CN114545965A - 一种基于深度学习的无人机圩堤管涌巡查系统及方法 - Google Patents

一种基于深度学习的无人机圩堤管涌巡查系统及方法 Download PDF

Info

Publication number
CN114545965A
CN114545965A CN202111676551.6A CN202111676551A CN114545965A CN 114545965 A CN114545965 A CN 114545965A CN 202111676551 A CN202111676551 A CN 202111676551A CN 114545965 A CN114545965 A CN 114545965A
Authority
CN
China
Prior art keywords
piping
aerial vehicle
unmanned aerial
levee
deep learning
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
Application number
CN202111676551.6A
Other languages
English (en)
Inventor
朱斌
解博
朱耀轩
陈熠
冷吴西
张峻洁
李西
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111676551.6A priority Critical patent/CN114545965A/zh
Publication of CN114545965A publication Critical patent/CN114545965A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明的一种基于深度学习的无人机圩堤管涌巡查系统及方法，包括无人机平台用于过载可见光相机、红外相机以及图传系统，实现圩堤沿线巡航飞行；可见光相机实现对圩堤区域可见光图像的拍摄与输出可见光视频流；红外相机实现对圩堤区域红外图像的拍摄与输出红外视频流；图传系统实现对可见光相机与红外相机视频的接收，将视频流发送至遥控器；遥控器实现对无人机平台的操控，输出无人机图传视频流至地面站；地面站获取遥控器发送来的无人机图传视频流，通过深度学习管涌检测模型，在采集到的可见光或者红外图像中实时检测管涌，并通过图形或者声音提示目标信息，本发明有效缓解抗洪一线人力巡堤压力，有效降低巡堤人员的安全风险，节约人力成本。

Description

一种基于深度学习的无人机圩堤管涌巡查系统及方法
技术领域
本发明涉及圩堤管涌巡查技术领域，具体涉及一种基于深度学习的无人机圩堤管涌巡查系统及方法。
背景技术
国内防洪大堤种类繁多、数量庞大，有相当数量的江、河、湖沿线圩堤使用土石修建，在汛期极易发生管涌险情，给圩区群众生命财产安全带来巨大隐患，管涌示意图如图1所示。
当前用于探测管涌的仪器主要是“普及型堤坝管涌渗漏探测系统”。该设备配备在巡逻船上，对管涌的入水口进行探测，只适用于静态水域；在水流湍急的洪水上驾船巡逻并不现实，且高速水流将引入误差，导致仪器失效。
目前国内外关于管涌检测技术的公开文献、专利和报道数量有限，主要有流场法、温度法等。
流场法是通过测量电流场的分布来确定堤坝管涌产生的微弱水流场。未发生管涌时，水流相对静止；发生管涌时入水口处的流速较大，只要测出水底流速异常的位置就能找出管涌的入水口位置。此方法需驾船吊着水下探头在相对静止的水域探测圩堤，无法在洪水中使用。
温度法是用红外热像仪获得堤坝表面的等温线分布，找出温度与周围明显不同的点，然后绘制温度梯度分布图，通过与管涌位置的径向温度梯度临界值比较，确定检测点是否为管涌发生位置。该方法同样无法在汛期水流流速快、水位高的圩区使用。
现有管涌检测基本都是在入水口一侧，且只能在水体相对稳定的条件下进行。对于流速快的洪水，从出水口一侧探测管涌成为汛期唯一可行的探测方式。
目前管涌检测以人力巡堤为主，需要大量人力，例如，按江西省水利厅规定，巡查保护耕地面积5万亩以上的堤防及长江干堤时，每公里每班次不少于6人、其他圩堤不少于4人，开展24小时不间断巡查；2020年7月15日，江西全省共有2515公里堤防超警戒，按平均每公里5人，一天3班计算，仅巡堤查险人员就需要37725人；再加上各类保障人员，每天参与巡堤查险的人员不少于5万。截至2020年7月15日，江西累计投入抗洪抢险人员150余万人次，其中群众120余万人次，人力严重不足。
发明内容
本发明提出的一种基于深度学习的无人机圩堤管涌巡查系统及方法，可解决背景技术中的技术问题。
为实现上述目的，本发明采用了以下技术方案：
一种基于深度学习的无人机圩堤管涌巡查系统，包括无人机平台、机载可见光和红外相机、图传系统、遥控器、视频采集卡、地面站、深度学习管涌检测模型。
所述无人机平台用于过载相机与图传设备，实现圩堤沿线巡航飞行；
所述机载可见光相机，实现对圩堤区域可见光图像的拍摄与输出可见光视频流；
所述机载红外相机，实现对圩堤区域红外图像的拍摄与输出红外视频流；
所述图传系统，实现对可见光相机与红外相机视频的接收，并通过2.4GHz或5.8GHz无线电信号将视频流发送至遥控器；
所述遥控器，实现对无人机平台的操控，航路规划，接收图传信号，输出视频流；
所述的地面站采集无人机图传视频流的方式，根据不同的无人机平台，可以通过无线WIFI信号或者有线的采集卡的方式；地面站硬件为PC机或便携式笔记本计算机，运行地面站软件，调用深度学习管涌检测算法。
当地面站采用有线方式采集无人机图传视频流时，采用视频采集卡实现。所述视频采集卡，输入端与遥控器视频输出接口连接，输出端与地面站视频输入口连接，实现将遥控器输出的视频信号转换为地面站可获取的视频流；
所述地面站，视频输入端与视频采集卡输出端连接，运行地面站程序，通过地面站程序调用深度学习管涌检测模型，在采集到的可见光或者红外图像中实时检测管涌，并通过图形或者声音提示目标信息。
所述深度学习管涌检测模型为基于红外、可见光双光相机的深度学习的管涌检测模型，包括可见光检测模型与红外检测模型以及融合模型；可见光检测模型采用可见光波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；红外检测模型采用红外波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；红外与可见光融合检测模型采用特征级与决策及融合方式，实现信息互补，以及夜间的管涌检测。
可见光与红外融合模型是通过以下过程生成的：
(a)使用无人机同时采集管涌的可见光数据和红外数据，按照4:1的比例分为双光训练集和双光测试集；
(b)利用配准算法对步骤(a)中的可见光数据和红外数据进行配准处理；
(c)利用步骤(b)中配准的训练图像对深度学习网络进行m次迭代训练，直到网络在双光测试集上的检测率达到最大值，其中m的取值是50至100。
其中，融合网络模型采用如图5所示的Dual-YOLOv3-M结构：
图中Res块表示特征提取网络中的残差块，×1、×2、×8表示一种残差块串联的个数，顶部及侧边的数值为特征图的尺寸。Conv块为预测网络中的卷积块，包含卷积、上采样和特征融合操作，构成了3种尺度的金字塔型预测网络。NMS块为表示非极大值抑制操作，用于剔除重复预测的边界框，提高预测精度。Feature fusion与Concat表示特征张量的融合与连接。
所述系统可以采用单遥控器巡航模式，也可以采用多遥控接力飞行模式。
所述单遥控器巡航模式是指系统配备一台遥控器，一名操作手，通过规划航路，无人机按路径巡航检测管涌并最终飞回起飞点。
所述多遥控器接力飞行模式是指系统可以配备多台(≥2)遥控器，例如4台遥控器，由4名操作手分别控制一台遥控器，飞手位置沿圩堤沿线依次排布为A、B、C、D点。无人机规划航路后，从A点起飞至B点，再从B点接力飞行到C点，再从C点接力飞行到D点，然后返航依次经过C、B点最终回到A点降落。
所述多遥控器接力飞行模式，可以根据无人机电池续航时间在多个飞手所在位置合理安排更换电池，以延长飞行距离。
所述多遥控器接力飞行模式，利用无人机平台的图传、遥控信号接力功能，根据无人机所在位置，可以将遥控信号与图传信号在多台遥控设备间切换，如飞行到AB的中点附近时，遥控信号与图传信号可以从遥控器A切换到遥控器B。
所述地面站可独立运行深度学习管涌检测算法对采集的视频流进行管涌检测，并发出图像或声音报警信息。
管涌检测算法为基于深度学习的目标检测网络对管涌数据集训练得到的模型。
基于上述巡查系统，本发明还提出一种基于深度学习的无人机圩堤管涌巡查方法：无人机开机后通过遥控器设置巡航路径，起飞后沿设定航线飞行；飞行过程中通过机载双光摄像头拍摄圩堤沿线外侧地面视频传回地面站实施管涌检测。无人机可通过接力飞行方式，使用多台遥控器视频通过图传模块传回遥控器显示，同时通过遥控器视频输出接口连接视频采集卡，视频采集卡将视频流输入地面站。地面站接收到实时视频后，运行深度学习管涌检测程序实施管涌检测。
由上述技术方案可知，本发明的基于深度学习的无人机圩堤管涌巡查系统，可有效缓解抗洪一线人力巡堤压力，有效降低巡堤人员的安全风险，节约人力成本。
附图说明
图1是管涌原理示意图；
图2是本发明管涌检测实验结果示意图；
图3(a)是无人机航拍肥西县丰乐河圩堤截图，图3(b)无人机航拍肥西县三河中学外圩堤截图；
图4为系统硬件组成及数据处理流程图；
图5Dual-YOLOv3-M模型的网络结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
如图4所示，本实施例所述的一种基于深度学习的无人机圩堤管涌巡查系统，包括无人机平台、机载可见光和红外相机、图传系统、遥控器、视频采集卡、地面站、深度学习管涌检测模型。
所述无人机平台用于过载相机与图传设备，实现圩堤沿线巡航飞行；
所述机载可见光相机，实现对圩堤区域可见光图像的拍摄与输出可见光视频流；
所述机载红外相机，实现对圩堤区域红外图像的拍摄与输出红外视频流；
所述图传系统，实现对可见光相机与红外相机视频的接收，并通过2.4GHz或5.8GHz无线电信号将视频流发送至遥控器；
所述遥控器，实现对无人机平台的操控，航路规划，接收图传信号，输出视频流；
所述的地面站采集无人机图传视频流的方式，根据不同的无人机平台，可以通过无线WIFI信号或者有线的采集卡的方式；地面站硬件为PC机或便携式笔记本计算机，运行地面站软件，调用深度学习管涌检测算法。
当地面站采用有线方式采集无人机图传视频流时，采用视频采集卡实现。所述视频采集卡，输入端与遥控器视频输出接口连接，输出端与地面站视频输入口连接，实现将遥控器输出的视频信号转换为地面站可获取的视频流；
所述地面站，视频输入端与视频采集卡输出端连接，运行地面站程序，通过地面站程序调用深度学习管涌检测模型，在采集到的可见光或者红外图像中实时检测管涌，并通过图形或者声音提示目标信息。
所述深度学习管涌检测模型为基于红外、可见光双光相机的深度学习的管涌检测模型，包括可见光检测模型与红外检测模型以及融合模型；可见光检测模型采用可见光波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；红外检测模型采用红外波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；红外与可见光融合检测模型采用特征级与决策及融合方式，实现信息互补，以及夜间的管涌检测。
所述系统可以采用单遥控器巡航模式，也可以采用多遥控接力飞行模式。
所述单遥控器巡航模式是指系统配备一台遥控器，一名操作手，通过规划航路，无人机按路径巡航检测管涌并最终飞回起飞点。
所述多遥控器接力飞行模式是指系统可以配备多台(≥2)遥控器，例如4台遥控器，由4名操作手分别控制一台遥控器，飞手位置沿圩堤沿线依次排布为A、B、C、D点。无人机规划航路后，从A点起飞至B点，再从B点接力飞行到C点，再从C点接力飞行到D点，然后返航依次经过C、B点最终回到A点降落。
所述多遥控器接力飞行模式，可以根据无人机电池续航时间在多个飞手所在位置合理安排更换电池，以延长飞行距离。
所述多遥控器接力飞行模式，利用无人机平台的图传、遥控信号接力功能，根据无人机所在位置，可以将遥控信号与图传信号在多台遥控设备间切换，如飞行到AB的中点附近时，遥控信号与图传信号可以从遥控器A切换到遥控器B。
所述地面站可独立运行深度学习管涌检测算法对采集的视频流进行管涌检测，并发出图像或声音报警信息。
管涌检测算法为基于深度学习的目标检测网络对管涌数据集训练得到的模型。
基于上述巡查系统，本实施例的一种基于深度学习的无人机圩堤管涌巡查方法包括，无人机开机后通过遥控器设置巡航路径，起飞后沿设定航线飞行；飞行过程中通过机载双光摄像头拍摄圩堤沿线外侧地面视频传回地面站实施管涌检测。无人机可通过接力飞行方式，使用多台遥控器视频通过图传模块传回遥控器显示，同时通过遥控器视频输出接口连接视频采集卡，视频采集卡将视频流输入地面站。地面站接收到实时视频后，运行深度学习管涌检测程序实施管涌检测。
以下是本发明的具体应用：
采用新闻报道中的管涌图像结合实拍图像制作数据集，使用SSD模型训练网络，并对验证集进行了测试，取得了初步的效果。部分检测结果如图2所示。从检测结果可以看出，基于深度学习的管涌检测算法可以达到预期效果。
为验证关键技术与方案，项目组在今年汛期共进行了4次外场试验，试验情况如表1所示。其中，参与抗洪抢险任务时使用无人机拍摄的数据如图3(a)和图3(b)所示。
表1外场试验记录
Figure BDA0003452126290000071
Figure BDA0003452126290000081
综上所述，本发明实施例的基于深度学习的无人机圩堤管涌巡查系统，可有效缓解抗洪一线人力巡堤压力，有效降低巡堤人员的安全风险，节约人力成本。
以上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精神和范围。

Claims (10)

1.一种基于深度学习的无人机圩堤管涌巡查系统，包括无人机平台、可见光相机、红外相机、图传系统、遥控器、地面站，其特征在于，还包括深度学习管涌检测模型，
所述无人机平台用于过载可见光相机、红外相机以及图传系统，用于圩堤沿线巡航飞行；
所述可见光相机，用于对圩堤区域可见光图像的拍摄与输出可见光视频流；
所述红外相机，用于对圩堤区域红外图像的拍摄与输出红外视频流；
所述图传系统，用于对可见光相机与红外相机视频的接收，并通过2.4GHz或5.8GHz无线电信号将视频流发送至遥控器；
所述遥控器，用于对无人机平台的操控，航路规划，接收图传信号，输出无人机图传视频流至地面站；
所述地面站包括深度学习管涌检测模型，获取遥控器发送来的无人机图传视频流，通过深度学习管涌检测模型，在采集到的可见光或者红外图像中实时检测管涌，并通过图形或者声音提示目标信息。
2.根据权利要求1所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述深度学习管涌检测模型包括可见光检测模型与红外检测模型以及融合模型；
可见光检测模型采用可见光波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；
红外检测模型采用红外波段的管涌视频数据训练，模型使用轻量级的深度学习端到端检测模型；
红外与可见光融合检测模型采用特征级与决策级融合方式，实现信息互补，以及夜间的管涌检测。
3.根据权利要求2所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述可见光与红外融合模型是通过以下过程生成的：
(a)使用无人机同时采集管涌的可见光数据和红外数据，按照4:1的比例分为双光训练集和双光测试集；
(b)利用配准算法对步骤(a)中的可见光数据和红外数据进行配准处理；
(c)利用步骤(b)中配准的训练图像对深度学习网络进行m次迭代训练，直到网络在双光测试集上的检测率达到最大值，其中m的取值是50至100。
4.根据权利要求3所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：
所述融合网络模型采用Dual-YOLOv3-M结构，所述Dual-YOLOv3-M结构包括多个Res块串联，Res块表示特征提取网络中的残差块，其中，串联的Res块分别为1个顶部及侧边的特征图的尺寸分别208的,2个顶部及侧边的特征图的尺寸分别为104的，8个顶部及侧边的特征图的尺寸分别为52的，还有8个顶部及侧边的特征图的尺寸分别为26的；
还包括Conv块，Conv块为预测网络中的卷积块，包含卷积、上采样和特征融合操作，构成了3种尺度的金字塔型预测网络；
还包括MS块，MS块为表示非极大值抑制操作，用于剔除重复预测的边界框，提高预测精度；
Feature fusion与Concat表示特征张量的融合与连接。
5.根据权利要求1所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述地面站通过无线或者有线采集卡的方式与遥控器进行数据传输。
6.根据权利要求1所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述有线采集卡采用视频采集卡，所述视频采集卡输入端与遥控器视频输出接口连接，输出端与地面站视频输入口连接。
7.根据权利要求1所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述遥控器采用单遥控器巡航模式，或采用多遥控接力飞行模式。
8.根据权利要求7所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：
所述单遥控器巡航模式是指系统配备一台遥控器，一名操作手，通过规划航路，无人机按路径巡航检测管涌并最终飞回起飞点；
所述多遥控器接力飞行模式是指系统配备N台遥控器，N≥2,设N为4，4台遥控器，由4名操作手分别控制一台遥控器，飞手位置沿圩堤沿线依次排布为A、B、C、D点，无人机规划航路后，从A点起飞至B点，再从B点接力飞行到C点，再从C点接力飞行到D点，然后返航依次经过C、B点最终回到A点降落；
所述多遥控器接力飞行模式，利用无人机平台的图传、遥控信号接力功能，根据无人机所在位置，将遥控信号与图传信号在多台遥控设备间切换。
9.根据权利要求1所述的基于深度学习的无人机圩堤管涌巡查系统，其特征在于：所述地面站可独立运行深度学习管涌检测算法对采集的视频流进行管涌检测，并发出图像或声音报警信息。
10.一种基于深度学习的无人机圩堤管涌巡查方法，其特征在于：包括无人机开机后通过遥控器设置巡航路径，起飞后沿设定航线飞行；飞行过程中通过机载双光摄像头拍摄圩堤沿线外侧地面视频传回地面站实施管涌检测；
无人机可通过接力飞行方式，使用多台遥控器视频通过图传模块传回遥控器显示，同时通过遥控器视频输出接口连接视频采集卡，视频采集卡将视频流输入地面站；
地面站接收到实时视频后，运行深度学习管涌检测程序实施管涌检测。
CN202111676551.6A 2021-12-31 2021-12-31 一种基于深度学习的无人机圩堤管涌巡查系统及方法 Pending CN114545965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111676551.6A CN114545965A (zh) 2021-12-31 2021-12-31 一种基于深度学习的无人机圩堤管涌巡查系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111676551.6A CN114545965A (zh) 2021-12-31 2021-12-31 一种基于深度学习的无人机圩堤管涌巡查系统及方法

Publications (1)

Publication Number Publication Date
CN114545965A true CN114545965A (zh) 2022-05-27

Family

ID=81670223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111676551.6A Pending CN114545965A (zh) 2021-12-31 2021-12-31 一种基于深度学习的无人机圩堤管涌巡查系统及方法

Country Status (1)

Country Link
CN (1) CN114545965A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721136A (zh) * 2023-07-05 2023-09-08 应急管理部国家自然灾害防治研究院 管涌险情识别方法、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721136A (zh) * 2023-07-05 2023-09-08 应急管理部国家自然灾害防治研究院 管涌险情识别方法、电子设备及存储介质
CN116721136B (zh) * 2023-07-05 2024-03-19 应急管理部国家自然灾害防治研究院 管涌险情识别方法、电子设备及存储介质

Similar Documents

Publication Publication Date Title
KR102035693B1 (ko) 대기 오염 관리 방법 및 이를 위한 시스템
CN106504362A (zh) 基于无人机的输变电系统巡检方法
CN106657882A (zh) 基于无人机的输变电系统实时监控方法
KR101706171B1 (ko) 선박 추진장치를 구비한 수질 검사용 멀티콥터 및 이를 이용한 수질 검사 방법
CN203219298U (zh) 一种适用于山区电网巡检的专用无人直升机系统
CN202217365U (zh) 一种基于物联网技术森林防火用远红外探测一体机
CN103078673A (zh) 一种适用于山区电网巡检的专用无人直升机系统
CN105929845A (zh) 基于无人机网络的河道巡航系统与巡航方法
JP7065477B2 (ja) 災害状況判定システムおよび災害判定飛行システム
CN105775141A (zh) 基于无人机的冰情监测系统
CN103901806A (zh) 一种智能船舶靠泊辅助系统及方法
CN108061572B (zh) 一种海洋核动力平台综合态势显控系统及方法
CN114545965A (zh) 一种基于深度学习的无人机圩堤管涌巡查系统及方法
CN110673643A (zh) 一种无人机智能环保监测系统及方法
CN109596487A (zh) 一种高大建筑物工程扬尘溯源方法
CN205785937U (zh) 一种无人机水环境样品采集和水质常规项目现场检测系统
CN106097389A (zh) 一种基于图像模式识别的河流流速测量方法
CN113744427A (zh) 一种基于无人机遥感的航标巡检系统及巡检方法
JP2010014491A (ja) 洋上監視システムおよび方法
CN207423182U (zh) 一种用于水文水资源调查的智能遥控测量船
CN206537455U (zh) 一种浮标碰撞检测系统
CN107222723A (zh) 一种无人机视频与ais叠加综合管理系统
CN116625588A (zh) 一种堤坝渗水预警系统及方法
CN110989663A (zh) 一种对无人机进行控制的方法及系统
CN107144830A (zh) 一种野外搜救定位装置以及定位方法

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