[发明专利]一种无人机巡检管线目标分析管理方法及系统

说明书

技术领域

本发明属于无人机自动巡检技术领域，尤其涉及一种无人机巡检管线目标分析管理方法及系统。

背景技术

作为国家的能源动脉，油气管道的安全性极其重要。传统管道巡检依靠人工进行，效率低、成本高，并且在异常天气和地质灾害等危险条件下，巡查员的安全受到威胁。

随着技术的进步，无人机视觉系统在油气长输管道巡检中展现出巨大的潜力。很多石油管道公司试点实施了无人机管道巡线，这些项目的开展对管道保护起到了积极有效的作用，但是还存在一些问题。

目前，无人机巡线获取的航拍影像数据主要依靠人工进行判读和分析，存在效率低下、实时性差、人为误判等缺点。此外，初期巡线获取的大量历史数据“沉睡”在硬盘中，巡检成果未能进行有效利用。基于以上原因，无人机巡线的实际效果大打折扣，也制约了飞行器管路巡检在石油管道方面的推广应用。

因此，开展管道航拍影像数据的相关研究，提高无人机对管线异常目标的巡检效果，是非常有必要。

发明内容

本发明的目的在于提供一种无人机巡检管线目标分析管理方法及系统，解决了现有技术中无人机对管线的异常进行巡检时，对影像数据利用率差，导致巡检效果差的问题。本发明可以将管线的图像采集，异常目标的检测，异常目标的排查纳入自动化管理之中，对异常目标的巡检效果好。

为达到上述目的，本发明采用如下技术方案：

本发明提供了一种无人机巡检管线目标分析管理方法，包括以下步骤：

步骤1：无人机根据管线的地理坐标对管线进行图像采集。

步骤2：将符合覆盖管线要求的图像进行正摄性矫正，在矫正后的图像中标注管线位置，并将远离管线的无效区域置为灰色。

步骤3：以管线位置为基准，设置图像的警戒范围。

步骤4：在图像的警戒范围内进行异常目标检测，所述异常目标检测包括异常目标色域空间检测、异常小目标检测、异常大目标检测以及异常人造目标检测。

步骤5：对检测到的异常目标进行神经网络识别，从而获取异常目标的类别。

步骤6：人工判定经神经网络识别后的异常目标是否正确，对异常目标进行纠正，得到最终的异常目标序列。

步骤7：计算异常目标相对于管线中线的距离，并计算异常大目标的面积。

步骤8：将异常目标的类别、地理坐标、相对于管线中线的距离以及面积归档至数据库，生成报告。

并将操作人员对于异常目标的处理状态归档至数据库，异常目标的处理状态包括未确认、已确认、未排除以及已排除。

步骤9：操作人员根据实际情况对异常目标的处理状态进行实时更新。

步骤10：定期汇总异常目标的排查情况，生成异常目标巡检反馈报告。

更进一步地，本发明的特点还在于：

步骤1具体包括以下步骤：

步骤1.1：根据管线的地理坐标以及无人机的类别规划无人机的巡检路线，所述巡检路线能够符合管线图像覆盖要求，无人机的类别包括固定翼无人机和旋翼无人机；

步骤1.2：根据天气情况、无人机的类别以及管线的弯曲程度来设置相机触发规则，相机触发规则包括时间触发和距离触发；

步骤1.3：将无人机的飞行姿态高度信息、飞行地理坐标、相机参数信息以及采集到的图像传送至地面站。

在步骤4中，异常目标色域空间检测包括：将目标的颜色值域映射到色域空间内，将目标值小于背景均值10％，目标值大于背景均值15％的目标作为异常目标；

异常小目标检测包括：将像素小于80*80的目标作为异常小目标；

异常大目标检测包括：将像素在80*80～400*400之内的目标作为异常大目标；

异常人造目标检测包括：将边缘呈现矩形或者圆形，像素尺寸在50*50～100*100之内的目标作为异常人造目标。

步骤5中的神经网络识别为CNN深度学习目标识别。

在步骤7之前还包括，选择地理坐标的误差范围在5m以内，梯度直方图差别小于总梯度和10％的若干个异常目标，作为同一个异常目标，从而对重复的异常目标进行过滤。

步骤6还包括：人工对异常目标序列中的高危警戒异常目标进行标识；

步骤8还包括：将当前时间信息、操作人员信息、无人机的飞手信息、所有巡检序列图像、历史相同地理位置参考信息、异常目标统计信息以及高危警戒异常目标的标识信息归档至数据库，生成报告。

对异常目标进行调阅包括以下方法：按照时间、分段区域、历史相同地理位置、类别和面积中的一种或几种对异常目标进行调阅。