H。在点集中内点数量相同时，选择内点的标准差最低的对应矩阵H。

[0080] S33、图像投影变换，采用投影变换模型，将当前图像利用双线性插值方法进行投影变换，采用双线性插值方法过程中使用所述投影变换矩阵，插值过程为现有技术；

[0081] S34、采用图像加权融合的方法使所述预设参考图像与经投影变换后图像的重叠区域进行平滑过渡；

[0082] 如图4所示，f(x，y)是重叠区域的像素点，分别计算f(x，y)到接缝1和接缝2的距离a和b，定义过渡因子：

[0083]

[0084] 然后，引入一个固定阈值解决重叠区由于像素点灰度差造成鬼影的问题。对于位于重叠区的f(x，y)不直接计算该点位置参考图像和待拼接图像的加权值，而是先计算它们之间的灰度差。如果差值小于固定阈值，计算加权值为此点的灰度值；如果大于固定阈值，则根据像素点与参考图像和经投影变换后图像之间的距离远近确定其灰度值，即不进行加权计算，取原来的灰度值，公式如下：

[0085]

[0086] 其中，(x,y)∈(fa∩fb)；上述公式中，fa(x,y)、fb(x,y)分别简写为fa、fb，分别表示该点位置在参考图像和待拼接图像的灰度值。

[0087] S35、对步骤S34处理后的多个图像进行图像拼接。

[0088] 步骤S4所述利用拼接后的图像对所述预设区域内的管道进行无损检测具体包括：

[0089] S41、根据不同材质管道的导热特性设定泄漏诊断阈值，所述泄漏诊断阈值包括温度阈值和管道表面热场阈值；

[0090] S42、由于不同的红外辐射对应不同温度，同时对应于不同的图像灰度，所以根据拼接后的图像的灰度分布确定管道的温度分布和表面热场分布；

[0091] S43、将所述温度分布与管道表面热场分布与对应的泄漏诊断阈值进行比较，确定管道是否发生泄漏，并确定泄漏点位置，若温度分布或管道表面热场分布中具有大于或等于温度阈值或者热场阈值的点，则该点确认为泄漏点。

[0092] 实验表明，使用本发明的方法可以实现对管道进行有效监控及无损检测，尤其是公共管廊中的管道。

[0093] 由以上实施例可以看出，采用图像处理和模式识别技术相结合，提供了一种管道无损检测方法，由于本发明的方法是采用处理之后的图像对管道的位置进行检测，并且对管道是否泄漏进行检测，因此，检测过程对管道无损害，且能够对管道泄漏点进行准确检测，进而能够对可能存在的安全隐患进行及时报警。

[0094] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。