利用闭路电视图像分割理想的污水管道缺陷形貌实现自动诊断外文翻译资料

 2022-11-14 16:12:56

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

利用闭路电视图像分割理想的污水管道缺陷形貌实现自动诊断

摘要

一些文献提出了基于管道缺陷形态特征的污水管道缺陷自动检测或分类系统。然而，在这些自动化系统中，在实现基于形态学的管道缺陷分割的同时，中央电视台图像中较暗的中心或一些不确定物体的形态学也被分割成噪声。本文提出了一种基于形态学的管道缺陷分割方法，并将其应用于闭路电视图像中管道缺陷的自动诊断。管道缺陷形貌的分割首先是对灰度CCTV图像进行开口操作，以区分管道缺陷。然后，利用Otsu技术，通过确定开窗作业的灰度闭路电视图像的最佳阈值，对管道缺陷进行分割。根据闭路电视图像的分割结果，确定了四种典型管道缺陷的理想形态。如果分割的闭路电视图像符合这些理想形态的定义，那么基于径向基网络(RBN)的诊断系统可以成功地识别出这些闭路电视图像上的管道缺陷。针对其余未匹配理想形态的闭路电视图像，探讨了故障原因，提出了相机姿态、光源等成像条件的调节方法，以获得成功分割的闭路电视图像。

2008年爱思唯尔有限公司

1. 引言

污水修复在污水系统的维护中起着重要的作用，但由于污水管道缺陷的不确定性，其处理难度较大。因此，与传统的被动污水维护方法相比，世界范围内的工程师更注重计划主动和预防性的维修策略(Fenner, 2000;杨和苏，2007)。在进行污水修复计划之前，需要进行污水修复计划的一系列步骤，包括污水检查、污水管道缺陷的诊断、结构状态等级的计算以及确定成本效益的修复方法(Yang amp; Su, 2006)。各种工具或技术，如闭路电视摄像机，安装在机器人上的地面穿透雷达(GPR)、声纳和红外热像仪，是为了协助工程师进行污水检查而开发的(Fenner, 2000;Gokhale amp; Graham, 2004;苏格兰诗人,1999)。

闭路电视通常安装在机器人上，从下水道的人孔中注入下水道内，并在室外进行远程控制，以获取管道内的图像，由于其商业可用性，是最受欢迎的检查工具(Makar, 1999;Mckim amp; Sinha, 1999)。从污水检查中获得的闭路电视图像被用于诊断管道缺陷，以评估污水结构状况。然而，在污水检测工作中，由于人的疲劳、主观、耗时、成本高，往往会获得大量的闭路电视图像，不适合对管道检测进行人工诊断(Mckim amp; Sinha, 1999;Moselhi amp; Shehab-Eldeen, 2000;Wirahadikusumah, Abraham, Iseley， amp; Prasanth, 1998)。

根据污水管道缺陷的形态特征，提出了几种自动化系统

用于检测或诊断下水道管道缺陷(Moselhi amp; Shehab-Eldeen, 1999;Moselhi amp; Shehab-Eldeen, 2000;Shehab amp; Moselhi, 2005)。通过不同的数学形态学分析CCTV图像上的各种下水道缺陷，这些形态学广泛应用于图像分析、平滑、分割、边缘检测、细化、形状分析和编码(Iyer amp; Sinha, 2005;Sinha amp; Fieguth, 2006)。其中一个自动化系统使用了一种创新的技术，称为污水管道扫描仪和评估技术(SSET)，用于获取污水管道内部的图像，以识别管道缺陷(Mckim amp; Sinha, 1999)。即使SSET自动化系统的整体精度高达90%，与CCTV相比，SSET的商业化程度也要低得多。此外，如果在理想的条件下使用最先进的闭路电视技术，闭路电视图像的质量和分辨率可以与基于SSET的系统图像进行比较(Mckim amp; Sinha, 1999)。

中央电视台的成像问题之一是，中心区域总是比周围区域暗，这是因为随着距离光源的距离变大，灯光效果会消失(Moselhi amp; Shehab-Eldeen, 2000)。由于光源的不足，导致原灰度CCTV图像中心的暗图像区域的质量存在形态ogy问题，增加了对管道缺陷完整形态进行分割的难度。此外,打开关节,关节位移,减少横截面积的中心央视形象照亮,将反射光束由于这些管道缺陷往往从管子的表面凸出反对其他管道缺陷如裂纹和剥落。Moselhi和She-hab-Eldeen(2000)以及Shehab和Moselhi(2005)分别提出了基于神经网络技术的污水管道缺陷分类和污水入渗检测自动化系统。首先，对CCTV图像进行形态学分割。部分分割后的图像区域属于管道缺陷，而其他区域可能属于seage或图像背景。然而，他们的文献并没有讨论这个问题。因此，属于管道缺陷的分割图像区域通常需要基于专家的人工诊断来识别，然后才能实现自动诊断。

在传统的检测项目中，CCTV图像多诊断为一种缺陷类型，而不是多种缺陷类型。Yang和Su (in press)提出了一种新的诊断系统，该系统通过二维离散小波变换和共现矩阵计算来实现闭路电视图像的纹理分析。通过对闭路电视图像的纹理分析，直接得到管道缺陷的特征，使闭路电视图像中管道缺陷的特征提取和分类过程完全自动化。然而，在原始的闭路电视图像上手工附加的一些检测符号成为有害的噪声，从而产生

所提取的管材缺陷的纹理特征具有线性不可分离的关系，为诊断系统提供了依据，增加了分类的难度。本文旨在探讨基于形态学的CCTV图像管道缺陷分割的相关问题，并提出一种有效的方法来测量CCTV图像管道缺陷的形态学特征。首先，利用开放操作和Otsu技术相结合的方法实现了CCTV图像的形态分割。根据闭路电视图像的分割结果，定义了四种典型管道缺陷的理想形态，即破管、裂纹、断裂和开口接头。其次，选取成功分割管道缺陷的闭路电视图像作为基于径向基网络(RBN)技术诊断系统的实验材料。最后，对诊断系统的分类精度和实用性进行了评价。本文测量的管道缺陷形态特征包括面积、主轴长度、主轴长度、偏心距、主轴长度与主轴长度之比，定义见附录(Moselhi amp; sh -hab- eldeen, 2000;Shehab amp; Moselhi, 2005)。本研究框架如图1所示。

2. 方法

一些基于形状集理论概念的形态学方法已经成功地应用于许多分割问题(Moselhi amp; Shehab-Eldeen, 1999;Moselhi amp; Shehab-Eldeen, 2000;Shehab amp; Moselhi, 2005;Sinha amp; Fieguth, 2006)。为了有效地从闭路电视图像中分割出管道缺陷，采用了基于语素ogf的分割方法。首先，实现的是开孔操作，在开孔操作中，先对灰度图像进行腐蚀，然后进行膨胀，使用相同的结构元素对灰度图像进行腐蚀，从而更好地识别CCTV图像上的管道缺陷(Gonzalez amp; Woods, 2002;帕克,1997)。然后，由于Otsu技术是非参数的、无监督的、自动的，因此采用Otsu技术为开口操作的灰度图像寻找最优阈值来分割管道缺陷(Sinha amp; Fieguth, 2006)。对于那些成功分段管缺陷,形态学特征测量,通过主成分分析(PCA)变成远远小于组不相关的变量代表原始的大部分信息提取形态学特征以提高RBN的准确性的技术诊断系统(哈特,杜达amp;鹳,2001;Wang amp; Paliwal, 2003;杨，韩，2007)。

2.1打开操作

图像的亮部和暗部可以在结构元素的控制下以各种方式进行重塑或变形，结构元素可以被视为形态学操作的参数(Sinha amp; Fieguth, 2006)。扩张侵蚀是两种基本的形态操作(Dong, 1997)。定义Z2中的集合A和集合B分别表示由像素p(x, y)和一个结构化元素组成的灰度图像:

B表示,联盟的包围中所有像素的形状B和被定义为:一个B与所有2 A和B 2 ，同样,A, B的侵蚀,表示AHB,删除“距离”B中的所有像素的边缘和被定义为

THORN;开幕式操作被定义为

开放操作的效果是去除相对于结构元素较小的图像区域，同时保留比结构元素大的图像区域(Sinha amp; Fieguth, 2006)。

2.2首先进行技术

本文利用Otsu技术将开孔操作的灰度闭路电视图像转换为二值图像进行管道缺陷分割。Otsu技术是一种基于判别分析的阈值化方法，它通过最大化以下类可分性测度来确定开放操作灰度图像的最优阈值(Yan, 1996):

在哪里

z为中央电视台图像中像素的灰度值，取值范围为0 ~ l1, h(z)为中央电视台图像的归一化灰度直方图。通过最大化式(6)中的准则函数，可以尽可能地分离出图像中明暗区域的均值，使两个图像区域的方差最小。

2.3。主成分分析

聚类分析、回归、数据压缩和模式识别(Widodo et al.， 2007)。

首先,采用均值向量l d和d协方差矩阵M计算原始的形态学特征集管缺陷的p .然后,特征向量x = ei (i = 1。d)和相关特征值k = ki计算使用以下线性方程

对于特征值k，可以重写

其中I是单位矩阵，0是零向量。这些维特征向量按最大特征值排序,前k特征向量是保持,k是子空间的内在维度代表最原始的形态学特征的信息管道缺陷而其余d k维通常含有噪声(杜达et al ., 2001)。一般情况下，对于进一步的管道缺陷分类，只剩下几个特征向量。然后，形成一个dk矩阵a，它的列向量由k个特征向量组成。用主分量表示数据的方法是将数据投影到k维子空间上

2.4。基于径向基网络(RBN)的分类方法

目前常用的三种神经网络是反向传播神经网络(BPN)、径向基网络(RBN)和支持向量机(SVM) (Liao, Fang， amp; Nuttle, 2004;杨和苏，出版社)。Yang和Su (in press)利用这三种神经网络基于CCTV图像的纹理特征来诊断管道缺陷。测试结果表明，BPN的计算时间最长，但精度最低。SVM和RBN具有更好的分类精度，但目前SVM需要基于启发式确定核函数内部的最优参数a先验(Seo, 2007;杨和苏，出版社)。因此，本文利用RBN技术对闭路电视图像中的管道缺陷进行形态学特征诊断。

RBN的设计基于无监督学习和监督学习(Zhang, Jiang， amp; Kamel, 2005)。在无监督学习阶段，采用聚类算法将管道缺陷的所有训练样本划分为子集。子集个数设为RBN隐层神经元个数。每个子集训练样本的特征可以用激活函数之一径向基函数(Gj)来描述，如(Hwang amp; Bang, 1997):

医学博士。杨,苏耿赋。Su /应用专家系统36 (2009)3562-3573

其中cj和rj分别为各隐神经元的中心和协方差矩阵，可通过聚类确定;k k表示欧式距离;nH表示隐藏神经元的数量。在监督学习阶段，计算隐层和输出层之间的线性加权和为

其中l为管道缺陷的c类;zl是隐神经元输出的线性加权和;最优wkl是通过前馈计算得到的这组线性方程组的解(Han amp;习，2004;廖等，2004;张等，2005)。将一个管道缺陷图输入训练好的RBN中，分配到某一类管道缺陷中，因此输出向量的维数也为cn if

识别出n种管道缺陷模式。在输出向量中，第l个元素作为最大zl表示该CCTV图像被诊断为第l个管道缺陷模式。

3.实验材料

本研究以台湾中部最大城市台中市第九区之污水管道系统(G系统)为研究对象。下水道系统是十年前用玻璃化粘土管道(VCP)建成的。2003年开展中央电视台人工解译检查工作，为房屋连接施工前的复修提供参考。中央电视台检查图像291幅，其中开口接头107幅，裂缝112幅，破管16幅，断裂56幅。系统G的详细信息

图2所示。闭路电视图像的管道缺陷样本。

医学博士。杨,苏耿赋。Su /应用专家系统36 (2009)3562-3573

可以在杨和苏的书中找到。在检测工作中发现的四种典型的管道缺陷是开缝、裂缝、破管、断裂，而CCTV图像的每一帧只记录了一种类型的管道缺陷。本文针对每种类型的管道缺陷，分别给出了5个CCTV图像样本，由于其形状的自然不规则性和复杂的成像环境(见图2)，其中字母B、C、F、O分别代表破裂的管道、裂纹、断裂和开口接头。

4. 结果与讨论

4.1。打开操作

在图2中，可以发现直接附加在获取的灰度CCTV图像上的人工检测属性符号。在基于形态学的管道缺陷分割中，开口操作的实用性是

期望不仅平滑符号的形状，而且保持管道缺陷的原始形状。在这篇文章中,一个磁盘结构元素的不同半径和不同宽度的矩形结构元素w和固定长度= 5采用开放测试的操作,和两个结构元素的插图可以称为在MATLAB 6.5或更高级的愿景。选取图2中的灰度CCTV图像C1作为测试图像。图3和图4所示的开孔操作测试结果表明，结构单元的尺寸越大，符号形状的平滑性能越好。此外，半径为r = 4或5的圆盘结构单元相对于宽度为w = 4或5的矩形结构单元和长度为l = 5的固定长度矩形结构单元具有更好的平滑效果。但是，如果结构元素的尺寸过大，物体的原始形状会明显变形(Jang amp; Chin, 1998)。因此，本研究采用半径r = 4的圆盘结构单元。

图3所示。利用变半径r的圆盘结构单元进行开孔作业的试验结果。

3568 医学博士。杨,苏耿赋。Su /应用专家系统36 (2009)3562-3573

图4所示。采用变宽w、定长l = 5的矩形结构单元进行开孔作业的试验结果。

4.2。管道缺陷的形态学分割

在图2中，岩屑和树根分别

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17980]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章