基于OTSU和區(qū)域生長的電廠管道缺陷檢測與分割

彭道剛，尹 磊，戚爾江，胡 捷，楊曉偉

基于OTSU和區(qū)域生長的電廠管道缺陷檢測與分割

彭道剛1，尹 磊1，戚爾江1，胡 捷2，楊曉偉3

（1. 上海電力大學(xué) 自動化工程學(xué)院，上海 200090；2. 寶山鋼鐵股份有限公司電廠，上海 201900；3. 上海寶信軟件股份有限公司，上海 201203）

針對電廠高溫管道紅外圖像背景復(fù)雜、干擾較多的特點，結(jié)合電廠巡檢機器人系統(tǒng)對圖像處理算法的需求，提出了基于改進二維最大類間方差法（OTSU）和區(qū)域生長法的電廠高溫管道缺陷定位與分割方法。將紅外圖像灰度化后，通過改進二維OTSU進行預(yù)分割，提取出管道區(qū)域；基于管道區(qū)域灰度直方圖，結(jié)合鄰域灰度均值，實現(xiàn)多種子點的自動檢測與定位；采用基于生長區(qū)域灰度均值和標準差的自適應(yīng)閾值以及基于Prewitt算子的梯度幅值改進的生長準則完成缺陷區(qū)域的分割。實驗證明，所提算法不僅能實現(xiàn)電廠高溫管道多缺陷自動檢測與定位，而且能精確地提取出缺陷區(qū)域，準確性高且具有良好的實時性。

電廠巡檢機器人；紅外圖像；高溫管道缺陷分割；改進二維OTSU；改進區(qū)域生長法

0 引言

電廠中分布著大量的高溫高壓蒸汽管道，一旦因管道缺陷發(fā)生高溫高壓蒸汽泄漏，后果不堪設(shè)想。電力巡檢作為保障電廠安全生產(chǎn)的重要手段，主要是通過人工手持紅外熱像儀完成高溫管道的“跑冒滴漏”檢測。然而，人工巡檢存在耗時長、標準化程度低、易出現(xiàn)誤檢和漏檢等問題，巡檢效率較低[1]。

隨著智慧電廠建設(shè)的推進，通過搭載紅外熱像儀等設(shè)備的巡檢機器人代替人工完成巡檢任務(wù)，正在成為保障電廠安全生產(chǎn)的趨勢[2]。相比于輸配電網(wǎng)，電廠屬室內(nèi)環(huán)境，采集到的高溫管道紅外圖像具有對比度低、背景復(fù)雜等特點。因此，需要機器人通過具有更高魯棒性和準確性的圖像分割和識別算法來實現(xiàn)電廠高溫管道的缺陷自動定位與提取。

電廠高溫管道出現(xiàn)早期缺陷時，在紅外圖像中表現(xiàn)為缺陷點附近局部區(qū)域溫度快速升高[3]，且缺陷區(qū)域聯(lián)通、區(qū)域內(nèi)像素灰度特性相似，因此可基于區(qū)域生長法對其進行檢測與分割。區(qū)域生長法是一種簡單且計算速度快的目標分割與識別算法，可將圖像中具有相同特征的區(qū)域分割出來并保留清晰的邊界輪廓信息[4]。近年來，很多專家學(xué)者針對不同的應(yīng)用場景，對傳統(tǒng)的區(qū)域生長法進行了改進。M. M. S Jain Preetha等[5]基于紋理特征對區(qū)域生長結(jié)果進行修正，并成功應(yīng)用于醫(yī)學(xué)圖像處理中。彭雙等[6]提出了一種基于改進遲滯閾值生長法與模糊連接度相結(jié)合的肺氣管樹分割方法。B. Senthilkumar等[7]基于Harris角點檢測對種子點選取方式進行改進，并應(yīng)用于乳腺癌的診斷中。Song Lixin等[8]針對乳房腫塊圖像進行分析，提出基于圖像梯度值的改進生長準則。倪豪等[9]綜合使用最大類間方差（OTSU）、區(qū)域生長法實現(xiàn)了超聲圖像缺陷分割。李小磊等[10]采用基于滑動濾波和自動區(qū)域生長的方法對陶瓷瓦片表面裂紋進行檢測和提取。施兢業(yè)等[11]提出了基于鄰域均值最大像素和Sobel算子的改進區(qū)域生長法，并將其應(yīng)用于電力設(shè)備的紅外圖像分割。但上述相關(guān)算法普適性較差，無法滿足電廠巡檢機器人完成高溫管道缺陷檢測的需求。

本文針對以上問題，提出了基于改進二維OTSU和區(qū)域生長法的電廠高溫管道缺陷定位和分割方法。首先，通過灰度化處理和改進二維OTSU預(yù)分割，將管道設(shè)備從背景區(qū)域中提取出來；在此基礎(chǔ)上，利用改進多種子區(qū)域生長法實現(xiàn)電廠高溫管道多個缺陷區(qū)域的自動定位與分割。通過實驗，驗證了本文方法的有效性和準確性，算法可應(yīng)用于電廠智能巡檢機器人的后臺圖像處理系統(tǒng)中，實現(xiàn)電廠高溫管道缺陷自動預(yù)警，方便故障的排除。

1 總體方案設(shè)計

電廠智能巡檢機器人主要通過對采集到的設(shè)備紅外圖像進行分析，實現(xiàn)高溫管道設(shè)備缺陷的早發(fā)現(xiàn)、早預(yù)警。

本文重點著眼于其中圖像分析與處理程序的算法設(shè)計，提出一種基于改進二維OTSU和區(qū)域生長法的電廠高溫管道缺陷定位與分割方法。算法的基本步驟如下：

1）原始紅外圖像灰度化；

2）圖像預(yù)分割：通過改進二維OTSU閾值分割，將管道設(shè)備區(qū)域從電廠復(fù)雜背景中提取出來；

3）求取管道正常溫度對應(yīng)的灰度值：由于管道中大部分區(qū)域溫度正常，故通過求取預(yù)分割后圖像的灰度分布直方圖，找到直方圖中除灰度為0時的峰值所對應(yīng)的灰度值*，以此值代表管道正常溫度對應(yīng)的灰度值；

4）基于改進區(qū)域生長法的缺陷檢測：找到灰度鄰域均值最大的像素點位置，判斷該像素點灰度max與*＋(＞0)的大小，其中為正?；叶炔▌娱撝?，若max＞*＋，則證明存在缺陷，且該像素點為缺陷中心；將該點作為一個生長點，基于生長準則完成該區(qū)域的生長，并將預(yù)分割圖像中對應(yīng)生長區(qū)域的像素值設(shè)為0；

5）重復(fù)上一步，直至檢測到所有缺陷區(qū)域中心，即已沒有符合以上條件的生長點；

6）基于改進生長準則完成所有缺陷區(qū)域的分割與提取。

缺陷檢測系統(tǒng)流程圖如圖1所示。

圖1 缺陷檢測系統(tǒng)流程圖

2 基于改進二維OTSU的管道預(yù)分割

紅外熱像儀拍攝的圖像是以偽彩色形式表示物體表面溫度分布的圖，其本質(zhì)是灰度圖像，溫度越高的區(qū)域灰度值越大[12]。因此，為便于缺陷區(qū)域提取，將采集的紅外圖像轉(zhuǎn)化成灰度圖像。此外，為減少背景干擾、求出管道溫度正常狀態(tài)下的灰度范圍，為后續(xù)區(qū)域生長種子點的選取創(chuàng)造有利條件，本文基于改進二維OTSU算法對電廠高溫管道灰度圖像進行預(yù)分割，實現(xiàn)管道設(shè)備區(qū)域的提取。

OTSU即最大類間方差法，主要包括一維OTSU和二維OTSU兩種。由于一維OTSU算法僅考慮到像素點本身的灰度信息，而未考慮其周圍像素點的影響，故較易造成誤分割[13]。二維OTSU在其基礎(chǔ)上引入了像素的位置信息[14]。由像素點自身灰度值與其鄰域平均灰度值兩個量共同作為該像素點的屬性和分割的參考量，可靠性更高。但傳統(tǒng)二維OTSU中依然存在以下問題：①聯(lián)合概率密度的計算未體現(xiàn)灰度級大小的信息[15]；②僅保證了目標與背景的類間方差最大，未考慮類內(nèi)的內(nèi)聚性，故易受噪聲干擾，導(dǎo)致求得的閾值不合理[16]。

針對以上問題，改進后的二維OTSU的原理為：在×的灰度圖像中，通過坐標點(,)定義圖像的像素點，每個像素點的灰度值由(,)表示，同時用表示原灰度圖像的3×3鄰域平滑圖像，即像素點(,)的鄰域平均灰度值用(,)表示，兩幅圖像的灰度級均為（一般為256）。

因此，可將圖像中任一像素點由一個二元組(,)表示，其中和分別表示(,)和(,)，且0≤≤－1，0≤≤－1[17]。傳統(tǒng)二元組的聯(lián)合概率密度為：

式中：C為圖像中二元組(,)出現(xiàn)的頻數(shù)。

在此基礎(chǔ)上，補充考慮灰度級大小的信息，得改進后的聯(lián)合概率密度為：

改進的聯(lián)合概率密度更詳細全面地描述了圖像的信息，使得目標和背景的差別增大，有利于得到更合理和理想的閾值，提高分割精確度。

然后，在由圖像灰度(－1)×(－1)定義的正方形區(qū)域中建立二維直方圖，如圖2所示。設(shè)(,)為閾值點，并以此將整個二維平面切成4個部分，對角線上的區(qū)域1,3分別代表圖像的目標和背景，而遠離對角線的區(qū)域2,4則代表圖像中的噪聲等其他干擾因素。

二維OTSU的核心就是找到一組合適的閾值(*,*)，使得圖像分割效果達到最佳。

圖2 二維直方圖

將目標區(qū)域1記為0，背景區(qū)域3記為1，則目標和背景出現(xiàn)的概率分別為：

目標和背景區(qū)域?qū)?yīng)的均值矢量為：

則二維直方圖總的均值矢量為：

由此可得，兩區(qū)域的類間方差2為：

為進一步提高分割精度，引入類內(nèi)方差對傳統(tǒng)二維OTSU加以改進，類內(nèi)方差是用以衡量背景和目標區(qū)域內(nèi)聚性的指標，類內(nèi)方差越小，分割結(jié)果越精確。兩區(qū)域的類內(nèi)方差分別為：

則兩區(qū)域的類內(nèi)方差為：

2(,)＝0i0＋0j0＋1i1＋1j1(10)

要使類內(nèi)方差盡可能小、類間方差盡可能大，則改進閾值公式為：

(,)＝2(,)/2(,) (11)

即當(*,*)＝max{(,)}時，對應(yīng)的(*,*)便是最佳閾值。通過引入類內(nèi)方差，算法的抗噪性得到提升。

本文中，應(yīng)用二維OTSU的目的是從復(fù)雜背景中提取管道區(qū)域。因此，預(yù)分割后的圖像需保持管道設(shè)備區(qū)域灰度值不變，背景像素點灰度值置為0，若設(shè)預(yù)分割結(jié)果圖像為￠，則：

3 基于改進區(qū)域生長法的缺陷檢測與分割

在電廠中，高溫管道缺陷在紅外灰度圖像上通常表現(xiàn)為灰度值由缺陷中心向周圍區(qū)域不斷降低的連通區(qū)域。此外，電廠管道分布錯綜復(fù)雜，同一場景下可能存在一個或多個缺陷。因此，要求算法不僅適用于連通區(qū)域的檢測與提取，而且要能夠?qū)崿F(xiàn)多缺陷的自動檢測。

區(qū)域生長法的優(yōu)點在于簡單、計算速度快，特別是不需要先驗知識的幫助，也可得到較好的分割結(jié)果[4]。傳統(tǒng)區(qū)域生長法基本流程圖如圖3所示。

在區(qū)域生長法的實際應(yīng)用中，關(guān)鍵問題在于種子點選取方式和生長準則的確定[18]。針對本文所研究的問題，自動、準確地確定種子點的位置和個數(shù)是正確高效地檢測和定位高溫管道上所有缺陷的關(guān)鍵，生長準則的可靠性和穩(wěn)定性則是影響缺陷分割精度的關(guān)鍵。傳統(tǒng)區(qū)域生長法中，種子點一般通過人工選定，工作強度大，檢測效率低[8]；生長準則通常是依據(jù)固定閾值或相關(guān)統(tǒng)計參數(shù)進行構(gòu)建，靈活性差，無法滿足本文需求。因此，本文分別從種子點選取與生長準則兩個方面做如下改進。

圖3 區(qū)域生長法流程圖

3.1 多種子點自動選取

結(jié)合電廠高溫管道紅外圖像缺陷區(qū)域的特征，針對預(yù)分割后的圖像，提出基于灰度直方圖和鄰域平均灰度值的改進多種子點自動選取方法，實現(xiàn)同一場景中多缺陷區(qū)域的自動檢測和定位。

本文多種子點自動選取的基本步驟為：

1）繪制預(yù)分割圖像的灰度直方圖，求除灰度值為0（即背景區(qū)域）外的直方圖峰值所對應(yīng)的灰度值*，即管道區(qū)域中像素點數(shù)量最多、占比最高的灰度值，將∈(*,*＋)作為管道正常溫度區(qū)域的灰度范圍，其中為正常灰度波動閾值，其計算公式為：

＝*×(13)

式中：為常系數(shù)，本文中取1.4。

2）遍歷圖像中的像素點，求出5×5鄰域平均灰度值最高的像素點坐標，將其灰度值記為max；

3）若max＞*＋，則該像素點為管道缺陷的中心點，即可將其作為種子點，在預(yù)分割圖像中依據(jù)生長準則完成該區(qū)域的生長，并將生長區(qū)域的灰度值置為0，其他區(qū)域灰度保持不變。

4）將上一步的輸出圖像作為輸入圖像，重復(fù)步驟2），直至不滿足3）中判斷條件，找到所有種子點為止。

本文多缺陷點自動選取流程圖如圖4所示。

3.2 改進的生長準則

傳統(tǒng)的區(qū)域生長法一般采用固定閾值作為生長準則，需要針對不同的圖片人工調(diào)整閾值，才能獲得比較精確的分割區(qū)域，工作量大，無法適應(yīng)不同場景、不同程度的管道缺陷。因此，本文采用基于生長區(qū)域灰度均值和標準差的自適應(yīng)閾值作為生長準則[11]，同時提出基于Prewitt算子的梯度幅值作為附加生長條件。

圖4 多種子點自動選取流程圖

3.2.1 基于灰度均值和標準差的自適應(yīng)閾值

式中：(,)為內(nèi)的像素點灰度值；為中的像素點總數(shù)。

基于已生長區(qū)域的灰度均值與標準差對預(yù)設(shè)閾值a做相應(yīng)的調(diào)整，計算其灰度變化自適應(yīng)閾值a*為：

式中：a為反映生長條件苛刻程度的預(yù)設(shè)量。

經(jīng)改進的生長準則可根據(jù)缺陷實際情況進行閾值自適應(yīng)調(diào)整，靈活性得到提高，從而有效避免采用固定閾值時易出現(xiàn)的過分割或欠分割現(xiàn)象。

3.2.2 基于Prewitt算子的附加生長條件

因高溫管道缺陷邊緣處灰度值變化較大，即邊緣像素點梯度幅值較大，故考慮基于梯度邊緣檢測算子進一步完善上述生長準則。Prewitt梯度算子在垂直、水平和對角線方向像素點的權(quán)重相等，滿足本文問題研究需求，且結(jié)構(gòu)簡單，計算速度快[19]。因此，本文通過Prewitt算子計算種子點和鄰域像素點的梯度幅值差，將其與設(shè)定閾值0比較，以此作為附加條件加入到生長準則中。

根據(jù)Prewitt算子，對如圖5所示圖像的3×3鄰域做加權(quán)差分。

圖5 像素3×3鄰域圖

中心點(,)沿方向上的梯度幅值為：

G(,)＝[(－1,＋1)＋(,＋1)＋

(＋1,＋1)]－[(－1,－1)＋

(,－1)＋(＋1,－1)] (18)

中心點(,)沿方向上的梯度幅值為：

G(,)＝[(－1,－1)＋(－1,)＋

(－1,＋1)]－[(＋1,－1)＋

(＋1,)＋(＋1,＋1)] (19)

則梯度的幅值為：

設(shè)當前種子點的梯度幅值為(,)，待生長點的梯度幅值為(￠,￠)，閾值為0，則附加限定條件表示為：

附加的梯度幅值限定條件對缺陷區(qū)域邊緣十分敏感，可有效避免因缺陷區(qū)域較小時邊緣模糊導(dǎo)致的過分割現(xiàn)象發(fā)生。

綜合以上兩點，改進的生長準則為：

當所有種子點鄰域像素不存在滿足要求的像素點時停止生長，圖像分割完畢。

由于有了附加生長準則，閾值a*可適當增大，即a可取較大值，以防止因灰度變化導(dǎo)致的欠分割現(xiàn)象。對于灰度級為[0,255]的圖像，a的取值在[20,40]區(qū)間內(nèi)較為合理，0的合理范圍為[30,50]。

4 實驗與結(jié)果分析

為驗證所提基于改進二維OTSU和區(qū)域生長法的缺陷檢測與分割方法的有效性，本文基于OpenCV4.1.0工具在Visual Studio 2015平臺下采用C＋＋語言完成算法實現(xiàn)，并選取3幅不同場景、不同特點的電廠高溫管道紅外圖像（見圖6）進行缺陷檢測。同時，采用人工選定種子點和固定生長閾值的傳統(tǒng)區(qū)域生長法以及文獻[10]中提出的自動區(qū)域生長法對實驗圖像進行缺陷檢測和提取，對比驗證本方法多種子點自動選取的準確性和缺陷區(qū)域分割的精確性。

實驗所用電腦的配置為64位Windows 7操作系統(tǒng)，4GB內(nèi)存，CPU型號為Intel Core i5-4200M，其主頻為2.5GHz。

圖6 電廠高溫管道紅外圖像

圖6為原始紅外圖像，(a)、(b)、(c)三幅圖像中管道區(qū)域分別有1、2、4個明顯的缺陷區(qū)域，可以看出(a)和(c)的背景較為復(fù)雜、干擾較多，且(c)的管道結(jié)構(gòu)也比較復(fù)雜，(b)的圖像背景環(huán)境雖然比較簡單，但管道左側(cè)部分邊緣較為模糊。在實驗中，設(shè)定初始生長閾值a＝30、梯度閾值a＝35，對實驗圖像依次完成灰度化、管道區(qū)域預(yù)分割以及多缺陷點的自動選取和缺陷區(qū)域提取，實驗結(jié)果如圖7所示。其中，(a1)～(a3)依次為3個場景的灰度圖像、(b1)～(b3)為對應(yīng)的管道預(yù)分割圖像、(c1)～(c3)為(b1)～(b3)對應(yīng)的灰度分布直方圖（不包括灰度值為0時的數(shù)據(jù)）、(d1)～(d3)為缺陷區(qū)域的提取和分割結(jié)果。

圖7 本文方法實驗結(jié)果圖

可以看出，針對對比度低、背景復(fù)雜、邊緣模糊的電廠高溫管道圖像，基于改進二維OTSU的預(yù)分割方法可有效去除復(fù)雜背景干擾、提取出管道區(qū)域；基于灰度直方圖求出管道正?；叶戎捣謩e為76、98、90。在此基礎(chǔ)上，經(jīng)改進后的區(qū)域生長法能夠?qū)崿F(xiàn)多缺陷區(qū)域的自動檢測和定位，未出現(xiàn)誤檢，且分割結(jié)果良好，無明顯的過分割或欠分割。

在采用傳統(tǒng)區(qū)域生長法進行檢測時，設(shè)定固定閾值與本文方法中初始生長閾值相等，即＝a＝30。傳統(tǒng)區(qū)域生長法、文獻[10]的自動區(qū)域生長法與本文算法缺陷分割效果的對比圖如圖8所示，將缺陷區(qū)域的大小用像素點個數(shù)表示，如表1所示。

本文方法與其他兩種算法性能對比如表2所示。

圖8 3種算法結(jié)果對比圖

表1 缺陷區(qū)域像素點個數(shù)表

從圖8和表1中可以看出，在使用傳統(tǒng)區(qū)域生長法時，因采用固定閾值作為生長準則導(dǎo)致圖8(b3)存在明顯的欠分割現(xiàn)象，而缺陷邊緣模糊則導(dǎo)致圖8(b2)存在一定程度的過分割；在使用文獻[10]提出的自動區(qū)域生長法時，無明顯的欠分割或過分割，但圖8的(c2)和(c3)中均出現(xiàn)了誤檢現(xiàn)象，抗噪性略差。同時，在實驗過程中發(fā)現(xiàn)，當缺陷區(qū)域較小時，較難通過傳統(tǒng)區(qū)域生長法精確的定位種子點。從表2中可以看出，本文算法在實時性上優(yōu)于傳統(tǒng)區(qū)域生長法，雖較文獻[10]所提方法處理時間更長，但能夠滿足應(yīng)用需求。

表2 算法性能對比表

綜上所述，本文算法不僅可自主、高效地確定圖中缺陷的個數(shù)和位置，節(jié)約人工選定缺陷點的時間，并且能夠較為精確地分割出缺陷區(qū)域的大小和形狀，不易出現(xiàn)欠分割或過分割，算法的可靠性和準確性得到驗證。

5 結(jié)束語

根據(jù)電廠高溫管道紅外圖像的特點，結(jié)合巡檢機器人系統(tǒng)對圖像處理算法的自主檢測能力、準確性需求，本文提出了基于改進二維OTSU和區(qū)域生長法的電廠高溫管道缺陷檢測與提取方法。實驗結(jié)果表明，本文方法能夠?qū)崿F(xiàn)不同背景、不同特點的電廠高溫管道圖像的多缺陷自動檢測和定位，不易出現(xiàn)誤檢；并且，能夠較為精確地分割出缺陷區(qū)域，不易出現(xiàn)欠分割或者過分割，準確性高且具有良好的實時性。需要補充的是，本文方法尚未集成到實際機器人系統(tǒng)中，結(jié)合硬件平臺并應(yīng)用于實時巡檢系統(tǒng)是下一步的主要工作。

[1] 王丞浩. 基于物聯(lián)網(wǎng)的電廠智能巡檢系統(tǒng)移動端設(shè)計與實現(xiàn)[D]. 吉林: 東北電力大學(xué), 2019.

WANG Chenghao. Design and Implement ofMobile TerminalPower Plant Intelligent Patrol System Based on IOT[D]. Jilin: Northeast Electric Power University, 2019.

[2] 華志剛, 郭榮, 汪勇.燃煤智能發(fā)電的關(guān)鍵技術(shù)[J]. 中國電力, 2018, 51(10): 8-16.

HUA Zhigang, GUO Rong, WANG Yong. Key technologies for intelligent coal-fired power generation[J]., 2018, 51(10): 8-16.

[3] 張燕東, 田磊, 李茂清, 等. 智能巡檢機器人系統(tǒng)在火力發(fā)電行業(yè)的應(yīng)用研發(fā)及示范[J]. 中國電力, 2017, 50(10): 1-7.

ZHANG Yandong, TIAN Lei, LI Maoqing, et al. Application and development of intelligent inspection robot system in thermal power plant[J]., 2017, 50(10): 1-7.

[4] 徐蔚波, 劉穎, 章浩偉. 基于區(qū)域生長的圖像分割研究進展[J]. 北京生物醫(yī)學(xué)工程, 2017, 36(3): 317-322.

XU Weibo, LIU Ying, ZHANG Haowei. Research progress in image segmentation based on region growing[J]., 2017, 36(3): 317-322.

[5] Jain Preetha M M S, Padmasuresh L, Bosco M J. Firefly based region growing and region merging for image segmentation[C]//2016(), 2016: 1-9.

[6] 彭雙, 肖昌炎. 結(jié)合區(qū)域生長與模糊連接度的肺氣管樹分割[J]. 計算機工程與應(yīng)用, 2016, 52(13): 201-205.

PENG Shuang, XIAO Changyan. Segmentation of pulmonary airway tree by combining region growing and fuzzy connectedness[J]., 2016, 52(13): 201-205.

[7] Senthilkumar B, Umamaheswari G, Karthik J.A novel region growing segmentation algorithm for the detection of breast cancer[C]//2010, 2010: 1-4.

[8] SONG L, LV Y, YANG B, et al. Segmentation of breast masses using adaptive region growing[C]//, Ifost, 2013: 77-81.

[9] 倪豪, 鄭慧峰, 王月兵, 等. 基于自動種子區(qū)域生長的超聲B圖像缺陷分割方法[J]. 計量學(xué)報, 2018, 39(6): 878-883.

NI Hao, ZHEN Huifeng, WANG Yuebing, et al. Ultrasonic B image defect segmentation Method Based on automatic seeded region growing[J]., 2018, 39(6): 878-883.

[10] 李小磊, 曾曙光, 鄭勝, 等. 基于滑動濾波和自動區(qū)域生長的陶瓷瓦表面裂紋檢測[J]. 激光與光電子學(xué)進展, 2019, 56(21): 49-55.

LI Xiaolei, ZENG Shuguang, ZHENG Sheng, et al. Surface crack detection of ceramic tile based on sliding filter and automatic region growth[J]., 2019, 56(21): 49-55.

[11] 施兢業(yè), 劉俊. 基于改進區(qū)域生長法的電力設(shè)備紅外圖像分割[J]. 光學(xué)技術(shù), 2017, 43(4): 381-384.

SHI Jingye, LIU Jun. Metation based on modified region growing algorithm[J]., 2017, 43(4): 381-384.

[12] 胡淋波, 姚建剛, 孔維輝, 等. 基于紅外圖像的高壓絕緣子串自動定位方法[J]. 紅外技術(shù), 2015, 37(12): 1047-1051.

HU Linbo, YAO Jiangang, KONG Weihui, et al. High voltage insulator string automatic location method based on infrared image[J]., 2015, 37(12): 1047-1051.

[13] 宋銀龍. 基于二維Otsu和模糊聚類的圖像分割的研究及應(yīng)用[D]. 合肥: 合肥工業(yè)大學(xué), 2012.

SONG Yinlong. Research and application of image segmentation based on two-dimensional otsu and fuzzy clustering[D]. Hefei: Hefei University of Technology, 2012.

[14] 倪偉傳, 許志明, 劉少江, 等. 復(fù)雜環(huán)境下的自適應(yīng)紅外目標分割算法[J]. 紅外技術(shù), 2019, 41(4): 357-363.

NI Weichuan, XU Zhiming, LIU Shaojiang, et al. Adaptive Infrared Target Segmentation Algorithm in Complex Environment[J]., 2019, 41(4): 357-363.

[15] SHAO L, ZHANG Y, LI J, et al. Research on High Temperature Region of Infrared Pipeline Image Based on Improved Two-Dimensional-Otsu[J]., 2019, 39(5): 1637-1642.

[16] 彭啟偉, 羅旺, 馮敏, 等. 改進二維Otsu法和果蠅算法結(jié)合的圖像分割方法[J]. 計算機應(yīng)用, 2017, 37(S2): 193-197.

PENG Qiwei, LUO Wang, FENG Min, et al. Novel method for image segmentation based on improved two-dimensional Otsu and fruit fly algorithm[J]., 2017, 37(S2):193-197.

[17] 周云燕, 楊坤濤, 黃鷹. 基于最小類內(nèi)離散度的改進Otsu分割方法的研究[J]. 華中科技大學(xué)學(xué)報: 自然科學(xué)版, 2007, 35(2): 101-103. ZHOU Yunyan, YANG Kuntao, HUANG Ying. Improved Otsu thresholding based on minimum inner-cluster variance[J].: Natural Science Edition, 2007, 35(2): 101-103.

[18] HUANG C, LIU Q, LI X. Color image segmentation by seeded region growing and region merging[C]//2010, 2010: 533-536.

[19] YANG L, WU X, ZHAO D, et al. An improved Prewitt algorithm for edge detection based on noised image[C]//2011 4th, 2011: 1197-1200.

Power Plant Pipeline Defect Detection and Segmentation Based on Otsu’s and Region Growing Algorithms

PENG Daogang1，YIN Lei1，QI Erjiang1，HU Jie2，YANG Xiaowei3

(1.,,200090,;2.,201900,;3.,,201203,)

In this study, we consider the complex background and high interference that adversely affect infrared images of high-temperature pipelines in power plants and the requirements of image processing algorithms for inspection robot systems.We propose a high-temperature pipeline defect detection and extraction method based on an improved two-dimensional Otsu and region growth algorithms. After grayscale conversion, a2DOtsumethodwas used to extract the pipeline area. Based on the grayscale histogram of the pipeline region and the average gray value of the neighborhood, automatic detection and positioning of multiple sub-points were realized. The segmentation of the defect area wasaccomplished using two methods.The adaptive threshold was determined based on the gray mean and standard deviation values of the growth area,while thegrowth criterion was improved using the gradient amplitude of the Prewitt operator. The experimental results show that the proposed algorithm can not only realize the automatic detection and positioning of various defects in high-temperature pipelines of power plants, but it additionallysegments the defect regions more accurately with high accuracy and good real-time performance.

power plant inspection robot, infrared image, high temperature pipeline defect detection, improved two-dimensional OTSU, improved region growing algorithm

TP391.41

A

1001-8891(2021)05-0502-08

2020-08-16；

2020-10-24.

彭道剛（1977-），男，教授，博士，從事智能發(fā)電、能源互聯(lián)網(wǎng)、電力巡檢機器人研究。E-mail：pengdaogang@126.com。