基于深度学习和无人机的管道检测系统及方法技术方案

本发明专利技术提供了一种基于深度学习和无人机的管道检测系统及方法，属于工业机器人领域。本发明专利技术地面站部分包括数据管理模块和无线通信模块一，机载部分包括无线通讯模块二、可见光相机、红外相机、检测系统机载控制部分和存储器；该方法为采用双边滤波器对图像进行去噪；采用Canny算子对图像进行边缘检测再映射回原始图像进行锐化操作；使用卷积和池化运算简化成为特征提取网络可以识别的特征图；构建RPN网络对特征图中的目标框进行预测回归；通过SoftNMS进行标准后处理，保留预测分数最高的预测框作为检测输出；生成目标掩膜图像即最终的管道检测图片。本发明专利技术输油管道漏电识别准确率高，效率高；实现了输油管道自动化检测，节省了人力成本，提高了工作效率。

Pipeline detection system and method based on deep learning and UAV

【技术实现步骤摘要】
基于深度学习和无人机的管道检测系统及方法
本专利技术涉及基于深度学习和无人机的管道检测系统及方法，属于工业机器人领域。
技术介绍
论文《油气管道智能巡检系统的设计与实现》中以输油管道的日常巡视与维修要求为背景，利用GPS定位技术、GIS(地理信息系统)和数据传输技术实现了油气管道的智能巡检管理。利用油田以及石油输油管道已经存在的GIS数据，通过图形化的形式向石油输油管道巡检人员的巡检的路程以及待测的故障点进行直观的展示，通过GPS对石油输油管道巡检人员的路线以及位置进行定位，从而能够对于石油输油管道巡检人员工作的状态进行及时全程监控；对于有可能存在问题石油输油管道以及附属设备，可以向管理中心及时进行信息的反馈，而管理中心基于GIS系统内全部的空间数据以及属性数据进行全面分析，最终获得最有效的解决方案，并向现场工作人员进行反馈。基于数量丰富的地理信息对输油管道沿线的运行情况进行详细的说明，从而构建数字化的输油管道，通过地理信息使得工作人员能够对输油管道的各种信息能够做到实时、详尽、准确的把握，同时，给工作人员操作以及管理决策提供依据。进而可以实现本文档来自技高网...

【技术保护点】
1.一种基于深度学习和无人机的管道检测系统，其特征在于，所述基于深度学习和无人机的管道检测系统包括地面站和机载两部分，地面站部分包括数据管理模块和无线通信模块一，机载部分包括无线通讯模块二、可见光相机、红外相机、检测系统机载控制部分和存储器，地面站上的数据管理模块与无线通讯模块一连接，机载部分搭载无线通讯模块二、可见光相机、红外相机和存储器，可见光相机、红外相机和存储器将数据传送到无人机检测系统机载控制部分，地面站的无线通讯模块一与机载上的无线通讯模块二之间进行无线通讯。/n

【技术特征摘要】
1.一种基于深度学习和无人机的管道检测系统，其特征在于，所述基于深度学习和无人机的管道检测系统包括地面站和机载两部分，地面站部分包括数据管理模块和无线通信模块一，机载部分包括无线通讯模块二、可见光相机、红外相机、检测系统机载控制部分和存储器，地面站上的数据管理模块与无线通讯模块一连接，机载部分搭载无线通讯模块二、可见光相机、红外相机和存储器，可见光相机、红外相机和存储器将数据传送到无人机检测系统机载控制部分，地面站的无线通讯模块一与机载上的无线通讯模块二之间进行无线通讯。


2.根据权利要求1所述的基于深度学习和无人机的管道检测系统，其特征在于，所述无人机采用大疆公司生产MG-1PRTK版农业植保机。


3.根据权利要求1所述的基于深度学习和无人机的管道检测系统，其特征在于，所述红外相机为摄徒D900高清1080P红外夜视摄像机，可见光相机为MS-UB500C。


4.如权利要求1-3所述的一种基于深度学习和无人机的管道检测系统的检测方法，其特征在于，具体步骤为：
步骤一：检测系统采用双边滤波器对可见光相机和红外相机采集的管道图像进行去噪；
步骤二：采用Canny算子对步骤一去噪后的图像进行边缘检测再映射回原始图像进行锐化操作；
步骤三：使用卷积和池化运算将步骤三处理后的图像简化成为特征提取网络可以识别的特征图；
步骤四：构建RPN网络对特征图中的目标框进行预测回归；
步骤五：通过SoftNMS对步骤四中由RPN网络生成的目标候选区域进行标准后处理，去除重合度较高的预测框，只保留预测分数最高的预测框作为检测输出；
步骤六：在掩模生成网络中，使用FCN全卷积层对图像进行分割，全卷积层进行反卷积操作，设定和分类数目相同的卷积通道对图像进行上采样，将特征图以与特征提取网络相同的倍数放大到原图像尺寸，生成目标掩膜图像即为最终的管道检测图片。


5.根据权利要求1所述的基于深度学习和无人机的管道检测方法，其特征在于，所述步骤三的具体过程为：特征提取网络采用ResNet101网络，并且使用FeaturePyramidNetwork方法，构建特征金字塔，在多层特征上进行预测，增加特征映射的分辨率：
ResNet网络中的残差结构通过跨层链接在进行数据优化时可以得到线性映射，ResNet对残差函数和输入映射两个部分进行拆分，首先学习残差函数F(X)然后对输入进行映射X，得到新的函数H(X)，通过使用瓶颈式残差块提升网络的训练速度，构建了分别为1x1,3x3,1x1三个卷积层来减少模型的输出特征的尺寸；
步骤二的图像输入到网络层中，首先对图像进行预处理变为1030x1030x3的尺寸，然后依次通过特征提取网络的stage1到stage5层，其中每个stage在进行卷积化运算后先对数据进行标准化处理，然后使用ReLU激活函数进行激活，最后输出经过处理的图像特征；
在经过特征提...

【专利技术属性】
技术研发人员：夏红伟，田震，李莉，马广程，裘水军，张利强，裴敏，
申请(专利权)人：哈尔滨工业大学，蔚复来浙江科技股份有限公司，
类型：发明
国别省市：黑龙;23