管道缺陷检测方法及系统

技术领域

本申请涉及图像处理领域，尤其涉及管道缺陷检测方法及系统。

背景技术

裂痕的存在可能会导致管道在使用中发生泄漏、破裂或失效，影响管道的功能和寿命，特别是对于承压和运输液体的管道系统，管道生成的成品阶段很有必要进行裂痕检测，以保证管道的质量。

通过对管道进行图像处理及裂痕识别，可以实时监测裂痕和其他缺陷的生成。现有技术中常常使用灰度变换进行图像增强，灰度变换是一种常用的图像增强方法，通过改变图像的灰度值分布，可以增强图像的对比度、清晰度和细节，有助于更准确地识别裂痕和其他缺陷。

现有的灰度变换往往是固定的灰度映射函数，难以应对不同裂缝形状、大小和背景的管道图像，无法适应不同管道图像的特定需求，从而影响识别效果。

发明内容

为了提高识别的准度和识别效果，适应不同管道图像的特定需求，本申请提供一种管道缺陷检测方法和系统。

第一方面，本申请提供的管道缺陷检测方法，采用如下的技术方案：

管道缺陷检测方法，包括步骤：获取包含背景区域和管道区域的彩色图像，根据预设的抠图模型抠除背景区域保留管道区域得到管道彩色图像；对管道彩色图像进行灰度化处理得到灰度图像，获得灰度图像中每个像素点的灰度值和梯度值；将所述灰度值按照从小到大的顺序进行排序，将最小的灰度值作为阈值对所述灰度图像进行二值化处理得到二值图，继续向后遍历，直至获得使用最大的灰度值作为阈值对灰度图像进行二值化后得到的二值图，以对灰度图像进行自适应的二值化处理，二值图中包含至少一个连通域；计算二值图中连通域面积的变化值和梯度值平均值，根据所述变化值和所述梯度值平均值，计算裂缝完整性的概率，将概率的最大值对应的像素点作为二值图中的灰度变换临界点；计算灰度变换斜率，根据灰度变换临界点和灰度变换斜率对灰度图像进行增强得到增强图像，将增强图像输入到预设的缺陷检测模型中，生成裂缝识别结果。

可选的，根据所述变化值和所述梯度值平均值，计算裂缝完整性的概率，概率的计算公式为：

可选的，计算灰度变换斜率，包括步骤：获取灰度变换临界点的灰度值作为目标灰度值，设定每个目标灰度值对应256个变换后的灰度值，变换后的灰度值取值为0-255中的整数；计算目标灰度值的灰度变换斜率，得到256个灰度变化斜率，灰度变换斜率的计算公式为：

可选的，所述根据灰度变换临界点和灰度变换斜率对灰度图像进行增强得到增强图像，包括步骤：根据所述灰度变换斜率，对连通域中的灰度值进行灰度值变换；计算灰度变换前连通域中所有灰度值的第一方差及灰度变化后连通域中所有灰度值的第二方差；计算第一方差与第二方差之间差值的平均值，遍历所有连通域，得到多个平均值，取平均值最小值对应的灰度变化斜率作为最优斜率；根据最优斜率和变换前的灰度值，计算变换后的最优灰度值，变换后的最优灰度值的计算公式为：

可选的，梯度值的计算方法为：计算每个像素点的八邻域像素点中像素点最大值与像素点最小值的差值作为所述梯度值。

第二方面，本申请提供管道缺陷检测方法系统，采用如下的技术方案：管道缺陷检测方法系统，处理器和存储器，所述存储器存储有计算机程序指令，所述计算机程序指令被所述处理器执行时实现所述管道缺陷检测方法。

本申请具有以下技术效果：根据管道的图像利用管道区域和裂缝区域之间灰度值的关系获得灰度变换临界点和灰度变换斜率，增强裂缝区域与管道区域的对比，保留裂缝区域中裂缝的更多细节。根据最优灰度值进行分段线性变换，得到所述灰度图像的灰度变换映射函数，使用灰度变换算法对灰度图像进行灰度增强得到增强图像，对增强图像进行裂缝识别，提高管道缺陷检测的效率和准确率。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分。

图1是本申请实施例管道缺陷检测方法的方法流程图。

图2是本申请实施例管道缺陷检测方法中步骤S5的方法流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本申请实施例公开管道缺陷检测方法，由于相机技术的局限性，纯黑色管道图像中管道的像素点和裂缝像素点的灰度值相近程度较高，利用图像处理无法进行良好的区分，所以本申请对于纯黑色管道不适用。本申请针对非纯黑色管道具有较高的裂缝识别率，适用于管道区域和裂缝区域之间有不同的特征，尤其是管道区域和裂缝区域的特征差别不明显的情况，此时直接进行二值化进行识别往往效果不好，本申请对裂缝区域进行灰度变换来增强图像，进而提高识别效果。参照图1，包括步骤S1-步骤S5，具体如下：

S1：获取包含背景区域和管道区域的彩色图像，根据预设的抠图模型抠除背景区域保留管道区域得到管道彩色图像。

由于裂缝在管道上，为了排除管道以外的背景影响，利用神经网络模型对管道区域与背景区域进行分离，以得到完整的管道主体，减少复杂运算。

本申请采用语义分割的方式将灰度图像中的每个像素点进行分类，从而将图像分割成不同的区域，将采集的管道的RGB（Red，Green，Blue，红，绿，蓝）图像作为数据集，给数据集中灰度图像的所有像素点标注标签，属于管道区域的像素点的标签标注为1，属于背景区域的像素点的标签标注为0。

将标注好的数据集，输入预设的神经网络模型中，模型训练的损失函数为交叉熵损失函数。神经网络模型可以是Encoder-Decoder（编码器-解码器）结构，选取训练后的最优模型作为抠图模型。

将待抠图RGB图像输入抠图模型，输出抠除过背景区域后的管道RGB图像，即管道彩色图像。

S2：对管道彩色图像进行灰度化处理得到灰度图像，获得灰度图像中每个像素点的灰度值和梯度值。

灰度值是指图像中每个像素点的颜色强度或亮度水平。在灰度图像中，灰度值表示为0（黑色）到255（白色）之间的整数。灰度值可以用来表示图像的明暗程度，较低的灰度值表示较暗的区域，较高的灰度值表示较亮的区域。

计算每个像素点的八邻域像素点中像素点最大值与像素点最小值的差值作为所述梯度值。八邻域是指一个像素点的周围八个像素点组成的邻域。具体的，包括了该像素点的上、下、左、右和四个对角线方向上的相邻像素点。

S3：将灰度值按照从小到大的顺序进行排序，将最小的灰度值作为阈值对灰度图像进行二值化处理得到二值图，继续向后遍历，直至获得使用最大的灰度值作为阈值对灰度图像进行二值化后得到的二值图，以对灰度图像进行自适应的二值化处理。

二值化的阈值是指将灰度图像转换为二值图时，用于确定像素值的阈值。阈值可以看作是一个界限，将图像中的像素分为两类：低于阈值的像素被归为一类，高于阈值的像素被归为另一类。现有的自适应二值分割法，往往是为了保证较好的分割效果，无法尽可能的保留裂缝的完整性，所以需要利用像素点的灰度值进行逐一分割，找到使裂缝完整性最大的阈值。

在管道彩色图像中，裂缝的颜色要比管道的颜色深，在进行灰度化处理后，裂缝区域的灰度值比管道区域的灰度值小。二值化的过程为将灰度图像中灰度值大于阈值的像素点的标签设置为1，反之设置为0，获得二值化图像，按照灰度值按照从小到大依次作为阈值进行二值化。

随着阈值的变化，裂缝区域在图像上的表现为先从有到完整再到消失，需要找到完整与消失之间阶段的最大的裂缝完整性概率。

S4：计算二值图中连通域面积的变化值和梯度值平均值，根据变化值和梯度值平均值，计算裂缝完整性的概率，将概率的最大值对应的像素点作为二值图中的灰度变换临界点。

二值图中存在至少一个连通域，连通域的范围为裂缝区域的范围。受外界环境如光照的影响，可能存在部分像素点不能区分是管道区域的还是裂缝区域，进而利用像素点是裂缝的概率进行判断裂缝的完整性找到灰度变换点。

概率的计算公式为：

S5：计算灰度变换斜率，根据灰度变换临界点和灰度变换斜率对灰度图像进行增强得到增强图像，将增强图像输入到预设的缺陷检测模型中，生成裂缝识别结果。参照图2，步骤S5包括步骤S50-步骤S56，具体如下：

S50：获取灰度变换临界点的灰度值作为目标灰度值，设定每个目标灰度值对应256个变换后的灰度值，变换后的灰度值取值为0-255中的整数。

例如变换前灰度值为50的像素点，变换后的灰度值可以是0-255中的任意一个数，所以变换前灰度值为50的像素点对应了256个变换后的灰度值。

S51：计算目标灰度值的灰度变换斜率，得到256个灰度变化斜率。

灰度变换斜率的计算公式为：

构建计算灰度变化斜率的坐标系，横坐标代表变换前的灰度值，纵坐标代表变换后的灰度值。

S52：根据灰度变换斜率，对连通域中的灰度值进行灰度值变换。

根据灰度变换斜率在后续的步骤可以定义一个线性变换函数。线性变换函数能够用来改变连通域中像素点的灰度值。

S53：计算灰度变换前连通域中所有灰度值的第一方差及灰度变化后连通域中所有灰度值的第二方差。

方差的计算为现有技术，在此不做赘述。

计算变换前第g个连通域中像素点的灰度值方差作为第一方差，第一方差越大说明第g个连通域的分散性越大。计算变换后第g个连通域中像素点的灰度值的方差作为第二方差。

S54：计算第一方差与第二方差之间差值的平均值，遍历所有连通域，得到多个平均值，取平均值最小值对应的灰度变化斜率作为最优斜率。

计算第一方差和第二方差的差值，得到第g个连通域灰度变换前后灰度值方差的差值，以此得到单个连通域灰度变换后的方差的差值，遍历所有的连通域，得到所有连通域灰度变换后方差的多个差值。计算多个差值的平均值记为

256个阈值对应了256个

S55：根据最优斜率和变换前的灰度值，计算变换后的最优灰度值。

变换后的最优灰度值的计算公式为：

S56：根据最优灰度值进行分段线性变换，得到灰度图像的灰度变换映射函数，使用灰度变换算法对灰度图像进行灰度增强得到增强图像。

本申请采用二分段线性变换的方式进行分段线性变换，二分段线性变换是指通过将灰度值分为两个区域，并对每个区域应用不同的线性变换来增强图像的灰度。

根据最优灰度值，定义一个分段线性变换函数，将原始图像的灰度值映射到新的灰度范围内。灰度变换映射函数是一种将原始图像的灰度值转换为不同灰度值的函数，灰度变换映射函数为现有技术，在此不做赘述。

使用灰度变换算法对灰度图像进行灰度增强得到增强图像，将增强图像输入到缺陷检测模型中，输出识别结果。缺陷检测模型的构建过程为：将历史管道图像划分为训练集和测试集，并为每个裂缝分配一个标签，输入在深度学习模型中对深度学习模型进行训练，模型训练的损失函数为交叉熵损失函数，训练完成后得到缺陷检测模型，将增强图像输入到模型中，并生成裂缝识别结果。深度学习模型可以是Encoder-Decoder（编码器-解码器）结构。

本申请实施例还公开管道缺陷检系统，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的管道缺陷检测方法。

上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom-AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High-BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。

虽然本说明书已经示出和描述了本申请的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本申请思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本申请的过程中，可以采用对本文所描述的本申请实施例的各种替代方案。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。