[发明专利]一种金属软管多区域泄漏检测方法

说明书

本发明公开了一种金属软管多区域泄漏检测方法，包括：采集金属软管图片形成样本数据集并进行预处理，划分训练集和验证集；训练深度学习模型并验证；采用训练好的深度学习模型获取各管体和接头ROI区域中心点并进行旋转坐标变换；将变换后的管体ROI区域放大进行子区域划分；将划分好的子区域转换为灰度图，进行背景建模以区分前景点和背景点，获得第n帧之后各金属软管图片的二值图；利用二值图计算各子区域的前景点像素变化频次，获得对应子区域的频次变化百分比；计算出全部金属软管的总泄漏量；分别将总泄漏量与各子区域的频次变化百分比相乘，获得对应子区域的泄漏量。该方法能够提高检测的准确率，实现多区域泄漏的定位、定量检测。

技术领域

本发明属于气密性检测技术领域，具体涉及一种金属软管多区域泄漏检测方法。

背景技术

气密性检测在工业中使用广泛，是评估压力容器安全性和质量的重要标准之一。产品需要根据行业规定的标准进行泄漏检测。现有技术中对于金属软管的气密性检测通常采用人工水检法。由于人工水检法检测无法做到定量检测，而且需要人眼观察水中气泡，长时间难免存在疏漏。而随着机器视觉的发展，可以将机器视觉算法应用于金属软管气密性检测中，以提高检测效率和准确率。

现有技术中基于机器视觉的金属软管气密性检测通常采用传统的图像处理算法，包括帧差法、光流法、GMM等方法，这些方法都是基于运动目标来识别气泡的大小，而气泡在水中移动的过程中往往由于环境光照变化，识别的精度会降低且只能做到对泄漏区域的检测，无法准确地计算泄漏量。因此，为实现准确识别计算，本发明提出一种金属软管多区域泄漏检测方法。

发明内容

本发明的目的在于针对上述问题，提出一种金属软管多区域泄漏检测方法，能够提高检测的准确率，并对多区域进行检测计算出泄漏量，实现泄漏的定位、定量检测。

为实现上述目的，本发明所采取的技术方案为：

本发明提出的一种金属软管多区域泄漏检测方法，应用于检测金属软管的气密性，金属软管包括管体和接头，金属软管多区域泄漏检测方法包括如下步骤：

S1、将若干个金属软管放入注水的容器后对金属软管进行充气保压，采集金属软管图片形成样本数据集并进行预处理，将预处理后的样本数据集划分为训练集和验证集，预处理为对样本数据集中每张金属软管图片上的管体和接头分别进行ROI区域标注并打上标签；

S2、利用训练集训练深度学习模型并采用验证集进行验证，获得训练好的深度学习模型；

S3、采用训练好的深度学习模型分别获取各金属软管图片的管体ROI区域中心点和接头ROI区域中心点，并按照第一夹角θ进行对应管体ROI区域的旋转坐标变换，第一夹角θ为对应的管体ROI区域中心点和接头ROI区域中心点的连线与水平线所成夹角；

S4、将旋转坐标变换后的管体ROI区域进行放大，对应获得矫正后的管体ROI区域位置信息，并对矫正后的各管体ROI区域进行子区域划分，获得对应的子区域坐标；

S5、将划分好的子区域转换为灰度图，并根据前n帧金属软管图片进行背景建模以区分前景点和背景点，获得第n帧之后的各金属软管图片的二值图；

S6、利用二值图计算各子区域的前景点像素变化频次，并根据预设检测阈值ε获得对应子区域的频次变化百分比；

S7、基于理想气体状态方程计算出全部金属软管的总泄漏量；

S8、分别将总泄漏量与各子区域的频次变化百分比相乘，获得对应子区域的泄漏量，并根据子区域坐标完成金属软管多区域的气密性泄漏检测定位。

优选地，训练集和验证集的划分比例为9:1，ROI区域采用labelImg工具进行标注。

优选地，深度学习模型为YOLOv5s模型。

优选地，采用验证集进行验证，过程如下：