CN116958907B - 一种输气管道周边隐患目标巡检方法及系统 - Google Patents

一种输气管道周边隐患目标巡检方法及系统 Download PDF

Info

Publication number
CN116958907B
CN116958907B CN202311198715.8A CN202311198715A CN116958907B CN 116958907 B CN116958907 B CN 116958907B CN 202311198715 A CN202311198715 A CN 202311198715A CN 116958907 B CN116958907 B CN 116958907B
Authority
CN
China
Prior art keywords
layer
gas transmission
gas
transmission pipeline
pipeline
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.)
Active
Application number
CN202311198715.8A
Other languages
English (en)
Other versions
CN116958907A (zh
Inventor
宗涛
刘云川
李劲涛
易军
周伟
陈文鑫
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.)
Chongqing Hongbao Technology Co ltd
Sichuan Hongbaorunye Engineering Technology Co ltd
Original Assignee
Chongqing Hongbao Technology Co ltd
Sichuan Hongbaorunye Engineering Technology Co ltd
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 Chongqing Hongbao Technology Co ltd, Sichuan Hongbaorunye Engineering Technology Co ltd filed Critical Chongqing Hongbao Technology Co ltd
Priority to CN202311198715.8A priority Critical patent/CN116958907B/zh
Publication of CN116958907A publication Critical patent/CN116958907A/zh
Application granted granted Critical
Publication of CN116958907B publication Critical patent/CN116958907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

本公开揭示了一种输气管道周边隐患目标巡检方法，主要包括如下步骤：采集待检测输气管道信息以及周边环境图像信息；S200：构建并训练输气管道周边隐患检测模型；对输气管道周边隐患检测模型进行训练，以获得训练好的输气管道环境检测模型；将所采集的待检测输气管道信息以及周边环境图像信息输入训练好的输气管道周边隐患检测模型，以对输气管道周边隐患目标进行检测。本公开能够提高输气管道周边隐患的检测精度，并降低对计算资源的需求，适于作业现场的边缘计算设备。

Description

一种输气管道周边隐患目标巡检方法及系统
技术领域
本公开属于输气管道检测领域，具体涉及一种输气管道周边隐患目标巡检方法及系统。
背景技术
随着经济不断发展，城镇化水平不断提高。输气管道等为提供能源起到了非常重要的作用，但是，输气管道周边潜在隐患的存在可能会对输气管道产生影响，比如在部署有管道附近的区域进行施工，土壤滑坡地质沉降等会造成输气管道泄露，进而严重危害公众安全和造成严重损失。如何智能巡检输气管道周边隐患目标是目前急需解决的问题。目前解决这一问题的方式主要是靠人工巡检完成，但隐患目标存在地形偏僻，环境复杂，地貌多变等问题，无法实时高效低成本的进行巡检。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种输气管道周边隐患目标巡检方法，该方法能够提高输气管道周边隐患的检测精度，并降低对计算资源的需求，适于作业现场的边缘计算设备。
为实现上述目的，本公开提供以下技术方案：
一种输气管道周边隐患目标巡检方法，其特征在于，包括如下步骤：
S100：采集待检测输气管道信息以及周边环境图像信息；
S200：构建并训练输气管道周边隐患检测模型，所述输气管道周边隐患检测模型包括：
第一识别网络，用于地物信息识别，其中，地物信息包括：输气管道周边建筑物种类及坐标、输气管道周边公路等级及坐标、输气管道周边铁路种类及坐标、输气管道周边自然资源种类及坐标、输气管道周边其他裸露管道种类及坐标、输气管道周边工程车辆种类及坐标；
第二分类网络，用于地物区域分类，其中，地物区域包括：居民聚集区、工厂园区、自然资源区、土壤滑坡区、地质沉降区；
S300：将所采集的待检测输气管道信息以及周边环境图像信息输入输气管道周边隐患检测模型，对输气管道周边隐患目标进行检测，包括：基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆。
优选的，
第一识别网络至少包括Focus、Shuffle、RepVGGC3、SPPF、C3、SE、CONV、UPSAMPLE、CONCAT、HEAD十类层，其中，Focus层用于将特征图通过切片、输入通道扩充、拼接、卷积操作，先进行下采样操作以降低对计算资源的需求，且在没有信息丢失的情况下获得下采样处理后的特征图，其余的后续下采样通过Shuffle层实现：通过Channel shuffle模块保证执行下一个组卷积操作的输入特征来自上一个组卷积中的不同组，以减少参数量的同时保留足够的有效信息；
特征提取层为RepVGGC3，其在特征提取时首先将特征图一分为二，一部分卷积层进行操作以提取特征，另一部分则是不进行操作通过连接上一卷积操作的结果进行融合；
SE层，用于在较少的参数量的前提下加强特征提取能力。
优选的，
步骤S200中，所述输气管道周边隐患检测模型的训练包括如下步骤：
S201：构建数据集，并划分为训练集和验证集；
S202：设置训练参数，利用训练集对模型进行训练，当达到最大轮数后，模型完成训练；
S203：利用验证集对训练后的模型进行验证，当平均查准率达到0.95及以上时，验证通过，获得训练好的模型；否则调整训练参数对模型重新训练。
本公开还提出了一种输气管道周边隐患目标巡检系统，其特征在于，包括：
采集模块，用于采集待检测输气管道信息以及周边环境图像信息；
构建模块，用于构建并训练输气管道周边隐患检测模型；
检测模块，用于将所采集的待检测输气管道信息以及周边环境图像信息输入输气管道周边隐患检测模型，对输气管道周边隐患目标进行检测，包括：基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆。
本公开还提出一种电子设备，其特征在于，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指令，其中，
所述处理器执行所述指令时实现前文任一所述的方法。
本公开还提出一种输气管道周边隐患目标巡检系统，包括：
无人机，无人机上搭载有双目摄像头、GPS和激光雷达；
无人机上集成有边缘计算设备，
所述系统还包括云端服务器；
所述系统用于执行前文任一所述的方法。
与现有技术相比，本公开带来的有益效果为：在无人机端通过边缘计算设备使用轻量化网络模型实现检测，第一识别网络大小仅为0.8M，精度为0.95，检测帧率为50FPS，第二分类网络大小仅为0.4M，精度为0.93，检测帧率为60FPS。
附图说明
图1是本公开一个实施例提供的一种输气管道周边隐患目标巡检方法的流程图；
图2是本公开另一个实施例提供的第一识别网络结构图；
图3是本公开另一个实施例提供的第二分类网络结构图。
具体实施方式
下面将参照附图1至图3详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以通过各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
一个实施例中，如图1所示，本公开提出一种输气管道周边隐患目标巡检方法，包括如下步骤：
S100：采集待检测输气管道信息以及周边环境图像信息；
S200：构建并训练输气管道周边隐患检测模型，所述输气管道周边隐患检测模型包括：
第一识别网络，用于地物信息识别，其中，地物信息包括：输气管道周边建筑物种类及坐标、输气管道周边公路等级及坐标、输气管道周边铁路种类及坐标、输气管道周边自然资源种类及坐标、输气管道周边其他裸露管道种类及坐标、输气管道周边工程车辆种类及坐标；
第二分类网络，用于地物区域分类，其中，地物区域包括：居民聚集区、工厂园区、自然资源区、土壤滑坡区、地质沉降区；
S300：将所采集的待检测输气管道信息以及周边环境图像信息输入输气管道周边隐患检测模型，对输气管道周边隐患目标进行检测，包括：基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆。
本实施例中，如图2所示，第一识别网络共由21层组成，其至少包括Focus、Shuffle、RepVGGC3、SPPF、C3、SE、CONV、UPSAMPLE、CONCAT、HEAD十类层，这十类层为本领域已知的技术，然而本发明重新设计了第一识别网络的结构，结合图2，所述第一识别网络的21层依次为：
Focus(3,64)层，
Shuffle (64,128)层、RepVGGC3(128,128)层，
Shuffle (128,256)层、RepVGGC3 (256,256)层，
Shuffle (256,512)层、RepVGGC3 (512,512)层，
Shuffle (512,1024)层，
SPPF(1024,1024)层，
C3(1024,1024)层，
SE(1024,1024)层，
CONV (1024,512)层、UPSAMPLE(512)层、CONCAT(1024)层、C3(1024,512)层，
CONV (512,256)层、UPSAMPLE(256)层、CONCAT(512)层、C3(512,256)层，
SE(256,256)层，
HEAD层，
其中，
1、Focus层，用于将特征图通过切片、输入通道扩充、拼接、卷积操作，相比其他下采样技术以较少的参数量和计算量，先进行下采样操作以降低对计算资源的需求，且在没有信息丢失的情况下获得下采样处理后的特征图。示例性的，使用Focus将640×640×3的输入特征图通过切片操作变成320×320×12的特征图，以较低的参数量和计算量进行下采样操作。
2、至于其余的后续下采样通过Shuffle层实现。通过Channel shuffle模块保证了执行下一个组卷积操作的输入特征来自上一个组卷积中的不同组，减少参数量的同时保留足够的有效信息。
3、特征提取层为RepVGGC3：特征提取时首先将特征图一分为二，一部分卷积层进行操作以提取特征，另一部分则是不进行操作通过连接上一卷积操作的结果进行融合。
4、上采样层涉及CONV和UPSAMPLE，其中UPSAMPLE通过最近邻插值实现上采样的同时使不同尺度的特征图具有相同的尺寸。
5、通过CONCAT拼接特征图融合底层网络的浅层信息和深层网络的特征信息，进而获取更丰富的特征信息。
6、至于SE层此种注意力机制模块，其进一步以较低的参数量加强特征提取能力。
7、最终经由21层HEAD层对图像特征进行预测，从而用于地物信息识别。
在另一个实施例中，如图3所示，第二分类网络共由11层组成，其至少包括CONV、REPC3、SPPF、CBAM、HEAD五类层；
图3中，所述第二分类网络的11层依次为：
CONV(64,128)层、REPC3(128,128)层，
CONV(128,256)层、REPC3(256,256)层，
CONV(256,512)层、REPC3 (512,512)层，
CONV(512,1024)层，
SPPF(1024,1024)层，
REPC3(1024,1024)层，
CBAM(1024,1024)层，
HEAD层，
其中，下采样层通过CONV层实现，减少参数量的同时保留足够的有效信息；特征提取层为REPC3层，在网络模型训练时采用多分支架构提升性能，在网络推理阶段采用单分支架构合并网络加快推理速度；至于CBAM层此种注意力机制模块，其以较低的参数量进一步加强特征提取能力；最终经由HEAD层对图像特征进行预测，以用于地物区域分类。
另一个实施例中，步骤S200中，所述对输气管道周边隐患检测模型进行训练包括如下步骤：
S201：构建数据集，并划分为训练集和验证集；
该步骤中，采集并且改进隐患目标检测数据集共计五万张，人工标注出如建筑物种类信息、公路信息、铁路信息、桥梁信息、深根植物、裸露管道和工程车辆。根据采集的输气管道图像数据集基于第一识别网络模型训练得到权重。
S202：设置训练参数，利用训练集对模型进行训练，当达到最大轮数后，模型完成训练；
该步骤中，训练参数具体设置如表1所示：
表1
参数 值
Epochs 300
Batch size 16
Image size 640×640
Learning rate 0.01
Momentum 0.937
Weight decay 0.0005
Box loss gain 0.05
Cls loss gain 0.5
IoU training threshold 0.20
Image translation 0.1
Image scale 0.5
S203：利用验证集对训练后的模型进行验证，当平均查准率达到0.95及以上时（平均查准率mAP是评估目标检测算法性能的重要指标，越高的mAP代表检测效果越好），验证通过，获得训练好的模型；否则调整训练参数（例如增加数据集或增加训练轮数）对模型重新训练。
另一个实施例中，步骤S300包括如下步骤：
S301：基于第一识别网络对地物信息进行识别；
地物信息包括：输气管道周边建筑物种类及坐标、输气管道周边公路等级及坐标、输气管道周边铁路种类及坐标、输气管道周边自然资源种类及坐标、输气管道周边其他裸露管道种类及坐标、输气管道周边工程车辆种类及坐标。该步骤中，首先根据第一识别网络输出识别的所述地物信息。选取本公开所述方法同Yolov3、Yolov4、YoloX、Yolov5s、Yolov5m等经典目标检测算法在同一数据集训练比较。表2为第一识别网络同部分经典算法模型的对比：
表2
网络模型 Map/% FPS/s
Yolov3 95.1 44
Yolov4 95.3 48
YoloX 94.3 57
Yolov5s 95.6 63
Yolov5m 97.4 49
第一识别 97.6 72
由表1可知，第一识别网络在检测精度和检测速率均优于经典算法模型。
S302：基于第二分类网络对地物区域进行分类。
地物区域包括：管道位置、居民聚集区、工厂园区、自然资源区、土壤滑坡区、地质沉降区。该步骤中，基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆。能够理解，是否满足安全和其他作业要求，可以通过该距离与预设的各种距离阈值进行比较而得出结论。此处，本公开第二分类网络同VGGNet、GoogLeNet、ResNet、DenseNet等经典分类算法在同一数据集训练比较。表3为第二分类网络同部分经典算法模型的对比：
表3
网络模型 Map/% FPS/s
VGGNet 85.2 50
GoogLeNet 87.7 56
ResNet 92.4 59
DenseNet 93.6 64
第二分类 96.1 82
由表2可知，第二分类网络模型在检测精度和检测速率均优于经典算法模型。
另一个实施例中，本公开还提出一种输气管道周边隐患目标巡检系统，包括：
采集模块，用于采集待检测输气管道信息以及周边环境图像信息；
构建模块，用于构建并训练输气管道周边隐患检测模型；
训练模块，用于对输气管道周边隐患检测模型进行训练，以获得训练好的输气管道环境检测模型；
检测模块，用于将所采集的待检测输气管道信息以及周边环境图像信息输入训练好的输气管道周边隐患检测模型，以对输气管道周边隐患目标进行检测。
另一个实施例中，本公开还提出一种输气管道周边隐患目标巡检系统，包括：
无人机，无人机上搭载有双目摄像头、GPS和激光雷达；
无人机上集成有边缘计算设备，
所述系统还包括云端服务器；
所述系统用于执行前文任一所述的方法。
本实施例中，所述系统的工作过程还包括：
1、所述无人机以预设高度沿着管道从指定的位置巡航航拍，识别到输气管道后降低高度多角度拍摄地物信息采集图像信息；与地面输气管道传感器融合获取管道信息；
2、获得地物信息后，边缘计算设备Jetson Xavier NX会对信息进行分析以识别出输气管道，同时结合机载雷达卡尔曼滤波通过边缘计算判断出路径动态向周边自动检测；
3、无人机把检测结果实时转回到云端服务器供人员判断，无人机飞行结束降落后把新采集的图像数据传输到云端服务器，用于模型的训练以及参数的更新，训练和更新完成后把结果回传到无人机。
另一个实施例中，本公开还提出一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (3)

1.一种输气管道周边隐患目标巡检方法，其特征在于，包括如下步骤：
S100：采集待检测输气管道信息以及周边环境图像信息；
S200：构建并训练输气管道周边隐患检测模型，所述输气管道周边隐患检测模型包括：
第一识别网络，用于地物信息识别，其中，地物信息包括：输气管道周边建筑物种类及坐标、输气管道周边公路等级及坐标、输气管道周边铁路种类及坐标、输气管道周边自然资源种类及坐标、输气管道周边其他裸露管道种类及坐标、输气管道周边工程车辆种类及坐标；
其中，所述第一识别网络包括依次连接的
Focus(3,64)层，
Shuffle (64,128)层，
RepVGGC3(128,128)层，
Shuffle (128,256)层，
RepVGGC3 (256,256)层，
Shuffle (256,512)层，
RepVGGC3 (512,512)层，
Shuffle (512,1024)层，
SPPF(1024,1024)层，
C3(1024,1024)层，
SE(1024,1024)层，
CONV (1024,512)层，
UPSAMPLE(512)层，
CONCAT(1024)层，
C3(1024,512)层，
CONV (512,256)层，
UPSAMPLE(256)层，
CONCAT(512)层，
C3(512,256)层，
SE(256,256)层，
HEAD层；
第二分类网络，用于地物区域分类，其中，地物区域包括：居民聚集区、工厂园区、自然资源区、土壤滑坡区、地质沉降区；
其中，所述第二分类网络包括依次连接的
CONV(64,128)层，
REPC3(128,128)层，
CONV(128,256)层，
REPC3(256,256)层，
CONV(256,512)层，
REPC3 (512,512)层，
CONV(512,1024)层，
SPPF(1024,1024)层，
REPC3(1024,1024)层，
CBAM(1024,1024)层，
HEAD层；
所述输气管道周边隐患检测模型的训练包括如下步骤：
S201：构建数据集，并划分为训练集和验证集；
该步骤中，采集并且改进隐患目标检测数据集共计五万张，人工标注出建筑物种类信息、公路信息、铁路信息、桥梁信息、深根植物、裸露管道和工程车辆；根据采集的输气管道图像数据集基于第一识别网络模型训练得到权重；
S202：设置训练参数，利用训练集对模型进行训练，当达到最大轮数后，模型完成训练；
该步骤中，训练参数设置如下：
Epochs设置为300，
Batch size 设置为16，
Image size 设置为640×640，
Learning rate 设置为0.01，
Momentum 设置为0.937，
Weight decay设置为0.0005，
Box loss gain 设置为0.05，
Cls loss gain 设置为0.5，
IoU training threshold设置为 0.20，
Image translation 设置为0.1，
Image scale 设置为0.5；
S203：利用验证集对训练后的模型进行验证，当平均查准率达到0.95及以上时，验证通过，获得训练好的模型；否则调整训练参数对模型重新训练；
S300：将所采集的待检测输气管道信息以及周边环境图像信息输入输气管道周边隐患检测模型，对输气管道周边隐患目标进行检测，包括：基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆；
所述步骤S300包括以下步骤：
S301：基于第一识别网络对地物信息进行识别；
S302：基于第二分类网络对地物区域进行分类。
2.一种用于实施如权利要求1所述方法的输气管道周边隐患目标巡检系统，其特征在于，包括：
采集模块，用于采集待检测输气管道信息以及周边环境图像信息；
构建模块，用于构建并训练输气管道周边隐患检测模型；
检测模块，用于将所采集的待检测输气管道信息以及周边环境图像信息输入输气管道周边隐患检测模型，对输气管道周边隐患目标进行检测，包括：基于第一识别网络识别的地物信息对地物区域进行分类，并进一步计算出地物信息所代表的地物目标距离输气管道的距离，然后判断该距离是否满足安全和其他作业要求，其中，地物信息所代表的地物目标包括：输气管道周边建筑物、输气管道周边公路、输气管道周边铁路、输气管道周边自然资源、输气管道周边其他裸露管道、输气管道周边工程车辆。
3.一种电子设备，其特征在于，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指令，其中，
所述处理器执行所述指令时实现权利要求1所述的方法。
CN202311198715.8A 2023-09-18 2023-09-18 一种输气管道周边隐患目标巡检方法及系统 Active CN116958907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311198715.8A CN116958907B (zh) 2023-09-18 2023-09-18 一种输气管道周边隐患目标巡检方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311198715.8A CN116958907B (zh) 2023-09-18 2023-09-18 一种输气管道周边隐患目标巡检方法及系统

Publications (2)

Publication Number Publication Date
CN116958907A CN116958907A (zh) 2023-10-27
CN116958907B true CN116958907B (zh) 2023-12-26

Family

ID=88447658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311198715.8A Active CN116958907B (zh) 2023-09-18 2023-09-18 一种输气管道周边隐患目标巡检方法及系统

Country Status (1)

Country Link
CN (1) CN116958907B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117197415B (zh) * 2023-11-08 2024-01-30 四川泓宝润业工程技术有限公司 天然气长输管道巡检区域目标检测方法、装置及存储介质
CN117409331B (zh) * 2023-12-15 2024-03-15 四川泓宝润业工程技术有限公司 一种油气管线周边环境隐患检测方法、装置及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
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
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法
CN110837941A (zh) * 2018-08-15 2020-02-25 中国石油天然气股份有限公司 对油气管道进行风险预测的方法及装置
CN113688758A (zh) * 2021-08-31 2021-11-23 重庆科技学院 基于边缘计算的输气管道高后果区智能识别系统
CN114359817A (zh) * 2022-01-14 2022-04-15 重庆泓宝科技股份有限公司 基于出入口人行识别的人流量测量方法
CN114842019A (zh) * 2022-07-06 2022-08-02 山东建筑大学 一种电池板表面缺陷检测方法、系统、存储介质及设备
CN114998830A (zh) * 2022-05-20 2022-09-02 济南信通达电气科技有限公司 一种变电站人员安全帽佩戴检测方法及系统
CN115205667A (zh) * 2022-08-02 2022-10-18 江苏大学 一种基于YOLOv5s的密集目标检测方法
CN115600941A (zh) * 2022-12-09 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式预制件工厂的物料管理系统
CN115909092A (zh) * 2022-09-29 2023-04-04 广西大学 轻量化输电通道隐患测距方法及隐患预警装置
CN115909096A (zh) * 2022-10-31 2023-04-04 华南蓝天航空油料有限公司湖南分公司 无人机巡航管道隐患分析方法、装置及系统
CN116309313A (zh) * 2023-01-16 2023-06-23 深圳大学 一种电池表面焊接缺陷检测方法
CN116343045A (zh) * 2023-03-30 2023-06-27 南京理工大学 基于YOLO v5的轻量化SAR图像舰船目标检测方法
CN116503739A (zh) * 2023-05-17 2023-07-28 河海大学 一种机器人上下楼梯运动的场景识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269237B (zh) * 2021-05-10 2022-12-27 青岛理工大学 基于注意力机制的装配体变化检测方法、设备和介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
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
CN110837941A (zh) * 2018-08-15 2020-02-25 中国石油天然气股份有限公司 对油气管道进行风险预测的方法及装置
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法
CN113688758A (zh) * 2021-08-31 2021-11-23 重庆科技学院 基于边缘计算的输气管道高后果区智能识别系统
CN114359817A (zh) * 2022-01-14 2022-04-15 重庆泓宝科技股份有限公司 基于出入口人行识别的人流量测量方法
CN114998830A (zh) * 2022-05-20 2022-09-02 济南信通达电气科技有限公司 一种变电站人员安全帽佩戴检测方法及系统
CN114842019A (zh) * 2022-07-06 2022-08-02 山东建筑大学 一种电池板表面缺陷检测方法、系统、存储介质及设备
CN115205667A (zh) * 2022-08-02 2022-10-18 江苏大学 一种基于YOLOv5s的密集目标检测方法
CN115909092A (zh) * 2022-09-29 2023-04-04 广西大学 轻量化输电通道隐患测距方法及隐患预警装置
CN115909096A (zh) * 2022-10-31 2023-04-04 华南蓝天航空油料有限公司湖南分公司 无人机巡航管道隐患分析方法、装置及系统
CN115600941A (zh) * 2022-12-09 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式预制件工厂的物料管理系统
CN116309313A (zh) * 2023-01-16 2023-06-23 深圳大学 一种电池表面焊接缺陷检测方法
CN116343045A (zh) * 2023-03-30 2023-06-27 南京理工大学 基于YOLO v5的轻量化SAR图像舰船目标检测方法
CN116503739A (zh) * 2023-05-17 2023-07-28 河海大学 一种机器人上下楼梯运动的场景识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
重参数化 YOLOv5s的森林火灾检测算法;杨武 等;《无线电工程》;1-10 *

Also Published As

Publication number Publication date
CN116958907A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN116958907B (zh) 一种输气管道周边隐患目标巡检方法及系统
KR102008973B1 (ko) 딥러닝 기반의 하수도관 내부 결함 탐지 장치 및 방법
CN111553236B (zh) 基于道路前景图像的路面病害目标检测与实例分割方法
CN113378686B (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
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
CN111458721B (zh) 一种暴露垃圾的识别定位方法、装置及系统
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN110798805B (zh) 基于gps轨迹的数据处理方法、装置及存储介质
CN113420819B (zh) 一种基于CenterNet的轻量级水下目标检测方法
CN113688758B (zh) 基于边缘计算的输气管道高后果区智能识别系统
CN114815881B (zh) 基于边缘计算与无人机巡检协同的智能巡检方法
CN112465006A (zh) 一种图神经网络目标跟踪方法及装置
CN113936210A (zh) 塔吊防撞方法
KR102311558B1 (ko) 인공지능을 이용한 구조물 손상 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
CN116563310A (zh) 点云分割方法、装置、设备及存储介质
CN115272882A (zh) 一种基于遥感影像的离散建筑物检测方法及系统
CN115909096A (zh) 无人机巡航管道隐患分析方法、装置及系统
Li et al. RGB-thermal fusion network for leakage detection of crude oil transmission pipes
CN113985406B (zh) 一种海上雷达目标航迹拼接方法
CN114266805A (zh) 一种用于无人机目标跟踪的孪生区域建议网络模型
CN113988222A (zh) 一种基于Faster-RCNN的森林火灾检测与识别方法
CN114219998A (zh) 一种基于目标检测神经网络的声纳图像实时检测方法
Wang et al. Instance segmentation of soft‐story buildings from street‐view images with semiautomatic annotation
CN112765389A (zh) 一种油气输送管道高后果区识别方法、系统及存储介质
CN117079026A (zh) 一种基于改进YOLOv3网络的无人机电力巡检隐患识别方法

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