CN116048124A - 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 - Google Patents
无人机地铁隧道巡检方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116048124A CN116048124A CN202310173676.XA CN202310173676A CN116048124A CN 116048124 A CN116048124 A CN 116048124A CN 202310173676 A CN202310173676 A CN 202310173676A CN 116048124 A CN116048124 A CN 116048124A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- abnormal
- inspection
- aerial vehicle
- unmanned aerial
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000012790 confirmation Methods 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 230000005856 abnormality Effects 0.000 claims description 59
- 230000007717 exclusion Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 10
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及隧道巡检的技术领域，尤其是涉及一种无人机地铁隧道巡检方法、装置、计算机设备及存储介质，其方法包括：获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。本申请具有提升对地铁隧道的巡检的效果的同时，控制巡检的成本的效果。
Description
技术领域
本发明涉及隧道巡检的技术领域，尤其是涉及一种无人机地铁隧道巡检方法、装置、计算机设备及存储介质。
背景技术
目前，随着城市建设的不断发展，轨道交通也在不断地发展当中，而在轨道交通的领域当中，存在有隧道交通，尤其是面对城市的地铁交通，大都是在城市内部开挖相应的隧道，使地铁在隧道内运作。
现有的地铁沿线的钻探等施工作业行为多具有即发性、不易发现等特点，给地铁、管线等地下设施的安全保护工作带来了困难。以人工巡视为主的地铁保护日常巡检难以及时发现违规作业，导致地铁隧道出现被凿穿、变形、开裂、渗漏等情况，影响地铁运营安全。
上述中的现有技术方案存在以下缺陷：
在对地铁隧道进行巡检的过程中，巡检的成本以及巡检的效果之间存在比较严重的矛盾。
发明内容
为了提升对地铁隧道的巡检的效果的同时，控制巡检的成本，本申请提供一种无人机地铁隧道巡检方法、装置、计算机设备及存储介质。
本申请的上述发明目的一是通过以下技术方案得以实现的：
一种无人机地铁隧道巡检方法，所述无人机地铁隧道巡检方法包括：
获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；
当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；
获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。
通过采用上述技术方案，在对地铁隧道进行巡检时，通过隧道异常识别模型，能够利用无人机和人工智能的巡检的方式，替代人工巡检，从而减少了巡检逗留时间，提升了事故取证的效率，进而有助于降低隧道事故发生的概率，进而降低了巡检的时间和人力成本的同时，提升了对地铁隧道进行巡检的效果；同时，结合隧道巡检BIM模型的方式，能够根据隧道的实际情况，模拟出对应的无人机巡检路线，提升了无人机巡检时的效率，也能够基于无人机巡检图像在隧道巡检BIM模型中模拟出对应的巡检结果，使得巡检结果更加准确。
本申请在一较佳示例中可以进一步配置为：获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果，具体包括：
从所述无人机巡检图像中识别出待确认异常图像和对应的隧道异常种类；
根据所述待确认异常图像和所述隧道异常种类在所述隧道巡检BIM模型中构建出异常BIM模型；
获取所述隧道异常种类对应的异常特征点，作为基准特征点，并从所述异常BIM模型中识别出对应的异常特征点，作为比对特征点，将所述基准特征点与对应的所述比对特征点进行相似度比对，根据比对结果输入至以下公式，计算出异常可信分值：
n＝u+v；
p＝u/n；
其中，n为在所述基准特征点的总数量；u为所述比对结果大于预设值的数量；v为所述比对结果小于预设值的数量；Z为权重参数，S为所述异常可信分值；a为分值修正参数。
通过采用上述技术方案，使用基准特征点和比对特征点进行相似度比对，能够比对出对应的隧道异常种类，并通过公式计算出异常可信分值，从而能够计算出通过隧道异常识别模型与对应的异常种类的可信程度，从而进一步提升了异常识别结果的准确性，进而提升了隧道运维时的效率。
本申请在一较佳示例中可以进一步配置为：获取所述分值修正参数a的方式具体包括：根据所述待确认异常图像中获取对应的颗粒物的光线波长散射数据和图像空间数据，根据所述光线波长散射数据获取散射差异数据；
将所述散射差异数据输入以下公式计算所述分值修正参数a：
其中，x为所述散射差异数据，M为所述图像空间数据。
通过采用上述技术方案，由于空气中的颗粒物难以通过图像进行捕捉，因此基于隧道内颗粒物的光线波长散射数据，从而能够计算出隧道空气内灰尘的含量，以计算出隧道内发生火灾的风险，从而加入异常可信分值的计算中，从而能够发现轨道机电设备内部极早期的火灾隐患。
本申请在一较佳示例中可以进一步配置为：所述隧道运维指令包括异常消除指令，所述将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成所述异常消除指令，具体包括：
从所述异常识别结果中获取异常类型数据和每个所述异常类型数据对应的异常归因数据；获取与所述异常归因数据对应的归因排除数据，根据所述归因排除数据生成所述异常消除指令。
通过采用上述技术方案，在无人机巡检后并输出对应的隧道异常时，当工作人员经过判断认为无异常时，通过获取归因排除数据的方式能够有助于隧道巡检模型的更新。
本申请在一较佳示例中可以进一步配置为：所述根据所述异常消除指令更新所述隧道异常识别模型，具体包括：
获取所述归因排除数据对应的异常类型数据，作为异常排除类型，并将所述归因排除数据和对应的所述异常排除类型存储至预设的模型更新数据库；
按照预设的时间周期对所述模型更新数据库中的数据进行训练，将训练结果更新至所述隧道异常识别模型。
通过采用上述技术方案，对工作人员筛选的归因排除数据和异常排除类型进行训练，即对异常识别模型识别的错误结果进行训练，能够使得更新后的异常识别模型在后续使用时，减少识别错误的概率，进一步提升了无人机巡检的效果。
本申请的上述发明目的二是通过以下技术方案得以实现的：
一种无人机地铁隧道巡检装置，所述无人机地铁隧道巡检装置包括：
模型构建模块，用于获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；巡检指令触发模块，用于当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；
异常识别模块，用于获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
运维确认模块，用于将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。
通过采用上述技术方案，在对地铁隧道进行巡检时，通过隧道异常识别模型，能够利用无人机和人工智能的巡检的方式，替代人工巡检，从而减少了巡检逗留时间，提升了事故取证的效率，进而有助于降低隧道事故发生的概率，进而降低了巡检的时间和人力成本的同时，提升了对地铁隧道进行巡检的效果；同时，结合隧道巡检BIM模型的方式，能够根据隧道的实际情况，模拟出对应的无人机巡检路线，提升了无人机巡检时的效率，也能够基于无人机巡检图像在隧道巡检BIM模型中模拟出对应的巡检结果，使得巡检结果更加准确。
本申请的上述目的三是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述无人机地铁隧道巡检方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的：
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计算机程序，所述计算机程序被处理器执行时实现上述无人机地铁隧道巡检方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1、在对地铁隧道进行巡检时，通过隧道异常识别模型，能够利用无人机和人工智能的巡检的方式，替代人工巡检，从而减少了巡检逗留时间，提升了事故取证的效率，进而有助于降低隧道事故发生的概率，进而降低了巡检的时间和人力成本的同时，提升了对地铁隧道进行巡检的效果；同时，结合隧道巡检BIM模型的方式，能够根据隧道的实际情况，模拟出对应的无人机巡检路线，提升了无人机巡检时的效率，也能够基于无人机巡检图像在隧道巡检BIM模型中模拟出对应的巡检结果，使得巡检结果更加准确；
2、使用基准特征点和比对特征点进行相似度比对，能够比对出对应的隧道异常种类，并通过公式计算出异常可信分值，从而能够计算出通过隧道异常识别模型与对应的异常种类的可信程度，从而进一步提升了异常识别结果的准确性，进而提升了隧道运维时的效率；
3、由于空气中的颗粒物难以通过图像进行捕捉，因此基于隧道内颗粒物的光线波长散射数据，从而能够计算出隧道空气内灰尘的含量，以计算出隧道内发生火灾的风险，从而加入异常可信分值的计算中，从而能够发现轨道机电设备内部极早期的火灾隐患。
附图说明
图1是本申请一实施例中无人机地铁隧道巡检方法的一流程图；
图2是本申请一实施例中无人机地铁隧道巡检方法中步骤S30的实现流程图；
图3是本申请一实施例中无人机地铁隧道巡检方法中步骤S33的实现流程图；
图4是本申请一实施例中无人机地铁隧道巡检方法中步骤S40的实现流程图；
图5是本申请一实施例中无人机地铁隧道巡检方法中步骤S42的实现流程图；
图6是本申请一实施例中无人机地铁隧道巡检装置的一原理框图；
图7是本申请一实施例中的设备示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
在一实施例中，如图1所示，本申请公开了一种无人机地铁隧道巡检方法，具体包括如下步骤：
S10：获取隧道施工方案，根据隧道施工方案构建隧道巡检BIM模型。
在本实施例中，隧道施工方案是指在建设该隧道时由施工方指定的施工方案。隧道巡检BIM模型是指基于隧道施工完成的实际情况，构建的用于无人机巡检时使用的BIM模型。
具体地，在对该地铁隧道进行施工时，可根据隧道的施工方案中的获取隧道的施工图纸，根据该施工图纸构建出该隧道的BIM模型，作为隧道巡检BIM模型。
S20：当获取到隧道巡检指令时，根据隧道巡检BIM模型生成无人机巡检路线，并根据无人巡检路线触发无人机巡检指令。
在本实施例中，隧道巡检指令是指需要对地铁隧道内进行巡检的指令。
具体地，可以通过预先设定好通过无人机对隧道内进行巡检的周期和具体时间，在到达需要巡检的时间后，自动触发该隧道巡检指令。由于存在不同时刻对隧道内进行巡检的内容存在差异，从而无人机具体巡检时的路线也会存在差异，因此，从当前触发的隧道巡检指令中获取具体需要巡检的要求，以及隧道内的具体位置，并根据该具体位置和内容在隧道巡检BIM模型中进行标记，从而生成无人机巡检路线，并根据该无人机巡检路线生成对应的无人机巡检指令，使得无人机能够根据该无人机巡检路线响应当前的隧道巡检指令。
S30：获取无人机巡检图像，使用预设的隧道异常识别模型对无人机巡检图像进行隧道异常识别，得到对应的异常识别结果。
在本实施例中，无人机巡检图像是指无人机在对隧道内进行巡检时拍摄得到的图像。隧道异常识别模型是指用于从无人机巡检图像中识别出隧道异常的模型。异常识别结果是指根据无人机巡检图像进行识别后判定出的隧道内的异常情况。
具体地，在无人机根据该无人机巡检路线进行巡检的过程中，通过无人机的摄像装置对隧道内的情况进行拍摄，从而得到无人机巡检图像。
进一步地，获取预先根据隧道内的历史异常情况进行训练得到隧道异常识别模型，将拍摄得到的无人机巡检图像输入至该隧道异常识别模型，并获取对应的异常识别结果。
S40：将异常识别结果发送至监控端，并从监控端获取异常确认信息，根据异常确认信息生成隧道运维指令，并根据异常确认信息更新隧道异常识别模型。
具体地，将异常识别结果发送至对应的监控端，由相关人员针对该异常识别结果确认隧道内的异常情况，即在通过隧道识别模型识别出隧道内出现异常时，将具体的异常发送至相关人员进行确认，从而获取到对应的异常确认指令。
当相关人员确认了出现识别得到的异常后或者确认识别得到的异常为误判，则生成对应的隧道运维指令，以通知维修人员进行维修或者消除识别得到的异常结果。
进一步地，将本次由相关人员确认后的结果作为更新隧道异常识别模型的训练集，定期对该隧道异常识别模型进行更新训练，提升隧道异常识别模型的识别精度。
在本实施例中，在对地铁隧道进行巡检时，通过隧道异常识别模型，能够利用无人机和人工智能的巡检的方式，替代人工巡检，从而减少了巡检逗留时间，提升了事故取证的效率，进而有助于降低隧道事故发生的概率，进而降低了巡检的时间和人力成本的同时，提升了对地铁隧道进行巡检的效果；同时，结合隧道巡检BIM模型的方式，能够根据隧道的实际情况，模拟出对应的无人机巡检路线，提升了无人机巡检时的效率，也能够基于无人机巡检图像在隧道巡检BIM模型中模拟出对应的巡检结果，使得巡检结果更加准确。
在一实施例中，如图2所示，在步骤S30中，即获取无人机巡检图像，使用预设的隧道异常识别模型对无人机巡检图像进行隧道异常识别，得到对应的异常识别结果，具体包括：
S31：从无人机巡检图像中识别出待确认异常图像和对应的隧道异常种类。
在本实施例中，待确认异常图相是指通过隧道异常识别模型识别判断出隧道可能存在的异常。
具体地，由于隧道异常的识别有误，例如无异常的识别为有异常，则会增大人员运维的人力成本和时间成本，因此为了精确隧道异常的识别结果，通过隧道识别模型对无人机巡检图像进行初步的异常识别，从而得到可能存在的异常情况，进而筛选得到待确认异常图像，以及被判定为可能异常的具体异常类型，作为隧道异常种类。
S32：根据待确认异常图像和隧道异常种类在隧道巡检BIM模型中构建出异常BIM模型。
具体地，根据待确认异常图像的具体画面，在隧道巡检BIM模型中进行模拟以及展现，从而得到异常BIM模型。
S33：获取隧道异常种类对应的异常特征点，作为基准特征点，并从异常BIM模型中识别出对应的异常特征点，作为比对特征点，将基准特征点与对应的比对特征点进行相似度比对，根据比对结果输入至以下公式，计算出异常可信分值：
n＝u+v；
p＝u/n；
其中，n为在基准特征点的总数量；u为比对结果大于预设值的数量；v为比对结果小于预设值的数量；Z为权重参数，S为异常可信分值；a为分值修正参数。
具体地，基于判定得到的隧道异常种类，获取该种类的隧道异常所对应的异常特征点，作为该基准特征点，同时，送该异常BIM模型中识别出对应的特征点，作为比对特征点，并输入上述公式，计算得到对应的异常可信分值，当异常可信分值越高时，说明待确认异常图像的异常情况与对应的隧道异常种类的关联程度，当异常可可信分值高于预设值时，判定为隧道异常。
在一实施例中，如图3所示，在步骤S33中，即获取分值修正参数a的方式具体包括：
S331：根据待确认异常图像中获取对应的颗粒物的光线波长散射数据和图像空间数据，根据光线波长散射数据获取散射差异数据。
具体地，预先在无人机上安装有双光源LED设备，并在判定为待确认异常图像时通过双光源LED技术，获取隧道内颗粒物的光线波长散射数据以及计算出对应的散射差异数据，以判定空气中的是否存在灰尘，并基于待确认异常图像的像素以及无人机的具体位置，计算得到图像空间数据
S332：将散射差异数据输入以下公式计算分值修正参数a：
其中，x为散射差异数据，M为图像空间数据。
具体地，将散射差异数据和图像空间数据输入至公式中，计算得到分值修正参数，使得计算得到的异常可信分值能够表示隧道内产生火灾的风险值。
在一实施例中，如图4所示，隧道运维指令包括异常消除指令，在步骤S40中，即将异常识别结果发送至监控端，并从监控端获取异常确认信息，根据异常确认信息生成异常消除指令，具体包括：
S41：从异常识别结果中获取异常类型数据和每个异常类型数据对应的异常归因数据。
在本实施例中，异常消除指令是指相关人员判断无人机识别出的隧道异常有误，清除对应的隧道异常信息的指令。
具体地，在获取到异常识别结果后，将确认的隧道异常种类作为异常类型数据，并基于预设的隧道异常知识图谱生成该隧道内的情况被判定为异常对应的异常归因数据。
S42：获取与异常归因数据对应的归因排除数据，根据归因排除数据生成异常消除指令。
具体地，在相关人员判定出该异常有误时，选择对应的被误判的异常归因数据，作为归因排除数据，进而生成对应的异常消除指令。
在一实施例中，如图5所示，在步骤S42中，即根据异常消除指令更新隧道异常识别模型，具体包括：
S421：获取归因排除数据对应的异常类型数据，作为异常排除类型，并将归因排除数据和对应的异常排除类型存储至预设的模型更新数据库。
具体地，将归因排除数据对应的类型数据作为异常排除类型，并将对应的待确认异常图像、归因排除数据和异常排除类型关联存储至对应的模型更新数据库。
S422：按照预设的时间周期对模型更新数据库中的数据进行训练，将训练结果更新至隧道异常识别模型。
具体地，在定期更新训练隧道异常识别模型时，将模型更新数据库加入模型的训练集，并将训练结果更新至隧道异常识别模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一实施例中，提供一种无人机地铁隧道巡检装置，该无人机地铁隧道巡检装置与上述实施例中无人机地铁隧道巡检方法一一对应。如图6所示，该无人机地铁隧道巡检装置包括模型构建模块、巡检指令触发模块、异常识别模块和运维确认模块。各功能模块详细说明如下：
模型构建模块，用于获取隧道施工方案，根据隧道施工方案构建隧道巡检BIM模型；
巡检指令触发模块，用于当获取到隧道巡检指令时，根据隧道巡检BIM模型生成无人机巡检路线，并根据无人巡检路线触发无人机巡检指令；
异常识别模块，用于获取无人机巡检图像，使用预设的隧道异常识别模型对无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
运维确认模块，用于将异常识别结果发送至监控端，并从监控端获取异常确认信息，根据异常确认信息生成隧道运维指令，并根据异常确认信息更新隧道异常识别模型。
可选的，异常识别模块包括：
异常识别模块包括：
种类识别子模块，用于从无人机巡检图像中识别出待确认异常图像和对应的隧道异常种类；异常模拟子模块，用于根据待确认异常图像和隧道异常种类在隧道巡检BIM模型中构建出异常BIM模型；
分值计算子模块，用于获取隧道异常种类对应的异常特征点，作为基准特征点，并从异常BIM模型中识别出对应的异常特征点，作为比对特征点，将基准特征点与对应的比对特征点进行相似度比对，根据比对结果输入至以下公式，计算出异常可信分值：
n＝u+v；
p＝u/n；
其中，n为在基准特征点的总数量；u为比对结果大于预设值的数量；v为比对结果小于预设值的数量；Z为权重参数，S为异常可信分值；a为分值修正参数。
可选的，分值计算子模块包括：
光谱获取单元，用于根据待确认异常图像中获取对应的颗粒物的光线波长散射数据和图像空间数据，根据光线波长散射数据获取散射差异数据；
火灾风险计算单元，用于将散射差异数据输入以下公式计算分值修正参数a：
其中，x为散射差异数据，M为图像空间数据。
可选的，运维确认模块包括：
归因数据获取子模块，用于从异常识别结果中获取异常类型数据和每个异常类型数据对应的异常归因数据；
异常清楚获取子模块，用于获取与异常归因数据对应的归因排除数据，根据归因排除数据生成异常消除指令。
可选的，异常清楚获取子模块包括：
数据更新单元，用于获取归因排除数据对应的异常类型数据，作为异常排除类型，并将归因排除数据和对应的异常排除类型存储至预设的模型更新数据库；
模型更新单元，用于按照预设的时间周期对模型更新数据库中的数据进行训练，将训练结果更新至隧道异常识别模型。
关于无人机地铁隧道巡检装置的具体限定可以参见上文中对于无人机地铁隧道巡检方法的限定，在此不再赘述。上述无人机地铁隧道巡检装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机地铁隧道巡检方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取隧道施工方案，根据隧道施工方案构建隧道巡检BIM模型；
当获取到隧道巡检指令时，根据隧道巡检BIM模型生成无人机巡检路线，并根据无人巡检路线触发无人机巡检指令；
获取无人机巡检图像，使用预设的隧道异常识别模型对无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
将异常识别结果发送至监控端，并从监控端获取异常确认信息，根据异常确认信息生成隧道运维指令，并根据异常确认信息更新隧道异常识别模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取隧道施工方案，根据隧道施工方案构建隧道巡检BIM模型；
当获取到隧道巡检指令时，根据隧道巡检BIM模型生成无人机巡检路线，并根据无人巡检路线触发无人机巡检指令；
获取无人机巡检图像，使用预设的隧道异常识别模型对无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
将异常识别结果发送至监控端，并从监控端获取异常确认信息，根据异常确认信息生成隧道运维指令，并根据异常确认信息更新隧道异常识别模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种无人机地铁隧道巡检方法，其特征在于，所述无人机地铁隧道巡检方法包括：
获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；
当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；
获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。
2.根据权利要求1所述的无人机地铁隧道巡检方法，其特征在于，所述获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果，具体包括：
从所述无人机巡检图像中识别出待确认异常图像和对应的隧道异常种类；
根据所述待确认异常图像和所述隧道异常种类在所述隧道巡检BIM模型中构建出异常BIM模型；
获取所述隧道异常种类对应的异常特征点，作为基准特征点，并从所述异常BIM模型中识别出对应的异常特征点，作为比对特征点，将所述基准特征点与对应的所述比对特征点进行相似度比对，根据比对结果输入至以下公式，计算出异常可信分值：
n＝u+v；
p＝u/n；
其中，n为在所述基准特征点的总数量；u为所述比对结果大于预设值的数量；v为所述比对结果小于预设值的数量；Z为权重参数，S为所述异常可信分值；a为分值修正参数。
3.根据权利要求2所述的无人机地铁隧道巡检方法，其特征在于，获取所述分值修正参数a的方式具体包括：
根据所述待确认异常图像中获取对应的颗粒物的光线波长散射数据和图像空间数据，根据所述光线波长散射数据获取散射差异数据；
将所述散射差异数据输入以下公式计算所述分值修正参数a：
其中，x为所述散射差异数据，M为所述图像空间数据。
4.根据权利要求1所述的无人机地铁隧道巡检方法，其特征在于，所述隧道运维指令包括异常消除指令，所述将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成所述异常消除指令，具体包括：
从所述异常识别结果中获取异常类型数据和每个所述异常类型数据对应的异常归因数据；
获取与所述异常归因数据对应的归因排除数据，根据所述归因排除数据生成所述异常消除指令。
5.根据权利要求4所述的无人机地铁隧道巡检方法，其特征在于，所述根据所述异常消除指令更新所述隧道异常识别模型，具体包括：
获取所述归因排除数据对应的异常类型数据，作为异常排除类型，并将所述归因排除数据和对应的所述异常排除类型存储至预设的模型更新数据库；
按照预设的时间周期对所述模型更新数据库中的数据进行训练，将训练结果更新至所述隧道异常识别模型。
6.一种无人机地铁隧道巡检装置，其特征在于，所述无人机地铁隧道巡检装置包括：
模型构建模块，用于获取隧道施工方案，根据所述隧道施工方案构建隧道巡检BIM模型；
巡检指令触发模块，用于当获取到隧道巡检指令时，根据所述隧道巡检BIM模型生成无人机巡检路线，并根据所述无人巡检路线触发无人机巡检指令；
异常识别模块，用于获取无人机巡检图像，使用预设的隧道异常识别模型对所述无人机巡检图像进行隧道异常识别，得到对应的异常识别结果；
运维确认模块，用于将所述异常识别结果发送至监控端，并从所述监控端获取异常确认信息，根据所述异常确认信息生成隧道运维指令，并根据所述异常确认信息更新所述隧道异常识别模型。
7.根据权利要求6所述的无人机地铁隧道巡检装置，其特征在于，所述异常识别模块包括：种类识别子模块，用于从所述无人机巡检图像中识别出待确认异常图像和对应的隧道异常种类；
异常模拟子模块，用于根据所述待确认异常图像和所述隧道异常种类在所述隧道巡检BIM模型中构建出异常BIM模型；
分值计算子模块，用于获取所述隧道异常种类对应的异常特征点，作为基准特征点，并从所述异常BIM模型中识别出对应的异常特征点，作为比对特征点，将所述基准特征点与对应的所述比对特征点进行相似度比对，根据比对结果输入至以下公式，计算出异常可信分值：n＝u+v；
p＝u/n；
其中，n为在所述基准特征点的总数量；u为所述比对结果大于预设值的数量；v为所述比对结果小于预设值的数量；Z为权重参数，S为所述异常可信分值；a为分值修正参数。
8.根据权利要求6所述的无人机地铁隧道巡检装置，其特征在于，所述分值计算子模块包括：
光谱获取单元，用于根据所述待确认异常图像中获取对应的颗粒物的光线波长散射数据和图像空间数据，根据所述光线波长散射数据获取散射差异数据；
火灾风险计算单元，用于将所述散射差异数据输入以下公式计算所述分值修正参数a：
其中，x为所述散射差异数据，M为所述图像空间数据。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述无人机地铁隧道巡检方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述无人机地铁隧道巡检方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173676.XA CN116048124B (zh) | 2023-02-23 | 2023-02-23 | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173676.XA CN116048124B (zh) | 2023-02-23 | 2023-02-23 | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116048124A true CN116048124A (zh) | 2023-05-02 |
| CN116048124B CN116048124B (zh) | 2023-07-28 |
Family
ID=86118338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310173676.XA Active CN116048124B (zh) | 2023-02-23 | 2023-02-23 | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116048124B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401496A (zh) * | 2023-06-08 | 2023-07-07 | 广东普蓝地理信息服务有限公司 | 给排水管道检测内部缺陷信息方法、装置、设备及介质 |
| CN117312591A (zh) * | 2023-10-17 | 2023-12-29 | 南京海汇装备科技有限公司 | 一种基于虚拟现实的图像数据存储管理系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
| CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
| WO2021217859A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN114489122A (zh) * | 2021-12-30 | 2022-05-13 | 山东奥邦交通设施工程有限公司 | 一种基于uav及配套机场的高速公路自动巡检方法及系统 |
| CN115700636A (zh) * | 2022-11-17 | 2023-02-07 | 中网华信科技股份有限公司 | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 |
-
2023
- 2023-02-23 CN CN202310173676.XA patent/CN116048124B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
| WO2021217859A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 目标异常识别方法、装置、电子设备及存储介质 |
| CN112364918A (zh) * | 2020-11-10 | 2021-02-12 | 深圳力维智联技术有限公司 | 异常识别方法、终端和计算机可读存储介质 |
| CN114489122A (zh) * | 2021-12-30 | 2022-05-13 | 山东奥邦交通设施工程有限公司 | 一种基于uav及配套机场的高速公路自动巡检方法及系统 |
| CN115700636A (zh) * | 2022-11-17 | 2023-02-07 | 中网华信科技股份有限公司 | 基于数字孪生的设备巡检及报告生成方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 王旭红 等: "基于改进SSD 的电力设备红外图像异常自动检测方法", 《电工技术学报》, vol. 35, no. 1, pages 302 - 310 * |
| 韩冰 等: "面向无人机输电线路巡检的电力杆塔检测框架模型", 《浙江电力》, vol. 35, no. 4, pages 6 - 11 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401496A (zh) * | 2023-06-08 | 2023-07-07 | 广东普蓝地理信息服务有限公司 | 给排水管道检测内部缺陷信息方法、装置、设备及介质 |
| CN116401496B (zh) * | 2023-06-08 | 2023-08-18 | 广东普蓝地理信息服务有限公司 | 给排水管道检测内部缺陷信息方法、装置、设备及介质 |
| CN117312591A (zh) * | 2023-10-17 | 2023-12-29 | 南京海汇装备科技有限公司 | 一种基于虚拟现实的图像数据存储管理系统及方法 |
| CN117312591B (zh) * | 2023-10-17 | 2024-03-12 | 南京海汇装备科技有限公司 | 一种基于虚拟现实的图像数据存储管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116048124B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116048124B (zh) | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 | |
| US11098455B2 (en) | Systems and methods for data acquisition and asset inspection in presence of magnetic interference | |
| CN109544870B (zh) | 用于智能监控系统的报警判断方法与智能监控系统 | |
| KR102369229B1 (ko) | 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법 | |
| CN111127825A (zh) | 环境预测方法和装置、电子设备 | |
| US11605158B2 (en) | System and method for early identification and monitoring of defects in transportation infrastructure | |
| JP2019079303A (ja) | 道路設備点検システムおよび道路設備点検方法、ならびにそれに使用されるサーバ | |
| CN113726606B (zh) | 异常检测方法及装置、电子设备、存储介质 | |
| CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
| CN111178424A (zh) | 一种石油化工生产现场安全合规性实时检测系统及方法 | |
| KR100993205B1 (ko) | 재난발생 감지 시스템 및 방법 | |
| CN114413105B (zh) | 管道破损检测机器人的控制方法及系统 | |
| KR20200050573A (ko) | 무인비행장치를 이용한 거대구조물 안전진단 방법, 이를 수행하기 위한 장치 및 기록매체 | |
| KR101499456B1 (ko) | 영상을 통한 시설물 이상 탐지 시스템 및 그 탐지 방법 | |
| CN114814877A (zh) | 一种基于巡检机器人的隧道数据采集方法、设备及介质 | |
| Liu et al. | An approach for auto bridge inspection based on climbing robot | |
| CN112911219B (zh) | 电力设备巡检路线的识别方法、系统及设备 | |
| CN115951704B (zh) | 一种基于bim模型的无人机地铁巡检方法及设备 | |
| CN116758493B (zh) | 基于图像处理的隧道施工监测方法、装置及可读存储介质 | |
| CN111371984B (zh) | 确定抓拍机异常的方法、装置及存储介质 | |
| CN116740833A (zh) | 基于无人机的线路巡线打卡方法 | |
| CN113065462A (zh) | 用于电网架空线路的监测方法、装置、设备及存储介质 | |
| CN116645530A (zh) | 基于图像比对的施工检测方法、装置、设备及存储介质 | |
| KR20210115121A (ko) | 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법 | |
| JP2021057957A (ja) | 巡視点検システムおよび巡視点検方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240108 Address after: Room 1227-1, 12th floor, Haitai building, No. 229, Middle North Fourth Ring Road, Haidian District, Beijing 100089 Patentee after: Beijing maglev Co.,Ltd. Address before: Room 408, 1-14, 4 / F, Hengxiang building, No.15 Tuanjie hunanli, Chaoyang District, Beijing 100020 Patentee before: Beijing thinking Shichuang Technology Co.,Ltd. |