基于管廊视频和二维码检测的管廊异常位置定位方法及系统技术方案

本发明专利技术公开了一种基于管廊视频和二维码检测的管廊异常位置定位方法及系统，所述方法包括以下步骤：将待定位识别管廊图片输入预先训练好的管廊异常分类神经网络模型，获取管廊异常分类结果；若所述管廊异常分类结果为异常，则将所述待定位识别管廊图片输入预先训练好的二维码检测模型，获取所述待定位识别管廊图片中二维码的位置；基于所述二维码的位置获取二维码图片并识别，获得二维码预记载信息；基于所述二维码预记载信息完成管廊异常位置定位。本发明专利技术提供的技术方案，基于二维码检测和采集管廊视频能够完成管廊异常位置检测；相比于目前的传统定位方式，具有较高的安全性、可靠性和精确性。可靠性和精确性。可靠性和精确性。

【技术实现步骤摘要】
基于管廊视频和二维码检测的管廊异常位置定位方法及系统


[0001]本专利技术属于计算机数字图像处理与模式识别
，特别涉及一种基于管廊视频和二维码检测的管廊异常位置定位方法及系统。

技术介绍

[0002]综合管廊是将水电气暖信等管线统一接入到管廊内，从而有利于运营、管理、维修和查询。铺设在综合管廊中的管线由于复杂的管廊环境很容易产生损耗，常见的异常情况有管线乱搭、管线支架脱落等现象。
[0003]目前，对于综合管廊内异常位置的定位可以通过两种方法，一种是通过人工记录的方式上报异常位置，一种是通过管廊机器人的GPS进行定位，这两种传统方式存在的缺陷包括：
[0004](1)对于人工记录异常位置的方式来说，管廊的环境比较危险，人工去记录一是人员的安全很难保障，二是耗时耗力效率较低；
[0005](2)对于使用GPS定位异常位置的方法来说，管廊一般位于城市的地底，在管廊中GPS信号非常弱，较难定位到异常位置，可靠性较差；另外，GPS误差较大，异常位置定位的精确性能较差。

技术实现思路

[0006]本专利技术的目的在于提供一种基于管廊视频和二维码检测的管廊异常位置定位方法及系统，以解决上述存在的一个或多个技术问题。本专利技术提供的技术方案，基于二维码检测和采集管廊视频能够完成管廊异常位置检测；相比于目前的传统定位方式，具有较高的安全性、可靠性和精确性。
[0007]为达到上述目的，本专利技术采用以下技术方案：
[0008]本专利技术的一种基于管廊视频和二维码检测的管廊异常位置定位方法，包括以下步骤：
[0009]将待定位识别管廊图片输入预先训练好的管廊异常分类神经网络模型，获取管廊异常分类结果；
[0010]若所述管廊异常分类结果为异常，则将所述待定位识别管廊图片输入预先训练好的二维码检测模型，获取所述待定位识别管廊图片中二维码的位置；
[0011]基于所述二维码的位置获取二维码图片并识别，获得二维码预记载信息；基于所述二维码预记载信息完成管廊异常位置定位。
[0012]本专利技术的进一步改进在于，获取所述待定位识别管廊图片的步骤包括：基于管廊机器人上设置的视觉摄像头采集的管廊视频获取待定位识别管廊图片。
[0013]本专利技术的进一步改进在于，所述管廊异常分类神经网络模型为Resnet、Densenet、VGG或Alexnet。
[0014]本专利技术的进一步改进在于，所述二维码检测模型为YOLO、Fast
‑
RCNN、Faster
‑
RCNN
或SSD。
[0015]本专利技术的进一步改进在于，训练好的管廊异常分类神经网络模型的获取步骤包括：
[0016]获取管廊异常学习样本集；
[0017]基于所述管廊异常学习样本集训练所述管廊异常分类神经网络模型，获得训练完成的管廊异常分类神经网络模型；
[0018]将所述训练完成的管廊异常分类神经网络模型利用netadapt方法进行剪枝搜索，搜索结束后将模型转换为ONNX格式再进行量化，得到RKNN模型，获得训练好的管廊异常分类神经网络模型。
[0019]本专利技术的进一步改进在于，训练好的二维码检测模型的获取步骤包括：
[0020]获取二维码检测学习样本集；
[0021]基于所述二维码检测学习样本集训练所述二维码检测模型，获得训练完成的二维码检测模型；
[0022]将所述训练完成的二维码检测模型利用netadapt方法进行剪枝搜索，搜索结束后将模型转换为ONNX格式再进行量化，得到RKNN模型，获得训练好的二维码检测模型。
[0023]本专利技术的进一步改进在于，若所述管廊异常分类结果为异常时，还包括：
[0024]判定异常值是否超过预设阈值，若超过则输出此待定位识别管廊图片及图片上二维码预记载的信息并告警。
[0025]本专利技术的进一步改进在于，基于所述二维码的位置获取二维码图片并识别，获得二维码预记载信息的步骤具体包括：
[0026]基于所述二维码的位置获取待定位识别管廊图片上的二维码图片；
[0027]通过基于深度学习的超分网络加强所述二维码图片的清晰度后，再使用pyzbar识别二维码中预记载的编号信息，所述编号信息用于表示管廊内预定位置信息。
[0028]本专利技术的进一步改进在于，所述超分网络中，使用密接连接的方式将网络浅层特征与深层特征连接；设置残差结构，用于加速网络收敛。
[0029]本专利技术的一种基于管廊视频和二维码检测的管廊异常位置定位系统，包括：
[0030]管廊异常分类结果获取模块，用于将待定位识别管廊图片输入预先训练好的管廊异常分类神经网络模型，获取管廊异常分类结果；
[0031]二维码位置获取模块，用于当所述管廊异常分类结果为异常时，将所述待定位识别管廊图片输入预先训练好的二维码检测模型，获取所述待定位识别管廊图片中二维码的位置；
[0032]识别定位模块，用于根据所述二维码的位置获取二维码图片并识别，获得二维码预记载信息；基于所述二维码预记载信息完成管廊异常位置定位。
[0033]与现有技术相比，本专利技术具有以下有益效果：
[0034]本专利技术中，基于样本学习生成深度学习网络模型，通过管廊异常分类网络模型和二维码检测识别模型来确定管廊异常出现的位置。本专利技术基于管廊视频(例如，使用机器人摄像头自动巡检获得)定位管廊异常位置的方法，相对于目前使用人工巡检的方式更加安全、可靠和准确。另外，对比使用GPS定位的方法，本专利技术中管廊中预设的二维码图片的位置间隔可以设置的比较密集(例如，按照预设的精度要求设置)，定位误差较小且能够满足精
度要求，也不会产生GPS掉线的情况(一旦训练好了模型，就可以通过离线的方式记录下产生异常的位置，也可以通过网络上传服务器存储异常位置)。
[0035]本专利技术中，基于视觉摄像头得到的管廊视频来获取图片并制作成检测和分析样本，基于样本学习生成深度学习网络模型，对训练好的网络模型进行量化和剪枝，使用智能前端设备对二维码以及管廊异常检测(例如，电异常检测)。本专利技术中，通过检测二维码获取设置在机器人(设置有用于采集管廊视频的视觉摄像头)位置，相比于人工检修，具有较高的安全性和可靠性；另外也具有较高的即时性(例如，通过上报服务端后台，即时上传危险信息)。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1是本专利技术实施例的一种基于管廊视频和二维码检测的管廊异常位置定位方法的流程示意图；
[0038]图2是本专利技术实施例中，二维码检测示意图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术效果及技术方案更加清楚，下面结合本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，包括以下步骤：将待定位识别管廊图片输入预先训练好的管廊异常分类神经网络模型，获取管廊异常分类结果；若所述管廊异常分类结果为异常，则将所述待定位识别管廊图片输入预先训练好的二维码检测模型，获取所述待定位识别管廊图片中二维码的位置；基于所述二维码的位置获取二维码图片并识别，获得二维码预记载信息，基于所述二维码预记载信息完成管廊异常位置定位。2.根据权利要求1所述的一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，获取所述待定位识别管廊图片的步骤包括：基于管廊机器人上设置的视觉摄像头采集的管廊视频获取待定位识别管廊图片。3.根据权利要求1所述的一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，所述管廊异常分类神经网络模型为Resnet、Densenet、VGG或Alexnet。4.根据权利要求1所述的一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，所述二维码检测模型为YOLO、Fast
‑
RCNN、Faster
‑
RCNN或SSD。5.根据权利要求1所述的一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，训练好的管廊异常分类神经网络模型的获取步骤包括：获取管廊异常学习样本集；基于所述管廊异常学习样本集训练所述管廊异常分类神经网络模型，获得训练完成的管廊异常分类神经网络模型；将所述训练完成的管廊异常分类神经网络模型利用netadapt方法进行剪枝搜索，搜索结束后将模型转换为ONNX格式再进行量化，得到RKNN模型，获得训练好的管廊异常分类神经网络模型。6.根据权利要求1所述的一种基于管廊视频和二维码检测的管廊异常位置定位方法，其特征在于，训练好的二维码检测模型的获...

【专利技术属性】
技术研发人员：钱学明，王泽远，汤培勇，王萱，
申请(专利权)人：长兴云尚科技有限公司，
类型：发明
国别省市：