【技术实现步骤摘要】
本专利技术涉及ai智能识别分析，尤其涉及高准确率ai管道缺陷程度量化分析系统及方法。
技术介绍
1、ai图像识别技术是一种利用人工智能技术进行图像自动识别和分类的技术。它是一种基于计算机视觉、机器学习和深度学习等技术的应用，通过对图像进行分析和处理，实现对图像内容的自动识别和分类。
2、随着ai图像识别技术的发展和广泛应用，使得当前管道检测的效率得到提高，但是ai识别管道缺陷程度的潜在问题仍然存在，目前的技术无法进行高准确率识别管道缺陷程度，且难以进行针对性地报警提示来提高ai识别的监测效果的问题。为此,本专利技术提出了高准确率ai管道缺陷程度量化分析系统及方法，通过数据监控中心对监测的图像像素的识别分析，对管道缺陷像素点和管道严重缺陷像素区域进行逐步分析判断，获取管道缺陷处理分析结果，以最大程度地提高系统识别的高准确率和可靠性。
技术实现思路
1、本专利技术的目的是为了解决
技术介绍
中的问题，而提出的高准确率ai管道缺陷程度量化分析系统及方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、高准确率ai管道缺陷程度量化分析系统，包括：图像数据采集模块、数据监控中心、追踪定位模块以及报警管理模块；
4、图像数据采集模块用于通过无人机采集管道的图像数据，并与可视化展示端连接进行实时展示；其中，图像数据采集模块包括无人机和可视化展示端，无人机安装高清晰度摄像头，获取清晰的管道图像，通过遥控器或预设的飞行路径控制无人机对排水管道区
5、其中，高清晰度摄像头中的图像传感器包括若干个像素的像素阵列，每个像素阵列的中心基于镜头接收光线投射至图像传感器的焦点，并在显示时还原对应的若干个管道检测图像原本的相对位置上，根据不同位置采集的光线强度不同对外部的图像数据进行捕捉；
6、数据监控中心用于获取所有管道的图像数据，并进行筛选得到标准管道图像数据，将获取到的图像数据进行预处理得到异常管道图像像素，对异常管道图像像素进行智能识别获取管道缺陷像素点，通过计算分析得到管道缺陷程度值，根据管道缺陷程度值和预设管道缺陷程度阈值比对分析得到严重缺陷像素区域，对严重缺陷像素区域进行计算得到严重缺陷偏差系数，获取管道缺陷处理分析结果，并生成严重缺陷信号，数据监控中心包括图像预处理单元、图像处理分析单元以及控制单元；
7、追踪定位模块用于对图像处理分析单元监测的管道图像数据进行实时处理；追踪定位模块与数据监控中心结合对图像严重缺陷信号和严重缺陷管道的编号进行唯一标记，确定严重缺陷管道的编号信息，并将严重缺陷管道的编号信息发送至报警管理模块；
8、报警管理模块用于接收追踪定位模块的信息，通过计算得到管道缺陷报警指数，根据管道缺陷报警指数和预设的管道缺陷报警指数的临界阈值进行比对分析，获取不同等级报警指令，并将不同级别的报警指令发送至专门的管理人员进行检修。
9、需要说明的是，本专利技术实施例中高准确率ai管道缺陷程度量化分析系统应用对象可以为城市排水领域的管道监测，可以用于实时监测管道的健康状况，具体的可以为对排水管道的异常情况进行高准确率的智能识别，对管道缺陷程度按级别进行智能报警，便于快速了解管道系统的安全状况，并采取相应的措施进行管道维护。
10、进一步的，图像预处理单元获取所有管道的图像数据，并进行筛选得到标准管道图像数据的过程包括：
11、将所有管道进行编号标记，标记为i，i＝1，2，3，……，m；m为正整数；
12、通过无人机的监测数据提取管道图像数据，利用ai技术自动识别和纠正图像数据，剔除不完整图像数据和合并重复图像数据，获取标准管道图像数据；
13、将获取到的标准管道图像数据进行存储，并上传至云端。
14、进一步的，图像预处理单元将标准管道图像数据进行预处理，获取异常管道图像像素的步骤包括：
15、图像预处理单元将标准管道图像数据进行预处理，将像素中心集合记为p(x，y)，则像素p的四个相邻区域的集合分别为{(x+c，y)；(x，y+c)；(x－c，y)；(x，y－c)}，并将四个相邻区域的集合分别标记为第一集合域、第二集合域、第三集合域、第四集合域；
16、将四个相邻区域的集合标记为d，则像素中心集合p(x，y)的d集合对角上的点分别为{(x+c，y+c)；(x－c，y+c)；(x－c，y－c)；(x+c，y－c)}，并将四个点分别标记为第一集合点、第二集合点、第三集合点、第四集合点；其中，c为任意的常数系数；
17、根据像素中心集合p与四个集合点的距离之和获取管道图像的正常像素效度值z，即距离之和的数值；其中，正常像素效度值为管道完好无缺陷的图像像素的效度值，且像素分布规则均匀，若管道图像存在缺陷，则对应的图像像素的效度值会不同，a为技术人员分析获取的管道正常像素的标准范围；
18、根据监测的管道图像ti的像素输入像素监测数据，标注聚点ji(a，b)，确定一个属于该聚点的范围；
19、通过聚点j与四个集合点的距离之和是否为a的倍数或因数判断像素集合的异常情况；
20、将该点与四个集合点的距离之和z1与正常像素的效度值z比对，若z1不是z的倍数或因数，则认为该管道图像的像素存在异常，得到异常管道图像像素tj，j＝1，2，3，……，n；n为正整数；并触发图像处理信号；若z1是z的倍数或因数，则认为该管道图像的像素为正常的管道图像像素；
21、举例说明，获取一个中心像素集合p(30,40)，则第一集合域(33,40)、第二集合域(30,43)、第三集合域(27,40)、第四集合域(30,37)，第一集合点(33,43)、第二集合点(27,43)、第三集合点(27,37)、第四集合点(33,37)，正常像素效度值z为36；输入聚点(36,42)，则聚点j与四个集合点的距离之和z1为67，此时，z1不是z的倍数或因数，则认为该管道图像的像素存在异常。
22、进一步的，图像处理分析单元接收图像处理信号；
23、获取监测区域内管道标准图像中的所有像素集合的像素点总数，并标记为像素区域面积s1；
24、对异常管道图像tj像素的各像素点进行智能识别，识别出对应的管道缺陷像素点。
25、进一步的，图像处理分析单元对异常管道图像像素的各像素点进行智能识别得到管道缺陷像素点的过程包括：
26、将标准图像中像素点的灰度值标记为h1；
27、根据各像素点的灰度值与预设的标准灰度值作差得到差分结果c1；若c1大于预设的差分阈值c10，则确认该像素点为管道缺陷像素点；若c1不大于预设的差分阈值c10，则确认该像素点为管道正常像素点。
28、进一步的，图像处理分析单元根据管道缺陷像素点进行处理分析得到管道缺陷程度值，并与管道缺陷程度阈值对比分析获得严重缺陷像素区域的过程包括：
29、统计管道缺陷像素点总数，本文档来自技高网...
【技术保护点】
1.高准确率AI管道缺陷程度量化分析系统及方法，其特征在于：包括图像数据采集模块、数据监控中心、追踪定位模块以及报警管理模块；
2.根据权利要求1所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：图像预处理单元获取所有管道的图像数据，并进行筛选得到标准管道图像数据的过程包括：
3.根据权利要求1所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：图像预处理单元将标准管道图像数据进行预处理，获取异常管道图像像素的步骤包括：
4.根据权利要求1所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：
5.根据权利要求4所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：图像处理分析单元对异常管道图像像素的各像素点进行智能识别得到管道缺陷像素点的过程包括：
6.根据权利要求1所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：图像处理分析单元根据管道缺陷像素点进行处理分析得到管道缺陷程度值，并与管道缺陷程度阈值对比分析获得严重缺陷像素区域的过程包括：
7.根据权利要求1所述的高准确率AI管道缺陷程
8.根据权利要求1所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：追踪定位模块与数据监控中心结合对图像严重缺陷信号和严重缺陷管道的编号进行唯一标记的过程包括：
9.根据权利要求7所述的高准确率AI管道缺陷程度量化分析系统，其特征在于：报警管理模块通过计算得到管道缺陷报警指数，根据管道缺陷报警指数和预设阈值进行比对分析，获取不同等级报警指令的过程包括：
10.高准确率AI管道缺陷程度量化分析方法，其特征在于，应用于如权利要求1-9中任意一项所述的高准确率AI管道缺陷程度量化分析系统，方法包括：
...【技术特征摘要】
1.高准确率ai管道缺陷程度量化分析系统及方法，其特征在于：包括图像数据采集模块、数据监控中心、追踪定位模块以及报警管理模块；
2.根据权利要求1所述的高准确率ai管道缺陷程度量化分析系统，其特征在于：图像预处理单元获取所有管道的图像数据，并进行筛选得到标准管道图像数据的过程包括：
3.根据权利要求1所述的高准确率ai管道缺陷程度量化分析系统，其特征在于：图像预处理单元将标准管道图像数据进行预处理，获取异常管道图像像素的步骤包括：
4.根据权利要求1所述的高准确率ai管道缺陷程度量化分析系统，其特征在于：
5.根据权利要求4所述的高准确率ai管道缺陷程度量化分析系统，其特征在于：图像处理分析单元对异常管道图像像素的各像素点进行智能识别得到管道缺陷像素点的过程包括：
6.根据权利要求1所述的高准确率ai管道缺陷程度量化分析系统，其特征在于：图像处理分析单元根据管道缺陷像素点进行处理分析得到管道缺陷程度值，...
【专利技术属性】
技术研发人员：王红娟，庞水文，闵泽，管玉成，梁晓斌，李朋，
申请(专利权)人：力德中山环境科技发展有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。