一种无人机巡检管道保温故障识别与定位方法技术

一种无人机巡检管道保温故障识别与定位方法，包括：对管道保温红外热成像图像进行预处理，构建标准故障数据集文件；构建无人机拍摄的管道保温红外热成像图像特征提取神经网络并进行训练得到图像特征图；构建管道保温红外热成像图像故障目标识别与故障区域定位检测神经网络，用得到的图像特征图进行训练构成模型并置入无人机检测平台；根据无人机检测结果制定维修策略，实现管道保温预防性维修。本发明专利技术实现了无人机自动识别管道保温故障，使管道保温在运行阶段的检测更全面细致，还节省了大量的人力物力，降低安全运行维护成本。降低安全运行维护成本。

【技术实现步骤摘要】
一种无人机巡检管道保温故障识别与定位方法


[0001]本专利技术涉及一种管道保温故障识别与定位方法。特别是涉及一种无人机巡检管道保温故障识别与定位方法。

技术介绍

[0002]在炼化企业各装置之间和装置内部有大量的工艺管道，管道的散热损失在装置能耗中占有较大的比例，例如在蒸汽管网系统，蒸汽从汽源产出，经管网输送至用户的过程中损失掉5％～20％的热量，特别在雨雪天气热损更高，直接导致末端机组的入口温度降低10℃以上，影响正常生产。中石化管道保温调研测试结果表明，约40％工艺管道由于保温破损或保温性能衰减，使得管道散热量超过标准。但工厂中很多管道都处于架空管廊内，而管道保温的破损故障往往又发生在上表面部位，现有的检测技术很难对其上表面的保温状况及管道保温破损状况进行测量，这会使得保温改造出现过修和欠修，直接导致保温改造项目资金浪费。
[0003]现阶段，一般管道保温状况排查传统上是由检修人员手持红外热像仪在地面对管道进行粗扫，发现故障点后在管道单线图上进行标识再进行治理，由于管道保温破损故障的出现是个随机过程，因此采用这种人工方式容易漏扫，且耗费了大量的人力物力。因此，开发一种基于计算机视觉的无人机巡检管道保温故障目标识别与定位方法就显得尤为必要。到目前为止，对于大型石油化工装置管道保温故障目标识别与定位还没有一套完整的系统和方法。

技术实现思路

[0004]本专利技术所要解决的技术问题是，提供一种能够实现管道保温的长周期运行的无人机巡检管道保温故障识别与定位方法。
[0005]本专利技术所采用的技术方案是：一种无人机巡检管道保温故障识别与定位方法，包括如下步骤：
[0006]1)对无人机拍摄的管道保温红外热成像图像进行预处理，构建管道保温故障属性信息图库，获得管道保温红外热成像图像故障数据集，建立标准故障数据集文件；
[0007]2)构建无人机拍摄的管道保温红外热成像图像特征提取神经网络；
[0008]3)结合所构建的管道保温红外热成像图像特征提取神经网络，构建管道保温红外热成像图像故障目标识别与故障区域定位检测神经网络；
[0009]4)用步骤1)得到的标准数据集文件中的训练集对构建的管道保温红红外热成像图像特征提取神经网络进行训练，得到图像特征图，再用所述的图像特征图对管道保温红红外热成像图像故障目标识别与故障区域定位检测神经网络进行训练，获得管道保温红外热成像图像故障目标识别与故障区域定位检测模型；
[0010]5)将管道保温红外热成像图像故障目标识别与故障区域定位检测模型置入无人机检测平台，应用无人机检测平台对管道保温实施检测；
[0011]6)根据无人机检测结果制定维修策略，实现管道保温预防性维修。
[0012]本专利技术的一种无人机巡检管道保温故障识别与定位方法，具体具有以下优点：
[0013]1、本专利技术实现了无人机自动识别管道保温故障，使管道保温在运行阶段的检测更全面细致，还节省了大量的人力物力。
[0014]2、本专利技术能够在图像数据集有限情况下，利用目标图像已标记的样本辅助目标图像数据进行更有效的识别。
[0015]3、本专利技术在设备大检修前，依据不同时期管道保温故障分布定位图中某根管道的保温破损故障状况，确定检修方案，降低安全运行维护成本，实现管道保温的长周期运行。
具体实施方式
[0016]下面结合实施例对本专利技术的基于丝杠和直线导轨的竖直方向波浪浮标检测装置及方法做出详细说明。
[0017]本专利技术的一种无人机巡检管道保温故障识别与定位方法，对无人机拍摄的管道保温红外热成像图像进行预处理，构建管道保温故障属性信息图库，获得管道保温红外热成像图像故障数据集；构建无人机拍摄的管道保温红外热成像图像特征提取神经网络，用于提取无人机拍摄的管道保温红外热成像图像的特征图；构建无人机拍摄的管道保温红外热成像图像故障目标识别与故障区域定位检测神经网络；用管道保温红外热成像图像数据集对故障目标识别与故障区域定位检测神经网络进行训练，获得管道保温红外热成像图像故障目标识别与故障区域定位检测模型；将管道保温红外热成像图像故障目标识别与故障区域定位检测模型置入无人机检测平台；应用无人机检测平台对管道保温实施检测，实现无人机行进过程中自动识别管道保温故障，并根据检测结果自动形成管束故障分布定位图，依据不同时期管道保温故障分布定位图中某根管道的保温破损故障状况，确定检修方案。
[0018]本专利技术的一种无人机巡检管道保温故障识别与定位方法，其特征在于，包括如下步骤：
[0019]1)对无人机拍摄的管道保温红外热成像图像进行预处理，构建管道保温故障属性信息图库，获得管道保温红外热成像图像故障数据集，建立标准故障数据集文件；包括：
[0020](1)将红外热成像图像进行编号命名，命名格式为1.jpg～n.jpg，组成管道保温红外热成像图像组；
[0021](2)利用管道保温红外检测方法中的图像特征判断法，对管道保温红外热成像图像组进行破损的故障征判：当管道保温出现破损时图像中的相应部位显示为红色区域，当管道保温正常运行时图像中的管束为黄色区域；
[0022](3)建立管道保温红外热成像图像故障数据集，将出现的红外异常标注为3类，按异常的形态分为：将异常区域的最大长度小于等于0.5米为轻度破损、将异常区域的最大长度大于0.5米且小于等于1.5米为中度破损、将异常区域的最大长度大于1.5米为重度破损；
[0023](4)利用labelling软件工具在管道保温红外热成像图像组中对每个图像采用矩形标注框将图像中的红色区域框住，生成与管道保温红外热成像图像组中的图像相对应的XML文件进行保存，XML文件中包含图像的文件名、大小、矩形标注框位置、标注目标类别信息，最后将标注好的数据文件，按照70：15：15的比例分类成训练集、验证集以及测试集，建立标准故障数据集文件。
[0024]2)构建无人机拍摄的管道保温红外热成像图像特征提取神经网络；
[0025]是采用残差卷积神经网络ResNet50架构，包含1个图像预处理块和从上到下分为5个堆叠块，第1个堆叠块为一个标准卷积层与一个最大池化层构成、第2个堆叠块为包含3个卷积块的残差模块、第3个堆叠块为包含4个卷积块的残差模块、第4个堆叠块为包含6个卷积块的残差模块、第5个堆叠块为包含3个卷积块的残差模块、1个平均池化和1个全连接层。其中，
[0026](1)所述的图像预处理块，是用于将所接收的无人机拍摄的图像进行裁减和边缘扩充，将原图像变成227
×
227
×
3的图像；
[0027](2)所述第1堆叠块包括64个的卷积核和64个最大池化器；
[0028](3)所述第2堆叠块分为两路，一路为扩维卷积核，另一路包括3个卷积块，每个卷积块从上到下有三个卷积层，第1层为64个1
×
1的卷积核，第2层为64个3
×
3的卷积核，第3层为256个1
×
1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机巡检管道保温故障识别与定位方法，其特征在于，包括如下步骤：1)对无人机拍摄的管道保温红外热成像图像进行预处理，构建管道保温故障属性信息图库，获得管道保温红外热成像图像故障数据集，建立标准故障数据集文件；2)构建无人机拍摄的管道保温红外热成像图像特征提取神经网络；3)结合所构建的管道保温红外热成像图像特征提取神经网络，构建管道保温红外热成像图像故障目标识别与故障区域定位检测神经网络；4)用步骤1)得到的标准数据集文件中的训练集对构建的管道保温红红外热成像图像特征提取神经网络进行训练，得到图像特征图，再用所述的图像特征图对管道保温红红外热成像图像故障目标识别与故障区域定位检测神经网络进行训练，获得管道保温红外热成像图像故障目标识别与故障区域定位检测模型；5)将管道保温红外热成像图像故障目标识别与故障区域定位检测模型置入无人机检测平台，应用无人机检测平台对管道保温实施检测；6)根据无人机检测结果制定维修策略，实现管道保温预防性维修。2.根据权利要求1所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于，步骤1)包括：(1)将红外热成像图像进行编号命名，命名格式为1.jpg～n.jpg，组成管道保温红外热成像图像组；(2)利用管道保温红外检测方法中的图像特征判断法，对管道保温红外热成像图像组进行破损的故障征判：当管道保温出现破损时图像中的相应部位显示为红色区域，当管道保温正常运行时图像中的管束为黄色区域；(3)建立管道保温红外热成像图像故障数据集，将出现的红外异常标注为3类，按异常的形态分为：将异常区域的最大长度小于等于0.5米为轻度破损、将异常区域的最大长度大于0.5米且小于等于1.5米为中度破损、将异常区域的最大长度大于1.5米为重度破损；(4)利用labelling软件工具在管道保温红外热成像图像组中对每个图像采用矩形标注框将图像中的红色区域框住，生成与管道保温红外热成像图像组中的图像相对应的XML文件进行保存，XML文件中包含图像的文件名、大小、矩形标注框位置、标注目标类别信息，最后将标注好的数据文件，按照70：15：15的比例分类成训练集、验证集以及测试集，建立标准故障数据集文件。3.根据权利要求1所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于，步骤2)所述的无人机拍摄的管道保温红外热成像图像特征提取神经网络，是采用残差卷积神经网络ResNet50架构，包含1个图像预处理块和从上到下分为5个堆叠块，第1个堆叠块为一个标准卷积层与一个最大池化层构成、第2个堆叠块为包含3个卷积块的残差模块、第3个堆叠块为包含4个卷积块的残差模块、第4个堆叠块为包含6个卷积块的残差模块、第5个堆叠块为包含3个卷积块的残差模块、1个平均池化和1个全连接层。4.根据权利要求3所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于：(1)所述的图像预处理块，是用于将所接收的无人机拍摄的图像进行裁减和边缘扩充，将原图像变成227
×
227
×
3的图像；(2)所述第1堆叠块包括64个的卷积核和64个最大池化器；(3)所述第2堆叠块分为两路，一路为扩维卷积核，另一路包括3个卷积块，每个卷积块
从上到下有三个卷积层，第1层为64个1
×
1的卷积核，第2层为64个3
×
3的卷积核，第3层为256个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的输出结果进入第3个堆叠块；(4)第3堆叠块包括有：一个扩维卷积核和从上到下4个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为128个1
×
1的卷积核，第2个卷积层为128个3
×
3的卷积核，第3个卷积层为512个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的的输出结果与扩维卷积核的输出结果相加后做为第4个卷积块的输入，第4个卷积块的输进入第4个堆叠块；(5)第4堆叠块包括有：一个扩维卷积核和从上到下6个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为256个1
×
1的卷积核，第2个卷积层为256个3
×
3的卷积核，第3个卷积层为1024个1
×
1的卷积核，6个卷积块中前1个卷积块的输出结果与扩维卷积核的输出结果相加后得到的结果做为下一个卷积块的输入，第6个卷积块的输出结果进入第5个堆叠块；(6)第5堆叠包括有：一个扩维卷积核和从上到下3个卷积块，每个卷积块从上到下有三个卷积层，第1个卷积层为512个1
×
1的卷积核，第2个卷积层为512个3
×
3的卷积核，第3个卷积层为2048个1
×
1的卷积核，第1个卷积块的输出结果与扩维卷积核的输出结果相加后做为第2个卷积块的输入，第2个卷积块的输出结果与扩维卷积核的输出结果相加后做为第3个卷积块的输入，第3个卷积块的输出结果为提取的特征。5.根据权利要求4所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于：每个堆叠中的每1个卷积层都是使用批归一化操作，每个堆叠中的每个卷积块的第1个卷积层的输出和第2个卷积层的输出都使用Relu函数激活，每个卷积块的输出都使用Relu函数激活，其中，批归一化操作公式如下：化操作公式如下：化操作公式如下：化操作公式如下：其中x
ai
为卷积网络第a层一个批次n个元素的输入，x
ai
＝{x
a1
,x
a2
,
…
,x
an
}，μ
a
为一个批次元素的均值，为一个批次元素的方差，为对同一批次所有元素归一化的结果，ζ为保证分母非零项，y
ai
为最终的输出，γ
ai
为尺度缩放，β
ai
偏移的参数；激活函数Relu表示为：其中，f(y
ai
)为卷积网络第a层的输出的Relu激活函数值。
6.根据权利要求1所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于，步骤3)所述构建管道保温红外热成像图像故障目标识别与故障区域定位检测神经网络是基于FasterR
‑
CNN结构的神经网络，包括管道保温红外热成像图像特征提取神经网络、区域生产模块RPN、区域建议池化模块、基于卷积神经网络特征的区域方法模块RCNN四部分组成。7.根据权利要求6所述的一种无人机巡检管道保温故障识别与定位方法，其特征在于，所述的：(1)区域生产模块RPN包括如下运行过程：(1.1)使用3
×3×
2048的滑窗在通过管道保温红外热成像图像特征提取神经网络提取的特征图上滑动，找到每个三维滑窗的中心在原图像对应的像素位置，然后在原图像上生成k个锚框，这k个锚框的中心重合且和三维滑窗对应的中心相同，在特征...

【专利技术属性】
技术研发人员：李涛，李洪涛，张中洋，孙全胜，荆瑞静，李梦瑶，郭拂娟，王艳丽，高丽岩，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：