天然气长输管道巡检区域目标检测方法技术

本申请揭示了一种天然气长输管道巡检区域目标检测方法

【技术实现步骤摘要】
天然气长输管道巡检区域目标检测方法、装置及存储介质


[0001]本申请属于目标检测领域，具体涉及天然气长输管道巡检区域目标检测方法
、
装置及存储介质
。

技术介绍

[0002]随着工业化进程的加速，长输管道作为能源运输的重要设施已经成为了现代经济的中枢
。
天然气长输管道的安全涉及下游用户和上游储气库
、
管道
、
输气站场和气田，是一个复杂的系统工程
。
天然气长输管道任何一处发生安全事故，都会导致整条管道系统不能正常运行，从而严重影响下游用户的生产和生活
。
管道巡检是有效保证天然气输送管道及其设备安全稳定运行的一项基础工作
。
通过巡检来掌握管道运行状况及周围环境的变化，发现设备缺陷和危及管道安全的隐患，及时进行消除，预防事故发生，或将故障限制在最小范围，保证输送管道的安全和稳定
。
传统的管道巡检模式主要包括人工巡检和车载巡检，但这两种巡检模式所表现出的隐患日渐突出，主要包括人为因素多
、
管理成本高
、
无法监督巡检人员工作状态等明显缺陷，同时也无法适应输送管道管理信息化的发展要求
。

技术实现思路

[0003]针对现有技术中的不足，本申请的目的在于提供一种长输管道巡检区域目标检测方法，
[0004]为实现上述目的，本申请提供以下技术方案：
[0005]一种天然气长输管道巡检区域目标检测方法，包括如下步骤：
[0006]S100
：获取天然气长输管道所在区域输入图像；
[0007]S200
：对所获取的输入图像进行预处理；
[0008]S300
：构建长输管道检测模型并进行训练；
[0009]S400
：将预处理后的输入图像输入训练好的长输管道检测模型，以识别输入图像中是否有天然气长输管道
。
[0010]优选的，步骤
S200
中，所述对所获取的输入图像进行预处理包括以下步骤：基于高斯核函数对输入图像进行卷积操作，以获得二值化的真实密度图
。
[0011]优选的，步骤
S300
中，所述长输管道检测模型通过以下步骤进行训练：
[0012]S301
：构建数据集，并将数据集划分为训练集和验证集；
[0013]S302
：对模型的权重进行初始化，通过训练集对模型进行训练，在训练过程中计算损失函数
loss
并进行反向传播优化网络权重，当损失函数
loss
收敛，模型训练完成；
[0014]S303
：通过测试集对训练后的模型进行测试，在测试过程中，通过平均检测精度对模型进行评价，当平均检测精度达到
0.95
，模型测试通过；否则调整训练参数重新对模型进行训练
。
[0015]本申请还提供一种天然气长输管道巡检区域目标检测装置，包括：
[0016]获取模块，用于获取输入图像；
[0017]预处理模块，用于对所获取的输入图像进行预处理；
[0018]模型构建及训练模块，用于构建长输管道检测模型并进行训练；其中，所述模型包括主干网络，主干网络中通过引入深度可分离卷积
DWC3
，使得模型在保证精度的同时提升特征提取速度；所述模型还包括特征融合网络，特征融合网络通过引入卷积层的注意力模块
CBAM
，使得模型能够自动学习并关注图像中的最重要特征；
[0019]检测模块，用于将预处理后的输入图像输入训练好的长输管道检测模型，以识别输入图像中是否有天然气长输管道
。
[0020]优选的，所述模型构建及训练模块包括：
[0021]数据集构建子模块，用于构建数据集，并将数据集划分为训练集和验证集；
[0022]训练子模块，用于通过训练集对模型进行训练；
[0023]测试子模块，用于通过测试集对训练后的模型进行测试
。
[0024]本申请还提供一种电子设备，包括：
[0025]存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
[0026]所述处理器执行所述程序时实现如前任一所述的方法
。
[0027]本申请还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于如前任一所述的方法
。
[0028]与现有技术相比，本申请带来的有益效果为：
[0029]1．提高检测效率：本方法利用计算机视觉和机器学习算法，能够实现自动化
、
快速地检测目标物体，大大提高了巡检的效率
。
[0030]2．减少人力成本：传统的巡检方法需要大量人力投入，本方法能够减少人力需求，降低了人力成本
。
[0031]3．提高安全性：长输管道巡检区域通常存在一定的安全风险，本方法能够减少人员进入危险区域的需求，提高了巡检的安全性
。
[0032]4．提高准确性：本方法利用先进的算法和技术，能够提高检测的准确性，减少漏检和误检的情况
。
[0033]5．数据化管理：本方法能够将检测结果进行数据化管理，方便后续分析和处理，提供更好的决策依据
。
附图说明
[0034]图1是本申请一个实施例提供的一种长输管道巡检区域目标检测方法流程图；
[0035]图2是本申请另一个实施例提供的长输管道检测模型的结构示意图
。
具体实施方式
[0036]下面将参照附图详细地描述本申请的具体实施例
。
虽然附图中显示了本申请的具体实施例，然而应当理解，可以通过各种形式实现本申请而不应被这里阐述的实施例所限制
。
相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员
。
[0037]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件
。
本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件
。
本说明书及权利
要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则
。
如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。
说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本申请的范围
。
本申请的保护范围当视所附权利要求所界定者为准
。
[0038]为便于对本申请实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本申请实施例的限定
。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种天然气长输管道巡检区域目标检测方法，其特征在于，所述方法包括如下步骤：
S100
：获取天然气长输管道所在区域输入图像；
S200
：对所获取的输入图像进行预处理；
S300
：构建长输管道检测模型并进行训练；其中，所述模型包括主干网络，主干网络中通过引入深度可分离卷积
DWC3
，使得模型在保证精度的同时提升特征提取速度；所述模型还包括特征融合网络，特征融合网络通过引入卷积层的注意力模块
CBAM
，使得模型能够自动学习并关注图像中的最重要特征；
S400
：将预处理后的输入图像输入训练好的长输管道检测模型，以识别输入图像中是否有天然气长输管道
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，所述对所获取的输入图像进行预处理包括以下步骤：基于高斯核函数对输入图像进行卷积操作，以获得二值化的真实密度图
。3.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述长输管道检测模型通过以下步骤进行训练：
S301
：构建数据集，并将数据集划分为训练集和验证集；
S302
：对模型的权重进行初始化，通过训练集对模型进行训练，在训练过程中计算损失函数
loss
并进行反向传播优化网络权重，当损失函数
loss
收敛，模型训练完成；
S303
：通...

【专利技术属性】
技术研发人员：宗涛，刘云川，贺亮，沈志龙，易军，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：