基于中值滤波和边缘检测的长输管道焊缝检测技术.docxVIP

基于中值滤波和边缘检测的长输管道焊缝检测技术 0 城市地下和在役运输管道无损检测技术应用必要性 随着国家西部供电工程的实施，越来越多的天然气管道开始建设。而管道运输作为当今五大运输方式之一, 已成为油气能源的主要运输工具。世界上约有50%的长距离运输管道要使用几十年、甚至上百年时间, 这些管道大都埋在地下、海底。由于内外介质的腐蚀、重压、地形沉降、塌陷等原因, 管道不可避免地会出现损伤。在世界管道运输史上, 由于管道泄漏而发生的恶性事故触目惊心。因此, 研究管道无损检测自动化技术, 提高检测的可靠性和自动化程度, 加强在建和在役运输管道的检测和监测, 对提高管线运输的安全性具有重要意义。 管道投入运行的早期和后期是事故的高发期, 所以对管道的检测主要是如下两个方面:①在管道铺设过程中的检测, 主要是对焊缝质量的检测;②在管道使用过程中的检测, 主要是对裂纹或泄漏的检测。前者是现在应用的热点, 后者是将来发展的重点, 也是难点。石油天然气长输钢质管道对接焊缝主要采用X射线数字化实时成像检测技术。 1 图像边缘检测 X射线实时成像检测技术采集到的图像, 由于焊缝缺陷在底片上一般呈现模糊轮廓的条状或块状图象, 缺陷检测的实质可归结为边缘检测。 图像边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域的基础。图像理解和分析的第一步往往就是边缘检测, 其结果的正确性和可靠性将直接影响到机器视觉系统对客观世界的理解。边缘检测目前已成为机器视觉研究领域最活跃的课题之一, 在工程应用中占有十分重要的地位。 图像的边缘是指其周围像素灰度有阶跃变化或屋顶状变化的那些像素的集合。它一般存在于目标与背景、 目标与目标、 区域与区域、 基元与基元之间。 边缘具有方向和幅度两个特征, 沿边缘走向, 像素值变化比较平缓;垂直于边缘走向, 像素值变化比较剧烈, 可能呈现阶跃状, 也可能呈现斜坡状。因此, 边缘可以分为两种:一种为阶跃性边缘, 它两边的像素灰度值有着明显的不同; 另一种为屋顶状边缘, 它位于灰度值从增加到减少的变化转折点。对于阶跃性边缘, 二阶方向导数在边缘处呈零交叉;而对于屋顶状边缘, 二阶方向导数在边缘处取极值。 实现边缘检测有很多不同的方法, 也一直是图像处理中研究的热点, 人们期望找到一种抗噪强、定位准、不漏检、不误检的检测算法。经典的边缘检测方法是对原始图像中像素的某小邻域来构造边缘检测算子。常用的边缘检测算子有Roberts 算子、Sobel 算子、Prewitt 算子、Kirsch 算子、LOG 算子等, 本文针对Sobel算子进行研究。 2 soper算子边缘检测 Sobel算子利用像素的左、右、上、下邻域的灰度加权算法, 根据在边缘点处达到极值这一原理进行边缘检测。该方法不但产生较好的检测效果, 而且对噪声具有平滑作用, 可以提供较为精确的边缘方向信息。 Sobel边缘算子所采用的算法是先进行加权平均, 然后进行微分运算, 算子的计算方法如下: Δxf(x,y) =-1×f(x-1,y-1) +0×f(x-1,y) +1×f(x-1,y+1) -2×f(x,y-1) +0×f(x,y) +2×f(x,y+1) -1×f(x+1,y-1) +0×f(x+1,y) +2×f(x+1,y+1) Δyf(x,y) =1×f(x-1,y-1) +2×f(x-1,y) +1×f(x-1,y+1) +0×f(x,y-1) +0×f(x,y) +0×f(x,y+1) -1×f(x+1,y-1) -2×f(x+1,y) -1×f(x+1,y+1) 式中,f(x,y) 为 (x,y) 点的灰度值;Δxf(x,y) 为水平检测算子计算后的灰度值;Δyf(x,y) 为垂直检测算子计算后的灰度值。Sobel算子的边缘检测是在图像空间利用两个方向模板与图像进行邻域卷积来完成的。这两个方向模板:一个是检测水平边缘, 一个是检测垂直边缘。如图1所示。 图1 (a) 检测图像中垂直方向的边缘, 图1 (b) 检测图像中水平方向的边缘。每个像素点取两个模板卷积的最大值作为该像素点的输出值, 运算结果是一副边缘图像。 在数字图像处理中, 用Sobel算子检测图像边缘的步骤如下: (1) 分别将两个方向模板沿着图像从一个像素移到另一个像素, 并将模板的中心像素与图像中的某个像素位置重合; (2) 将模板内的系数与其对应的图像像素值相乘; (3) 将所有乘积相加; (4) 将两个卷积的最大值, 赋给图像中对应模板中心位置的像素, 作为该像素的新灰度值; (5) 利用最小类内方差法求取适当的阈值TH, 若像素新灰度值≥TH, 则认为该像素点为边缘点。 由上述可知, Sobel算法的优点是计算简单, 速度快, 具有一定的噪声抑制能力, 在检测阶跃边缘时可以得到至