CN109636848B - 一种基于无人机的油气管道巡检方法 - Google Patents

一种基于无人机的油气管道巡检方法 Download PDF

Info

Publication number
CN109636848B
CN109636848B CN201811539161.2A CN201811539161A CN109636848B CN 109636848 B CN109636848 B CN 109636848B CN 201811539161 A CN201811539161 A CN 201811539161A CN 109636848 B CN109636848 B CN 109636848B
Authority
CN
China
Prior art keywords
image
algorithm
target
gas pipeline
unmanned aerial
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.)
Expired - Fee Related
Application number
CN201811539161.2A
Other languages
English (en)
Other versions
CN109636848A (zh
Inventor
张驰
卢雲成
张恒
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.)
Xia Guisong
Original Assignee
Wuhan Tiangan Technology 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 Wuhan Tiangan Technology Co ltd filed Critical Wuhan Tiangan Technology Co ltd
Priority to CN201811539161.2A priority Critical patent/CN109636848B/zh
Publication of CN109636848A publication Critical patent/CN109636848A/zh
Application granted granted Critical
Publication of CN109636848B publication Critical patent/CN109636848B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于无人机的油气管道巡检方法，包括：无人机搭载高分辨率成像系统以及高精度定位装置进行低空航拍，获取连续的油气管道图像以及无人机的位置信息；采用基于神经网络的目标检测算法进行异常目标检测得到异常目标；采用基于运动恢复结构的算法进行异常目标定位。本发明提供的油气管道巡检方法智能化程度较高，采用自动的目标检测算法，不需要添加额外的地面控制点就可以实现目标的定位；且本发明提供的油气管道巡检方法效率较高，在异常目标检测阶段，基于SIFT和Graph Cut的图像分割算法有效的确定了异常目标的可能位置，在异常目标定位阶段，省去传统算法中的稠密重建以及DEM生成等步骤的情况下，仍然可以获得较高的定位精度。

Description

一种基于无人机的油气管道巡检方法
技术领域
本发明属于航空图像处理技术领域，更具体地，涉及一种基于无人机的油气管道巡检方法。
背景技术
作为国家能源战略通道，油气管道的安全性极其重要。在实际的运营过程中，自然和地质灾害、第三方施工以及管道占压等因素都将对管道的安全运营带来潜在的巨大危害。一旦石油管道发生泄漏或是爆炸，人民群众的生命和财产安全将会受到极大的威胁。因此，频繁有效地进行油气管道的巡检，及时地去除威胁石油管道安全的因素，是石油管道运营防护中十分重要的一环。
传统的石油管道巡检方式主要是依靠人工进行巡检。通常情况下，管道公司将管道划分成不同的段区由不同的巡线人员巡护，巡线人员需要沿线观察和检查线路情况并作记录，但是，有些管道位于较为复杂的地理环境或者较为恶劣的气象环境中，针对这些管道的人工巡检就无法进行。因此，人工巡检具有效率低和成本高的缺点。
随着无人机技术的不断发展，使用无人机进行油气管道的巡检已经表现出了巨大的优势。一方面，无人机巡检速度快、覆盖面广，并且不受地形和气候的影响，因此可以到达巡检人员到达不了的地方；另一方面，无人机机动性能好，可以针对特定的安全隐患制定巡检方案，以图像或是视频的形式把管道隐患更直观地表现出来。
现阶段的无人机巡检方法多是采用无人机巡线拍摄图像，之后将拍摄到的图像传输到处理器上，利用特征匹配、三维重建等技术构建出场景的DEM(Digital ElevationModel，数字高程模型)以及DOM(Digital Orthophoto Map，数字正射影像图)，之后通过人工观察DEM或是DOM中油气管道附近异常的情况，再结合地理信息便可以获得异常情况出现的真实地理位置。尽管这种方法已经可以取得较高的效率，但是仍然需要人工进行判读，而且在实际应用中，我们所关注的异常目标可能仅仅出现在几张图像中，因此，这种对所有图像进行数字处理的方式在效率上还有着很大的提升空间。
发明内容
针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种基于无人机的油气管道巡检方法，旨在无需人工干预的情况下，快速地获得油气管道周围异常目标的精确地理位置。
为实现上述目的，本发明提供一种基于无人机的油气管道巡检方法，包括以下步骤：
步骤一、无人机搭载高分辨率成像系统以及高精度定位装置进行低空航拍，获取连续的油气管道图像以及无人机的POS(Position位置)信息。
步骤二、采用基于神经网络的目标检测算法进行异常目标检测，具体包括：提取SIFT(Scale-invariant Feature Transform，尺度不变特征转换)特征描述子并利用SVM(Support Vector Machine，支持向量机)算法进行聚类；使用Graph Cut(图割)算法进行图像的分割，并将分割后的图像进行融合和滤波；采用CNN(Convolutional Neural Network，卷积神经网络)对目标进行分类。
步骤三、采用基于SFM(Structure From Motion，运动恢复结构)的算法进行异常目标定位，具体包括：利用图像重叠率以及POS信息等进行待重建图像选择；采用SFM算法对待重建图像进行稀疏三维重建；将重建后的稀疏点云变换到真实地理坐标系；计算异常目标的图像坐标和真实地理坐标间的相似变换矩阵，从而将图像上的异常目标变换到真实的地理坐标系下。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：
(1)本发明提供的油气管道巡检方法智能化程度较高。一方面，本发明采用自动的目标检测算法；另一方面，本发明不需要添加额外的地面控制点就可以实现目标的定位。因此，操作人员只需要设计好无人机的飞行轨迹以及飞行方式就可以实现对异常目标的检测与定位。
(2)本发明提供的油气管道巡检方法效率较高。在异常目标检测阶段，基于SIFT和Graph Cut的图像分割算法有效的确定了异常目标的可能位置，极大的减小了使用神经网络进行目标分类的复杂度；在异常目标定位阶段，使用POS信息以及图像重叠率等因素进行待重建图像选择，同时在计算相似变换时仅采用异常目标所处区域内的特征点，在省去传统算法中的稠密重建以及DEM生成等步骤的情况下，仍然可以获得较高的定位精度(定位误差在10m以内)。
附图说明
图1是本发明实施例中一种基于无人机的油气管道巡检方法的流程示意图；
图2是本发明实施例中一种异常目标检测方法的流程图；
图3是本发明实施例中一种异常目标定位方法的流程图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提出了一种基于无人机的油气管道巡检方法，具体步骤如下：
步骤S1、无人机搭载高分辨率成像系统以及高精度定位装置进行低空航拍，获取连续的油气管道图像以及无人机的POS信息。其中，无人机可以选取为旋翼无人机或是固定翼无人机，但是考虑到石油管道距离较长，同时旋翼无人机受电池限制，飞行时间十分有限，因此采用旋翼无人机效率较低，故一般选用固定翼无人机。高分辨率成像系统可以为任意高分辨率相机。考虑到定位精度受无人机POS信息精度的影响，无人机所搭载的定位装置可选用基于RTK(Real Time Kinematic，实时动态差分)技术的定位装置。其中，RTK技术采用载波相位动态实时差分方法，能够在野外实时得到厘米级的定位精度。
步骤S2、采用基于神经网络的目标检测算法进行异常目标检测，其具体流程如图2所示，主要包括以下步骤：
S21、对无人机采集到的图像进行SIFT特征描述子的提取，此描述子为一个128维的特征向量，反应了特征点的尺度、方向等信息。其中，提取SIFT特征描述子的过程采用了CUDA(Compute Unified Device Architecture，并行编程与计算)进行加速。
S22、对特征点进行聚类处理。考虑到异常目标往往纹理较为丰富，梯度变化明显，故特征点分布较为集中。基于此，首先将图像进行分块，然后计算块内特征点的数量占总像素点的数量的比例，如果这个比例小于一个预设的阈值α，那么清除块内所有的特征点。之后利用SVM(Support Vector Machine，支持向量机)算法对特征点进行分类，如果一个类内的特征点数量小于一个预设的阈值β，那么清除这个类内所有的特征点。
S23、使用Graph Cut算法对图像进行分割。具体的分割方式是：对于每一类特征点，首先将其连成一个区域，从中随机选取M(例如1000)个点作为目标点，然后构建一个包含这个区域的矩形来进行分割，矩形的中心即为这个区域的中心，矩形的面积为这个区域的面积的N(例如10)倍，M、N为预设值。
之后对这个矩形进行图像分割，即对矩形中的每一个像素进行标注，将目标区域的像素标注为1，非目标区域的像素标注为0，从而得到整个矩形区域的标签集合L＝{l1,l2,…,lp}。根据这个标签集合可构建能量函数如下式所示：
E(L)＝a·R(L)+B(L)
其中a用以控制函数R(L)和B(L)在能量函数中占的权重。
能量函数之中R(L)为区域项，表示为
Figure BDA0001907619490000051
Rp(lp)为像素p分配标签lp的惩罚，具体可通过计算像素p的灰度在目标区域的灰度直方图中所占的比例得到，其中目标区域的灰度直方图由前面随机选取出的1000个像素点计算得出。同时为了适应于能量函数，灰度比例要进行负对数的处理。
能量函数的另外一项B(L)为边界项，表示为
Figure BDA0001907619490000052
其中
Figure BDA0001907619490000053
Figure BDA0001907619490000054
p与q为邻近的像素，Ip和Iq为这两个像素的灰度值，B<p,q>反应了这两个像素的灰度差异。如果这两个像素具有不同的标签，并且在灰度上也具有较大的差异，那么他们间存在分割边界的概率将会比较大，从而其对应的能量函数较小，即惩罚项较小。
构建了这样的能量函数之后，利用Min Cut(最小割)算法找到最小的割，就得到了最终的分割结果。
对每一类的特征点都进行分割处理之后，就得到了所有分割出来的目标。
S24、由于异常目标例如工程车辆等在图上所占的面积都相对较小，因此这一步将分割出来的面积超过一定阈值的目标去除。同时，如果两个目标相隔较近，并且其在结构、灰度上十分相似，那么他们将被融合成一个目标。其中，结构上的相似性用SSIM(Structural Similarity Index，结构相似性)描述，灰度上的相似性用灰度直方图表描述。
S25、采用CNN网络对分割出来的目标进行分类，其中网络包含8层卷积层、8层池化层以及5层全连接层，将最后全连接层的输出结果通过SVM算法进行分类之后就得到了目标的类别。网络参数的训练过程是首先采用VOC2007数据集进行预训练，然后使用采集到的真实数据再进行训练，从而实现参数微调的效果。
步骤S3、计算异常目标的真实地理位置，其具体流程如图3所示，主要包含以下步骤：
S31、对于异常目标存在的图像，从其他图像中选择几张与其邻近的图像。具体选择主要参考两个指标：一是无人机的POS信息，即被选择的图像与异常目标存在的图像所对应的拍摄相机间的距离应当小于一个预设的阈值γ；另一个是图像重叠率，这个指标通过SIFT匹配点数进行描述，即如果相匹配的特征点占检测出来的所有的特征点的比例小于一个预设的阈值ε，那么这张图像将不被选取。
S32、使用SFM算法对所选取的图像进行稀疏三维重建。具体的重建过程是：首先读取图像的EXIF(Exchangeable Image File Format，可交换图像文件格式)信息，然后利用SIFT算法进行特征匹配。之后对一个图像匹配对进行初始化，即利用八点法计算出本征矩阵，然后通过SVM分解得到这两个图像之间的变换关系(旋转矩阵和平移矩阵)。接着逐渐加入新的图像，每加入一张图像，就根据二维特征点和三维点的匹配关系，通过EPnP(Efficient Perspective-n-Point，有效的透视n点定位)算法求解出新的图像的相机位姿，直到将所有的图像都加入进来。由于这种增量式重建的方法会造成误差的累计，所以最后利用光束法平差进行整体的优化。
S33、采用最小二乘法计算当前重建的坐标系和真实地理坐标系间的相似变换，并将这个相似变换应用于重建出来的所有三维点，从而得到真实地理坐标系下的三维点云。
S34、计算异常目标图像坐标到其真实地理坐标间的相似变换。考虑到相似变换的基础是变换的点位于同一平面上，因此这里仅仅选取异常目标所处区域内的特征点，之后利用最小二乘法计算其到真实地理坐标系下的三维点云的相似变换。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于无人机的油气管道巡检方法，其特征在于，所述方法包括如下步骤：
S1、无人机搭载高分辨率成像系统以及高精度定位装置进行低空航拍，获取连续的油气管道图像以及无人机的位置信息；
S2、采用基于神经网络的目标检测算法进行异常目标检测，具体包括：对无人机采集到的图像提取尺度不变特征转换特征描述子并利用支持向量机算法进行聚类；使用图割算法对图像进行分割，并将分割后的图像进行融合和滤波；采用卷积神经网络对目标进行分类得到异常目标；
其中，使用图割算法对图像进行分割，具体包括：对于每一类特征点，首先将其连成一个区域并从中随机选取M个点作为目标点，然后构建一个包含这个区域的矩形来进行分割，矩形的中心即为这个区域的中心，矩形的面积为这个区域的面积的N倍，M、N为预设值；对矩形中的每一个像素进行标注，得到整个矩形区域的标签集合L＝{l1,l2,…,lp}；构建能量函数E(L)＝a·R(L)+B(L)，其中a用以控制函数R(L)和B(L)在能量函数中占的权重，能量函数之中R(L)为区域项，B(L)为边界项；构建上述能量函数之后，利用最小割算法找到最小割即得到最终的分割结果；对每一类的特征点都进行分割处理，得到所有分割出来的目标；
将分割后的图像进行融合和滤波，具体包括：将分割出来的面积超过设定阈值的目标去除，并且如果两个目标之间距离小于设定阈值，并且其在结构上差异小于设定阈值，灰度上的差异小于设定阈值，那么他们将被融合成一个目标，其中结构上的相似性用结构相似性描述，灰度上的相似性用灰度直方图表描述；
S3、采用基于运动恢复结构的算法进行异常目标定位，具体包括：利用图像重叠率以及位置信息进行待重建图像选择；采用运动恢复结构算法对待重建图像进行稀疏三维重建；将重建后的稀疏点云变换到真实地理坐标系；计算异常目标的图像坐标和真实地理坐标间的相似变换矩阵，从而将图像上的异常目标变换到真实的地理坐标系下；
其中，利用图像重叠率以及位置信息进行待重建图像选择，具体包括：对于异常目标存在的图像，从其他图像中选择几张与其邻近的图像，具体选择主要参考两个指标：一是无人机的位置信息，即被选择的图像与异常目标存在的图像所对应的拍摄相机间的距离应当小于一个预设的阈值γ，另一个是图像重叠率，这个指标通过尺度不变特征转换匹配点数进行描述，即如果相匹配的特征点占检测出来的所有的特征点的比例大于一个预设的阈值ε，那么这张图像将被选取。
2.如权利要求1所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S2中利用支持向量机算法进行聚类，具体包括：
将图像进行分块，计算块内特征点的数量占总像素点数量的比例，如果这个比例小于一个预设阈值α，那么清除块内所有的特征点；
再利用支持向量机算法对特征点进行分类，如果一个类内的特征点数量小于一个预设阈值β，那么清除这个类内所有的特征点。
3.如权利要求1所述的基于无人机的油气管道巡检方法，其特征在于：
所述区域项R(L)表示为
Figure FDA0002771418780000021
其中Rp(lp)为像素p分配标签lp的惩罚，具体通过计算像素p的灰度在目标区域的灰度直方图中所占的比例得到，其中目标区域的灰度直方图由前面随机选取出的M个像素点计算得出；
所述边界项表示为
Figure FDA0002771418780000022
其中：
Figure FDA0002771418780000023
Figure FDA0002771418780000031
p与q为邻近的像素，B<p,q>反应了这两个像素的灰度差异，Ip和Iq为这两个像素的灰度值。
4.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S2中采用卷积神经网络对目标进行分类得到异常目标，具体包括：采用卷积神经网络对分割出来的目标进行分类，其中网络包含8层卷积层、8层池化层以及5层全连接层，将最后全连接层的输出结果通过支持向量机算法进行分类之后得到目标的类别。
5.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S3中采用运动恢复结构算法对待重建图像进行稀疏三维重建，具体包括：
首先读取图像的可交换图像文件格式信息，然后利用尺度不变特征转换算法进行特征匹配，之后对一个图像匹配对进行初始化，即利用八点法计算出本征矩阵，然后通过支持向量机分解得到这两个图像之间的变换关系，接着逐渐加入新的图像，每加入一张图像就根据二维特征点和三维点的匹配关系，通过EPnP算法求解出新的图像的相机位姿，直到将所有的图像都加入进来，最后利用光束法平差进行整体的优化。
6.如权利要求1或2所述的基于无人机的油气管道巡检方法，其特征在于，所述步骤S3中将重建后的稀疏点云变换到真实地理坐标系，具体包括：采用最小二乘法计算当前重建的坐标系和真实地理坐标系间的相似变换，并将这个相似变换应用于重建出来的所有三维点，从而得到真实地理坐标系下的三维点云。
CN201811539161.2A 2018-12-17 2018-12-17 一种基于无人机的油气管道巡检方法 Expired - Fee Related CN109636848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811539161.2A CN109636848B (zh) 2018-12-17 2018-12-17 一种基于无人机的油气管道巡检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811539161.2A CN109636848B (zh) 2018-12-17 2018-12-17 一种基于无人机的油气管道巡检方法

Publications (2)

Publication Number Publication Date
CN109636848A CN109636848A (zh) 2019-04-16
CN109636848B true CN109636848B (zh) 2020-12-25

Family

ID=66074367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811539161.2A Expired - Fee Related CN109636848B (zh) 2018-12-17 2018-12-17 一种基于无人机的油气管道巡检方法

Country Status (1)

Country Link
CN (1) CN109636848B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110580723B (zh) * 2019-07-05 2022-08-19 成都智明达电子股份有限公司 一种利用深度学习和计算机视觉进行精准定位的方法
CN110553151B (zh) * 2019-07-17 2021-05-07 石化盈科信息技术有限责任公司 一种管道泄漏监测方法和系统
CN110851956B (zh) * 2019-10-11 2022-06-14 南昌大学 一种建设工程管道施工定位信息自动化计算、标注及出图方法
CN111291697B (zh) * 2020-02-19 2023-11-21 阿波罗智能技术(北京)有限公司 用于识别障碍物的方法和装置
CN112633293B (zh) * 2020-11-24 2022-05-20 北京航空航天大学青岛研究院 一种基于图分割的三维稀疏点云重建图像集分类方法
CN112529012B (zh) * 2020-12-11 2024-05-07 平安科技（深圳）有限公司 基于目标匹配的油气管道巡检方法、装置、设备及介质
CN113077562B (zh) * 2021-04-09 2021-12-14 北京市燃气集团有限责任公司 一种燃气管网智能巡检方法与系统
CN113052260A (zh) * 2021-04-21 2021-06-29 合肥中科类脑智能技术有限公司 基于图像配准和目标检测的变电站异物识别方法及系统
CN114419142A (zh) * 2022-01-06 2022-04-29 东南数字经济发展研究院 一种针对无人机巡检的三维空间目标定位方法
CN115526983B (zh) * 2022-03-30 2023-06-23 荣耀终端有限公司 一种三维重建方法及相关设备
CN114639251B (zh) * 2022-05-17 2022-08-09 深圳联和智慧科技有限公司 一种多无人机协同的智能巡检方法及系统
CN115187802B (zh) * 2022-09-13 2022-11-18 江苏东控自动化科技有限公司 一种用于管道巡检小车的精准控制方法
CN116907511B (zh) * 2023-09-12 2023-12-05 北京宝隆泓瑞科技有限公司 一种将管道坐标转换为图像坐标的方法
CN117148871B (zh) * 2023-11-01 2024-02-27 中国民航管理干部学院 一种多无人机协同电力巡检方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198417A (zh) * 2017-12-29 2018-06-22 叶片青 一种基于无人机的道路巡检系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013020143A1 (en) * 2011-08-04 2013-02-07 University Of Southern California Image-based crack quantification
EP3086283B1 (en) * 2015-04-21 2019-01-16 Hexagon Technology Center GmbH Providing a point cloud using a surveying instrument and a camera device
US20170236027A1 (en) * 2016-02-16 2017-08-17 Brainchip Inc. Intelligent biomorphic system for pattern recognition with autonomous visual feature extraction
JP6930840B2 (ja) * 2017-03-08 2021-09-01 株式会社トプコン 測量システム
CN108304983A (zh) * 2017-08-25 2018-07-20 青海国隆智能科技有限责任公司 一种基于无人机和网络通信技术数据采集的输油输气管道巡检修管理平台
CN107729808B (zh) * 2017-09-08 2020-05-01 国网山东省电力公司电力科学研究院 一种用于输电线路无人机巡检的图像智能采集系统及方法
CN107563356A (zh) * 2017-09-29 2018-01-09 西安因诺航空科技有限公司 一种无人机巡检管线目标分析管理方法及系统
CN107808133B (zh) * 2017-10-23 2021-06-15 中石化石油工程地球物理有限公司 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
CN107808425A (zh) * 2017-11-28 2018-03-16 刘松林 基于无人机航拍影像的油气管线巡检系统及其巡检方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198417A (zh) * 2017-12-29 2018-06-22 叶片青 一种基于无人机的道路巡检系统

Also Published As

Publication number Publication date
CN109636848A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109636848B (zh) 一种基于无人机的油气管道巡检方法
Ding et al. Object detection in aerial images: A large-scale benchmark and challenges
Chen et al. Distribution line pole detection and counting based on YOLO using UAV inspection line video
Qin et al. 3D change detection–approaches and applications
Chen et al. Vehicle detection in high-resolution aerial images via sparse representation and superpixels
CN109598241B (zh) 基于Faster R-CNN的卫星图像海上舰船识别方法
Zhang et al. Change detection between multimodal remote sensing data using Siamese CNN
CN110889324A (zh) 一种基于yolo v3面向末端制导的热红外图像目标识别方法
Ma et al. Computer vision for road imaging and pothole detection: a state-of-the-art review of systems and algorithms
JP2022520019A (ja) 画像処理方法、装置、移動可能なプラットフォーム、プログラム
Wang et al. Object detection using clustering algorithm adaptive searching regions in aerial images
Shen et al. Biomimetic vision for zoom object detection based on improved vertical grid number YOLO algorithm
CN113706480A (zh) 一种基于关键点多尺度特征融合的点云3d目标检测方法
CN114612835A (zh) 一种基于YOLOv5网络的无人机目标检测模型
KC Enhanced pothole detection system using YOLOX algorithm
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN113537180A (zh) 树障的识别方法、装置、计算机设备和存储介质
CN116385911A (zh) 一种用于无人机巡检绝缘子的轻量型目标检测方法
CN115909096A (zh) 无人机巡航管道隐患分析方法、装置及系统
Yi et al. Detection and localization for lake floating objects based on CA-faster R-CNN
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
Mubarak et al. Effect of Gaussian filtered images on Mask RCNN in detection and segmentation of potholes in smart cities
Oumer et al. Appearance learning for 3D pose detection of a satellite at close-range
CN109934147B (zh) 基于深度神经网络的目标检测方法、系统及装置
Aijazi et al. Segmentation and classification of 3D urban point clouds: Comparison and combination of two approaches

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
TR01 Transfer of patent right

Effective date of registration: 20210824

Address after: 430000 room 701, unit 2, building 7, No. 189, Luoyu Road, Hongshan District, Wuhan City, Hubei Province

Patentee after: Xia Guisong

Address before: Room 2256, 2266-54, building e, Cyberport, Dongxin Road, Donghu New Technology Development Zone, Wuhan, Hubei Province

Patentee before: WUHAN TIANGAN TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201225

CF01 Termination of patent right due to non-payment of annual fee