CN107808133B - 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 - Google Patents

基于无人机巡线的油气管道安全监测方法、系统及软件存储器 Download PDF

Info

Publication number
CN107808133B
CN107808133B CN201710995829.3A CN201710995829A CN107808133B CN 107808133 B CN107808133 B CN 107808133B CN 201710995829 A CN201710995829 A CN 201710995829A CN 107808133 B CN107808133 B CN 107808133B
Authority
CN
China
Prior art keywords
image
unmanned aerial
aerial vehicle
risk identification
temporal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710995829.3A
Other languages
English (en)
Other versions
CN107808133A (zh
Inventor
张忠坡
王志威
陈建国
曾梅
陈德勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinopec Petroleum Engineering Geophysics Co Ltd
Original Assignee
Sinopec Petroleum Engineering Geophysics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sinopec Petroleum Engineering Geophysics Co Ltd filed Critical Sinopec Petroleum Engineering Geophysics Co Ltd
Priority to CN201710995829.3A priority Critical patent/CN107808133B/zh
Publication of CN107808133A publication Critical patent/CN107808133A/zh
Application granted granted Critical
Publication of CN107808133B publication Critical patent/CN107808133B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于无人机巡线的油气管道安全监测方法、系统及软件存储器，该方法包括：S1、获取无人机油气管道安全监测产生的多源数据；S2、根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；S3、在三维平台中重现无人机对油气管线的巡检过程；S4、进行无人机巡检的线路规划和管道水淹空间分析；S5、输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。本发明有效降低油气管道安全管理成本，提高安全监测效率，提升了管网运维管理水平。

Description

基于无人机巡线的油气管道安全监测方法、系统及软件存 储器
技术领域
本发明涉及油气管道智能化安全管理领域，尤其涉及一种无人机巡线的油气管道安全监测方法、系统及软件存储器。
背景技术
随着石油天然气工业的发展以及油气贸易的不断国际化，管道输送因其成本低、节省能源、供给稳定等优点已经成为当今世界上日益重要的油气输送方式。但是管道输送方式具有运距长、管径大、压力高、运量大等特点，长输管道沿途一旦发生事故,不仅会影响管道的正常运行,而且当输送有毒害、易燃和易爆介质时,还将给人们的生命财产和生存环境造成巨大的威胁。传统的油气管道安全监测采用人工巡检和防腐层相结合的方式，方法原始、分散作业、费时费力，难以利用现代方法对管道的安全进行有效控制和预防。近些年，无人机技术取得了充分的发展并日趋成熟，并已经进入行业时代。在公安执法系统里，美国军用无人机公司洛克希德马丁的解决方案Indigo成为公安系统的主流配置。3D Robotics在建筑行业中推出了Site Scan。可以实时的对施工现场进行勘查，并生成复杂的建筑物3D信息。该勘测技术能够精准的检测施工现场的现状，给工程管理提供有价值的监控信息。大疆在全球消费级无人机市场上处于领军位置，其主要服务的行业是电影工业。在电力巡检方面，芬兰的公司Sharper Shape提供了一套自动巡检解决方案，将无人机系统、操作团队、软件系统、数据库系统等整合在一起，服务于电力，石油公司。硬件制造方面，德国的无人机系统比较成熟，如目前的标准行业级无人机MicroDrone(MD)，靠碳纤维一体成型技术获得了极为轻量和高可靠度的机身；Asctec公司的主流机型Falon 8,集成三重控制器冗余、螺旋桨冗余等技术在巡检行业获得了很好的口碑。随着无人机技术的持续高速发展，无人机巡检行业呈现的是硬件、软件、行业应用相结合的发展趋势。主导巡检行业标准与规范正在研究、商讨和形成。
国内无人机油气管线安全监测行业仍处于萌芽阶段，尚无完整的体系结构和标准，无人机油气管道安全监测的后续工作，如图像识别、数据处理、分析预警等，国内的研究水平还较低。
发明内容
本发明要解决的技术问题在于针对现有技术中无人机油气管线安全监测技术落后的缺陷，提供一种无人机巡线的油气管道安全监测方法、系统及软件存储器。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于无人机巡线的油气管道安全监测方法，包括以下步骤：
S1、获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
S2、根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
S3、根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
S4、根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
S5、输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
进一步地，本发明的步骤S2中还包括对特征库进行更新的方法：
对高精度分析识别结果进行人工判别，若人工判别确认为风险特征，则将该风险特征加入特征库中，实现对特征库的更新。
进一步地，本发明的步骤S2中对单时相影像进行风险识别包括识别房屋信息的方法：
采用meanshift算法对单时相影像进行分割，统计分割后的对象的光谱、纹理和形状特征，进而提取的房屋信息，通过以下公式提取房屋信息：
Figure BDA0001442493790000031
其中，R,G,B值为对象不同波段的均值；
同时满足：
Figure BDA0001442493790000032
其中，Range(R,G,B)为R,G,B三个波段的范围，VAR(R,G,B)为R,G,B三个波段的方差，Ent(R,G,B)为R,G,B三个波段的熵；
同时满足：
Figure BDA0001442493790000033
其中，A为对象边界所包围的面积，C为对象所在区域最小外接矩形的长除以宽。
进一步地，本发明的步骤S2中对单时相影像进行风险识别包括识别车辆信息的方法：
将单时相影像从RGB空间转换到HSV空间，提取亮度分量h，进行形态学开运算，提取轮廓；
获取模板图像库，将轮廓作为待匹配图像，计算模板匹配度，其公式为：
T(x1-x2,y1-y2)＝∫∫f(x,y)F(x+(x1-x2),y+(y1-y2))dxdy
其中，f(x,y)表示待匹配图像，F(x,y)表示标准模板，T(x,y)为相关器输出，x和y为随机变量；
若识别结果的模板图像包含额外的目标图像识别特征，则对模板图像库进行扩充：将识别结果中，漏检部分作为模板图像库的正样本，添加到模板图像库的正向模板库中；将误检部分作为模板图像库的负样本，添加到模板图像库的负向模板库中；
根据识别结果定位目标所处的坐标。
进一步地，本发明的步骤S2中对单时相和多时相风险识别的结果计算并集的方法为：
对配准的前后时相影像计算比值：
Figure BDA0001442493790000041
其中，X1、X2分别为前后时相影像的灰度值，比值结果将是一张图像，将比值计算结果图像从RGB空间转换到HSV空间，设置阈值，对饱和度分量进行阈值分割，提取变化区域；分割完毕后将图像从HSV空间转回RGB空间，并进行灰度化；再次设置阈值，将图像进行二值化，提取变化区域矢量边缘，得到变化检测结果。
进一步地，本发明的步骤S4中进行无人机巡检的线路规划的方法为：
根据管线矢量数据和高程数据进行插值，形成一条跟随高程起伏的飞行线路，该线路初始分为满分；
根据高程起伏插值平滑线路；
结合周边地物进行评分，降低撞机风险；
根据相机参数及航飞参数，计算相机覆盖范围，对此指标进行评分；
统计当前线路的最终得分，满足分值条件或分值不收敛，则表示巡线规划完成；否则，根据扣减分数最多的一个环节进行修正，之后重新迭代，直至满足分值条件为止；
人工预览线路，手工微调编辑。
进一步地，本发明的步骤S4中进行管道水淹空间分析的方法为：
根据降雨量及降雨时间统计降雨淹没体积；
以管道中心线为中心，结合无人机巡线的数字高程模型数据以及降雨淹没体积，计算得到水淹范围。
本发明提供一种基于无人机巡线的油气管道安全监测系统，包括：
无人机数据获取单元，用于获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
风险特征识别单元，用于根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
巡检过程三维重新单元，用于根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
路线规划单元，用于根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
监测结果输出单元，用于输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
本发明提供一种存储有基于无人机巡线的油气管道安全监测软件的存储器，该软件执行以下程序：
获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
本发明产生的有益效果是：本发明的无人机巡线的油气管道安全监测方法、系统及软件存储器，以三维地理信息系统为基础，结合二维图像智能识别与变化检测技术，通过仿真、分析、计算、重现等手段，替代传统人工巡线所完成的工作，同时弥补传统人工巡线所存在的缺点和不足，以直观的方式呈现前期巡检过程，对现有数据进行管理、风险分析、评估、预警，并对风险分析评估的结果制作各种预案，防患于未然。本发明不仅适用于管道巡查的监督管理，还可以为管道维护提供决策依据，有效降低油气管道安全管理成本，提高管道安全监测效率，提升管网运维管理水平。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是基于无人机巡线的油气管道安全监测系统工作流程图；
图2是数据导入与管理流程图；
图3是影像智能识别与变化检测流程图；
图4是车辆提取流程图；
图5是管线巡检远程可视化示意图；
图6无人机巡检线路全自动规划流程图；
图7是无人机巡检线路规划流程图；
图8是管道水淹分析示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例的基于无人机巡线的油气管道安全监测方法，包括以下步骤：
S1、获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
S2、根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
每次识别结束后，还会对特征库进行更新：
对高精度分析识别结果进行人工判别，若人工判别确认为风险特征，则将该风险特征加入特征库中，实现对特征库的更新。
S3、根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
S4、根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
S5、输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
在本发明的另一个具体实施例中：
第一步：数据导入与管理
将正射影像、视频、数字高程模型等多源数据导入平台中，从本地及服务器两级管理，如图2所示。
第二步：影像智能识别与变化检测
对单时相影像，根据前期训练好的特征库，对正射影像进行风险识别。对多时相数据，采用基于饱和度的变化检测方法识别变化区域。对两种风险识别的成果求并集，提高风险识别结果。人工判别后将风险录入特征库，如图3所示。
1)单时相影像智能识别房屋：利用面向对象的分析方法对无人机遥感影像中的农村房屋信息进行提取，根据提取结果对管道风险进行判断识别。
采用meanshift算法对影像进行分割，统计分割后对象的光谱、纹理和形状特征，按公式(1)-(3)提取房屋：
Figure BDA0001442493790000071
其中，R,G,B值为对象不同波段的均值；
同时满足：
Figure BDA0001442493790000081
其中，Range(R,G,B)为R,G,B三个波段的范围，VAR(R,G,B)为R,G,B三个波段的方差，Ent(R,G,B)为R,G,B三个波段的熵；
同时满足：
Figure BDA0001442493790000082
其中，A为对象边界所包围的面积，C为对象所在区域最小外接矩形的长除以宽。
2)单时相影像智能识别车辆：采用改进的模板匹配提取车辆，如图4所示。
按照公式(4)-(6)从RGB空间转换到HSV空间，提取亮度分量h，进行形态学开运算，提取轮廓。
Figure BDA0001442493790000083
Figure BDA0001442493790000084
v＝max(6)
式中r,g,b分别为红、绿、蓝三个波段的像素灰度值。
由公式(7)计算模板匹配度：
T(x1-x2,y1-y2)＝∫∫f(x,y)F(x+(x1-x2),y+(y1-y2))dxdy (7)
式中f(x,y)表示待匹配图像，F(x,y)表示标准模板，T(x,y)为相关器输出，x和y为随机变量。识别结果相对于待匹配图像的其他部分，包含额外的目标图像识别特征。此时则需要进行模板扩充。将前期识别成果中，漏检部分作为后期识别模板的正样本，通过识别过程更新模板库，进而使模板库具有自适应性，提高前期识别结果的利用率与后期图像识别的精确度。将前期识别成果中，误检部分作为后期识别模板的负样本，建立负向模板库。根据识别结果定位目标所处的坐标。
模板库更新过程如下：设目标图像的所有必要特征数为E，初始模板的特征数为E0，未被初始模板包含的特征数为E’，则有：E’＝E–E0。假设第n次识别结果所包含的特征数为En，生成的相应模板为Mn，识别目标图像所用相关度阈值为s。En’为第n次识别结果所容纳的多于上次的必要特征数，那么，
Figure BDA0001442493790000091
为用于第n次识别的所有模板的非重复特征数，可得：
Figure BDA0001442493790000092
当匹配次数无穷大，即n趋于无穷大时：
Figure BDA0001442493790000093
3)多期影像对比分析提取无明显特征的隐患：对配准的图像按公式(13)进行比值计算：
Figure BDA0001442493790000094
式中X1、X2分别为前后时相影像灰度值，将比值计算结果影像按照公式(4)-(6)从RGB空间转换到HSV空间，设置阈值，对饱和度分量进行阈值分割，提取变化区域。分割完毕后按照公式(14)-(19)将图像从HSV空间转回RGB空间，并按照公式(20)进行灰度化。再次设置阈值，将图像进行二值化，提取变化区域矢量边缘，得到变化检测结果。
Figure BDA0001442493790000101
Figure BDA0001442493790000102
p＝v×(1-s) (16)
q＝v×(1-f×s) (17)
t＝v×(1-(1-f)×s) (18)
Figure BDA0001442493790000103
Y＝0.3r+0.59g+0.11b (20)
第三步：管线巡检远程可视化
将DEM、DOM、视频、原始航片、风险识别结果等多源数据在三维平台中展示，重现无人机巡检过程，如图5所示；
第四步：空间分析
如图7和图8所示，在多源数据的基础之上，提取地理信息，进行完成无人机巡检线路规划，管道水淹分析等空间分析；
无人机巡检线路规划过程如下：
1)权重评分：线路评分初始值为满分(100分)。根据线路本身的安全、实用因素，给予不同的权重，进行相应的扣减，分值不满足要求则视为线路不合格，需要进一步优化，如图5所示；
2)初始规划：直接根据管线矢量数据和高程数据进行插值，形成一条跟随高程起伏的飞行线路，该线路初始分为100分；
3)线路平滑处理：根据高程起伏插值平滑线路；
4)排查撞机风险因素：结合周边地物进行评分，降低撞机风险；
5)视野覆盖目标管线：根据相机参数及航飞参数，计算相机覆盖范围，对此指标进行评分；
6)分值统计：统计当前线路的最终得分，满足条件，或分值不收敛，则表示巡线规划完成，否则，根据扣减分数最多的一个环节进行修正，之后重新迭代，每一次迭代都应该能提高分值，直至满足分值条件为止；
7)人工预览线路，手工微调编辑。
管道水淹分析过程如下：
1)根据降雨量及降雨时间统计降雨淹没体积；
2)以管道中心线为中心，结合巡线DEM数据、降雨淹没体积，反算水淹范围。
第五步：决策输出
输出管线隐患报告、空间分析报告，辅助决策。
本发明实施例的基于无人机巡线的油气管道安全监测系统，包括：
无人机数据获取单元，用于获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
风险特征识别单元，用于根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
巡检过程三维重新单元，用于根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
路线规划单元，用于根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
监测结果输出单元，用于输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
本发明实施例的存储有基于无人机巡线的油气管道安全监测软件的存储器，该软件执行以下程序：
获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；
根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于无人机巡线的油气管道安全监测方法，其特征在于，包括以下步骤：
S1、获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
S2、根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；步骤S2中对单时相和多时相风险识别的结果计算并集的方法为：
对配准的前后时相影像计算比值：
Figure FDA0002962369240000011
其中，X1、X2分别为前后时相影像的灰度值，比值结果将是一张图像，将比值计算结果图像从RGB空间转换到HSV空间，设置阈值，对饱和度分量进行阈值分割，提取变化区域；分割完毕后将图像从HSV空间转回RGB空间，并进行灰度化；再次设置阈值，将图像进行二值化，提取变化区域矢量边缘，得到变化检测结果；
S3、根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
S4、根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
S5、输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
2.根据权利要求1所述的基于无人机巡线的油气管道安全监测方法，其特征在于，步骤S2中还包括对特征库进行更新的方法：
对高精度分析识别结果进行人工判别，若人工判别确认为风险特征，则将该风险特征加入特征库中，实现对特征库的更新。
3.根据权利要求1所述的基于无人机巡线的油气管道安全监测方法，其特征在于，步骤S2中对单时相影像进行风险识别包括识别房屋信息的方法：
采用meanshift算法对单时相影像进行分割，统计分割后的对象的光谱、纹理和形状特征，进而提取的房屋信息，通过以下公式提取房屋信息：
Figure FDA0002962369240000021
其中，R,G,B值为对象不同波段的均值；
同时满足：
Figure FDA0002962369240000022
其中，Range(R,G,B)为R,G,B三个波段的范围，VAR(R,G,B)为R,G,B三个波段的方差，Ent(R,G,B)为R,G,B三个波段的熵；
同时满足：
Figure FDA0002962369240000023
其中，A为对象边界所包围的面积，C为对象所在区域最小外接矩形的长除以宽。
4.根据权利要求1所述的基于无人机巡线的油气管道安全监测方法，其特征在于，步骤S2中对单时相影像进行风险识别包括识别车辆信息的方法：
将单时相影像从RGB空间转换到HSV空间，提取亮度分量h，进行形态学开运算，提取轮廓；
获取模板图像库，将轮廓作为待匹配图像，计算模板匹配度，其公式为：
T(x1-x2,y1-y2)＝∫∫f(x,y)F(x+(x1-x2),y+(y1-y2))dxdy
其中，f(x,y)表示待匹配图像，F(x,y)表示标准模板，T(x,y)为相关器输出，x和y为随机变量；
若识别结果的模板图像包含额外的目标图像识别特征，则对模板图像库进行扩充：将识别结果中，漏检部分作为模板图像库的正样本，添加到模板图像库的正向模板库中；将误检部分作为模板图像库的负样本，添加到模板图像库的负向模板库中；
根据识别结果定位目标所处的坐标。
5.根据权利要求1所述的基于无人机巡线的油气管道安全监测方法，其特征在于，步骤S4中进行无人机巡检的线路规划的方法为：
根据管线矢量数据和高程数据进行插值，形成一条跟随高程起伏的飞行线路，该线路初始分为满分；
根据高程起伏插值平滑线路；
结合周边地物进行评分，降低撞机风险；
根据相机参数及航飞参数，计算相机覆盖范围，对此指标进行评分；
统计当前线路的最终得分，满足分值条件或分值不收敛，则表示巡线规划完成；否则，根据扣减分数最多的一个环节进行修正，之后重新迭代，直至满足分值条件为止；
人工预览线路，手工微调编辑。
6.根据权利要求1所述的基于无人机巡线的油气管道安全监测方法，其特征在于，步骤S4中进行管道水淹空间分析的方法为：
根据降雨量及降雨时间统计降雨淹没体积；
以管道中心线为中心，结合无人机巡线的数字高程模型数据以及降雨淹没体积，计算得到水淹范围。
7.一种基于无人机巡线的油气管道安全监测系统，其特征在于，包括：
无人机数据获取单元，用于获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
风险特征识别单元，用于根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；对单时相和多时相风险识别的结果计算并集的方法为：
对配准的前后时相影像计算比值：
Figure FDA0002962369240000041
其中，X1、X2分别为前后时相影像的灰度值，比值结果将是一张图像，将比值计算结果图像从RGB空间转换到HSV空间，设置阈值，对饱和度分量进行阈值分割，提取变化区域；分割完毕后将图像从HSV空间转回RGB空间，并进行灰度化；再次设置阈值，将图像进行二值化，提取变化区域矢量边缘，得到变化检测结果；
巡检过程三维重新单元，用于根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
路线规划单元，用于根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
监测结果输出单元，用于输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
8.一种存储有基于无人机巡线的油气管道安全监测软件的存储器，其特征在于，该软件执行以下程序：
获取无人机油气管道安全监测产生的多源数据，包括：正射影像、视频影像和数字高程模型，正射影像包括单时相影像和多时相影像；
根据历史风险特征训练得到的特征库，对单时相影像进行风险识别；对多时相影像，采用基于饱和度的变化检测方法进行风险识别，识别不同时相之间的变化区域；对单时相和多时相风险识别的结果计算并集，得到高精度风险识别结果；对单时相和多时相风险识别的结果计算并集的方法为：
对配准的前后时相影像计算比值：
Figure FDA0002962369240000042
其中，X1、X2分别为前后时相影像的灰度值，比值结果将是一张图像，将比值计算结果图像从RGB空间转换到HSV空间，设置阈值，对饱和度分量进行阈值分割，提取变化区域；分割完毕后将图像从HSV空间转回RGB空间，并进行灰度化；再次设置阈值，将图像进行二值化，提取变化区域矢量边缘，得到变化检测结果；
根据高精度风险识别结果、视频影像和数字高程模型在三维平台中展示，远程重现无人机对油气管线的巡检过程；
根据多源数据提取地理信息，进行无人机巡检的线路规划，并进行管道水淹空间分析；
输出管道隐患报告，包括风险识别报告和空间分析报告，根据管道隐患报告辅助决策。
CN201710995829.3A 2017-10-23 2017-10-23 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 Active CN107808133B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710995829.3A CN107808133B (zh) 2017-10-23 2017-10-23 基于无人机巡线的油气管道安全监测方法、系统及软件存储器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710995829.3A CN107808133B (zh) 2017-10-23 2017-10-23 基于无人机巡线的油气管道安全监测方法、系统及软件存储器

Publications (2)

Publication Number Publication Date
CN107808133A CN107808133A (zh) 2018-03-16
CN107808133B true CN107808133B (zh) 2021-06-15

Family

ID=61585354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710995829.3A Active CN107808133B (zh) 2017-10-23 2017-10-23 基于无人机巡线的油气管道安全监测方法、系统及软件存储器

Country Status (1)

Country Link
CN (1) CN107808133B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241851A (zh) * 2018-08-07 2019-01-18 电子科技大学 一种基于视觉图像的漏油检测方法及其系统
CN110837941B (zh) * 2018-08-15 2022-05-10 中国石油天然气股份有限公司 对油气管道进行风险预测的方法及装置
CN109284754A (zh) * 2018-11-01 2019-01-29 哈尔滨工业大学 基于计算机视觉的桥梁区域船舶几何轮廓自动辨识方法
CN109636848B (zh) * 2018-12-17 2020-12-25 武汉天乾科技有限责任公司 一种基于无人机的油气管道巡检方法
CN110321770B (zh) * 2019-03-25 2022-05-31 西安长城数字软件有限公司 管线监控方法、装置、设备和存储介质
CN110262546B (zh) * 2019-06-18 2021-07-20 武汉大学 一种隧道智能无人机巡检方法
CN110266803A (zh) * 2019-06-25 2019-09-20 北京工业大学 基于无人机航拍的油气管道监管系统
CN110414359B (zh) * 2019-07-01 2022-07-26 中国石化销售有限公司华南分公司 长输管道无人机巡检数据分析与管理方法及系统
EP3901859A1 (en) * 2020-04-22 2021-10-27 Volocopter GmbH Method of and system for operating an aircraft for assessing operational risk
CN112904878B (zh) * 2021-01-15 2022-08-16 西南石油大学 一种用于管道高后果区识别的无人机系统和方法
CN113759972A (zh) * 2021-09-10 2021-12-07 廊坊中油朗威工程项目管理有限公司 油气管线安全巡检系统及方法
CN113869778B (zh) * 2021-10-13 2023-06-27 深圳联和智慧科技有限公司 一种基于城市管理的无人机河道巡检方法及系统
CN116506470B (zh) 2023-06-26 2023-08-29 成都秦川物联网科技股份有限公司 基于智慧燃气gis的安全巡检方法和物联网系统
CN117114420B (zh) * 2023-10-17 2024-01-05 南京启泰控股集团有限公司 一种基于图像识别的工贸安全事故风险管控系统和方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956058A (zh) * 2016-04-27 2016-09-21 东南大学 一种采用无人机遥感影像的变化用地快速发现方法
CN106379536A (zh) * 2016-11-21 2017-02-08 天津中翔腾航科技股份有限公司 基于无人机的天然气管线巡检系统
CN106647813A (zh) * 2016-10-19 2017-05-10 广东容祺智能科技有限公司 一种智能机载双光巡检系统专家诊断异常处理方法
CN106895266A (zh) * 2015-12-19 2017-06-27 西安成远网络科技有限公司 一种油气监测系统
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120114229A1 (en) * 2010-01-21 2012-05-10 Guoqing Zhou Orthorectification and mosaic of video flow

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106895266A (zh) * 2015-12-19 2017-06-27 西安成远网络科技有限公司 一种油气监测系统
CN105956058A (zh) * 2016-04-27 2016-09-21 东南大学 一种采用无人机遥感影像的变化用地快速发现方法
CN106647813A (zh) * 2016-10-19 2017-05-10 广东容祺智能科技有限公司 一种智能机载双光巡检系统专家诊断异常处理方法
CN106379536A (zh) * 2016-11-21 2017-02-08 天津中翔腾航科技股份有限公司 基于无人机的天然气管线巡检系统
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"基于自反馈模板提取的车辆遥感图像识别";李世武等;《华南理工大学学报》;20140531;第42卷(第5期);97-102页 *
"无人机遥感在油气管道巡检中的应用";李器宇;《红外》;20140331;第35卷(第3期);37-42页 *
"无人机遥感影像中农村房屋信息快速提取";胡勇等;《国土资源遥感》;20160930;第28卷(第3期);96-101页 *

Also Published As

Publication number Publication date
CN107808133A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN112633535B (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN111047554B (zh) 一种基于实例分割的复合绝缘子过热缺陷检测方法
CN111339882B (zh) 基于实例分割的输电线路隐患检测方法
CN108734143A (zh) 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN106356757B (zh) 一种基于人眼视觉特性的电力线路无人机巡检方法
Wang et al. High-voltage power transmission tower detection based on faster R-CNN and YOLO-V3
CN111696075A (zh) 一种基于双光谱图像的风机叶片缺陷智能检测方法
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及系统
CN106127204A (zh) 一种全卷积神经网络的多方向水表读数区域检测算法
CN111458721B (zh) 一种暴露垃圾的识别定位方法、装置及系统
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
CN115205264A (zh) 一种基于改进YOLOv4的高分辨率遥感船舶检测方法
CN110910350A (zh) 一种用于风电塔筒的螺母松动检测方法
CN109816780B (zh) 一种双目序列影像的输电线路三维点云生成方法及装置
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN111462140B (zh) 一种基于区块拼接的实时图像实例分割方法
CN113284144B (zh) 一种基于无人机的隧道检测方法及装置
CN114941807A (zh) 一种基于无人机的热力管道泄漏快速监测与定位方法
CN113327255A (zh) 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法
CN111145222A (zh) 一种结合烟雾运动趋势和纹理特征的火灾检测方法
CN116993681A (zh) 一种变电站巡检缺陷检测方法及系统
CN113902792A (zh) 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备
CN114998251A (zh) 一种基于联邦学习的空中多视觉平台地面异常检测方法
CN115965578A (zh) 一种基于通道注意力机制的双目立体匹配检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant