基于红外图像增强算法的石油储罐内油品温度过高风险自动识别方法

2023-12-25苗勃

化工自动化及仪表 2023年6期

作者简介：苗勃（1985-），工程师，从事特种设备检验检测的研究，287399645@qq.com。

引用本文：苗勃.基于红外图像增强算法的石油储罐内油品温度过高风险自动识别方法[J].化工自动化及仪表，2023，50（6）：000-000.

DOI：10.20030/j.cnki.1000-3932.202306000

摘要研究基于红外图像增强算法的石油储罐内油品温度过高风险自动识别方法。利用红外热成像仪采集石油储罐红外图像，利用反锐化掩模方法增强石油储罐红外图像。依据增强的红外图像，构建灰度分布直方图，并依据分割阈值分割灰度分布直方图，获取包含石油储罐内油品温度特征的红外图像分割结果。将分割后的红外目标图像，作为支持向量机的输入矢量，利用支持向量机自动识别石油储罐内油品温度过高风险。实验结果表明：该方法可以自动识别石油储罐内油品温度过高风险，提升石油储罐的生产安全性。

关键词红外图像增强算法石油储罐油品温度过高风险自动识别

中图分类号 TP274 文献标志码 B 文章编号 1000-3932（2023）06-0000-00

红外热成像技术，是检测目标温度的重要技术[1]。红外热成像系统可以获取全聚焦红外图像，通过红外图像精准测量目标物体的表面温度[2～4]。红外热成像技术适用于高腐蚀、高温等复杂环境中，适用于电力、工业等众多领域。石油储罐是石油化工企业中最常见的生产设备，其应用贯穿于石油化工企业生产的众多过程。研究石油储罐内的油品温度检测，对于提升石油化工企业的生产安全具有重要意义。利用红外图像检测石油储罐内的油品温度[5～7]，是石油化工企业的安全生产的基础。通过石油储罐油品温度过高风险的自动识别，可明确石油储罐内油品温度状态，将石油储罐内油品温度保持在安全范围内[8]，保障石油化工企业的生产安全和人员安全。

目前已有众多研究学者针对石油储罐温度进行了研究。王雅真等针对石油储罐在火灾情况下的温度变化进行研究[9]，采用Fluent软件模拟火灾事故时储罐油品的温度变化，确定油品储罐内油品在火灾情况下的温度和压力变化规律。谢小芳等针对石油储罐受到太阳辐射作用时[10]，温度场变化情况进行研究，针对石油储罐内油品温度，在太阳辐射环境变化情况下进行数值模拟，模拟结果为，石油储罐内油品在与顶部壁面较近的位置温度较高。以上研究方法是针对火灾和太阳辐射作用两种情况下，石油储罐的温度变化进行研究，但是无法实现石油储罐内油品温度的实时监控，无法保障石油储罐的生产安全。针对该问题，笔者研究基于红外图像增强算法的石油储罐内油品温度过高风险自动识别方法，利用红外图像检测石油储罐内油品温度，选取支持向量机方法自动识别油品温度过高风险，提升石油储罐的生产安全性。

1 石油储罐内油品温度过高风险自动识别

1.1 基于反锐化掩模的石油储罐红外图像增强处理

利用反锐化掩模方法，对石油储罐红外图像进行增强处理，石油储罐红外图像的增强流程如图1所示。

利用红外热成像仪采集石油储罐红外图像，所采集的图像中可能包含过多噪声。依據图1的石油储罐红外图像增强流程，对所采集的石油储罐红外图像进行傅里叶变换处理，傅里叶变换处理后的红外图像用f（x，y）表示。对完成变换处理的红外图像，进行反锐化掩模处理和灰度变换处理，获取增强后的石油储罐红外图像E（x，y）。

石油储罐红外图像增强处理的具体过程如下：

a. 利用梯度Sobel算子增强石油储罐红外图像边缘，继续对红外图像实施均值滤波处理。通过均值滤波抑制图像由于梯度处理形成的噪声，获取完成梯度增强的石油储罐红外图像。利用拉普拉斯算子对红外图像增强处理后，获取锐化的红外图像。将所获取的图像与梯度增强图像相乘[11]，获取最终非锐化模板红外图像。将石油储罐红外图像利用一阶Sobel梯度与二阶拉普拉斯算子，对图像中的细节信息和边缘信息进行增强处理。将石油储罐红外图像中的像素相乘，抑制图像中包含的噪声。通过以上处理，获取石油储罐红外图像的非锐化模板，用H（x，y）表示。

b. 反锐化掩模处理红外图像，增强石油储罐红外图像细节。对石油储罐红外图像进行细节增强处理，表达式如下：

（1）

其中，G（x，y）表示反锐化掩模红外图像；w表示权重系数。权重值越高，红外图像具有越高的细节增强效果[12]，但其设置应合理，权重值过高时，容易造成红外图像出现灰度翻转情况。

c. 对G（x，y）进行灰度变换。对红外图像G（x，y）进行灰度变换处理，调整红外图像的灰度范围。所获取的图像G（x，y）为完成细节与图像像素连续性增强处理后的图像，但是并未增强图像灰度[13]，导致石油储罐红外图像的整体对比度增强效果并不明显。通过灰度变换方法对红外图像的灰度范围进行扩展，提升石油储罐红外图像的细节信息，获取完成增强处理的石油储罐红外图像E（x，y）。

为了突出红外图像细节和对比度，针对红外图像G（x，y），设置该图像为8位图像，每个像素具有256个不同的灰度值。灰度值的输入最小阈值和最大阈值分别为lin和hin，输出最小阈值和最大阈值分别为lout和hout。将红外图像G（x，y）的灰度值映射至[lout，hout]区间内，将灰度值低于lin和高于hin的像素点，分别赋值为lout与hout。石油储罐红外图像像素点映射表达式如下：

（2）

其中，x与分别表示像素点映射前、后的石油储罐红外图像灰度值。

d. 对完成灰度值映射的图像G（x，y），进行Gamma校正处理。通过Gamma校正处理，压缩石油储罐红外图像的灰度变化范围，令石油储罐红外图像的灰度值更加均匀，得到图像E（x，y）。

1.2 石油储罐内油品温度特征提取

红外图像利用灰度值表示目标物体温度的高低。石油储罐内的油品以及石油储罐背景温度存在差异，因此灰度值大小存在差异。石油储罐内的油品与其他区域在灰度图上呈现差异的灰度范围。笔者的研究目标为石油储罐内的油品，需要在红外图像中，将石油储罐与背景分割，仅保留石油储罐区域。石油储罐内油品的灰度值分布在较高范围内，石油储罐背景的灰度值较低[14]。通过红外图像分割找到石油储罐与背景的灰度分界点。选取直方图波谷分割方法分割石油储罐红外图像。

红外图像分割首先需要在石油储罐红外图像中，构建石油储罐的灰度分布直方图。搜寻直方图的波谷，将图中波谷对应的灰度值T作为石油储罐红外图像的分割阈值。增强后石油储罐红外图像E（x，y）中的随机像素灰度值a（x，y）高于阈值T时，保留该像素的灰度值；a（x，y）低于阈值T时，将该像素的灰度值设为0。通过以上过程，保留的石油储罐红外图像像素即石油储罐红外图像目标部分[15]。该分割过程为石油储罐内油品温度特征提取提供基础。

石油储罐红外图像分割的具体流程如下：

a. 设石油储罐红外图像的灰度级为i，灰度级为i的像素点数量为ni，组成石油储罐红外图像的总像素点数量表达式如下：

（3）

b. 依据石油储罐红外图像的总像素点N，构建石油储罐红外图像的灰度直方图。

c. 搜寻石油储罐红外图像灰度直方图的极大值，即直方图的波峰，用于确定图像的主要背景区域，分离背景与前景区域。

d. 搜寻石油储罐红外图像灰度直方图的极小值T，即直方图的波谷，将其作为图像分割阈值。

e. 依分割阈值T，分割石油储罐红外图像：

（4）

其中，a（x，y）表示石油储罐红外图像中的随机像素灰度值。

石油储罐红外图像分割后，获取的目标图像中，包含石油储罐内油品的全部温度特征。将分割后的目标图像，作为支持向量机的输入矢量，利用支持向量机自动识别石油储罐内油品温度过高风险。

1.3 基于支持向量机的油品温度过高风险自动识别

将通过红外图像分割获取的包含石油储罐内油品温度特征的目标图像，作为支持向量机的输入，利用支持向量机实现油品温度过高风险的自动识别。支持向量机目前广泛应用于回归预测和分类问题中。设包含石油储罐内油品温度特征的目标图像样本数据训练集为（xi，yi），其中xi与yi分别表示输入样本和输出样本。引入结构风险最小化原则和统计学习理论，将油品温度过高风险自动识别的最优分类问题，转化为最优问题求解。构建油品温度过高风险自动识别的目标函数表达式如下：

（5）

其中，ω与b分别表示权向量和偏置。

引入核函数，对式（5）进行拉格朗日函数α变换，将训练样本映射至高维特征空间内，搜寻最优的油品温度过高风险自动识别的最优分类面，获取支持向量机最优问题的对偶形式表达式如下：

（6）

其中，C与分别表示惩罚函数和核函数；n表示样本总数量；αi和αj分别表示不同样本的温度识别系数。

求解最优问题时，αi值一般为0，当αi值不为0时，相应的样本即支持向量。此时，可构建油品温度过高风险自动识别的分类问题判别函数：

（7）

对判别函数进行相同变换处理，引入核函数，将样本映射至高维空间，解决油品温度过高风险自动识别的非线性回归问题。

获取支持向量机的最终回归函数如下：

（8）

利用式（8）输出石油储罐内油品温度过高风险自动识别结果。设置石油储罐内油品温度的识别阈值为43 ℃。支持向量机输出的油品温度高于所设置阈值时，表示石油储罐内油品存在温度过高风险，需要及时发出报警信息。石油储罐管理人员需要依据温度过高风险报警的实时定位信息，及时处理石油储罐温度过高风险。

2 实例分析

选取某石油化工企业的石油储罐作为研究对象，该企业有20个石油储罐，油品的初始温度为40 ℃。石油储罐高度为10 m，内径为5 m，石油儲罐的防腐层、碳钢层和保温层分别为6、70、20 mm。选取岩棉板作为石油储罐的保温层材料，选取环氧煤沥青作为石油储罐的防腐层材料。采集石油储罐红外图像的环境温度为17 ℃。

采集该石油化工企业的石油储罐红外图像共500张，随机选取其中一张如图2所示。

采用笔者所提方法对采集的原始石油储罐红外图像进行增强处理，增强处理后的石油储罐红外图像如图3所示。

对比图2、3可以看出，采用笔者所提方法增强的石油储罐红外图像，其对比度更加明显，改善了原始储罐红外图像过于模糊的缺陷。

石油储罐红外图像增强前后的直方图对比结果如图4所示。

通过图4石油储罐红外图像直方图对比结果可以看出，笔者所提方法将灰度值较低的像素点提升，将灰度值较高的像素点降低，令石油储罐红外图像经过增强后，灰度值更加均匀，为石油储罐内油品温度过高风险的自动识别提供良好的基础。

采用笔者所提方法对石油储罐红外图像进行分割，提取石油储罐内油品的温度特征，分割结果如图5所示。

通过图5可以看出，采用笔者所提方法对石油储罐红外图像的分割结果中，仅包含石油储罐内油品的细节信息，有效去除了图像中的背景信息，保证所提取的油品温度特征不受石油储罐背景的影响。

采用笔者所提方法对该石油化工企业的20个石油储罐内油品温度进行实时监测。该石油化工企业于2020年11月1日～2022年11月30日，共收到12次石油储罐内油品温度过高风险的报警，具体结果见表1。

通过表1可以看出，采用笔者所提方法在石油储罐内油品温度高于43.0 ℃时，可自动发出风险报警信息。石油储罐管理人员可以依据识别结果，及时制定相应消除风险的措施，提升石油储罐运行的安全性。

3 结束语

石油储罐内油品温度过高，对石油企业的安全生产影响极大。利用红外热成像仪，实时采集石油储罐的红外图像，对所采集的图像进行增强处理，利用增强处理后的红外图像识别石油储罐内的油品温度过高风险。通过实验验证，该方法可以获取精准的石油储罐内油品的温度信息，实现石油储罐内油品温度过高风险的自动识别。

参考文献