安全运输、处理和处置/重用的污水是人类社会不可或缺的健康运转。提供这些服务依赖于许多类型的大量资产持续运转,与设计/服务生活,从非常短,寿命长(从年,几百年)。在传统的排水系统中,一个下水道网络是用来传达废水远离住宅,商业和工业,到水处理厂的废物处理处置对环境所需的标准,或者允许水和固体成分越来越被回收和重用。

下水道网络通常是大(的排污管道的长度),异构(资产特征和操作的上下文),寿命长,受到多重和复杂的恶化过程。被埋,下水道也隐藏。所有这些因素意味着排水系统的管理提供了一个资产管理公司和维护专业重大挑战(见讨论资产管理( 1])。资产管理工具和过程因此需要帮助目标资源有限,在那里他们可以提供最有价值的维护资产功能和服务提供。

人们普遍认为基于风险的概念提供了一个适当的框架内来解决这一管理挑战[ 2]。在资产管理、风险通常是被失败的可能性和后果的乘积。然而,由于很难确定失败可能性废水资产( 1经常使用)、资产状况作为替代措施(例如, 3])。在这种方法中,可接受的资产条件定义,描述阈值上面失败的可能性被认为是不可接受的(例如, 4])。检查资产条件可以用于确定资产的当前状态是否可以接受;这个过程通常被称为“条件评估”( 3]。

鉴于潜在的费用在下水道网络进行状态评估,资产管理流程和检验技术的进步正在寻求将低成本检查和/或允许更大的价值提供检验数据的提取。记住这些需求,本文提出了一些使用数字图像研究检验的自动化。首先简要概述的下水道恶化,随着央视检验过程的描述普遍用于识别,恶化。材料提出了这样一种方式,说明角色央视检验在下水道的管理资产,从而定义自动化这个过程的基本要求。论文的主要部分着重研究图像识别技术,目前正在开展的首要目的是减少监控检查的单位成本。

重力下水道的恶化可以描述为一个与时间有关的过程,经过不同的阶段。特别是,至少有三个阶段参与发展对管的结构破坏;这些都是(参见[ 5)和引用给定其中)如下:

由于下水道是隐藏的一天比一天看来,恶化可能发生忽视,这反过来会导致意想不到的故障。这种失败的后果的范围从轻微影响(中断客户服务条款如贫穷冲厕所)主要的(如污染事件相关的溢出,内部属性的洪水,甚至伤害或损失有关的生活道路和其他结构的崩溃)。以及这些后果、应对失败的下水道的成本可能是由于高的反应性质动员必要的资源、设备和材料,和额外的费用相比,这会带来计划/程序工作。记住这些问题,它可以检查资产的经济了解管道的结构条件(或一组管道),防止故障通过随后的干预(例如,修复、改造或替代资产)。这样的检查也进行其他资产管理的目的,包括监管报告和战略规划(例如, 1])。

闭路电视(CCTV)相机常用检查下水道。闭路电视摄像头插入管是通过人孔或其他访问结构检查。然后遍历相机沿着管道通过手工或机械手段。获得的图像是由操作员和审查任何缺陷管道指出,最好使用一个标准化的缺陷编码方案(见[ 6)更多的描述性信息编码方案和细节)。随后检查的记录也可以评估的工程师,如认为必要。

简化报告和总结央视检查的结果,一个常见的做法是用观察到的缺陷(直接基于运营商的判断或通过审查缺陷代码)分配一个整体(总结)条件级管部分(管道部分通常定义的两个访问结构)之间的管道长度。成绩可以分配的严重缺陷,例如,一个“分数”峰值和/或作为一个整体测量沿着管道的缺陷,例如,“平均评分”(见[ 6, 7更多细节)。

年级分配条件总结了管道的总体状况的描述性的状态从“新”到“废弃”条件。例如,条件等级定义用于该中心下水道康复手册( 7)如表所示 1。等分级方案可以概念化的简化表示下水道恶化过程;即管假设从1级到成绩差条件恶化。

广泛承认央视检验是一个主观的过程,是受运营商错误(例如,看到讨论( 1])。这种主体性已经被一些研究者用来证明自动检查闭路电视系统的发展(例如, 8])。因此有趣的考虑这是否主体性真正的自动化提供了理由,或者需要其他司机。参照表 1可以看出,从央视检查详细信息获得最终总结成简单的类别,以反映潜在的失败,从而维护工作的优先级。下水道而不是获得一个精确的描述的缺陷,常规央视的一个关键要求检查因此适当地将资产分配给这些等级。一定程度的主观性的评估是可以接受的,只要主体性并不影响决定承担维护干预。例如,考虑实际的解释分级方案见表 1。意味着使用的定义是很重要的一个闭路电视运营商或其他评估员来识别缺陷区分资产条件等级1 - 3(不需要工作)和条件等级4或5(工作需要立即或在可预见的未来)。

考虑到这些因素,它是绝对必要的,央视的解释足够准确的检验数据来识别缺陷表明资产条件等级4或5;也就是说,维护工作是必要的。改善精度检验过程的超越这种级别的描述,在作者的观点,不必要的通用资产管理的目的,和当前的检验过程的主体性并不因此提供一个适当的水平的理由发展自动化过程。相反,它是我们断言使用自动化的过程,只有合理的如果它减少检查的总体成本,从而允许将更多资产检查。我们设想两个级别的自动化是可能的

记住这之后的目标,工作已经进行到图像识别技术的发展,在本文的其余部分描述。

自动管检测系统由两部分组成。这些图像采集部分和图像识别,或解释,组件。图像采集系统通常是由机器人装置穿过管获得的图像。图像可能灰度、色彩、范围、形态或其他传感器。解释系统处理图像采集设备获得的图像识别缺陷和功能,可能产生一个报告关于管的状态。

早期的半自动检测系统是卡系统( 9)由多传感器检测装置和双行程解释系统。首先在很大程度上自动通过分层模糊逻辑传感器融合算法被用来识别候选的缺陷然后详细调查运营商在第二次通过。

PIRAT系统( 10)是由一个检验装置提供范围图像(通过激光条纹图案)解释系统一起使用神经网络等人工智能技术( 11]。图像采集设备PIRAT系统如图 1。Moselhi制度和Shehab-Eldeen 12](分析的图像被抓帧器获得中央电视台)利用反向传播神经网络的操作特征向量来自缺陷区域。Sinha和Karray 13)描述一个系统使用图像分析识别管道裂缝,和去噪算法。杜兰制度等。 14]操作相机/激光图像和使用一个两阶段方法基于图像处理和人工神经网络。在第一阶段二元分类器识别缺陷管部分和第二阶段的缺陷分为不同的类型。

我们最近的工作致力于解释系统的发展而不是建筑的检验设备。这样的解释数据系统可以提供的商业检验系统等,如图 2。这样一个检测系统将通过管道和获得大量的彩色图像。我们还假设有能力结合所有这些图像形成一个打开管形象。打开管图像是一幅圆柱管代表的极坐标。图 3显示了这样一个形象的一部分。在本文,我们将假设解释系统访问这样一个打开管形象。如果不是这样那就需要构建一个打开管图像从底层图像,然后处理,或其他处理每个个人的底层图像,然后编织在一起的所有处理输出,形成一个整体管条件报告。

从灰度图像彩色图像提供显著不同的信息或范围的图像。这可以增加一些图像处理的任务的有效性进行的图像。然而,在其他一些方面,任务更加困难。彩色图像,颜色和强度的信息是,可能没有办法判断缺陷或特性是一个入侵或挤压。这是因为一片管表面如果翻译是基本相同的空间。这意味着它可能很难区分类别“腐蚀”、“存款”等缺陷。另一方面它可能侵蚀往往有一个特定的颜色或纹理特征而存款有另一个在这种情况下,彩色图像数据足以区分他们。

范围图像可以决定是否一个缺陷或特性是一个入侵或挤压通过简单的比较范围值在缺陷附近的范围值的缺陷。因为这个原因我们也可以假设,当讨论范围的相关属性值的缺陷,解释系统有一个可用的拆开管范围的形象。这个范围内图像可能提供的检测系统,否则可能由处理彩色图像使用摄影测量检测系统获得的。如果使用摄影测量检验设备的成本只会是彩色图像采集系统的成本如在商用系统。如果图像范围从然后检查装置获得图像采集的硬件范围可以很容易地集成,以低成本,现有的基于成像检测系统( 14]。

拟议的系统类似于用于PIRAT解释系统。它包括预处理、分割、分类、图像分析和高水平的系统模块。预处理等操作进行平滑和过滤管图像后续处理模块在一个合适的形式。分割模块将输入图像划分成有意义的子集。对于两种细分每个子集是“的”(ROI)或“好管。“分割可以影响像素标签结合连接组件标签。每个ROI图像分类模块分类输出的分割是一个数量的类,如“洞”,“腐蚀”,“管连接,”“存款”和“树根”。

提出系统和一个基本区别PIRAT分割系统操作使用彩色数字图像而不是图片。这开辟了更有效的分割利用颜色信息的可能性。提出了系统的原理图如图 4。

使用彩色图像数据的结果是,很难产生合适的模拟数据。这意味着分割和图像的像素标签分类器分类器训练从真实数据。如果神经网络或相关分类器然后使用这些分类器需要成百上千的训练情况下进行训练。对像素贴标机的情况下这可能不是那么糟糕,因为只有一个映像都包含成千上万的像素。

然而,对于训练图像分类器的图像需要。这是不太可能是可行的。因此该系统不会使用图像分类的神经网络或类似的分类器。而图像分类的一部分可进行图像分析或通过使用多级细分。

决策树分类器可以实现。基本决定,必须对一个ROI是否它是一个入侵或挤压。这可以通过比较平均范围值对缺陷像素的平均范围值的off-defect像素的边界附近的缺陷。

这些值的差异的情况下确定缺陷是一个挤压可用于分配的缺陷是一个洞或腐蚀。另外,通过使用适当的模糊隶属度函数,缺陷可以被分配模糊隶属函数值的类“洞”和“腐蚀”。

一些漏洞可以被称为管连接的管道连接探测器检查缺陷的尺寸和位置,可以计算出最适合的椭圆缺陷的边界以复合模糊成员值。

侵入性的缺陷可以给定一个确定的或通过使用模糊分类为树根或存款的树根检测器计算范围的off-defect像素值之间的最大偏差和对缺陷像素在windows集中在边界点的缺陷。

因此可以构建一个确定的或模糊的影像分类模块不使用神经网络分类器的问题。

本文的剩余部分描述了一些技术在管道缺陷的识别和特征图像。在每种情况下的第一步是进行管道的分割图像(见部分 5),结果在一个二进制图像。这个二进制图像的候选的连接组件缺陷区域或管道的特性。大连接组件扩展完整的管道称为校长分割区域,包含了管流线路,管道接头,和毗邻的缺陷。其他连接组件是候选人腐蚀缺陷和管道连接。因此需要一种方法来区分腐蚀区域和管道连接。在这个研究中,腐蚀缺陷和管道连接使用一个简单的模糊方法是有区别的。校长分割区域然后分解成它的组成流动线区域,管接头区域,和相邻缺陷区域使用数学形态学的技巧,如部分所述 7。一概而论的形态学操作描述腐蚀和膨胀。

有许多的彩色图像分割方法包括阈值,基于特征聚类,提出方法,边缘检测方法,模糊方法和神经网络方法( 15]。

最简单的方法是阈值的亮度,然后进行连接组件标签。这个系统中进行了Moselhi和Shehab-Eldeen [ 16]。结果取决于选择的阈值分割。适用标准的方法选择一个阈值,当图像亮度直方图双峰在某种程度上的空间分辨率的像素值在这种情况下,阈值选择在两座山峰之间的山谷的位置。然而,实验表明,管的亮度直方图图像并不总是双峰。

一个阈值可以通过尝试和错误选择的样本图像,然后进行更广泛的一类更广泛的图像。23日试验图片393米的混凝土管。发现,一般地区的腐蚀比地区暗管好,一些地区良好的比一些地区暗管的腐蚀。因此单一的阈值不能用来区分区域的腐蚀和地区良好的管道。绕过这个问题的一种方法,图像的问题来自不同管类型,是管道图像通过图像预处理区域平衡。最初的基于阈值的分割在图像亮度直方图最左边的山谷。这确定了黑暗区域的管图像造成流动线,管接头和管连接。进行平衡这些区域的补的联盟。块被选为每个管的宽度约10%的形象,大到足以不过于由任何特定的缺陷或特性。发现平衡增强图像和模糊的随机变化的缺陷。 Therefore, a simpler, linear transformation was used rather than the nonlinear equalisation transformation. The images in blocks were rescaled according to the average brightness of the image in the block outside the initially segmented dark regions. At each pixel in the block outside the initially segmented dark regions and for each colour component the value is changed according to

(1)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"> 价值 = 老 价值 × ( 参考 _ 亮度 / 平均 _ 亮度 ) ,

在reference_brightness可以选择“典型”图像的平均亮度的图像组可用的管道。

块新图像全局阈值。在这个过程中系统参数的变化reference_brightness相当于一个相应的阈值的变化。因此参数reference_brightness不作为一个独立的系统参数和价值选择,因为它是不重要的,只要随后可以选择阈值。导致分割获得通过的连接组件产生的标签图像阈值,对于任何像素,

(2)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"> 标签 = 1 如果 亮度 < 阈值 , 0 否则 ,

的最大亮度的红色,绿色和蓝色的像素值。

每个阈值与一个标签图像定义相关联的一个子集组成的像素点阵图像的标签是1。从阈值映射到图像点阵的子集是同态的晶格子集下令包容。换句话说,给定两个阈值threshold_1 threshold_2和相应的子集subset_1 subset_2

(3)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"> ( 阈值 _ 1 < 阈值 _ 2 ) ⇒ ( 子集 _ 1 ⊂ 子集 _ 2 ) 。

实验表明,当阈值大相关的标签图像很大,导致过分割,如果阈值相关的标签图像小导致欠分割。针对表现为假阳性发现缺陷区域,是地区它被标记为缺陷区域不出现缺陷区域。欠分割表现为假阴性,这似乎是区域缺陷区域但不标记。发现对于某些图像都存在假阳性和假阴性的分割。因此没有阈值导致一个完全正确的分割图像。

主要的分割方法,我们认为本文中描述( 17]。这是一个监督方法涉及来自像素的特征向量分类或社区的像素 18]。

许多作者使用一个特征向量组成简单的RGB(红、绿、蓝色)的一个像素值作为输入分类器( 19]。我们也用作特性集H, S和B组件HSB(色相、饱和度和亮度)颜色空间( 20.]。为了获得一个分割系统,独立于照明条件我们也尝试了特性集组成的H和S HSB色彩空间的组件。

此外,一个稍微复杂的特性集实现的马克斯,分钟,平均计算窗口(RGB值的大小<我nline-formula> 7 × 7 )一起对每个像素最大值,最小值,我由一个强度特性的平均水平

(4)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"> 我 = ( R 2 + G 2 + B 2 ) 。

我们也使用了一个更复杂的特性集由伽柏纹理滤波器( 21, 22]。我们使用了一个支持向量机分类器。支持向量机有一定的属性,使其优于神经网络等较小的训练集和拥有更好的概括能力。

生成SVM的训练集的一组特征向量在每个像素分类必须从训练数据中提取图像。可自动提取特征向量,但分类标签必须确定手动(如果他们可以自动确定分割的我们已经解决了这个问题)。

本手册会影响像素分类过程使用一个GUI程序,显示一个训练图像和允许用户选择特定区域或组像素并指定一个特定的分类。

一个更简单的方法来产生训练集的像素分类器是选择矩形区域常数分类使用标准工具。这种简单的方法是使用,矩形区域如图 5选择和提取混凝土污水管的打开管形象(图所示的一部分吗 3)。腐蚀的区域提取区域和地区良好的管道。good_1的文件。bmp和good_2。bmp是用于测试分类器,其余管道腐蚀和良好的文件用于训练和测试。

进行了训练和测试使用这些数据为每个特性集。测试上的像素分类器测试的结果集,留出如表所示 1。表显示,当测试的测试数据已经搁置在训练和good_1中包含的数据。bmp和good_2。bmp的分类器使用所有功能集时表现良好,除了商品的特性集。

通常在应用SVM像素分类器在训练中使用图像以外的其他块重新调节上面描述的应用。为了进行更广泛的测试,支持向量机为RGB像素分类器算法,伽柏,当地的窗口,HSB和商品特性集应用到拍摄的图像从393混凝土污水管。HSB案件的结果应用于图的形象 3如图 6。最好的分割结果HSB特性集( 17]。

伽柏,RGB和HSB像素标签图像包含单一像素和其他很小的缺陷。这些也许不是一个问题,因为这样的缺陷可以过滤掉在更高的级别上的管道检测系统在图像分类和分析。

分割操作的结果为每个管在内的一些地区的形象。规模最大的此类地区延伸的完整的管是由底部的管流行一起从流管接头辐射线。任何有缺陷的区域附加到这些区域形成主要分割区域的一部分。分割区域以外的主要分割区域形成候选腐蚀区域,其他缺陷区域或管道连接。在本文的工作我们专注于缺陷的腐蚀类型。

管连接可能是区别于腐蚀区域通过使用一个简单的模糊方法。缺陷区域可能是管道连接如果它位于约横向管及其大小是合适的大小的范围内。它也可以考虑要求一个形状的,例如,一个最适合的椭圆拟合优度参数都在合适的范围内。然而,正如穆勒和费舍尔所指出的 23分割区域引起的管道连接可以有许多形状椭圆。

可以定义模糊隶属度函数的条件,合适的缺陷横向位置和大小。这样的隶属函数如图 7在这<我nline-formula> θ 的角形心管缺陷的测量管的底部和缺陷像素的面积。缺陷的质心计算自动通过向量的平均位置矢量的像素缺陷。自动计算质心的角度改变y坐标的重心在于时间间隔(<我nline-formula> - - - - - - 180年 ,180]。缺陷的面积计算自动通过计算像素的缺陷的数量。按照通常的规则隶属度函数结合在一起的整体缺陷是否隶属函数值可以通过管道连接这两个隶属函数的最小值。的隶属函数值腐蚀缺陷是否可以获得通过管道连接的补充成员值。缺陷可能会宣布一个管道连接的管道连接隶属函数值超过它的隶属函数值,腐蚀和腐蚀。管道连接检测通过这个简单的模糊方法被应用于试验考虑图像完全准确检测的结果除了一种情况下,管道连接在图像的边界。这样的情况下可以避免通过处理全部拆开管图像或其他使用重叠的窗口。

缺陷区域连同他们的分类为腐蚀或管道连接可以通过GUI显示如图所示,例如,在数字 8和 9在支持向量机分割的结果显示使用HSB特性向量。

系统在发现缺陷或功能的有效性取决于分割的质量。支持向量机的分割结果取决于参数reference_brightness这一点是重要的,因为SVM训练是没有尺度改变像素值。在这种情况下的价值reference_brightness由试验和错误决定。当reference_brightness高系统under-segments导致更多的假阴性。当reference_brightness低系统算法导致假阳性。一些值的reference_brightness与假阳性和假阴性。因此,在阈值方法的情况下,完美的分割使用SVM方法无法实现。

然而,支持向量机方法有潜力成为一个更强大的分割方法,因为它考虑了图像的颜色属性而不是亮度灰度值和利用更多的信息出现在图像。在本文的其余部分使用的分割方法使用HSB SVM像素分类特征向量。

是可取的方法把校长分段区域分解成单独的组件,即流动线,管接头,毗邻的缺陷。这可以通过使用数学形态学的方法。

灰度形态学已经被Sinha和Fieguth 24段管接头,管连接。然而,在我们的工作,一个二进制图像分割之前已经存在的分割使用支持向量机或其他方法。因此,可以使用更可靠的二进制图像形态。同时,我们定义一概而论的形态学操作更适合于图像分析。

考虑流动线检测的问题。人物的形象 10是一个典型的例子一段包含流动线管,管接头及邻近的缺陷。相关主要二进制图像后获得支持向量机分割和连接组件标签如图 11。现在我们回想一下,如果一个二进制图像与一组相关联<我nline-formula> 一个 ⊂ X 在哪里<我nline-formula> X = { 0 , … , 米 - - - - - - 1 } × { 0 , … , n - - - - - - 1 } 图像点阵的侵蚀吗<我nline-formula> 一个 ⊖ E 的<我nline-formula> 一个 对一个结构化元素<我nline-formula> E ⊂ Z 2 是由

(5)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M13"> 一个 ⊖ E = { x ∈ X : E x ∩ X ⊂ 一个 } ,

和扩张<我nline-formula> 一个 ⊕ E 的<我nline-formula> 一个 关于<我nline-formula> E 是由

(6)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M17"> 一个 ⊕ E = { x ∈ X : E ̂ x ∩ 一个 ≠ ∅ } ,

在哪里 (7)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M18"> E x = { x + e : e ∈ E } ⊂ Z 2 , E ̂ = { - - - - - - e : e ∈ E } 。

让<我nline-formula> 一个 是主要的分割区域如图 11。是很自然的,试图定义流的核心区域线的<我nline-formula> 一个 ⊖ E E的水平结构元素在哪里

(8)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M21"> E = { ( 0 , j ) : j = - - - - - - 元素 _ 长度 _ 1 , … , 元素 _ 长度 _ 1 } 。

然而,这个侵蚀的结果element_length_1 = 100如图 12。侵蚀不提供的好表示流水线。这种行为的原因是一些点的凸包流水线地区失踪是由于随机噪声的变化。这导致侵蚀形象缺失值的行。这种行为可以避免通过定义一个概括的侵蚀操作我们称之为<我nline-formula> α 侵蚀、部分侵蚀或局部侵蚀。让<我nline-formula> α ∈ ( 0 1 ] 。的<我nline-formula> α 侵蚀( 25]<我nline-formula> 一个 ⊖ α E 由结构元素<我talic> E被定义为

(9)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M26"> 一个 ⊖ α E = { x ∈ X : | E x ∩ 一个 | ≥ α | E x ∩ X | } ,

一组,在哪里<我nline-formula> 年代 ,<我nline-formula> | 年代 | 元素的数量吗<我nline-formula> 年代 。因此<我nline-formula> 一个 ⊖ α E 由这些点<我nline-formula> x 在<我nline-formula> X 这样分的分数<我nline-formula> x 翻译的<我nline-formula> E 在<我nline-formula> 一个 大于或等于什么<我nline-formula> α 。

实施的结果<我talic> α侵蚀的形象图 11通过上面定义的水平结构元素element_length_1 = 100<我nline-formula> α = 0.9 如图 13。这给了一个好的流线的核心地区的代表。流水线地区可能被估计的扩张的核心流水线结构区域的元素

(14)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M59"> E = { ( 我 , 0 ) : 我 = - - - - - - 元素 _ 长度 _ 2 , … , 元素 _ 长度 _ 2 } 。

通过获得的二进制图像<我nline-formula> P ~ F 在哪里<我talic> P校长二进制图像,吗<我talic> F是(估计)流水线区域如图 14。这代表了管接头及邻近的缺陷。候选人管关节可能会发现的<我nline-formula> α 侵蚀的形象的构建元素

(15)<米米l:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M63"> E = { ( 我 , 0 ) : 我 = - - - - - - 元素 _ 长度 _ 3 , … , 元素 _ 长度 _ 3 } ,

图所示的结果 15。

候选人管接头组件是这张图片的连接组件。对于给定的例子中,有6个这样的组件。管接头可能取决于候选人的分析管接头设置( 25]。

管接头检测上面描述的方法已经应用于23日考虑图像393米的混凝土管与分类精度100%的结果。

管的自动化检查有可能提高央视的效率审查过程通过使用全部或部分自动化系统。半自动管道检测系统可以作为筛选系统过滤图像获得的图像采集系统,肯定很高程度的概率(或)不包含重大缺陷。管道自动检测系统的一个有用的功能是能够检测和识别管特性,比如管连接,流纹,管接头以及管道的缺陷。

本文的方法自动管检查信号解释基于彩色图像的分割方法已被提出。细分方法是测试使用RGB,伽柏,本地窗口,HSB,商品特性集。人们已经发现,这种方法效果最好的HSB特性。可以使用分割算法作为管道检测系统的一部分,也利用图像信息缺陷分类的目的。这样的图像信息可直接获取范围从检验设备或其他可能通过分析彩色图像获得的检验设备通过使用多个视点几何。

一个简单的方法来检测管道连接采用模糊隶属度函数有关缺陷的大小和位置被描述。

主要通过数学形态学分割区域的分析使流水线,管接头,相邻缺陷被检测出来。虽然展现一些假阳性或假阴性的腐蚀检测系统在检测流水线基本上100%的准确率,管接头和管子连接,对这些数据进行了测试。