[发明专利]一种基于云端处理的管廊智能信息管理方法及系统

权利要求书

1.一种基于云端处理的管廊智能信息管理方法，其特征在于，包括以下步骤：

步骤1，获取管廊正常及异常学习样本集，标注管廊属性学习样本集；

步骤2，使用步骤1获得的管廊正常及异常学习样本集对预构建的第一深度神经网络模型进行训练，获得训练好的管廊异常检测深度神经网络模型；使用步骤1获得的管廊属性学习样本集对预构建的第二深度神经网络模型进行训练，获得训练好的管廊属性分析深度神经网络模型；

步骤3，通过传感器组获取管廊的烟感、温度、视觉、湿度信息；基于获取的视觉信息，使用步骤2训练好的管廊异常检测深度神经网络模型对待识别的图像进行异常检测，获得异常检测结果；基于获取的视觉信息，使用步骤2训练好的管廊属性分析深度神经网络模型对待识别的图像进行属性分析，获得属性分析结果；

步骤4，基于步骤3获得的信息和结果，在三维BIM模型的基础上进行属性集修改。

2.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤1中，所述管廊正常及异常学习样本集包括：正样本和负样本；其中，正样本包括待检测的管廊异常目标，负样本包括管廊正常图像；

所述管廊属性学习样本集包括用labelImg标注的xml后缀标签文件。

3.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤2中，所述第一深度神经网络模型为Resnet、Densenet、VGG或Alexnet；所述第二深度神经网络模型为YOLO、Fast-RCNN、Faster-RCNN或SSD。

4.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤2中，所述第一深度神经网络模型为Resnet；所述第二深度神经网络模型为SSD。

5.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤2中，对第一深度神经网络模型进行训练时包括：对样本进行过采样并增加仿射变换平衡样本类别间频数，对训练图像进行随机平移与旋转变换，模拟摄像头抖动情况；

对第二深度神经网络模型进行训练时包括：将学习样本集转化为VOC标准数据集格式。

6.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤3中，进行异常检测的步骤包括：

(1)对于输入视觉信息进行画面增强处理，用于减小弱光源情况干扰；

(2)使用训练好的管廊异常检测深度神经网络模型对待识别的图像进异常检测，获得异常检测结果；

(3)使用异常阈值对异常检测结果进行筛选，用于消除模糊样本干扰，获得筛选结果；

(4)对筛选结果进行时域因素限制，用于减小摄像头抖动干扰。

7.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，步骤3中，进行属性分析的步骤包括：

1)对于输入视觉信息进行画面增强处理，用于减小弱光源情况干扰；

2)使用训练好的管廊属性分析深度神经网络模型对待识别的图像进行属性分析检测，获得属性检测结果；

3)使用置信阈值对属性检测结果进行筛选，用于消除模糊目标干扰，获得筛选结果；

4)基于筛选结果，使用支架作为背景地标性物体进行管道定位，获得定位结果；其中，定位分割线能够随着摄像头的移动自适应调整；

5)对定位结果进行时域因素限制，用于减小摄像头抖动干扰，弱化错误检测结果影响。

8.根据权利要求1所述的一种基于云端处理的管廊智能信息管理方法，其特征在于，还包括：

步骤5，基于步骤3获得的信息和结果进行大数据统计，用于为日常运维提供参考。