【技术实现步骤摘要】
本专利技术涉及锅炉内壁巡检领域，具体为一种锅炉内壁巡检方法及系统。
技术介绍
1、锅炉内壁巡检是一项关键的工程和维护活动，用于确保锅炉的安全运行和性能，锅炉内壁巡检的主要目的是检查和评估锅炉内部壁面的状态，以发现和识别潜在的问题和缺陷，如腐蚀、磨损、裂纹等，以及及时采取维护和修复措施，以防止设备故障、提高效率并确保工作环境的安全，锅炉内壁巡检对于确保锅炉的安全运行和延长设备寿命至关重要，它有助于提前发现潜在的问题，减少设备故障的风险，同时也有助于节省能源和维护成本，这个过程需要专业的培训和经验，以确保巡检工作的准确性和可靠性。
2、现有的锅炉内壁巡检方法通常存在一些缺陷，包括：
3、1.主观性差：传统方法可能依赖于人工操作，巡检员需要凭经验来识别和评估内壁的缺陷，这会导致主观性和可变性，可能会漏检或误判；
4、2.效率低下：传统方法可能需要大量的人力和时间，特别是对于大型锅炉，巡检可能需要停机，造成生产中断和损失；
5、3.安全问题：在内壁巡检中，有时需要巡检员进入危险的高温或高压环境，存在潜在的安全风险；
6、4.遗漏率高：传统方法可能会因为人为疏忽或难以观察到的地方而导致遗漏缺陷。
技术实现思路
1、本专利技术的目的在于提供一种锅炉内壁巡检方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种锅炉内壁巡检方法，包括以下步骤：
4、步骤
5、步骤s2，数据预处理：对采集到的三维点云数据进行预处理，预处理包括去除噪声和点云配准，以及将数据转化为网络输入的合适格式；
6、步骤s3，建立深度学习模型：使用点云处理网络深度学习模型，用于检测锅炉内壁上的坑洼、裂缝或其他缺陷，训练模型时，需要准备标记的数据集，包含正常壁面和不同类型的缺陷，模型需要能够识别并定位缺陷；
7、步骤s4，检测和分析：使用训练好的深度学习模型对新采集的内壁数据进行分析，模型可以自动检测缺陷的位置和类型，对检测到的缺陷进行分析，通过深度信息和模型输出来估计其大小、深度和危害程度；
8、步骤s5，可视化和报告生成：通过三维点云上叠加标记将检测结果可视化，有助于操作员直观地了解缺陷的位置，然后生成报告，报告内容包括缺陷的位置、类型、深度信息，以便后续的维护和修复工作；
9、步骤s6，自动指导维修：结合深度学习模型的输出和结构光数据，生成自动化的修复路径，然后通过计算机控制的喷枪或机器人去填补坑洼或修复其他缺陷；
10、步骤s7，实时监控和反馈：在整个巡检和修复过程中，可以实时监控内壁的状态，并根据需要进行反馈和调整，以确保修复工作的精确性和效率。
11、进一步的，结构光技术中的投影过程使用以下公式表示：
12、[i_p(x,y)＝i_b(x+f\cdot\frac{x}{z},y+f\cdot\frac{y}{z})]
13、其中：i_p(x,y)是投影到内壁上的结构化光强度，i_b(x,y)是背景光强度，f是相机的焦距，x、y、z是内壁上的点的三维坐标。
14、进一步的，数据预处理中的点云配准使用最小二乘法，找到两组点云之间的最佳变换矩阵t，使得均方误差最小，公式表示如下：
15、[t＝\underset{t}{\mathrm{argmin}}\sum_i||t\cdot p_i-q_i||^2]
16、其中：t是变换矩阵，p_i和q_i分别是两个点云中的对应点。
17、进一步的，深度学习模型的具体架构使用神经网络的公式表示如下：
18、[y＝\sigma(w*x+b)]
19、其中，y是输出，sigma是激活函数，w是权重矩阵，x是输入特征，b是偏置。
20、模型的整体损失函数可以表示为：
21、[l(
heta)＝\sum_i(\hat{y}_i-y_i)^2]
22、其中，l(
heta)是损失函数，取决于模型参数theta，hat{y}_i是模型的预测值，y_i是真实标签。
23、进一步的，检测缺陷的深度计算使用以下公式表示：
24、[
ext{深度}＝z_{
ext{缺陷}}-z_{
ext{壁面}}]
25、其中：z_{
ext{缺陷}}是缺陷点的深度，z_{
ext{壁面}}是壁面上的点的深度。
26、进一步的，三维点云上叠加标记法的具体步骤如下：
27、数据获取：首先，通过激光扫描仪来获取三维点云数据，点云数据是由大量的三维点坐标组成的，每个点代表了三维空间中的一个位置；
28、数据处理和预处理：原始的点云数据需要进行一些处理和预处理，以去除噪音、滤波、对齐或进行配准等操作，以确保数据质量和一致性；
29、标记或注释：一旦点云数据准备好，就可以开始在其上叠加标记；
30、点标签：在点云上的每个点上添加标签或注释，以表示特定信息；
31、线段：用线段连接点云中的点，以创建线段来表示对象或路径；
32、表面标记：创建多边形或网格并将其贴附到点云上，以表示物体的外形；
33、颜色和纹理：改变点云中点的颜色或纹理，以在三维环境中区分不同的对象或区域；
34、可视化：使用三维点云可视化工具或软件来查看叠加标记后的数据，使用户能够在三维场景中直观地观察和理解标记的信息。
35、进一步的，所述三维点云上叠加标记法使用的工具与库具体如下：
36、三维点云处理库使用pcl或cloudcomnare，用于处理、分析和可视化点云数据；
37、三维建模软件使用contextcapture、pixel4d、photoscan、openmvs或colmap，用于创建和编辑三维对象和标记；
38、可视化工具使用unity、unreal engine或webgl，用于在虚拟环境中可视化标记。
39、一种锅炉内壁巡检系统，包括数据采集模块、数据预处理模块、深度学习模块、缺陷检测和分析模块、可视化和报告生成模块、自动修复模块以及监控和反馈模块。
40、进一步的，所述数据采集模块分别连接有结构光传感器和相机，所述数据预处理模块分别连接有点云处理单元和图像处理单元，所述深度学习模块分别连接有点云处理网络以及模型训练和优化，所述缺陷检测和分析模块分别连接有深度学习推理引擎和缺陷分析算法。
41、进一步的，所述可视化和报告生成模块分别连接有三维可视化工具和报告生成工具，所述自动修复模块分别连接有控制单元和路径规划算法，本文档来自技高网...
【技术保护点】
1.一种锅炉内壁巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤S1中，结构光技术中的投影过程使用以下公式表示：
3.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤S2中，数据预处理中的点云配准使用最小二乘法，找到两组点云之间的最佳变换矩阵T，使得均方误差最小，公式表示如下：
4.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤S3中，深度学习模型的具体架构使用神经网络的公式表示如下：
5.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤S4中，检测缺陷的深度计算使用以下公式表示：
6.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤S5中，三维点云上叠加标记法的具体步骤如下：
7.根据权利要求6所述的一种锅炉内壁巡检方法，其特征在于：所述三维点云上叠加标记法使用的工具与库具体如下：
8.根据权利要求1-7所述的一种锅炉内壁巡检系统，其特征在于：包括数据采集模块、数据预处理模块、深度学
9.根据权利要求8所述的一种锅炉内壁巡检系统，其特征在于：所述数据采集模块分别连接有结构光传感器和相机，所述数据预处理模块分别连接有点云处理单元和图像处理单元，所述深度学习模块分别连接有点云处理网络以及模型训练和优化，所述缺陷检测和分析模块分别连接有深度学习推理引擎和缺陷分析算法。
10.根据权利要求8所述的一种锅炉内壁巡检系统，其特征在于：所述可视化和报告生成模块分别连接有三维可视化工具和报告生成工具，所述自动修复模块分别连接有控制单元和路径规划算法，所述监控和反馈模块分别连接有实时监控单元和反馈单元。
...【技术特征摘要】
1.一种锅炉内壁巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤s1中，结构光技术中的投影过程使用以下公式表示：
3.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤s2中，数据预处理中的点云配准使用最小二乘法，找到两组点云之间的最佳变换矩阵t，使得均方误差最小，公式表示如下：
4.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤s3中，深度学习模型的具体架构使用神经网络的公式表示如下：
5.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤s4中，检测缺陷的深度计算使用以下公式表示：
6.根据权利要求1所述的一种锅炉内壁巡检方法，其特征在于：所述步骤s5中，三维点云上叠加标记法的具体步骤如下：
7.根据权利要求6所述的一种锅炉内...
【专利技术属性】
技术研发人员：高彦峰，
申请(专利权)人：江苏泰秦新材料有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。