无人机动态智能管线分析检测研究
来源:用户上传
作者:钟武军
[摘 要]我国油气管道具有运行里程长、建设年代跨度大、安全事故多发等特点。通过无人機对管线进行图像采集，并对图像进行正摄性矫正，在矫正后的图像中标注管线位置;然后以管线位置为基准，在图像的警戒范围内进行异常目标检测;接着通过神经网络识别异常目标类别，并由人工确认检测到的异常目标是否需要矫正;最后计算获取异常目标的警戒距离以及面积，将异常目标及特征与异常目标的处理状态存入数据库，并生成报告。
[关键词]无人机巡检;动态检测;智能识别;AI神经网络学习
doi：10.3969/j.issn.1673 - 0194.2020.24.070
[中图分类号]F273 [文献标识码]A [文章编号]1673-0194（2020）24-0-02
1 国内石油管线巡检管理及发展现状
我国油气管道具有运行里程长、建设年代跨度大、安全事故多发等特点，加强管道的安全管理，特别是加强管道的现场安全巡护，能够减少管道安全事故。目前，油气管线巡检应用最广泛的手段仍然是人工巡护，但是受地理条件限制和自然环境影响，有时人工巡护手段难以实施，且人工巡护存在成本高、效率低、难以标准化等问题。当前自动化巡检辅助人工巡护并逐步替代人工巡护是油汽管线巡检领域的大势所趋，相比传统的管线巡检方法（人工巡护、光缆监测），利用无人机进行管线巡检时，在巡检成本、功能多样性和灾后管线评价上具有不可替代的优势，但是目前国内无人机管线巡检方案或软件都无法提供端到端的巡检流程，最多只是将巡检的航拍图拼接成电子地图，没有深入挖掘图像信息。
2 无人机动态智能管线分析检测设计方案概述
2.1 功能模块
2.1.1 图像采集单元
图像采集单元主要采集管线图像，按要求导入所采集的图像文件，并标注相关信息，按要求进行基本的预处理操作。
2.1.2 接收模块
接收模块可以接收图像采集单元采集到的图像，并对符合覆盖管线要求的图像进行正摄性矫正，并在矫正后的图像中标注管线位置。
2.1.3 GIS三维成像模块
GIS三维成像模块将采集后的序列图像按照真实GIS地理系统坐标三维全景展示采集地貌，包括完整正射图和数字高程图，具有高精度的地理信息坐标及标签，可用于基本的地貌查勘以及距离测量等操作，满足初始的数字模型构建和档案构建要求。
2.1.4 目标筛选模块
目标筛选模块设置了管线两侧图像的警戒范围，并在图像的警戒范围内检测异常目标，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。其中，主要采用的检测方法包括基本的目标检测和对比检测两种方式。
2.1.5 深度学习识别模块
深度学习识别模块可以识别检测模块检测到的异常目标，从而确定异常目标的类型。根据大量样本构建多层神经网络模型，通过深度学习网络精确分类各种目标。
2.1.6 人工确认单元
人工确认单元可以判定经神经网络识别后的异常目标，并矫正异常目标，从而得到最终的异常目标序列。
2.1.7 分析管理单元
分析管理单元包括计算模块、数据存储模块、发送模块。第一，计算模块。用于计算异常目标相对于管线中线的距离以及异常目标的面积。第二，数据存储管理模块。用于存储异常目标的类别、地理坐标、相对于管线中线的距离、面积以及操作人员对异常目标的处理状态。其中，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。第三，发送模块。将高危警戒异常目标的地理坐标和类别发送给操作人员。
2.2 实现细节算法
2.2.1 图像采集单元
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;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。
2.2.2 目标筛选模块
以管线位置为基准，设置图像的警戒范围。其中，警戒范围的值根据使用者的实际需要确定。例如，以石油管道为基准，将距离石油管道50 m内的范围设为预警范围。之后，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。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。
异常小目标表现为点状、斑状，具有共同的特性，表现在分辨率极大的遥感图像上，例如，工程车辆、电线杆等表现为小目标特征，以此为特点，设置像素小于80 PPI×80 PPI的目标作为异常小目标。异常大目标如房屋、山体滑坡、水体等在遥感图像上表现为大块的边缘突出，颜色一致，纹理类似，以此为特点，设置像素在80 PPI×80 PPI～400 PPI×400 PPI的目标作为异常大目标。异常人造目标在图像上突出表现为规则的直线线条或圆弧线条，以此为特点，设置像素尺寸在50 PPI×50 PPI～100 PPI×100 PPI的目标作为异常人造目标。这样一来，通过目标筛选模块，不仅能够检测管线周围警戒范围内的异常目标，还能检测管线周围警戒范围内的正常目标。
2.2.3 神经网络识别模块 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類别。例如，利用CNN（Convolutional Neural Network，神经网络识别）深度学习目标识别。CNN机器学习对疑似异常目标进行CNN深度学习目标识别，获取异常目标的具体类别：道路、车辆、房屋、土壤翻动、水体或电杆类别等。
2.2.4 数据存储管理模块
将异常目标的类别、地理坐标、相对于管线中线的距离以及异常大目标占用面积归档至数据库，自动生成报告。报告生成除上述基本信息，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。定期汇总异常目标的排查情况，以此生成月度、年度等异常目标巡检反馈，同时汇总成统计报告。利用无人机巡检管线目标分析管理系统，排查石油管道周围的异常目标，将无人机石油管道巡线的安全生产工作流完全纳入自动化管理系统中。
3 无人机动态智能管线的应用效果
目前，在华北石油二连公司，北京天然气管道公司的陕京四线、陕京二三线以及长庆采气三厂等单位应用。
3.1 二连油田阿赛线
阿赛线隶属于华北油田公司二连分公司输油管理处，全长361 km，起始于内蒙古自治区锡林浩特市阿尔善首站，途经锡林郭勒盟阿巴嘎旗、苏尼特左旗，终于苏尼特右旗末站。近年来，因输油管线腐蚀导致穿孔漏油，被列入重点巡护项目。利用无人机快速巡检和智能分析系统，针对该区域空中巡检，巡检距离55 km，飞行时间78分钟，总共发现28处异常目标，其中，水毁8处，杆桩倾倒13处，地表裂缝7处。
3.2 陕京四线
陕京四线乌审旗无人区25 km管道，飞行路段距离远、牧场多、围栏穿越难、沙漠行走困难、途经复杂地貌多，采用传统人工巡线方法有交通不便、费时费力、人工成本高，徒步巡线无法到达该段管道，给管道安全运行带来隐患。在无人机飞行过程中，对管道进行视频拍摄，并通过无线传输将影像实时传送到内蒙古输气管理处及北京天然气管道公司，用户通过网络设备可实时查看巡护效果。实时数据经过智能高效的大数据处理平台对比分析，管道前后时期的变化清晰可见，为管理方快速制订管道维护方案提供了重要依据。无人机动态智能管线分析检测技术能以最快的速度完成石油管道沿线巡检的航空影像数据处理，为油田生产快速完成对埋地管道的巡检和偷盗油探测，降低检测投入成本，取代超长石油管道远距离人工巡检，每年可为油气管道巡检节约大量的人力投入成本。
主要参考文献
[1]金伟，葛宏立，杜华强，等.无人机遥感发展与应用概括[J].遥感信息，2009（1）：88-92.
[2]吕厚谊.无人机发展与无人机技术[J].世界科技研究与发展，
1998（6）：113-116.
[3]欧新伟，周利剑，冯庆善，李祎，李振宇.无人机遥感技术在长输油气管道管理中的应用[J].科技创新导报，2011（15）：77-78.
[4]武海彬.无人机系统在油气管道巡检中的应用研究[J].中国石油和化工标准与质量，2014（9）：105-106.
[5]刘文华，刘洋，李宁.智能识别算法在无人机巡线中的应用研究[J].中国管理信息化，2018（11）：130-135.
[6]王小雄，邵永军，任晓辉，等.一种智能无人机桥检系统研究[J].公路交通科技：应用技术版，2019（11）：187-189.
[7]陈兆龙，盛拥军，李国森.无人机巡检管道自动识别报警功能分析研究[J].中国设备工程，2020（10）：14-15.
[8]崔瑞雪，汪麟，赵德银，等.管道完整性管理平台技术发展研究[J].化工中间体，2020（11）：108-110.
转载注明来源:https://www.xzbu.com/3/view-15392353.htm
