CN112257633A

CN112257633A - 一种基于图像识别的管道高后果区动态识别方法

Info

Publication number: CN112257633A
Application number: CN202011186129.8A
Authority: CN
Inventors: 张圣柱; 桑海泉; 吴昊; 徐一星; 曹旭; 刘德坤; 张昕宇; 王向阳
Original assignee: China Academy of Safety Science and Technology CASST
Current assignee: China Academy of Safety Science and Technology CASST
Priority date: 2020-10-29
Filing date: 2020-10-29
Publication date: 2021-01-22
Anticipated expiration: 2040-10-29
Also published as: CN112257633B

Abstract

本发明涉及一种基于图像识别的管道高后果区动态识别方法，包括：识别对输油管道当前定位标志点采用无人机拍摄获得的定高巡航图像中的人体目标数量以作为第一数量；基于所述当前定位标志点的卫星定位数据获取其周围的各处住宅对应的楼层高度，基于每一处住宅对应的楼层高度确定与其单调正相关的居住人数，并累计所述各处住宅的居住人数以获得第二数量；将所述第一数量和所述第二数量相加以获得现场参考人数；基于所述现场参考人数和所述当前定位标志点的卫星定位数据周围的场景目标类型的权重分析结果确定当前定位标志点对应的不同高后果等级。通过本发明，能够实现对输油管道经过的各个区域的高后果程度的动态识别。

Description

一种基于图像识别的管道高后果区动态识别方法

技术领域

本发明涉及管道管理领域，尤其涉及一种基于图像识别的管道高后果区动态识别方法。

背景技术

随着各国石油、天然气长输管道建设与城市的迅速发展，长输管道沿线途径的人口密集区、住宅集中区以及高危场景目标占据区的高后果区逐年增多,一旦管道在这些区域发生事故将造成严重的后果，例如，造成人员伤亡事故、住宅毁坏以及环境污染，严重的后果一旦发生，将很难进行挽回和补救。

例如，输油管道造成严重的后果的原因举例如下：输油管道与排水暗渠交汇处管道腐蚀减薄，导致管道破裂进而管道内的原油泄漏，原油流入排水暗渠并被反冲到路面上，现场处置人员采用液压破碎锤在暗渠盖板上打孔破碎，产生撞击火花，从而引发暗渠内油气爆炸。由于上述事发地点位于城镇人口密集区，城市管网复杂，又临近水资源区域，容易导致严重社会影响和环境污染等。

包括输油管道的长输管道的事故的发生，也间接反映出管道管理企业对于高后果区识别、评价的不准确，以及在管道风险消减管理上的不足。由此可见，如何准确、动态地识别出每一条输油管道遍历地区的高后果程度，是管道管理企业进行管道事故预防和风险消减的关键步骤。

然而，一方面，输油管道遍布区域广泛，另一方面，输油管道经过的每一个地区的人员分布数量、住宅分布情况以及场景目标存在情况都有可能动态改变，导致每一条输油管道沿途的每一个遍历地区的高后果程度的动态识别非常困难。

发明内容

为了解决上述问题，本发明提供了一种基于图像识别的管道高后果区动态识别方法，采用无人机作为定点定高巡航拍摄平台以遍历输油管道通过的每一个区域的高后果程度，采用集成现场人数、现场住宅楼层高度以及现场场景目标类型的权重计算结果实现对输油管道不同区域的高后果程度判断，从而完成了对每一条输油管道各个区域的高后果程度的智能化识别。

为此，本发明至少需要具备以下几处关键的发明点：

(1)引入智能化管道高后果区动态识别机制，对每一条输油管道的遍历的各个位置给出动态识别到的高后果等级，从而明确了输油管道每一个位置周围的高后果区域的管段识别等级；

(2)采用权重计算模式为现场人数、现场住宅楼层高度以及现场场景目标类型提供用于高后果程度判断的不同权重值，并集成现场人数、现场住宅楼层高度以及现场场景目标类型的权重计算结果实现对输油管道不同区域的高后果程度判断；

(3)使用无人机作为定点定高巡航拍摄平台，基于输油管道的各个定位标志点的各个卫星定位数据逐一完成每一个定位标志点所在区域的高后果程度的动态识别。

根据本发明的第一方面，提供了一种基于图像识别的管道高后果区动态识别方法，所述方法包括：

获取输油管道遍历的各个定位标志点的各个卫星定位数据，所述各个定位标志点两两间隔相等；

以无人机为俯拍平台，在预设高度处沿着所述输油管道遍历的各个定位标志点逐一执行定点定高巡航拍摄，获得当前定位标志点对应的定高巡航图像；

对所述定高巡航图像执行以视点为中心以固定面积的正方形为形状的图像区域的剪裁操作以获得现场剪裁图像；

对所述现场剪裁图像执行信号处理以获得画质提升图像；

识别所述画质提升图像中的人体目标的数量以作为第一数量；

基于所述当前定位标志点的卫星定位数据获取其周围的各处住宅对应的楼层高度，基于每一处住宅对应的楼层高度确定与其单调正相关的居住人数，并累计所述各处住宅的居住人数以获得第二数量；

将所述第一数量和所述第二数量相加以获得现场参考人数；

基于所述当前定位标志点的卫星定位数据获取其周围的场景目标，所述场景目标的类型包括高速公路、铁路、湿地、森林、河流和水库，场景目标的类型不同，对应的后果权重值不同；

将所述现场参考人数与人体目标类型对应的后果权重值相乘以获得第一权重因数；

将所述当前定位标志点的卫星定位数据周围的每一个场景目标与其类型对应的后果权重值相乘后累加以获得第二权重因数；

将所述第一权重因数与所述第二权重因数相加，基于相加结果落在的不同数值范围确定当前定位标志点对应的不同高后果等级。

根据本发明的第二方面，本发明的一种基于图像识别的管道高后果区动态识别方法还包括：

将所述输油管道遍历的各个定位标志点与其分别对应的各个高后果等级绑定后无线上传给远端的管道管理服务器。

根据本发明的第三方面，本发明的一种基于图像识别的管道高后果区动态识别方法还包括：

所述管道管理服务器将每一条输油管道的绑定数据与所述输油管道的编号一起存储到保存的管道数据库中；

其中，所述管道管理服务器内置有数据库存储单元和无线收发单元，所述无线收发单元与所述数据库存储单元电性连接；

其中，所述无线收发单元与所述无人机的无线通信接口之间建立双向无线通信链路。

根据本发明的第四方面，本发明的一种基于图像识别的管道高后果区动态识别方法中：

所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行伪影去除处理以获得画质提升图像。

根据本发明的第五方面，本发明的一种基于图像识别的管道高后果区动态识别方法中：

所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行边缘锐化处理以获得画质提升图像。

根据本发明的第六方面，本发明的一种基于图像识别的管道高后果区动态识别方法中：

所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行引导影像滤波处理以获得画质提升图像。

附图说明

以下将结合附图对本发明的实施方案进行描述，其中：

图1为根据本发明的实施例1示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

图2给本发明中河流作为存在的场景目标类型对环境的影响的现场示意图。

图3为根据本发明的实施例2示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

图4为根据本发明的实施例3示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

图5为根据本发明的实施例4示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

图6为根据本发明的实施例5示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

图7为根据本发明的实施例6示出的基于图像识别的管道高后果区动态识别方法的步骤流程图。

具体实施方式

高后果区是指管道泄漏后可能对公众和环境造成较大不良影响的区域。随着管道周边人口和环境的变化，高后果区的位置和范围也会随之改变。

实施高后果区管理，需要对管道运行中面临的风险因素进行识别和评价，通过监测、检测、检验等多种方式，获取与专业管理相结合的管道信息，制定相应的风险控制对策，不断改善识别到的不利影响因素，从而将管道运行的风险水平控制在合理的、可接受的范围内。

然而，针对于输油管道，由于影响输油管道高后果程度的因素较多，包括周边人口数量、住宅数量和高度以及周围场景目标类型，且输油管道的分布范围较广，以及上述因素时刻保持变化中，因此，输油管道经历的各个区域的管道高后果程度难以快速、准确、动态到识别和记录，进而无法为管道企业的管理提供有效的参考数据。

为了克服上述不足，本发明搭建了一种基于图像识别的管道高后果区动态识别方法，用于解决相应的技术问题。

下面，将对本发明的各个实施例分别进行具体说明。

实施例1

如图1所示，所述基于图像识别的管道高后果区动态识别方法包括：

对所述现场剪裁图像执行信号处理以获得画质提升图像；

将所述第一数量和所述第二数量相加以获得现场参考人数；

图2给出了河流作为存在的场景目标的类型对环境的影响的现场示意图。

如图2所示，在输油管道的上方的中央位置处，存在的场景目标的类型为河流，一旦输油管道泄漏，则对河流的水质影响较为明显，因此需要将其作为管道高后果区识别的一种权衡因素参与管道高后果程度的权衡计算。

实施例2

如图3所示，所述基于图像识别的管道高后果区动态识别方法还包括：

例如，所述管道管理服务器可以选型为云端存储服务器、大数据服务器以及其他网络端的服务器，所述云端存储服务器可以为单个网络节点，也可以是多个并行设置的多个网络节点，所述大数据服务器也可以为单个网络节点，也可以是多个并行设备的多个网络节点。

实施例3

如图4所示，所述基于图像识别的管道高后果区动态识别方法还包括：

其中，所述数据库存储单元的数据库类型可以为Mysql数据库、SqlServer数据库、ODB数据库或者Oceanbase数据库，根据需要，所述数据库存储单元可以为单个数据库，也可以是多种类型的数据库组成的数据库集合。

实施例4

如图5所示，所述基于图像识别的管道高后果区动态识别方法中：

其中，伪影(artifact)泛指影像失真，即影像上明显可见的图形，他既不体现物体的内部结构，也不能用噪声或系统调制传递函数来解释；

伪影产生的原因有以下几种：①成像设备设计缺陷所致的伪影；②成像设备故障所致的伪影；③运动或移动伪影；④信息载体的传感性所致的伪影；⑤读取、转换系统所致的伪影；⑥光学系统所致的伪影；⑦暗室处理所致等；

通过去除图像中的伪影，能够使得图像中的各个目标边界更明晰，目标更突出，便于后续执行各种目标识别处理。

实施例5

边缘锐化(Edge crispening)是一种图像处理方法，可增强图像或视频的边缘对比度，以尝试改善其锐度(明显清晰度)，边缘锐化是影像处理的滤波器，能够加强影像或是影片的边缘对比度。

边缘通常具有以下几点特性：

(1)表面法向量不连续性(Surface normal discontinuity)；

(2)深度不连续性(Depth discontinuity)；

(3)表面颜色不连续性(Surface color discontinuity)；

(4)亮度不连续性(Illumination discontinuity)。

由于边缘经傅立叶转换后为高频的成分，若单纯使用高通滤波器，会导致同样属于高频的噪声被放大，因此边缘锐化常用的解决方法为采用非锐化滤镜(Unsharpmasking)。

实施例6

如图7所示，所述基于图像识别的管道高后果区动态识别方法中：

在图像处理上，引导影像滤波器(Guided Image Filter)是一种能使影像平滑化的非线性滤波器。

引导影像滤波器与双边滤波器(Bilateral Filter)相同，这个影像滤波器同样能够在清楚保持影像边界的情况下，达到让影像平滑的效果。

但不同于双边滤波器，引导影像滤波器有两个优点：首先，双边滤波器有非常大的计算复杂度，但引导影像滤波器因为并未用到过于复杂的数学计算，有线性的计算复杂度。再来，双边滤波器因为数学模型的缘故，在某些时候会发生梯度翻转(gradient reverse)的状况，出现影像失真；而在引导影像滤波器，因为这个滤波器在数学上以线性组合为基础出发，输出图片(Output Image)必与引导图片(Guidance Image)的梯度方向一致，并不会出现梯度反转的问题。

在上述任一实施例中，可选地，在所述基于图像识别的管道高后果区动态识别方法中：

基于相加结果落在的不同数值范围确定当前定位标志点对应的不同高后果等级包括：相加结果落在的数值范围内的数值越大，确定的当前定位标志点对应的高后果等级越高。

例如：相加结果落在的数值范围为[100，200]时，确定的当前定位标志点对应的高后果等级为等级一，相加结果落在的数值范围为[300，400]时，确定的当前定位标志点对应的高后果等级为等级三，显然，等级一对应的高后果程度低于等级三对应的高后果程度。

对所述定高巡航图像执行以视点为中心以固定面积的正方形为形状的图像区域的剪裁操作以获得现场剪裁图像包括：所述预设高度越高，所述正方形的固定面积越小。

继续如图2所示，河流左侧河沿再向左扩展的200m即200米以及河流右侧河沿再向右扩展的200m以及河流本身所涉及到的宽度范围可以作为定高巡航拍摄的视野范围；

在实际操作中，可以通过调节所述预设高度以使得所述定高巡航图像成像范围包括上述视野范围甚至等于上述视野范围；

在调节所述预设高度以使得所述定高巡航图像成像范围包括上述视野范围的情况下，需要执行上述剪裁操作以使得获得的现场剪裁图像的成像范围等于上述视野范围；

在上述执行上述剪裁操作以使得获得的现场剪裁图像的成像范围等于上述视野范围的操作中，所述预设高度越高，所述正方形的固定面积越小，从而使得获得的现场剪裁图像的成像范围等于上述视野范围；

而在调节所述预设高度以使得所述定高巡航图像成像范围等于上述视野范围的情况下，不需要执行上述剪裁操作而直接将所述定高巡航图像作为所述现场剪裁图像输出。

在预设高度处沿着输油管道遍历的各个定位标志点逐一执行定点定高巡航拍摄，获得当前定位标志点对应的定高巡航图像包括：在无人机的俯拍设备的卫星定位数据与当前定位标志点的卫星定位数据匹配时，触发俯拍设备正下方场景的图像拍摄，以获得当前定位标志点对应的定高巡航图像。

例如，当无人机的俯拍设备的卫星定位数据与当前定位标志点的卫星定位数据之间的偏差在允许范围内时，确定无人机的俯拍设备的卫星定位数据与当前定位标志点的卫星定位数据匹配，此时，触发俯拍设备正下方场景的图像拍摄，以获得当前定位标志点对应的定高巡航图像。

识别所述画质提升图像中的人体目标的数量以作为第一数量包括：基于人体的头部轮廓识别所述画质提升图像中的每一个人体目标，并累计所述画质提升图像中的人体目标的数量以作为第一数量。

其中，人体的头部轮廓可以为一个或多个人体头部的基准成像图案，根据识别的精度要求，所述一个或多个人体头部的基准成像图案的清晰度不同，或者所述一个或多个人体头部的基准成像图案具有各自的成像颜色特征。

另外，所述无线收发单元可以选型为时分双工收发单元、频分双工收发单元或者GPRS收发单元中的一种。其中，频分双工(FDD)和时分双工(TDD)是两种不同的双工方式。FDD是在分离的两个对称频率信道上进行接收和发送，用保护频段来分离接收和发送信道。FDD必须采用成对的频率，依靠频率来区分上下行链路，其单方向的资源在时间上是连续的。FDD在支持对称业务时，能充分利用上下行的频谱，但在支持非对称业务时，频谱利用率将大大降低。TDD用时间来分离接收和发送信道。在TDD方式的移动通信系统中,接收和发送使用同一频率载波的不同时隙作为信道的承载,其单方向的资源在时间上是不连续的，时间资源在两个方向上进行了分配。某个时间段由基站发送信号给移动台，另外的时间由移动台发送信号给基站，基站和移动台之间必须协同一致才能顺利工作。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：只读内存(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

1.一种基于图像识别的管道高后果区动态识别方法，其特征在于，所述方法包括：

对所述现场剪裁图像执行信号处理以获得画质提升图像；

将所述第一数量和所述第二数量相加以获得现场参考人数；

2.如权利要求1所述的基于图像识别的管道高后果区动态识别方法，其特征在于，所述方法还包括：将所述输油管道遍历的各个定位标志点与其分别对应的各个高后果等级绑定后无线上传给远端的管道管理服务器。

3.如权利要求2所述的基于图像识别的管道高后果区动态识别方法，其特征在于，所述方法还包括：

4.如权利要求1所述的基于图像识别的管道高后果区动态识别方法，其特征在于：所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行伪影去除处理以获得画质提升图像。

5.如权利要求1所述的基于图像识别的管道高后果区动态识别方法，其特征在于：所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行边缘锐化处理以获得画质提升图像。

6.如权利要求1所述的基于图像识别的管道高后果区动态识别方法，其特征在于：所述对所述现场剪裁图像执行信号处理以获得画质提升图像即，对所述现场剪裁图像执行引导影像滤波处理以获得画质提升图像。

7.如权利要求1-6任一所述的基于图像识别的管道高后果区动态识别方法，其特征在于：基于相加结果落在的不同数值范围确定当前定位标志点对应的不同高后果等级包括：相加结果落在的数值范围内的数值越大，确定的当前定位标志点对应的高后果等级越高。

8.如权利要求1-6任一所述的基于图像识别的管道高后果区动态识别方法，其特征在于：对所述定高巡航图像执行以视点为中心以固定面积的正方形为形状的图像区域的剪裁操作以获得现场剪裁图像包括：所述预设高度越高，所述正方形的固定面积越小。

9.如权利要求1-6任一所述的基于图像识别的管道高后果区动态识别方法，其特征在于：在预设高度处沿着输油管道遍历的各个定位标志点逐一执行定点定高巡航拍摄，获得当前定位标志点对应的定高巡航图像包括：在无人机的俯拍设备的卫星定位数据与当前定位标志点的卫星定位数据匹配时，触发俯拍设备正下方场景的图像拍摄，以获得当前定位标志点对应的定高巡航图像。

10.如权利要求1-6任一所述的基于图像识别的管道高后果区动态识别方法，其特征在于：识别所述画质提升图像中的人体目标的数量以作为第一数量包括：基于人体的头部轮廓识别所述画质提升图像中的每一个人体目标，并累计所述画质提升图像中的人体目标的数量以作为第一数量。