CN113269705B - 基于视频的炸药下药深度检测方法与装置 - Google Patents
基于视频的炸药下药深度检测方法与装置 Download PDFInfo
- Publication number
- CN113269705B CN113269705B CN202010092206.7A CN202010092206A CN113269705B CN 113269705 B CN113269705 B CN 113269705B CN 202010092206 A CN202010092206 A CN 202010092206A CN 113269705 B CN113269705 B CN 113269705B
- Authority
- CN
- China
- Prior art keywords
- video frame
- length
- pipe
- video
- frame picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002360 explosive Substances 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 83
- 238000007599 discharging Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 7
- 230000005284 excitation Effects 0.000 abstract description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 229910052742 iron Inorganic materials 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005422 blasting Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005553 drilling Methods 0.000 description 2
- 238000012377 drug delivery Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- PMVSDNDAUGGCCE-TYYBGVCCSA-L Ferrous fumarate Chemical compound [Fe+2].[O-]C(=O)\C=C\C([O-])=O PMVSDNDAUGGCCE-TYYBGVCCSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005474 detonation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
Abstract
本发明提供一种基于视频的炸药下药深度检测方法及装置，其中，该方法包括：以预设时间间隔获取炸药下药视频文件中的多个视频帧图片；检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果。上述技术方案实现了高效准确地进行炸药下药深度检测，提高了炸药下药深度检测的效率和准确率，确保下药施工质量，进而保证了炸药激发的质量。
Description
技术领域
本发明涉及石油地震勘探技术领域，特别涉及一种基于视频的炸药下药深度检测方法与装置。
背景技术
在石油地震勘探中要用利用炸药爆炸(即放炮)产生地震波，并根据检波器接收到的地震波来推断地下地质构造情况。在利用炸药进行放炮时，首先在指定位置进行钻井，用于打下药孔，然后将炸药放置到一定地层深度中进行引爆，不同地形不同位置下药深度也不一样，但一定放置到设计中指定深度位置。下放过程中，需要施工人员拉着捆绑炸药的线，靠重力一点点下放到指定位置，但由于存在井壁狭窄、剐蹭等原因，如炸药下药过程单靠重力进行下药的话，可能会存在炸药被卡在井的中间部分，而未到达预定的下药深度，如果在非指定位置引爆炸药，爆炸所发出的地震波能量大部分将被浅水面、地表等地层吸收，传播到目的层的地震波将大幅减少，直接影响成像质量。为了避免这种情况的发生，在实际生产过程中，需要将金属铁管放置到药井当中向下推送炸药到指定位置，一般铁管长度固定且有限，下管过程中需要将多节铁管进行拼接，下药完一根铁管之后，需要再拼接上另一根铁管，然后继续接管向下推送炸药，如果不能再向下推送铁管，说明已经将炸药下药到指定位置。钻井、下药及放炮的施工通常在野外少有人烟的地方进行，为了确保下药深度的施工质量，需要对整个下药过程进行录像，施工完成后，需要人工对收集回来的视频进行检测，通过统计下药时所下放的管子深度来判断所下炸药是否达到预定深度，该检测方案存在人工视检工作量大，效率低，精度差，成本高的问题。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于视频的炸药下药深度检测方法，用以高效准确地进行炸药下药深度检测，该方法包括：
以预设时间间隔获取炸药下药视频文件中的多个视频帧图片；
检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果。
本发明实施例还提供了一种基于视频的炸药下药深度检测装置，用以高效准确地进行炸药下药深度检测，该装置包括：
获取单元，用于以预设时间间隔读取炸药下药视频文件中的多个视频帧图片；
检测单元，用于检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
确定单元，用于根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
处理单元，用于根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于视频的炸药下药深度检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于视频的炸药下药深度检测方法的计算机程序。
本发明实施例提供的技术方案通过：以预设时间间隔获取炸药下药视频文件中的多个视频帧图片；检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果，实现了高效准确地进行炸药下药深度检测，提高了炸药下药深度检测的效率和准确率，确保下药施工质量，进而保证了炸药激发的质量，同时降低了成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于视频的炸药下药深度检测方法的流程示意图；
图2是本发明实施例中基于视频的炸药下药深度检测的原理示意图；
图3是本发明实施例中基于视频的炸药下药深度检测的效果示意图；
图4是本发明实施例中基于视频的炸药下药深度检测装置的结构示意图；
图5是本发明另一实施例中基于视频的炸药下药深度检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于发明人发现了现有技术中炸药下药深度检测技术存在的技术问题，因此提出了一种基于视频的炸药下药深度检测方案，该方案根据现场录制的下管子的视频自动检测分析出所下药的管子个数与长度，从而判断炸药是否放置到指定深度。下面对该基于视频的炸药下药深度检测方案进行详细介绍。
图1是本发明实施例中基于视频的炸药下药深度检测方法的流程示意图，如图1所示，所述方法包括如下步骤：
步骤101：以预设时间间隔获取炸药下药视频文件中的多个视频帧图片；
步骤102：检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
步骤103：根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
步骤104：根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果。
本发明实施例提供的基于视频的炸药下药深度检测方法实现了高效准确地进行炸药下药深度检测，提高了炸药下药深度检测的效率和准确率，确保下药施工质量，进而保证了炸药激发的质量。
下面结合附图2至图3，对本发明实施例涉及的方案进行详细介绍如下。
一、首先，介绍上述步骤101。
具体实施时，打开录制的下药视频文件，以指定时间间隔Sn读取视频帧(视频都是由静止的画面组成的，这些静止的画面被称为帧)，然后再进行后续的分析处理(包括下文的单帧检测和帧间检测两大部分)。
具体实施时，对于时间间隔Sn的选取考虑：通常在视频中1s中有30帧或二十几帧图像组成，相邻两帧图像之间相差不大，为了提高算法处理的效率不会每帧都进行处理，而是几帧处理一次即可，间隔时间可以为：间隔的帧数/每秒的总帧数(秒)。
二、接着，介绍在上述步骤101之后，对视频帧图片进行预处理的步骤。
在一个实施例中，上述基于视频的炸药下药深度检测方法还可以包括：在以预设时间间隔读取炸药下药视频文件中的多个视频帧图片之后，对读取的每一视频帧图片进行如下预处理的步骤：
以预设比例，对读取的每一视频帧图片进行缩小处理；
将缩小处理后的每一视频帧图片转换为灰度图，得到视频帧灰度图；
将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图。
具体实施时，预处理部分主要将视频帧(视频处理中，动态的视频是由一帧帧静态图像组成的，一帧图像就是一张图像)转为灰度图，缩减图像尺寸并进行均衡化处理。
下面对上述预处理的详细方案进行介绍。
1、以预设比例，对读取的每一视频帧图片进行缩小处理：由于所录视频分辨率高、数据量大，为了提高处理速度，对读取的视频图像进行缩小处理，减少数据的处理量，进而提高了基于视频的炸药下药深度检测的效率。
2、将缩小处理后的每一视频帧图片转换为灰度图，得到视频帧灰度图：将待检的视频帧由彩色图像转换为灰度图像，由于野外环境变化非常大，管子颜色不固定，受光线、拍摄等条件影响，利用颜色来识别比较困难，因此该转换为灰度图的预处理步骤提高了基于视频的炸药下药深度检测的准确率。本发明主要是通过分析几何形状来进行检测的，颜色识别只是做一些辅助检测，进行形态分析利用灰度图像即可，可提高检测处理的效率。
3、将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图：为了减少野外环境中光线变化不均对图像拍摄效果的影响，需要对图像进行均衡化处理。
在一个实施例中，将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图，可以包括根据如下公式得到均衡化处理后的视频帧灰度图：
其中，Pr是灰度的概率密度，rk是第k个灰度级，k＝0,1,2,…,L-1，nk是图像(图片)中灰度级为rk的像素个数，n是图像中像素的总数。
Sk作直方图均衡化处理，将输入图像中灰度级为rj(横坐标)的像素映射到输出图像中灰度级为Sk(横坐标)的对应像素得到，其中，nj是图像(图片)中灰度级为rj的像素个数。
在一个实施例中，所述预处理的步骤还可以包括：
在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界；
对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图。
具体实施时，预处理还可以包括提取图像上的竖直方向的边界信息和对图像进行二值化处理：
1、提取图像上的竖直方向的边界信息，即在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界：
在一个实施例中，在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界，可以包括：根据如下公式提取竖直方向的边界：
具体实施时，可以利用y方向的边界因子在图像上提取竖直方向的边界。
其中，在上述公式(3)中，fi为待进行边界提取的图像，grady为求取y方向的梯度，fgrdY为求取的Y方向的边界。
具体实施时，上述竖直方向的边界指的是整个图片中的上下边界。然后再根据管子长短、位置关系等找管子的边界。提取竖直边界在特征提取中比较稳定，速度也比较快，为下面利用霍夫变换进行直线检测奠定良好的基础。
2、对图像进行二值化处理，即对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图：
在一个实施例中，对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图，可以包括：
对图像进行二值化处理，计算过程如下：
(1)求取图像的最小和最大灰度值gmin和gmax，初始阈值为：
T0＝(gmin+gmax)×0.5； (4)
(2)利用阈值T0将图像划分为前景和背景两个部分，计算两个部分的平均灰度值：
其中：Gb为背景的平均灰度，Gf为前景的平均灰度值，g是像素的灰度值，h(g)是像素的灰度值的概率密度。
(3)令Tk＝(Gb+Gf)×0.5 (7)
如果Tk＝Tk+1，则取Tk为所求得的阈值，否则，转(2)继续迭代。
其中，k为迭代次数，Tk是第k次迭代计算得到的阈值，Tk+1是第k+1次迭代计算得到的阈值。
具体实施时，通过以上对彩色图片进行灰度化以后，把获取到的灰度图像进行二值化处理。对于二值化，其目的是将目标用户背景分类，为后续车道的识别做准备。灰度图像二值化最常用的方法是阈值法，他利用图像中目标与背景的差异，把图像分别设置为两个不同的级别，选取一个合适的阈值，以确定某像素是目标还是背景，从而获得二值化的图像，进而提高了基于视频的炸药下药深度检测的效率和准确率。
三、接着，介绍上述步骤102，即管子的单帧检测。
在一个实施例中，检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息，可以包括：
利用霍夫变换在竖直方向找到每一视频帧图片中的管子；
检测每一视频帧图片中的管子的长度，在管子的长度大于预设长度阈值时，确定视频帧图片中存在管子，记录存在管子的每一视频帧图片中管子的长度和位置信息。
下面对该步骤102进行详细介绍。
1、首先介绍利用霍夫变换求取直线，从而找到每一视频帧图片中的管子。
霍夫变换是一种利用直线极坐标参数空间进行直线检测的方法，经过上一步的边界检测主要用于检测竖直方向上的边界线，在图像中所显示的边界线为一系列的像素点，其值为1，设点P为图像中直线上的一点，其点坐标为笛卡尔坐标系下P(x,y)，该点的极坐标为该直线举例图像原点的距离为ρ，极坐标下可得：
其中，是原点到此直线的垂线的转角。
可以得到直线的极坐标方程：
ρ＝x×cos(θ)+y×sin(θ)； (10)
其中，r是直线在极坐标下的坐标原点到直线的距离，θ是直线在极坐标下的角度。
即利用一组参数(ρ,θ)即可唯一确定一条直线，且在极坐标系下，直线方程就是一个点，也就是说图像中的一条直线在极坐标参数空间中对应于一个点。而对于提取的边界上的任意一点，所有可能经过此点的直线在极坐标的参数空间当中都对应着一个点，而穿过此点的无穷多的直线在极坐标的参数空间当中组成了一条曲线。而多个边界点，将在极坐标的参数空间当中生成多条曲线。当这些边界点在一条直线上时，极坐标参数空间的多条曲线将出现交点，交点为(ρi,θi)，则为此直线的极坐标参数。
由于需要检测所下的管子，管子是竖直下放的，因此在进行霍夫参数空间进行计算的过程当中，将ρ的取值范围限定在整个图像的高度之内，θ为[90°-θυ°,90°+θυ°]，在此范围内认为管子是垂直放置的，其中θυ°为与垂直方向上的偏角角度，是一个设定参数，将参数空间划分为m×n的网格，m和n分别为横向和纵向分割的网格个数，网格内存储的是(ρ,θ)所决定的直线的计数器。对于图像中每个边界点(x,y)，以θ自变量利用公式(10)计算的ρ值，然后在网格中对应的直线计数器进行加1。再计算完所有点之后，对参数空间的直线计数器进行统计，找到最大的几个直线计数器即可找到最长的几条竖直方向的直线。然后对检测出的直线进行处理，删除长度过短的直线，将距离相近的直线进行合并，得到视频帧图片中竖直方向上的管子图像。
利用霍夫变换进行直线检测是一种将图像空间上的直线转到参数空间中点检点的问题，是一种投票表决方式的参数估计方法，具有抗噪能力强，对边缘间断不敏感的特性。
2、其次介绍下管区域的检测，从而记录存在管子的每一视频帧图片中管子的长度和位置信息。
具体实施时，由于拍摄过程中摄像机位置固定，药井位置是固定的。对待检图像以宽度w，高度与图像等高的子窗口进行竖直直线的检测，时窗滑动步长为Ss(通常取时窗宽度的一半)，检测当前滑动窗口中竖线的总长度，如果长度大于Th(注：Th是用于判断是否是管子的管子长度阈值，即预设长度阈值，大于此长度阈值则认为有管子，否则认为没有竖直的管子)，则认为待检区域是候选的管子区域(如图3中矩形框所示，在图3中矩形表示检出的管子区域，圆形所对应的x坐标表示下管子的位置)，记录下当前窗口位置和检测长度。
具体实施时，确定视频帧图片中的候选的管子区域，缩小比对范围，进一步提高基于视频的炸药下药深度检测的效率。
四、接着，介绍上述步骤103，即管子的帧间分析。
在一个实施例中，根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目，可以包括：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度连续变小预设次数，将下管子的数目加一。
在一个实施例中，根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目，可以包括：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度减小到预设极小值时，管子长度又突然增加预设长度时，将下管子的数目加一。
在一个实施例中，根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目，可以包括：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定在预设时间段内管子长度持续不变化时，保持下管子的数目不变。
具体实施时，在完成对单帧中候选管子区域(管子的位置信息)的检测之后(即上述步骤102之后)，以给定的抽检时间Sn秒为间隔对视频帧进行抽检分析，对连续记录的检测结果进行分析比较。
如果没有检测到管子候选区域，则以Sn秒为间隔跳转到上述“三”中的“2”继续进行检测。
如果检测到管子候选区域，则比较所检测到的管子候选区域中候选管子的长度，如果长度连续下降Nd次(Nd是对区域检测时，所检测出的管子长度变小的次数，即预设次数，如与上一次检测相比，本次检测的管子长度变小了，小于给定阈值，则计数加1，如果连续检测到Nd次下降，则认为是在下管子)，则认为这个高度下降的时间区间是在下铁管，将所下管子的个数加1，然后清空候选的管子区域记录数据。
如果某一管子区域中线长下降到一个预设极小值(优选是所检测出管长的十分之一)之后，长度突然增加(管子的长度增加率超过预设增加量)，然后又持续下降，说明又在再新管子。
如果所检区域管子长度长时间持续不变，可能是其它干扰物，可进行剔除。
具体实施时，上述管子的帧间分析的实施方式可以提高管子数目的检测准确率，进而提高基于视频的炸药下药深度检测的准确率。
五、接着，介绍上述步骤104。
具体实施时，在对整个视频完成检测之后，统计检测出的管子个数，乘以管子长度得到总的下管长度，进而可以得到炸药下药深度检测结果。
为了更加便于理解本发明如何实施，下面再整体进行介绍。
1.参数设置：设置待检的下药视频，设置下管深度、默认管长、视频帧缩放比例、检测帧间的时间间隔等参数。
2.下管个数检测。
(1)数据预处理
将待检的视频帧由彩色图像转换成灰度图像，然后按指定比例缩放，减少数据量，提高计算速度；再对图像进行均衡化处理，去除光线变化对图像带来的影响；利用y方向的边界因子在图像上提取竖直方向的边界；再对结果进行二值化处理。
(2)基于单帧管子候选区域检测
①检测竖直方向的管子
根据下管方向特性及性能要求，利用霍夫变换在垂直方向找到多条候选直线，然后对检测的直线进行处理，删除过短的直线，对邻近的直线进行合并，得到竖直方向的管子图像。
②确定管子候选区域
利用滑动窗口检测候选区域中管子长度，并记录下位置与管长。
(3)管子的帧间分析
由于摄像机位置相对固定，视频中炮井位置相对固定，变化不大。
按照指定时间间隔对视频帧进行抽检，对记录的管子候选区域信息按时序和空间对所记录的管子候选区域中的管长变化进行分析比较，即以给定的抽检时间为间隔对视频帧进行抽检分析，对连续检测的结果进行分析比较。如果所检管长一直没有变化，说明是类管区，即如果所检管子长度不变，可能是其它干扰物，可进行剔除；如果出现所检管长连续下降，即如果同一位置上检测出的管子长度在连续缩短，说明在下管子；如果管子候选区域出现一段时间空白，然后所检管长突然出现一个很大值，然后连续下降则说明下了一根新管子；如果某一管子区域中线长下降到一个极小值之后，长度突然增加，然后又持续下降，说明又在下新管子。
3.输出检测结果。
在视频检测完成后，输出检测到的下药的铁管个数及深度。
综上，本发明实施例提供的技术方案通过在视频中检测所下的铁管个数来计算炸药下药的深度。利用计算机处理对视频影像自动检测和分析，提高炸药下药深度的质量监控水平和能力，确保下药施工和炸药激发的质量，节约人力成本，节省此工序的时间。
基于同一发明构思，本发明实施例中还提供了一种基于视频的炸药下药深度检测装置，如下面的实施例所述。由于基于视频的炸药下药深度检测装置解决问题的原理与基于视频的炸药下药深度检测方法相似，因此基于视频的炸药下药深度检测装置的实施可以参见基于视频的炸药下药深度检测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例中基于视频的炸药下药深度检测装置的结构示意图，如图4所示，该装置包括：
获取单元01，用于以预设时间间隔读取炸药下药视频文件中的多个视频帧图片；
检测单元03，用于检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
确定单元05，用于根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
处理单元07，用于根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果。
在一个实施例中，如图5所示，基于视频的炸药下药深度检测装置，还可以包括：预处理单元02，用于在以预设时间间隔读取炸药下药视频文件中的多个视频帧图片之后，对读取的每一视频帧图片进行如下预处理的步骤：
以预设比例，对读取的每一视频帧图片进行缩小处理；
将缩小处理后的每一视频帧图片转换为灰度图，得到视频帧灰度图；
将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图。
在一个实施例中，所述预处理单元还可以用于：
在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界；
对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图。
在一个实施例中，所述检测单元具体可以用于：
利用霍夫变换在竖直方向找到每一视频帧图片中的管子；
检测每一视频帧图片中的管子的长度，在管子的长度大于预设长度阈值时，确定视频帧图片中存在管子，记录存在管子的每一视频帧图片中管子的长度和位置信息。
在一个实施例中，所述数目确定单元具体可以用于：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度连续变小预设次数，将下管子的数目加一。
在一个实施例中，所述数目确定单元具体可以用于：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度减小到预设极小值时，管子长度又突然增加预设长度时，将下管子的数目加一。
在一个实施例中，所述数目确定单元具体可以用于：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定在预设时间段内管子长度持续不变化时，保持下管子的数目不变。
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于视频的炸药下药深度检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于视频的炸药下药深度检测方法的计算机程序。
本发明实施例提供技术方案的有益技术效果是：本发明实施例根据下药过程的录像，自动对下药过程中利用铁管向下送药的过程进行分析，通过霍夫变换来检测铁管，并监测铁管的长度变化来判断下药的铁管个数，大大地提高此环节的监控效率，提高了可检测的视频数量，减少了此部分的人工成本，提高了井炮下药深度的质控准确度，提升了最终放炮的成品率和放炮成像效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于视频的炸药下药深度检测方法，其特征在于，包括：
以预设时间间隔获取炸药下药视频文件中的多个视频帧图片；
检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果；
根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目，包括：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度连续变小预设次数，将下管子的数目加一；
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度减小到预设极小值时，管子长度又突然增加预设长度时，将下管子的数目加一；
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定在预设时间段内管子长度持续不变化时，存在其它干扰物，进行剔除，保持下管子的数目不变。
2.如权利要求1所述的基于视频的炸药下药深度检测方法，其特征在于，还包括：在以预设时间间隔读取炸药下药视频文件中的多个视频帧图片之后，对读取的每一视频帧图片进行如下预处理的步骤：
以预设比例，对读取的每一视频帧图片进行缩小处理；
将缩小处理后的每一视频帧图片转换为灰度图，得到视频帧灰度图；
将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图。
3.如权利要求2所述的基于视频的炸药下药深度检测方法，其特征在于，所述预处理的步骤还包括：
在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界；
对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图。
4.如权利要求1所述的基于视频的炸药下药深度检测方法，其特征在于，检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息，包括：
利用霍夫变换在竖直方向找到每一视频帧图片中的管子；
检测每一视频帧图片中的管子的长度，在管子的长度大于预设长度阈值时，确定视频帧图片中存在管子，记录存在管子的每一视频帧图片中管子的长度和位置信息。
5.一种基于视频的炸药下药深度检测装置，其特征在于，包括：
获取单元，用于以预设时间间隔读取炸药下药视频文件中的多个视频帧图片；
检测单元，用于检测每一视频帧图片中竖直方向上的管子，并确定存在管子的每一视频帧图片中管子的长度和位置信息；
确定单元，用于根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，对所有视频帧图片中管子长度的变化进行分析，根据分析结果，确定所下管子的数目；
处理单元，用于根据所下管子的数目，以及管子的长度信息，得到炸药下药深度检测结果；
所述确定单元具体用于：
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度连续变小预设次数，将下管子的数目加一；
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定管子长度减小到预设极小值时，管子长度又突然增加预设长度时，将下管子的数目加一；
在根据每一视频帧图片中管子的长度和位置信息，以及所有视频帧图片的时序信息，确定在预设时间段内管子长度持续不变化时，存在其它干扰物，进行剔除，保持下管子的数目不变。
6.如权利要求5所述的基于视频的炸药下药深度检测装置，其特征在于，还包括：预处理单元，用于在以预设时间间隔读取炸药下药视频文件中的多个视频帧图片之后，对读取的每一视频帧图片进行如下预处理的步骤：
以预设比例，对读取的每一视频帧图片进行缩小处理；
将缩小处理后的每一视频帧图片转换为灰度图，得到视频帧灰度图；
将每一视频帧灰度图进行均衡化处理，得到均衡化处理后的视频帧灰度图。
7.如权利要求6所述的基于视频的炸药下药深度检测装置，其特征在于，所述预处理单元还用于：
在每一均衡化处理后的视频帧灰度图上提取竖直方向的边界；
对提取过边界的每一均衡化处理后的视频帧灰度图进行二值化处理，得到二值化处理后的视频帧灰度图。
8.如权利要求5所述的基于视频的炸药下药深度检测装置，其特征在于，所述检测单元具体用于：
利用霍夫变换在竖直方向找到每一视频帧图片中的管子；
检测每一视频帧图片中的管子的长度，在管子的长度大于预设长度阈值时，确定视频帧图片中存在管子，记录存在管子的每一视频帧图片中管子的长度和位置信息。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010092206.7A CN113269705B (zh) | 2020-02-14 | 2020-02-14 | 基于视频的炸药下药深度检测方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010092206.7A CN113269705B (zh) | 2020-02-14 | 2020-02-14 | 基于视频的炸药下药深度检测方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269705A CN113269705A (zh) | 2021-08-17 |
| CN113269705B true CN113269705B (zh) | 2024-09-27 |
Family
ID=77227351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010092206.7A Active CN113269705B (zh) | 2020-02-14 | 2020-02-14 | 基于视频的炸药下药深度检测方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269705B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104100256A (zh) * | 2013-04-15 | 2014-10-15 | 西安科技大学 | 基于图像处理技术的煤矿井下钻孔深度测量方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101666597B (zh) * | 2009-09-18 | 2013-01-16 | 重庆大学 | 非接触式火工品控制时序的检测装置及方法 |
| CN202836513U (zh) * | 2012-09-13 | 2013-03-27 | 广州市天驰测绘技术有限公司 | 一种带视频的距离探测器 |
| CA2942292A1 (en) * | 2014-03-11 | 2015-09-17 | Samsung Electronics Co., Ltd. | Depth image prediction mode transmission method and apparatus for encoding and decoding inter-layer video |
| CN104318761B (zh) * | 2014-08-29 | 2017-02-08 | 华南理工大学 | 基于高速公路场景的检测及车辆检测跟踪优化的方法 |
| CN109509227A (zh) * | 2018-06-19 | 2019-03-22 | 中国矿业大学(北京) | 基于图像的井下机车测距定位监测方法 |
| CN110751678A (zh) * | 2018-12-12 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 运动目标的检测方法、装置和电子设备 |
| CN110136172B (zh) * | 2019-05-21 | 2023-04-07 | 中国矿业大学 | 一种矿工下井前防护设备佩戴的检测方法 |
-
2020
- 2020-02-14 CN CN202010092206.7A patent/CN113269705B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104100256A (zh) * | 2013-04-15 | 2014-10-15 | 西安科技大学 | 基于图像处理技术的煤矿井下钻孔深度测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269705A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
| CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
| CN105389814A (zh) | 一种用于气密性试验的气泡检测方法 | |
| CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
| Mohebbi et al. | Rock mass structural data analysis using image processing techniques (Case study: Choghart iron ore mine northern slopes) | |
| CN115546113B (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及系统 | |
| CN104239867A (zh) | 车牌定位方法及系统 | |
| CN105547602A (zh) | 一种地铁隧道管片渗漏水的远距离测量方法 | |
| CN104992429A (zh) | 一种基于图像局部增强的山体裂缝检测方法 | |
| CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
| CN115797354A (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN111381275A (zh) | 一种地震数据的初至拾取方法和装置 | |
| Hadjigeorgiou et al. | An evaluation of image analysis algorithms for constructing discontinuity trace maps | |
| CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
| CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
| CN112435252A (zh) | 一种战斗部破片穿孔和凹坑检测方法 | |
| CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
| CN105205807A (zh) | 基于稀疏自动编码机的遥感图像变化检测方法 | |
| CN113269705B (zh) | 基于视频的炸药下药深度检测方法与装置 | |
| CN103942576A (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
| Liu et al. | Intelligent recognition and identification of fracture types and parameters for borehole images based on developed convolutional neural networks and post-processing | |
| CN114972757B (zh) | 一种隧道渗漏水区域识别方法及系统 | |
| CN107958226B (zh) | 一种道路曲线检测方法、装置和终端 | |
| CN116630773A (zh) | 岩体裂隙状态的分析方法及岩体裂隙识别模型的训练方法 | |
| AU2021102276A4 (en) | A Detection Method for Quantity of Residual Plastic Films Based on Heuristic Iterative Algorithm and Its Early Warning System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |