一种基于蒸汽特征红外表征的微漏蒸汽缺陷检测识别方法与流程

1.本发明涉及高温蒸汽泄漏检测识别技术领域，尤其是涉及一种基于蒸汽特征红外表征的微漏蒸汽缺陷检测识别方法。


背景技术：

2.在工业设备运行现场，蒸汽设备和输送系统分布范围广，管道复杂，尤其是涉及到一些模具成型的工艺生产中，模具中的冷凝管道出现漏气泄气现象将会大大降低成型产品的质量；因此需要对模具进行漏气泄气的检测。传统的蒸汽/气体的泄漏检测主要有传感器检测法和图像检测法两大类。传统传感检测法需在现场设置特定的检测传感器用以接收现场的各类信息，如基于声学传感器的泄漏检测、基于红外激光检测设备的泄漏检测等，该类方法在一定范围可以有效的进行相关缺陷的实时监控，但是现场机动性不足，检测范围较小，需进行设备穿戴设计，检测和维护成本高。随着机器视觉和红外热像等技术发展，基于图像序列的泄漏检测具有非接触、监控范围广等特点，逐渐成为主流。


技术实现要素：

3.本发明为克服上述情况不足，旨在提供一种能解决上述问题的技术方案。
4.一种基于蒸汽特征红外表征的微漏蒸汽缺陷检测识别方法，包括如下步骤：s1：采集一定时长的红外图像序列，通过预处理进行蒸汽特征增强：1）采集图像，使用红外热像仪，在待检测位置处采集一定时长的红外图像序列；2）对数变换，对红外图像序列进行对数变换处理，通过扩展低灰度级范围的像素和压缩高灰度级范围的像素，将处于低温区域的蒸汽区域进行增强；3）直方图均衡化，采用直方图均衡化的方式，将红外图像序列处理成每一个灰度级具有相同像素数量，使蒸汽特征增强；s2：蒸汽特征增强后，使用运动目标识别方法进行疑似区域的提取：采用混合高斯模型法对于每一个像素点采用多个高斯分布模型进行特征描述，在获得新的一帧图像后对混合高斯模型进行更新，用当前帧图像中的每个像素点与混合高斯模型进行匹配，如果匹配成功则判定该点为背景点，否则为前景点；在多张混合高斯模型图像的匹配后提取疑似区域；s3:针对疑似区域进行泄漏蒸汽特征分析进而识别出蒸汽；1）由于泄漏蒸汽在红外图像中呈现出等温层的层层包裹特征，选用其中连续的4层等温层组合进行4层共有骨架提取，对相邻等温层区域的进行形态学交集计算，接着使用交集区域与高温等温层区域进行差值运算，将各等温层差值计算结果累加获得diff，当diff为0时，说明等温层区域之间呈现层的层包裹特性；2）使用已获得的内部以填充处理的等温层区域，通过形态学骨架提取算法提取各个等温层区域的骨架线，对4条骨架线进行累加处理获得叠加骨架图像，对该图像使用阈值分割方法，分割出灰度值为4的区域，即可获得中心4层共有骨架，最终根据骨架识别出蒸
汽。
5.优选的，s1中的对数变换表达式为：；其中，为便于调节曲线位置、形状、灰度变换范围而引入的参数，且。
6.优选的，采用直方图均衡化的处理中，设定r取值为，表示黑色，表示白色。对任意满足条件的r值，重点考虑变换形式：，对于输入图像，每一个具有r值的像素值都产生一个对应的灰度值s，令满足以下条件：（a）在区间上单调递增；（b）当时，；条件（a）是为了保证输出灰度值不少于相应的输入值，条件（b）保证输入与输出灰度范围相同，由s到r的反函数可表示为：；一幅图像的灰度级可以视为在区间范围内的随机变量，用概率密度函数（pdf）表示，令和分别表示变量r和s的概率密度函数；若和已知，且满足条件（a），则变换后随机变量s的概率密度函数可由下式得到：；因此，输出的变换变量s的概率密度函数由输入图像的灰度级概率密度函数和所使用的变换函数所决定，由此变换得到图像的直方图：；为使图像直方图均衡化，令，其中c为常数，因此，直方图均衡化公式为：。
7.优选的，在使用运动目标识别方法进行疑似区域的提取中，若变量代表每个像素点的像素值，像素点在t时刻属于背景的概率密度函数可由k个三维高斯函数表示：；其中ｋ为混合高斯模型中高斯分布的个数；、和分别是t时刻第i个高
斯分布的权重、均值和协方差矩阵；为t时刻的第个高斯分布概率密度函数：；其中为图像颜色深度，本文进行灰度图像处理，则；对k个高斯分布按照优先级降序排列，将当前帧图像的像素点分别与这k个高斯分布进行匹配，若满足，则该像素点与高斯分布匹配，为背景点，若不满足则为非背景点；若其与所有高斯分布均不匹配，则需要新增一个高斯分布代替优先级最小的分布，新高斯分布以为均值，方差与权值自设定；高斯分布的权重、均差和方差分别按式s到r的反函数进行更新：；其中，为学习率；为当前帧的像素点与高斯模型的匹配情况，当相匹配时；当不匹配时；由于最有可能描述稳定背景过程的高斯分布位于序列的顶部，因此选择前个高斯模型表征背景分布，其中取经验值0.85；将像素值与前个高斯分布进行匹配，当满足匹配条件时，则判定该像素为背景点，否则为前景点；建立混合高斯模型图像张数为5张。
8.优选的，蒸汽等温层呈现包裹特性，计算差值结果区域面积为0，表达式如下：其中为等温层覆盖区域，下标1-4表示等温层，数字大则等温层温度高。
9.优选的，阈值分割方法的表达式为：
判断4层共有骨架线s4是否存在，即s4面积大于0时则表明存在共有中心。
10.与现有技术相比，本发明的有益效果是：使用红外热像仪采集一定时长的红外图像序列，通过预处理进行蒸汽特征增强；使用运动目标识别方法进行疑似区域的提取；针对疑似区域进行泄漏蒸汽特征分析进而识别出蒸汽；实现图像序列的泄漏检测方式，具备非接触、监控范围广等特点；能够应用于模具的蒸汽/漏气检测上，防止工作人员近距离接触模具，提高检测效率，给工作人员带来极大的便捷和更为高效的工作效率。
11.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。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
13.图1是本发明蒸汽检测算法的流程框图；图2是本发明的对数变换关系曲线图。
具体实施方式
14.下面将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。
15.请参阅图1～2，本发明实施例中，一种基于蒸汽特征红外表征的微漏蒸汽缺陷检测识别方法，包括如下步骤：s1：在复杂工业现场，泄漏蒸汽由于快速泄压和降温，导致可视区域一般处于弱温度区域。为进行有效的运动目标提取，需对泄漏蒸汽进行预处理和增强；1）采集图像，使用红外热像仪，在待检测位置处采集一定时长的红外图像序列；2）对数变换，为增强处于较低温区域的蒸汽区域，可对图像进行非线性变换，通过各个非线性映射函数的数学特性来有侧重地对图像范围进行拉伸和压缩，对数变换处理效果是扩展灰度级较低范围的像素，同时压缩灰度级较高部分的像素，我们为将处于较低温区域的蒸汽区域进行增强，选择对数变换对图像进行处理。对数变换的表达式为：
ꢀꢀꢀꢀ
(4-27)其中，为便于调节曲线位置、形状、灰度变换范围而引入的参数，且。对数变换关系曲线如图2所示；
3）直方图均衡化，直方图均衡法是目前运用最为广泛的对比度增强算法。直方图均衡法是一种简单且有效的红外图像增强算法。直方图均衡化将图像处理成每一个灰度级具有相同像素数量；假设r取值为，表示黑色，表示白色。对任意满足条件的r值，重点考虑变换形式：
ꢀꢀꢀꢀ
(4-28)对于输入图像，每一个具有r值的像素值都产生一个对应的灰度值s。令满足以下条件：（a）在区间上单调递增；（b）当时，；条件（a）是为了保证输出灰度值不少于相应的输入值，防止反变换时产生人为缺陷；条件（b）保证输入与输出灰度范围相同。由s到r的反函数可表示为：
ꢀꢀꢀꢀ
(4-29)一幅图像的灰度级可以视为在区间范围内的随机变量，用概率密度函数（pdf）表示；令和分别表示变量r和s的概率密度函数；若和已知，且满足条件（a），则变换后随机变量s的概率密度函数可由下式得到：(4-30)因此，输出的变换变量s的概率密度函数由输入图像的灰度级概率密度函数和所使用的变换函数所决定。由此变换得到图像的直方图：(4-31)为使图像直方图均衡化，令，其中c为常数，因此，直方图均衡化公式为：
ꢀꢀꢀ
(4-32)使用该方法对图像灰度的动态范围进行了增强，有效提高整幅图像的对比度，增强图像蒸汽特征。
16.s2：蒸汽特征增强后，使用运动目标识别方法进行疑似区域的提取：泄漏的蒸汽具有飘散、扩散等动态特性，该特征使得基于运动目标检测方法可有效的进行疑似区域的提取。
17.采用混合高斯模型法对于每一个像素点采用多个高斯分布模型进行特征描述，在获得新的一帧图像后对混合高斯模型进行更新，用当前帧图像中的每个像素点与混合高斯模型进行匹配，如果匹配成功则判定该点为背景点，否则为前景点。具体如下：
若变量代表每个像素点的像素值，像素点在t时刻属于背景的概率密度函数可由k个三维高斯函数表示：
ꢀꢀꢀ
(4-33)其中ｋ为混合高斯模型中高斯分布的个数（一般取3～5），本文中取3；、和分别是t时刻第i个高斯分布的权重、均值和协方差矩阵；为t时刻的第个高斯分布概率密度函数：
ꢀꢀꢀꢀ
(4-34)其中为图像颜色深度，本文进行灰度图像处理，则。
18.对k个高斯分布按照优先级降序排列，将当前帧图像的像素点分别与这k个高斯分布进行匹配，若满足，则该像素点与高斯分布匹配，为背景点，若不满足则为非背景点。若其与所有高斯分布均不匹配，则需要新增一个高斯分布代替优先级最小的分布，新高斯分布以为均值，方差与权值自设定。高斯分布的权重、均差和方差分别按式（4-29）进行更新：
ꢀꢀ
(4-35）其中，为学习率；为当前帧的像素点与高斯模型的匹配情况，当相匹配时；当不匹配时。
19.由于最有可能描述稳定背景过程的高斯分布位于序列的顶部，因此选择前个高斯模型表征背景分布，其中取经验值0.85。
20.ꢀꢀ
(4-36)将像素值与前个高斯分布进行匹配，当满足匹配条件时，则判定该像素为背景点，否则为前景点。建立混合高斯模型图像张数为5张。
21.s3:针对疑似区域进行泄漏蒸汽特征分析进而识别出蒸汽；由于泄漏蒸汽在红外图像中呈现出等温层层层包裹的特征，因此使用等温层对处理后的图像进行蒸汽特征初步辨识，同时，由于泄漏蒸汽存在泄漏源头，因此蒸汽的中心区域成为各等温层的共有交集区域，各等温层的扩散源头均趋向于中心区域。本文使用形态
学的骨架方法进行等温层中心向源状态的表征，判断各等温层是否存在共有中心。
22.本文选用其中连续的4层等温层进行分析和处理。关于等温层的选取，本文提出一种选层策略：使用连续4个等温层组合进行4层共有骨架提取。由于4层共有骨架区域大反映蒸汽等温层之间具有较好的相似性，因此更为方便进行特征分析。
23.1）对相邻等温层区域的进行形态学交集计算，接着使用交集区域与高温等温层区域进行差值运算，将各等温层差值计算结果累加获得diff，如式（4-13）所示。蒸汽等温层呈现包裹特性，计算差值结果区域面积为0。
24.ꢀꢀꢀ
(4-13)其中为等温层覆盖区域，下标1-4表示等温层，数字大则等温层温度高。当diff为0时，说明等温层区域之间呈现层层包裹特性。
25.2）使用已获得的内部以填充处理的等温层区域，通过形态学骨架提取算法提取各个等温层区域的骨架线。现场等温层相对理想情况来说，形态各异，干扰较多，为排除一定干扰的影响，此处选用最大连通区域进行处理。对4条骨架线进行累加处理获得叠加骨架图像，对该图像使用阈值分割方法，如式（4-14）所示，分割出灰度值为4的区域，即可获得中心4层共有骨架。
26.ꢀꢀꢀ
(4-14)判断4层共有骨架线s4是否存在，即s4面积大于0时则表明存在共有中心。
27.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。