【技術實現步驟摘要】
本專利技術涉及管道檢測，具體涉及一種基于圖像在豎井中識別橫管的方法及其相關設備。
技術介紹
1、在石油、天然氣、電力、通信以及市政建設等行業中，豎井內的橫管(如電纜管道、水管道等)的巡檢和維護工作至關重要。這些橫管負責輸送各種流體或信號，其安全性和可靠性直接影響到整個系統的運行。然而，由于豎井環境的特殊性(如空間狹小、光線不足、環境復雜等)，傳統的巡檢方法(如人工巡檢、固定攝像頭監控等)存在諸多局限。如人工巡檢需要派遣人員進入豎井內部，這不僅費時費力，而且存在安全隱患，且豎井內可能存在有毒氣體、缺氧、高溫等危險因素，對巡檢人員的身體健康構成威脅，此外，人工巡檢還受限于人員的經驗和主觀判斷，容易出現誤判或遺漏；固定攝像頭監控雖然可以實時監控豎井內的情況，但攝像頭的安裝位置和數量有限，無法觀察到整個橫管區域。
2、近年來，隨著無人機技術的快速發展，無人機在巡檢領域的應用越來越廣泛。無人機具有靈活機動、高效便捷的特點，可以迅速到達豎井內部，并通過掛載的攝像頭拍攝高清圖像。然而，僅僅通過無人機拍攝圖像并不足以實現橫管的準確識別和定位。
3、也即，如何提供一種基于圖像在豎井中識別橫管的方法，以達到對豎井內橫管的快速識別和準確定位的技術效果是本領域亟需解決的技術難題。
技術實現思路
1、本專利技術實施例提供了一種基于圖像在豎井中識別橫管的方法及其相關設備，以解決上述至少一種技術問題。
2、第一方面，本申請提供了一種基于圖像在豎井中識別橫管的方法，所述方法應用
3、構建深度學習網絡模型，并對所述深度學習網絡模型進行訓練得到橫管識別模型；
4、當所述無人機在目標豎井中巡檢時，通過安裝在所述無人機上的所述攝像頭實時采集所述目標豎井的實時井壁圖像；
5、將所述實時井壁圖像輸入所述橫管識別模型中，得到橫管識別結果，所述橫管識別結果包括第一識別結果和第二識別結果，所述第一識別結果為所述實時井壁圖像所對應的井壁位置處不存在目標橫管的判斷結果，所述第二識別結果包括所述實時井壁圖像所對應的井壁位置處存在目標橫管的判斷結果以及在判斷存在目標橫管時所述目標橫管在對應的所述實時井壁圖像中的像素坐標結果；
6、其中，所述目標橫管與所述目標豎井相連通。
7、優選地，所述構建深度學習網絡模型，并對所述深度學習網絡模型進行訓練得到橫管識別模型，包括：
8、獲取用于訓練所述深度學習網絡模型的待訓練樣本集合；
9、依據yolo算法構建深度學習網絡模型；
10、將所述待訓練樣本集合輸入所述深度學習網絡模型中對所述深度學習網絡模型進行訓練，得到橫管識別模型。
11、優選地，所述獲取用于訓練所述深度學習網絡模型的待訓練樣本集合，包括：
12、獲取豎井中與所述豎井連通的橫管在不同角度和不同光照條件下的歷史圖像集；
13、將所述歷史圖像集中的所有歷史圖像進行統一像素處理；
14、對統一像素處理后的所述歷史圖像集中的每一張歷史圖像中的橫管通過標記框進行標記，所述標記框為所述歷史圖像中將所述橫管包裹在內的最小矩形框；
15、獲取每一張歷史圖像中的所述標記框的像素坐標信息，并將所述像素坐標信息與對應的所述歷史圖像關聯起來，得到用于訓練所述深度學習網絡模型的待訓練樣本集合；
16、其中，所述像素坐標信息包括所述標記框的四個頂點的頂點像素坐標，所述待訓練樣本集合包括所述歷史圖像集、所述像素坐標信息以及所述像素坐標信息與對應的所述歷史圖像的關聯關系。
17、優選地，在將所述實時井壁圖像輸入所述橫管識別模型中，得到橫管識別結果之后，所述方法還包括：
18、當所述橫管識別結果為所述第二識別結果時，依據所述第二識別結果中所述目標橫管的所述像素坐標結果計算所述目標橫管的橫管中心像素坐標；
19、判斷所述橫管中心像素坐標位于對應的所述實時井壁圖像中的方位信息，依據所述方位信息控制所述無人機飛入所述目標橫管中。
20、優選地，所述像素坐標結果包括將所述實時井壁圖像中的目標橫管包裹在內的最小矩形框的四個頂點的實時頂點像素坐標，依據所述第二識別結果中所述目標橫管的所述像素坐標結果計算所述目標橫管的橫管中心像素坐標包括：
21、計算四個所述實時頂點像素坐標的橫像素坐標的平均值，得到平均橫像素坐標值；
22、計算四個所述實時頂點像素坐標的縱像素坐標的平均值，得到平均縱像素坐標值；
23、所述平均橫像素坐標值和所述平均縱像素坐標值形成所述橫管中心像素坐標。
24、優選地，所述判斷所述橫管中心像素坐標位于對應的所述實時井壁圖像中的方位信息，依據所述方位信息控制所述無人機飛入所述目標橫管中，包括：
25、若所述橫管中心像素坐標位于對應的所述實時井壁圖像中的上方，則控制所述無人機朝所述攝像頭的上方飛行；
26、若所述橫管中心像素坐標位于對應的所述實時井壁圖像中的下方，則控制所述無人機朝所述攝像頭的下方飛行；
27、若所述橫管中心像素坐標位于對應的所述實時井壁圖像中的左側，則控制所述無人機朝所述攝像頭的左側旋轉飛行；
28、若所述橫管中心像素坐標位于對應的所述實時井壁圖像中的右側，則控制所述無人機朝所述攝像頭的右側旋轉飛行。
29、優選地，在所述獲取用于訓練所述深度學習網絡模型的待訓練樣本集合之后以及所述依據yolo算法構建深度學習網絡模型之前，所述方法還包括：
30、通過數據增強技術對所述待訓練樣本集合進行數據樣本增加處理。
31、第二方面，本申請提供一種基于圖像在豎井中識別橫管的裝置，所述裝置包括：
32、模型構建單元，用于構建深度學習網絡模型，并對所述深度學習網絡模型進行訓練得到橫管識別模型；
33、圖像采集單元，當所述無人機在目標豎井中巡檢時，用于通過安裝在所述無人機上的所述攝像頭實時采集所述目標豎井的實時井壁圖像；
34、信息輸入單元，用于將所述實時井壁圖像輸入所述橫管識別模型中，得到橫管識別結果，所述橫管識別結果包括第一識別結果和第二識別結果，所述第一識別結果為所述實時井壁圖像所對應的井壁位置處不存在目標橫管的判斷結果，所述第二識別結果包括所述實時井壁圖像所對應的井壁位置處存在目標橫管的判斷結果以及在判斷存在目標橫管時所述目標橫管在對應的所述實時井壁圖像中的像素坐標結果，所述目標橫管與所述目標豎井相連通。
35、第三方面，本申請還提供一種電子設備，包括：存儲器、處理器以及存儲在存儲器中并可在處理器上運行的計算機程序，所述處理器用于執行存儲器中存儲的計算機程序時實現第一方面中任一項一種基于圖像在豎井中識別橫管的方法。
36、第四方面，本申請還提供一種計算機可讀存儲介質，其上存儲有計算本文檔來自技高網...
【技術保護點】
1.一種基于圖像在豎井中識別橫管的方法，所述方法應用于對地下管道進行巡檢的無人機，所述無人機的正前方安裝有攝像頭，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述構建深度學習網絡模型，并對所述深度學習網絡模型進行訓練得到橫管識別模型，包括：
3.根據權利要求2所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述獲取用于訓練所述深度學習網絡模型的待訓練樣本集合，包括：
4.根據權利要求3所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，在將所述實時井壁圖像輸入所述橫管識別模型中，得到橫管識別結果之后，所述方法還包括：
5.根據權利要求4所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述像素坐標結果包括將所述實時井壁圖像中的目標橫管包裹在內的最小矩形框的四個頂點的實時頂點像素坐標，依據所述第二識別結果中所述目標橫管的所述像素坐標結果計算所述目標橫管的橫管中心像素坐標包括：
6.根據權利要求5所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述判斷
7.根據權利要求6所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，在所述獲取用于訓練所述深度學習網絡模型的待訓練樣本集合之后以及所述依據YOLO算法構建深度學習網絡模型之前，所述方法還包括：
8.一種基于圖像在豎井中識別橫管的裝置，其特征在于，所述裝置包括：
9.一種電子設備，包括：存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器用于執行存儲器中存儲的計算機程序時實現如權利要求1～7中任一項所述的一種基于圖像在豎井中識別橫管的方法。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現如權利要求1～7中任一項所述的一種基于圖像在豎井中識別橫管的方法。
...【技術特征摘要】
1.一種基于圖像在豎井中識別橫管的方法，所述方法應用于對地下管道進行巡檢的無人機，所述無人機的正前方安裝有攝像頭，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述構建深度學習網絡模型，并對所述深度學習網絡模型進行訓練得到橫管識別模型，包括：
3.根據權利要求2所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述獲取用于訓練所述深度學習網絡模型的待訓練樣本集合，包括：
4.根據權利要求3所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，在將所述實時井壁圖像輸入所述橫管識別模型中，得到橫管識別結果之后，所述方法還包括：
5.根據權利要求4所述的一種基于圖像在豎井中識別橫管的方法，其特征在于，所述像素坐標結果包括將所述實時井壁圖像中的目標橫管包裹在內的最小矩形框的四個頂點的實時頂點像素坐標，依據所述第二識別結果中所述目標橫管的所述像素坐標結果計算所述目標橫管的橫管中心像素坐標包括：
【專利技術屬性】
技術研發人員：朱純午，羅超，李澤，陳智勇，楊麗坤，
申請(專利權)人：武漢道小飛科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。