【技术实现步骤摘要】
本专利技术涉及管道检测，具体涉及一种基于图像在竖井中识别横管的方法及其相关设备。
技术介绍
1、在石油、天然气、电力、通信以及市政建设等行业中，竖井内的横管(如电缆管道、水管道等)的巡检和维护工作至关重要。这些横管负责输送各种流体或信号，其安全性和可靠性直接影响到整个系统的运行。然而，由于竖井环境的特殊性(如空间狭小、光线不足、环境复杂等)，传统的巡检方法(如人工巡检、固定摄像头监控等)存在诸多局限。如人工巡检需要派遣人员进入竖井内部，这不仅费时费力，而且存在安全隐患，且竖井内可能存在有毒气体、缺氧、高温等危险因素，对巡检人员的身体健康构成威胁，此外，人工巡检还受限于人员的经验和主观判断，容易出现误判或遗漏；固定摄像头监控虽然可以实时监控竖井内的情况，但摄像头的安装位置和数量有限，无法观察到整个横管区域。
2、近年来，随着无人机技术的快速发展，无人机在巡检领域的应用越来越广泛。无人机具有灵活机动、高效便捷的特点，可以迅速到达竖井内部，并通过挂载的摄像头拍摄高清图像。然而，仅仅通过无人机拍摄图像并不足以实现横管的准确识别和定位。
3、也即，如何提供一种基于图像在竖井中识别横管的方法，以达到对竖井内横管的快速识别和准确定位的技术效果是本领域亟需解决的技术难题。
技术实现思路
1、本专利技术实施例提供了一种基于图像在竖井中识别横管的方法及其相关设备，以解决上述至少一种技术问题。
2、第一方面，本申请提供了一种基于图像在竖井中识别横管的方法，所述方法应用
3、构建深度学习网络模型，并对所述深度学习网络模型进行训练得到横管识别模型；
4、当所述无人机在目标竖井中巡检时，通过安装在所述无人机上的所述摄像头实时采集所述目标竖井的实时井壁图像；
5、将所述实时井壁图像输入所述横管识别模型中，得到横管识别结果，所述横管识别结果包括第一识别结果和第二识别结果，所述第一识别结果为所述实时井壁图像所对应的井壁位置处不存在目标横管的判断结果，所述第二识别结果包括所述实时井壁图像所对应的井壁位置处存在目标横管的判断结果以及在判断存在目标横管时所述目标横管在对应的所述实时井壁图像中的像素坐标结果；
6、其中，所述目标横管与所述目标竖井相连通。
7、优选地，所述构建深度学习网络模型，并对所述深度学习网络模型进行训练得到横管识别模型，包括：
8、获取用于训练所述深度学习网络模型的待训练样本集合；
9、依据yolo算法构建深度学习网络模型；
10、将所述待训练样本集合输入所述深度学习网络模型中对所述深度学习网络模型进行训练，得到横管识别模型。
11、优选地，所述获取用于训练所述深度学习网络模型的待训练样本集合，包括：
12、获取竖井中与所述竖井连通的横管在不同角度和不同光照条件下的历史图像集；
13、将所述历史图像集中的所有历史图像进行统一像素处理；
14、对统一像素处理后的所述历史图像集中的每一张历史图像中的横管通过标记框进行标记，所述标记框为所述历史图像中将所述横管包裹在内的最小矩形框；
15、获取每一张历史图像中的所述标记框的像素坐标信息，并将所述像素坐标信息与对应的所述历史图像关联起来，得到用于训练所述深度学习网络模型的待训练样本集合；
16、其中，所述像素坐标信息包括所述标记框的四个顶点的顶点像素坐标，所述待训练样本集合包括所述历史图像集、所述像素坐标信息以及所述像素坐标信息与对应的所述历史图像的关联关系。
17、优选地，在将所述实时井壁图像输入所述横管识别模型中，得到横管识别结果之后，所述方法还包括：
18、当所述横管识别结果为所述第二识别结果时，依据所述第二识别结果中所述目标横管的所述像素坐标结果计算所述目标横管的横管中心像素坐标；
19、判断所述横管中心像素坐标位于对应的所述实时井壁图像中的方位信息，依据所述方位信息控制所述无人机飞入所述目标横管中。
20、优选地，所述像素坐标结果包括将所述实时井壁图像中的目标横管包裹在内的最小矩形框的四个顶点的实时顶点像素坐标，依据所述第二识别结果中所述目标横管的所述像素坐标结果计算所述目标横管的横管中心像素坐标包括：
21、计算四个所述实时顶点像素坐标的横像素坐标的平均值，得到平均横像素坐标值；
22、计算四个所述实时顶点像素坐标的纵像素坐标的平均值，得到平均纵像素坐标值；
23、所述平均横像素坐标值和所述平均纵像素坐标值形成所述横管中心像素坐标。
24、优选地，所述判断所述横管中心像素坐标位于对应的所述实时井壁图像中的方位信息，依据所述方位信息控制所述无人机飞入所述目标横管中，包括：
25、若所述横管中心像素坐标位于对应的所述实时井壁图像中的上方，则控制所述无人机朝所述摄像头的上方飞行；
26、若所述横管中心像素坐标位于对应的所述实时井壁图像中的下方，则控制所述无人机朝所述摄像头的下方飞行；
27、若所述横管中心像素坐标位于对应的所述实时井壁图像中的左侧，则控制所述无人机朝所述摄像头的左侧旋转飞行；
28、若所述横管中心像素坐标位于对应的所述实时井壁图像中的右侧，则控制所述无人机朝所述摄像头的右侧旋转飞行。
29、优选地，在所述获取用于训练所述深度学习网络模型的待训练样本集合之后以及所述依据yolo算法构建深度学习网络模型之前，所述方法还包括：
30、通过数据增强技术对所述待训练样本集合进行数据样本增加处理。
31、第二方面，本申请提供一种基于图像在竖井中识别横管的装置，所述装置包括：
32、模型构建单元，用于构建深度学习网络模型，并对所述深度学习网络模型进行训练得到横管识别模型；
33、图像采集单元，当所述无人机在目标竖井中巡检时，用于通过安装在所述无人机上的所述摄像头实时采集所述目标竖井的实时井壁图像；
34、信息输入单元，用于将所述实时井壁图像输入所述横管识别模型中，得到横管识别结果，所述横管识别结果包括第一识别结果和第二识别结果，所述第一识别结果为所述实时井壁图像所对应的井壁位置处不存在目标横管的判断结果，所述第二识别结果包括所述实时井壁图像所对应的井壁位置处存在目标横管的判断结果以及在判断存在目标横管时所述目标横管在对应的所述实时井壁图像中的像素坐标结果，所述目标横管与所述目标竖井相连通。
35、第三方面，本申请还提供一种电子设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现第一方面中任一项一种基于图像在竖井中识别横管的方法。
36、第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算本文档来自技高网...
【技术保护点】
1.一种基于图像在竖井中识别横管的方法，所述方法应用于对地下管道进行巡检的无人机，所述无人机的正前方安装有摄像头，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述构建深度学习网络模型，并对所述深度学习网络模型进行训练得到横管识别模型，包括：
3.根据权利要求2所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述获取用于训练所述深度学习网络模型的待训练样本集合，包括：
4.根据权利要求3所述的一种基于图像在竖井中识别横管的方法，其特征在于，在将所述实时井壁图像输入所述横管识别模型中，得到横管识别结果之后，所述方法还包括：
5.根据权利要求4所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述像素坐标结果包括将所述实时井壁图像中的目标横管包裹在内的最小矩形框的四个顶点的实时顶点像素坐标，依据所述第二识别结果中所述目标横管的所述像素坐标结果计算所述目标横管的横管中心像素坐标包括：
6.根据权利要求5所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述判断
7.根据权利要求6所述的一种基于图像在竖井中识别横管的方法，其特征在于，在所述获取用于训练所述深度学习网络模型的待训练样本集合之后以及所述依据YOLO算法构建深度学习网络模型之前，所述方法还包括：
8.一种基于图像在竖井中识别横管的装置，其特征在于，所述装置包括：
9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1～7中任一项所述的一种基于图像在竖井中识别横管的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的一种基于图像在竖井中识别横管的方法。
...【技术特征摘要】
1.一种基于图像在竖井中识别横管的方法，所述方法应用于对地下管道进行巡检的无人机，所述无人机的正前方安装有摄像头，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述构建深度学习网络模型，并对所述深度学习网络模型进行训练得到横管识别模型，包括：
3.根据权利要求2所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述获取用于训练所述深度学习网络模型的待训练样本集合，包括：
4.根据权利要求3所述的一种基于图像在竖井中识别横管的方法，其特征在于，在将所述实时井壁图像输入所述横管识别模型中，得到横管识别结果之后，所述方法还包括：
5.根据权利要求4所述的一种基于图像在竖井中识别横管的方法，其特征在于，所述像素坐标结果包括将所述实时井壁图像中的目标横管包裹在内的最小矩形框的四个顶点的实时顶点像素坐标，依据所述第二识别结果中所述目标横管的所述像素坐标结果计算所述目标横管的横管中心像素坐标包括：
【专利技术属性】
技术研发人员：朱纯午，罗超，李泽，陈智勇，杨丽坤，
申请(专利权)人：武汉道小飞科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。