摘 "要： 對(duì)于聚乙烯（PE）管道，在運(yùn)行中經(jīng)常有不同程度的泄漏等異常，通過(guò)對(duì)管道中不同異常的實(shí)驗(yàn)?zāi)M，收集數(shù)據(jù)并手動(dòng)標(biāo)記相應(yīng)的數(shù)據(jù)集。為了提高管道缺陷圖像的質(zhì)量，首先采用加權(quán)平均法對(duì)圖像進(jìn)行灰度處理；然后，利用伽馬變換改進(jìn)管道背景與缺陷的對(duì)比度；最后，使用雙重過(guò)濾來(lái)降低圖像中的噪聲。為了降低數(shù)據(jù)的復(fù)雜度，提高模型訓(xùn)練速度，采用改進(jìn)的Sobel算法對(duì)管道缺陷圖像進(jìn)行邊緣檢測(cè)，采用自適應(yīng)閾值分割算法分割缺陷圖像的邊緣，生成二值圖像，用二值圖像訓(xùn)練模型，減少了模型對(duì)顏色特征的依賴，加快了模型的收斂速度。為了提高管道缺陷檢測(cè)的精度，引入CA注意力機(jī)制，提高目標(biāo)檢測(cè)特征提取能力。改進(jìn)的YOLOv5模型的mAP和召回率分別為97.18%和98.03%。與原算法相比，mAP增加了1.33%，召回率增加了3.83%。

關(guān)鍵詞： 缺陷檢測(cè)； 圖像處理； 機(jī)器學(xué)習(xí)； YOLOv5； 注意力機(jī)制； 二值圖像

中圖分類號(hào)： TN911.73?34； TP391.41 " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " 文章編號(hào)： 1004?373X（2024）21?0059?08

PE pipeline defect detection based on image processing and machine learning

FU Qiankun1， LI Qiang2， 3， RAN Wenshen4， LIN Nan4， WANG Yang1

（1. School of Intelligent Manufacturing Modern Industry （School of Mechanical Engineering）， Xinjiang University， Urumqi 830046， China;

2. Xinjiang Yian Special Inspection Engineering Co.， Ltd.， Urumqi 830000， China;

3. Xinjiang Uygur Autonomous Region Special Equipment Inspection and Research Institute， Urumqi 830000， China;

4. Department of Pressure Pipe， China Special Equipment Inspection and Research Institute， Beijing 100013， China）

Abstract： Usually， anomalies such as different degrees of leakage may occur to the polyethylene （PE） pipes in operation. The data are collected and the corresponding data sets are labeled manually by experimental simulation of different anomalies of the pipelines. The weighted average method is used to process the image gray in order to improve the quality of defect images of the pipeline. The contrast ratio between the pipeline background and the defects is improved by applying gamma transform. Double filtering is used to reduce the noise in the image. In order to reduce the complexity of the data and improve the speed of model training， the improved Sobel algorithm is used to detect the edges of the defect image. The adaptive threshold segmentation algorithm is used to divide the edges of the defect image， so as to generate a binary image. The binary image is used to train the model， which reduces the model dependence on the color features and accelerates the model convergence. In order to improve the accuracy of pipeline defect detection， the coordinate attention （CA） mechanism is introduced and the feature extraction ability of object detection is improved. The mAP and recall rate of the improved YOLOv5 are 97.18% and 98.03%， respectively. In comparison with that of the original algorithm， its mAP is increased by 1.33% and its recall rate is increased by 3.83%.

Keywords： defect detection; image processing; machine learning; YOLOv5; attention mechanism; binary image

0 "引 "言

在過(guò)去的幾十年中，聚乙烯（PE）管道因其柔韌性和耐腐蝕性，被廣泛用于世界各地的天然氣網(wǎng)絡(luò)[1]。因此PE管材及其材料的長(zhǎng)期性能至今備受關(guān)注[2]，根據(jù)國(guó)際天然氣管道事故統(tǒng)計(jì)數(shù)據(jù)顯示，人為破壞、施工失誤、腐蝕是天然氣管道泄漏的常見原因[3]。隨著使用管道運(yùn)輸危險(xiǎn)物質(zhì)在全球范圍內(nèi)變得越來(lái)越流行，由管道故障而發(fā)生重大事故的可能性正在逐步增加[4]。在實(shí)踐中燃?xì)夤艿烙性S多無(wú)損檢測(cè)方法（例如，基于激光的系統(tǒng)、基于超聲波的傳感器等），與其他常用于PE管道的檢測(cè)技術(shù)相比，視覺檢測(cè)技術(shù)因其直觀、準(zhǔn)確和方便的獨(dú)特優(yōu)勢(shì)，已廣泛應(yīng)用于各個(gè)領(lǐng)域[5]。各類的視覺內(nèi)檢測(cè)方法常搭載在管道機(jī)器人中，而配備有圖像處理技術(shù)的管道機(jī)器人可以直接收集、傳輸和處理圖像，減少了人工成本[6]。

傳統(tǒng)圖像的缺陷檢測(cè)是使用提取圖像特征完成的，用這些提取的特征來(lái)表示原始像素值中不清晰的信息。最近幾年，這種方法被卷積神經(jīng)網(wǎng)絡(luò)（CNN）所取代[7]。文獻(xiàn)[8]提出一種基于CNN和改進(jìn)的樣條局部均值分解（ISLMD）方法對(duì)圖像降噪，從而定位管道泄露位置。文獻(xiàn)[9]提出了一種基于視覺的軟件方法，通過(guò)圖像展開模塊、圖像鑲嵌模塊、缺陷辨識(shí)模塊更加直觀地顯示所獲取的數(shù)據(jù)，幫助人工操作。文獻(xiàn)[10]提出了一種基于StyleGAN?SDM圖像預(yù)處理和CNN的下水管道多缺陷檢測(cè)系統(tǒng)，所提出模型的平均準(zhǔn)確率和宏觀[F1]分?jǐn)?shù)分別達(dá)到了95.64%和0.955。

1 "圖像預(yù)處理

通過(guò)對(duì)管道圖像進(jìn)行預(yù)處理，不僅成功地消除了其中的噪聲，還提高了管道背景與其缺陷的對(duì)比度，這使得缺陷的識(shí)別和分類變得更為高效。圖像預(yù)處理過(guò)程如圖1所示。

1.1 "圖像灰度處理

灰度是表征圖像亮度和黑暗的一個(gè)重要特征。近年來(lái)，它被應(yīng)用于基于圖像灰度差異和間斷變化的圖像分割、目標(biāo)識(shí)別和機(jī)器視覺技術(shù)中。與彩色圖像相比，灰度占用內(nèi)存少、運(yùn)算速度快[11]。

彩色圖像的灰度轉(zhuǎn)換有三種常用方法：均值法、最大值法、加權(quán)平均法。其中，最大值法直接取[R]、[G]、[B]三個(gè)分量中數(shù)值最大（見式（1））的分量的數(shù)值。

[R=G=B=max（R，G，B）] " （1）

均值法就是取[R]、[G]、[B]三個(gè)分量中數(shù)值的均值：

[R=G=B=（R+G+B）3] （2）

加權(quán)平均法就是根據(jù)人眼對(duì)于[R]、[G]、[B]三種顏色的敏感度，按照一定的權(quán)值進(jìn)行加權(quán)平均（見式（3））得到。

[I（α， β）=0.3×IR（α， β）+0.59×IG（α， β）+0.11×IB（α， β）] （3）

式中：[I（α， β）]表示坐標(biāo)[（α， β）]處的灰度值；[IR（α， β）]、[IG（α， β）]和[IB（α， β）]分別表示像素的三種顏色分量的亮度值。

采用最大值法（見圖2b））、均值法（見圖2c））、加權(quán)平均法（見圖2d）），分別對(duì)裂紋、孔洞、斷裂三種原始缺陷圖像（見圖2a））進(jìn)行灰度處理。從圖2可以發(fā)現(xiàn)，加權(quán)平均法得到的灰度圖像效果最好（暗處更暗），灰度圖像亮度適中，未覆蓋管道缺陷的特征。因此，用加權(quán)平均法對(duì)圖像進(jìn)行灰度化處理。

1.2 "管道缺陷的圖像增強(qiáng)

圖像增強(qiáng)是提高圖像顯示效果的一種方法，其目的是增強(qiáng)圖像的顯示質(zhì)量，強(qiáng)調(diào)圖像的邊緣和關(guān)鍵紋理，并限制對(duì)不重要區(qū)域的展示，從而在某種程度上提升圖像的視覺體驗(yàn)或強(qiáng)調(diào)圖像中的某些“實(shí)用”部分，同時(shí)減少其他“不必要”的信息[12]。圖像增強(qiáng)技術(shù)眾多，而本文采用全局直方圖均衡化（見圖3b））、自適應(yīng)直方圖均衡化（見圖3c））和Gamma變換（見圖3d））對(duì)先前得到的灰度圖（見圖3a））進(jìn)行圖像增強(qiáng)處理。

從圖3可以看出，通過(guò)直方圖均衡化處理后的圖像雖然提升了背景與缺陷之間的對(duì)比度，但是也導(dǎo)致噪聲在圖像中突出。與原始的缺陷圖像相比，經(jīng)過(guò)均衡化處理后的圖像亮度表現(xiàn)出不均勻性；自適應(yīng)直方圖均衡化技術(shù)在消除圖像中的均勻噪聲方面表現(xiàn)出一定的效果，但是也引起了圖像過(guò)度增強(qiáng)和噪聲放大的現(xiàn)象。在Gamma變換之后的缺陷圖像沒有失真，缺陷的邊緣更加突出，與背景的差異更大，變得更清晰。所以選擇采用Gamma變換算法提高管道背景與管道缺陷間的對(duì)比度。

1.3 "管道缺陷圖像濾波處理

噪點(diǎn)在圖像采集過(guò)程中的影響是不可避免的，因此對(duì)圖像進(jìn)行相應(yīng)的濾波處理很有必要。有兩個(gè)基本原則是在進(jìn)行濾波操作時(shí)必須嚴(yán)格遵循的：首先，必須確保輪廓的邊緣信息得到完整的保存，以防止其變得模糊或特征丟失；其次，必須努力提升獲取圖像的品質(zhì)，而不是削減其成像質(zhì)量。圖像去噪是圖像修復(fù)中常見的技術(shù)，其目標(biāo)是從繁雜的觀察數(shù)據(jù)中預(yù)測(cè)出較為清晰的圖像。通過(guò)圖像濾波處理，這不僅可以有效地去除圖像中的多余噪點(diǎn)，還能從圖像中提取出關(guān)鍵特征，為后續(xù)的特征提取工作打下堅(jiān)實(shí)的基礎(chǔ)。本文使用雙邊濾波（見圖4b））、高斯濾波（見圖4c））、均值濾波（見圖4d））、自適應(yīng)中值濾波（見圖4e））分別對(duì)得到的圖像（見圖4a））進(jìn)行降噪。

不同的濾波器對(duì)各種噪聲的適應(yīng)性各不相同。其中雙邊濾波所用的加權(quán)平均基于高斯分布，可以去除圖像上的高斯噪聲，但去除高斯噪聲時(shí)會(huì)忽略椒鹽噪聲，去除椒鹽噪聲的最佳算法是自適應(yīng)中值濾波，但去除高斯噪聲的效果很差[13]。因此提出了雙重濾波組合（見圖4f）），通過(guò)中值濾波去除椒鹽噪聲，然后通過(guò)雙邊濾波進(jìn)一步去除高斯噪聲。由圖4可以看到，雙重濾波的組合和其他主流的濾波算法相比，保留了邊緣細(xì)節(jié)并去除了噪聲點(diǎn)，達(dá)到了保持邊緣、降噪平滑的效果，因此，本文決定使用雙重過(guò)濾降噪。

1.4 "改進(jìn)的Sobel算子邊緣檢測(cè)

傳統(tǒng)的Sobel算法首先使用卷積算子對(duì)每個(gè)像素點(diǎn)先完成加權(quán)平均處理，再對(duì)其進(jìn)行微分處理，以獲得[X]方向和[Y]方向上的梯度值。然而，普通的Sobel算法只對(duì)[X]方向和[Y]方向敏感，只能評(píng)估[X]和[Y]兩個(gè)方向的邊緣，使得該算法難以獲得理想的檢測(cè)效果，定位精度也不是很高[14]。

PE燃?xì)夤艿赖膬?nèi)部缺陷具有不同的形狀和深度，導(dǎo)致缺陷圖像的灰度等級(jí)出現(xiàn)不明顯的局部變化。同時(shí)，需要實(shí)時(shí)傳輸和采集的燃?xì)夤艿廊毕輬D像內(nèi)部可能含有干擾信息。單純依賴兩個(gè)方向算子對(duì)管道缺陷進(jìn)行邊緣檢測(cè)效率低下且易造成邊緣缺失。為了更準(zhǔn)確地檢測(cè)圖像中的邊緣像素，可以將Sobel運(yùn)算符改進(jìn)為8個(gè)方向。本文使用的改進(jìn)的Sobel算法基于原Sobel算法又增加了6個(gè)方向（如圖5所示），既能更加高效地對(duì)圖像進(jìn)行邊緣檢測(cè)，使得邊緣信息更加完整，又能提高邊緣檢測(cè)的準(zhǔn)確性，顯著降低偽邊緣出現(xiàn)的幾率。

經(jīng)過(guò)優(yōu)化的算法引入了多個(gè)方向性的算子，由于算子所覆蓋的像素點(diǎn)與算子中心的像素距離存在差異，因此每個(gè)像素點(diǎn)在邊緣檢測(cè)上的表現(xiàn)也會(huì)有所不同。

假設(shè)算子中任意點(diǎn)[（m，n）]與算子中心點(diǎn)[（i，j）]的距離為[d（m，m）]，不同位置的權(quán)值[w（m，n）]基于下面給出的式（4）～式（6）得到。

[d（m，n）=（i-m）2+（i-n）2] （4）

[lng（m，n）=-[d2（m，n）-u]×ln 2] （5）

[w（m，n）=g（m，n）] （6）

式中：[d（m，n）]是坐標(biāo)為[（m，n）]的算子元素到坐標(biāo)為[（i， j）]的算子中心的歐氏距離；[u]為調(diào)整系數(shù)（與算子大小有關(guān)，本文取[u]=3）；[g（m，n）]為[（m，n）]處的實(shí)數(shù)權(quán)值；“[ ]”代表向上取整運(yùn)算。為簡(jiǎn)化計(jì)算，對(duì)[g（m，n）]向上取整作為算子中的元素。

針對(duì)上文得到的管道缺陷濾波圖像（見圖6a）），采用改進(jìn)的Sobel算法（見圖6b））、經(jīng)典的Sobel邊緣檢測(cè)算法（見圖6c））和Prewitt算法（見圖6d））分別對(duì)圖像進(jìn)行邊緣檢測(cè)。三種缺陷的邊緣檢測(cè)效果如圖6所示。

對(duì)比研究發(fā)現(xiàn)，采用改進(jìn)Sobel算法所提取出的缺陷邊緣更連續(xù)、更完整，能全面地展示缺陷形狀特征。因此使用改進(jìn)的算法進(jìn)行邊緣檢測(cè)。

1.5 "自適應(yīng)閾值分割

在不均勻照明或者灰度值分布不均勻的情況下，如果使用全局閾值分割，得到的分割效果往往會(huì)很不理想，在這種情況下，自適應(yīng)閾值分割（也稱局部分割）可以產(chǎn)生好的結(jié)果。自適應(yīng)閾值分割不像全局閾值那樣，對(duì)整個(gè)矩陣采用一個(gè)閾值，而是針對(duì)輸入矩陣的每一個(gè)位置的值都有相對(duì)應(yīng)的閾值[15]。

假設(shè)輸入圖像為[I]，圖像高度為[H]、寬為[W]，自適應(yīng)閾值分割算法的步驟如下。

1） 對(duì)圖像進(jìn)行平滑處理，平滑結(jié)果記為[fsmooth（I）]。

2） 自適應(yīng)閾值矩陣如式（7）所示：

[Thresd=（1-ratio）*fsmooth（I）] （7）

一般令ratio=0.15。

3） 利用局部閾值分割規(guī)則得出結(jié)果，如式（8）所示：

[G（x，y）=225， " " " I（x，y）gt;Thresd（x，y）0， " " " I（x，y）≤Thresd（x，y）] （8）

本文分別用自適應(yīng)閾值法（見圖7b））、全局閾值法（見圖7c））和Otsu閾值分割法（見圖7d））處理上文邊緣檢測(cè)后的圖像（見圖7a））。

從圖7可以發(fā)現(xiàn)，利用閾值可以將管道缺陷從管道背景中分離出來(lái)。在視覺上，自適應(yīng)閾值分割方法效果最佳，PE燃?xì)夤艿廊毕莸倪吘壭畔]有丟失，也沒有冗余干擾信息。因此，本文使用自適應(yīng)閾值算法對(duì)圖像進(jìn)行分割。

2 "管道缺陷檢測(cè)系統(tǒng)

2.1 "缺陷檢測(cè)模型

YOLOv5分為5個(gè)不同的版本，YOLOv5s網(wǎng)絡(luò)是YOLOv5系列中深度相對(duì)較小的網(wǎng)絡(luò)。其他都是在此基礎(chǔ)上不斷加深、不斷加寬。每種網(wǎng)絡(luò)結(jié)構(gòu)性能上來(lái)說(shuō)各有優(yōu)劣，為了保證實(shí)時(shí)檢測(cè)的速度和較高的準(zhǔn)確率，采用YOLOv5s算法用于實(shí)時(shí)檢測(cè)。

2.2 "CA注意力機(jī)制

CA（Coordinate Attention）利用兩個(gè)一維全局池化操作，將垂直和水平方向的輸入特征分別生成兩個(gè)注意力圖，每個(gè)注意力圖都能夠捕捉到輸入特征圖中沿著一個(gè)空間方向的長(zhǎng)距離相關(guān)性。不僅考慮到空間和通道之間的關(guān)系，還考慮到長(zhǎng)距離相關(guān)性問(wèn)題[16]，結(jié)構(gòu)如圖8所示。改進(jìn)后YOLOv5模型結(jié)構(gòu)如圖9所示。

3 "實(shí)驗(yàn)結(jié)果分析

3.1 "設(shè)置參數(shù)及實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)通過(guò)對(duì)管道中不同異常進(jìn)行實(shí)驗(yàn)?zāi)M，收集數(shù)據(jù)并手動(dòng)標(biāo)記相應(yīng)的數(shù)據(jù)集。以7∶2∶1的比例分配訓(xùn)練數(shù)據(jù)集、驗(yàn)證數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，共3 365張圖像。

訓(xùn)練參數(shù)設(shè)置如表1所示，運(yùn)行環(huán)境如表2所示。

3.2 "評(píng)價(jià)標(biāo)準(zhǔn)

本文從平均精度（mAP）、召回率（[R]）和準(zhǔn)確率（[P]）等方面評(píng)價(jià)了改進(jìn)算法的性能。mAP是衡量模型分類和檢測(cè)能力最直觀的指標(biāo)，在很大程度上可以同時(shí)反映模型的定位和分類能力，mAP值越大，模型性能越好。

[Precision=TPTP+FP] （9）

[Recall=TPTP+FN] （10）

[AP=01PRdR] （11）

[mAP=1Ni=1NAPi] （12）

式中：TP、FP和FN分別代表真陽(yáng)性、假陽(yáng)性和假陰性。

3.3 "比較實(shí)驗(yàn)和結(jié)果分析

添加注意力機(jī)制模塊的效果如表3所示，其中CA模塊更有效，mAP比原來(lái)的YOLOv5改進(jìn)算法提高了1.33%，召回率提升了3.83%。

訓(xùn)練后的mAP函數(shù)曲線和損失函數(shù)曲線如圖10所示。

混淆矩陣如圖11所示。

為了進(jìn)一步驗(yàn)證改進(jìn)算法的性能，在數(shù)據(jù)集中使用了兩種具有代表性的目標(biāo)檢測(cè)算法YOLOv7和YOLOv8進(jìn)行了比較實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4所示。本文提出的YOLO模型的mAP、召回率和準(zhǔn)確率均高于其他兩種算法，其中mAP比YOLOv8高0.43%，比YOLOv7高0.89%。訓(xùn)練后的mAP函數(shù)曲線和損失函數(shù)曲線如圖12所示，混淆矩陣如圖13所示，比較模型改進(jìn)前后的效果如圖14所示。

使用訓(xùn)練好的管道缺陷檢測(cè)模型檢測(cè)燃?xì)夤艿廊毕菘梢园l(fā)現(xiàn)，改進(jìn)后的算法能夠與原算法相比，具備出色的檢測(cè)能力，且沒有出現(xiàn)錯(cuò)檢和漏檢的情況。由圖12可以看出，改進(jìn)后的算法比原始算法具有更高的置信度。對(duì)于常見的三種缺陷裂紋、斷裂、孔洞都有較高的識(shí)別性，置信度最高提升0.2。

4 "結(jié) "語(yǔ)

為了解決燃?xì)夤艿乐械娜毕輽z測(cè)問(wèn)題，本文提出了一種改進(jìn)的YOLOv5缺陷檢測(cè)算法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv5模型在進(jìn)行管道缺陷實(shí)時(shí)檢測(cè)時(shí)具有較高的魯棒性，作為一種無(wú)損檢測(cè)方法，可以成為管道缺陷檢測(cè)的一種途徑。由于管道缺陷樣本相對(duì)較稀缺，而且標(biāo)注樣本可能存在一定的誤差，因此測(cè)試結(jié)果與實(shí)際情況的對(duì)比可能會(huì)有一定的誤差。因此，為了達(dá)到更好的檢測(cè)效果并使模型更具實(shí)際應(yīng)用價(jià)值，需要對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，包含各種不同類型和分辨率的管道缺陷圖像，進(jìn)一步提高管道缺陷實(shí)時(shí)監(jiān)測(cè)的能力，優(yōu)化檢測(cè)模型的結(jié)構(gòu)，使其更具有普遍實(shí)用性是未來(lái)有待改進(jìn)的工作。

注：本文通訊作者為王洋。

參考文獻(xiàn)

[1] 高振宇，張慧宇，高鵬.2022年中國(guó)油氣管道建設(shè)新進(jìn)展[J].國(guó)際石油經(jīng)濟(jì)，2023，31（3）：16?23.

[2] ZHA S， LAN H. Fracture behavior of pre?cracked polyethylene gas pipe under foundation settlement by extended finite element method [J]. International journal of pressure vessels and piping， 2021， 189： 104270.

[3] HOU Q， YANG D， LI X， et al. Modified leakage rate calculation models of natural gas pipelines [J]. Mathematical problems in engineering， 2020（44）： 6673107.

[4] WU J S， BAI Y P， FANG W P， et al. An integrated quantitative risk assessment method for urban underground utility tunnels [J]. Reliability engineering and system safety， 2021， 213： 107792.

[5] SUN X H， GU J N， TANG S X， et al. Research progress of visual inspection technology of steel products： A review [J]. Applied sciences， 2018， 8（11）： 2195.

[6] YIN X F， CHEN Y， BOUFERGUENE A， et al. A deep learning?based framework for an automated defect detection system for sewer pipes [J]. Automation in construction， 2020， 109： 102967.

[7] MEIJER D W J， SCHOLTEN L， CLEMENS F H L R， et al. A defect classification methodology for sewer image sets with convolutional neural networks [J]. Automation in construction， 2019， 104： 281?298.

[8] ZHOU M F， PAN Z， LIU Y W， et al. Leak detection and location based on ISLMD and CNN in a pipeline [J]. IEEE access， 2019， 7： 30457?30464.

[9] PICIARELLI C， AVOLA D， PANNONE D， et al. A vision?based system for internal pipeline inspection [J]. IEEE transaction on industrial informatics， 2019， 15（6）： 3289?3299.

[10] MA D， LIU J H， FANG H Y， et al. A multi?defect detection system for sewer pipelines based on StyleGAN?SDM and fusion CNN [J]. Construction and building materials， 2021， 312： 125385.

[11] LI C， LAN H Q， SUN Y N， et al. Detection algorithm of defects on polyethylene gas pipe using image recognition [J]. International journal of pressure vessels and piping， 2021， 191： 104381.

[12] ZHANG X， WU H， ZHOU Z. Partial color photo processing method for components based on image enhancement technology [EB/OL]. [2021?09?20]. https：//doi.org/10.1155/2021/4132016.

[13] 孫亞楠.基于圖像識(shí)別的聚乙烯燃?xì)夤艿廊毕輽z測(cè)算法研究[D].北京：北京交通大學(xué)，2020.

[14] LIU W， WANG L. Quantum image edge detection based on eight?direction Sobel operator for NEQR [J]. Quantum information processing， 2022， 21（5）： 190.

[15] LIAO J， WANG Y， ZHU D Q， et al. Automatic segmentation of crop/background based on luminance partition correction and adaptive threshold [J]. IEEE access， 2020， 8： 202611?202622.

[16] 貝新林.基于改進(jìn)YOLOv5的非限定條件下車牌檢測(cè)算法研究[J].數(shù)字通信世界，2022（6）：20?22.

作者簡(jiǎn)介：符前坤（1993—），男，安徽人，碩士研究生，主要研究方向?yàn)榛谏疃葘W(xué)習(xí)的缺陷檢測(cè)技術(shù)。

李 "強(qiáng)（1981—），男，新疆人，碩士研究生，主要研究方向?yàn)椴牧铣尚汀x器儀表等。

冉文燊（1989—），男，四川人，碩士研究生，主要研究方向?yàn)橛蜌鈨?chǔ)運(yùn)。

林 "楠（1987—），男，遼寧人，博士研究生，主要研究方向?yàn)橛蜌鈨?chǔ)運(yùn)。

王 "洋（1985—），男，陜西人，博士研究生，副教授，碩士生導(dǎo)師，主要研究方向?yàn)橛蜌夤艿缐勖A(yù)測(cè)、管道安全與防護(hù)、管道缺陷識(shí)別、管道檢測(cè)技術(shù)、電磁兼容技術(shù)等。