一种基于全景图像的高温设备内衬表面深度估计方法

本发明涉及高温设备内衬的维护领域，尤其涉及一种基于全景图像的高温设备内衬表面深度估计方法。

背景技术：

1、随着现代工业技术的不断发展，高温设备在各个领域的应用越来越广泛。高温设备，如钢水包、高温炉、高温电炉等，其内部圆柱形腔体的内衬表面状态对于设备的运行效率和安全性具有重要影响。因此，对这些内衬表面的深度信息进行准确估计，对于设备的维护、优化以及故障预防等方面都具有重要意义。

2、然而，传统的接触式测量方法，如使用测量仪器直接对内衬表面进行测量，不仅操作困难，而且操作效率低、精度差、可视化难度大。因此，非接触式的测量方法成为了研究的重点。

3、近年来，基于图像的测量方法因其非接触、高效率、高精度等优点受到了广泛关注。其中，基于全景图像的测量方法能够获取更为全面的上下文信息，从而更全面地了解内衬表面的状态。通过全景图像，可以观察到设备内部的各个角落，获取到更多的细节信息，为深度信息的估计提供了更丰富的数据基础。

4、然而，获取圆柱形腔体的内表面全景图像存在失真的问题，会导致基于普通卷积神经网络深度信息估计的精度降低。同时，由于腔体内部成像会存在光照不均匀的问题，也会对最终深度估计造成影响。

技术实现思路

1、本发明要解决的技术问题是：为了解决现有技术中存在的技术问题，提供一种用于高温设备圆柱腔体内衬表面深度估计的方法，用于解决内衬表面深度估计时图像失真以及深度信息不准确的问题。

2、本发明的解决上述技术问题的解决方案是：一种基于全景图像的高温设备内衬表面深度估计方法，包括以下步骤：

3、s0，获取高温设备圆柱形腔体的全景图像数据集；

4、s1，对所采集的图像光照均衡化处理；

5、s2，设计可变形卷积结构；

6、s3，基于可变形卷积结构设计深度估计网络；

7、s4，基于可变形卷积结构设计姿态估计网络；

8、s5，构建重投影损失函数，对网络采用无监督的训练方式进行训练；

9、s6，采用单张图像进行深度估计，并沿着圆柱腔体轴线方向合成完整深度图像。

10、进一步地，s06具体为：

11、设置不同重叠度，确定全景相机沿着圆柱形腔体轴向的采样间隔距离。设置全景相机沿圆柱形腔体的采样间隔距离，具体根据下式进行判断：

12、δl＝z*w*(1-α))/f

13、式中，δl是全景相机的移动的间隔距离；z是根据相机标定获取的相机中心离内壁的距离；w是所采集的全景图像的宽度；α是相邻图像之间的重叠率；f是相机的焦距。根据采样间隔距离，沿着圆柱形腔体获取不同重叠率下的全景图像it-1、it组成数据集。

14、进一步地，s1具体为：

15、所述的步骤s1包括以下步骤：

16、s101，对图像首先采用直方图均衡化进行图像增强，并选用快速引导滤波进行保边降噪，从而获取图像的主特征层。快速引导滤波的具体如公式所示：

17、

18、式中，oi为输出图像，gi为引导图像，i为输入图像，ak、bk为局部窗口ωk的线性系数。

19、s102，对于原始图像进行分层复制，得到待处理图像，选用主特征提取法获取照射分量，并结合retinex原理以及色彩恢复，得到反射分量。采用改进的双边伽马函数进行亮度自适应校正。改进的双边伽马函数具体如公式所示：

20、

21、式中，i为输入的待处理图像，o为输出图像，γ是一取值在(0,1)之间的常数，用来控制图像的增强性能，od是校正暗区域的凸函数，ob是校正亮区域的凸函数。γ的取值为：m为照明图像的像素平均值；调节参数α取值为：

22、进一步地，s2具体为：

23、根据全景图像的失真特性，在传统可变形卷积基础上引入偏移量权重矩阵，具体公式如下：

24、

25、式中，r＝{(-1,-1),(-1,0),....,(0,1),(1,1)}为普通卷积采样点；p0为卷积核的中心位置；pn为采样点；δpn为采样点偏移量；x为像素值，经过双线性差值计算获取；w为权重值；δm为所设计的形变权重矩阵，其中

26、

27、进一步地，s3具体为：

28、在步骤s2所述的基础上设计基于可变形卷积结构设计深度估计网络。

29、深度估计网络结构均采用3×3的普通卷积核，再配合批归一化(batchnormalization,bn)防止过拟合操作，最后使用relu激活函数引入非线性特性。

30、在编码下采样阶段，特征通道上增加为6个，进行偏移量学习，并配合步骤s2所设计的形变权重矩阵进行特征提取。

31、在解码阶段，每进行两次卷积，进行一次双线性差值采样，将特征尺度扩大一倍。

32、进一步地，s4具体为：

33、在步骤s2所述的基础上设计基于可变形卷积结构设计位姿估计网络。位姿估计网络编码部分继续在步骤s3中编码网络部分进行优化。

34、在输入通道部分，由于需要前后时序间的两张图像作为输入，输入通道需要增加到12个。

35、在特征提取后，需要先经过一个1×1的卷积层进行通道降维，然后经过两个3×3的普通卷积层进行进一步的特征提取，最后再经过1×1的卷积层降维到1，取平均值后输出6自由度信息。

36、进一步地，s5具体为：

37、根据重建图像与输入图像之间的误差作为自监督信息。

38、图像重建损失函数为：

39、

40、边缘平滑损失定义为：

41、

42、总损失：

43、l＝λlc+μls

44、基于所构建的总损失函数，采用无监督的方式进行学习和训练步骤s3、s4所述的深度估计网络和姿态估计网络。

45、进一步地，s6具体为：

46、结合步骤s5训练的深度估计网络和姿态估计网络，选取固定采样间隔的全景图像数据进行输入，并估计深度信息获取全景深度图像，然后沿着轴向方向进行合成，获取整个设备圆柱形腔体的深度图像。

47、进一步地，一种电子设备，包括：

48、存储器，用于存储计算机软件程序；

49、处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现一种基于全景图像的高温设备内衬表面深度估计方法。

50、相对于现有技术，本专利申请具有如下优点：

51、本方法所采用的全景图像能够提供设备内衬表面更大范围的视野，从而可以全面、准确地捕捉内衬表面的形态和纹理，有助于算法更准确地识别表面的起伏和凹凸，对于高温设备的内衬数字化与智能化维护有更好的扩展性。同时，针对圆柱形腔体和全景图像所固有的失真特性，引入结构化设计的失真卷积，能够提升神经网络特征提取的精度和内衬表面深度估计的精度。

技术特征：

1.一种基于全景图像的高温设备内衬表面深度估计方法，其特征在于，包括以下步骤：

2.一种电子设备，包括：存储器，用于存储计算机软件程序；处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现权利要求1所述的一种基于全景图像的高温设备内衬表面深度估计方法。

技术总结本发明提供了一种基于全景图像的高温设备内衬表面深度估计方法。本发明首先使用全景相机沿着设备圆柱形腔体的轴线，以不同的采样间隔距离获取内部空间的局部全景图像。然后通过图像处理技术对将所获取的图像光照均衡化处理，从而构建出腔体表面的时序数据集。然后，基于可变形卷积设计神经网络。接着，采用无监督学习的方式训练所设计的神经网络，实现内衬表面深度图像获取。本发明方法具有数据采集简单、精准性高的优点，有助于高温设备内衬的维护和可视化，具有广阔的应用前景。技术研发人员：江都,李公法,云俊童,陶波,蒋国璋,黄莉,谢元敏,刘颖,曹永成,邹春龙受保护的技术使用者：武汉科技大学技术研发日：技术公布日：2024/9/9