CN114941807A - 一种基于无人机的热力管道泄漏快速监测与定位方法 - Google Patents
一种基于无人机的热力管道泄漏快速监测与定位方法 Download PDFInfo
- Publication number
- CN114941807A CN114941807A CN202210544993.3A CN202210544993A CN114941807A CN 114941807 A CN114941807 A CN 114941807A CN 202210544993 A CN202210544993 A CN 202210544993A CN 114941807 A CN114941807 A CN 114941807A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- leakage
- pipeline
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000011176 pooling Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000001931 thermography Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 238000010438 heat treatment Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000003416 augmentation Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 8
- 208000003164 Diplopia Diseases 0.000 claims description 7
- 208000029444 double vision Diseases 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 14
- 238000009423 ventilation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Image Processing (AREA)
Abstract
一种基于无人机的热力管道泄漏快速监测与定位方法，通过无人机上的红外热成像照相机沿热力管道拍照或录像，获取原始数据集；并利用SegNet‑16深度学习网络和图像分割技术对原始数据集处理；首先通过卷积提取特征，在卷积后保持图像原始尺寸，其后通过池化层增大感受野，图片变小；解码器中的上采样是池化的逆过程，上采样后图片变大2倍，通过解码器图片逐步放大直到还原成初始输入图片的尺寸；使用模型识别热力管道红外热成像图中的高温危险源，判断是否高温或者有泄漏危险；本发明能够对热力管道进行检查，可极大程度地减少热力公司的人员与资金投入，还能够以最快的速度找到热力管道泄漏点，此外还可以达到节约资源和保护环境的效果。
Description
技术领域
本发明涉及一种热力管网监测方法，具体是一种基于无人机的热力管道泄漏快速监测与定位方法，属于热力管道探测技术领域。
背景技术
在集中供热系统中，供热管网是连接热源与热用户之间的桥梁，承担着将热量在二者之间输配的作用。随着城市供热管网规模的不断增大以及热网使用年数的逐渐增长，热网故障概率也不断增加，其中，热力管道泄漏是一种最为常见的故障形式。供热管网通常具有泄漏地点和泄漏时间随机发生的特点，对热网的运行维护造成了严重的影响；同时泄漏会造成水量与热量的损失，这对热网的安全性与经济性带来了极大的危害。控制热力管道运行成本是供热企业发展需要面对的重要任务，因此科学地分析供热管网泄漏故障成因，提升管网运行的安全性与经济性，实现供热管网的现代化管理，是亟待供热企业和管理人员解决的重要问题。
红外热成像检测具有远距离、非接触、高精度、动态响应快、图像直观等特点，因此将其应用于管道的年度检查中，不仅提高了检验人员的工作效率，而且提高了管道缺陷的检出率。利用红外热成像技术可以实现：检测管道减薄、腐蚀、渗漏等故障，从而避免对环境及人员造成伤害；对蒸汽管道的保温层进行检测和评估，从而减少能耗，达到节能效果；对埋地管道的铺设位置进行检测，结合其他的管线寻线方法实现对埋地管道的检测。
红外热成像技术对目标特征的检测是基于物体及其周围环境反射或发射的电磁辐射的变化，不同的材料有不同的热特性，辐射能力有一定差异，红外热成像仪通过测量该物体发出辐射能的变化，可将其转换成可以根据热像图颜色的暖冷判断其温度高低的热像图。相对于传统的检测方法，红外热成像技术具有非接触性无损检测、快速实时、在线监测等优点，在热力管道无损检测与探伤方面具有广阔的应用前景。
近年来国内外许多专家学者对于红外热成像技术于热力管道泄露检测的应用有了很多研究，并取得了一定的成果，中国发明专利2017年9月26日公开了一种公开号为CN107202638A的“一种基于热红外成像的建筑暖通管道检测方法”，其使用热红外成像仪对建筑内部待检测区域进行巡回观测，拍摄待检测区域的红外图像；提取红外图像的图像特征，并结合管道水体红外图像特征识别暖通管道分布，以及判断已知存在暖通管道的区域是否正常供热；对暖通管道故障高发区域进行定点红外拍摄，并对所拍摄的红外图像进行处理，确认所述故障高发区域可能存在的问题，但是其在图像处理方面是通过工作人员肉眼去观察，工作强度较高，且监测效果准确度较低；中国发明专利2019年3月22日公开了一种公开号为CN109506132A的“一种基于可见光和红外热成像的热力管道探测系统”，其包括三定位六旋翼无人机、便携计算机和诊断服务器，这样依托于无人机摄像技术，大大减少了人力资源和时间，提高了工作效率，但是其在图像处理结果上存在误差较大，效率较低的缺陷。
发明内容
本发明的目的是提供一种基于无人机的热力管道泄漏快速监测与定位方法，运行简单，操作方便，能够对热力管道进行全程温度监测，快速找到热力管道的泄漏点，大大降低人员工作量，提高工作效率和监测的准确性，并能满足实际使用需求。
为了实现上述目的，本发明提供一种基于无人机的热力管道泄漏快速监测与定位方法，实现该方法的装置包括搭载红外热成像照相机的无人机以及对图像进行处理的图像处理及分析装置，所述监测与定位方法包括以下步骤：
①图像采集：通过无人机上的红外热成像照相机沿热力管道进行巡航拍照或录像，获取原始数据集；
②图像处理：利用图像处理及分析装置对步骤①的原始数据集进行处理；所述图像处理及分析装置包括以VGG-16为基础的SegNet-16深度学习网络和图像分割技术，SegNet-16采用全卷积神经网络的思路，使用编码器和解码器进行数据的压缩和扩充；
③构建编码器：在编码器中，首先通过卷积提取特征，在SegNet-16深度学习网络中使用的是SAME卷积，在卷积后保持图像原始尺寸，其后通过池化层增大感受野，同时图片变小；
④构建解码器：解码器中的上采样是池化的逆过程，上采样使得图片变大2倍；在池化层之后，每个卷积核会丢失3个权重，这些权重无法复原，但是在上采样层中可以得到在池化层中池化核的相对位置，所以上采样中先对输入的特征图放大两倍，然后把输入特征图的数据根据池化索引放入；通过解码器图片可以逐步放大直到还原成初始输入图片的尺寸；
⑤输出层，在SegNet-16深度学习网络框架中，最后一个卷积层会输出所有像素的类别，在网络最后需添加一个softmax层，softmax层会求出每一个像素所对应类别的概率，计算此概率与标签的交叉熵求得最终的损失函数值，Softmax函数计算公式以及损失函数计算公式如下：
⑥将数据集输入构建好的SegNet-16深度学习网络，训练识别模型，识别准确率曲线与损失函数曲线，使用模型识别热力管道红外热成像图中的高温危险源，判断是否高温或者有泄漏危险，如满足两者中的一个，则判断为不安全，结合图片及视频地理位置，无人机照片数据在无人机数据在线平台上还原危险区域坐标，便于检修人员定位维修，如两者中均不满足，则判断为安全，返回至步骤①重新检查。
进一步，步骤①具体为：使用无人机红外热成像照相机对热力管道进行拍摄，越热的地方颜色越亮，越冷的地方颜色越暗，共拍摄时长为4min的图像，按帧截取图片2400张，挑选其中600张较为典型的图片做数据集，并对其中危险源部分进行手工标注，随机划分420张照片做训练集，180张做测试集。
进一步，步骤②中的编码器部分使用的是VGG-16的前13层卷积网络，通过卷积-池化-激活模块对图像提取特征；每个编码器层都对应着一个解码器层，通过上采样使得图像分类后特征得以重现，并还原到图像原始尺寸，最终解码器的输出被送入softmax分类器以独立的为每个像素产生类概率。
进一步，步骤③中池化层通常有最大池化与平均池化两种方式，本文使用的是最大池化，使用一个2x2的卷积核，取出这4个权重最大的一个，相比于全卷积神经网络，在SegNet-16中的池化层多了一个索引功能，也就是每次池化，都会保存最大权值在卷积核中的相对位置，与此同时，将得到的索引输出，与对应的解码器相连，这样就不需要训练学习，节省了大量的存储空间。
为了过滤较多的干扰像素，本发明的步骤⑥还包括对识别后的图像进行形态学处理对经过测试，在进行闭运算处理后，可以大幅度过滤掉分类错误的像素点，使识别准确率提升。
本发明结合图片及视频地理位置，还原危险区域坐标的具体步骤如下：
使用图像识别模型识别到视频中的具体危险源后，可结合无人机中此时刻的坐标信息提取出热力管道危险源的具体位置照片，并在自研无人机数据在线平台系统中进行定位和查询，便于相关人员进行管理和维修工作，具体包括：
(1)管道实景在GIS地图的定位：可将无人机实景照片上传至自研无人机数据在线平台，平台自动将管道实景与地图匹配；
(2)泄漏点照片在点云模型上的精确定位：自研无人机数据在线平台可自动完成基于照片的三维点云模型合成，并根据视频输入的图像识别模型，将识别出的危险源照片自动定位到点云模型相应位置上，管理人员可从无人机在线数据平台上快速获知其具体坐标和危险点的具体部位。
无人机数据在线平台为三定位六旋翼无人机、便携计算机和诊断服务器；三定位六旋翼无人机上搭载双视红外热像仪、3D增稳云台和高清网络传输电台，三定位六旋翼无人机为双视红外热像仪、3D增稳云台和高清网络传输电台提供电源，可高精度定位，规划飞行航线，存储飞行轨迹；移动便携计算机为控制系统、GIS地理系统和云直播系统提供运行环境；3D增稳云台与控制系统连接，双视红外热像仪分别与控制系统、GIS地理系统和诊断服务器连接，所述诊断服务器还与GIS地理系统、高清网络传输电台和云直播系统连接。
与现有技术相比，本发明通过无人机上的红外热成像照相机沿热力管道进行巡航拍照或录像，获取原始数据集；并利用SegNet-16深度学习网络和图像分割技术对原始数据集进行处理；在编码器中，首先通过卷积提取特征，在SegNet-16深度学习网络中使用的是SAME卷积，在卷积后保持图像原始尺寸，其后通过池化层增大感受野，同时图片变小；解码器中的上采样是池化的逆过程，上采样使得图片变大2倍；在池化层之后，每个卷积核会丢失3个权重，这些权重无法复原，但是在上采样层中可以得到在池化层中池化核的相对位置，所以上采样中先对输入的特征图放大两倍，然后把输入特征图的数据根据池化索引放入；通过解码器图片可以逐步放大直到还原成初始输入图片的尺寸；在SegNet-16深度学习网络框架中，最后一个卷积层会输出所有像素的类别，在网络最后需添加一个softmax层，softmax层会求出每一个像素所对应类别的概率，计算此概率与标签的交叉熵求得最终的损失函数值，将数据集输入构建好的SegNet-16深度学习网络，训练识别模型，识别准确率曲线与损失函数曲线，使用模型识别热力管道红外热成像图中的高温危险源，判断是否高温或者有泄漏危险，如满足两者中的一个，则判断为不安全，结合图片及视频地理位置，还原危险区域坐标，便于检修人员定位维修，如两者中均不满足，则判断为安全；本发明能够对热力管道进行检查，可极大程度地减少热力公司的人员与资金投入，还能够以最快的速度找到热力管道泄漏点，此外还可以达到节约资源和保护环境的效果。
附图说明
图1为本发明的工作原理流程图；
图2为本发明采集到的红外图像示例图；
图3为本发明SegNet-16网络结构图；
图4为本发明池化过程示意图；
图5为本发明上采样过程示意图；
图6为本发明训练准确率图像；
图7为无人机数据在线平台合成的GIS定位图片；
图8为泄漏点在无人机数据在线平台合成点云模型上的位置照片。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，一种基于无人机的热力管道泄漏快速监测与定位方法，实现该方法的装置包括搭载红外热成像照相机的无人机以及对图像进行处理的图像处理及分析装置，所述监测与定位方法包括以下步骤：
①图像采集：通过无人机上的红外热成像照相机沿热力管道进行巡航拍照或录像，获取原始数据集；
②图像处理：利用图像处理及分析装置对步骤①的原始数据集进行处理；所述图像处理及分析装置包括以VGG-16为基础的SegNet-16深度学习网络和图像分割技术，以达到智能化、自动化识别热力管道危险源的目的，SegNet-16采用全卷积神经网络的思路，使用编码器和解码器进行数据的压缩和扩充；
③构建编码器：在编码器中，首先通过卷积提取特征，在SegNet-16深度学习网络中使用的是SAME卷积，在卷积后保持图像原始尺寸，其后通过池化层增大感受野，同时图片变小；
④构建解码器：解码器中的上采样是池化的逆过程，上采样使得图片变大2倍；在池化层之后，每个卷积核会丢失3个权重，这些权重无法复原，但是在上采样层中可以得到在池化层中池化核的相对位置，所以上采样中先对输入的特征图放大两倍，然后把输入特征图的数据根据池化索引放入；通过解码器图片可以逐步放大直到还原成初始输入图片的尺寸；池化过程示意图如图4所示，上采样过程如图5所示。
⑤输出层，在SegNet-16深度学习网络框架中，最后一个卷积层会输出所有像素的类别，在网络最后需添加一个softmax层，softmax层会求出每一个像素所对应类别的概率，计算此概率与标签的交叉熵求得最终的损失函数值，Softmax函数计算公式以及损失函数计算公式如下：
⑥将数据集输入构建好的SegNet-16深度学习网络，训练识别模型，识别准确率曲线与损失函数曲线，使用模型识别热力管道红外热成像图中的高温危险源，判断是否高温或者有泄漏危险，如满足两者中的一个，则判断为不安全，结合图片及视频地理位置，无人机照片数据在无人机数据在线平台上还原危险区域坐标，便于检修人员定位维修，如两者中均不满足，则判断为安全，返回至步骤①重新检查。本发明训练准确率图像如图6所示。
本发明的步骤①具体为：使用无人机红外热成像照相机对热力管道进行拍摄，越热的地方颜色越亮，越冷的地方颜色越暗，共拍摄时长为4min的图像，按帧截取图片2400张，挑选其中600张较为典型的图片做数据集，并对其中危险源部分进行手工标注，随机划分420张照片做训练集，180张做测试集，红外图像示例如图2所示。
步骤②中的编码器部分使用的是VGG-16的前13层卷积网络，通过卷积-池化-激活模块对图像提取特征；每个编码器层都对应着一个解码器层，通过上采样使得图像分类后特征得以重现，并还原到图像原始尺寸，最终解码器的输出被送入softmax分类器以独立的为每个像素产生类概率，SegNet-16深度学习网络结构示意图如图3所示。
步骤③中池化层通常有最大池化与平均池化两种方式，本文使用的是最大池化，使用一个2x2的卷积核，取出这4个权重最大的一个。相比于全卷积神经网络，在SegNet-16中的池化层多了一个索引功能，也就是每次池化，都会保存最大权值在卷积核中的相对位置。与此同时，将得到的索引输出，与对应的解码器相连，这样就不需要训练学习，节省了大量的存储空间。
步骤⑥还包括对识别后的图像进行形态学处理。
本系统基于配备有图像处理工具箱的MATLAB R2017b平台来进行系统测试，工具箱内置了大量数字图像处理的基本函数和通用算法，并提供了可用于二次开发的程序编译平台、测试环境；本发明的无人机平台为三定位六旋翼无人机、便携计算机和诊断服务器；三定位六旋翼无人机上搭载红外热成像照相机、3D增稳云台和高清网络传输电台，三定位六旋翼无人机为红外热成像照相机、3D增稳云台和高清网络传输电台提供电源，可高精度定位，规划飞行航线，存储飞行轨迹；移动便携计算机为控制系统、GIS地理系统和云直播系统提供运行环境；3D增稳云台与控制系统连接，双视红外热像仪分别与控制系统、GIS地理系统和诊断服务器连接，所述诊断服务器还与GIS地理系统、高清网络传输电台和云直播系统连接，所述高清网络传输电台与云直播系统连接；
实施例
本实施例的现场测试环境为江北某沿江公路旁的热力管道，测试所使用的计算机环境为：Intel(R)Core TM)i5-42101.70GHz处理器，8GB RAM，Windows 864bit，安装MATLAB2017b软件，可直接通过外网访问自研的无人机照片数据在线管理平台。
为验证系统和模型的准确性，对系统进行了测试，测试的重点在于识别热力管道危险源的可靠性和准确性，本次测试截取50米长的热力管道进行拍摄，拍摄时长为20秒，按照本发明的方法步骤对热力管道拍摄红外热图像，输入系统中进行判定，系统共识别出5张有危险源的图像，判定结果如表：
经测试和分析发现，本发明针对热力管道危险源识别效果较好，并不存在漏检的情况，可基本满足施工现场的需要。
无人机照片中泄漏危险点在线定位，使用图像识别模型识别到视频中的具体危险源后，可结合无人机中此时刻的坐标信息提取出热力管道危险源的具体位置照片，并在自研无人机数据在线平台系统中进行定位和查询，便于相关人员进行管理和维修工作。具体包括：(1)管道实景在GIS地图的定位：可将无人机实景照片上传至自研无人机数据在线平台，平台自动将管道实景与地图匹配，界面如图7所示；(2)泄漏点照片在点云模型上的精确定位：自研无人机数据在线平台可自动完成基于照片的三维点云模型合成，并根据视频输入的图像识别模型，将识别出的危险源照片可自动定位到点云模型相应位置上，管理人员可从无人机在线数据平台上快速获知其具体坐标和危险点的具体部位，界面如图8所示。
Claims (7)
1.一种基于无人机的热力管道泄漏快速监测与定位方法，实现该方法的装置包括搭载红外热成像照相机的无人机以及对图像进行处理的图像处理及分析装置，其特征在于，所述监测与定位方法包括以下步骤：
①图像采集：通过无人机上的红外热成像照相机沿热力管道进行巡航拍照或录像，获取原始数据集；
②图像处理：利用图像处理及分析装置对步骤①的原始数据集进行处理；所述图像处理及分析装置包括以VGG-16为基础的SegNet-16深度学习网络和图像分割技术，SegNet-16采用全卷积神经网络的思路，使用编码器和解码器进行数据的压缩和扩充；
③构建编码器：在编码器中，首先通过卷积提取特征，在SegNet-16深度学习网络中使用的是SAME卷积，在卷积后保持图像原始尺寸，其后通过池化层增大感受野，同时图片变小；
④构建解码器：解码器中的上采样是池化的逆过程，上采样使得图片变大2倍；在池化层之后，每个卷积核会丢失3个权重，这些权重无法复原，但是在上采样层中可以得到在池化层中池化核的相对位置，所以上采样中先对输入的特征图放大两倍，然后把输入特征图的数据根据池化索引放入；通过解码器图片逐步放大直到还原成初始输入图片的尺寸；
⑤输出层，在SegNet-16深度学习网络框架中，最后一个卷积层会输出所有像素的类别，在网络最后需添加一个softmax层，softmax层会求出每一个像素所对应类别的概率，计算此概率与标签的交叉熵求得最终的损失函数值，Softmax函数计算公式以及损失函数计算公式如下：
式中：xi为最后一个卷积层输出像素的类别；
yi为标签真实值；
⑥将数据集输入构建好的SegNet-16深度学习网络，训练识别模型，识别准确率曲线与损失函数曲线，使用模型识别热力管道红外热成像图中的高温危险源，判断是否高温或者有泄漏危险，如满足两者中的一个，则判断为不安全，结合图片及视频地理位置，无人机照片数据在无人机数据在线平台上还原危险区域坐标，如两者中均不满足，则判断为安全，返回至步骤①重新检查。
2.根据权利要求1所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，步骤①具体为：使用无人机红外热成像照相机对热力管道进行拍摄，共拍摄时长为4min的图像，按帧截取图片2400张，挑选其中600张典型的图片做数据集，并对其中危险源部分进行手工标注，随机划分420张照片做训练集，180张做测试集。
3.根据权利要求1或2所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，步骤②中的编码器部分使用的是VGG-16的前13层卷积网络，通过卷积-池化-激活模块对图像提取特征；每个编码器层都对应着一个解码器层，通过上采样使得图像分类后特征得以重现，并还原到图像原始尺寸，最终解码器的输出被送入softmax分类器以独立的为每个像素产生类概率。
4.根据权利要求3所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，步骤③中池化层采用的是最大池化，使用一个2x2的卷积核，取出这4个权重最大的一个。
5.根据权利要求3所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，步骤⑥还包括对识别后的图像进行形态学处理。
6.根据权利要求5所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，结合图片及视频地理位置，还原危险区域坐标的具体步骤如下：
使用图像识别模型识别到视频中的具体危险源后，结合无人机中此时刻的坐标信息提取出热力管道危险源的具体位置照片，并在无人机数据在线平台系统中进行定位和查询，便于相关人员进行管理和维修工作，具体包括：
(1)管道实景在GIS地图的定位：可将无人机实景照片上传至无人机数据在线平台，平台自动将管道实景与地图匹配；
(2)泄漏点照片在点云模型上的精确定位：无人机数据在线平台可自动完成基于照片的三维点云模型合成，并根据视频输入的图像识别模型，将识别出的危险源照片自动定位到点云模型相应位置上，管理人员可从无人机在线数据平台上快速获知其具体坐标和危险点的具体部位。
7.根据权利要求6所述的一种基于无人机的热力管道泄漏快速监测与定位方法，其特征在于，无人机数据在线平台为三定位六旋翼无人机、便携计算机和诊断服务器；三定位六旋翼无人机上搭载双视红外热像仪、3D增稳云台和高清网络传输电台，三定位六旋翼无人机为双视红外热像仪、3D增稳云台和高清网络传输电台提供电源，便携计算机为控制系统、GIS地理系统和云直播系统提供运行环境；3D增稳云台与控制系统连接，双视红外热像仪分别与控制系统、GIS地理系统和诊断服务器连接，所述诊断服务器还与GIS地理系统、高清网络传输电台和云直播系统连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544993.3A CN114941807A (zh) | 2022-05-19 | 2022-05-19 | 一种基于无人机的热力管道泄漏快速监测与定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210544993.3A CN114941807A (zh) | 2022-05-19 | 2022-05-19 | 一种基于无人机的热力管道泄漏快速监测与定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114941807A true CN114941807A (zh) | 2022-08-26 |
Family
ID=82907850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210544993.3A Pending CN114941807A (zh) | 2022-05-19 | 2022-05-19 | 一种基于无人机的热力管道泄漏快速监测与定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114941807A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984720A (zh) * | 2022-12-19 | 2023-04-18 | 山东和同信息科技股份有限公司 | 一种基于大数据技术的供热管网管理系统 |
| CN116229300A (zh) * | 2023-04-07 | 2023-06-06 | 上海华维可控农业科技集团股份有限公司 | 一种用于高标准农田下的灌溉节能管理系统及方法 |
| CN117723212A (zh) * | 2024-02-04 | 2024-03-19 | 烟台明炬新能源有限公司 | 一种适用于不同场合的组合式工业危害气体泄漏检测仪 |
-
2022
- 2022-05-19 CN CN202210544993.3A patent/CN114941807A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115984720A (zh) * | 2022-12-19 | 2023-04-18 | 山东和同信息科技股份有限公司 | 一种基于大数据技术的供热管网管理系统 |
| CN115984720B (zh) * | 2022-12-19 | 2024-04-12 | 山东和同信息科技股份有限公司 | 一种基于大数据技术的供热管网管理系统 |
| CN116229300A (zh) * | 2023-04-07 | 2023-06-06 | 上海华维可控农业科技集团股份有限公司 | 一种用于高标准农田下的灌溉节能管理系统及方法 |
| CN116229300B (zh) * | 2023-04-07 | 2023-10-20 | 上海华维可控农业科技集团股份有限公司 | 一种用于高标准农田下的灌溉节能管理系统及方法 |
| CN117723212A (zh) * | 2024-02-04 | 2024-03-19 | 烟台明炬新能源有限公司 | 一种适用于不同场合的组合式工业危害气体泄漏检测仪 |
| CN117723212B (zh) * | 2024-02-04 | 2024-04-19 | 烟台明炬新能源有限公司 | 一种适用于不同场合的组合式工业危害气体泄漏检测仪 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、系统及软件存储器 | |
| CN112633535B (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
| US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
| CN114941807A (zh) | 一种基于无人机的热力管道泄漏快速监测与定位方法 | |
| CN109858367B (zh) | 工人通过支撑不安全行为的视觉自动化检测方法及系统 | |
| CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
| CN106340009B (zh) | 一种基于平行双目的电力线检测方法及系统 | |
| CN110220909A (zh) | 一种基于深度学习的地铁盾构隧道病害检测方法 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
| CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
| CN112446852A (zh) | 一种隧道成像平面展示方法及缺陷智能识别系统 | |
| CN113569956A (zh) | 一种基于ai算法的山火灾害勘查识别方法 | |
| CN114812403A (zh) | 基于无人机及机器视觉的大跨度钢结构吊装变形监测方法 | |
| Ko et al. | ABECIS: An automated building exterior crack inspection system using UAVs, open-source deep learning and photogrammetry | |
| Yixuan et al. | Aeroengine blade surface defect detection system based on improved faster RCNN | |
| Rolfsen et al. | The use of the BIM-model and scanning in quality assurance of bridge constructions | |
| CN109543533B (zh) | 一种用于机场作业人员管理的自动识别方法 | |
| CN117437220A (zh) | 一种基于大数据的建筑工程质量检测方法及系统 | |
| Guo et al. | Detection and classification of pipe defects based on pipe-extended feature pyramid network | |
| CN113762247A (zh) | 一种基于显著实例分割算法的道路裂缝自动检测方法 | |
| CN111325076B (zh) | 一种基于U-net与Seg-net网络融合的航空地面建筑物提取方法 | |
| CN111091553A (zh) | 一种挡键丢失检测方法 | |
| Li et al. | Non-destructive testing research on the surface damage faced by the Shanhaiguan Great Wall based on machine learning | |
| CN115355952A (zh) | 一种原油储罐智能巡检系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220826 |