本发明涉及管道检测，尤其涉及基于双鱼眼镜头的管道内部检测系统。
背景技术：
1、随着工业化进程的不断推进，管道系统在石油、天然气、水务和化工等领域中的应用日益广泛。然而，管道的长期使用和复杂运行环境使得管道内部容易出现各种缺陷，如腐蚀、裂纹和积垢等，这些缺陷可能导致管道泄漏、爆炸等重大安全事故。因此，对管道内部的检测和监测变得尤为重要。
2、传统的管道内部检测方法主要依赖于单个摄像头进行图像采集，这种方法存在视野局限、图像畸变和检测盲区等问题，难以全面、准确地反映管道内部的实际状况。此外，传统检测系统在缺陷检测的精度和效率上也存在不足，往往无法及时发现潜在的高风险区域。
3、随着计算机视觉和人工智能技术的发展，越来越多的研究和应用开始引入先进的图像处理和机器学习算法，以提高管道内部检测的精度和效率。然而，现有技术在处理复杂管道环境、实现高精度缺陷定位和关联风险评估方面仍存在挑战，尤其是在对管道裂纹进行检测后，只能针对裂纹缺陷进行单独检测，不能有效分析裂纹缺陷之间的关联性，从而发现关联后的裂纹缺陷存在的高风险问题。
技术实现思路
1、基于上述目的，本发明提供了基于双鱼眼镜头的管道内部检测系统。
2、基于双鱼眼镜头的管道内部检测系统，包括：
3、两个鱼眼镜头模块，每个鱼眼镜头模块包括一个鱼眼镜头和图像预处理单元；
4、数据采集模块，用于接收来自两个鱼眼镜头模块预处理后的图像数据；
5、图像融合处理模块，用于将两个鱼眼镜头模块采集到的图像数据进行融合处理，并生成全景图像；
6、缺陷检测模块，用于对全景图像进行分析，检测管道内部的缺陷，确定缺陷类型、大小信息，缺陷类型包括腐蚀、裂纹、积垢；
7、缺陷定位模块，在检测到管道内部的缺陷后，对缺陷进行定位，确定缺陷的位置信息；
8、关联分析模块，根据确定的裂纹缺陷的位置，对空间距离近的裂纹缺陷进行关联分析，分析裂纹缺陷之间的空间分布和关联关系，并评估它们之间的关联程度，基于关联分析的结果，进行风险评估，确定是否存在裂纹缺陷之间的关联风险；
9、预防措施模块：根据风险评估结果，制定相应的预防措施，如果存在裂纹缺陷之间的关联风险，加强对应区域的监测和检测。
10、进一步的，还包括一个检测机器人，两个鱼眼镜头模块分别安装在检测机器人的前后部位，且角度调整以实现管道内部全方位的图像采集，图像预处理单元负责对鱼眼镜头采集到的图像数据进行去噪、增强操作，以提高图像的质量和清晰度。
11、进一步的，所述图像融合处理模块包括对两个鱼眼镜头模块采集到的图像进行几何校正，将图像转换为柱面投影，以消除鱼眼镜头产生的畸变，对校正后的图像进行配准，将两个图像之间进行对齐，确保在同一坐标系下的位置一致，基于特征点的图像拼接算法将配准后的图像进行拼接，形成全景图像，对拼接后的全景图像进行边缘融合处理，消除拼接处的不连续性，确保全景图像的视觉效果和质量。
12、进一步的，所述缺陷检测模块基于卷积神经网络算法，所述卷积神经网络算法引入多尺度特征融合机制，在网络结构中添加多个并行的卷积分支，每个分支负责提取不同尺度的特征，通过特征融合层进行结合，以增强对多尺度信息的感知能力，引入多尺度特征融合机制的卷积神经网络算法进行缺陷检测具体包括：
13、对全景图像进行预处理，包括图像尺寸调整、归一化处理；
14、多尺度特征提取：在网络结构中引入多个并行的卷积分支，每个分支负责提取不同尺度的特征，通过多个卷积分支，在不同层次上捕获图像的细节和全局信息；
15、将每个尺度的特征进行融合，以获取丰富完整的特征表示，采用加权求和或者串联的方式将不同尺度的特征融合在一起；
16、深度网络结构：在特征融合后，将融合后的特征输入到深度网络结构中进行特征提取和学习，深度网络包括卷积层、池化层、全连接层，用于对特征进行抽象和组合，实现对缺陷的检测；
17、缺陷检测和分类：在网络的最后一层添加分类器，用于对提取到的特征进行缺陷检测和分类，采用多分类方式，根据具体任务需求来确定缺陷的类型和数量。
18、进一步的，所述多尺度特征提取包括：
19、卷积操作，表示为：，其中，是输入图像的像素值，是卷积核的权重，为偏置项，是卷积后的特征图像的像素值；
20、激活函数，在卷积后应用激活函数，表示为：
21、；
22、池化操作，表示为：，其中，是池化后的特征图像的像素值；
23、所述特征融合通过加权求和或串联操作实现：
24、加权求和:；
25、串联操作:；
26、所述分类器使用softmax函数进行多分类：
27、，其中，是输入特征向量，是类别的权重向量，是类别数目。
28、进一步的，所述缺陷定位模块具体包括：
29、通过安装在鱼眼镜头模块上的定位传感器获取鱼眼镜头当前的位置和姿态信息，以鱼眼镜头坐标系下的坐标表示；
30、像素坐标与鱼眼镜头坐标转换：将鱼眼镜头捕获到的图像中的缺陷位置，即像素坐标转换为鱼眼镜头坐标系下的坐标；
31、确定鱼眼镜头坐标转换为世界坐标系下坐标，进而将缺陷位置转换为世界坐标系下坐标；
32、确定管道在世界坐标系下的坐标，从而定位缺陷位置在管道中的坐标。
33、进一步的，所述关联分析模块具体包括：
34、计算每对裂纹缺陷之间的空间距离：
35、；从缺陷检测模块中获取每个裂纹缺陷的坐标信息，再根据计算出的每对缺陷之间的空间距离，构建一个距离矩阵；
36、关联规则捖掘：利用关联规则挖掘算法，分析裂纹缺陷之间的空间分布和关联关系，通过设置最小支持度阈值和最小置信度阈值，提取出显著（即高置信度）裂纹缺陷关联规则；
37、关联程度评估：计算裂纹缺陷之间的关联度：
38、；
39、风险评估：基于关联分析的结果，进行风险评估，确定是否存在缺陷之间的关联风险；
40、风险矩阵构建：根据关联度构建裂纹缺陷的风险矩阵，通过构建风险矩阵，量化裂纹缺陷的关联风险，风险矩阵将不同缺陷的关联度映射到风险级别上，量化和可视化风险。
41、进一步的，所述关联规则挖掘算法具体包括：
42、获取裂纹缺陷对，根据计算出的距离矩阵，生成一个包含缺陷对的二元组列表，每个二元组代表两个空间距离过近的裂纹缺陷，从而创建数据集；
43、定义关联规则挖掘的参数，包括最小支持度、最小置信度；
44、生成频繁项集：生成所有项集，即缺陷对，然后根据最小支持度阈值过滤掉不频繁的项集，保留频繁项集；
45、生成候选规则：从频繁项集中生成关联规则候选集；
46、计算置信度并筛选规则：对每个候选规则计算置信度，根据最小置信度阈值过滤掉置信度低的规则，保留高置信度的关联规则。
47、进一步的，所述风险矩阵构建包括：
48、基于计算的裂纹缺陷之间的关联度，其中是第和第个裂纹缺陷的关联度，设有个裂纹缺陷，则计算的关联度矩阵；
49、构建风险矩阵：
50、风险矩阵是基于关联度矩阵构建的；
51、每个元素表示裂纹缺陷和之间的风险级别；
52、风险级别根据关联度划分：
53、:低风险；
54、:中等风险；
55、:高风险；
56、:非常高风险；
57、所述风险矩阵将不同缺陷的关联度映射到风险级别上包括根据关联度矩阵，将每个映射到风险矩阵中的风险级别；
58、使用热力图显示风险矩阵，不同的颜色表示不同的风险级别，使用红色表示高风险，黄色表示中等风险，绿色表示低风险。
59、进一步的，所述支持度表示为：，其中，是包含项集a的记录数，是总记录数。
60、所述置信度表示为：，其中，是同时包含项集a和项集b的记录数。
61、本发明的有益效果：
62、本发明，通过两个鱼眼镜头模块进行图像捕获，并利用图像预处理单元对图像进行几何校正和畸变矫正，确保图像的质量和准确性，图像融合处理模块将两个鱼眼镜头采集到的图像数据进行融合处理，生成全景图像，从而提供了更广阔的视野和更全面的管道内部信息，此外，缺陷检测模块在检测到缺陷后，通过精确的坐标转换算法，将像素坐标转换为相机坐标，再进一步转换为世界坐标，实现了对缺陷的精准定位，为管道维护和修复提供了可靠的数据基础。
63、本发明，在缺陷检测模块中引入了多尺度特征提取的卷积神经网络（cnn）算法，通过多个并行的卷积层提取不同尺度的特征，捕捉管道内部的细节和全局信息，结合深度学习模型，能够有效识别和分类各种类型的缺陷，如腐蚀、裂纹和积垢。深度学习模型经过大量标注数据的训练，具有高精度和高鲁棒性，能够在复杂的管道环境中准确检测缺陷，提高了管道内部检测的效率和可靠性。
64、本发明，创新性地引入了裂纹缺陷的关联分析模块，通过计算每对裂纹缺陷之间的空间距离，利用关联规则挖掘算法分析裂纹缺陷之间的空间分布和关联关系，并评估它们之间的关联程度，通过构建裂纹缺陷的风险矩阵，将不同缺陷的关联度映射到风险级别上，量化和可视化裂纹缺陷的关联风险，风险评估模块基于关联分析的结果，识别高风险区域，并生成风险评估报告，为管道维护和管理提供了科学依据和决策支持，显著提高了管道的安全性和可靠性。
1.基于双鱼眼镜头的管道内部检测系统，其特征在于，包括：
2.根据权利要求1所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，还包括一个检测机器人，两个鱼眼镜头模块分别安装在检测机器人的前后部位，且角度调整以实现管道内部全方位的图像采集，图像预处理单元负责对鱼眼镜头采集到的图像数据进行去噪、增强操作，以提高图像的质量和清晰度。
3.根据权利要求1所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述图像融合处理模块包括对两个鱼眼镜头模块采集到的图像进行几何校正，将图像转换为柱面投影，以消除鱼眼镜头产生的畸变，对校正后的图像进行配准，将两个图像之间进行对齐，确保在同一坐标系下的位置一致，基于特征点的图像拼接算法将配准后的图像进行拼接，形成全景图像，对拼接后的全景图像进行边缘融合处理，消除拼接处的不连续性，确保全景图像的视觉效果和质量。
4.根据权利要求1所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述缺陷检测模块基于卷积神经网络算法，所述卷积神经网络算法引入多尺度特征融合机制，在网络结构中添加多个并行的卷积分支，每个分支负责提取不同尺度的特征，通过特征融合层进行结合，以增强对多尺度信息的感知能力，引入多尺度特征融合机制的卷积神经网络算法进行缺陷检测具体包括：
5.根据权利要求4所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述多尺度特征提取包括：
6.根据权利要求1所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述缺陷定位模块具体包括：
7.根据权利要求1所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述关联分析模块具体包括：
8.根据权利要求7所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述关联规则挖掘算法具体包括：
9.根据权利要求8所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述风险矩阵构建包括：
10.根据权利要求8所述的基于双鱼眼镜头的管道内部检测系统，其特征在于，所述支持度表示为：，其中，是包含项集a的记录数，是总记录数；
