CN114036971B - 油罐信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
油罐信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114036971B CN114036971B CN202111366218.5A CN202111366218A CN114036971B CN 114036971 B CN114036971 B CN 114036971B CN 202111366218 A CN202111366218 A CN 202111366218A CN 114036971 B CN114036971 B CN 114036971B
- Authority
- CN
- China
- Prior art keywords
- information
- image
- tank
- oil tank
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 56
- 230000007547 defect Effects 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了油罐信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标遥感图像序列，其中，目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；对目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；对油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列；根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息。该实施方式提高了油罐信息的生成效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及油罐信息生成方法、装置、电子设备和计算机可读介质。
背景技术
石油作为当今世界重要的能源之一，对于人类社会的发展具有重要意义。储油罐作为主要的石油储存装置，因此，生成储油罐对应的油罐信息，在例如，军事领域等诸多领域具有重大意义。目前，在生成油罐信息时，通常的方式是通过人工判读遥感图像，以确定储油罐位置，进而生成油罐信息。
然而，当采用上述方式时，经常会存在如下技术问题：
第一、通过人工判读的方式，难以快速地处理海量的遥感数据，因此，生成油罐信息的效率极低；
第二、当储油罐中内存储有大量的石油时，罐内压力往往较大，当罐壁出现缺陷时，可能会造成罐体破裂，进而造成石油泄漏，从而造成资源的浪费。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了油罐信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种油罐信息生成方法，该方法包括：获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列；根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和上述油罐图像，确定上述目标油罐的油罐信息。
第二方面，本公开的一些实施例提供了一种油罐信息生成装置，装置包括：获取单元，被配置成获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；油罐识别处理单元，被配置成对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；阴影识别处理单元，被配置成对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列；确定单元，被配置成根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和上述油罐图像，确定上述目标油罐的油罐信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐信息生成方法，提高了油罐信息的生成效率，具体来说，造成油罐信息生成效率极低的原因在于：通过人工判读遥感图像，以确定储油罐的位置，进而生成油罐信息的方式，难以快速地处理海量的遥感数据。基于此，本公开的一些实施例的油罐信息生成方法，首先，获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像。实际情况中，由于采用遥感图像采集设备（如，遥感卫星）采集遥感图像时，易受到天气的影响（如，云层遮蔽），因此，采集针对不同时刻的多张遥感图像，能够提高后续的油罐信息生成的准确率和成功率。其次，对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列。此外，由于遥感图像采集设备往往是在高空中采集遥感图像，使得遥感图像中往往包含大量的非油罐图像的信息，因此，通过进行油罐识别，以确定遥感图像上包含的油罐图像，能够实现对非油罐图像的剔除，减少后续的数据处理量。然后，对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列。最后，根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和上述油罐图像，确定上述目标油罐的油罐信息。由于遥感图像采集设备距地高度往往较高，使得油罐图像在采集的遥感图像中的比例较小，因此采用油罐阴影信息，辅助生成油罐信息的方式，能够大大提高油罐信息生成的准确率。此外，通过上述处理步骤，实现了油罐信息的自动化生成，相比于人工判读的方式，油罐信息的生成效率大大提高。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的油罐信息生成方法的一个应用场景的示意图；
图2是根据本公开的油罐信息生成方法的一些实施例的流程图；
图3是目标遥感图像和油罐图像的示意图；
图4是根据本公开的油罐信息生成方法的另一些实施例的流程图；
图5是根据本公开的油罐信息生成装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的油罐信息生成方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以获取目标遥感图像序列102，其中，上述目标遥感图像序列102中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；其次，计算设备101可以对上述目标遥感图像序列102中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列103；然后，计算设备101可以对上述油罐图像序列103中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列104；最后，计算设备101可以根据上述油罐图像序列103中的油罐图像对应的油罐阴影信息和油罐图像，确定上述目标油罐的油罐信息105。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的油罐信息生成方法的一些实施例的流程200。该油罐信息生成方法，包括以下步骤：
步骤201，获取目标遥感图像序列。
在一些实施例中，油罐信息生成方法的执行主体（例如图1所示的计算设备101）可以通过有线连接或无线连接的方式获取上述目标遥感图像序列。其中，上述目标遥感图像序列中的目标遥感图像可以是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像。上述遥感图像采集设备可以是用于采集遥感图像的设备。例如，上述遥感图像采集设备可以是遥感卫星。又如，上述遥感图像采集设备可以是具有遥感图像采集功能的无人机。上述目标油罐可以是目标区域内的一个储油罐。例如，上述目标区域可以是石油开采区域。又如，上述目标区域可以是石油存储区域。
作为示例，上述执行主体可以通过无线连接的方式，与上述遥感图像采集设备进行无线通信，以获取上述遥感图像采集设备采集的上述目标遥感图像序列。
作为又一示例，上述执行主体可以通过有线连接或无线连接的方式，从目标数据库中获取上述目标遥感图像序列。其中，上述目标数据库可以是用于存储上述遥感图像采集设备采集的遥感图像的数据库。
步骤202，对目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列。
在一些实施例中，上述执行主体可以通过预先训练的目标检测模型，对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到上述油罐图像序列。其中，油罐图像可以是从油罐图像对应的目标遥感图像中提取的，包含有上述目标油罐的图像。上述目标检测模型可以是用于从目标遥感图像中识别和提取上述目标油罐的模型。例如，上述目标检测模型可以是但不限于以下任意一项：YOLOV2（You Only LookOnce Version2，实时检测）模型和STDN（Scale-Transferrable Detection Network，可规模传输的检测网络）模型。
步骤203，对油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列。
在一些实施例中，上述执行主体可以通过预先训练的阴影检测模型，对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列。其中，油罐阴影信息可以用于表征对应的油罐图像包含的阴影区域。上述阴影检测模型可以是用于从油罐图像中识别和提取阴影区域，以生成油罐阴影信息的模型。例如，上述阴影检测模型可以是但不限于以下任意一项：RetinaNet模型，MLKP（Multi-scale Location-aware Kernel Representation for Object Detection，用于物体检测的多尺度位置感知核）模型。
作为示例，如图3所示的目标遥感图像和油罐图像的示意图。其中，图3示出了目标遥感图像301、油罐图像302和油罐图像302包含的阴影区域303。
步骤204，根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息。
在一些实施例中，上述执行主体可以根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定上述目标油罐的油罐信息。其中，上述油罐信息可以表征上述目标油罐的状态，规格和位置。
作为示例，上述执行主体可以将油罐图像和油罐图像对应的油罐阴影信息，输入预先训练的油罐信息确定模型，以确定上述目标有关的尺寸。上述油罐信息确定模型可以通过目标训练集训练得到。上述目标训练集可以通过以下步骤生成：
第一步，获取同一光学传感器，不同拍摄角度拍摄的多张无云遥感图像。
其中，上述多张无云遥感图像中的无云遥感图像为不包含云层的遥感图像。
第二步，将得到的多张无云遥感图像中的无云遥感图像进行图像切分，以生成子图像集合。
其中，上述子图像集合中的子图像的尺寸可以为512像素×512像素。
第三步，对上述子图像集合中的每个子图像进行标注，以标注子图像包含的油罐对应的最小外接矩形、和子图像包含的第一圆径、第二圆径和第三圆径，进而生成训练样本，得到候选样本集合。
其中，第一圆径可以是子图像包含的油罐阴影所在的圆的圆周。第二圆径可以是子图像包含的油罐的油罐顶部所在的圆的圆周。第三圆径可以是子图像包含的油罐的油罐顶部投影到油罐阴影的圆的圆周。上述候选样本集合中的候选样本可以包含：油罐编号，油罐左上角像素点的坐标，油罐对应的最小外接矩形的长度和宽度，第一圆径的圆心坐标，第二圆径的圆心坐标和第三圆径的圆心坐标。第一圆径、第二圆径和第三圆径的对应的圆的半径一致。
第四步，将训练样本集合划分为训练样本集合和测试样本集合。
其中，上述训练样本集合中的训练样本的数量和上述测试样本集合中的测试样本的数量的比例可以是3:1。
上述油罐信息确定模型可以包括第一子模型和第二子模型。例如，上述第一子模型可以是ResNet模型。上述第一子模型包含的卷积层的参数可以是：卷积核大小（KernelSize）：3；填充（Pad）：1；步长（Stride）：1。上述第一子模型包含的池化层参数为：卷积核大小（Kernel Size）：2；填充（Pad）：0；步长（Stride）：2。例如，上述第二子网络模型可以是：RPN（RegionProposal Network，区域生成网络）模型。上述第二子网络模型的输入通道数可以是：256。上述第二子网络模型的特征词通道数可以是：256。上述第二子网络模型的参考框（Anchor）的生成步长可以是[4，8，16，32]。上述油罐信息确定模型的训练次数可以是1200 epoch。上述油罐信息确定模型的验证迭代次数可以是50次。上述油罐信息确定模型的网络学习率可以是2e-4。上述油罐信息确定模型的损失函数可以如下式：
其中，
表示损失值。
表示第一权重。
表示第二权重。
表示第三权重。
表示第四权重。
表示交叉熵损失函数。
表示L1范式损失函数。
表示感兴趣框损失函数（如，IOU Loss）。
的表达式如下：
其中，
是第一圆径的圆心坐标中的横坐标。
是第一圆径的圆心坐标中的纵坐标。
是第二圆径的圆心坐标中的横坐标。
是第二圆径的圆心坐标中的纵坐标。
是第三圆径的圆心坐标中的横坐标。
是第三圆径的圆心坐标中的纵坐标。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的油罐信息生成方法，提高了油罐信息的生成效率，具体来说，造成油罐信息生成效率极低的原因在于：通过人工判读遥感图像，以确定储油罐的位置，进而生成油罐信息的方式，难以快速地处理海量的遥感数据。基于此，本公开的一些实施例的油罐信息生成方法，首先，获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像。实际情况中，由于采用遥感图像采集设备（如，遥感卫星）采集遥感图像时，易受到天气的影响（如，云层遮蔽），因此，采集针对不同时刻的多张遥感图像，能够提高后续的油罐信息生成的准确率和成功率。其次，对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列。此外，由于遥感图像采集设备往往是在高空中采集遥感图像，使得遥感图像中往往包含大量的非油罐图像的信息，因此，通过进行油罐识别，以确定遥感图像上包含的油罐图像，能够实现对非油罐图像的剔除，减少后续的数据处理量。然后，对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列。最后，根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和上述油罐图像，确定上述目标油罐的油罐信息。由于遥感图像采集设备距地高度往往较高，使得油罐图像在采集的遥感图像中的比例较小，因此采用油罐阴影信息，辅助生成油罐信息的方式，能够大大提高油罐信息生成的准确率。此外，通过上述处理步骤，实现了油罐信息的自动化生成，相比于人工判读的方式，油罐信息的生成效率大大提高。
进一步参考图4，其示出了油罐信息生成方法的另一些实施例的流程400。该油罐信息生成方法的流程400，包括以下步骤：
步骤401，获取目标遥感图像序列。
在一些实施例中，步骤401的具体实现及其所带来的技术效果，可以参考图2对应的那些实施例中的步骤201，在此不再赘述。
步骤402，对目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列。
在一些实施例中，油罐信息生成方法的执行主体（例如图1所示的计算设备101）可以对目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列。
作为示例，上述执行主体对目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，可以包括以下步骤：
第一步，对上述目标遥感图像进行图像匀光处理，以生成匀光处理后的目标遥感图像。
其中，上述执行主体可以调整上述目标遥感图像的直方图，以使得上述目标遥感图像的直方图与基准目标遥感图像一致，从而实现对上述进行匀光处理。
第二步，对上述目标遥感图像进行辐射校正处理，以生成辐射校正处理后的目标遥感图像。
其中，上述执行主体可以通过野外波测试回归分析法和多波段图像对比分析法，对上述目标遥感图像进行辐射校正处理，以生成上述辐射校正处理后的目标遥感图像。
第三步，对上述辐射校正处理后的目标遥感图像进行图像降噪处理，以生成降噪处理后的目标遥感图像。
其中，上述执行主体可以通过图像降噪算法，对上述辐射校正处理后的目标遥感图像进行图像降噪处理，以生成上述降噪处理后的目标遥感图像。例如，上述图像降噪算法可以是但不限于以下任意一项：基于中值滤波的图像降噪算法，基于均值滤波的图像降噪算法，基于高斯滤波的图像降噪算法，基于双边滤波的图像降噪算法和基于维纳滤波的图像降噪算法。
第四步，将上述降噪处理后的目标遥感图像输入预先训练的油罐识别模型，以生成上述目标遥感图像对应的油罐图像。
其中，上述油罐识别模型可以是预先训练的，用于从上述降噪处理后的目标遥感图像识别出图像包含油罐的模型。例如，上述油罐识别模型可以是但不限于以下任意一项：YOLOV2（You Only Look Once Version2，实时检测）模型和STDN（Scale-TransferrableDetection Network，可规模传输的监测网络）模型。
步骤403，对油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列。
在一些实施例中，上述执行主体可以对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到上述油罐阴影信息序列。其中，上述油罐阴影信息序列中的油罐阴影信息可以包括：第一油罐阴影边界信息和第二油罐阴影边界信息。第一油罐阴影边界信息可以表征油罐图像中包含的阴影区域与目标油罐的重叠边界。第二油罐阴影边界信息可以表征油罐图像中包含的阴影区域未与目标油罐的重叠边界。
作为示例，上述执行主体对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，可以包括以下步骤：
第一步，对上述油罐图像进行图像二值化处理，以生成二值化处理后的油罐图像。
其中，上述执行主体可以通过自适应阈值二值化算法，对上述油罐图像进行图像二值化处理，以生成上述二值化处理后的油罐图像。
第二步，将上述二值化处理后的油罐图像输入预先训练的阴影识别模型，以确定上述目标油罐在上述油罐图像中对应的阴影区域。
其中，上述阴影识别模型可以是从上述二值化处理后的油罐图中识别出阴影区域的模型。上述阴影识别模型可以是RCNN（Region-based Convolutional Neural Networks，基于区域的卷积神经网络）模型，RFCN（Region-based Fully Convolutional Networks，基于区域的全卷积神经网络）模型和SSD（Single Shot MultiBox Detector，多框目标检测）模型。
第三步，根据上述油罐图像，生成感兴趣框信息集合。
其中，上述感兴趣框信息集合中的感兴趣框信息可以表征框定油罐图像中包含的上述目标油罐的感兴趣框。上述感兴趣框信息集合中的感兴趣框包括：感兴趣框位置信息和感兴趣框置信度。例如，感兴趣框位置信息可以包括：感兴趣框中心点坐标，感兴趣框长边长度和感兴趣框短边长度。上述执行主体可以将上述油罐图像输入上述目标检测模型，以生成多个检测框上述感兴趣框信息集合。
第四步，从上述感兴趣框信息集合中筛选出包括的感兴趣框置信度满足筛选条件的感兴趣框，作为候选感兴趣框信息，得到候选感兴趣框信息集合。
其中，上述筛选条件为感兴趣框置信度大于等于目标阈值。其中，上述目标阈值可以是人工设定的。例如，上述目标阈值可以是0.9。
第五步，根据上述候选感兴趣框信息集合中的候选感兴趣框信息包括的感兴趣框位置信息，对上述候选感兴趣框信息集合中的候选感兴趣框信息对应的感兴趣框进行感兴趣框融合，得到目标感兴趣框。
其中，首先，上述执行主体可以确定上述候选感兴趣框信息集合中的各个候选感兴趣框信息包括的感兴趣框位置信息中的感兴趣中心点坐标的均值坐标。然后，上述执行主体可以确定上述候选感兴趣框信息集合中的各个候选感兴趣框信息包括的感兴趣框位置信息中的感兴趣框长边长度的均值，以生成感兴趣框长边均值。其次，上述执行主体可以确定上述候选感兴趣框信息集合中的各个候选感兴趣框信息包括的感兴趣框位置信息中的感兴趣框短边长度的均值，以生成感兴趣框短边均值。最后，上述执行主体可以将上述均值坐标作为上述目标感兴趣框的中心点坐标、将上述感兴趣框长边均值作为上述目标感兴趣框的长边长度、将上述感兴趣框短边均值作为上述目标感兴趣的短边长度。
第六步，将上述油罐图像中上述目标感兴趣框框定的区域内的图像确定为目标图像。
第七步，对上述目标图像进行边缘识别，以确定上述目标油罐的边缘，以生成边缘信息。
其中，上述边缘信息用于表征上述目标图像包含的目标油罐的罐体边缘。上述执行主体可以通过边缘检测算法，对上述目标图像进行边缘识别，以确定上述目标油罐的边缘，以生成上述边缘信息。上述边缘检测算法可以是但不限于以下任意一项：基于Sobel算子的边缘检测算法，基于Canny算子的边缘检测算法和基于Roberts算子的边缘检测算法。
第八步，根据上述阴影区域包括的与上述边缘信息对应的边缘重叠的边界，生成上述油罐图像对应的油罐阴影信息包括的第一油罐阴影边界信息。
其中，上述第一油罐阴影边界信息用于表征上述阴影区域包括的与上述边缘信息对应的边缘重叠的边界。
第九步，根据上述阴影区域包括的目标边界，生成上述油罐图像对应的油罐阴影信息包括的第二油罐阴影边界信息。
其中，上述目标边界可以是包含的除上述第一油罐阴影边界信息对应的边界以外的边界。
步骤404，根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息。
在一些实施例中，上述执行主体可以根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息。其中，上述油罐信息还可以包括：油罐直径和油罐高度信息。上述油罐直径可以用于表征上述目标油罐的截面圆的直径。上述油罐高度信息可以用于表征上述目标油罐的高度。
作为示例，上述执行主体根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息，可以包括以下步骤：
第一步，对上述目标图像进行圆提取处理，以生成候选半径。
其中，上述执行主体可以通过Hough圆检测算法，对上述目标图像进行圆提取处理，以生成上述候选半径。
第二步，获取上述遥感图像采集设备的距地高度，以生成高度信息。
其中，上述执行主体可以通过无线连接的方式，与上述遥感图像采集设备进行通信，以获取上述遥感图像采集设备的距地高度，以生成上述高度信息。上述高度信息可以用于表征上述遥感图像采集设备的距地高度。
第三步，根据上述高度信息、上述候选半径和上述目标遥感图像序列中的目标遥感图像的图像尺寸，生成上述油罐直径。
其中，上述目标遥感图像序列中的目标遥感图像的图像尺寸一致。上述图像尺寸可以表征目标遥感图像的长度或宽度。首先，上述执行主体可以根据上述遥感图像采集设备中的焦距、上述高度信息和上述图像尺寸，通过相似三角形原理，确定比例信息。其中，上述比例信息可以用于表征目标遥感图像和目标遥感图像包含的地理区域的比例。然后，上述执行主体可以根据上述比例信息和目标比例，确定上述油罐直径。其中，上述目标比例可以是目标遥感图像的图像尺寸和候选半径的比例。
作为又一示例，上述执行主体根据油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定目标油罐的油罐信息，可以包括以下步骤：
第一步，获取图像采集信息序列。
其中，上述图像采集信息序列中的图像采集信息与上述目标遥感图像序列中的目标遥感图像一一对应。其中，上述图像采集信息序列中的图像采集信息可以表征上述遥感图像采集设备采集目标遥感图像是的倾斜角度。
第二步，根据上述图像采集信息序列中的每个图像采集信息和上述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，确定候选高度信息，得到候选高度信息集合。
其中，上述执行主体可以通过勾股定理，上述图像采集信息和上述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，确定候选高度信息。
可选地，上述执行主体还可以根据上述图像采集信息和上述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，对上述目标油罐进行三维重建，以生成上述候选高度信息。
第三步，根据上述候选高度信息集合中的各个候选高度信息，生成上述油罐高度信息。
其中，上述执行主体可以将上述候选高度信息集合中的各个候选高度信息的均值，确定为上述油罐高度信息。
步骤405，对油罐图像序列中的每张油罐图像进行缺陷识别，以生成油罐缺陷信息，得到油罐缺陷信息集合。
在一些实施例中，上述执行主体可以通过缺陷检测模型，对上述油罐图像序列中的每张油罐图像进行缺陷识别，以生成油罐缺陷信息，得到油罐缺陷信息集合。其中，上述油罐缺陷信息集合中的油罐缺陷信息可以用于表征上述目标油罐包含的缺陷点的位置和置信度。例如，上述缺陷检测模型可以是但不限于以下任意一项：Faster RCNN（FasterRegion-based Convolutional Neural Networks，基于区域的快速卷积神经网络）模型和SSD模型。
步骤406，对于油罐缺陷信息集合中的每个油罐缺陷信息，响应于确定油罐缺陷信息表征目标油罐的罐体存在缺陷，确定缺陷位置，以生成缺陷位置信息。
在一些实施例中，对于油罐缺陷信息集合中的每个油罐缺陷信息，响应于确定油罐缺陷信息表征目标油罐的罐体存在缺陷，确定缺陷位置，以生成缺陷位置信息。
作为示例，上述执行主体可以根据油罐缺陷信息包括的置信度，响应于确定置信度大于预设阈值，则认定油罐缺陷信息表征上述目标有关的罐体存在缺陷。
步骤407，根据得到的缺陷位置信息集合，生成告警信息。
在一些实施例中，上述执行主体可以根据得到的缺陷位置信息集合，生成告警信息。其中，上述告警信息可以包括上述缺陷位置信息集合和危险等级。其中，上述危险等级可以根据上述缺陷位置信息集合中的缺陷位置信息的数量确定。例如，上述缺陷位置信息集合中的缺陷位置信息的数量为5，则上述危险等级可以为5。
步骤408，将告警信息发送至目标终端以供显示。
在一些实施例中，上述执行主体可以通过有线连接，或无线连接的方式，将上述告警信息发送至上述目标终端以供显示。其中，上述目标终端可以是具有显示功能的终端。例如，上述目标终端可以是电脑。
与图2对应的一些实施例相比，本公开解决了技术问题二，即，“当储油罐中内存储有大量的石油时，罐内压力往往较大，当罐壁出现缺陷时，可能会造成罐体破裂，进而造成石油泄漏，从而造成资源的浪费”。为了解决上述问题，本公开增加了油罐缺陷识别的步骤，通过油罐缺陷识别，实现了缺陷定位，并通过生成告警信息的方式，实现了对油罐缺陷的提前感知和预警。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种油罐信息生成装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的油罐信息生成装置500包括：获取单元501，被配置成获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；油罐识别处理单元502，被配置成对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；阴影识别处理单元503，被配置成对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列；确定单元504，被配置成根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定上述目标油罐的油罐信息。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备（如图1所示的计算设备101）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标遥感图像序列，其中，上述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；对上述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；对上述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列；根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定上述目标油罐的油罐信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、油罐识别处理单元、阴影识别处理单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，确定单元还可以被描述为“根据上述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定上述目标油罐的油罐信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种油罐信息生成方法，包括：
获取目标遥感图像序列，其中，所述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；
对所述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；
对所述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列，其中，所述油罐阴影信息序列中的油罐阴影信息包括：第一油罐阴影边界信息和第二油罐阴影边界信息；
根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定所述目标油罐的油罐信息，其中，油罐信息表征所述目标油罐的状态，规格和位置；
对所述油罐图像序列中的每张油罐图像进行缺陷识别，以生成油罐缺陷信息，得到油罐缺陷信息集合；
对于所述油罐缺陷信息集合中的每个油罐缺陷信息，响应于确定所述油罐缺陷信息表征所述目标油罐的罐体存在缺陷，确定缺陷位置，以生成缺陷位置信息；
根据得到的缺陷位置信息集合，生成告警信息；
将所述告警信息发送至目标终端以供显示，其中，所述对所述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，包括：
对所述油罐图像进行图像二值化处理，以生成二值化处理后的油罐图像；
将所述二值化处理后的油罐图像输入预先训练的阴影识别模型，以确定所述目标油罐在所述油罐图像中对应的阴影区域；
根据所述油罐图像，生成感兴趣框信息集合，其中，所述感兴趣框信息集合中的感兴趣框包括：感兴趣框位置信息和感兴趣框置信度；
从所述感兴趣框信息集合中筛选出包括的感兴趣框置信度满足筛选条件的感兴趣框，作为候选感兴趣框信息，得到候选感兴趣框信息集合；
根据所述候选感兴趣框信息集合中的候选感兴趣框信息包括的感兴趣框位置信息，对所述候选感兴趣框信息集合中的候选感兴趣框信息对应的感兴趣框进行感兴趣框融合，得到目标感兴趣框；
将所述油罐图像中所述目标感兴趣框框定的区域内的图像确定为目标图像；
对所述目标图像进行边缘识别，以确定所述目标油罐的边缘，以生成边缘信息；
根据所述阴影区域包括的与所述边缘信息对应的边缘重叠的边界，生成所述油罐图像对应的油罐阴影信息包括的第一油罐阴影边界信息；
根据所述阴影区域包括的目标边界，生成所述油罐图像对应的油罐阴影信息包括的第二油罐阴影边界信息，其中，所述目标边界是所述包含的除所述第一油罐阴影边界信息对应的边界以外的边界，其中，所述根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定所述目标油罐的油罐信息，包括：
将油罐图像和油罐图像对应的油罐阴影信息，输入预先训练的油罐信息确定模型，以确定所述目标油罐的尺寸，所述油罐信息确定模型包括第一子模型和第二子模型，其中，所述第一子模型是ResNet模型，所述第二子模型是RPN模型，所述油罐信息确定模型的损失函数如下式：
其中，
表示损失值，
表示第一权重，
表示第二权重，
表示第三权重，
表示第四权重，
表示交叉熵损失函数，
表示L1范式损失函数，
表示感兴趣框损失函数，
的表达式如下：
其中，
是第一圆径的圆心坐标中的横坐标，
是第一圆径的圆心坐标中的纵坐标，
是第二圆径的圆心坐标中的横坐标，
是第二圆径的圆心坐标中的纵坐标，
是第三圆径的圆心坐标中的横坐标，
是第三圆径的圆心坐标中的纵坐标；
其中，所述油罐信息确定模型通过目标训练集训练得到，所述目标训练集通过以下步骤生成：
获取同一光学传感器，不同拍摄角度拍摄的多张无云遥感图像，其中，所述多张无云遥感图像中的无云遥感图像为不包含云层的遥感图像；
将得到的多张无云遥感图像中的无云遥感图像进行图像切分，以生成子图像集合，其中，所述子图像集合中的子图像的尺寸为512像素×512像素；
对所述子图像集合中的每个子图像进行标注，以标注子图像包含的油罐对应的最小外接矩形、和子图像包含的第一圆径、第二圆径和第三圆径，进而生成训练样本，得到候选样本集合，其中，第一圆径是子图像包含的油罐阴影所在的圆的圆周，第二圆径是子图像包含的油罐的油罐顶部所在的圆的圆周，第三圆径是子图像包含的油罐的油罐顶部投影到油罐阴影的圆的圆周，所述候选样本集合中的候选样本包含：油罐编号，油罐左上角像素点的坐标，油罐对应的最小外接矩形的长度和宽度，第一圆径的圆心坐标，第二圆径的圆心坐标和第三圆径的圆心坐标，其中，第一圆径、第二圆径和第三圆径的对应的圆的半径一致；
将训练样本集合划分为训练样本集合和测试样本集合，其中，所述训练样本集合中的训练样本的数量和所述测试样本集合中的测试样本的数量的比例是3:1。
2.根据权利要求1所述的方法，其中，所述对所述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，包括：
对所述目标遥感图像进行图像匀光处理，以生成匀光处理后的目标遥感图像；
对所述目标遥感图像进行辐射校正处理，以生成辐射校正处理后的目标遥感图像；
对所述辐射校正处理后的目标遥感图像进行图像降噪处理，以生成降噪处理后的目标遥感图像；
将所述降噪处理后的目标遥感图像输入预先训练的油罐识别模型，以生成所述目标遥感图像对应的油罐图像。
3.根据权利要求2所述的方法，其中，所述油罐信息包括：油罐直径；以及
所述根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定所述目标油罐的油罐信息，包括：
对所述目标图像进行圆提取处理，以生成候选半径；
获取所述遥感图像采集设备的距地高度，以生成高度信息；
根据所述高度信息、所述候选半径和所述目标遥感图像序列中的目标遥感图像的图像尺寸，生成所述油罐直径。
4.根据权利要求3所述的方法，其中，所述油罐信息还包括：油罐高度信息；以及
所述根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和所述油罐图像，确定所述目标油罐的油罐信息，还包括：
获取图像采集信息序列，其中，所述图像采集信息序列中的图像采集信息与所述目标遥感图像序列中的目标遥感图像一一对应；
根据所述图像采集信息序列中的每个图像采集信息和所述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，确定候选高度信息，得到候选高度信息集合；
根据所述候选高度信息集合中的各个候选高度信息，生成所述油罐高度信息。
5.根据权利要求4所述的方法，其中，所述根据所述图像采集信息序列中的每个图像采集信息和所述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，确定候选高度信息，包括：
根据所述图像采集信息和所述图像采集信息对应的油罐阴影信息包括的第二油罐阴影边界信息，对所述目标油罐进行三维重建，以生成所述候选高度信息。
6.一种油罐信息生成装置，包括：
获取单元，被配置成获取目标遥感图像序列，其中，所述目标遥感图像序列中的目标遥感图像是遥感图像采集设备在不同时刻采集的包含目标油罐的遥感图像；
油罐识别处理单元，被配置成对所述目标遥感图像序列中的每张目标遥感图像进行油罐识别处理，以生成油罐图像，得到油罐图像序列；
阴影识别处理单元，被配置成对所述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，得到油罐阴影信息序列，其中，所述油罐阴影信息序列中的油罐阴影信息包括：第一油罐阴影边界信息和第二油罐阴影边界信息；
确定单元，被配置成根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定所述目标油罐的油罐信息，其中，油罐信息表征所述目标油罐的状态，规格和位置；
对所述油罐图像序列中的每张油罐图像进行缺陷识别，以生成油罐缺陷信息，得到油罐缺陷信息集合；
对于所述油罐缺陷信息集合中的每个油罐缺陷信息，响应于确定所述油罐缺陷信息表征所述目标油罐的罐体存在缺陷，确定缺陷位置，以生成缺陷位置信息；
根据得到的缺陷位置信息集合，生成告警信息；
将所述告警信息发送至目标终端以供显示，其中，所述对所述油罐图像序列中的每张油罐图像进行阴影识别，以生成油罐阴影信息，包括：
对所述油罐图像进行图像二值化处理，以生成二值化处理后的油罐图像；
将所述二值化处理后的油罐图像输入预先训练的阴影识别模型，以确定所述目标油罐在所述油罐图像中对应的阴影区域；
根据所述油罐图像，生成感兴趣框信息集合，其中，所述感兴趣框信息集合中的感兴趣框包括：感兴趣框位置信息和感兴趣框置信度；
从所述感兴趣框信息集合中筛选出包括的感兴趣框置信度满足筛选条件的感兴趣框，作为候选感兴趣框信息，得到候选感兴趣框信息集合；
根据所述候选感兴趣框信息集合中的候选感兴趣框信息包括的感兴趣框位置信息，对所述候选感兴趣框信息集合中的候选感兴趣框信息对应的感兴趣框进行感兴趣框融合，得到目标感兴趣框；
将所述油罐图像中所述目标感兴趣框框定的区域内的图像确定为目标图像；
对所述目标图像进行边缘识别，以确定所述目标油罐的边缘，以生成边缘信息；
根据所述阴影区域包括的与所述边缘信息对应的边缘重叠的边界，生成所述油罐图像对应的油罐阴影信息包括的第一油罐阴影边界信息；
根据所述阴影区域包括的目标边界，生成所述油罐图像对应的油罐阴影信息包括的第二油罐阴影边界信息，其中，所述目标边界是所述包含的除所述第一油罐阴影边界信息对应的边界以外的边界，其中，所述根据所述油罐图像序列中的油罐图像对应的油罐阴影信息和油罐图像，确定所述目标油罐的油罐信息，包括：
将油罐图像和油罐图像对应的油罐阴影信息，输入预先训练的油罐信息确定模型，以确定所述目标油罐的尺寸，所述油罐信息确定模型包括第一子模型和第二子模型，其中，所述第一子模型是ResNet模型，所述第二子模型是RPN模型，所述油罐信息确定模型的损失函数如下式：
其中，
表示损失值，
表示第一权重，
表示第二权重，
表示第三权重，
表示第四权重，
表示交叉熵损失函数，
表示L1范式损失函数，
表示感兴趣框损失函数，
的表达式如下：
其中，
是第一圆径的圆心坐标中的横坐标，
是第一圆径的圆心坐标中的纵坐标，
是第二圆径的圆心坐标中的横坐标，
是第二圆径的圆心坐标中的纵坐标，
是第三圆径的圆心坐标中的横坐标，
是第三圆径的圆心坐标中的纵坐标；
其中，所述油罐信息确定模型通过目标训练集训练得到，所述目标训练集通过以下步骤生成：
获取同一光学传感器，不同拍摄角度拍摄的多张无云遥感图像，其中，所述多张无云遥感图像中的无云遥感图像为不包含云层的遥感图像；
将得到的多张无云遥感图像中的无云遥感图像进行图像切分，以生成子图像集合，其中，所述子图像集合中的子图像的尺寸为512像素×512像素；
对所述子图像集合中的每个子图像进行标注，以标注子图像包含的油罐对应的最小外接矩形、和子图像包含的第一圆径、第二圆径和第三圆径，进而生成训练样本，得到候选样本集合，其中，第一圆径是子图像包含的油罐阴影所在的圆的圆周，第二圆径是子图像包含的油罐的油罐顶部所在的圆的圆周，第三圆径是子图像包含的油罐的油罐顶部投影到油罐阴影的圆的圆周，所述候选样本集合中的候选样本包含：油罐编号，油罐左上角像素点的坐标，油罐对应的最小外接矩形的长度和宽度，第一圆径的圆心坐标，第二圆径的圆心坐标和第三圆径的圆心坐标，其中，第一圆径、第二圆径和第三圆径的对应的圆的半径一致；
将训练样本集合划分为训练样本集合和测试样本集合，其中，所述训练样本集合中的训练样本的数量和所述测试样本集合中的测试样本的数量的比例是3:1。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111366218.5A CN114036971B (zh) | 2021-11-18 | 2021-11-18 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111366218.5A CN114036971B (zh) | 2021-11-18 | 2021-11-18 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114036971A CN114036971A (zh) | 2022-02-11 |
| CN114036971B true CN114036971B (zh) | 2022-05-17 |
Family
ID=80144810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111366218.5A Active CN114036971B (zh) | 2021-11-18 | 2021-11-18 | 油罐信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114036971B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742707B (zh) * | 2022-04-18 | 2022-09-27 | 中科星睿科技(北京)有限公司 | 多源遥感图像拼接方法、装置、电子设备和可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945228A (zh) * | 2017-12-14 | 2018-04-20 | 北京市遥感信息研究所 | 一种基于单幅卫星图像提取油罐高度的方法 |
| CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
| CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10672139B2 (en) * | 2017-05-19 | 2020-06-02 | Kayrros | Method and system for remotely measuring the volume of liquid stored in external floating roof tanks |
-
2021
- 2021-11-18 CN CN202111366218.5A patent/CN114036971B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945228A (zh) * | 2017-12-14 | 2018-04-20 | 北京市遥感信息研究所 | 一种基于单幅卫星图像提取油罐高度的方法 |
| CN108053416A (zh) * | 2017-12-14 | 2018-05-18 | 北京市遥感信息研究所 | 一种基于单幅卫星图像的最大储油量提取系统 |
| CN110310262A (zh) * | 2019-06-19 | 2019-10-08 | 上海理工大学 | 一种用于检测轮胎缺陷的方法、装置及系统 |
| CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114036971A (zh) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410218B (zh) | 用于生成车辆损伤信息的方法和装置 | |
| US11392792B2 (en) | Method and apparatus for generating vehicle damage information | |
| US20230394671A1 (en) | Image segmentation method and apparatus, and device, and storage medium | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
| CN111291761B (zh) | 用于识别文字的方法和装置 | |
| CN112364843A (zh) | 插拔式航拍图像目标定位检测方法、系统、设备 | |
| CN116186354B (zh) | 区域画像显示方法、装置、电子设备和计算机可读介质 | |
| CN115690765B (zh) | 车牌识别方法、装置、电子设备、可读介质和程序产品 | |
| CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
| CN114036971B (zh) | 油罐信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111209856B (zh) | 发票信息的识别方法、装置、电子设备及存储介质 | |
| CN114359681A (zh) | 图像识别模型训练、图像识别方法、装置、设备及介质 | |
| CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
| CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
| CN113762266B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
| CN117036965B (zh) | 桥梁维修设备控制方法、电子设备和计算机可读介质 | |
| CN116543367A (zh) | 基于鱼眼相机的车位信息生成方法、装置、设备和介质 | |
| CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
| CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| CN113780239B (zh) | 虹膜识别方法、装置、电子设备和计算机可读介质 | |
| CN115393423A (zh) | 目标检测方法和装置 | |
| CN111950356B (zh) | 印章文本定位方法、装置及电子设备 | |
| CN115239994B (zh) | 应用于甘草饮片的等级信息生成方法、装置和电子设备 | |
| CN118097449B (zh) | 基于多源遥感的洪涝灾害监测方法、装置和电子设备 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Method, device, electronic device, and computer-readable medium for generating oil tank information Effective date of registration: 20230719 Granted publication date: 20220517 Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee Pledgor: Zhongke Xingrui Technology (Beijing) Co.,Ltd. Registration number: Y2023990000369 |