Research on non‐contact infrared imaging technique for multilayer storage identification of oil tanks based on an improved edge‐detection algorithm
Notice bibliographique
Résumé
Abstract Detection of internal storage objects in tanks is crucial for production in the petrochemical industry and chemical raw material storage. Compared to traditional methods, infrared detection provides benefits like non‐contact operation, safety, and efficiency. In image processing, utilizing edge detection to obtain edge information is an advanced approach. By analyzing the thermal texture in infrared tank images and extracting boundaries between different regions, it is possible to predict the volume of internal storage. To address the issues of noise, lack of clarity, and discontinuity in existing image edge detection methods, a novel edge detection algorithm called wavelet transform and mathematical morphological fusion to improve edge detection (WMF‐IED) is proposed. Compared to the Roberts, Prewitt, Sobel, and Laplacian of Gaussian (LOG) methods, the WMF‐IED algorithm offers several advantages. It not only provides clear and continuous edges but also exhibits minimal mean squared error (MSE). Additionally, it achieves maximum signal‐to‐noise ratio (SNR) and peak signal‐to‐noise ratio (PSNR). These factors show the proposed algorithm's superior performance. Moreover, an experimental platform for storage tanks was designed and constructed to analyze the detection of internal storage contents using the proposed WMF‐IED algorithm. The results demonstrate that the WMF‐IED algorithm has strong universality and can detect the edges of various internal storage. The volume prediction errors using the WMF‐IED algorithm are less than 4% and 6% for liquid level detection and sludge detection, respectively. Based on the analysis and experimental results, a recommended sampling value is proposed, which can be selected to obtain the minimum error.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».