CN116486289A - 一种多源数据和知识驱动下的燃气管道高后果区识别方法 - Google Patents
一种多源数据和知识驱动下的燃气管道高后果区识别方法 Download PDFInfo
- Publication number
- CN116486289A CN116486289A CN202310708708.1A CN202310708708A CN116486289A CN 116486289 A CN116486289 A CN 116486289A CN 202310708708 A CN202310708708 A CN 202310708708A CN 116486289 A CN116486289 A CN 116486289A
- Authority
- CN
- China
- Prior art keywords
- building
- area
- data
- rule
- consequence
- 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 54
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002093 peripheral effect Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 24
- 238000007726 management method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多源数据和知识驱动下的燃气管道高后果区识别方法,收集待识别管道带有坐标信息的矢量线数据;判别出待识别管道缓冲区内存在建筑物集群的所有区域并利用无人机对建筑物集群区域进行拍摄;通过对无人机得到的多视角影像经过预处理;建立空间信息数据库;构建建筑物属性信息数据库;构建空间‑属性一体化数据库;对管道周边地区等级进行定量化计算并确定高后果区等级。本发明结合不同来源的数据,分别利用其优势和应用方式,提高了高后果区识别的精度;构建空间‑属性一体化数据库,提高管理和后续计算的效率;建立地区等级定量化计算模型,减少人为判定主观误差;利用规则知识库,实现自动化高后果区等级计算。
Description
技术领域
本发明涉及一种多源数据和知识驱动下的燃气管道高后果区识别方法,属于燃气管道完整性管理领域。
背景技术
长输燃气管道高后果区识别是通过分析管道的基础数据,找出管道发生泄漏会严重危及公众安全和(或)造成环境较大破坏的区域并识别后果区存在的潜在风险。随着我国经济的飞速发展,长输燃气管道周边的建筑物日益增多。而高后果区识别便成为了国家和企业防控管道风险手段中必不可少的一环:国家于2015年发布GB 32167-2015《油气输送管道完整性管理规范》,文中清晰提出了油气管道高后果区的识别是后续管道风险评估、完整性评价的基础,明确规定了高后果区的识别周期不能超过18个月。依据高后果区的识别结果,管道管理者可及时制定和调整风险评价、完整性评价计划或其它控制措施,有利于高后果区管段的重点管理。同时也能够在有效预防危险的基础上减少资源的投入,最终形成一套高效率、低成本的管道管理方案。
现阶段,人工实地调查是高后果区识别的主要方法,但该方法人力成本过高且效率低下。遥感技术具有远距离、大范围的特点,随着遥感技术的发展以及数据处理的进步,遥感数据能够满足长输燃气管道高后果区识别的要求。其中卫星遥感数据覆盖范围广,但是受天气影像较大、分辨率低,会降低高后果区识别的准确度;无人机图像分辨率高、低空飞行不受云层影响,然而无人机电池容量低,应用在具有远距离、大长度特点的长输管道上,会受到极大的限制。
同时,为了完整的识别出长输管道高后果区,还需要得到建筑物的层高、种类等属性信息,而对于人员无法达到的地区,人工调查的结果可靠性较低,故而如何高效、准确的获取建筑物属性也是高后果区识别的一大难题。所以探索一种新的方法来识别长输燃气管道高后果区是十分必要的。
目前,对长输燃气管道高后果区领域的研究主要聚集在使用单一遥感影像和数据进行识别。比如申请号为202210789232.4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》,利用卫星影像,但由于卫星遥感影像分辨率不高,提取建筑物轮廓的方法受限、精度不高;且受云层影响,获取具有时效性的同时识别区域清晰、分辨率适用的遥感影像难度较大、成本较高;虽然建筑物大部分的属性信息可以远程获取,但是层数、户数等重要信息仍需外派工作人员实地进行调查后获取,且建筑物空间和属性信息并没有进行一体化,数据管理相对麻烦;地区等级及高后果区等级无法依据定量计算,仍需人工定性判断,具有较强的主观性,且自动化程度不高。利用无人机进行高后果区识别的研究较少,且在建筑物属性获取方面自动化、智能化程度较低,如申请号为202110056426.9的《一种用于管道高后果区识别的无人机系统和方法》,该研究通过无人机实时传输的影像对管道周边建筑物进行判别,提出了一种基于无人机机载设备计算建筑物到管线直线距离的方法,但并没有对无人机图像的高分辨率等特性加以处理和利用,且使用无人机航飞整个燃气管道对无人机续航以及人员的飞行技术要求高;其建筑物属性的获取为通过无人机直接喊话询问,效率不高且实现较为困难,获取属性后仍需人工进行处理、判别,自动化和准确度不高。所以结合无人机与卫星遥感数据的优势,同时利用多源数据便捷、准确的获取建筑物相关属性,并建立空间-属性一体化数据库;自动识别相关后果区中的知识实体并转化为逻辑表达式,从而构建规则知识库,结合以上两者对燃气管道高后果区进行自动化识别并定量化计算地区等级,能极大提升长输燃气管道高后果区识别的效率及准确度。
发明内容
为了克服现有技术中的问题,本发明提供一种多源数据和知识驱动下的燃气管道高后果区识别方法,该方法利用覆盖整个长输燃气管道的遥感影像判别出周边需要精细化识别的目标区域,再利用无人机对目标区域进行航飞,获取带有坐标信息的无人机高分辨率多视角影像。通过对所有无人机图像进行预处理、联合平差、空中三角测量、密集匹配、影像匹配等步骤得到目标区域的正射影像,利用其高分辨率的优势,采用基于图像纹理特征的边缘检测及连通性分析提取出建筑物轮廓,并建立空间信息数据库。通过三维重建建立目标区域三维模型并结合爬取的高德地图数据来获得区域内建筑物的层高、名称、类型、户数等属性,收集归纳数据形成建筑物属性数据库,抽取上述数据库中的相关数据,基于预定义的相关规则,自动化完成转换流程并形成空间-属性一体化数据库;基于相关后果区识别规范构建规则知识库,并结合一体化数据库,对管道周边地区等级和高后果区等级进行计算,精准识别长输燃气管道高后果区。
本发明解决上述技术问题所提供的技术方案是:一种多源数据和知识驱动下的燃气管道高后果区识别方法,包括以下步骤:
S1、收集待识别管道带有坐标信息的矢量线数据;
S2、对矢量线数据进行预处理;
S3、判别出待识别管道缓冲区内存在建筑物集群的所有区域并利用无人机对建筑物集群区域进行拍摄;
S4、通过对无人机得到的多视角影像经过预处理、联合平差、空中三角测量、密集匹配、影像匹配获取建筑物集群区域的正射影像;
S5、采用基于图像纹理特征的边缘检测方法提取正射影像的边缘并通过连通性分析去除非建筑物边缘,得到建筑物轮廓,并建立空间信息数据库;
S6、通过密集匹配、TIN构建、纹理映射对无人机航飞区域进行三维重建并结合高德地图数据得到缓冲区范围内建筑物的相关属性,整理后构建建筑物属性信息数据库;
S7、基于预定义的相关规则以及空间信息数据库、建筑物属性信息数据库构建空间-属性一体化数据库;
S8、基于相关规范中对地区等级和高后果区等级的量化标准构建规则知识库,并结合空间-属性一体化数据库,对管道周边地区等级和高后果区等级进行计算。
进一步的技术方案是,所述矢量线数据包括待识别管道长度、运行压力、管径大小的相关基础数据、待识别管道所处区域云量<5%的卫星遥感影像数据、待识别管道周边带有位置、类型、名称的相关属性信息的建筑物点数据。
进一步的技术方案是,所述步骤S2的具体过程为:
S21、根据相关基础数据计算出待识别管道的潜在影响半径;
S22、根据潜在影响半径建立管道缓冲区,作为识别高后果区的主要区域;
S23、将卫星遥感影像数据、建筑物点数据按照缓冲区大小进行裁剪。
进一步的技术方案是,所述步骤S21中的计算公式为:
式中:d为管道外径,单位为毫米;p为管段最大允许操作压力,单位为兆帕;r为受影响区域的半径,单位为米。
进一步的技术方案是,所述步骤S4的具体过程为:
S41、通过无人机上搭载的RTK定位单元与地面RTK定位单元进行联合平差,获取高精度的无人机飞行姿态POS数据;
S42、结合平差后的POS数据进行空中三角测量以获取未知点大地坐标和影像外方位元素;
S43、通过空中三角测量结果进行密集匹配,匹配大量三维离散点从而建立目标区域数字地表模型DSM,再经过自动滤波处理得到数字高程模型DEM;
S44、基于数字高程模型DEM、目标区域数字地表模型DSM以及影像匹配得到建筑物集群区域的正射影像。
进一步的技术方案是,所述步骤S5的具体过程为:
S51、将彩色的正射影像通过标准浮点转换获得其灰度图像;
S52、利用高斯平滑滤波对正射影像进行预处理;
S53、通过Canny算子计算像元的梯度和方向并通过预设阈值筛除得到边缘检测结果,其结果同时包括建筑物以及非建筑物轮廓;
S54、建立连通区约束条件以消除非建筑物轮廓,得到提取结果;
S55、将提取结果以矢量数据形式输出,并输入建立的空间信息数据库中。
进一步的技术方案是,所述步骤S6的具体过程为:
S61、基于密集匹配后的三维点云,建立不规则三角网TIN,利用相片对其进行纹理映射得到带有真实纹理的三维模型;
S62、通过三维模型获取楼房结构、占地面积、层数、立面窗洞数量属性;
S63、利用建筑物点数据获取建筑物的类型、位置;
S64、收集并整理上述属性,建立建筑物属性信息数据库,并自动计算并计算居民楼内户数。
进一步的技术方案是,所述步骤S7的具体过程为:依照字段从空间信息数据库、建筑物属性信息数据库中分别提取数据;并将它们进行转换,将已提取的数据按照预定规则进行处理,包括将字段合并或拆分、排序、填充缺失值以及与空间数据进行合并的操作。
进一步的技术方案是,所述步骤S8的具体过程为:
S81、利用关键词信息提取方法并结合约束条件,从多个规范中提取相关规则实体;通过聚类方法消除实体歧义之后归纳形成规则数据集;
S82、将规则数据集导入规则引擎中,自动处理并转化为计算机可识别的逻辑表达式,形成规则知识库;
S83、结合规则知识库以及空间-属性一体化数据库,对管道周边地区等级进行计算,一二级地区按照下式进行计算;
式中:n为某一高后果区内建筑物数量;、/>为规则知识库中提取的数量标准;M为一二级定量评定指标,M>0为一级地区,M<0为二级地区;
式中:为空间-属性一体化数据库中,某一高后果区内建筑物的层数;/>为规则知识库中提取的建筑物层数标准;/>为高后果区内建筑物的最大层数;/>为高后果区内建筑物的最小层数;S为一二级定量评定指标,S<0为三级地区,其余为四级地区;
S84、基于上述计算结果,结合规则知识库对高后果区等级进行判定。
本发明具有以下有益效果:
相较于传统长输燃气管道高后果区野外实地识别的方法,本发明方法结合卫星遥感数据以及无人机影像数据出提取建筑物轮廓,利用建筑物点数据、建筑物三维模型等数据来获取建筑物相关属性,分别构建空间信息数据库、建筑物属性数据库,并将其整合为空间-属性一体化数据库,在便于企业管理的同时,节约了大量的人力物力资源。基于后果区识别规范构建规则知识库,结合一体化数据库实现定量化计算燃气管道周边地区等级以及高后果区等级,减少人为主观误差的同时,提高了智能化程度。与其他高后果区识别技术相比,结合不同来源的数据,分别利用其优势和应用方式,提高了高后果区识别的精度;构建空间-属性一体化数据库,提高管理和后续计算的效率;利用规则知识库,实现了定量化、自动化的地区等级及高后果区等级计算。
本发明提供的方法利用卫星影像覆盖面广的特点精确识别建筑物集群区域,缩小了无人机的航飞面积,解决了其由于续航能力弱,在高后果区识别中应用困难的问题;采用基于无人机影像构建的正射影像,相对于卫星影像,其具有高分辨率、大比例尺、高现势性等优点,能极大提高所提取的建筑物轮廓的时效性及精度。使用建筑物三维模型及高德地图点数据,两者相互完善补缺,能够直观的、清晰的获取建筑物的层高、类型、户数等属性,不需要外派人员实地进行调查,提高了识别效率,降低了人员、时间成本。通过多源数据及相关知识所构建的空间属性数据库、规则知识库,构建定量化地区等级计算模型,减少了因为人为主观判断而造成的误差,提高高后果区等级判定的精度。
附图说明
图1是本发明的流程框图;
图2是实施目标区域的正射影像图;
图3是实施目标区域的三维模型图。
具体实施方式
下面将结合附图对本发明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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的一种多源数据和知识驱动下的燃气管道高后果区识别方法,包括以下步骤:
S1、收集待识别管道带有坐标信息的矢量线数据;
所述矢量线数据包括:待识别管道长度、运行压力、管径大小等相关基础数据;待识别管道所处区域的低云量(云量<5%)卫星遥感影像;待识别管道周边带有位置、类型、名称等相关属性信息的建筑物点数据;
收集实例中待识别管线矢量数据,起点为安居配气站(30°18'47.29"N,105°28'31.45"E),终点为小杨家湾配气站(30°18'35.15"N ,105°25'55.25"E),沿线经过城镇、村落、山区。
采用欧空局发布的拥有10米分辨率的Sentinel-2光学影像,幅宽290km。实例中选用影像时间为2022年12月影像,影像能完整覆盖研究区域且上方无云层遮挡。
从管道台账中获取实例中管道的长度为5.31km、管径为219mm、运行压力为4MPa。
从高德地图开放API平台上获取个人密钥后,利用Python爬取高德地图上生活服务、商务住宅、公共设施、医疗保健等类型的建筑物点数据,形成EXCEL表格,再利用ArcGIS软件并结合经纬度坐标将EXCEL转为点数据。
S2、为了减少数据量、提高识别精度,导入上述影像并进行预处理。
通过管道基础数据计算实例中管道的潜在影响半径为43.362米。
将实例中管道矢量数据导入ArcGIS软件中,以43.362米作为线性单位输入从而建立缓冲区。
利用ArcGIS软件中的Clip工具,以缓冲区范围为边界将卫星影像进行栅格数据裁剪;保留范围内的建筑物点数据及其属性,使用标注功能将类型字段显示出来。
S3、通过卫星影像判别出待识别管道缓冲区内存在的建筑物集群区域并利用无人机对建筑物集群区域进行拍摄。
按照所述区域实际情况设置无人机飞行参数,利用智能飞行功能减少因为认为飞行造成事故的可能性,通过RTK高精度定位单元获取无人机飞行姿态POS数据。实例中区域的飞行高度选择为120米,旁向重叠度设为60%,航向重叠度80%,得到分辨率为0.1m的无人机影像。
S4、通过对无人机得到的多视角影像经过预处理、联合平差、空中三角测量、密集匹配、影像匹配获取建筑物集群区域的正射影像,如图2所示。
导出飞机搭载的RTK高精度定位单元和地面RTK定位单元中的POS数据并整理为txt文件,删除无人机起飞前试拍的姿态数据和相片。
对整理后的POS数据进行联合平差后与相片一同导入3D Smart软件进行空中三角测量。
通过空中三角测量结果进行密集匹配,匹配大量三维离散点从而建立目标区域数字地表模型DSM,再经过自动滤波处理得到数字高程模型DEM。
基于数字高程模型DEM和目标区域数字地表模型DSM以及影像匹配得到全区的正射影像。
S5、利用正射影像高分辨率的优势,采用基于图像纹理特征的边缘检测方法提取其边缘并通过连通性分析去除非建筑物边缘,得到建筑物轮廓,并建立空间信息数据库。最终得到输气管道周边共4个高后果区。
将彩色的正射影像通过标准浮点转换获得其灰度图像。
利用高斯滤波对灰度图像进行平滑,其中选择越大的高斯滤波卷积核,高斯滤波器对噪声过滤的尺度越大,由于每幅图像的分辨率、纹理不同,高斯滤波的卷积核大小也需按实调整。在实例中,通过多次实验,选取由5×5卷积核组成的高斯滤波器对图像进行平滑,平滑结果噪声明显减少。
Canny算法采用双阈值来进行边缘的判定,像元梯度小于低阈值判定为非边缘点,大于高阈值判定为强边缘点,处于中间的为弱边缘点,如果其与强边缘点相连则判定为边缘点。在实例中,低阈值设置为50,高阈值设置为120,输出结果建筑物边缘完整。在此基础上,将图像二值化处理,突出显示边缘。
为了消除建筑物之外的边缘轮廓,设置长度阈值为60像素,设置直线条数为3,过滤掉细小边缘和非建筑物轮廓。
将提取结果以矢量形式输出并输入空间信息数据库中。
S6、在密集匹配后的点云的基础上进行TIN构建、纹理映射对无人机航飞区域进行三维重建并结合高德地图数据得到缓冲区范围内建筑物的相关属性,整理后构建建筑物属性信息数据库,三维模型如图3所示。
基于密集匹配后的三维点云,建立不规则三角网TIN,利用相片对其进行纹理映射得到带有真实纹理的三维模型。
在实例中,利用3D Smart软件将建筑物三维模型可视化,可以直接测量建筑物占地面积、体积。通过直接观察三维模型可以获取不同建筑物的类型、名称。将三维模型放大调查,可以获取建筑物的层数、立面窗洞数、结构。整理建筑物类型、名称、层数、立窗数等字段,建立建筑物属性数据库,并在这些数据的基础上,自动计算建筑物内部的户数,作为后续工作的数据基础。
S7、抽取空间及属性数据库中的相关数据,基于预定义的相关规则,自动化完成转换流程并形成空间-属性一体化数据库。
在实例中,根据FID字段匹配并提取出空间及属性数据库中的数据,并将它们进行转换,主要涉及将已提取的数据按照预定规则进行处理,包括将字段合并或拆分、排序、填充缺失值以及与空间数据进行合并等操作。
S8、基于《油气输送管道完整性管理规范》(GB32167-2015)、《燃气管道事故后果影响区识别作业规程》(RQ-ZY-0207)等规范中对地区等级和高后果区等级的量化标准构建规则知识库,并结合一体化数据库,对管道周边地区等级和高后果区等级进行计算;
S81、利用关键词信息提取方法并结合约束条件,从多个规范中提取相关规则实体;通过聚类方法消除实体歧义之后归纳形成规则数据集;
S82、将规则数据集导入规则引擎中,自动处理并转化为计算机可识别的逻辑表达式,形成规则知识库;
S83、结合规则知识库以及空间-属性一体化数据库,对管道周边地区等级进行计算,一二级地区按照下式进行计算;
式中:n为某一高后果区内建筑物数量;、/>为规则知识库中提取的数量标准;M为一二级定量评定指标,M>0为一级地区,M<0为二级地区;
式中:为空间-属性一体化数据库中,某一高后果区内建筑物的层数;/>为规则知识库中提取的建筑物层数标准;/>为高后果区内建筑物的最大层数;/>为高后果区内建筑物的最小层数;S为一二级定量评定指标,S<0为三级地区,其余为四级地区;
S84、基于上述计算结果,结合规则知识库对高后果区等级进行判定。
利用关键词信息提取方法并结合约束条件,从多个规范中提取相关规则实体;通过聚类方法消除实体歧义之后归纳形成规则数据集。将规则数据集导入规则引擎中,自动处理并转化为计算机可识别的逻辑表达式,形成规则知识库。结合规则知识库以及空间-属性一体化数据库,对管道周边地区等级和高后果区等级进行计算。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,包括以下步骤:
S1、收集待识别管道带有坐标信息的矢量线数据;
S2、对矢量线数据进行预处理;
S3、判别出待识别管道缓冲区内存在建筑物集群的所有区域并利用无人机对建筑物集群区域进行拍摄;
S4、通过对无人机得到的多视角影像经过预处理、联合平差、空中三角测量、密集匹配、影像匹配获取建筑物集群区域的正射影像;
S5、采用基于图像纹理特征的边缘检测方法提取正射影像的边缘并通过连通性分析去除非建筑物边缘,得到建筑物轮廓,并建立空间信息数据库;
S6、通过密集匹配、TIN构建、纹理映射对无人机航飞区域进行三维重建并结合高德地图数据得到缓冲区范围内建筑物的相关属性,整理后构建建筑物属性信息数据库;
S7、基于预定义的相关规则以及空间信息数据库、建筑物属性信息数据库构建空间-属性一体化数据库;
S8、基于相关规范中对地区等级和高后果区等级的量化标准构建规则知识库,并结合空间-属性一体化数据库,对管道周边地区等级和高后果区等级进行计算。
2.根据权利要求1所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述矢量线数据包括待识别管道长度、运行压力、管径大小的相关基础数据、待识别管道所处区域云量<5%的卫星遥感影像数据、待识别管道周边带有位置、类型、名称的相关属性信息的建筑物点数据。
3.根据权利要求2所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S2的具体过程为:
S21、根据相关基础数据计算出待识别管道的潜在影响半径;
S22、根据潜在影响半径建立管道缓冲区,作为识别高后果区的主要区域;
S23、将卫星遥感影像数据、建筑物点数据按照缓冲区大小进行裁剪。
4.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S21中的计算公式为:
式中:d为管道外径,单位为毫米;p为管段最大允许操作压力,单位为兆帕;r为受影响区域的半径,单位为米。
5.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S4的具体过程为:
S41、通过无人机上搭载的RTK定位单元与地面RTK定位单元进行联合平差,获取高精度的无人机飞行姿态POS数据;
S42、结合平差后的POS数据进行空中三角测量以获取未知点大地坐标和影像外方位元素;
S43、通过空中三角测量结果进行密集匹配,匹配大量三维离散点从而建立目标区域数字地表模型DSM,再经过自动滤波处理得到数字高程模型DEM;
S44、基于数字高程模型DEM、目标区域数字地表模型DSM以及影像匹配得到建筑物集群区域的正射影像。
6.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S5的具体过程为:
S51、将彩色的正射影像通过标准浮点转换获得其灰度图像;
S52、利用高斯平滑滤波对正射影像进行预处理;
S53、通过Canny算子计算像元的梯度和方向并通过预设阈值筛除得到边缘检测结果,其结果同时包括建筑物以及非建筑物轮廓;
S54、建立连通区约束条件以消除非建筑物轮廓,得到提取结果;
S55、将提取结果以矢量数据形式输出,并输入建立的空间信息数据库中。
7.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S6的具体过程为:
S61、基于密集匹配后的三维点云,建立不规则三角网TIN,利用相片对其进行纹理映射得到带有真实纹理的三维模型;
S62、通过三维模型获取楼房结构、占地面积、层数、立面窗洞数量属性;
S63、利用建筑物点数据获取建筑物的类型、位置;
S64、收集并整理上述属性,建立建筑物属性信息数据库,并自动计算并计算居民楼内户数。
8.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S7的具体过程为:依照字段从空间信息数据库、建筑物属性信息数据库中分别提取数据;并将它们进行转换,将已提取的数据按照预定规则进行处理,包括将字段合并或拆分、排序、填充缺失值以及与空间数据进行合并的操作。
9.根据权利要求3所述的一种多源数据和知识驱动下的燃气管道高后果区识别方法,其特征在于,所述步骤S8的具体过程为:
S81、利用关键词信息提取方法并结合约束条件,从多个规范中提取相关规则实体;通过聚类方法消除实体歧义之后归纳形成规则数据集;
S82、将规则数据集导入规则引擎中,自动处理并转化为计算机可识别的逻辑表达式,形成规则知识库;
S83、结合规则知识库以及空间-属性一体化数据库,对管道周边地区等级进行计算,一二级地区按照下式进行计算;
式中:n为某一高后果区内建筑物数量;、/>为规则知识库中提取的数量标准;M为一二级定量评定指标,M>0为一级地区,M<0为二级地区;
式中:为空间-属性一体化数据库中,某一高后果区内建筑物的层数;/>为规则知识库中提取的建筑物层数标准;/>为高后果区内建筑物的最大层数;/>为高后果区内建筑物的最小层数;S为一二级定量评定指标,S<0为三级地区,其余为四级地区;
S84、基于上述计算结果,结合规则知识库对高后果区等级进行判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708708.1A CN116486289A (zh) | 2023-06-15 | 2023-06-15 | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310708708.1A CN116486289A (zh) | 2023-06-15 | 2023-06-15 | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486289A true CN116486289A (zh) | 2023-07-25 |
Family
ID=87214132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310708708.1A Pending CN116486289A (zh) | 2023-06-15 | 2023-06-15 | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486289A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756895A (zh) * | 2023-08-15 | 2023-09-15 | 西南石油大学 | 一种基于gis的城市复杂多源管网爆管分析方法及系统 |
CN117437329A (zh) * | 2023-12-12 | 2024-01-23 | 江西云眼视界科技股份有限公司 | 高后果区域绘制方法、系统、可读存储介质及计算机设备 |
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 |
-
2023
- 2023-06-15 CN CN202310708708.1A patent/CN116486289A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756895A (zh) * | 2023-08-15 | 2023-09-15 | 西南石油大学 | 一种基于gis的城市复杂多源管网爆管分析方法及系统 |
CN116756895B (zh) * | 2023-08-15 | 2023-11-10 | 西南石油大学 | 一种基于gis的城市复杂多源管网爆管分析方法及系统 |
CN117437329A (zh) * | 2023-12-12 | 2024-01-23 | 江西云眼视界科技股份有限公司 | 高后果区域绘制方法、系统、可读存储介质及计算机设备 |
CN117437329B (zh) * | 2023-12-12 | 2024-03-01 | 江西云眼视界科技股份有限公司 | 高后果区域绘制方法、系统、可读存储介质及计算机设备 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490415B (zh) | 一种多无人机视觉协同的建筑进度评估方法 | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
CN111830528A (zh) | 基于激光点云的杆塔特征点自动识别及倾斜参数自动测量方法 | |
CN104616093B (zh) | 一种地震灾害救援指挥调度系统及方法 | |
CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN110726677B (zh) | 一种污染场地遥感探测与空间热区识别系统和方法 | |
Veljanovski et al. | Object-based image analysis of VHR satellite imagery for population estimation in informal settlement Kibera-Nairobi, Kenya | |
CN101915570B (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN110427441B (zh) | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
CN101964009A (zh) | 一种基于insar制作3d产品的系统及方法 | |
CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
CN112446114A (zh) | 基于三维模型比对的输电线路工程施工进度监测方法 | |
CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 | |
CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN112166688B (zh) | 基于小卫星的沙漠与沙漠化土地监测方法 | |
CN115526544A (zh) | 一种基于多类型数据的绿色矿山建设规划方法及系统 | |
CN113344866B (zh) | 一种点云综合精度评价方法 | |
Comert et al. | Object based building extraction and building period estimation from unmanned aerial vehicle data | |
CN112097743A (zh) | 基于无人机技术的建筑抗震特性分析方法 | |
CN114005041A (zh) | 一种基于uavrs和bim的道路病害识别管控方法和设备 | |
CN112859073A (zh) | 一种基于PSInSAR技术的道路破损评估方法 | |
Büyüksalih | Building zone regulation compliance using lidar data: Real-life tests in Istanbul | |
Chen et al. | Research on quality inspection method of topographic map using oblique photogrammetry |
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 |