[发明专利]一种基于深度学习和无人机影像的管道线变化检测方法

说明书

本发明提供一种基于深度学习与无人机影像的管道线变化检测方法，属于管道线检测技术领域。该方法通过无人机获取多幅管道线影像，基于优化后的SIFT算法，结合对影像进行高精度配准和拼接的预处理，然后再利用深度学习改进算法实现管道线的变化检测。优化后的SIFT算法以传统的SIFT算法为基础，采用RANSAC算法和Levenberg‑Marquardt算法对传统SIFT算法处理结果进行进一步地的求精，使得在特征匹配时剔除大量的误差匹配点，同时对单应矩阵高度求精，并且使用的影像拼接方式能最大限度的使得拼接累计误差减小。

技术领域

本发明属于管道线检测技术领域，具体涉及一种基于深度学习与无人机影像相结合用于检测管道线变化的方法

背景技术

管道在运输气体、液体等物体时具有安全、高效率等优势，因此在石油、天然气等资源输送过程中常用管道作为运输工具。然而随着时间的推移，管道线可能会因为自身原因以及外界因素的影响而发生形变，从而造成管道内物体泄露，带来严重的经济损失和环境污染。对管道线进行定期的维护和变化检测，能及时发现管道线存在的问题和安全隐患，从而采取有效的措施避免进一步发生管内物体泄漏。

变化检测就是对同一物体，在不同时间采取相应的手段检测其是否发生变化。传统的变化检测数据获取工作主要通过以下三种途径进行：利用遥感卫星、利用载人航空摄影以及人工实际勘探。利用卫星遥感能够获取大面积的空间地理数据信息，同时还可获取人工难以到达区域的信息，但是由于卫星的轨道周期较为固定且轨道高度较高，容易受到云层遮挡以及其他气象环境因素的影响。而传统的载人航空摄影方式虽然能够获取指定区域的高分辨率影像，但是其使用成本较高，缺乏快速性和机动性，特别是在情况紧急的情况下难以快速完成数据获取工作。使用人工勘探的方式，不仅要消耗大量的物力和人力，而且还受到天气、地形以及人为因素的干扰，使得数据采集的效率很低。而如果想针对管线的变化进行快速检测，利用传统的数据获取方式显然是不能满足要求的。

无人机因其成本低、受地面地形约束小的优点，目前已成为很多领域的新热点。由于无人机能实现影像实时获取，获取的影像数据分辨率高，并且带有地理位置等相关信息，因此能够保证各种监测任务以及结果的准确性。但是无人机在飞行过程中会出现机身震颤抖动，导致摄像位置和角度存在偏差等问题，从而造成影像之间出现几何形变，并且在一些特定拍摄场景，一幅影像不能涵盖所有的检测目标和区域。除此之外，虽然随着人工智能技术的迅速发展，关于机器学习和深度学习在图像检测和图像识别等方面的研究日益增多。但目前将深度学习引入无人机影像图像处理领域的研究大多是对目标进行识别和目标检测，并且其用到的数据都是单幅影像或视频，并没有考虑到一张影像中目标物拍摄不全的问题。因此，对于目标物在一张影像上显示不全，并且同时出现在多幅无人机遥感影像上的情况来说，如要实现对整个目标物的变化检测，则对影像进行配准和拼接的预处理是相当重要的。

因此，利用无人机获取管道线影像，而管线长度不能由一张影像完全显示，那么必须先对影像进行高精度配准和拼接的预处理，然后再利用学习改进算法才能实现管道线前后的变化检测。

发明内容

针对背景技术所存在的问题，本发明的目的在于提供一种基于深度学习和无人机影像的管道线变化检测方法。该方法通过无人机获取多幅管道线影像，基于优化后的SIFT(Scale I nvariant Feature Transform,尺度不变特征变化)算法，结合对影像进行高精度配准和拼接的预处理，然后再利用深度学习改进算法实现管道线的变化检测。优化后的SIFT算法以传统的 SIFT算法为基础，采用RANSAC算法(Random Sample Consensus，随机采样一致性)和L evenberg-Marquardt算法对传统SIFT算法处理结果进行进一步地的求精。

为实现上述目的，本发明的技术方案如下：

一种基于深度学习和无人机影像的管道线变化检测方法，包括以下步骤：

步骤1.获取无人机遥感影像，并进行预处理；