CN113780237A - 一种地下管线的防外力破坏预警方法、装置及系统 - Google Patents
一种地下管线的防外力破坏预警方法、装置及系统 Download PDFInfo
- Publication number
- CN113780237A CN113780237A CN202111132765.7A CN202111132765A CN113780237A CN 113780237 A CN113780237 A CN 113780237A CN 202111132765 A CN202111132765 A CN 202111132765A CN 113780237 A CN113780237 A CN 113780237A
- Authority
- CN
- China
- Prior art keywords
- early warning
- video information
- underground pipeline
- dangerous equipment
- predicted value
- 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.)
- Pending
Links
- 230000006378 damage Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002265 prevention Effects 0.000 title claims description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 231100001261 hazardous Toxicity 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 2
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种地下管线的防外力破坏预警方法、装置及系统。该方法包括：获取地下管线所在环境的视频信息；将所述视频信息以视频流的方式输入已训练好的深度学习模型，利用深度学习模型识别所述视频信息中是否包含危险设备，并在识别到所述视频信息中包含危险设备时输出预测值；将所述预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号。本发明能够及时有效地判断是否有会给地下管线带来可能外力破坏的危险设备进入地下管线所在环境，以便工作人员能够及时采取措施阻止可能的破坏行为，从而保护地下管线。
Description
技术领域
本发明涉及地下管线保护技术领域，具体涉及一种地下管线的防外力破坏预警方法、装置及系统。
背景技术
埋藏于地下的管道和线缆最大的威胁来自于外力的破坏。电业局的数据统计资料显示，在所有的电缆故障中，由外力破坏引发的故障占到90％以上。特别是在施工过程中，由于野蛮施工挖断了地下的电缆，是造成电缆故障的重要原因。
为了保护地下电缆，进行有效的监控，对于准确获知破坏源以及及时采取有效的措施，是非常有必要的。目前采用的监控方式主要包括：1)设立标桩：在电缆上设立标桩，进行警示，提醒施工行为，避免野蛮施工产生的人为破坏；2)人工巡检：安排工作人员对电缆定期进行巡视，发现被破坏的电缆，及时反馈；3)摄像头监控：在电缆附近安装摄像头，如果发生破坏行为，调取摄像记录。
然而，这些监控方式均不能为及时判断电缆破坏源提供有效可靠的依据，也就无法在可能发生破坏时及时预警以便工作人员能够有效地制止破坏，因此并不能很好地保护电缆。例如，设立标桩只能起到警示作用；人工巡检只能判断是否产生了破坏，无法获知破坏来源，也无法产生预警；通过摄像头进行监控，虽然能够留下摄像记录，但不能及时发现问题并提供预警以尽可能避免破坏的发生。
因此，如何对可能的破坏行为进行有效的监管以便及时可靠地保护地下管线，是亟需解决的问题。
发明内容
本发明实施例所要解决的技术问题在于，提供一种地下管线的防外力破坏预警方法、装置及系统，能够及时有效地判断是否有会给地下管线带来可能外力破坏的危险设备进入地下管线所在环境并产生预警。
为解决上述技术问题，本发明实施例提供一种地下管线的防外力破坏预警方法，包括：
步骤S11，获取地下管线所在环境的视频信息；
步骤S12，将所述视频信息以视频流的方式输入已训练好的深度学习模型，利用所述深度学习模型识别所述视频信息中是否包含危险设备，并在识别到所述视频信息中包含危险设备时输出预测值，所述预测值用于表示危险设备出现的概率；
步骤S13，将所述预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
较佳地，所述深度学习模型是基于YOLO v4的危险设备检测识别模型，用于利用抽帧法或逐帧法对所述视频信息中的图像数据进行目标检测。
较佳地，所述方法进一步包括预先构建并训练所述深度学习模型的步骤，具体包括：
步骤S21，建立危险设备的图像数据集，并将所述图像数据集划分为训练集、验证集以及测试集；
步骤S22，对所述图像数据集进行图像预处理，以提取特征并生成特征图；
步骤S23，构建基于YOLO v4的危险设备检测识别模型；
步骤S24，将生成所述特征图的所述图像数据集输入所述危险设备检测识别模型，对所述危险设备检测识别模型进行训练、验证以及测试；
步骤S25，输出训练好的危险设备检测识别模型，作为所述深度学习模型。
较佳地，所述步骤S21中进一步包括建立危险设备的图像数据集的步骤，具体包括：
收集危险设备的初始图像数据集；
对所述初始图像数据集进行清洗、归一化和标注，获得包括样本和标签的所述危险设备的图像数据集。
较佳地，所述步骤S22中进一步包括：采用随机核卷积极限学习器作为特征提取网络，对所述图像数据集中的每一帧图像进行特征提取处理并生成特征图。
较佳地，所述步骤S13中进一步包括：将所述预测值与预先设定的预警阈值进行比较，在所述预测值大于或等于所述预警阈值时发出所述预警信号，以提示地下管线所在环境中出现危险设备的概率。
较佳地，所述方法在所述步骤S11之前进一步包括：设置所述预警阈值；其中所述预警信号包括一级预警信号、二级预警信号、三级预警信号，所述预警阈值包括第一阈值、第二阈值、第三阈值，分别对应所述一级预警信号、所述二级预警信号、所述三级预警信号；
所述步骤S13中进一步包括，在所述预测值大于所述第一阈值时发出所述一级预警信号，在所述预测值小于所述第一阈值且大于或等于所述第二阈值时发出所述二级预警信号，在所述预测值小于所述第二阈值且大于或等于所述第三阈值时发出所述三级预警信号。
本发明实施例还提供一种地下管线的防外力破坏预警装置，包括：视频信息获取单元，用于获取地下管线所在环境的视频信息；深度学习模型单元，用于以视频流的方式接收所述视频信息，识别所述视频信息中是否包含危险设备，并在识别到所述视频信息中包含危险设备时输出预测值，所述预测值用于表示危险设备出现的概率；比较预警单元，用于将所述预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
本发明实施例还提供一种地下管线的防外力破坏预警系统，包括摄像设备以及服务器，所述摄像设备设置于地下管线所在环境中，用于周期旋转地获取所述地下管线所在环境的视频信息并将所获取的视频信息传送至所述服务器；所述服务器，用于接收所述视频信息，并执行上述防外力破坏预警方法的步骤。
较佳地，所述服务器是云服务器，所述视频信息是以视频流的方式通过5G网络传送至所述服务器。
实施本发明实施例，具有如下有益效果：本发明能够及时有效地判断是否有会给地下管线带来可能外力破坏的危险设备进入地下管线所在环境并发出预警信息，以便工作人员能够及时采取措施阻止可能的破坏行为，尽可能避免破坏的发生，从而保护地下管线，即便来不及阻止破坏发生，也可以第一时间采取措施，进行现场取证采样，为后续数据采集和判断提供依据；本发明能够对产生外力破坏的来源进行有效预测，减少人工参与，提高效率、准确率，降低人工成本；本发明能够节约资源，在未检测到破坏时降低能耗，在发生破坏时能及时检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例的地下管线的防外力破坏预警方法的流程图。
图2为本发明一实施例构建并训练深度学习模型的流程图。
图3为本发明一实施例所采用的随机核卷积极限学习器的网络结构示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
本发明实施例的地下管线的防外力破坏预警方法，是将深度学习技术应用于地下管线的所在环境监控中，通过深度学习模型对所采集的地下管线所在环境的视频信息进行目标检测，识别其中的危险设备，在判断有危险设备进入地下管线所在环境时发出预警信号，以提醒管理人员有危险设备进入地下管线所在环境。
本发明实施例中所涉及的危险设备，是指可能对地下管线造成破坏的设备，例如挖掘机等重型设备。
如图1所示，本发明实施例的地下管线的防外力破坏预警方法，首先，在步骤S11，获取地下管线所在环境的视频信息。其次，在步骤S12，将所获得的视频信息以视频流的方式输入已训练好的深度学习模型，利用深度学习模型识别视频信息中是否包含危险设备，并在识别到视频信息中包含危险设备时输出预测值，该预测值用于表示危险设备出现的概率。
为获取地下管线所在环境的视频信息，本发明实施例在地下管线所在环境设置摄像设备。作为一种实施方式，摄像设备可以通过电动云台设置于标桩上，该电动云台可以带动摄像设备周期性进行360度旋转，例如，每秒转动约4-6度，即每1-1.5分钟为一个周期进行360度旋转。如此，通过摄像设备可以获得地下管线所在环境的视频信息。该视频信息可以通过视频流的方式传送至部署有深度学习模型的服务器，以使服务器获取地下管线所在环境的视频信息。
本发明实施例的深度学习模型用于对视频信息进行目标检测，识别视频信息中是否包含危险设备，进而输出预测值，该预测值表示危险设备出现的概率，也就是说地下管线所在环境有危险设备进入的可能性。该深度学习模型设置于服务器，在本发明一实施例中，深度学习模型可以部署于云服务器，因此，本发明实施例还可以将通过摄像设备获得的视频信息以视频流的方式通过5G网络传送至部署有该深度学习模型的云服务器。
在本发明一实施例中，该深度学习模型是基于YOLO v4的危险设备检测识别模型，请参见图2，其构建和训练过程包括：
步骤S21，建立危险设备的图像数据集，并将图像数据集划分为训练集、验证集以及测试集。
建立危险设备的图像数据集，首先需收集危险设备的初始图像数据集，而后对初始图像数据集进行清洗、归一化和标注。
对初始图像数据集的清洗是为了保证数据集中数据的质量，去除异常的低质量的数据，包括：1)如果发现数据中有缺失项，判断是否可以补充，如果不能补充则删除该组数据，以确保数据的完整性；2)如果在数据统计中，发现两组数据完全一致，则判定数据重复，只保留其中一组数据，以确保数据的唯一性；3)确定所有数据的来源均为符合采样标准下取得数据，去除不符合标准的数据，以确保数据的权威性；4)通过对数据的粗略统计，发现与常识不符的异常数据，处于特定分布区域或范围之外的数据，将其判定为异常数据或噪声，删除不符合判定规则的数据，以确保数据的合法性；5)确保数据来源于统一的数据体系，比如量纲、单位、指标、纬度等，对数据进行规范化、离散化、稀疏化处理，以确保数据的一致性。
之后，对初始图像数据集中的数据进行归一化处理，使得初始图像数据集中的数据范围标准化为在整个数据集中保持一致。
对初始图像数据集的标注是为图像数据集添加标签，该标签用于标注图像中的危险设备以及危险设备的位置信息，具体包括危险设备的类别、中心位置(x,y)、高(h)和宽(w)。
经过上述数据处理之后，即建立起危险设备的图像数据集，其包括样本和标签。在建立了危险设备的图像数据集之后，将该图像数据集按照7：2：1的比例或者6：2：2的比例划分为训练集、验证集和测试集。其中，训练集用于训练模型，验证集用于验证模型，测试集则用于在最优选的模型上进行测试，以确保模型的准确。
步骤S22，对所建立的危险设备的图像数据集进行图像预处理，以提取特征并生成特征图。
本发明实施例采用随机核卷积极限学习器(RKCELM)作为特征提取网络对图像数据集中的每一帧图像进行特征提取处理并生成特征图。该随机核卷积极限学习器结合了卷积神经网络(CNN)和极速学习机自动编码器(ELM-AE)，旨在将复杂模型与快速模型结合起来，充分发挥各自的优势。因此，随机核卷积极限学习器具有卷积神经网络在特征提取方面的优点以及极速学习机(ELM)算法训练速度快的优点。
随机核卷积极限学习器的网络结构，主要包括随机卷积核、卷积层、ELM-AE层和组合池化层。请参见图3，本发明实施例通过随机核卷积极限学习器对图像数据集中的每一帧图像进行特征提取的过程包括：
在卷积层，利用K个随机卷积核对每一帧输入图像进行卷积运算，得到K幅卷积特征图，其中K个随机卷积核所共享的卷积核参数可以根据高斯分布随机生成，该步骤是使用随机卷积核通过与输入图像的局部连接来提取低级特征信息；
在ELM-AE层，利用ELM-AE在隐藏层和卷积特征图之间进行全连接，得到K幅ELM特征图，该步骤是通过编码和重构提取代表特征(图中所示L表示隐藏层节点数，W、b是每一隐藏层节点的参数，即权重和偏置，H表示隐藏层的输出，β是输出权重)；
在组合池化层，以组合节点的形式对ELM特征图进行平方根池化，得到池化后的特征图，如此使得RKCELM网络结构具有平移不变性(图中e是池化尺寸)。
如此，图像数据集中的每一帧图像均由随机核卷积极限学习器进行特征提取处理，生成特征图。
步骤S23，构建基于YOLO v4的危险设备检测识别模型。
作为一可选的实施方式，本发明实施例的危险设备检测识别模型采用Mish激活函数，如下，
Mish＝x*tanh(ln(1+e^x))
其作为一种自正则的非单调神经激活函数，允许更好的信息深入神经网络，从而得到更好的准确性和泛化。
作为一可选的实施方式，本发明实施例的危险设备检测识别模型采用的CIoU损失函数，如下：
其中ρ代表了两个中心点间的欧式距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离，α是权重函数，ν用来度量宽高比的一致性：
步骤S24，将生成特征图的所述图像数据集输入危险设备检测识别模型，对该危险设备检测识别模型进行训练、验证以及测试。
训练过程可以循环调用，每轮都包括前向计算、损失函数(优化目标)和后向传播三个步骤，如此反复直到训练完成。
步骤S25，输出训练好的危险设备检测识别模型，作为本发明实施例的深度学习模型。
将所获得的视频信息以视频流的方式输入该训练好的深度学习模型，深度学习模型可以利用抽帧法或逐帧法对视频信息中的图像数据进行目标检测，识别图像数据中是否包含危险设备，并在识别到图像数据中包含危险设备时输出预测值，该预测值即表示危险设备出现的概率。
当深度学习模型进行目标检测并输出预测值时，本发明实施例在步骤S13，将该预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。具体地，将预测值与预先设定的预警阈值进行比较，在预测值大于或等于预警阈值时发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
预警阈值是预先设定的，其可以在步骤S11之前进行设定，亦可以在部署深度学习模型之前即进行设定。而且，作为一种实施方式，预警阈值还可以分多个级别，分别表示下管线所在环境有危险设备出现的概率高低。举例来说，预警阈值可以包括第一阈值、第二阈值、第三阈值，分别对应一级预警信号、二级预警信号、三级预警信号，代表地下管线所在环境有危险设备出现的可能性为极高、较高、一般。如第一阈值、第二阈值、第三阈值可以分别为90、80、70，当深度学习模型输出的预测值大于或等于90时发出一级预警信号，提醒工作人员地下管线所在环境有危险设备出现的可能性极高；当深度学习模型输出的预测值小于90且大于或等于80时发出二级预警信号，提醒工作人员地下管线所在环境有危险设备出现的可能性较高；当深度学习模型输出的预测值小于80且大于或等于70时发出三级预警信号，提醒工作人员地下管线所在环境有危险设备出现的可能性一般。此外，一级预警信号、二级预警信号、三级预警信号还可以采用不同颜色展现，例如分别对应红色预警、橙色预警、黄色预警。
作为一种实施方式，预警信号可以包括由深度学习模型输出的、与预测值相应的现场图像。
工作人员在接收到预警信号时，可以及时采取措施阻止可能的破坏行为，从而尽可能避免破坏的发生，以保护地下管线。
本发明一实施例还相应地提供一种地下管线的防外力破坏预警装置，能够实现上述地下管线的防外力破坏预警方法，包括视频信息获取单元、深度学习模型单元以及比较预警单元。该视频信息获取单元用于获取地下管线所在环境的视频信息。该深度学习模型单元用于以视频流的方式接收所述视频信息，识别视频信息中是否包含危险设备，并在识别到视频信息中包含危险设备时输出预测值，该预测值用于表示危险设备出现的概率。该比较预警单元用于将预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
其中，深度学习模型单元可以采用基于YOLO v4的危险设备检测识别模型单元，用于利用抽帧法或逐帧法对视频信息中的图像数据进行目标检测。
进一步地，比较预警单元将预测值与预先设定的预警阈值进行比较，在预测值大于或等于预警阈值时发出预警信号，以提示地下管线所在环境中出现危险设备的概率。且该预警信号还可以包括由深度学习模型输出的、与预测值相应的现场图像。
本发明一实施例中还提供一种地下管线的防外力破坏预警系统，包括摄像设备以及服务器。该摄像设备设置于地下管线所在环境中，用于周期旋转地获取地下管线所在环境的视频信息并将所获取的视频信息传送至服务器。作为一种实施方式，该摄像设备可以通过电动云台设置于标桩上，该电动云台可以带动摄像设备周期性进行360度旋转以获取视频信息。服务器则用于接收摄像设备所传送的视频信息，并执行前述的防外力破坏预警方法的步骤。作为一种可选项，该服务器可以是云服务器，摄像设备以视频流的方式将视频信息通过5G网络传送至该云服务器。
通过上述说明可知，本发明实施例将深度学习技术应用于地下管线的所在环境监控中，例如电力行业的线缆、管道等部署环境中，通过摄像设备获取地下管线所在环境的视频信息，利用深度学习模型进行目标检测，判断是否有诸如挖掘机之类的危险设备进入不可作业区域，并输出该区域有危险设备进入的可能，并在可能性较高时发出预警信息，通知工作人员可能有危险设备进入地下管线所在环境，以便工作人员能够及时采取措施阻止可能的破坏行为，尽可能避免破坏的发生，从而保护地下管线，即便来不及阻止破坏发生，也可以第一时间采取措施，进行现场取证采样，为后续数据采集和判断提供依据。本发明实施例是采用基于计算机视觉的特殊设备识别，通过深度学习模型对地下管线所在环境的图像进行智能检测判断，以此判断是否有危险设备出现，故能够对产生破坏的来源进行有效预测，减少人工参与，提高效率、准确率，降低人工成本。而且，本发明能够节约资源，在未检测到破坏时降低能耗，在发生破坏时能及时检测。
与现有技术相比，本发明的有益效果在于：本发明能够及时有效地判断是否有会给地下管线带来可能外力破坏的危险设备进入地下管线所在环境并发出预警信息，以便工作人员能够及时采取措施阻止可能的破坏行为，尽可能避免破坏的发生，从而保护地下管线，即便来不及阻止破坏发生，也可以第一时间采取措施，进行现场取证采样，为后续数据采集和判断提供依据；本发明能够对产生外力破坏的来源进行有效预测，减少人工参与，提高效率、准确率，降低人工成本；本发明能够节约资源，在未检测到破坏时降低能耗，在发生破坏时能及时检测。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种地下管线的防外力破坏预警方法，其特征在于，包括：
步骤S11，获取地下管线所在环境的视频信息；
步骤S12，将所述视频信息以视频流的方式输入已训练好的深度学习模型，利用所述深度学习模型识别所述视频信息中是否包含危险设备，并在识别到所述视频信息中包含危险设备时输出预测值，所述预测值用于表示危险设备出现的概率；
步骤S13，将所述预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
2.根据权利要求1所述的方法，其特征在于，所述深度学习模型是基于YOLO v4的危险设备检测识别模型，用于利用抽帧法或逐帧法对所述视频信息中的图像数据进行目标检测。
3.根据权利要求2所述的方法，其特征在于，进一步包括预先构建并训练所述深度学习模型的步骤，具体包括：
步骤S21，建立危险设备的图像数据集，并将所述图像数据集划分为训练集、验证集以及测试集；
步骤S22，对所述图像数据集进行图像预处理，以提取特征并生成特征图；
步骤S23，构建基于YOLO v4的危险设备检测识别模型；
步骤S24，将生成所述特征图的所述图像数据集输入所述危险设备检测识别模型，对所述危险设备检测识别模型进行训练、验证以及测试；
步骤S25，输出训练好的危险设备检测识别模型，作为所述深度学习模型。
4.根据权利要求3所述的方法，其特征在于，所述步骤S21中进一步包括建立危险设备的图像数据集的步骤，具体包括：
收集危险设备的初始图像数据集；
对所述初始图像数据集进行清洗、归一化和标注，获得包括样本和标签的所述危险设备的图像数据集。
5.根据权利要求3所述的方法，其特征在于，所述步骤S22中进一步包括：
采用随机核卷积极限学习器作为特征提取网络，对所述图像数据集中的每一帧图像进行特征提取处理并生成特征图。
6.根据权利要求1所述的方法，其特征在于，所述步骤S13中进一步包括：
将所述预测值与预先设定的预警阈值进行比较，在所述预测值大于或等于所述预警阈值时发出所述预警信号，以提示地下管线所在环境中出现危险设备的概率。
7.根据权利要求1所述的方法，其特征在于，所述方法在所述步骤S11之前进一步包括：设置所述预警阈值；其中所述预警信号包括一级预警信号、二级预警信号、三级预警信号，所述预警阈值包括第一阈值、第二阈值、第三阈值，分别对应所述一级预警信号、所述二级预警信号、所述三级预警信号；
所述步骤S13中进一步包括，在所述预测值大于所述第一阈值时发出所述一级预警信号，在所述预测值小于所述第一阈值且大于或等于所述第二阈值时发出所述二级预警信号，在所述预测值小于所述第二阈值且大于或等于所述第三阈值时发出所述三级预警信号。
8.一种地下管线的防外力破坏预警装置，其特征在于，包括：
视频信息获取单元，用于获取地下管线所在环境的视频信息；
深度学习模型单元，用于以视频流的方式接收所述视频信息，识别所述视频信息中是否包含危险设备，并在识别到所述视频信息中包含危险设备时输出预测值，所述预测值用于表示危险设备出现的概率；
比较预警单元，用于将所述预测值与预先设定的预警阈值进行比较，并根据比较结果发出预警信号，以提示地下管线所在环境中出现危险设备的概率。
9.一种地下管线的防外力破坏预警系统，其特征在于，包括摄像设备以及服务器，
所述摄像设备，设置于地下管线所在环境中，用于周期旋转地获取所述地下管线所在环境的视频信息并将所获取的视频信息传送至所述服务器；
所述服务器，用于接收所述视频信息，并执行权利要求1-7中任一项权利要求所述的防外力破坏预警方法的步骤。
10.根据权利要求9所述的系统，其特征在于，所述服务器是云服务器，所述视频信息是以视频流的方式通过5G网络传送至所述服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111132765.7A CN113780237A (zh) | 2021-09-27 | 2021-09-27 | 一种地下管线的防外力破坏预警方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111132765.7A CN113780237A (zh) | 2021-09-27 | 2021-09-27 | 一种地下管线的防外力破坏预警方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113780237A true CN113780237A (zh) | 2021-12-10 |
Family
ID=78853647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111132765.7A Pending CN113780237A (zh) | 2021-09-27 | 2021-09-27 | 一种地下管线的防外力破坏预警方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780237A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116052275A (zh) * | 2023-01-28 | 2023-05-02 | 北京安录国际技术有限公司 | 基于大数据的异常行为检测方法以及系统 |
| US20230392757A1 (en) * | 2023-07-19 | 2023-12-07 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for assessing pipeline failures based on smart gas internet of things |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别系统与方法 |
| CN110553151A (zh) * | 2019-07-17 | 2019-12-10 | 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 |
| CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
| CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
-
2021
- 2021-09-27 CN CN202111132765.7A patent/CN113780237A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109385A (zh) * | 2018-01-18 | 2018-06-01 | 南京杰迈视讯科技有限公司 | 一种输电线防外破的车辆识别与危险行为判别系统与方法 |
| CN110553151A (zh) * | 2019-07-17 | 2019-12-10 | 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 |
| CN111639526A (zh) * | 2020-04-22 | 2020-09-08 | 云南电网有限责任公司昭通供电局 | 一种基于深度学习的输电线路目标检测与监控方法 |
| CN111881970A (zh) * | 2020-07-23 | 2020-11-03 | 国网天津市电力公司 | 一种基于深度学习的外破图像智能识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116052275A (zh) * | 2023-01-28 | 2023-05-02 | 北京安录国际技术有限公司 | 基于大数据的异常行为检测方法以及系统 |
| US20230392757A1 (en) * | 2023-07-19 | 2023-12-07 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for assessing pipeline failures based on smart gas internet of things |
| US12044364B2 (en) * | 2023-07-19 | 2024-07-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for assessing pipeline failures based on smart gas internet of things |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113780237A (zh) | 一种地下管线的防外力破坏预警方法、装置及系统 | |
| CN112069912B (zh) | 一种基于φ-otdr的光缆通道施工威胁事件的识别方法 | |
| KR102311558B1 (ko) | 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
| CN111507310A (zh) | 一种基于φ-otdr的光缆通道内人为触缆作业信号识别方法 | |
| CN116245412A (zh) | 一种建筑工程现场安全监测管理系统 | |
| CN104964736B (zh) | 基于时频特性最大期望分类的光纤入侵振源识别方法 | |
| CN118211493A (zh) | 基于量子计算的变电站数字孪生模型构建方法 | |
| CN117314157A (zh) | 一种矿山边坡稳定性的安全评估方法、装置、介质及设备 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| Ramlal et al. | Toward automated utility pole condition monitoring: A deep learning approach | |
| CN115272898A (zh) | 基于管网无人机巡检视频的识别方法、装置、介质和设备 | |
| CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 | |
| CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、系统及存储介质 | |
| CN111950343B (zh) | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 | |
| CN111079642B (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
| CN112529881A (zh) | 一种电力控制柜线缆异常识别方法及装置 | |
| CN118197027B (zh) | 一种基于管道预警的无人机调度查验方法以及相关装置 | |
| CN112071009A (zh) | 光纤管道预警系统及其方法 | |
| CN114722130B (zh) | 一种基于gis系统的数字海洋海底电缆状态监控方法 | |
| CN118413265B (zh) | 一种卫星在线状态监测系统及方法 | |
| CN118365475B (zh) | 一种光伏电厂智能监控方法和装置 | |
| CN118172611A (zh) | 输电线路的隐患检测方法、隐患检测模型构建方法及设备 | |
| CN116626448B (zh) | 一种基于云平台的光缆防外破监测系统 |
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 |