CN117951599B - 一种基于雷达图像的地下管线图生成方法及装置 - Google Patents
一种基于雷达图像的地下管线图生成方法及装置 Download PDFInfo
- Publication number
- CN117951599B CN117951599B CN202410064282.5A CN202410064282A CN117951599B CN 117951599 B CN117951599 B CN 117951599B CN 202410064282 A CN202410064282 A CN 202410064282A CN 117951599 B CN117951599 B CN 117951599B
- Authority
- CN
- China
- Prior art keywords
- data
- pipeline
- denotes
- pipe
- equation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000010586 diagram Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 153
- 238000009826 distribution Methods 0.000 claims abstract description 73
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 239000000203 mixture Substances 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 239000000523 sample Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000149 penetrating effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007621 cluster analysis Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及城市地下管网探测领域,特别是指一种基于雷达图像的地下管线图生成方法及装置,方法包括:获取探测区域内多个探测点的管道数据以及位置数据,根据管道数据以及位置数据构建数据集;其中,管道数据包括管道深度以及管道半径;根据管道数据对数据集进行分类,得到多个数据子集;对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程;根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到探测区域的管道分布图。本发明有效地避免了现有方法中不同类型管道被错误地连接在一起的情况,提高了在不同环境下的地下管线图生成鲁棒性。
Description
技术领域
本发明涉及城市地下管网探测技术领域,特别是指一种基于雷达图像的地下管线图生成方法及装置。
背景技术
城市地下管网作为重要的基础设施,不仅为城市中居民提供重要的生活物资,更承担着为城市的生产与发展提供基础资源和能量的责任。目前,城市地下管网的管理和维护存在很多问题,如管线资料缺失、不完整或不准确,导致无法及时了解地下管线的分布情况和状态。
为了保障城市地下管网的安全和稳定,以及避免施工过程中对管线的破坏和影响,需要提出一种能够准确、快速地探测地下管线并且获得探测区域地下管线的分布情况的方法。其中地下管道图生成是在对探测区域内的多个位置点进行探测后进一步推断探测区域内整体管道分布情况的重要途径,在实际工程中,探测地下管道时,地下环境复杂,得到的地下管道数据(包括深度、半径等)均包含噪声,误差无法避免。而使用定位设备获取探测点的位置数据时,也同样受到周边环境影响,例如使用GPS定位,由于城市中高楼的遮挡以及数据传输的延时等噪声影响,位置信息的误差不能被忽视。因此在融合各个探测点的位置数据和管道数据来推测探测区域地下管道图时,需要考虑这些误差的影响。
绘制地下管道图时,深度和半径由探测设备获得,位置信息由定位设备获得。定位技术中,卫星定位系统定位使用最广,影响因素包括大气层、多径效应、可见卫星数量和分布、卫星钟差、轨道差、人为干扰等。在管道探测技术中,探地雷达是最主流的地下管道探测手段,通过发射电磁波并分析接收的波形、振幅、时间等数据来推断地下物体的位置、形状等。在探测地下管道时,可通过对B-scan图像中由管道产生的双曲线进行分析,计算双曲线的参数,从而获得管道的深度和半径信息。
在对探测区域某些点进行探测,并获取这些点的地下管道数据之后,可以通过结合由定位设备得到的位置信息,获取到区域内一些位置和管道信息的组合,接下来的工作就是从这些数据中推断出探测区域内的管道分布情况,并得到探测区域的管道分布图。在实际应用中,当获取某个位置的管道信息之后,结合定位数据,该点的管道信息将会在地图上标注,随后通过手工连接这些标注,可以组成一幅管道地图。这个过程可以自动化实现,如李博等人提出的基于哈希算法的地下管线探地雷达图像智能识别算法。根据地下管线这类孤立目标的雷达反射波图像特征,提出了基于“以图搜图”的智能识别构想,在对原始数据进行去背景等预处理的基础上,根据哈希算法(Hash)以及约束矢量的K均值聚类分析,实现了地下管线的智能检测、图像的自动分选和识别。白旭等人提出一种基于3D-CNN(3D-Convolutional Neural Network,三维卷积神经网络)算法的三维探地雷达图像地下管线识别方法,通过探地雷达获得三维回波图像,对三维回波图像进行预处理,将已预处理的探地雷达的三维回波图像进行标注,并将其打乱,随机分配至训练集和验证集;利用的训练集和验证集对3D-CNN的神经网络模型进行训练,得到训练好的权重模型;利用获得训练好的神经网络模型,对探地雷达三维回波图像进行管线目标识别检测,最终标注出带有地下管线信息的三维回波图像;可以将地下管线目标识别概率提高到95%以上,且对探地雷达三维回波图像的地下管线目标进行检测可以有效提高识别概率并且可以大幅降低管线虚检概率。
基于哈希算法的地下管线探地雷达图像智能识别算法主要依赖于探底雷达的探测结果,因此其识别效果可能会受到探地雷达图像的质量、噪声、分辨率等因素的影响。如果图像不清晰或有干扰,可能会导致哈希编码的不准确或聚类的错误。此外,该算法的识别效果还可能受到管线的形状、大小、深度、方向等因素的影响。如果管线存在弯曲、分叉、重叠等情况,可能导致识别区域的不确定或亮度函数的变化。最后,由于地下环境的复杂性,如果地下存在其他类型的目标或介质,可能会导致管线的反射波受到干涉或衰减。
同样,基于3D-CNN算法的三维探地雷达图像地下管线识别方法也主要依赖于探底雷达的探测结果。该方法也会受到三维探地雷达图像的质量、噪声、分辨率等因素的影响。如果图像不清晰或有干扰,可能会导致网络的识别精度下降。此外,该方法的训练数据集较小,只包含了四种类型的管线,可能无法适应更复杂和多样的地下管线场景。最后,该方法的网络结构较复杂,需要较多的计算资源和训练时间,可能不适合实时的应用场景。
发明内容
为了解决现有技术存在的探测地下管道时,地下环境复杂,得到的地下管道数据均包含噪声,误差无法避免;而使用定位设备获取探测点的位置数据时,也同样受到周边环境影响的技术问题,本发明实施例提供了一种基于雷达图像的地下管线图生成方法及装置。所述技术方案如下:
一方面,提供了一种基于雷达图像的地下管线图生成方法,该方法由地下管线图生成设备实现,该方法包括:
S1、获取探测区域内多个探测点的管道数据以及位置数据,根据管道数据以及位置数据构建数据集;其中,管道数据包括管道深度以及管道半径。
S2、根据管道数据对数据集进行分类,得到多个数据子集。
S3、对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程。
S4、根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到探测区域的管道分布图。
可选地,S1中的数据集P,如下式(1)所示:
P={pi=(xi,yi,θi,di,ri)|1≤i≤N} (1)
式中,pi表示第i个探测点,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,di表示第i个探测点处的管道深度,ri表示第i个探测点处的管道半径,N表示探测点数量。
可选地,S2中的根据管道数据对数据集进行分类,得到多个数据子集,包括:
根据管道深度以及管道半径,利用带噪声的基于密度的聚类算法DBSCAN对数据集进行聚类,得到多个数据子集。
可选地,S3中的对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程,包括:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段。
其中,多条曲线段中的每条曲线段的极坐标方程,如下式(2)所示:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=x cosθ+y sinθ表示管道方程,θ是从原点到线段的垂直线与东方向之间的角度,N′表示数据子集的探测点数量。
S32、计算多条曲线段的交点,对交点进行聚类,得到聚类结果。
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
可选地,S4中的根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,包括:
S41、设定每个数据子集包括K个高斯分布,每个高斯分布对应一个聚类簇。
S42、采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率。
S43、根据每个探测点属于每个高斯分布的概率,将探测点划分到对应的聚类簇中,进而得到输出数据集。
可选地,S42中的采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率,包括:
S421、获取任一数据子集,数据子集包括N′个探测点,令m=0。
S422、判断m是否大于或等于预先设定值,若是,则执行S426;若否,则执行S423。
S423、对每个探测点pi,计算探测点属于第k类高斯分布的后验概率如下式(3)所示:
其中,
式中,pi表示第i个探测点,m表示迭代的次数,K表示设定的高斯分布数量,表示第m次迭代时的第K个高斯分量的占分量总和的权重,Lk(pi)表示先验概率,σk表示方差,Dk(pi)表示从第i个探测点pi到第k根管道的距离,k表示数据子集中的任一管道。
S424、计算如下式(5)(6)所示:
式中,#表示计数函数,Mk表示对数据子集进行划分得到的包含Nk个探测点的数据集,表示第i个探测点pi到第k根管道的距离的平均值。
S425、判断探测点分类是否改变,若是,则令m=m+1,转去执行S422;若否,则执行S426。
S426、输出探测点pi属于每个高斯分布的概率。
可选地,S4中的输出数据集L,如下式(7)所示:
L={(lc,rc,dc)|1≤c≤C} (7)
式中,lc表示输出数据集L中的第c根管道的管道方程,rc表示第c根管道的管道半径,dc表示第c根管道的管道深度,C表示埋设管道的数量。
另一方面,提供了一种基于雷达图像的地下管线图生成装置,该装置应用于基于雷达图像的地下管线图生成方法,该装置包括:
获取模块,用于获取探测区域内多个探测点的管道数据以及位置数据,根据管道数据以及位置数据构建数据集;其中,管道数据包括管道深度以及管道半径。
分类模块,用于根据管道数据对数据集进行分类,得到多个数据子集。
变换模块,用于对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程。
输出模块,用于根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到探测区域的管道分布图。
可选地,数据集P,如下式(1)所示:
P={pi=(xi,yi,θi,di,ri)|1≤i≤N} (1)
式中,pi表示第i个探测点,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,di表示第i个探测点处的管道深度,ri表示第i个探测点处的管道半径,N表示探测点数量。
可选地,分类模块,进一步用于:
根据管道深度以及管道半径,利用带噪声的基于密度的聚类算法DBSCAN对数据集进行聚类,得到多个数据子集。
可选地,变换模块,进一步用于:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段。
其中,多条曲线段中的每条曲线段的极坐标方程,如下式(2)所示:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=xcosθ+ysinθ表示管道方程,θ是从原点到线段的垂直线与东方向之间的角度,N′表示数据子集的探测点数量。
S32、计算多条曲线段的交点,对交点进行聚类,得到聚类结果。
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
可选地,输出模块,进一步用于:
S41、设定每个数据子集包括K个高斯分布,每个高斯分布对应一个聚类簇。
S42、采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率。
S43、根据每个探测点属于每个高斯分布的概率,将探测点划分到对应的聚类簇中,进而得到输出数据集。
可选地,输出模块,进一步用于:
S421、获取任一数据子集,数据子集包括N′个探测点,令m=0。
S422、判断m是否大于或等于预先设定值,若是,则执行S426;若否,则执行S423。
S423、对每个探测点pi,计算探测点属于第k类高斯分布的后验概率如下式(3)所示:
其中,
式中,pi表示第i个探测点,m表示迭代的次数,K表示设定的高斯分布数量.表示第m次迭代时的第K个高斯分量的占分量总和的权重,Lk(pi)表示先验概率,σk表示方差,Dk(pi)表示从第i个探测点pi到第k根管道的距离,k表示数据子集中的任一管道。
S424、计算如下式(5)(6)所示:
式中,#表示计数函数,Mk表示对数据子集进行划分得到的包含Nk个探测点的数据集,表示第i个探测点pi到第k根管道的距离的平均值。
S425、判断探测点分类是否改变,若是,则令m=m+1,转去执行S422;若否,则执行S426。
S426、输出探测点pi属于每个高斯分布的概率。
可选地,S4中的输出数据集L,如下式(7)所示:
L={(lc,rc,dc)|1≤c≤C} (7)
式中,lc表示输出数据集L中的第c根管道的管道方程,rc表示第c根管道的管道半径,dc表示第c根管道的管道深度,C表示埋设管道的数量。
另一方面,提供一种地下管线图生成设备,所述地下管线图生成设备包括:处理器;存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如上述基于雷达图像的地下管线图生成方法中的任一项方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于雷达图像的地下管线图生成方法中的任一项方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,采用的地下管道图生成的输入与输出数据格式以及基于深度和半径信息的管道数据分类有效地避免了现有方法中不同类型管道被错误地连接在一起的情况。
本发明提出的方法通过对各个探测点管道的方向进行限定并将传统霍夫变换升级为线性方程霍夫变换,确定区域内的管道数目和初始管道方程,管道和定位误差都被考虑在内,这提高了方法在不同环境下的鲁棒性。
本发明采用的有限混合高斯聚类方法可以采用EM算法来估计该模型的参数问题,进而对数据进行聚类分析。它提供了用简单的结构来模拟复杂密度函数的有效办法,可以用它对具有正态分布的数据进行聚类分析。它结合了参数模型的解析优势和非参数模型的灵活性能。聚类时,不同的数据来自不同的高斯分布,而且各个高斯分布总体之间相互独立。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于雷达图像的地下管线图生成方法流程图;
图2是本发明实施例提供的一种地下管线图生成方法流程图;
图3是本发明实施例提供的一种基于雷达图像的地下管线图生成装置框图;
图4是本发明实施例提供的一种地下管线图生成设备的结构示意图。
具体实施方式
下面结合附图,对本发明中的技术方案进行描述。
在本发明实施例中,“示例地”、“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。此外,在本发明实施例中,“和/或”所表达的含义可以是两者都有,或者可以是两者任选其一。
本发明实施例中,“图像”,“图片”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
本发明实施例中,有时候下标如W1可能会笔误为非下标的形式如W1,在不强调其区别时,其所要表达的含义是一致的。
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明实施例提供了一种基于雷达图像的地下管线图生成方法,该方法可以由地下管线图生成设备实现,该地下管线图生成设备可以是终端或服务器。如图1所示的基于雷达图像的地下管线图生成方法流程图,该方法的处理流程可以包括如下的步骤:
S1、获取探测区域内多个探测点的管道数据以及位置数据,根据管道数据以及位置数据构建数据集。
其中,管道数据包括管道深度以及管道半径。
一种可行的实施方式中,在绘制地下管道图时,输入是数据集P,它是每个位置点获得的地下管道信息和位置信息的组合。输入数据集P的定义如下:
P={pi=(xi,yi,θi,di,ri)|1≤i≤N} (1)
式中,pi表示第i个探测点,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,表示为管道方向与东方向之间的角度(0<θi<π),di表示由探测设备获得的第i个探测点处的管道深度,ri表示由探测设备获得的第i个探测点处的管道半径,N表示探测点数量。
进一步地,假设探测区域坐标系的原点位于西南角,北和东方向为两个垂直坐标轴的正方向。在理想情况下,探测设备方向和管道方向之间的角度应为然而,由于地下管道的位置和方向是未知的,因此可以假设管道的实际方向在以θi为中心的某个角度范围内。在此范围内,使用探地雷达生成的B-scan图像上的双曲线可以被探地雷达图像分析模型识别并准确拟合。经过验证,本发明将此范围设置为
S2、根据管道数据对数据集进行分类,得到多个数据子集。
可选地,上述步骤S2可以是:
根据管道深度以及管道半径,利用带噪声的基于密度的聚类算法DBSCAN对数据集进行聚类,得到多个数据子集。
一种可行的实施方式中,为确保后续算法进行,需要保证同一条管道的深度和半径应大致保持相同。在获取数据集P后,为避免来自不同深度或半径的管道之间的错误连接,本发明首先根据探测点获取的半径和深度信息di和ri,利用带噪声的DBSCAN(Density-Based Spatial Clustering of Applications with Noise,基于密度的聚类算法)进行聚类。在应用DBSCAN算法时,要求需要预先确定两个参数:Eps,表示以点p为中心的圆形邻域的范围;MinPts,表示附近最少的点数。根据确定的管道至少需要四个探测点,并且同一根管道的半径和深度的变化均小于0.3m,因此MinPts=4且Eps=0.3。这两个参数可以根据探测点的密度以及所用探测设备和定位设备的误差进行相应调整。经过聚类处理后,数据集P被划分为多个子集,如P0,P1,…,Pc。为简化说明,以下内容中,P表示已按照深度和半径对管道数据进行分类后所获得的子集。
S3、对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程。
可选地,上述步骤S3可以包括如下步骤S31-S33:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段。
一种可行的实施方式中,线性方程霍夫变换的目的是获得P中的管道数量和初始的管道方程。对于管道方程xcosθ+ysinθ=ρ,假设在点pi处的管道的方向在范围内。在将点pi映射到p-θ参数空间内时,θ的范围被限制为这与θi的范围相符合。这样θ和ρ在参数空间内将会形成一段曲线。
具体地,将每个P中的每个pi映射到x cosθ+y sinθ=ρ的ρ-θ参数空间内并且带有角度限制:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=x cosθ+y sinθ表示管道方程,N表示探测点数量。
进一步地,上述映射操作在P中的每个pi执行,生成N段的不同曲线。
S32、计算多条曲线段的交点,对交点进行聚类,得到聚类结果。
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
一种可行的实施方式中,由于GPS信息并不准确,因此探测点的位置可能无法用直线段连接。因此,μ-θ参数空间中的交点不会有太多重叠。在霍夫变换中,每个探测点的管道角度范围是有限的,从而参数空间中的曲线变为曲线段并且交点的数量大大减少。为了解决这个问题,与投票方法不同,在本算法中,参数空间内的交叉点将会被聚类,并以每个类的质心的值来表示管道方程的初始参数,类数即为管道数目。
通过利用本算法,初始管道方程和管道数量被确定。在获得管道方程后,每个pi被分配给距离最近的管道lc,这样对P进行了一个初始的划分。
S4、根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到探测区域的管道分布图。
可选地,上述步骤S4可以包括如下步骤S41-S43:
S41、假设数据集是由K个高斯分布混合而成,每个高斯分布对应一个聚类簇,具有自己的均值、协方差和权重。
一种可行的实施方式中,为了建立一个能够描述探测点位置的概率混合模型,假设由GPS探测得到的管道位置信息和管道实际位置存在误差,且它们之间的误差满足均值为0,方差为σ2的高斯分布。因为这种误差通常是由多个独立的随机因素造成的,根据中心极限定理,这些随机因素的和近似服从高斯分布。
数据集P是一个经过基于DBSCAN算法初分类的探测点集,其中有N个探测点,M是P的一个划分,M0,M1,…,Mk,其中Mk包含Nk个探测点(N0+N1+…+Nk=N)。一些包含由石头或者其他埋在地下的干扰物被误判为管道的探测点被归类于M0。混合概率πk,其中0<πk<1;k=0,…,K;可计算:
其中,
且:
式中,k=1,2…,K;Dk(pi)是点pi到第k根管道的距离,L(P|π,σ)表示数据点构成的数据集P的在π,σ权重和均值下的极大似然估计。对于干扰的探测点,需要设置一个阈值。如果从某个探测点到每根管道的点的可能性均小于阈值,则该点被认为是干扰探测点。在本发明中,GRS误差被设置在2m范围内,这取决于使用的GPS精度,在实际应用中,这可以根据不同的GPS设备进行调整。则:
其中是其余所有从k=1到K的σk的均值。
S42、用EM(Expectation-Maximum,期望最大化)算法来估计高斯分布的参数,即均值、协方差和权重,以及每个数据点属于每个高斯分布的概率。
可选地,上述步骤S42可以包括如下步骤S421-S426:
S421、获取多个数据子集,多个数据子集包括N个探测点,令m=0。
S422、判断m是否大于或等于预先设定值,若是,则执行S426;若否,则执行S423。
S423、(E步)基于上一轮迭代(如果是第一轮则基于初始值)对每个探测点pi,计算如下式(7)所示:
其中,
式中,pi表示第i个探测点,m表示迭代的次数,K表示设定的高斯分布数量,表示第m次迭代时的第K个高斯分量的占分量总和的权重,Lk(pi)表示先验概率,σk表示方差,Dk(pi)表示从第i个探测点pi到第k根管道的距离,k表示数据子集中的任一管道。
S424、(M步)计算如下式(9)(10)所示:
式中,N表示探测点数量,#表示计数函数,Mk表示对多个数据子集进行划分得到的包含Nk个探测点的数据集,表示第i个探测点pi到第k根管道的距离的平均值。
S425、判断探测点分类是否改变,若是,则令m=m+1,转去执行S422;若否,则执行S426。
一种可行的实施方式中,计算模型的概率和并使m自增1,若此次跌倒后数据点分类不再改变或m大于等于预先设定值,则结束,否则返回E步。
S426、输出探测点pi属于每个高斯分布的概率。
S43、根据每个数据点的概率分配,将其划分到最可能的高斯分布所对应的聚类簇中。
一种可行的实施方式中,通过有限混合高斯聚类模型,每个探测点都被分配到最高概率的高斯分布中,这表示该探测点符合该分布的管道方程。由此可得到含有深度、半径和管道方程分类的数据集输出L。
进一步地,模型的输出L包括若干管道方程和相应的深度和半径信息。在本发明中,假设埋管在某一区域内是直的,并且管道的半径和深度不会发生显著变化。这个假设在实际中也是合理并普遍存在的,因为多数管道由硬质材料组成,例如金属或硬质塑料,这导致其不允许剧烈地弯曲,否则可能会引起破裂发生。另一方面,在没有障碍物的情况下,两点的最短距离是直线段,因而为了节约材料和施工资源,管道多为直线段组成。一段管道的位置和方向可以用极坐标方程段表示,它被称为管道方程l,定义如下:
l={x cosθ+y sinθ=μ,x∈[xs,xe]} (11)
式中,μ是线段与原点之间的距离,θ是从原点到线段的垂直线与东方向之间的角度,xs和xe是线段的起点和终点。有关深度和半径的信息可以表示为(r,d)。因此输出数据集L可以表示为:
L={(lc,rc,dc)|1≤c≤C} (12)
式中,lc表示第c根管道的管道方程,rc表示第c根管道的管道半径,dc表示第c根管道的管道深度,C表示埋设管道的数量。
从探测数据到绘制地下管道图的过程可概括为:从不准确的定位和管道数据组成的数据集P中获得可能性最大的管道分布状况L,使其与实际管道分布相比误差最小。
如图2所示,本发明在获得探测区域内若干点的管道位置数据之后,首先将数据转化为数据集格式,并基于同一条管道的深度和半径应该大致相同这一原则,对各个点的管道信息进行分类,将原始数据集分为若干具有类似深度和半径信息的子集。随后,利用线性方程霍夫变换对每个子集内的管道信息进行处理,得到初始的管道数量和分布情况。在此基础上,使用有限高斯混合聚类模型进行聚类等操作,并迭代地获得概率最大的管道分布情况,输出该区域的管道分布图。
本发明实施例中,采用的地下管道图生成的输入与输出数据格式以及基于深度和半径信息的管道数据分类有效地避免了现有方法中不同类型管道被错误地连接在一起的情况。
本发明提出的方法通过对各个探测点管道的方向进行限定并将传统霍夫变换升级为线性方程霍夫变换,确定区域内的管道数目和初始管道方程,管道和定位误差都被考虑在内,这提高了方法在不同环境下的鲁棒性。
本发明采用的有限混合高斯聚类方法可以采用EM算法来估计该模型的参数问题,进而对数据进行聚类分析。它提供了用简单的结构来模拟复杂密度函数的有效办法,可以用它对具有正态分布的数据进行聚类分析。它结合了参数模型的解析优势和非参数模型的灵活性能。聚类时,不同的数据来自不同的高斯分布,而且各个高斯分布总体之间相互独立。
图3是根据一示例性实施例示出的一种基于雷达图像的地下管线图生成装置框图,该装置用于基于雷达图像的地下管线图生成方法。参照图3,该装置包括第一获取模块310、分类模块320以及变换模块330、输出模块340。
为了便于说明,图3仅示出了该全流程可视化装置300的主要部件:
获取模块310,用于获取探测区域内多个探测点的管道数据以及位置数据,根据管道数据以及位置数据构建数据集;其中,管道数据包括管道深度以及管道半径。
分类模块320,用于根据管道数据对数据集进行分类,得到多个数据子集。
变换模块330,用于对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程。
输出模块340,用于根据每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到探测区域的管道分布图。可选地,数据集P,如下式(1)所示:
P={pi=(xi,yi,θi,di,ri)|1≤i≤N} (1)
式中,pi表示第i个探测点,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,di表示第i个探测点处的管道深度,ri表示第i个探测点处的管道半径,N表示探测点数量。
可选地,分类模块320,进一步用于:
根据管道深度以及管道半径,利用带噪声的基于密度的聚类算法DBSCAN对数据集进行聚类,得到多个数据子集。
可选地,变换模块330,进一步用于:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段。
其中,多条曲线段中的每条曲线段的极坐标方程,如下式(2)所示:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=x cosθ+y sinθ表示管道方程,θ是从原点到线段的垂直线与东方向之间的角度,N′表示数据子集的探测点数量。
S32、计算多条曲线段的交点,对交点进行聚类,得到聚类结果。
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
可选地,输出模块340,进一步用于:
S41、设定每个数据子集包括K个高斯分布,每个高斯分布对应一个聚类簇。
S42、采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率。
S43、根据每个探测点属于每个高斯分布的概率,将探测点划分到对应的聚类簇中,进而得到输出数据集。
可选地,输出模块340,进一步用于:
S421、获取任一数据子集,数据子集包括N′个探测点,令m=0。
S422、判断m是否大于或等于预先设定值,若是,则执行S426;若否,则执行S423。
S423、对每个探测点pi,计算探测点属于第k类高斯分布的后验概率如下式(3)所示:
其中,
式中,pi表示第i个探测点,m表示迭代的次数,K表示设定的高斯分布数量.表示第m次迭代时的第K个高斯分量的占分量总和的权重,Lk(pi)表示先验概率,σk表示方差,Dk(pi)表示从第i个探测点pi到第k根管道的距离,k表示数据子集中的任一管道。
S424、计算如下式(5)(6)所示:
式中,#表示计数函数,Mk表示对数据子集进行划分得到的包含Nk个探测点的数据集,表示第i个探测点pi到第k根管道的距离的平均值。
S425、判断探测点分类是否改变,若是,则令m=m+1,转去执行S422;若否,则执行S426。
S426、输出探测点pi属于每个高斯分布的概率。
可选地,S4中的输出数据集L,如下式(7)所示:
L={(lc,rc,dc)|1≤c≤C} (7)
式中,lc表示输出数据集L中的第c根管道的管道方程,rc表示第c根管道的管道半径,dc表示第c根管道的管道深度,C表示埋设管道的数量。
本发明实施例中,采用的地下管道图生成的输入与输出数据格式以及基于深度和半径信息的管道数据分类有效地避免了现有方法中不同类型管道被错误地连接在一起的情况。
本发明提出的方法通过对各个探测点管道的方向进行限定并将传统霍夫变换升级为线性方程霍夫变换,确定区域内的管道数目和初始管道方程,管道和定位误差都被考虑在内,这提高了方法在不同环境下的鲁棒性。
本发明采用的有限混合高斯聚类方法可以采用EM算法来估计该模型的参数问题,进而对数据进行聚类分析。它提供了用简单的结构来模拟复杂密度函数的有效办法,可以用它对具有正态分布的数据进行聚类分析。它结合了参数模型的解析优势和非参数模型的灵活性能。聚类时,不同的数据来自不同的高斯分布,而且各个高斯分布总体之间相互独立。
图4是本发明实施例提供的一种地下管线图生成设备的结构示意图,如图4所示,地下管线图生成设备可以包括上述图3所示的基于雷达图像的地下管线图生成装置。可选地,地下管线图生成设备410可以包括处理器2001。
可选地,地下管线图生成设备410还可以包括存储器2002和收发器2003。
其中,处理器2001与存储器2002以及收发器2003,如可以通过通信总线连接。
下面结合图4对地下管线图生成设备410的各个构成部件进行具体的介绍:
其中,处理器2001是地下管线图生成设备410的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器2001是一个或多个中央处理器(centralprocessing unit,CPU),也可以是特定集成电路(application specific integratedcircuit,ASlC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,处理器2001可以通过运行或执行存储在存储器2002内的软件程序,以及调用存储在存储器2002内的数据,执行地下管线图生成设备410的各种功能。
在具体的实现中,作为一种实施例,处理器2001可以包括一个或多个CPU,例如图4中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,地下管线图生成设备410也可以包括多个处理器,例如图4中所示的处理器2001和处理器2004。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器2002用于存储执行本发明方案的软件程序,并由处理器2001来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器2002可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器2002可以和处理器2001集成在一起,也可以独立存在,并通过地下管线图生成设备410的接口电路(图4中未示出)与处理器2001耦合,本发明实施例对此不作具体限定。
收发器2003,用于与网络设备通信,或者与终端设备通信。
可选地,收发器2003可以包括接收器和发送器(图4中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器2003可以和处理器2001集成在一起,也可以独立存在,并通过地下管线图生成设备410的接口电路(图4中未示出)与处理器2001耦合,本发明实施例对此不作具体限定。
需要说明的是,图4中示出的地下管线图生成设备410的结构并不构成对该路由器的限定,实际的知识结构识别设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,地下管线图生成设备410的技术效果可以参考上述方法实施例所述的基于雷达图像的地下管线图生成方法的技术效果,此处不再赘述。
应理解,在本发明实施例中的处理器2001可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本发明实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(doubledata rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本发明的各种实施例中,上述各过程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,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于雷达图像的地下管线图生成方法,其特征在于,所述方法包括:
S1、获取探测区域内多个探测点的管道数据以及位置数据,根据所述管道数据以及位置数据构建数据集;其中,所述管道数据包括管道深度以及管道半径;
S2、根据所述管道数据对所述数据集进行分类,得到多个数据子集;
S3、对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程;
S4、根据所述每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到所述探测区域的管道分布图;
所述S3中的对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程,包括:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段;
其中,多条曲线段中的每条曲线段的极坐标方程,如下式(1)所示:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=x cosθ+y sinθ表示管道方程,θ是从原点到线段的垂直线与东方向之间的角度,N′表示数据子集的探测点数量;
S32、计算所述多条曲线段的交点,对所述交点进行聚类,得到聚类结果;
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
2.根据权利要求1所述的方法,其特征在于,所述S1中的数据集P,如下式(2)所示:
P={pi=(xi,yi,θi,di,ri)|1≤i≤N} (2)
式中,pi表示第i个探测点,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,di表示第i个探测点处的管道深度,ri表示第i个探测点处的管道半径,N表示探测点数量。
3.根据权利要求1所述的方法,其特征在于,所述S2中的根据所述管道数据对所述数据集进行分类,得到多个数据子集,包括:
根据所述管道深度以及管道半径,利用带噪声的基于密度的聚类算法DBSCAN对所述数据集进行聚类,得到多个数据子集。
4.根据权利要求1所述的方法,其特征在于,所述S4中的根据所述每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,包括:
S41、设定所述每个数据子集包括K个高斯分布,每个高斯分布对应一个聚类簇;
S42、采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率;
S43、根据所述每个探测点属于每个高斯分布的概率,将探测点划分到对应的聚类簇中,进而得到输出数据集。
5.根据权利要求4所述的方法,其特征在于,所述S42中的采用期望最大化EM算法,估计每个高斯分布的参数,并最大化每个探测点属于每个高斯分布的概率,包括:
S421、获取任一数据子集,所述数据子集包括N′个探测点,令m=0;
S422、判断m是否大于或等于预先设定值,若是,则执行S426;若否,则执行S423;
S423、对每个探测点pi,计算探测点属于第k类高斯分布的后验概率如下式(3)所示:
其中,
式中,pi表示第i个探测点,m表示迭代的次数,K表示设定的高斯分布数量,表示第m次迭代时的第K个高斯分量的占分量总和的权重,Lk(pi)表示先验概率,σk表示方差,Dk(pi)表示从第i个探测点pi到第k根管道的距离,k表示数据子集中的任一管道;
S424、计算如下式(5)(6)所示:
式中,#表示计数函数,Mk表示对数据子集进行划分得到的包含Nk个探测点的数据集,表示第i个探测点pi到第k根管道的距离的平均值;
S425、判断探测点分类是否改变,若是,则令m=m+1,转去执行S422;若否,则执行S426;
S426、输出探测点pi属于每个高斯分布的概率。
6.根据权利要求1所述的方法,其特征在于,所述S4中的输出数据集L,如下式(7)所示:
L={(lc,rc,dc)|[1≤c≤C} (7)
式中,lc表示输出数据集L中的第c根管道的管道方程,rc表示第c根管道的管道半径,dc表示第c根管道的管道深度,C表示埋设管道的数量。
7.一种基于雷达图像的地下管线图生成装置,其特征在于,所述装置包括:
获取模块,用于获取探测区域内多个探测点的管道数据以及位置数据,根据所述管道数据以及位置数据构建数据集;其中,所述管道数据包括管道深度以及管道半径;
分类模块,用于根据所述管道数据对所述数据集进行分类,得到多个数据子集;
变换模块,用于对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程;
输出模块,用于根据所述每个数据子集的初始的管道数量和管道方程以及有限高斯混合聚类模型,得到输出数据集,进而得到所述探测区域的管道分布图;
所述对多个数据子集中的每个数据子集内的管道数据进行线性方程霍夫变换,得到每个数据子集的初始的管道数量和管道方程,包括:
S31、将多个数据子集中的每个数据子集的每个探测点映射到参数空间,且参数空间存在管道角度限制,生成多条曲线段;
其中,多条曲线段中的每条曲线段的极坐标方程,如下式(1)所示:
式中,xi表示从经度转换的第i个探测点的坐标,yi表示从纬度转换的第i个探测点的坐标,θi表示管道的预测方向,ρ=x cosθ+y sinθ表示管道方程,θ是从原点到线段的垂直线与东方向之间的角度,N′表示数据子集的探测点数量;
S32、计算所述多条曲线段的交点,对所述交点进行聚类,得到聚类结果;
S33、根据聚类结果中每个类的质心的值确定每个数据子集的初始的管道方程的参数,根据聚类结果的类数确定每个数据子集的初始的管道数量。
8.一种地下管线图生成设备,其特征在于,所述地下管线图生成设备包括:
处理器;
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读取存储介质,其特征在于,所述计算机可读取存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064282.5A CN117951599B (zh) | 2024-01-16 | 2024-01-16 | 一种基于雷达图像的地下管线图生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410064282.5A CN117951599B (zh) | 2024-01-16 | 2024-01-16 | 一种基于雷达图像的地下管线图生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117951599A CN117951599A (zh) | 2024-04-30 |
CN117951599B true CN117951599B (zh) | 2024-07-23 |
Family
ID=90793889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410064282.5A Active CN117951599B (zh) | 2024-01-16 | 2024-01-16 | 一种基于雷达图像的地下管线图生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951599B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409252A (zh) * | 2021-05-31 | 2021-09-17 | 国电南瑞科技股份有限公司 | 一种架空输电线路巡检机器人障碍物检测方法 |
CN115291210A (zh) * | 2022-07-26 | 2022-11-04 | 哈尔滨工业大学 | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9601528D0 (en) * | 1996-01-25 | 1996-03-27 | Chignell Richard J | Underground pipe locating system |
CN105044785B (zh) * | 2014-09-19 | 2017-05-31 | 中国矿业大学(北京) | 一种基于模糊聚类与Hough变换的探地雷达地下管线探测方法 |
EP3660743B1 (en) * | 2018-11-30 | 2024-03-20 | Tata Consultancy Services Limited | Systems and methods for automating information extraction from piping and instrumentation diagrams |
CN111429563B (zh) * | 2020-03-10 | 2021-08-13 | 山东大学 | 基于深度学习的管道三维重建方法、系统、介质及设备 |
CN113901878B (zh) * | 2021-09-13 | 2024-04-05 | 哈尔滨工业大学 | 一种基于cnn+rnn算法的三维探地雷达图像地下管线识别方法 |
CN115561753A (zh) * | 2022-10-08 | 2023-01-03 | 云南电网有限责任公司电力科学研究院 | 地下目标的确定方法及装置、设备及存储介质 |
-
2024
- 2024-01-16 CN CN202410064282.5A patent/CN117951599B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409252A (zh) * | 2021-05-31 | 2021-09-17 | 国电南瑞科技股份有限公司 | 一种架空输电线路巡检机器人障碍物检测方法 |
CN115291210A (zh) * | 2022-07-26 | 2022-11-04 | 哈尔滨工业大学 | 一种结合注意力机制的3d-cnn探地雷达三维图像管线识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117951599A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
KR102126724B1 (ko) | 포인트 클라우드 데이터를 복구하기 위한 방법 및 장치 | |
Chen et al. | Probabilistic robust hyperbola mixture model for interpreting ground penetrating radar data | |
US20240249430A1 (en) | Localization method and apparatus, electronic device, and storage medium | |
JP5181704B2 (ja) | データ処理装置、姿勢推定システム、姿勢推定方法およびプログラム | |
JP6114052B2 (ja) | 点群解析処理装置及び点群解析処理プログラム | |
CN110663060B (zh) | 一种用于表示环境元素的方法、装置、系统、以及车辆/机器人 | |
Svenningsson et al. | Radar-pointgnn: Graph based object recognition for unstructured radar point-cloud data | |
CN111801591B (zh) | 一种用于校准光强度的系统及方法 | |
US10846933B2 (en) | Geophysical sensor positioning system | |
CN113569958B (zh) | 激光点云数据聚类方法、装置、设备及介质 | |
CN113031031B (zh) | 一种城市峡谷内基于gnss信号精确分类的加权定位方法 | |
Chen et al. | Probabilistic conic mixture model and its applications to mining spatial ground penetrating radar data | |
CN110704652A (zh) | 基于多重注意力机制的车辆图像细粒度检索方法及装置 | |
Lu et al. | Robot indoor location modeling and simulation based on Kalman filtering | |
CN105190346A (zh) | 使用外部辅助信息以改善固定的基于定时的无线电定位网络的技术 | |
CN115164900A (zh) | 一种基于全向相机的城市环境下视觉辅助导航方法及系统 | |
Wu et al. | Underground pipeline mapping based on Dirichlet process mixture model | |
CN117951599B (zh) | 一种基于雷达图像的地下管线图生成方法及装置 | |
Im et al. | Omni point: 3d lidar-based feature extraction method for place recognition and point registration | |
CN110555352A (zh) | 一种兴趣点识别方法、装置、服务器和存储介质 | |
Zhu et al. | Track‐to‐track association based on structural similarity in the presence of sensor biases | |
CN109489658B (zh) | 一种运动目标定位方法、装置及终端设备 | |
CN113534130B (zh) | 基于视线角度的多站雷达多目标数据关联方法 | |
Daudt et al. | Learning to understand earth observation images with weak and unreliable ground truth |
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 |