高级检索

  • ISSN 1006-3080
  • CN 31-1691/TQ

自适应聚乙烯管道超声信号线检测算法

李礼彬 顾震 周家乐 颜秉勇 王慧锋

李礼彬, 顾震, 周家乐, 颜秉勇, 王慧锋. 自适应聚乙烯管道超声信号线检测算法[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20201107001
引用本文: 李礼彬, 顾震, 周家乐, 颜秉勇, 王慧锋. 自适应聚乙烯管道超声信号线检测算法[J]. 华东理工大学学报(自然科学版). doi: 10.14135/j.cnki.1006-3080.20201107001
LI Libin, GU Zhen, ZHOU Jiale, YAN Bingyong, WANG Huifeng. Adaptive Detection Algorithm for Ultrasonic Signal Lines of Polyethylene Pipeline[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20201107001
Citation: LI Libin, GU Zhen, ZHOU Jiale, YAN Bingyong, WANG Huifeng. Adaptive Detection Algorithm for Ultrasonic Signal Lines of Polyethylene Pipeline[J]. Journal of East China University of Science and Technology. doi: 10.14135/j.cnki.1006-3080.20201107001

自适应聚乙烯管道超声信号线检测算法

doi: 10.14135/j.cnki.1006-3080.20201107001
详细信息
    作者简介:

    李礼彬(1993—),男,河南巩义人,硕士生,主要研究方向为机器视觉。E-mail:llbin@mail.ecust.edu.cn

    通讯作者:

    颜秉勇,E-mail:byyan@ecust.edu.com

  • 中图分类号: TN911.73

Adaptive Detection Algorithm for Ultrasonic Signal Lines of Polyethylene Pipeline

  • 摘要: 在聚乙烯管道电熔焊接接头的超声成像中,特征线、电阻丝线和管材内壁回波这3条信号线的检测是实现焊接缺陷自动化识别的关键技术。针对超声图像纵向分层显著、全局干扰较多的特点,提出了一种自适应聚乙烯管道超声信号线检测算法。首先,为了识别分层区域,基于形态学运算对灰度图进行自适应模糊,再进行水平均值投影;然后,基于目标特征和空间信息改进了自适应阈值分割算法,用于检测特征线,并提出了Otsu-CRF算法用于检测电阻丝并解决电阻丝粘连问题;最后,基于色彩空间和阈值分割实现管材内壁回波的检测。实验结果显示,本文的自适应算法能有效地检测3条信号线,与已有算法相比提升了检测结果的完整性、准确性和高效性,验证了将该算法用于聚乙烯管道电熔焊接接头的超声信号线自动化检测的可行性。

     

  • 图  1  超声相控阵检测成像

    Figure  1.  Image of ultrasonic phased array inspection

    图  2  模糊算法的对比结果

    Figure  2.  Comparison of blur algorithms

    图  3  区域分层结果

    Figure  3.  Layered result

    图  4  ROI-1的分割结果对比

    Figure  4.  Comparison of segmentation algorithms

    图  5  改进算法的流程

    Figure  5.  Flow chart of improved algorithm

    图  6  ROI-2图像及其LUV分量

    Figure  6.  Images of ROI-2 and its components in LUV color space

    图  7  电阻丝线的检测结果

    Figure  7.  Detection result of resistance wire signal line

    图  8  管材内壁回波信号线的检测结果

    Figure  8.  Detection result of pipewrie in wall echo signal line

    图  9  人工检测及其细化结果

    Figure  9.  Results of manual detection and refinement

    图  10  不同检测算法的结果对比

    Figure  10.  Comparison of different detection algorithms

    图  11  不同类型图像的检测结果

    Figure  11.  Detection results of different types of images

    表  1  不同算法的检测结果对比

    Table  1.   Comparison results of different algorithms

    AlgorithmAverage accuracy / %Average precision / %Time / ms
    Literature[3]94.166.73 166.9
    Literature[9]95.368.1114.4
    Adaptive detection98.285.234.4
    Adaptive detection with refinement98.188.5269.3
    下载: 导出CSV

    表  2  移除自适应模糊处理后的算法性能

    Table  2.   Performance of algorithms without adaptive blur processing

    AlgorithmAverage accuracy / %Average precision / %Time / ms
    Adaptive detection96.1 (98.2)77.0 (85.2)62.1 (34.4)
    Adaptive detection with refinement96.0 (98.1)77.9 (88.5)491.0 (269.3)
    下载: 导出CSV
  • [1] 伏喜斌. 聚乙烯管道电熔接头缺陷超声相控阵成像模拟和实验研究[J]. 机电工程, 2018, 35(1): 106-109, 114. doi: 10.3969/j.issn.1001-4551.2018.01.020
    [2] LAI H S, TUN N N, KIL S H, et al. Effect of defects on the burst failure of butt fusion welded polyethylene pipes[J]. Journal of Mechanical Science and Technology, 2016, 30(5): 1973-1981. doi: 10.1007/s12206-016-0403-3
    [3] 黄跃鑫, 钟舜聪, 伏喜斌, 等. 聚乙烯管道电熔接头的超声相控阵成像及缺陷特征[J]. 焊接学报, 2018, 39(2): 119-123, 134.
    [4] 上海市质量技术监督局. 燃气用聚乙烯(PE)管道焊接接头相控阵超声检测: DB31/T 1058-2017[S]. 北京: 中国标准出版社, 2017.
    [5] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 含缺陷聚乙烯管道电熔接头安全评定: GB/T 29460-2012[S]. 北京: 中国标准出版社, 2012.
    [6] 施建峰, 郭伟灿, 师俊, 等. 聚乙烯及其复合管道安全检测与评价方法[J]. 化工学报, 2013, 64(2): 756-764. doi: 10.3969/j.issn.0438-1157.2013.02.048
    [7] 黄跃鑫. 基于超声相控阵的聚乙烯管道接头无损检测与缺陷智能识别[D]. 福州: 福州大学, 2016.
    [8] 郭伟灿, 施建峰, 缪存坚, 等. 聚乙烯电熔接头超声相控阵检测缺陷自动识别方法[J]. 无损检测, 2017, 39(6): 13-18, 72. doi: 10.11973/wsjc201706003
    [9] LI H, XIONG P, FAN H, et al. DFANet: Deep feature aggregation for real-time semantic segmentation[C]// IEEE Conference on Computer Vision and Pattern Recognition. USA: IEEE, 2019: 9522-9531.
    [10] WU Y, PENG X, RUAN K, et al. Improved image segmentation method based on morphological reconstruction[J]. Multimedia Tools and Applications, 2017, 76(19): 19781-19793. doi: 10.1007/s11042-015-3192-2
    [11] 刘佳丽, 叶炯耀. 基于Ohta颜色空间的多信息融合火焰检测[J]. 华东理工大学学报(自然科学版), 2019, 45(6): 962-969.
    [12] HUO F, LIU Y, WANG D, et al. Bloch quantum artificial bee colony algorithm and its application in image threshold segmentation[J]. Signal, Image and Video Processing, 2017, 11(8): 1585-1592. doi: 10.1007/s11760-017-1123-6
    [13] LIN L, YANG S. Weighted two-dimensional Otsu threshold approached for image segmentation[C]//2019 IEEE Symposium Series on Computational Intelligence (SSCI). USA: IEEE, 2019: 1002-1006.
    [14] DAS A, SABUT S K. Kernelized fuzzy C-Means clustering with adaptive thresholding for segmenting liver tumors[J]. Procedia Computer Science, 2016, 92: 389-395. doi: 10.1016/j.procs.2016.07.395
    [15] ORLANDO J I, PROKOFYEVA E, BLASCHKO M B. A discriminatively trained fully connected conditional random field model for blood vessel segmentation in fundus images[J]. IEEE Transactions on Bio-medical Engineering, 2016, 64(1): 16-27.
    [16] 李航. 统计学习方法[M]. 北京: 清华大学出版社, 2012: 194-195.
    [17] LAFFERTY J, MCCALLUM A, PEREIRA F, et al. Conditional random fields: Probabilistic models for segmenting and labeling sequence data[C]// International Conference on Machine Learning. USA: ACM, 2001: 282-289.
    [18] 曾露, 高大启, 阮彤, 等. 基于CRF的症状构成分析与标注[J]. 华东理工大学学报(自然科学版), 2018, 44(2): 277-282.
    [19] HASSANZADEH R, ESLAHCHI C, SUNG W K. Constructing phylogenetic supernetworks based on simulated annealing[J]. Molecular Phylogenetics & Evolution, 2012, 63(3): 738-744.
    [20] RUSSELL B C, TORRALBA A, MURPHY K P, et al. LabelMe: A database and web-based tool for image annotation[J]. International Journal of Computer Vision, 2008, 77(1/3): 157-173.
  • 加载中
图(11) / 表(2)
计量
  • 文章访问数:  432
  • HTML全文浏览量:  330
  • PDF下载量:  3
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-07
  • 网络出版日期:  2021-01-07

目录

    /

    返回文章
    返回