CN110837941A - 对油气管道进行风险预测的方法及装置 - Google Patents
对油气管道进行风险预测的方法及装置 Download PDFInfo
- Publication number
- CN110837941A CN110837941A CN201810931819.8A CN201810931819A CN110837941A CN 110837941 A CN110837941 A CN 110837941A CN 201810931819 A CN201810931819 A CN 201810931819A CN 110837941 A CN110837941 A CN 110837941A
- Authority
- CN
- China
- Prior art keywords
- oil
- gas pipeline
- image
- target
- images
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Abstract
本发明公开了一种对油气管道进行风险预测的方法及装置,属于油气传输技术领域。所述方法包括:获取多张第一油气管道图像,多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;将多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物;根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势;根据目标油气管道所在区域内特征地物的分布变化趋势,对目标油气管道进行风险预测。本发明无需人工进行实地考察,基于特征地物识别模型,即可识别出第一油气管道图像上的特征地物,不仅节省了资源,而且提高了预测效率。
Description
技术领域
本发明涉及油气传输技术领域,特别涉及一种对油气管道进行风险预测的方法及装置。
背景技术
当前,石油、天然气作为一种重要的能源物质,在国民经济中发挥着重要作用。石油、天然气因其形态的特殊性,需要借助油气管道进行传输。油气管道作为一种大型线性延伸工程构筑物,通常会跨越不同的地区,由于其跨越地区的地理环境比较复杂,特别是油气管道周边的道路、河流、建筑物等特征地物的变迁,使得油气管道在使用过程中极易遭受各种破坏。然而,油气管道一旦遭到破坏,不仅会给国民经济造成巨大的损失,而且给周边环境造成极大程度地污染。因此,有必要对油气管道进行风险预测。
相关技术在对油气管道进行风险预测时,主要采用如下方法:在油气管道的传输路径上布置多个卫星遥感设备;通过卫星遥感设备对采集油气管道所在区域进行拍摄,得到多张油气管道图像;通过人工实地考察的方式,确定每张油气管道图像上的特征地物,并将其在油气管道图像上标注出来;根据标注有特征地物的油气管道图像,对油气管道进行风险预测。
在实现本发明的过程中,发明人发现相关技术至少存在以下问题:
由于需要人工进行实地考察才能确定出油气管道图像上的特征地物,因此,相关技术进行风险预测时资源消耗较大,预测效率较低。
发明内容
为了解决相关技术的问题,本发明实施例提供了一种对油气管道进行风险预测的方法及装置。所述技术方案如下:
一方面,提供了一种对油气管道进行风险预测的方法,所述方法包括:
获取多张第一油气管道图像,所述多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;
将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物,所述特征地物识别模型用于识别出油气管道图像上的特征地物;
根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势;
根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测。
在本发明的另一个实施例中,所述将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像之前,还包括:
获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
获取初始特征地物识别模型;
根据所述多张油气管道训练图像,对所述初始特征地物识别模型进行训练,得到所述特征地物识别模型。
在本发明的另一个实施例中,所述获取多张油气管道训练图像,包括:
获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;
对于任一初始油气管道图像,获取所述初始油气管道图像对应的油气管道的线性识别空间范围;
根据所述线性识别空间范围,对所述初始油气管道图像进行预处理,得到油气管道训练图像。
在本发明的另一个实施例中,所述根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势,包括:
获取所述目标油气管道的管道矢量图;
按照时间顺序,将每张第二油气管道图像与所述管道矢量图进行叠加;
从叠加图像上获取特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度;
根据特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度,确定所述目标油气管道所在区域内特征地物的分布变化趋势。
在本发明的另一个实施例中,所述根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测,包括:
根据所述目标油气管道所在区域内特征地物的分布变化趋势,确定所述目标油气管道的风险等级;
根据所述目标油气管道的风险等级,对所述目标油气管道进行风险预警。
另一方面,提供了一种对油气管道进行风险预测的装置,所述装置包括:
获取模块,用于获取多张第一油气管道图像,所述多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;
处理模块,用于将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物,所述特征地物识别模型用于识别出油气管道图像上的特征地物;
确定模块,用于根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势;
风险预测模块,用于根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测。
在本发明的另一个实施例中,所述装置还包括:
所述获取模块,用于获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
所述获取模块,用于获取初始特征地物识别模型;
模型训练模块,用于根据所述多张油气管道训练图像,对所述初始特征地物识别模型进行训练,得到所述特征地物识别模型。
在本发明的另一个实施例中,所述获取模块,用于获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;对于任一初始油气管道图像,获取所述初始油气管道图像对应的油气管道的线性识别空间范围;根据所述线性识别空间范围,对所述初始油气管道图像进行预处理,得到油气管道训练图像。
在本发明的另一个实施例中,所述确定模块,用于获取所述目标油气管道的管道矢量图;按照时间顺序,将每张第二油气管道图像与所述管道矢量图进行叠加;从叠加图像上获取特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度;根据特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度,确定所述目标油气管道所在区域内特征地物的分布变化趋势。
在本发明的另一个实施例中,所述风险预测模块,用于根据所述目标油气管道所在区域内特征地物的分布变化趋势,确定所述目标油气管道的风险等级;根据所述目标油气管道的风险等级,对所述目标油气管道进行风险预警。
本发明实施例提供的技术方案带来的有益效果是:
无需人工进行实地考察,基于特征地物识别模型,即可识别出第一油气管道图像上的特征地物,不仅节省了资源,而且提高了预测效率。另外,本发明实施例根据不同时间段采集的多张第二油气管道图像上的特征地物,确定出目标油气管道所在区域内的特征地物的分布变化趋势,进而根据特征地物的分布变化趋势,对目标油气管道进行风险预测,提高了预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种对油气管道进行风险预测的系统架构图;
图2是本发明实施例提供的一种对油气管道进行风险预测的方法流程图;
图3是本发明实施例提供的一种对油气管道进行风险预测的方法流程图;
图4是本发明实施例提供的一种对油气管道周边特征地物提取及分析过程的时序图;
图5是本发明实施例提供的一种对油气管道进行风险预测的装置结构示意图;
图6是本发明实施例提供的另一种对油气管道进行风险预测的装置结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
图1示出了本发明实施例提供的对油气管道进行风险预测的系统,参见图1,该系统包括:数据库服务器101、文件服务器102、计算服务器103、管线影像加载模块104、影像预处理模块105、离线训练模块106、预测模型设定模块107、特征地物分析识别模块108、时空变化分析模块109、管线基础数据加载模块110、综合展示模块111及移动展示模块112。
其中,数据库服务器101主要负责存储各模块的参数配置、数据索引、数据关联等内容。
文件服务器102主要负责存储识别样本集文件、结果文件,中间过程文件等内容。
计算服务器103主要负责进行离线的深度学习运算。
管线影像加载模块104主要负责设定用于识别的在线影像系统。
影像预处理模块105主要负责对加载的影像进行裁剪等预处理。
离线训练模块106主要负责离线通过建立的样本影像集和特征地物标签集,采用计算服务器103训练特征地物识别模型。
预测模型设定模块107主要负责根据离线训练模块生成的预测模型的设定,该预测模型将被导入到特征地物分析识别模块中。
特征地物分析识别模块108主要负责根据所训练的特征地物识别模型识别出特征地物。
时空变化分析模块109主要负责对不同时间段的特征地物的分布情况进行分析。
管线基础数据加载模块110主要负责加载已有的管道原有的基础数据和图件。
综合展示模块111主要负责对识别结果和已有的在线影像、管道矢量图、交通矢量图等进行多图层的叠加显示,提供综合展示决策支持。
移动展示模块112主要负责在移动端提供识别结果的显示。
本发明提供一种对油气管道进行风险预测的方法,该方法可以解决现有技术中特征地物识别效率低,成本高昂,且不能反应时空分布变化的问题,能够根据预测需要,对目标油气管道在线影像进行叠加,从而快速自动化的识别出油气管道周边的特征地物分布位置,并能根据在线影像和历史影像数据,对特征地物进行时空分布变化分析,该方法能够自动化、规范化、廉价化和精细化对油气管道进行风险预测,从而促进油气管道完整性管理技术的发展,为油气管道生产安全运行保驾护航。
本发明实施例的优势具体体现在以下方面:
1、建立一套基于在线影像的样本影像库和标签库。通过长时间样本影像及标签的制作和深度学习训练过程,将卫星影像分类专家和图形识别专家知识进行融合,积累了一套特有的长输管道周边特征地物的样本影像库和标签库。
2、实现了油气管道周边特征地物自动化分析识别,减少人工识别工作量的同时,为现场工作提供了时效性和便捷性。油气管道所处的位置偏远,交通不便,环境条件苛刻,现场数据采集、卫星影像采购成本高,处理方式效率低下,专业要求高,通过移动端在线获取现场特征地物分布情况,极大提高现场工作效率。
3、实现了油气管道多种尺度上的特征地物识别查询功能。覆盖管线全线大尺度到应急抢险小尺度范围的周边特征地物识别服务。提前通过服务器端进行识别,以在线方式提供浏览和查询服务,或通过离线方式在移动设备上进行现场特征地物识别。
4、可覆盖管线全生命周期各个阶段。规划建设期,利用本发明实施例提供的方法可以快速对规划线路周边的特征地物进行识别和记录,运行维护期,可以利用本发明实施例提供的方法对已有管线的穿跨越或改线等维修维护中的风险进行识别和分析。
5、获取管线周边特征地物的时空分布变化特征,具有时空分析功能。目前已有的识别方法均为特定时段的人工识别,并未对多个时间段的特征的时空变化识别分析。采用本发明实施例提供的方法可以利用在线影像提供的历史影像数据服务提供时空分布变化分析,对油气管道的非法违建进行快速识别和分析。
6、分析结果信息直观在线展示。本发明实施例提供的方法可以在线叠加已有的影像数据,识别结果可以通过web端和移动端进行多种方式的可视化展示。
7、本发明实施例提供的方法具有可扩展性,支持场景化定制功能需求。例如,在数据源、识别、分析、展示、终端等各个环节均具有较好的灵活性和扩展性。如支持多种在线影像和多种离线卫星影像,前后兼容自动化识别算法,可扩展支持多种前端在线展示,兼容移动、桌面等终端。也支持场景化定制功能需求,如现场应急特征地物识别,可以在已有的在线数据源的识别基础上,接入最新时效的现场航拍影像,通过对比分析,提供管线泄漏或破损等现场周围特征地物信息,提供评估和决策支持。
本发明实施例提供了一种对油气管道进行风险预测的方法,以图1中对油气管道进行风险预测的系统执行本发明实施例为例,参见图2,本发明实施例提供的方法流程包括:
201、获取多张第一油气管道图像。
其中,多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到。
202、将多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像。
其中,每张第二油气管道图像上标注有不同特征地物,特征地物识别模型用于识别出油气管道图像上的特征地物。
203、根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势。
204、根据目标油气管道所在区域内特征地物的分布变化趋势,对目标油气管道进行风险预测。
本发明实施例提供的方法,无需人工进行实地考察,基于特征地物识别模型,即可识别出第一油气管道图像上的特征地物,不仅节省了资源,而且提高了预测效率。另外,本发明实施例根据不同时间段采集的多张第二油气管道图像上的特征地物,确定出目标油气管道所在区域内的特征地物的分布变化趋势,进而根据特征地物的分布变化趋势,对目标油气管道进行风险预测,提高了预测结果的准确性。
在本发明的另一个实施例中,将多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像之前,还包括:
获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
获取初始特征地物识别模型;
根据多张油气管道训练图像,对初始特征地物识别模型进行训练,得到特征地物识别模型。
在本发明的另一个实施例中,获取多张油气管道训练图像,包括:
获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;
对于任一初始油气管道图像,获取初始油气管道图像对应的油气管道的线性识别空间范围;
根据线性识别空间范围,对初始油气管道图像进行预处理,得到油气管道训练图像。
在本发明的另一个实施例中,根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势,包括:
获取目标油气管道的管道矢量图;
按照时间顺序,将每张第二油气管道图像与管道矢量图进行叠加;
从叠加图像上获取特征地物与目标油气管道的位置关系及每种特征地物的分布密度;
根据特征地物与目标油气管道的位置关系及每种特征地物的分布密度,确定目标油气管道所在区域内特征地物的分布变化趋势。
在本发明的另一个实施例中,根据目标油气管道所在区域内特征地物的分布变化趋势,对目标油气管道进行风险预测,包括:
根据目标油气管道所在区域内特征地物的分布变化趋势,确定目标油气管道的风险等级;
根据目标油气管道的风险等级,对目标油气管道进行风险预警。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
本发明实施例提供了一种对油气管道进行风险预测的方法,以图1所示的对油气管道进行风险预测的系统执行本发明实施例为例,参见图3,本发明实施例提供的方法流程包括:
301、训练特征地物识别模型。
其中,特征地物是指对油气管道进行风险预测具有重要意义的地理环境,包括学校操场、道路、河流等等。特征地物识别模型用于识别出油气管道图像上的特征地物。对特征地物识别模型进行训练时,可采用如下步骤:
3011、获取多张油气管道训练图像。
其中,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物。
获取多张油气管道训练图像时,包括但不限于如下方式:
第一步,获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像。
该步骤在具体执行时,可分为如下步骤:
首先,选取用于进行模型训练的油气管道及待识别的特征地物类型。
其中,待识别的特征地物类型根据对油气管道的风险预测需求确定,如果在对油气管道进行风险预测时,主要考虑学校、道路等对油气管道的影响,则待识别的特征地物类型为学校、道路等;如果在对油气管道进行风险预测时,主要考虑水体、道路等对油气管道的影响,则待识别的特征地物类型为水体、道路等。
然后,采用卫星遥感设备对所选取的油气管道进行拍摄,得到不同油气管道对应的油气管道图像,将采集到的所有油气管道图像组成在线影像样本数据集。
考虑到不同卫星遥感设备具有不同的分辨率,如果采用某一卫星遥感设备拍摄的油气管道图像的效果较差,例如,拍摄地区云量干扰较大、区域拼接错误等,则可采用其他类型的高分辨率的卫星遥感设备重新进行拍摄或者采用无人机航拍,从而保证用于建模的油气管道图像的质量,使得所训练的特征地物识别模型的准确率较高。
最后,根据所选取的特征地物类型,在不同油气管道对应的油气管道图像上标注特征地物。
在对不同油气管道对应的油气管道图像上标注特征地物时,可采用人工实地考察油气管道所在区域的特征地物,进而根据考察结果,在油气管道对应的油气管道图像上标注特征地物;还可采用分辨率较高的卫星遥感设备对油气管道所在区域进行拍摄,进而从所拍摄的图像中识别出特征地物,然后根据识别结果,在油气管道图像上标注特征地物,当然,还可以采用其他方式,本发明实施例对此不作具体的限定。
通过在不同油气管道图像上标注特征地物,可得到特征地物标签数据集。
第二步,对于任一初始油气管道图像,获取初始油气管道图像对应的油气管道的线性识别空间范围。
其中,线性识别空间范围是指对油气管道的安全存在威胁的区域范围,该管线识别范围可通过管线中心线坐标信息或者定位设备采集获得。
第三步,根据线性识别空间范围,对初始油气管道图像进行预处理,得到油气管道训练图像。
根据管线的线性识别空间范围,通过对初始油气管道图像进行截取、拼接等处理,可得到油气管道训练图像。
3012、获取初始特征地物识别模型。
本发明实施例基于深度学习方法进行模型训练,相应地,初始特征地物识别模型可以为现有的深度学习模型,例如,ResNet、GoogLeNet、Inception、segnet等。为了满足不同场景下的训练需求,本发明实施例在选取初始特征地物识别模型时,可根据所选取的特征地物类型和油气管道所在区域的区域特征,选择满足要求的初始特征地物识别模型进行学习和训练。本发明实施例以选取U-net模型作为初始特征地物识别模型为例进行说明。
3013、根据多张油气管道训练图像,对初始特征地物识别模型进行训练,得到特征地物识别模型。
将多张油气管道训练图像输入到为初始特征地物识别模型预先设定的损失函数中,得到损失函数的函数值,该函数值为所识别出的特征地物对应的标签值,然后将得到的损失函数的函数值与每张油气管道训练图像上所标注的特征地物对应的标签值进行比较,如果二者之间的差值大于预设阈值,则调整初始特征地物识别模型的模型参数,直至损失函数的函数值与每张油气管道训练图像上所标注的特征地物对应的标签值之间的差值小于预设阈值,获取差值小于预设阈值时的模型参数,将该模型参数对应的初始特征地物识别模型,作为所训练的特征地物识别模型。其中,预设阈值根据识别精度确定。
需要说明的是,为提高所训练模型的泛化能力,在本发明实施例在对初始特征识别模型进行训练时,可采用具有不同卫星参数的卫星遥感设备在不同时间、不同季节采集油气管道图像,并基于采集到的油气管道图像进行强化学习,采用该种方法不仅提高了所训练模型的精度,而且大大提高了模型的泛化能力,从而基于所训练的油气管道识别模型,能够对不同卫星遥感设备在不同时间、不同季节采集到的油气管道图像均可进行识别。
302、获取多张第一油气管道图像。
本发明实施例在对油气管道进行风险预测之前,可预先选取待识别的目标油气管道,并设定待识别的特征地物类型,待识别的特征地物类型包括学校操场、水体、道路等等。
其中,多张第一油气管道图像为现在已有的可以在线获取的面向公众开放的影像数据,包括Google Earth在线影像源,必应在线卫星影像源,百度在线卫星影像源,天地图卫星影像源等。多张第一油气管道图像的获取方式,包括但不限于:采用卫星遥感设备在不同时间段内对目标油气管道所在区域进行拍摄,可得到多张第一油气管道图像。
303、将多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像。
由于特征地物识别模型能够识别出油气管道图像上的特征地物,因此,基于特征地物识别模型,通过将多张第一油气管道图像输入到特征地物识别模型中,可输出多张第二油气管道图像。其中,每张第二油气管道图像上标注有不同特征地物,特征地物识别模型用于识别出油气管道图像上的特征地物。
304、根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势。
根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势时,可采用如下方式:
3041、获取目标油气管道的管道矢量图。
3042、按照时间顺序,将每张第二油气管道图像与管道矢量图进行叠加。
由于每张第一油气管道图像为卫星遥感设备在不同时间段内拍摄得到的,这样每张第一油气管道图像均对应一个采集时间,相应地,对每张第一油气管道图像进行特征地物识别,得到的第二油气管道图像也具有不同的采集时间,因此,可按照采集时间由先到后的顺序,将每张第二油气管道图像分别与管道矢量图进行叠加,从而得到多张叠加图像。
3043、从叠加图像上获取特征地物与目标油气管道的位置关系及每种特征地物的分布密度。
由于每张叠加图像上标注有特征地物,因此,可从每张叠加图像上获取到特征地物与目标油气管道之间的位置关系,还可得到每种特征地物的密度。
3044、根据特征地物与目标油气管道的位置关系及每种特征地物的分布密度,确定目标油气管道所在区域内特征地物的分布变化趋势。
通过对比不同采集时间对应的叠加图像上特征地物与目标油气管道的位置关系及每种特征地物的分布密度,可得到目标油气管道所在区域内特征地物的分布变化趋势,包括特征地物分布变化方向及分布密度变化速率等。
在本发明的另一个实施例中,为了便于后续应用,在得到目标油气管道所在区域内特征地物的分布变化趋势后,还将存储所得到的分析结果。
在本发明的另一个实施例中,为了便于分析人员查看分析结果,还可将目标油气管道所在区域内特征地物的分布变化趋势直接地展示出来,如展示在终端界面上等。
在本发明的另一个实施例中,为了提高预测结果的准确性,当第一油气管道图像缺失或者画质较为模糊时,可也借助其他卫星遥感设备或者无人机采集。
对于上述建模及识别过程,下面将以图4为例进行说明。
1、选定用于建模的油气管道和地物特征类型。
2、建立管道在线影像样本数据集和地物特征标签集。
3、设定深度学习算法。
4、采用GPU服务器/工作站进行离线训练,生成特征地物识别模型。
5、基于所训练的特征地物识别模型,对本次采集到的油气管道周边的在线影像进行识别,得到特征地物的分布位置图。
6、基于所训练的特征地物识别模型,对历史影像数据进行识别,得到具有时间标签的时空位置分布图。
7、存储步骤5和步骤6中的识别结果。
8、应用效果的总结和提升措施。
305、根据目标油气管道所在区域内特征地物的分布变化趋势,对目标油气管道进行风险预测。
在本发明的一个实施例中,可根据目标油气管道所在区域内特征地物的分布变化趋势,确定目标油气管道的风险等级,进而根据目标油气管道的风险等级,对目标油气管道进行风险预警。例如,特征地物分布变化方向朝向目标管道方向,且分布密度变化速率大于预设速率,则确定目标油气管道的风险等级为高级,此时需要立即对目标油气管道进行风险预警,并及时采取措施,避免目标油气管道破损;又例如,特征地物分布变化方向背离目标管道方向,即便分布密度变化速率大于预设速率,也会确定目标油气管道的风险等级为低级,此时可不对该目标油气管道进行预警,而是继续对该目标油气管道继续进行监测;又例如,特征地物分布变化方向朝向目标管道方向,且分布密度变化速率小于预设速率,则确定目标油气管道的风险等级为低级,此时可不对该目标油气管道进行预警,而是继续对该目标油气管道继续进行监测。其中,预设速率可根据实验结果确定。
在本发明的另一个实施例中,可根据目标油气管道所在区域内特征地物的分布变化趋势,预测区域内人口变化趋势,进而根据人口变化趋势,对目标油气管道进行风险预测。
本发明实施例提供的方法,无需人工进行实地考察,基于特征地物识别模型,即可识别出第一油气管道图像上的特征地物,不仅节省了资源,而且提高了预测效率。另外,本发明实施例根据不同时间段采集的多张第二油气管道图像上的特征地物,确定出目标油气管道所在区域内的特征地物的分布变化趋势,进而根据特征地物的分布变化趋势,对目标油气管道进行风险预测,提高了预测结果的准确性。
参见图5,本发明实施例提供了一种对油气管道进行风险预测的装置,该装置包括:
获取模块501,用于获取多张第一油气管道图像,多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;
处理模块502,用于将多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物,特征地物识别模型用于识别出油气管道图像上的特征地物;
确定模块503,用于根据多张第二油气管道图像上标注的特征地物,确定目标油气管道所在区域内特征地物的分布变化趋势;
风险预测模块504,用于根据目标油气管道所在区域内特征地物的分布变化趋势,对目标油气管道进行风险预测。
在本发明的另一个实施例中,参见图6,该装置还包括:
获取模块501,用于获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
获取模块501,用于获取初始特征地物识别模型;
模型训练模块505,用于根据多张油气管道训练图像,对初始特征地物识别模型进行训练,得到特征地物识别模型。
在本发明的另一个实施例中,获取模块,用于获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;对于任一初始油气管道图像,获取初始油气管道图像对应的油气管道的线性识别空间范围;根据线性识别空间范围,对初始油气管道图像进行预处理,得到油气管道训练图像。
在本发明的另一个实施例中,确定模块503,用于获取目标油气管道的管道矢量图;按照时间顺序,将每张第二油气管道图像与管道矢量图进行叠加;从叠加图像上获取特征地物与目标油气管道的位置关系及每种特征地物的分布密度;根据特征地物与目标油气管道的位置关系及每种特征地物的分布密度,确定目标油气管道所在区域内特征地物的分布变化趋势。
在本发明的另一个实施例中,风险预测模块504,用于根据目标油气管道所在区域内特征地物的分布变化趋势,确定目标油气管道的风险等级;根据目标油气管道的风险等级,对目标油气管道进行风险预警。
综上,本发明实施例提供的装置,无需人工进行实地考察,基于特征地物识别模型,即可识别出第一油气管道图像上的特征地物,不仅节省了资源,而且提高了预测效率。另外,本发明实施例根据不同时间段采集的多张第二油气管道图像上的特征地物,确定出目标油气管道所在区域内的特征地物的分布变化趋势,进而根据特征地物的分布变化趋势,对目标油气管道进行风险预测,提高了预测结果的准确性。
需要说明的是:上述实施例提供的对油气管道进行风险预测的装置在对油气管道进行风险预测时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将对油气管道进行风险预测装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的对油气管道进行风险预测的装置与对油气管道进行风险预测的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种对油气管道进行风险预测的方法,其特征在于,所述方法包括:
获取多张第一油气管道图像,所述多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;
将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物,所述特征地物识别模型用于识别出油气管道图像上的特征地物;
根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势;
根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测。
2.根据权利要求1所述的方法,其特征在于,所述将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像之前,还包括:
获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
获取初始特征地物识别模型;
根据所述多张油气管道训练图像,对所述初始特征地物识别模型进行训练,得到所述特征地物识别模型。
3.根据权利要求2所述的方法,其特征在于,所述获取多张油气管道训练图像,包括:
获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;
对于任一初始油气管道图像,获取所述初始油气管道图像对应的油气管道的线性识别空间范围;
根据所述线性识别空间范围,对所述初始油气管道图像进行预处理,得到油气管道训练图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势,包括:
获取所述目标油气管道的管道矢量图;
按照时间顺序,将每张第二油气管道图像与所述管道矢量图进行叠加;
从叠加图像上获取特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度;
根据特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度,确定所述目标油气管道所在区域内特征地物的分布变化趋势。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测,包括:
根据所述目标油气管道所在区域内特征地物的分布变化趋势,确定所述目标油气管道的风险等级;
根据所述目标油气管道的风险等级,对所述目标油气管道进行风险预警。
6.一种对油气管道进行风险预测的装置,其特征在于,所述装置包括:
获取模块,用于获取多张第一油气管道图像,所述多张第一油气管道图像通过在不同时间段内对目标油气管道所在区域进行拍摄得到;
处理模块,用于将所述多张第一油气管道图像输入到特征地物识别模型中,输出多张第二油气管道图像,每张第二油气管道图像上标注有不同特征地物,所述特征地物识别模型用于识别出油气管道图像上的特征地物;
确定模块,用于根据所述多张第二油气管道图像上标注的特征地物,确定所述目标油气管道所在区域内特征地物的分布变化趋势;
风险预测模块,用于根据所述目标油气管道所在区域内特征地物的分布变化趋势,对所述目标油气管道进行风险预测。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
所述获取模块,用于获取多张油气管道训练图像,每张油气管道训练图像通过对不同的油气管道所在区域进行拍摄得到,且每张油气管道训练图像上标注有不同特征地物;
所述获取模块,用于获取初始特征地物识别模型;
模型训练模块,用于根据所述多张油气管道训练图像,对所述初始特征地物识别模型进行训练,得到所述特征地物识别模型。
8.根据权利要求7所述的装置,其特征在于,所述获取模块,用于获取对不同油气管道所在区域拍摄得到的多张初始油气管道图像;对于任一初始油气管道图像,获取所述初始油气管道图像对应的油气管道的线性识别空间范围;根据所述线性识别空间范围,对所述初始油气管道图像进行预处理,得到油气管道训练图像。
9.根据权利要求6所述的装置,其特征在于,所述确定模块,用于获取所述目标油气管道的管道矢量图;按照时间顺序,将每张第二油气管道图像与所述管道矢量图进行叠加;从叠加图像上获取特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度;根据特征地物与所述目标油气管道的位置关系及每种特征地物的分布密度,确定所述目标油气管道所在区域内特征地物的分布变化趋势。
10.根据权利要求6所述的装置,其特征在于,所述风险预测模块,用于根据所述目标油气管道所在区域内特征地物的分布变化趋势,确定所述目标油气管道的风险等级;根据所述目标油气管道的风险等级,对所述目标油气管道进行风险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931819.8A CN110837941B (zh) | 2018-08-15 | 2018-08-15 | 对油气管道进行风险预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810931819.8A CN110837941B (zh) | 2018-08-15 | 2018-08-15 | 对油气管道进行风险预测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837941A true CN110837941A (zh) | 2020-02-25 |
CN110837941B CN110837941B (zh) | 2022-05-10 |
Family
ID=69573048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810931819.8A Active CN110837941B (zh) | 2018-08-15 | 2018-08-15 | 对油气管道进行风险预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837941B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137704A1 (en) * | 2009-12-09 | 2011-06-09 | Infosys Technologies Limited | System and method for calculating a comprehensive pipeline integrity business risk score |
CN107808133A (zh) * | 2017-10-23 | 2018-03-16 | 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 |
CN108171000A (zh) * | 2016-12-05 | 2018-06-15 | 中国石油天然气股份有限公司 | 一种油气管道水毁灾害预警的方法和装置 |
-
2018
- 2018-08-15 CN CN201810931819.8A patent/CN110837941B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110137704A1 (en) * | 2009-12-09 | 2011-06-09 | Infosys Technologies Limited | System and method for calculating a comprehensive pipeline integrity business risk score |
CN108171000A (zh) * | 2016-12-05 | 2018-06-15 | 中国石油天然气股份有限公司 | 一种油气管道水毁灾害预警的方法和装置 |
CN107808133A (zh) * | 2017-10-23 | 2018-03-16 | 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 |
Non-Patent Citations (2)
Title |
---|
赵新好等: "油气管道第三方破坏风险等级划分方法研究", 《石油工业技术监督》 * |
郭磊等: "油气长输管道大数据研究及应用", 《石油规划设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及系统 |
CN116958907B (zh) * | 2023-09-18 | 2023-12-26 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110837941B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biçici et al. | An approach for the automated extraction of road surface distress from a UAV-derived point cloud | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
Angulo et al. | Road damage detection acquisition system based on deep neural networks for physical asset management | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
Maniat et al. | Deep learning-based visual crack detection using Google Street View images | |
WO2023287276A1 (en) | Geographic data processing methods and systems for detecting encroachment by objects into a geographic corridor | |
CN110837941B (zh) | 对油气管道进行风险预测的方法及装置 | |
CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
Yang et al. | Feature selection in conditional random fields for map matching of GPS trajectories | |
Li et al. | Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
Shah et al. | Smart Implementation of Computer Vision and Machine Learningfor Pothole Detection | |
Hidayat et al. | Digital Twin of Road and Bridge Construction Monitoring and Maintenance | |
CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
CN112861701B (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
Al-Suleiman et al. | Assessment of the effect of alligator cracking on pavement condition using WSN-image processing | |
Mao et al. | City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels | |
Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
KR20230086044A (ko) | 고해상도 및 대규모 도시 공간 분석을 위한 도시 공간 데이터 기반 도시 환경 분석 시스템 및 그 방법 | |
Mahamunkar et al. | Mapping and change detection of mangroves using remote sensing and google earth engine: a case study | |
Pundir et al. | POCONET: A Pathway to Safety | |
CN114627400A (zh) | 一种车道拥堵检测方法、装置、电子设备和存储介质 | |
Henderson et al. | Assessing the viability of estimating baleen whale abundance from tourist vessels | |
Kok et al. | Severity estimation of potholes in imagery using convolutional neural networks |
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 |