CN115170980A - 一种基于卫星影像识别的输气管道高后果区智能识别方法 - Google Patents
一种基于卫星影像识别的输气管道高后果区智能识别方法 Download PDFInfo
- Publication number
- CN115170980A CN115170980A CN202210789232.4A CN202210789232A CN115170980A CN 115170980 A CN115170980 A CN 115170980A CN 202210789232 A CN202210789232 A CN 202210789232A CN 115170980 A CN115170980 A CN 115170980A
- Authority
- CN
- China
- Prior art keywords
- gas transmission
- transmission pipeline
- area
- data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Pipeline Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卫星影像识别的输气管道高后果区智能识别方法,包括:S1,收集待识别的输气管道数据信息以及输气管道的中线坐标信息,计算输气管道的潜在影响半径,下载输气管道周边潜在影响半径范围内的影像地图;S2,导入影像地图,对其中影像进行预处理获得建立深度学习模型的基础数据;S3,建立深度学习模型并基于深度学习模型对影像地图进行影像识别和分类获得并输出识别结果;S4,对识别结果执行去噪操作;S5,基于提升效果后的影像识别提取建筑物数据和人口数据;S6,确定三级高后果区判定条件的量化标准,对输气管道高后果区等级进行计算;S7,输出高后果区识别结果。还公开了对应系统、电子设备以及计算机可读存储介质。
Description
技术领域
本发明涉及管道管理领域,具体涉及一种基于卫星影像识别的输气管道高后果区智能识别方法。
背景技术
管道运输是油气能源输送最重要、最经济的输送方式。随着经济社会的快速发展,城镇化水平不断提高,油气管道沿线的人口和建筑物逐渐增多。按照规范要求,管道企业在运营期应周期性开展高后果区识别,识别时间间隔最长不超过18个月。高后果区指的是管道泄漏后可能对公众和环境造成较大不良影响的区域。根据GB 32167-2015《油气输送管道完整性管理规范》,输气管道沿线高后果区主要包括以下区域:1)管道经过的三级地区、四级地区;2)管道潜在影响区域内有医院、集市、学校、托儿所、幼儿园等人群疏散困难的特定场所;3)管道中心线两侧各200m范围内有化工厂、加油站、油库等易燃易爆场所。共分为Ⅰ、Ⅱ、Ⅲ三个等级,其中Ⅰ级表示最小的严重程度,Ⅲ级表示最大的严重程度。高后果区识别是管道完整性管理的关键环节,是预防和防范管道安全事故的重要手段。管道企业通过开展高后果区识别,可以辨识管道安全风险,明确管理重心,合理配置资源,并制定有针对性的风险减缓措施。开展高后果区识别,不仅有助于管道运营企业明确管道高后果区的成因、影响范围与后果,掌握管道发生泄漏后可能产生严重后果的区域,还可以使管道管理者通过开展针对性的风险评价、完整性评价、地灾监控及巡检管理等措施,持续消除识别出的不利影响因素,将风险控制在合理、可接受的范围内,最终实现安全、经济、可靠地运营管道的目的。
常用的高后果区识别方式需要大量外业调查人员通过采集管线周边建筑物、特定场所和居住人口等信息。该方式无论是在时效性、人力成本还是识别准确性、统一性等方面都存在一定的影响。而无人机航测在管道周边区域,尤其是在人口密集区域存在空域管制的问题,无人机飞行受限。
卫星遥感技术具有时效性高、覆盖广的特点,随着我国遥感技术的高速发展,卫星影像采样周期逐渐变短,能够满足输气管道高后果区周期性识别的要求。长期以来,卫星影像数据在土地资源调查、违章建筑监控等方面进行了应用研究,取得了较大成效。然而在输气管道高后果区识别方面还未展开应用。
发明内容
为了克服现有技术中这部分的缺失及不足,本发明提供一种基于卫星影像识别的输气管道高后果区智能识别系统及方法,利用管线周边高清卫星影像地图结合深度学习技术经过样本标注、数据提取、模型训练、机器推理、分析提取等步骤将管线周边建筑物轮廓拐点、中心点等坐标以及建筑物面积等数据提取出来,利用逆地址编码技术获取该建筑物的相关属性(类型、层高、具体位置、行政区)以及与管道的间距等信息,依据高后果区识别准则从而完成对各管线高后果区的智能化识别,并能够基于识别结果自动生成一区一案信息以及高后果区报告。
本发明的目的在于提供一种基于卫星影像识别的输气管道高后果区智能识别方法,包括:
S1,收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
S2,导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
S3,建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
S4,对所述识别结果执行去噪操作以提升所述影像识别的效果;
S5,基于提升效果后的影像识别提取建筑物数据和人口数据;
S6,确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;
S7,输出高后果区识别结果。
优选的,所述S2的所述预处理包括:
S21,对所述影像的特征建筑进行标注;
S22,将标注好的所述影像利用系统工具进行导出和切片操作获得指定格式的切片数据;
S23,输出指定格式的切片数据,其中所述切片数据作为建立深度学习模型的基础数据。
优选的,所述S3包括:
S31,基于深度学习算法对所述基础数据进行深度学习和训练,从而建立经过深度学习和训练的深度学习模型;
S32,基于所述深度学习模型和图像识别算法对所述影像地图进行影像识别和分类,获得识别结果;
S33,将所述识别结果以要素图层的形式输出。
优选的,所述S4包括:
针对输出的所述要素图层执行众数滤波算法,根据相邻像元之间的众数来替换指定像元的原理对所述要素图层中的要素进行去噪操作。
优选的,所述S5包括:
S51,基于折线压缩算法对所述要素图层中无规则的建筑物轮廓进行规则化处理,从而提取规则化的建筑物轮廓数据以及建筑面积数据;
S52,执行要素转点操作计算所述建筑物轮廓的折点和中心点位置坐标;
S53,基于近邻分析操作分别计算建筑物中心点、折点与所述输气管道的垂直点距离,以此来筛选出在所述输气管道的潜在影响范围内的建筑物;
S54,基于DBSCAN密度聚类算法对所述潜在影响范围内的建筑物中受影响的密集建筑进行分析并计算密集区域的边界值;
S55,基于逆地址编码算法,通过建筑物的中心点坐标数据获取建筑物的类型、位置、行政区域、规模、人口数量的属性信息,获取建筑面积、层高、人口数量来自动计算人口系数,基于所述人口系数获得第一权重系数,其中所述人口数量自动获取或通过小程序下派外业调研计划,进行现场调查采集所述人口数量;根据历史识别数据计算第二权重系数,基于所述第一权重系数和第二权重系数计算建筑物的户数;
S56:基于GIS技术以及第三方网站数据获取所述输气管道周边特定场所信息和应急资源信息。
优选的,所述S6包括:
S61,基于《输气管道工程设计规范》(GB 50251-2015)和《油气输送管道完整性管理规范》(GB 32167-2015)关于管道地区等级和高后果区分级标准,确定三级高后果区判定条件的量化标准,所述三级高后果区包括Ⅰ、Ⅱ、Ⅲ高后果区;
S62,结合识别出的所述建筑物数据和人口数据,通过模型算法对所述输气管道的高后果区等级进行计算;
S63,基于所述三级高后果区判定条件的量化标准,利用识别出的建筑物数据,根据聚类算法计算四层及四层以上楼房普遍集中的建筑区域的边界,根据规则以2km范围内存在三个及三个以上聚类区域来判别Ⅲ级高后果区并计算对应边界;针对边界点落在聚类区域内的情况,根据算法对边界进行修正以此来提升边界点的精度,将当前聚类区域的等级与原高后果区等级进行对比,等级相同则进行合并,等级不同则进行拆分。
优选的所述S7包括:自动生成高后果区报告文档和一区一案文档,并将高后果区的地理位置、长度、级别数据信息以在线地图的形式发布。
本发明的目的还在于提供一种基于卫星影像识别的输气管道高后果区智能识别系统,包括:
信息收集模块,用于收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
导入模块,用于导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
模型建立及影像识别模块,用于建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
影像识别提升模块,用于对所述识别结果执行去噪操作以提升所述影像识别的效果;
信息识别模块,用于基于提升效果后的影像识别提取建筑物数据和人口数据;
计算模块,用于确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;以及
输出模块,用于输出高后果区识别结果。
本发明的第三方面提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明的有益效果:
利用人工智能技术通过对管道周边卫星影像进行识别的方式来完成对管线高后果区识别的方法,解决现有高后果区识别模式中存在的时效低、人力成本高以及高后果区识别精度低等问题;能够通过识别管线周边影像的方式完成对高后果区的识别工作,能够显著提升效率以及节省人力成本和提高准确性;能够利用系统快速定位获取高后果区信息以及周边特定场所的详细信息。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。本发明的目标及特征考虑到如下结合附图的描述将更加明显,附图中:
图1为根据本发明实施例的方法中关于量化高后果区判定规则后进行高后果区等级计算的算例;
图2为根据本发明实施例的识别聚类区域和三级高后果区范围的算例;
图3为根据本发明实施例的高后果区等级为基础的区域合并和拆分的算例。
图4为本发明提供的电子设备一种实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例一
提供一种基于卫星影像识别的输气管道高后果区智能识别方法,包括:
S1,收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
S2,导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
S3,建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
S4,对所述识别结果执行去噪操作以提升所述影像识别的效果;
S5,基于提升效果后的影像识别提取建筑物数据和人口数据;
S6,确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;
S7,输出高后果区识别结果。
作为优选的实施方式,所述S2的所述预处理包括:
S21,对所述影像的特征建筑进行标注;
S22,将标注好的所述影像利用系统工具进行导出和切片操作获得指定格式的切片数据;
S23,输出指定格式的切片数据,其中所述切片数据作为建立深度学习模型的基础数据。
作为优选的实施方式,所述S3包括:
S31,基于深度学习算法对所述基础数据进行深度学习和训练,从而建立经过深度学习和训练的深度学习模型;
S32,基于所述深度学习模型和图像识别算法对所述影像地图进行影像识别和分类,获得识别结果;
S33,将所述识别结果以要素图层的形式输出。
作为优选的实施方式,所述S4包括:
针对输出的所述要素图层执行众数滤波算法,根据相邻像元之间的众数来替换指定像元的原理对所述要素图层中的要素进行去噪操作,从而提升所述影像的识别效果。
作为优选的实施方式,所述S5包括:
S51,基于折线压缩算法对所述要素图层中无规则的建筑物轮廓进行规则化处理,从而提取规则化的建筑物轮廓数据以及建筑面积数据;
S52,执行要素转点操作计算所述建筑物轮廓的折点和中心点位置坐标;
S53,基于近邻分析操作分别计算建筑物中心点、折点与所述输气管道的垂直点距离,以此来筛选出在所述输气管道的潜在影响范围内的建筑物;
S54,基于DBSCAN密度聚类算法对所述潜在影响范围内的建筑物中受影响的密集建筑进行分析并计算密集区域的边界值,以此来提升高后果区边界点的识别精度;
S55,基于逆地址编码算法,通过建筑物的中心点坐标数据获取建筑物的类型、位置、行政区域、规模、人口数量的属性信息,获取建筑面积、层高、人口数量来自动计算人口系数,基于所述人口系数获得第一权重系数,其中所述人口数量自动获取或通过小程序下派外业调研计划,进行现场调查采集所述人口数量;根据历史识别数据计算第二权重系数,基于所述第一权重系数和第二权重系数计算建筑物的户数;
S56:基于GIS技术以及第三方网站数据获取所述输气管道周边特定场所信息(医院、学校、托儿所、养老院、监狱、集市、寺庙、广场)和应急资源信息(医院、消防、应急中心等)。
作为优选的实施方式,所述S6包括:
S61,基于《输气管道工程设计规范》(GB 50251-2015)和《油气输送管道完整性管理规范》(GB 32167-2015)关于管道地区等级和高后果区分级标准,确定三级高后果区判定条件的量化标准,所述三级高后果区包括Ⅰ、Ⅱ、Ⅲ高后果区;
S62,结合识别出的所述建筑物数据和人口数据,通过模型算法对所述输气管道的高后果区等级进行计算;
本实施例中,如图1所示,系统以管线上下各200m长度2km的矩形区域为基础,通过判断该区域内建筑户数来计算该区域的地区等级同时系统以5m为递进单位继续对后面2km范围内矩形区域进行递归计算,等级相同则进行区域合并,等级不同则进行区域拆分划段。
S63,基于所述三级高后果区判定条件的量化标准,利用识别出的建筑物数据,根据聚类算法计算四层及四层以上楼房普遍集中的建筑区域的边界,根据规则以2km范围内存在三个及三个以上聚类区域来判别Ⅲ级高后果区并计算对应边界,如图2所示clusterA、clusterB、clusterC为系统识别出的符合条件的聚类区域,HCA-001为系统根据以上规则识别出的三级高后果区范围。
针对边界点落在聚类区域内的情况,根据算法对边界进行修正以此来提升边界点的精度,如图3中的clusterB,高后果区边界处在该聚类区域内,将当前聚类区域的等级与原高后果区等级进行对比,等级相同则进行合并,等级不同则进行拆分。
作为优选的实施方式,所述S7包括:自动生成高后果区报告文档和一区一案文档,并将高后果区的地理位置、长度、级别等数据信息以在线地图的形式发布,方便用户预览以及在发生事故是能够快速定位事故地点以及对应高后果区等级和周边场所信息。
实施例二
一种基于卫星影像识别的输气管道高后果区智能识别系统,包括:
信息收集模块,用于收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
导入模块,用于导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
模型建立及影像识别模块,用于建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
影像识别提升模块,用于对所述识别结果执行去噪操作以提升所述影像识别的效果;
信息识别模块,用于基于提升效果后的影像识别提取建筑物数据和人口数据;
计算模块,用于确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;
输出模块,用于输出高后果区识别结果。
本实施例还提供了一种存储器,存储有多条指令,指令用于实现如实施例一的方法。
如图4所示,本发明还提供了一种电子设备,包括处理器301和与处理器301连接的存储器302,存储器302存储有多条指令,指令可被处理器加载并执行,以使处理器能够执行如实施例二的方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,包括:
S1,收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
S2,导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
S3,建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
S4,对所述识别结果执行去噪操作以提升所述影像识别的效果;
S5,基于提升效果后的影像识别提取建筑物数据和人口数据;
S6,确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;
S7,输出高后果区识别结果。
2.根据权利要求1所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S2的所述预处理包括:
S21,对所述影像的特征建筑进行标注;
S22,将标注好的所述影像利用系统工具进行导出和切片操作获得指定格式的切片数据;
S23,输出指定格式的切片数据,其中所述切片数据作为建立深度学习模型的基础数据。
3.根据权利要求2所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S3包括:
S31,基于深度学习算法对所述基础数据进行深度学习和训练,从而建立经过深度学习和训练的深度学习模型;
S32,基于所述深度学习模型和图像识别算法对所述影像地图进行影像识别和分类,获得识别结果;
S33,将所述识别结果以要素图层的形式输出。
4.根据权利要求3所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S4包括:
针对输出的所述要素图层执行众数滤波算法,根据相邻像元之间的众数来替换指定像元的原理对所述要素图层中的要素进行去噪操作。
5.根据权利要求4所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S5包括:
S51,基于折线压缩算法对所述要素图层中无规则的建筑物轮廓进行规则化处理,从而提取规则化的建筑物轮廓数据以及建筑面积数据;
S52,执行要素转点操作计算所述建筑物轮廓的折点和中心点位置坐标;
S53,基于近邻分析操作分别计算建筑物中心点、折点与所述输气管道的垂直点距离,以此来筛选出在所述输气管道的潜在影响范围内的建筑物;
S54,基于DBSCAN密度聚类算法对所述潜在影响范围内的建筑物中受影响的密集建筑进行分析并计算密集区域的边界值;
S55,基于逆地址编码算法,通过建筑物的中心点坐标数据获取建筑物的类型、位置、行政区域、规模、人口数量的属性信息,获取建筑面积、层高、人口数量来自动计算人口系数,基于所述人口系数获得第一权重系数,其中所述人口数量自动获取或通过小程序下派外业调研计划,进行现场调查采集所述人口数量;根据历史识别数据计算第二权重系数,基于所述第一权重系数和第二权重系数计算建筑物的户数;
S56:基于GIS技术以及第三方网站数据获取所述输气管道周边特定场所信息和应急资源信息。
6.根据权利要求5所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S6包括:
S61,基于《输气管道工程设计规范》(GB 50251-2015)和《油气输送管道完整性管理规范》(GB 32167-2015)关于管道地区等级和高后果区分级标准,确定三级高后果区判定条件的量化标准,所述三级高后果区包括Ⅰ、Ⅱ、Ⅲ高后果区;
S62,结合识别出的所述建筑物数据和人口数据,通过模型算法对所述输气管道的高后果区等级进行计算;
S63,基于所述三级高后果区判定条件的量化标准,利用识别出的建筑物数据,根据聚类算法计算四层及四层以上楼房普遍集中的建筑区域的边界,根据规则以2km范围内存在三个及三个以上聚类区域来判别Ⅲ级高后果区并计算对应边界;针对边界点落在聚类区域内的情况,根据算法对边界进行修正以此来提升边界点的精度,将当前聚类区域的等级与原高后果区等级进行对比,等级相同则进行合并,等级不同则进行拆分。
7.根据权利要求6所述的一种基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,所述S7包括:自动生成高后果区报告文档和一区一案文档,并将高后果区的地理位置、长度、级别数据信息以在线地图的形式发布。
8.一种基于卫星影像识别的输气管道高后果区智能识别系统,用于实施根据权利要求1-7任一所述的基于卫星影像识别的输气管道高后果区智能识别方法,其特征在于,包括:
信息收集模块,用于收集待识别的所述输气管道数据信息以及所述输气管道的中线坐标信息,所述输气管道数据信息包括所述输气管道的运行压力和管径,根据所述输气管道的运行压力和管径计算所述输气管道的潜在影响半径,根据所述输气管道的中线坐标信息下载所述输气管道周边潜在影响半径范围内的影像地图;
导入模块,用于导入所述影像地图,对所述影像地图中的影像进行预处理获得建立深度学习模型的基础数据;
模型建立及影像识别模块,用于建立所述深度学习模型并基于所述深度学习模型对所述影像地图进行影像识别和分类获得并输出识别结果;
影像识别提升模块,用于对所述识别结果执行去噪操作以提升所述影像识别的效果;
信息识别模块,用于基于提升效果后的影像识别提取建筑物数据和人口数据;
计算模块,用于确定三级高后果区判定条件的量化标准,并基于所述建筑物数据和人口数据以及所述量化标准对所述输气管道高后果区等级进行计算;以及
输出模块,用于输出高后果区识别结果。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
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存储有多条指令,所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210789232.4A CN115170980B (zh) | 2022-07-06 | 2022-07-06 | 一种基于卫星影像识别的输气管道高后果区智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210789232.4A CN115170980B (zh) | 2022-07-06 | 2022-07-06 | 一种基于卫星影像识别的输气管道高后果区智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170980A true CN115170980A (zh) | 2022-10-11 |
CN115170980B CN115170980B (zh) | 2023-03-24 |
Family
ID=83492035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210789232.4A Active CN115170980B (zh) | 2022-07-06 | 2022-07-06 | 一种基于卫星影像识别的输气管道高后果区智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170980B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683905A (zh) * | 2022-12-09 | 2023-02-03 | 广东大鹏液化天然气有限公司 | 一种长输气管道划伤本体所致裂纹的检测修复方法和系统 |
CN116110071A (zh) * | 2023-04-07 | 2023-05-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
CN117746271A (zh) * | 2023-12-29 | 2024-03-22 | 西南石油大学 | 一种基于无人机影像的输气管道高后果区智能识别方法 |
CN117746271B (zh) * | 2023-12-29 | 2024-09-27 | 西南石油大学 | 一种基于无人机影像的输气管道高后果区智能识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960049A (zh) * | 2018-05-25 | 2018-12-07 | 中国石油天然气股份有限公司 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
CN110070242A (zh) * | 2018-01-23 | 2019-07-30 | 中国石油化工股份有限公司 | 输气管道高后果区识别评价系统及方法 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
-
2022
- 2022-07-06 CN CN202210789232.4A patent/CN115170980B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070242A (zh) * | 2018-01-23 | 2019-07-30 | 中国石油化工股份有限公司 | 输气管道高后果区识别评价系统及方法 |
CN108960049A (zh) * | 2018-05-25 | 2018-12-07 | 中国石油天然气股份有限公司 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
LIANGKAIWU ET.AL.: ""Exploring the high consequence zone classification of gas gathering pipelines containing hydrogen sulphide"", 《2021 IEEE INTERNATIONAL CONFERENCE ON EMERGENCY SCIENCE AND INFORMATION TECHNOLOGY (ICESIT)》 * |
刘翼等: ""基于高分辨率遥感影像的管道高后果区识别方法"", 《检测与完整性》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115683905A (zh) * | 2022-12-09 | 2023-02-03 | 广东大鹏液化天然气有限公司 | 一种长输气管道划伤本体所致裂纹的检测修复方法和系统 |
CN116110071A (zh) * | 2023-04-07 | 2023-05-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
CN116110071B (zh) * | 2023-04-07 | 2023-09-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
CN117746271A (zh) * | 2023-12-29 | 2024-03-22 | 西南石油大学 | 一种基于无人机影像的输气管道高后果区智能识别方法 |
CN117746271B (zh) * | 2023-12-29 | 2024-09-27 | 西南石油大学 | 一种基于无人机影像的输气管道高后果区智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115170980B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170980B (zh) | 一种基于卫星影像识别的输气管道高后果区智能识别方法 | |
Wang et al. | Machine learning-based regional scale intelligent modeling of building information for natural hazard risk management | |
Strunz et al. | Tsunami risk assessment in Indonesia | |
US11966424B2 (en) | Method and apparatus for dividing region, storage medium, and electronic device | |
CN112288247B (zh) | 一种基于空间交互关系的土壤重金属风险识别方法 | |
Schempp et al. | A framework to integrate social media and authoritative data for disaster relief detection and distribution optimization | |
CN104992254B (zh) | 基于电网gis的山火与气象结合的趋势预判方法 | |
CN116109462B (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
US11031757B2 (en) | Submarine cable route planning tool | |
CN110503805A (zh) | 管道地质灾害监测预警方法及装置 | |
CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
CN116028499B (zh) | 检测信息生成方法、电子设备和计算机可读介质 | |
CN116384255B (zh) | 一种基于多源数据融合的园区危险态势感知方法及系统 | |
Pittore et al. | Toward a loss‐driven earthquake early warning and rapid response system for Kyrgyzstan (Central Asia) | |
Koshimura | Establishing the advanced disaster reduction management system by fusion of real-time disaster simulation and big data assimilation | |
CN115577011A (zh) | 一种输电线路监测方法及相关设备 | |
Nocera et al. | Selection of the modeling resolution of infrastructure | |
CN117078045B (zh) | 一种交通基础设施全息检监测方法及系统 | |
CN114239271A (zh) | 一种大气污染预警方法、装置和设备 | |
CN117993707A (zh) | 一种基于人工智能的城市道路塌陷灾害风险评估方法及系统 | |
CN109410527B (zh) | 空间天气灾害监测预警方法、系统、存储介质及服务器 | |
CN115239027B (zh) | 空气质量格点化集合预报的方法及装置 | |
CN113610008B (zh) | 获取渣土车状态的方法、装置、设备以及存储介质 | |
CN113516160A (zh) | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 | |
Li et al. | Study on road damage assessment based on RS and GIS |
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 |