CN112529012A - 基于目标匹配的油气管道巡检方法、装置、设备及介质 - Google Patents

基于目标匹配的油气管道巡检方法、装置、设备及介质 Download PDF

Info

Publication number
CN112529012A
CN112529012A CN202011461277.6A CN202011461277A CN112529012A CN 112529012 A CN112529012 A CN 112529012A CN 202011461277 A CN202011461277 A CN 202011461277A CN 112529012 A CN112529012 A CN 112529012A
Authority
CN
China
Prior art keywords
image
target
target image
oil
gas pipeline
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
Application number
CN202011461277.6A
Other languages
English (en)
Other versions
CN112529012B (zh
Inventor
卢春曦
王健宗
黄章成
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011461277.6A priority Critical patent/CN112529012B/zh
Publication of CN112529012A publication Critical patent/CN112529012A/zh
Priority to PCT/CN2021/084540 priority patent/WO2022121186A1/zh
Application granted granted Critical
Publication of CN112529012B publication Critical patent/CN112529012B/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
    • 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]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

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

Abstract

本申请涉及人工智能，提供了一种基于目标匹配的油气管道巡检方法，包括：从油气管道区域内的航拍图像中提取目标图像；利用神经网络模型对目标图像进行图像特征提取，得到第一图像特征，其中，神经网络模型预先基于多个基准图像样本训练得到，基准图像样本标注有合规目标图像；神经网络模型在训练的过程中对合规目标图像进行图像特征提取，得到第二图像特征；判断检测得到的合规目标图像对应的第二图像特征是否与第一图像特征匹配；若否，则判定所述目标图像为异常目标图像。本申请还公开了一种基于目标匹配的油气管道巡检装置、计算机设备以及计算机可读存储介质。本申请提高了识别油气管道区域内的违规目标的效率。

Description

基于目标匹配的油气管道巡检方法、装置、设备及介质
技术领域
本申请涉及人工智能领域，尤其涉及一种基于目标匹配的油气管道巡检方法、基于目标匹配的油气管道巡检装置、计算机设备以及计算机可读存储介质。
背景技术
在油气管道区域的地面上方若存在违章违建的现象，则可能会导致管道受到损害。因此，现在一般是利用无人机在巡航油气管道过程中进行监测，将管道区域内的违章违建工程与已登记入库的建筑工程进行鉴别。
目前，对违章建筑的主要检测和鉴别方法，是通过将无人机在高空拍摄的遥感图像，经过简单的角点检测、直线分割等传统图像处理方法进行处理后，将图像中的建筑物提取出来，之后再通过人工的判别分析，确认是否为违章建筑。
但这样一来，虽然采用传统图像处理方法可以将建筑物从航拍画面中检出，但判断建筑物是否属于管道区域已有建筑之外的违建建筑，仍需要大量的人工进行判断，这就使得需要大量的人力成本投入，并且降低了巡检油气管道区域内的违规目标的效率。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种基于目标匹配的油气管道巡检方法、基于目标匹配的油气管道巡检装置、计算机设备以及计算机可读存储介质，旨在解决如何在巡检油气管道的过程中，提高识别油气管道区域内的违规目标的效率的问题。
为实现上述目的，本申请提供一种基于目标匹配的油气管道巡检方法，包括以下步骤：
利用无人机采集油气管道区域内的航拍图像；
从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
若是，则判定所述目标图像为所述合规目标图像；
若否，则判定所述目标图像为异常目标图像。
进一步地，所述判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配的步骤包括：
获取所述第一图像特征的第一哈希编码，以及获取检测得到的所述合规目标图像对应的第二图像特征的第二哈希编码；
确定所述第一哈希编码与所述第二哈希编码之间的汉明距离；
利用所述汉明距离判断所述第二图像特征与所述第一图像特征是否匹配。
进一步地，所述神经网络模型基于Mask RCNN网络构建；所述从所述航拍图像中提取目标图像的步骤包括：
将所述航拍图像输入到所述神经网络模型中，以利用所述Mask RCNN网络从所述航拍图像中提取目标图像；
其中，所述Mask RCNN网络还用于提取所述第一图像特征和所述第二图像特征。
进一步地，所述预设条件为以下任一个：
所述第二位置位于基于所述第一位置构建的预设区域范围内；
所述第二位置与所述第一位置之间的距离小于或等于预设距离。
进一步地，所述从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置的步骤之后，还包括：
当未检测到满足所述预设条件的所述合规目标图像时，判定所述目标图像为异常目标图像。
进一步地，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
将所述目标图像输出至关联设备；
接收到所述关联设备针对所述目标图像反馈的肯定响应时，将所述目标图像更新为所述合规目标图像，并基于所述目标图像生成所述基准图像样本；或者，
接收到所述关联设备针对所述目标图像反馈的否定响应时，维持所述目标图像为所述异常目标图像的判定。
进一步地，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
根据所述异常目标图像生成告警信息，并输出所述告警信息。
为实现上述目的，本申请还提供一种基于目标匹配的油气管道巡检装置，所述基于目标匹配的油气管道巡检装置包括：
采集模块，用于利用无人机采集油气管道区域内的航拍图像；
处理模块，用于从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
特征提取模块，用于利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
检测模块，用于根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
判断模块，用于判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
第一判定模块，用于若是，则判定所述目标图像为所述合规目标图像；
第二判定模块，用于若否，则判定所述目标图像为异常目标图像。
为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：
所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于目标匹配的油气管道巡检程序，所述基于目标匹配的油气管道巡检程序被所述处理器执行时实现如上述基于目标匹配的油气管道巡检方法的步骤。
为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于目标匹配的油气管道巡检程序，所述基于目标匹配的油气管道巡检程序被处理器执行时实现如上述基于目标匹配的油气管道巡检方法的步骤。
本申请提供的基于目标匹配的油气管道巡检方法、基于目标匹配的油气管道巡检装置、计算机设备以及计算机可读存储介质，利用人工智能和目标检测技术，自动对无人机采集到的油气管道区域内的图像进行图像识别和特征提取，得到图像中的目标建筑物，并采用与目标建筑物位置相近的合规建筑物对应的图像特征，与目标建筑物对应的图像特征进行特征匹配，基于此判断目标建筑物是否为合规建筑物，且若否则为违规建筑物，从而提高了在巡检油气管道区域的过程中，识别油气管道区域内的违规目标的效率。
附图说明
图1为本申请一实施例中基于目标匹配的油气管道巡检方法步骤示意图；
图2为本申请一实施例的基于目标匹配的油气管道巡检装置示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，在一实施例中，所述基于目标匹配的油气管道巡检方法包括：
步骤S10、利用无人机采集油气管道区域内的航拍图像；
步骤S20、从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
步骤S30、利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
步骤S40、根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
步骤S50、判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
步骤S60、若是，则判定所述目标图像为所述合规目标图像；
步骤S70、若否，则判定所述目标图像为异常目标图像。
本实施例中，实施例终端可以是计算机设备(如一种中央数据平台)，也可以是一种基于目标匹配的油气管道巡检装置。
如步骤S10所述：无人机即为无人驾驶飞机，在无人机上安装有图像采集装置。终端与无人机或负责维护无人机的数据采集站点建立有通信连接，终端可向无人机下发对针对指定区域范围内的油气管道区域的图像采集指令，以控制无人机对油气管道的沿线区域进行日常巡检，并实时或定时采集油气管道区域内的航拍图像。
可选的，在利用无人机采集油气管道区域内的航拍图像的过程中，无人机还可以利用卫星定位技术或网络定位技术，确定无人机当前采集航拍图像时的经纬度坐标，并根据经纬度坐标生成当前所采集的航拍图像对应的位置信息。其中，卫星定位可以是利用北斗定位系统，也可以是利用GPS(Global Positioning System)系统。
可选的，无人机可以是实时将采集到的航拍图像和航拍图像对应的位置信息发送至终端；或者，无人机先将采集到的航拍图像和航拍图像对应的位置信息进行存储，待无人机返航后具备通信条件时(如无人机返回数据采集基站)，再将存储的数据发送至终端。
如步骤S20所述：终端接收到基于无人机采集的油气管道区域内的航拍图像后，可以是利用图像识别技术，识别航拍图像中的预设目标，并提取预设目标在航拍图像中的显像区域，以此生成目标图像。
其中，预设目标可以是建筑物，也可以除油气管道和地表外的其他物件。以下以目标图像为建筑图像为例进行说明(即目标图像中的目标为建筑物)。
进一步地，终端可以是直接将目标图像所在的航拍图像对应的位置信息中的经纬度坐标，作为目标图像中的目标对应的第一位置(即该目标在现实物理世界的真实位置)。
应当理解的是，一张目标图像至少具有一个目标(即建筑物)；而若在航拍图像中检测不到建筑物，则无需基于该航拍图像生成目标图像。
或者，终端也可以将航拍图像对应的位置信息中的经纬度坐标，作为航拍图像的中点坐标，并确定目标图像对应的目标与航拍图像中点之间的相对位置关系，以及根据无人机采集该航拍图像时的飞行高度和图像采集装置的焦距确定航拍图像比例尺，然后再根据航拍图像的中点坐标、所述相对位置关系和所述航拍图像比例尺，共同确定目标图像中的目标对应的第一位置。这样，可以提高识别目标图像中的目标位置的准确率。
或者，终端可以利用预先训练的神经网络模型的目标检测器，对航拍图像中的建筑物进行检测与区域提取，以识别并分割航拍图像中的目标图像，并将目标图像所在的航拍图像对应的位置信息中的经纬度坐标，作为目标图像中的目标对应的位置，记为第一位置。
如步骤S30所述：终端预先基于深度卷积神经网络构建有神经网络模型，终端预先将多个基准图像样本输入到所述神经网络模型中进行多次迭代训练，直到模型收敛，得到训练完成的神经网络模型。需要说明的是，所述基准图像样本的数量足够多，例如一万份样本。
可选的，用于生成基准图像样本的基准图像，可以是终端预先利用无人机采集油气管道沿线区域内建筑物的图像数据得到的，也可以是终端利用其他图像采集手段拍摄油气管道沿线区域内的建筑物得到的。而终端在采集基准图像的过程中，同时会记录所采集的基准图像对应的位置信息，并在基于基准图像生成相应的基准图像样本时，将基准图像对应的位置信息与所生成的基准图像样本关联。
可选的，基准图像样本中标注有合规目标图像，合规目标表示为合规的、非违建的建筑物。基准图像样本可以是由相关工程师在样本中标注出合规目标图像，并基于基准图像样本关联的位置信息，标注出合规目标图像的位置(记为第二位置)。然后工程师再将标注后的基准图像样本作为神经网络模型的训练样本，并将基准图像样本输入到神经网络模型进行训练。
可选的，所述神经网络模型的目标检测器基于ResNet50的Mask RCNN网络构建，Mask RCNN网络可用于识别并分割出图像中的目标区域，当将该目标区域设定为建筑物区域后，基于此训练完成的神经网络模型，还可用于执行步骤S20，以从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置，即终端可以直接将航拍图像和航拍图像关联的位置信息输入训练完成后的神经网络模型。Mask RCNN网络可通过神经网络模型的卷积层得到全局特征图，并在此基础上使用区域提议网络提取感兴趣区域(RoI，Region of Interest)作为目标区域，然后使用RoI Align方法进行所有目标区域(至少具有一个区域)的区域提取与对齐，以及进行归一化处理，最后在经神经网络模型的全连接层中进行目标类别(此处为建筑物类别)及目标位置(该位置基于航拍图像关联的位置信息得到)的确认后，即实现对航拍图像中的目标图像的检测，并得到目标图像中的目标的第一位置。
可选的，在训练具有Mask RCNN网络的神经网络模型的过程中，基于多个标注有合规目标图像的基准图像样本进行神经网络模型相关模型参数的训练，并在训练中使用反向传播算法。
反向传播算法的基本原理为通过梯度下降法，以最小化训练的损失函数(loss)为目标，进行网络参数优化。其中梯度下降的公式为：
Figure BDA0002832239490000071
其中，θ代表网络参数，L(θ)为网络训练使用的损失函数，α为迭代步长。
对于目标检测任务(即检测图像中的目标区域)，单个预测结果的损失函数由目标分类的第一损失函数Lcls和位置回归的第二损失函数Lloc组成：
Figure BDA0002832239490000072
其中，u是目标的真实类别(此处即为建筑物)，pu是网络预测目标为u的置信度分数。ti和vi分别是目标的真实位置和预测位置。其中smoothL1可以抑制异常样本点对反向传播过程的影响，其公式为：
Figure BDA0002832239490000081
可选的，对于基准图像样本，在神经网络模型训练的过程中，使用Mask RCNN网络对基准图像样本中的建筑物图像进行检测与区域提取，得到合规目标图像，并对合规目标图像进行图像特征提取，得到合规目标图像对应的图像特征(记为第二图像特征)。同时，根据与合规目标图像所属的基准图像样本关联的位置信息，确定合规目标图像中的合规目标在现实物理世界的真实位置(记为第二位置)。需要说明的是，确定第二位置采用的具体技术手段，可以与确定第一位置所采用的技术手段相同。
应当理解的是，利用深度卷积神经网络进行图像特征的提取是基于对图像进行卷积运算实现的。而图像卷积运算主要是通过设定各种特征提取滤波器矩阵(卷积核，例如设定大小为3x3，或者5x5的矩阵)，然后使用该卷积核在原图像矩阵(图像实际是像素值构成的矩阵)‘滑动’，从而实现卷积运算。
进一步地，终端将所有第二图像特征进行编号录入数据库中，并将第二图像特征对应的合规目标图像中的合规目标对应的第二位置，与该第二图像特征关联。
可选的，基于训练完成的神经网络模型，还可用于对目标图像进行图像特征提取，终端获取神经网络模型提取得到的目标图像的图像特征，作为第一图像特征。
如步骤S40所述：终端在得到目标图像中的目标对应的第一位置时，则检测数据库中保存的第二位置(即合规目标图像中的合规目标对应的第二位置)中，是否存在满足预设条件的第二位置。
可选的，所述预设条件包括以下任一个：所述第二位置位于基于所述第一位置构建的预设区域范围内；所述第二位置与所述第一位置之间的距离小于或等于预设距离。
其中，终端可以以第一位置为中点，以预设长度为半径，构建一个圆形区域作为预设区域。当然，终端也可以是将第一位置作为预设矩形区域的中点，并基于此构建预设区域。所述预设长度、预设矩形的边长均可根据实际情况需要设置，本实施例对此不作限定。
然后终端进一步检测是否存在位于预设区域范围内的第二位置；若是，则判定该第二位置对应的合规目标所属的合规目标图像满足预设条件；若否，则判定未检测到满足预设条件的合规目标图像。
可选的，终端也可以是先确定第一位置与各个第二位置之间的距离，并进一步检测第一位置与第二位置之间的距离是否小于或等于预设距离；若是，则判定将该第二位置对应的合规目标所属的合规目标图像满足预设条件；若否，则判定将该第二位置对应的合规目标所属的合规目标图像不满足预设条件，且若所有合规目标图像均不满足预设条件，则进一步判定未检测到满足预设条件的合规目标图像。其中，所述预设距离可根据实际情况需要设置，本实施例对此不作限定。
应当理解的是，当预设距离取值为0时，则满足预设条件的合规目标图像中，图中合规目标对应的第二位置需要与第一位置重合。
可选的，当终端检测到存在满足预设条件的合规目标图像时，则继续执行步骤S50；当终端未检测到存在满足预设条件的合规目标图像时，则直接判定目标图像为异常目标图像。其中，异常目标图像中的异常目标可定义为违建、违章的建筑物。
应当理解的是，预设条件实质上是用于衡量第一位置与第二位置之间的远近关系，即满足预设条件的合规目标图像，其对应的第二位置与第一位置之间的距离较近。这样一来，实质上只基于相对位置与目标图像较近的合规目标图像执行步骤S50，以进一步判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配，而不采用相对位置与目标图像较远的合规目标图像执行步骤S50，从而避免采用不必要的图像特征进行图像匹配，进而提高了后续匹配图像特征的准确率(因为距离较远的合规目标图像其图像特征即便与目标图像匹配，两者也不可能为同一栋或同一区域的建筑物)；而且基于步骤S40的执行，还可以筛选出与目标图像不太可能匹配的合规目标图像，从而减少了后续检测与目标图像匹配的合规目标图像的算法复杂度，通过提高图像匹配的效率，进而提高了识别油气管道区域内的违规目标的效率。
而且当终端未检测到满足预设条件的合规目标图像时(即在目标图像的目标对应第一位置附近未检测到合规目标对应的第二位置时)，说明此前在目标图像所处的区域内并未设置有合规目标，那么此时出现在该一区域内的目标(即建筑物)，很有可能就是违规目标，故而终端直接将该目标图像判定为异常目标图像，从而减少后续进行图像特征匹配的算法处理，在一定程度上提高了识别油气管道区域内的违规目标的效率。
如步骤S50所述：当终端检测到存在满足预设条件的合规目标图像时(即检测到存在满足预设条件的第二位置)，则从数据库中获取该合规目标图像对应的第二图像特征(即获取满足预设条件的第二位置关联的第二图像特征)，然后检测获取得到的第二图像特征与第一图像特征是否匹配。
可选的，终端检测第二图像特征与第一图像特征是否一致；若是，则判定第二图像特征与第一图像特征相匹配；若否，则判定第二图像特征与第一图像特征不匹配。
可选的，终端也可以是对第一图像特征与第二图像特征进行相似度检测，并进一步检测两者的相似度是否大于或等于预设相似度；若是，则判定第二图像特征与第一图像特征相匹配；若否，则判定第二图像特征与第一图像特征不匹配。其中，预设相似度的取值范围可以是90％-100％，且若预设相似度取值为100％，则相当于是检测第二图像特征与第一图像特征是否一致。
如步骤S60所述：当终端判定检测得到的所述合规目标图像对应的第二图像特征与目标图像的第一图像特征匹配时，说明目标图像中的建筑物是已有的记录在库的合规目标，则终端进一步判定该目标图像为合规目标图像。
如步骤S70所述：当终端判定检测得到的所述合规目标图像对应的第二图像特征与目标图像的第一图像特征不匹配时，说明目标图像中的建筑物是并未预先记录在库的异常目标，则终端进一步判定该目标图像为异常目标图像，并判定该目标图像中的目标为异常目标(即违建、违章的建筑物)。
应当理解的是，基于逆向思维，用于训练神经网络模型的基准图像样本也可以是基于异常目标图像生成的，此时则是检测到第二图像特征与第一图像特征匹配时，则判定目标图像为异常目标图像，若第二图像特征与第一图像特征不匹配，则判定目标图像为合规目标图像。但是一般来说，通常在油气管道区域内采集合规目标图像比采集异常目标图像容易，即基于合规目标图像更便于采集生成基准图像样本，进而提高构建并训练神经网络模型的效率，故而优选基于合规目标图像生成基准图像样本。
在一实施例中，利用人工智能和目标检测技术，自动对无人机采集到的油气管道区域内的图像进行图像识别和特征提取，得到图像中的目标建筑物，并采用与目标建筑物位置相近的合规建筑物对应的图像特征，与目标建筑物对应的图像特征进行特征匹配，基于此判断目标建筑物是否为合规建筑物，且若否则为违规建筑物，从而提高了在巡检油气管道区域的过程中，识别油气管道区域内的违规目标的效率。
在一实施例中，在上述实施例基础上，所述判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配的步骤包括：
步骤S51、获取所述第一图像特征的第一哈希编码，以及获取检测得到的所述合规目标图像对应的第二图像特征的第二哈希编码；
步骤S52、确定所述第一哈希编码与所述第二哈希编码之间的汉明距离；
步骤S53、利用所述汉明距离判断所述第二图像特征与所述第一图像特征是否匹配。
本实施例中，当终端检测到存在至少一个满足预设条件的合规目标图像时，则从数据库中获取满足预设条件的合规目标图像对应的第二图像特征。
可选的，本实施例采用基于哈希函数的图像检索算法，通过将图像特征代入到哈希函数集中，从而得到相应的哈希编码。其中，哈希函数集为：
H(x＝h1(x),h2(x),…,hK(x)
其中，h即为哈希函数，哈希函数集H由多个哈希函数组成，K即为哈希函数的数量。对于某图像对应的图像特征xi(i＝1,2,…,)，将其特征逐一代入到哈希希函数集中，即可计算得到相应的哈希编码。
可选的，终端可以是将第一图像特征转换为哈希编码，从而获取得到第一哈希编码。且终端可以是从数据库中获取到第二图像特征后，将第二图像特征转换为哈希编码，从而得到每个第二图像特征对应的第二哈希编码；或者，终端也可以是预先将数据库中所有第二图像特征转换为第二图像特征对应的第二哈希编码，然后将第二哈希编码与第二图像特征关联存储，生成图像特征库，这样在图像特征库的生成阶段，就可对哈希函数集进行训练学习，且当终端需要获取第二图像特征对应的第二哈希编码时，则直接从图像特征库中获取即可。
可选的，终端在获取得到第一哈希编码和第二哈希编码后，则进一步计算第一哈希编码与第二哈希编码之间的汉明距离。其中，汉明距离的计算公式为：
Figure BDA0002832239490000121
此处x和y都是n位的编码，
Figure BDA0002832239490000122
表示异或运算。
需要说明的是，汉明距离表示两个字符串(相同长度)对应位不同的数量；对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。
可选的，当终端确定第一哈希编码与第二哈希编码之间的汉明距离后，则进一步检测得到的汉明距离是否小于或等于预设阈值。其中，所述预设阈值用于衡量汉明距离的大小，可以根据实际情况需要设置，例如取值范围可为0-10；汉明距离越小，则第一哈希编码与第二哈希编码之间的匹配度越高，且汉明距离为0，则两者完全一致。
可选的，当终端检测到第一哈希编码与第二哈希编码之间的汉明距离小于或等于预设阈值时，则判定该第二哈希编码对应的第二图像特征与第一图像特征匹配；当终端检测到第一哈希编码与第二哈希编码之间的汉明距离大于预设阈值时，则判定该第二哈希编码对应的第二图像特征与第一图像特征不匹配。
应当理解的是，当存在多个满足预设条件的合规目标图像时，则会获取得到多个第二图像特征对应的第二哈希编码，此时则分别确定第一哈希编码与每个第二哈希编码之间的汉明距离，得到多个不同第二哈希编码对应的汉明距离。然后终端可以利用数组大小排序，从多个汉明编码中选出数值最小的汉明距离，再基于选出的汉明距离执行步骤S53，以利用所述汉明距离判断所述第二图像特征与所述第一图像特征是否匹配；若是，则判定选出的汉明距离对应的第二哈希编码所属的第二图像特征与第一图像特征匹配；若否，则判定选出的汉明距离对应的第二哈希编码所属的第二图像特征与第一图像特征不匹配。
这样，通过利用汉明距离实现第一图像特征与第二图像特征之间的匹配验证，可以提高图像特征配对的运算效率，进而提高了在巡检油气管道区域的过程中，识别油气管道区域内的目标图像中是否存在违规目标的效率。
在一实施例中，在上述实施例基础上，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
步骤S80、将所述目标图像输出至关联设备；
步骤S81、接收到所述关联设备针对所述目标图像反馈的肯定响应时，将所述目标图像更新为所述合规目标图像，并基于所述目标图像生成所述基准图像样本；或者，
步骤S82、接收到所述关联设备针对所述目标图像反馈的否定响应时，维持所述目标图像为所述异常目标图像的判定。
本实施例中，当终端判定目标图像为异常目标图像时，为了避免对新建的、尚未记录在库的合规建筑物的误判，可以将目标图像输出至相关负责监管、维护油气管道的工作人员的关联设备，从而转入人工审核流程，以供相关工作人员审核目标图像中的目标是否为异常目标。
可选的，当相关工作人员审核目标图像中的目标为合规目标时，则可以通过关联设备向终端发送针对目标图像进行反馈的肯定响应。当终端接收到所述关联设备针对所述目标图像反馈的肯定响应时，说明目标图像中的目标应为合规目标，则终端可将先前当前目标图像更新为合规目标图像，并基于所述目标图像生成基准图像样本，以及将新生成的基准图像样本输入到神经网络模型中，以对神经网络模型进行训练更新，使得神经网络模型可以新增合规目标图像的相关训练参数，当后续再对同一目标图像进行识别时，即可得到与该目标图像的第一图像特征匹配的第二图像特征，即不会再将其判定未异常目标图像，而且判定为合规目标图像。
可选的，当相关工作人员审核目标图像中的目标为异常目标(例如违规建筑)时，则可以通过关联设备向终端发送针对目标图像进行反馈的否定响应。当终端接收到所述关联设备针对所述目标图像反馈的否定响应时，说明目标图像中的目标确实是异常目标，则终端继续维持先前将该目标图像判定为异常目标图像的判定，即此时终端可以不作处理。
这样，只在识别出目标图像为非合规目标图像时，才转入人工辅助审核目标图像是否存在异常目标的流程，在一定程度上减少了人工审核目标图像中的目标是否为异常目标的成本，提高了识别油气管道区域内的违规目标的效率，同时还可以避免误判目标图像中存在异常目标的情况发生。
在一实施例中，在上述实施例基础上，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
步骤S90、根据所述异常目标图像生成告警信息，并输出所述告警信息。
本实施例中，当终端判定目标图像为异常目标图像时，则可以根据异常目标图像生成告警信息。其中，在告警信息中，终端可以进一步添加异常目标图像关联的第一位置，和/或添加该异常目标图像所属的航拍图像和航拍图像关联的位置信息。
进一步地，终端可以进一步确定相关执法机关(如公安部门、城管部门、负责油气管道维护的相关部门等)的信息接收端，并将告警信息输出至信息接收端，以提示相关执法机关及时处理油气管道附近的违规、违章、违建建筑物，及早避免因油气管道遭到损害，而造成人员、经济、环境的损失。
参照图2，本申请实施例中还提供一种基于目标匹配的油气管道巡检装置10，包括：
采集模块11，用于利用无人机采集油气管道区域内的航拍图像；
处理模块12，用于从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
特征提取模块13，用于利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
检测模块14，用于根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
判断模块15，用于判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
第一判定模块16，用于若是，则判定所述目标图像为所述合规目标图像；
第二判定模块17，用于若否，则判定所述目标图像为异常目标图像。
在一实施例中，在上述实施例基础上，所述基于目标匹配的油气管道巡检装置的判断模块包括：
获取单元，用于获取所述第一图像特征的第一哈希编码，以及获取检测得到的所述合规目标图像对应的第二图像特征的第二哈希编码；
确定单元，用于确定所述第一哈希编码与所述第二哈希编码之间的汉明距离；
判断单元，用于利用所述汉明距离判断所述第二图像特征与所述第一图像特征是否匹配。
进一步地，所述判断单元还用于判断所述汉明距离是否小于或等于预设阈值；若是，则判定所述第二图像特征与所述第一图像特征匹配；若否，则判定所述第二图像特征与所述第一图像特征不匹配。
进一步地，所述神经网络模型基于Mask RCNN网络构建；所述处理模块，还用于将所述航拍图像输入到所述神经网络模型中，以利用所述Mask RCNN网络从所述航拍图像中提取目标图像；其中，所述Mask RCNN网络还用于提取所述第一图像特征和所述第二图像特征。
进一步地，所述预设条件为以下任一个：所述第二位置位于基于所述第一位置构建的预设区域范围内；所述第二位置与所述第一位置之间的距离小于或等于预设距离。
进一步地，所述基于目标匹配的油气管道巡检装置还包括：
第三判定模块，用于当未检测到满足所述预设条件的所述合规目标图像时，判定所述目标图像为异常目标图像。
进一步地，所述基于目标匹配的油气管道巡检装置还包括：
输出模块，用于将所述目标图像输出至关联设备；
第一接收模块，用于接收到所述关联设备针对所述目标图像反馈的肯定响应时，将所述目标图像更新为所述合规目标图像，并基于所述目标图像生成所述基准图像样本；或者，
第二接收模块，用于接收到所述关联设备针对所述目标图像反馈的否定响应时，维持所述目标图像为所述异常目标图像的判定。
进一步地，所述基于目标匹配的油气管道巡检装置还包括：
告警模块，用于根据所述异常目标图像生成告警信息，并输出所述告警信息。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于基于目标匹配的油气管道巡检程序。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于目标匹配的油气管道巡检方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质包括基于目标匹配的油气管道巡检程序，所述基于目标匹配的油气管道巡检程序被处理器执行时实现如以上实施例所述的基于目标匹配的油气管道巡检方法的步骤。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的基于目标匹配的油气管道巡检方法、基于目标匹配的油气管道巡检装置、计算机设备和存储介质，利用人工智能和目标检测技术，自动对无人机采集到的油气管道区域内的图像进行图像识别和特征提取，得到图像中的目标建筑物，并采用与目标建筑物位置相近的合规建筑物对应的图像特征，与目标建筑物对应的图像特征进行特征匹配，基于此判断目标建筑物是否为合规建筑物，且若否则为违规建筑物，从而提高了在巡检油气管道区域的过程中，识别油气管道区域内的违规目标的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于目标匹配的油气管道巡检方法，其特征在于，包括：
利用无人机采集油气管道区域内的航拍图像；
从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
若是，则判定所述目标图像为所述合规目标图像；
若否，则判定所述目标图像为异常目标图像。
2.如权利要求1所述的基于目标匹配的油气管道巡检方法，其特征在于，所述判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配的步骤包括：
获取所述第一图像特征的第一哈希编码，以及获取检测得到的所述合规目标图像对应的第二图像特征的第二哈希编码；
确定所述第一哈希编码与所述第二哈希编码之间的汉明距离；
利用所述汉明距离判断所述第二图像特征与所述第一图像特征是否匹配。
3.如权利要求1所述的基于目标匹配的油气管道巡检方法，其特征在于，所述神经网络模型基于Mask RCNN网络构建；所述从所述航拍图像中提取目标图像的步骤包括：
将所述航拍图像输入到所述神经网络模型中，以利用所述Mask RCNN网络从所述航拍图像中提取目标图像；
其中，所述Mask RCNN网络还用于提取所述第一图像特征和所述第二图像特征。
4.如权利要求1-3中任一项所述的基于目标匹配的油气管道巡检方法，其特征在于，所述预设条件为以下任一个：
所述第二位置位于基于所述第一位置构建的预设区域范围内；
所述第二位置与所述第一位置之间的距离小于或等于预设距离。
5.如权利要求4所述的基于目标匹配的油气管道巡检方法，其特征在于，所述从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置的步骤之后，还包括：
当未检测到满足所述预设条件的所述合规目标图像时，判定所述目标图像为异常目标图像。
6.如权利要求1所述的基于目标匹配的油气管道巡检方法，其特征在于，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
将所述目标图像输出至关联设备；
接收到所述关联设备针对所述目标图像反馈的肯定响应时，将所述目标图像更新为所述合规目标图像，并基于所述目标图像生成所述基准图像样本；或者，
接收到所述关联设备针对所述目标图像反馈的否定响应时，维持所述目标图像为所述异常目标图像的判定。
7.如权利要求1所述的基于目标匹配的油气管道巡检方法，其特征在于，所述判定所述目标图像为异常目标图像的步骤之后，还包括：
根据所述异常目标图像生成告警信息，并输出所述告警信息。
8.一种基于目标匹配的油气管道巡检装置，其特征在于，包括：
采集模块，用于利用无人机采集油气管道区域内的航拍图像；
处理模块，用于从所述航拍图像中提取目标图像，并确定所述目标图像中的目标对应的第一位置；
特征提取模块，用于利用神经网络模型对所述目标图像进行图像特征提取，得到第一图像特征，其中，所述神经网络模型预先基于多个基准图像样本训练得到，所述基准图像样本标注有合规目标图像；所述神经网络模型在训练的过程中对所述合规目标图像进行图像特征提取，得到第二图像特征；
检测模块，用于根据所述合规目标图像中的合规目标对应的第二位置和所述第一位置，检测满足预设条件的合规目标图像；
判断模块，用于判断检测得到的所述合规目标图像对应的第二图像特征是否与所述第一图像特征匹配；
第一判定模块，用于若是，则判定所述目标图像为所述合规目标图像；
第二判定模块，用于若否，则判定所述目标图像为异常目标图像。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于目标匹配的油气管道巡检程序，所述基于目标匹配的油气管道巡检程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于目标匹配的油气管道巡检方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于目标匹配的油气管道巡检程序，所述基于目标匹配的油气管道巡检程序被处理器执行时实现如权利要求1至7中任一项所述的基于目标匹配的油气管道巡检方法的步骤。
CN202011461277.6A 2020-12-11 2020-12-11 基于目标匹配的油气管道巡检方法、装置、设备及介质 Active CN112529012B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011461277.6A CN112529012B (zh) 2020-12-11 2020-12-11 基于目标匹配的油气管道巡检方法、装置、设备及介质
PCT/CN2021/084540 WO2022121186A1 (zh) 2020-12-11 2021-03-31 基于目标匹配的油气管道巡检方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011461277.6A CN112529012B (zh) 2020-12-11 2020-12-11 基于目标匹配的油气管道巡检方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112529012A true CN112529012A (zh) 2021-03-19
CN112529012B CN112529012B (zh) 2024-05-07

Family

ID=74999246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011461277.6A Active CN112529012B (zh) 2020-12-11 2020-12-11 基于目标匹配的油气管道巡检方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN112529012B (zh)
WO (1) WO2022121186A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283382A (zh) * 2021-06-15 2021-08-20 合肥工业大学 一种井下管道泄漏场景描述方法和装置
CN113688758A (zh) * 2021-08-31 2021-11-23 重庆科技学院 基于边缘计算的输气管道高后果区智能识别系统
WO2022121186A1 (zh) * 2020-12-11 2022-06-16 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
CN116101275A (zh) * 2023-04-12 2023-05-12 禾多科技（北京）有限公司 一种基于自动驾驶的避障方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512098B (zh) * 2022-09-26 2023-09-01 重庆大学 一种桥梁电子化巡检系统及巡检方法
CN115797619B (zh) * 2023-02-10 2023-05-16 南京天创电子技术有限公司 一种适用于巡检机器人仪表图像定位的纠偏方法
CN116091719B (zh) * 2023-03-06 2023-06-20 山东建筑大学 一种基于物联网的河道数据管理方法及系统
CN117201845A (zh) * 2023-09-15 2023-12-08 海看网络科技(山东)股份有限公司 基于帧比对的直播节目首播和重播内容一致性监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200151538A1 (en) * 2018-11-13 2020-05-14 International Business Machines Corporation Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729842A (zh) * 2017-10-18 2018-02-23 中国石油大学(北京) 基于机器视觉的油气管道第三方破坏危险识别方法、装置及系统
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
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
CN111257507B (zh) * 2020-01-16 2023-06-27 清华大学合肥公共安全研究院 一种基于无人机的气体浓度检测及事故预警系统
CN111339858B (zh) * 2020-02-17 2022-07-29 电子科技大学 一种基于神经网络的油气管道标志物识别方法
CN111563423A (zh) * 2020-04-17 2020-08-21 西北工业大学 基于深度去噪自动编码器的无人机图像目标检测方法及系统
CN111539362A (zh) * 2020-04-28 2020-08-14 西北工业大学 一种无人机图像目标检测装置及方法
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200151538A1 (en) * 2018-11-13 2020-05-14 International Business Machines Corporation Automatic feature extraction from aerial images for test pattern sampling and pattern coverage inspection for lithography

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022121186A1 (zh) * 2020-12-11 2022-06-16 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
CN113283382A (zh) * 2021-06-15 2021-08-20 合肥工业大学 一种井下管道泄漏场景描述方法和装置
CN113688758A (zh) * 2021-08-31 2021-11-23 重庆科技学院 基于边缘计算的输气管道高后果区智能识别系统
CN113688758B (zh) * 2021-08-31 2023-05-30 重庆科技学院 基于边缘计算的输气管道高后果区智能识别系统
CN116101275A (zh) * 2023-04-12 2023-05-12 禾多科技（北京）有限公司 一种基于自动驾驶的避障方法及系统

Also Published As

Publication number Publication date
WO2022121186A1 (zh) 2022-06-16
CN112529012B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN112529012B (zh) 基于目标匹配的油气管道巡检方法、装置、设备及介质
WO2023287276A1 (en) Geographic data processing methods and systems for detecting encroachment by objects into a geographic corridor
US20210303899A1 (en) Systems and methods for automatic recognition of vehicle information
CN110717449A (zh) 车辆年检人员的行为检测方法、装置和计算机设备
JP2017102672A (ja) 地理位置情報特定システム及び地理位置情報特定方法
US11670098B2 (en) Systems and methods for automatic recognition of vehicle information
CN112309126A (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN111178203B (zh) 签名审核方法、装置、计算机设备和存储介质
WO2018042208A1 (en) Street asset mapping
Wang et al. Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation
CN112668637B (zh) 网络模型的训练方法、识别方法、装置及电子设备
CN114663760A (zh) 模型训练的方法、目标检测方法、存储介质及计算设备
CN113989632A (zh) 一种遥感图像桥梁检测方法、装置、电子设备及存储介质
CN113361341A (zh) 行李再识别方法、装置、设备及可读存储介质
Mostfa et al. Design and implementation of vehicles identification and tracking system
CN112052824A (zh) 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、系统及存储介质
CN116883755B (zh) 一种乡村建设环境监测方法、系统、设备及存储介质
CN117341781B (zh) 轨道交通故障处理方法、装置、计算机设备及存储介质
CN112836683B (zh) 用于便携式摄像设备的车牌识别方法、装置、设备和介质
CN117315581A (zh) 机场站坪安全管理方法、装置、设备以及计算机存储介质
CN117372866A (zh) 处理方法、装置、电子设备及存储介质
CN116740599A (zh) 目标人员管理方法和装置
CN114897581A (zh) 租赁设备的查勘方法、装置、计算机设备及存储介质
CN116912814A (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN116311097A (zh) 危化品运输车辆异常行为检测方法、系统、终端及介质

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