压力容器检验用图现场快速生成方法及系统与流程
本发明涉及压力容器检验,特别涉及一种压力容器检验用图现场快速生成方法及系统。
背景技术:
1、检验机构在开展定期检验前,需要绘制被检压力容器的检验用图,作为检验方案制定、无损检测布片、缺陷定位及检验报告出具的基础依据。检验用图主要包括焊缝展开图和正视图。其中,焊缝展开图是将压力容器筒体和封头表面形体结构在平面上展开摊平后形成的图形,用于记录压力容器的焊缝位置、管口方位、检验检测部位、检测比例以及缺陷位置。
2、传统检验模式下,检验员需携带草稿纸、笔、卷尺等工具,在压力容器现场手工测量并手绘容器简图。现场手绘草图仅为示意性记录,无法直接用于检验报告,检验员返回办公室后,需使用计算机绘图软件(如autocad)重新绘制正式的检验用图。这种模式存在大量重复劳动、信息传递存在偏差和数据孤岛现象严重等问题。
3、目前部分压力容器检验辅助系统可根据用户输入的容器参数(如筒体长度、直径、封头类型及接管数量)自动生成二维简图,并支持标注焊缝位置、测厚点、无损检测部位。然而,该输入方式为人工键盘输入或语音输入,图像识别模块仅用于识别铭牌文字信息,无法从现场照片中自动识别容器几何结构。检验员仍需在现场完成全部容器结构的手工测量和记录工作,未能从根本上解决现场自动测绘这一瓶颈环节。
4、部分利用三维扫描技术进行容器尺寸测量,但该方案依赖昂贵的专用设备(如三维激光扫描仪),成本较高,难以在压力容器检验现场大规模推广应用。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种压力容器检验用图现场快速生成方法及系统,通过现场拍摄被检压力容器照片,自动识别出压力容器的结构类型、筒节数量、焊缝位置、接管位置及数量和压力表位置等关键参数,并快速自动生成符合检验规范要求的检验用图,提高检验效率。
2、一方面,本发明实施例提供一种压力容器检验用图现场快速生成方法,包括:
3、利用图像采集设备对压力容器进行多视角图像采集,获得包含所述压力容器不同视角的多张现场图像;
4、对所述多张现场图像进行图像预处理与质量评估,剔除不合格图像;
5、将预处理后的多张图像输入多任务智能识别模型,所述多任务智能识别模型采用多分支网络架构,各分支共享主干特征提取器,分别执行结构类型识别、关键部件目标检测和焊缝精细分割及分类三个识别任务,得到容器结构参数,所述容器结构参数包括结构类型、筒节数量、焊缝位置及类型、接管位置及数量;
6、基于所述多张图像进行多视角几何重建,并结合所述容器结构参数,计算各结构部件的三维空间位置信息;
7、根据所述容器结构参数及各结构部件的三维空间位置信息,调用对应的图元模板库,自动生成所述压力容器的检验用图,所述检验用图包括焊缝展开图和正视图;
8、输出并显示所述检验用图,供检验人员进行确认及编辑。
9、根据本发明的一些实施例,所述对所述多张现场图像进行图像预处理,包括:
10、畸变校正:基于所述图像采集设备的内参进行径向畸变校正和切向畸变校正;
11、透视校正:通过检测所述压力容器的主轴方向,将图像透视投影校正为正交投影;
12、光照归一化:采用限制对比度自适应直方图均衡化算法增强局部对比度;
13、焊缝特征增强:采用多尺度retinex算法将图像分解为光照分量和反射分量,通过调整光照分量增强焊缝区域的局部对比度;
14、边缘保持的纹理抑制:采用引导滤波,以容器表面的几何边缘为引导,在保持焊缝和接管边缘清晰的同时抑制表面纹理噪声;
15、噪声抑制:采用双边滤波结合非局部均值滤波进行噪声抑制;
16、所述质量评估包括:
17、检测图像模糊度、曝光度及相邻图像重叠区域特征点数量;
18、当任一图像的质量评估结果不满足预设阈值时,提示重新拍摄。
19、根据本发明的一些实施例,所述关键部件目标检测包括检测筒节、环向焊缝、纵向焊缝、接管和法兰,所述焊缝精细分割及分类包括对焊缝区域进行像素级分割并输出焊缝类型分类结果。
20、根据本发明的一些实施例,所述多任务智能识别模型采用如下架构:
21、主干特征提取器为efficientnetv2-l网络,在所述efficientnetv2-l网络之后引入swin transformer模块,对主干网络提取的多尺度特征图进行全局自注意力计算,捕获容器整体结构中远距离部件之间的依赖关系;
22、结构类型识别分支是基于引入卷积块注意力模块的分类网络,识别所述压力容器的结构类型,所述结构类型包括立式圆筒、卧式圆筒、球罐和塔式容器;
23、关键部件目标检测分支基于yolov8x多任务目标检测网络,采用特征金字塔网络和路径聚合网络结构进行多尺度特征融合,检测并定位筒节、环向焊缝、纵向焊缝、接管和法兰;
24、焊缝精细分割及分类分支基于轻量级卷积神经网络对焊缝区域进行精细分割,并输出焊缝类型分类结果,所述焊缝类型包括a类纵向焊缝、b类环向焊缝和c类接管角焊缝。
25、根据本发明的一些实施例,所述焊缝精细分割及分类采用双阶段分割策略:
26、第一阶段:采用改进的u-net++网络对焊缝区域进行粗分割,输出焊缝的粗略掩膜区域;
27、第二阶段:在所述粗略掩膜区域内,采用图割算法进行精细化边缘优化,将所述粗略掩膜区域的像素作为图割的节点,利用像素间的颜色差异和空间距离构建能量函数,通过最小割求解获得像素级精度的焊缝边缘;
28、焊缝类型判定采用视觉特征分类与几何拓扑判定相结合的置信度加权融合方式,所述几何拓扑判定为:若分割出的焊缝为水平方向且与筒节边界平行则判定为b类环向焊缝,若为垂直方向且沿筒体轴向延伸则判定为a类纵向焊缝,若为圆形或椭圆形且位于接管根部则判定为c类接管角焊缝。
29、根据本发明的一些实施例,所述分别执行结构类型识别、关键部件目标检测和焊缝精细分割及分类三个识别任务的步骤之后,还包括基于几何先验知识的推理优化步骤:
30、建立压力容器设计的几何约束规则库,所述几何约束规则库包括如下约束规则:同一筒节上的纵向焊缝沿轴向共线的共线约束、同一容器上各筒节纵向焊缝在周向上均匀分布的等距约束、立式容器接管布置的轴对称约束或面对称约束、封头与筒体连接处存在环向焊缝的连接约束;
31、将关键部件目标检测分支的输出与所述几何约束规则库进行一致性校验;
32、当检测结果违反几何约束时,触发基于约束的修正推理,输出满足几何一致性的识别结果。
33、根据本发明的一些实施例,基于几何先验知识的推理优化步骤的步骤之后,还包括不确定性量化与主动学习步骤:
34、在每个识别任务分支的输出端设置蒙特卡洛dropout层,对同一输入进行多次随机前向传播,计算识别结果的不确定性方差;
35、当所述不确定性方差超过预设阈值时,自动标记对应图像为低置信度样本,提示检验人员对识别结果进行人工复核或补充特写拍摄;
36、将所述低置信度样本上传服务器,用于所述多任务智能识别模型的持续迭代训练。
37、根据本发明的一些实施例,所述基于所述多张图像进行多视角几何重建,并结合所述容器结构参数,计算各结构部件的三维空间位置信息,包括:
38、提取各图像的特征点,进行多视图特征匹配,通过增量式运动恢复结构算法恢复相机位姿和稀疏三维点云,并利用光束法平差优化相机参数和三维点坐标;
39、采用基于深度学习的单视图深度估计网络对每张图像进行深度图预测,将各视角的预测深度图通过相机位姿反投影到三维空间,融合形成稠密三维点云;
40、利用压力容器的旋转对称性或轴对称性对重建的三维点云进行对称性约束优化:检测点云的对称轴方向,将点云中各点投影到对称轴垂直平面并计算径向距离,对同一径向距离的周向点云进行平滑和均匀化处理,输出满足严格对称性的容器三维模型;
41、对重建得到的三维点云进行尺度标定,获得像素与实际尺寸映射关系;
42、根据所述容器结构参数和所述三维空间位置信息,计算以下至少一项结构参数:筒节数量、接管数量、各接管的三维空间坐标、各接管距最近环向焊缝的轴向距离和周向角度、各纵向焊缝所在的周向角度。
43、根据本发明的一些实施例,所述自动生成所述压力容器的检验用图,包括:
44、建立展开坐标系,横轴为周向角度,纵轴为轴向累计长度;
45、根据筒节数量绘制各筒节矩形区域,各筒节沿纵轴方向堆叠;
46、将环向焊缝映射为水平贯通线,位于相邻筒节交界处;
47、将纵向焊缝映射为垂直线,沿轴向贯通;
48、将接管角焊缝以接管中心为圆心的圆形或椭圆形标记表示;
49、根据压力容器检验规范在所述焊缝展开图上自动预布置测厚点和无损检测部位;
50、自动对各焊缝进行编号标注;
51、将各接管按其三维空间坐标映射至展开图中的对应位置并绘制接管符号;
52、在所述正视图中,根据结构类型调用对应的容器轮廓模板,按比例绘制筒体轮廓线,并将各接管按其三维空间坐标投影至正视图平面,可见接管绘制为实线轮廓,被遮挡接管绘制为虚线轮廓。
53、另一方面,本发明实施例提供一种压力容器检验用图现场快速生成系统,用于实现上述的压力容器检验用图现场快速生成方法,包括:
54、图像采集与预处理模块,用于对压力容器进行多视角图像采集,并对采集到的图像进行预处理与质量评估;
55、多任务智能识别模块,用于将预处理后的多张图像输入多任务智能识别模型,识别压力容器的结构类型、筒节数量、焊缝位置及类型、接管位置及数量,得到容器结构参数;
56、多视角几何重建模块,用于基于所述多张图像进行多视角几何重建,并结合所述容器结构参数,计算各结构部件的三维空间位置信息;
57、参数化绘图引擎模块,用于根据所述容器结构参数及各结构部件的三维空间位置信息,调用对应的图元模板库,参数化自动生成所述压力容器的检验用图;
58、人机交互与校验模块,用于显示检验用图并供检验人员进行确认及编辑。
59、本发明实施例至少具有如下有益效果:
60、通过多视角图像采集、图像预处理与质量评估;并将图像输入多任务智能识别模型,采用多分支网络架构执行结构类型识别、关键部件目标检测和焊缝精细分割与分类,结合几何约束推理优化和不确定性量化,得到容器结构参数;进行多视角几何重建,采用深度学习单视图深度估计获得稠密点云,经对称性约束优化和尺度标定后计算三维空间位置信息;参数化自动生成焊缝展开图和正视图,预布置测厚点和无损检测部位。通过多任务深度学习网络联合优化、几何约束推理校验以及多视角目标关联去重,识别准确率高、鲁棒性强。检测数据能够自动挂接至对应图元,缺陷标注可自动映射至三维空间,实现检验用图与无损检测数据、测厚数据的深度关联,打破传统cad图纸的数据孤岛,为全流程数智化检验奠定数据基础。识别准确率高、部署成本低,提高压力容器现场检验效率。
61、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com