一种基于图像处理的管道故障并行全局阈值检测方法与流程

本发明属于无损检测技术领域，具体涉及一种基于图像处理的管道故障并行全局阈值检测方法。

背景技术

随着社会经济的发展，石油和天然气成为当今世界不可或缺的重要能源，而管道转运是石油和天然气最为安全有效的方式，所以管道在当今各国经济发展中占有越来越重要的地位。然而，作为传统工程设备，管道在制造、敷设及运行的各个阶段都可能产生各种缺陷，其质量直接关系到油气输送的安全性，为尽量避免管道泄露等问题的发生，定期的管道故障的提取检测至关重要。

目前，国内外应用于管道故障检测的方法及工作原理各异，主要的检测方法有超声导波、电磁阀检测、漏磁检测、电流衰减法等。这些方法一般只适用于某一材质的管道或者特定的地质、施工条件，技术局限较为明显。

为增强故障检测技术的普适性，传统的图像处理算法受到更多工程检测工作者的青睐。基于图像处理的管道检测技术是指摄像头安装到管道探测仪器或机器人上，在拍摄管道内表面图像或视频信息后，传输至地面的计算机上。通过灰度化、模糊降噪、二值化、边缘检测、轮廓提取等图像预处理后，在监视器上实现实时显示的一种方法。

在图像预处理系列步骤中，故障有效信息的提取是最为关键、最为困难的一步。基于边缘检测的形态学分割方法能够在一定程度上有效地提取出故障信息，但是由于管道环境复杂，干扰性噪点繁多，直接设置单一阈值容易出现故障与噪点错误划分的情况；与此同时，对传输图像进行多次阈值设定反复处理必然会产生庞大的工程数据量。管道内故障有效信息的特征提取，成为管道故障检测诊断的重要一步。因此，找到合理的故障特征信息提取及分析方法，对提高管道检测的准确性、高效性都能起到至关重要的作用，而现有算法技术提取效率并不高。

技术实现要素：

针对上述现有技术存在的不足，本发明提出一种基于图像处理的管道故障并行全局阈值检测方法，具体流程包括：

步骤1：实时获取管道三通道彩色图像文件；

步骤2：将三通道彩色图像文件转换到灰度空间，得到灰度图像，转换公式为：

y←k1·r+k2·g+k3·b

其中，r为三通道彩色图像中的红色数值，g为三通道彩色图像中的绿色数值，b为三通道彩色图像中的蓝色数值，y为得到的灰度图像，k1、k2、k3分别为灰度图像对应红色、绿色、蓝色转换系数；

步骤3：使用自适应二值化阈值选择算法计算得到图像中二值化检测最佳阈值，具体流程包括步骤3.1～步骤3.4：

步骤3.1：在步骤2处理所得灰度图像中截取得到合理尺寸区域，获得有效灰度图像：截取得到长、宽分别为原图长、宽的q倍的中心有效区域，q<1，以排除未受光照的无效区域；

步骤3.2：判断有效灰度图像是否满足光照条件：当满足条件时，继续步骤3.3，否则立即停止检测，提醒光照不足，不适合继续检测。其中，λ是图像基准灰度值，α为灰度值大于λ的像素点总数，为有效区域内像素点总数；

步骤3.3：定义灰度光强比例：分别有四个特殊点α1,α2,α3,α4,满足关系式：

β1,β2,β3,β4分别为a1,α2,α3,α4，四个特殊点对应的灰度光强比例；对关系式进行求解，得到：

步骤3.4：根据灰度值大于λ的像素点总数α，运用函数δ＝δ(α)求得最佳阈值δ；

函数中ε为特殊设定的阈值补偿量，α1,α2,α3,α4分别为该目标图像最佳阈值函数的分段区间的区间端点，根据α所处分段函数区间，计算δ。

步骤4：采用均值滤波方法对步骤2所得灰度图像进行平滑处理，获得降噪后的图像；

步骤5：对降噪后的图像利用灰度最佳阈值δ进行中心区间设定、阈值区间均分，p个阈值下高亮阈值与阴影阈值并行检测，从而得到2×p个阈值下的二值化图像，故障在二值化处理后仅有高亮及阴影两种表现形式；

步骤5.1：中心区间设定：对灰度最佳阈值δ构建高亮阈值区间[δ-n0,δ+n0]，n0为人工确定的参数，为正整数；同时构建阴影阈值区间[δ-n0-m0,δ+n0-m0]，m0为人工确定的参数，为正整数，两区间之间的上限或者下限相差为m0，两区间的区间长度均为2n0；

步骤5.2：阈值区间均分：除去左端点或者右端点，在两个阈值区间各自均匀采集p个阈值点，依次由小到大排列；高亮阈值区间p个阈值点按阈值从小到大处理后的图像列为高亮组:分别命名为image1-1、image1-2、…、image1-p；阴影阈值区间p个阈值点按阈值从小到大处理后的图像列为阴影组：分别命名为image2-1、image2-2、…、image2-p；

步骤5.3：用采集到的2×p个阈值点对灰值化图像分别进行二值化处理，得到2×p幅二值化处理图像，将图像按阈值点大小由小到大顺序排列；

步骤6：对步骤5.3得到的2×p幅图像依次运用canny算子进行边缘检测；

步骤7：设定轮廓函数σ(x,y)，{轮廓i}集合是第i个轮廓的所有像素集合，对2×p个边缘检测后图像提取出图像中的各条轮廓：

σ1(x，y)＝255；(x，y)∈{轮廓l}；

σ2(x，y)＝255；(x，y)∈{轮廓2}；

…

σn(x，y)＝255；(x，y)∈{轮廓n}；

式中(x，y)代表像素在图像中所处位置；

步骤8：在各条轮廓中，筛选去除像素总数不在长度阈值范围内的轮廓：η(i)是轮廓i中像素点总数，length({轮廓i})为函数值反映轮廓i中包括的像素总数，t1、t2分别是根据像素点人工确定的长度阈值上下限，对轮廓进行如下操作：

η(i)＝lengt({轮廓i})

…

处理后，此方法筛选去除了像素总数不在长度阈值范围内的轮廓，只保留下真正的故障信息而筛选掉了绝大部分的无效信息。

步骤9：将2×p幅处理图进行并行全局阈值综合分析提取检测，具体步骤如下:

步骤9.1：所述高亮组图像按阈值大小顺序排列分为p/2小组:image1-1与image1-2、image1-3与image1-4、…image1-(p-1)与image1-p；阴影组图像作相同处理：阴影组图像按阈值大小顺序排列分为p/2小组：image2-1与image2-2、image2-3与image2-4、…与image2-p；

步骤9.2：分别对高两组和阴影组内各小组之间图像进行轮廓比对提取，对重叠轮廓部分图像进行保留，确定为此两相邻阈值处理下的共同故障；对不重叠轮廓部分图像进行删除；

步骤9.3：将步骤9.2中得到的各组故障轮廓进行叠加操作后的图像，放置到最终的图像文件中。全部复原至与原图像相同大小的新图像中，得到该图像并行全局阈值综合分析后的综合故障检测图。若图像中没有故障，则故障检测图为纯黑色。

有益技术效果：

1、本发明提出了一种基于图像处理的管道故障并行全局阈值检测方法，极大程度上解决了传统图像处理中噪点过多的问题，为管道故障分析提供更准确的综合故障检测图，从而提高缺陷检测评估的准确性；

2、本方法通过定义一个灰度光强比例参数间接定性获得光源光强信息，并提出一套函数公式对间接光强信息进行直接计算，得到特定光照条件下的管道故障检测的最佳阈值区间；定性检测管道内光源光强信息，在光照较弱、不足以传输有效图像信息的情况下自动预警，及时反馈给工程人员，从而提升检测设备工作的可靠性；

3、帮助检测人员及时进行管道安全问题诊断，对管道出现的缺陷进行及时的维修，延长金属器材的使用寿命，使繁琐复杂的管道内环境安全问题的检测与评估简单化，减少管道工程中不必要的损失，进而创造可观的社会经济效益。

附图说明

图1为本发明实施方式的基于图像处理的管道故障并行全局阈值检测系统及方法流程图；

图2为本发明实施方式的中心区间设定、阈值区间均分、二值化处理流程图；

图3为本发明实施方式的并行全局阈值综合分析提取检测流程图；

图4为本发明实施方式的灰度处理图；

图5为本发明实施方式的模糊降噪后的处理效果图；

图6为本发明实施方式的阈值为199条件下的二值化处理效果图；

图7为本发明实施方式的高亮故障检测二值化阈值范围分布直方图；

图8为本发明实施方式的阴影故障检测二值化阈值范围分布直方图；

图9为本发明实施方式的边缘检测处理效果图；

图10为本发明实施方式的轮廓提取及筛选处理效果图；

图11为本发明实施方式的多阈值综合提取处理效果图。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明，本发明提出一种基于图像处理的管道故障并行全局阈值检测方法，如图1流程图所示，具体流程包括：

步骤1：实时获取管道三通道彩色图像文件；

实验环境：管径为204mm的半圆形管道，管道上缺陷是已知的人造缺陷,，管道机器人上摄像头安装在距管道最低点垂直距离为87mm、距缺陷水平距离为150-250mm的拍摄位置，位于管道圆心的光源功率为10w。在该实验环境下，实时拍摄获取一张管道故障三通道彩色图像文件；

步骤2：调用opencv视觉库中的cvtcolor()库函数及cv_bgr2gray参数，对采集到的三通道彩色图像文件进行颜色空间转换运算，将三通道彩色图像文件转换到灰度空间，得到灰度图像，转换公式为：

y←0.299·r+0.587·g+0.114·b

其中，r为三通道彩色图像中的红色数值，g为三通道彩色图像中的绿色数值，b为三通道彩色图像中的蓝色数值，y为得到的灰度图像，如图4所示；

步骤3：使用自适应二值化阈值选择算法计算得到图像中二值化检测最佳阈值，具体流程包括步骤3.1～步骤3.4：

步骤3.1：在灰度图像中截取得到合理尺寸的区域，获得有效灰度图像：截取得到长、宽分别为原图长、宽的0.6倍的中心有效区域，这里选取合理尺寸是为了排除未受光照的区域，通过多次实验，一般原图长宽的0.6倍足够可以排除未受光照的区域，而且取样点数不至于太小，本实施例为110591个取样点，符合检测的要求。

步骤3.2：判断有效灰度图像是否满足光照条件：当满足条件时，继续步骤3.3，否则立即停止检测，提醒光照不足、不适合继续检测。其中，为有效区域内像素点总数。设图像基准灰度值为λ＝200，据步骤3.1得：有效区域内像素点总数同时记录灰度值大于λ的像素点总数，记为α，求得：α＝14948。

步骤3.3：定义灰度光强比例：求得分别有四个特殊点α1,α2,α3,α4,满足关系式：

β1,β2,β3,β4分别为α1,α2,α3,α4，四个特殊点对应的灰度光强比例；对关系式进行求解，得到：

解得：α1＝1106，α2＝554，α3＝368，α4＝276，像素点数为整数，小数部分已四舍五入；

步骤3.4：根据灰度值大于λ的像素点总数α，运用函数δ＝δ(α)求得最佳阈值δ；

函数中ε为特殊设定的阈值补偿量，可设定为0、±10、±15、±20；α1,α2,α3,α4分别为该目标图像最佳阈值函数的分段区间的区间端点，当α<α4时，停止最佳阈值的计算；根据α所处分段函数区间，计算δ，根据函数δ＝δ(α)，得δ＝199，取补偿ε＝0，即该图像故障提取最佳阈值为199；

步骤4：采用blur()库函数，使用7×7大小的内核矩阵对步骤2所得灰度图像进行平滑处理，获得降噪后的图像，如图5所示；

步骤5：对对降噪后的图像利用灰度最佳阈值δ进行中心区间设定、阈值区间均分、多个阈值并行检测，从而得到多个阈值下的二值化图像，如流程图2所示，其结果如图6所示，故障在二值化处理后有高亮及阴影两种表现形式，经多次相同条件实验，统计数据规律，得到图7、图8，分别反映高亮和阴暗故障检测各二值化阈值区间分布频率，佐证步骤3中函数公式；

步骤5.1：对灰度最佳阈值δ＝199构建高亮阈值区间[δ-15,δ+15]得[184,214]，同时构建阴影阈值区间[δ-65,δ-35]得[134,164]，两区间阈值跨度均为30，两区间之间的上限或者下限相差为50；

步骤5.2：阈值区间均分：除去左端点或者右端点，在两个阈值区间各自均匀采集p个阈值点，依次由小到大排列；高亮阈值区间10个阈值点按阈值从小到大处理后的图像列为高亮组：分别命名为image1-1、image1-2、…、image1-10；阴影阈值区间10个阈值点按阈值从小到大处理后的图像列为阴影组：分别命名为image2-1、image2-2、…、image2-10；

步骤5.3：采用threshold()库函数，使用cv_thresh_binary参数，最大值为255，具体阈值参见步骤5.1的阈值区间。用采集到的20个阈值点对灰度化图像分别进行二值化处理，得到20幅二值化处理图像，将图像按阈值点大小由小到大顺序排列，准备下一步的并行数据处理；

步骤6：采用canny()库函数，令低阈值参数为3、高阈值参数为9、sobel内核大小为3，对步骤5得到的20幅图像依次运用canny算子进行边缘检测，如图9所示；

步骤7：采用findcontours()库函数，分别令mode参数为cv_retr_tree、method参数为cv_chain_approx_simple、offset参数为point(0,0)，设定轮廓函数σ(x,y)，{轮廓i}集合是第i个轮廓的所有像素集合，对步骤6得到的图像进行如下操作：

σ1(x，y)＝255；(x，y)∈{轮廓l}；

σ2(x，y)＝255；(x，y)∈{轮廓2}；

…

σn(x，y)＝255；(x，y)∈{轮廓n}；

式中(x，y)代表像素在图像中所处位置，通过此操作提取出图像中的各条轮廓，并保存于hierarchy向量中；

步骤8：在各条轮廓中，筛选去除像素总数不在长度阈值范围内的轮廓：η(i)是轮廓i中像素点总数，length({轮廓i})为函数值反映轮廓i中包括的像素总数，t1、t2分别是根据像素点人工确定的长度阈值上下限，对轮廓进行如下操作：

η(i)＝lengt({轮廓i})

…

借助arclength()库函数来读取各轮廓的长度；处理后，采用drawcontours()库函数将hierarchy向量中有效轮廓输出(令该库函数中参数color为scalar(255)、thickness为1、linetpye为8、maxlevel为0、offset为point(0,0)。

此方法筛选去除了像素总数不在长度阈值范围内的轮廓，从而只保留下真正的故障信息而筛选掉了绝大部分的噪点等无效信息，如图10所示；

步骤9：将20幅处理图进行并行全局阈值综合分析提取检测，流程图如图3所示，具体步骤如下：

步骤9.1：所述高亮组图像按阈值大小顺序排列分为5小组:image1-1与image1-2、image1-3与image1-4、…image1-9与image1-10；阴影组图像作相同处理：阴影组图像按阈值大小顺序排列分为5小组：image2-1与image2-2、image2-3与image2-4、…image1-9与image2-10；

步骤9.2：分别对高两组和阴影组内各小组之间图像进行轮廓比对提取，对重叠轮廓部分图像进行保留，确定为此两相邻阈值处理下的共同故障；对不重叠轮廓部分图像进行删除；步骤9.3：将步骤9.2中得到的各组故障轮廓进行叠加操作后的图像，放置到最终的图像文件中，全部复原至与原图像相同大小的新图像中，得到该图像并行全局阈值综合分析后的综合故障检测图，如图11所示。若图像中没有故障，则故障检测图为纯黑色。

试验结果：

总共检测15处故障，没处故障检测3组，累计45个故障，其中有效检测个数为39个，受实验光源条件的影响有6处故障无法检测出，检测成功次数为37次，成功率为94.9％。