CN108960049A - 长输油气管道的高后果区的识别方法、装置及存储介质 - Google Patents
长输油气管道的高后果区的识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108960049A CN108960049A CN201810513064.XA CN201810513064A CN108960049A CN 108960049 A CN108960049 A CN 108960049A CN 201810513064 A CN201810513064 A CN 201810513064A CN 108960049 A CN108960049 A CN 108960049A
- Authority
- CN
- China
- Prior art keywords
- region
- image
- area
- conduit
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 235000013399 edible fruits Nutrition 0.000 title abstract description 10
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 232
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 239000012141 concentrate Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000002360 explosive Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000009435 building construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 abstract 1
- 241000894007 species Species 0.000 description 12
- 230000002093 peripheral effect Effects 0.000 description 10
- 239000002689 soil Substances 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种长输油气管道的高后果区的识别方法、装置及存储介质,属于长输油气管道的风险评价技术领域。所述方法包括:获取以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域组成的目标遥感图像,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息,进而从多个图像区域内的管道区域中识别目标管道的高后果区。本发明可以通过对覆盖目标管道的目标遥感图像进行自动识别,来确定目标管道的高后果区,提高了长输油气管道的高后果区的识别效率和准确性。
Description
技术领域
本发明涉及长输油气管道的风险评价技术领域,特别涉及一种长输油气管道的高后果区的识别方法、装置及存储介质。
背景技术
长输油气管道是指长度大于50千米的长距离油气输送管道,长输油气管道的高后果区是指在长输油气管道的周边存在的管道泄漏会严重危及公众安全或造成较大环境破坏的区域。随着社会经济的不断发展,已建成的长输油气管道周边的人口和环境资源会随时发生变化,导致其周边容易形成新的人员密集场所或者环境敏感场所等高后果区,实际应用中,如果不及时对这些场所采取风险管控措施,一旦发生长输油气管道的油气泄漏事件,就会造成不良影响,甚至人员伤亡。因此,需要对长输油气管道高后果区进行及时、准确的识别,以降低长输油气管道的运营对社会公众和生活环境产生的不利影响。
目前,人工现场巡视是识别长输油气管道高后果区的主要手段。具体地,技术人员可以沿管道方向对长输油气管道周边进行人工巡视,巡视中以长度2000米为标准对长输油气管道进行分段,并分别对每段油气管道周边一定范围内的环境状态进行人工目视,以对每段油气管道周边一定范围内存在的人员、建筑物、水系、植被、土地、湿地和道路的分布情况进行统计。然后根据每段油气管道的统计结果,估算每段油气管道周边区域的人员与建筑物的数量,并根据每段油气管道周边区域的人员与建筑物的数量,确定每段长输油气管道的周边区域是否为高后果区,进而识别出整个长输油气管道的高后果区。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
由于长输油气管道线路长,管道周边环境复杂,人工现场巡视经常受地理环境、气候环境以及交通的限制,致使识别高后果区的工作量大,工作效率低,并且识别过程受主观影响,结果不够准确。
发明内容
本发明实施例提供了一种长输油气管道的高后果区的识别方法、装置及存储介质,可以用于解决人工识别高后果区的结果不够准确且效率较低的问题。所述技术方案如下:
第一方面,提供了一种长输油气管道的高后果区的识别方法,所述方法包括:
获取目标遥感图像,所述目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,所述第一距离阈值大于所述目标管道的外径,所述目标管道为待研究的长输油气管道;
通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别,以确定所述多个地物类别所在的区域,所述第一分类识别模型是根据所述多个地物类别的样本图像训练得到;
根据所述目标遥感图像内的管道区域的地理信息,确定所述多个地物类别中每个地物类别所在的区域的地物属性信息;
根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,所述多个图像区域是沿着所述目标管道的管道方向、以第二距离阈值为间隔,对所述目标遥感图像进行划分得到。
可选地,所述根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,包括:
根据所述多个地物类别所在的区域的地物属性信息,确定所述多个图像区域中每个图像区域内的管道区域的地区等级,所述地区等级用于指示每个图像区域内的管道区域的人口集中程度;
根据所述多个地物类别所在的区域的地物属性信息和所述多个图像区域中每个图像区域内的管道区域的地区等级,从所述多个图像区域内的管道区域中识别所述目标管道的高后果区。
可选地,所述根据所述多个地物类别所在的区域的地物属性信息,确定所述多个图像区域中每个图像区域内的管道区域的地区等级,包括:
根据所述目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、所述第二距离阈值和第三距离阈值,确定所述目标遥感图像包括的第i个图像区域;
其中,所述第i个图像区域包括的管道的长度等于所述第二距离阈值,且所述第i个图像区域包括的管道的起始位置与所述第i-1个图像区域包括的管道的起始位置相距所述第三距离阈值,所述第三距离阈值小于所述第二距离阈值,所述i为大于或等于1的整数,当所述i为1时,所述第i-1个图像区域包括的管道的起始位置与所述第i个图像区域包括的管道的起始位置重合,且均为所述目标管道在所述目标遥感图像中的起始位置;
从所述多个地物类别所在的区域的地物属性信息中,确定位于所述第i个图像区域中的所述多个地物类别的地物属性信息;
根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域内的管道区域的初始地区等级;
从所述目标遥感图像包括的多个图像区域中确定与所述第i个图像区域重合的至少一个图像区域,并将所述至少一个图像区域的初始地区等级中的最大初始地区等级确定为所述第i个图像区域的地区等级。
可选地,所述根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域内的管道区域的初始地区等级,包括:
根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域包括的平房面积和低层楼房面积,所述低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑;
当所述第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为一级;
当所述第i个图像区域包括的平房面积大于或等于所述第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于所述第二面积阈值且小于第四面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为二级,所述第三面积阈值大于所述第一面积阈值,所述第四面积阈值大于所述第二面积阈值;
当所述第i个图像区域包括的平房面积大于或等于所述第三面积阈值,或者包括的低层楼房面积大于或等于所述第四面积阈值,或者根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括郊区人口集中场所时,确定所述第i个图像区域的初始地区等级为三级;
当根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括市区或交通枢纽时,确定所述第i个图像区域的初始地区等级为四级。
可选地,所述根据所述多个地物类别所在的区域的地物属性信息和所述多个图像区域中每个图像区域内的管道区域的地区等级,从所述多个图像区域内的管道区域中识别所述目标管道的高后果区,包括:
当所述目标管道为长输油管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第一识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第一识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在环境敏感场所或非交通枢纽的道路,或者所述图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,所述环境敏感场所包括自然保护区和水源;
当所述目标管道为长输气管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第二识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第二识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在人口集中场所或易燃易爆场所。
可选地,所述如果所述图像区域A满足第一识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,包括:
如果所述图像区域A内存在非交通枢纽的道路,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区;
如果所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在自然保护区,或者所述图像区域A包括的平房面积大于所述第五面积阈值、包括的低层楼房面积大于所述第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,或者所述图像区域A内存在水源,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
可选地,所述如果所述图像区域A满足第二识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,包括:
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径小于或等于第四距离阈值,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区,所述潜在影响半径是根据所述图像区域A包括的管道的外径和最大允许操作压力确定得到;
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在易燃易爆场所,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
可选地,所述获取目标遥感图像,包括:
获取所述目标管道的中心线位置信息和所述目标管道的管道区域的边界位置信息,所述边界位置信息用于指示以所述目标管道的中心线为对称轴、所述第一距离阈值为对称半径的管道区域;
根据所述中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖所述目标管道的部分管道区域;
根据所述中心线位置信息,对所述多张初始遥感图像进行拼接处理,得到拼接遥感图像,所述拼接遥感图像覆盖所述目标管道的全部管道区域;
根据所述边界位置信息,对所述拼接遥感图像进行裁剪处理,得到所述目标遥感图像。
可选地,所述通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别之前,还包括:
获取所述多个地物类别的样本图像;
对所述多个地物类别的样本图像进行特征提取,得到所述多个地物类别的样本图像的几何纹理特征和光谱特征;
根据所述多个地物类别的样本图像以及所述多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到所述第一分类识别模型,所述第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型。
第二方面,提供了一种长输油气管道的高后果区的识别装置,所述装置包括:
第一获取模块,用于获取目标遥感图像,所述目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,所述第一距离阈值大于所述目标管道的外径,所述目标管道为待研究的长输油气管道;
第一确定模块,用于通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别,以确定所述多个地物类别所在的区域,所述第一分类识别模型是根据所述多个地物类别的样本图像训练得到;
第二确定模块,用于根据所述目标遥感图像内的管道区域的地理信息,确定所述多个地物类别中每个地物类别所在的区域的地物属性信息;
识别模块,用于根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,所述多个图像区域是沿着所述目标管道的管道方向、以第二距离阈值为间隔,对所述目标遥感图像进行划分得到。
可选地,所述识别模块包括:
第一确定单元,用于根据所述多个地物类别所在的区域的地物属性信息,确定所述多个图像区域中每个图像区域内的管道区域的地区等级,所述地区等级用于指示每个图像区域内的管道区域的人口集中程度;
第一识别单元,用于根据所述多个地物类别所在的区域的地物属性信息和所述多个图像区域中每个图像区域内的管道区域的地区等级,从所述多个图像区域内的管道区域中识别所述目标管道的高后果区。
可选地,所述第一确定单元包括:
第一确定子单元,用于根据所述目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、所述第二距离阈值和第三距离阈值,确定所述目标遥感图像包括的第i个图像区域;
其中,所述第i个图像区域包括的管道的长度等于所述第二距离阈值,且所述第i个图像区域包括的管道的起始位置与所述第i-1个图像区域包括的管道的起始位置相距所述第三距离阈值,所述第三距离阈值小于所述第二距离阈值,所述i为大于或等于1的整数,当所述i为1时,所述第i-1个图像区域包括的管道的起始位置与所述第i个图像区域包括的管道的起始位置重合,且均为所述目标管道在所述目标遥感图像中的起始位置;
第二确定子单元,用于从所述多个地物类别所在的区域的地物属性信息中,确定位于所述第i个图像区域中的所述多个地物类别的地物属性信息;
第三确定子单元,用于根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域内的管道区域的初始地区等级;
第四确定子单元,用于从所述目标遥感图像包括的多个图像区域中确定与所述第i个图像区域重合的至少一个图像区域,并将所述至少一个图像区域的初始地区等级中的最大初始地区等级确定为所述第i个图像区域的地区等级。
可选地,所述第三确定子单元具体用于:
根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域包括的平房面积和低层楼房面积,所述低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑;
当所述第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为一级;
当所述第i个图像区域包括的平房面积大于或等于所述第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于所述第二面积阈值且小于第四面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为二级,所述第三面积阈值大于所述第一面积阈值,所述第四面积阈值大于所述第二面积阈值;
当所述第i个图像区域包括的平房面积大于或等于所述第三面积阈值,或者包括的低层楼房面积大于或等于所述第四面积阈值,或者根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括郊区人口集中场所时,确定所述第i个图像区域的初始地区等级为三级;
当根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括市区或交通枢纽时,确定所述第i个图像区域的初始地区等级为四级。
可选地,所述第一识别单元包括:
第一识别子单元,用具当所述目标管道为长输油管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第一识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第一识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在环境敏感场所或非交通枢纽的道路,或者所述图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,所述环境敏感场所包括自然保护区和水源;
第二识别子单元,用于当所述目标管道为长输气管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第二识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第二识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在人口集中场所或易燃易爆场所。
可选地,所述第一识别子单元具体用于:
如果所述图像区域A内存在非交通枢纽的道路,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区;
如果所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在自然保护区,或者所述图像区域A包括的平房面积大于所述第五面积阈值、包括的低层楼房面积大于所述第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,或者所述图像区域A内存在水源,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
可选地,所述第二识别子单元具体用于:
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径小于或等于第四距离阈值,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区,所述潜在影响半径是根据所述图像区域A包括的管道的外径和最大允许操作压力确定得到;
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在易燃易爆场所,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
可选地,所述第一获取模块包括:
第一获取单元,用于获取所述目标管道的中心线位置信息和所述目标管道的管道区域的边界位置信息,所述边界位置信息用于指示以所述目标管道的中心线为对称轴、所述第一距离阈值为对称半径的管道区域;
第二获取单元,用于根据所述中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖所述目标管道的部分管道区域;
第一处理单元,用于根据所述中心线位置信息,对所述多张初始遥感图像进行拼接处理,得到拼接遥感图像,所述拼接遥感图像覆盖所述目标管道的全部管道区域;
第二处理单元,用于根据所述边界位置信息,对所述拼接遥感图像进行裁剪处理,得到所述目标遥感图像。
可选地,所述装置还包括:
第二获取模块,用于获取所述多个地物类别的样本图像;
提取模块,用于对所述多个地物类别的样本图像进行特征提取,得到所述多个地物类别的样本图像的几何纹理特征和光谱特征;
训练模块,用于根据所述多个地物类别的样本图像以及所述多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到所述第一分类识别模型,所述第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型。
第三方面,提供了一种长输油气管道的高后果区的识别装置,所述装置包括:
处理器及用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为上述第一方面提供的任一种长输油气管道的高后果区的识别方法。
第四方面,提供了一种计算机可读存储介质,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面提供的任一种长输油气管道的高后果区的识别方法。
本发明实施例提供的技术方案至少带来以下有益效果:本发明实施例中,对于待研究的长输油气管道即目标管道,可以获取以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域组成的目标遥感图像,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,并根据目标遥感图像内的管道区域的地理信息,确定该多个地物类别中每个地物类别所在的区域的地物属性信息,最后根据该多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区。也即是,在本发明实施例中,可以获取覆盖目标管道的管道区域的目标遥感图像,并采用图像识别算法对目标遥感图像进行自动识别,来确定目标管道的高后果区,相较于相关技术中人工识别高后果区的方法,提高了识别效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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。
图1是本发明实施例提供的一种高后果区的识别***的示意图;
图2是本发明实施例提供的一种长输油气管道的高后果区的识别方法的流程示意图;
图3是本发明实施例提供的另一种长输油气管道的高后果区的识别方法的流程示意图;
图4是本发明实施例提供的一种长输油气管道的高后果区的识别装置的结构示意图;
图5是本发明实施例提供的一种终端500的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在对本发明实施例进行详细的解释说明之前,先对本发明实施例中涉及到的名词、应用场景及***架构分别进行解释说明。
首先,对本发明实施例中涉及到的名词进行介绍。
地物类别
地物是指地面上各种有形物(如山川、森林、建筑物等)和无形物(如省、县界等)的总称,泛指地球表面上相对固定的物体。地物类别是对地物进行分类得到,比如地物类别可以包括建筑物、水系、植被、土地和道路等。
地物属性信息
地物属性信息用于指示地物的具体属性,比如可以为指示其功能与用途的信息,可以用于对每种地物进行详细分类。比如,建筑物的属性信息可以为居民区、医院、学校、商业区、工业区、幼儿园、养老院或商场等。
分类识别模型
分类识别模型是指可以对遥感图像中的多个地物类别进行识别的模型,具体可以为CNN(Convolutional Neural Networks,卷积神经网络)模型,也可以为RNN(RecurrentNeural Network,循环神经网络)模型。
潜在影响半径
输气管道的潜在影响半径是指输气管道发生失效时,其周边公众安全和财产可能受到明显影响区域的半径,由输气管道的外径和最大允许操作压力决定。
其次,对本发明实施例涉及的应用场景进行介绍。
长输油气管道的安全运营不仅关系到管道运营方的业绩考核,也关系到管道周边人民群众的生命和财产的安全,并且随着社会经济的飞速发展,城市中心区域的扩张会使原本长输油气管道的非高后果区变成高后果区,因此需要定期对长输油气管道的高后果区进行识别,以降低长输油气管道的运营对社会公众和生活环境产生的不利影响。
最后,对本发明实施例涉及的***架构进行介绍。
本发明实施例提供的长输油气管道的高后果区的识别方法可以应用于高后果区的识别***中,图1是本发明实施例提供的一种高后果区的识别***的示意图,如图1所示,该识别***可以包括数据库服务器10、位置信息展示及分析模块20、遥感图像预处理模块30、遥感图像分类模块40、地理信息模块50、高后果区识别模块60及数据采集管理模块70。其中,各个模块与数据库服务器10可以进行数据交互,且各个模块之间可以通过网络进行连接。
数据库服务器10,用于存储其他各模块的数据结果、数据索引、文档等内容,比如可以存储位置信息展示及分析模块20的位置信息、遥感图像预处理模块30的预处理结果、遥感图像分类模块40的分类结果或者高后果区识别模块60的识别结果等。
位置信息展示及分析模块20,用于存储、展示或分析目标管道的中心线位置,并可以将目标管道的中心线位置作为获取遥感图像的依据,另外还可以定义和管理管道周边矢量边界范围。
遥感图像预处理模块30,用于对遥感图像进行预处理,包括对遥感图像进行几何校正、配准、融合、镶嵌及裁剪等。
遥感图像分类模块40,用于识别遥感图像中的多个地物类别,从而实现对遥感图像中的地物的分类。
地理信息模块50,用于改善遥感图像分类模块40的分类结果以及识别每个地物类别的地物属性信息,具体可以配置有GIS(Geographic Information System,地理信息***)、电子地图、专题地图、政规划数据、环境生态数据或人口数据等辅助信息。
高后果区识别模块60,用于对目标管道的高后果区进行识别、展示及管理。
数据采集管理模块70,用于对目标管道的中心线位置信息进行采集,以及对目标管道的周边矢量边界范围进行采集。
需要说明的是,上述识别***仅是本发明实施例给出的示例性***,在实际应用中,上述识别***还可以包括更多或更少的模块,或者其中某些模块还可以由其他模块来代替,只要能够实现本发明实施例提供的长输油气管道的高后果区的识别方法即可。进一步地,上述识别***所包含的模块可以集中在一个终端内,也可以集中在多个终端中,接下来将在下述图3实施例中以该识别***所包含的所有模块集中在一个终端中为例,对本发明实施例提供的长输油气管道的高后果区的识别方法进行详细说明。
图2是本发明实施例提供的一种长输油气管道的高后果区的识别方法的流程示意图,该方法可以应用于终端中,该终端可以为手机、平板电脑或计算机等。参见图2,该方法包括如下步骤:
步骤201:获取目标遥感图像,该目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,第一距离阈值大于目标管道的外径,目标管道为待研究的长输油气管道。
步骤202:通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,第一分类识别模型是根据多个地物类别的样本图像训练得到。
步骤203:根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息。
步骤204:根据多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区,多个图像区域是沿着目标管道的管道方向、以第二距离阈值为间隔,对目标遥感图像进行划分得到。
本发明实施例中,对于待研究的长输油气管道即目标管道,可以获取以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域组成的目标遥感图像,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,并根据目标遥感图像内的管道区域的地理信息,确定该多个地物类别中每个地物类别所在的区域的地物属性信息,最后根据该多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区。也即是,在本发明实施例中,可以获取覆盖目标管道的管道区域的目标遥感图像,并采用图像识别算法对目标遥感图像进行自动识别,来确定目标管道的高后果区,相较于相关技术中人工识别高后果区的方法,提高了识别效率和准确性。
可选地,根据多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区,包括:
根据多个地物类别所在的区域的地物属性信息,确定多个图像区域中每个图像区域内的管道区域的地区等级,地区等级用于指示每个图像区域内的管道区域的人口集中程度;
根据多个地物类别所在的区域的地物属性信息和多个图像区域中每个图像区域内的管道区域的地区等级,从多个图像区域内的管道区域中识别目标管道的高后果区。
可选地,根据多个地物类别所在的区域的地物属性信息,确定多个图像区域中每个图像区域内的管道区域的地区等级,包括:
根据目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、第二距离阈值和第三距离阈值,确定目标遥感图像包括的第i个图像区域;
其中,第i个图像区域包括的管道的长度等于第二距离阈值,且第i个图像区域包括的管道的起始位置与第i-1个图像区域包括的管道的起始位置相距第三距离阈值,第三距离阈值小于第二距离阈值,i为大于或等于1的整数,当i为1时,第i-1个图像区域包括的管道的起始位置与第i个图像区域包括的管道的起始位置重合,且均为目标管道在目标遥感图像中的起始位置;
从多个地物类别所在的区域的地物属性信息中,确定位于第i个图像区域中的多个地物类别的地物属性信息;
根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域内的管道区域的初始地区等级;
从目标遥感图像包括的多个图像区域中确定与第i个图像区域重合的至少一个图像区域,并将至少一个图像区域的初始地区等级中的最大初始地区等级确定为第i个图像区域的地区等级。
可选地,根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域内的管道区域的初始地区等级,包括:
根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域包括的平房面积和低层楼房面积,低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑;
当第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为一级;
当第i个图像区域包括的平房面积大于或等于第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于第二面积阈值且小于第四面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为二级,第三面积阈值大于第一面积阈值,第四面积阈值大于第二面积阈值;
当第i个图像区域包括的平房面积大于或等于第三面积阈值,或者包括的低层楼房面积大于或等于第四面积阈值,或者根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括郊区人口集中场所时,确定第i个图像区域的初始地区等级为三级;
当根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括市区或交通枢纽时,确定第i个图像区域的初始地区等级为四级。
可选地,根据多个地物类别所在的区域的地物属性信息和多个图像区域中每个图像区域内的管道区域的地区等级,从多个图像区域内的管道区域中识别目标管道的高后果区,包括:
当目标管道为长输油管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第一识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,第一识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在环境敏感场所或非交通枢纽的道路,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且图像区域A内的管道区域属于乡村或乡镇,环境敏感场所包括自然保护区和水源;
当目标管道为长输气管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第二识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,第二识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在人口集中场所或易燃易爆场所。
可选地,如果图像区域A满足第一识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,包括:
如果图像区域A内存在非交通枢纽的道路,则确定图像区域A内的管道区域为目标管道的一级高后果区;
如果图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在自然保护区,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且图像区域A内的管道区域属于乡村或乡镇,则确定图像区域A内的管道区域为目标管道的二级高后果区;
如果图像区域A内的管道区域的地区等级为四级,或者图像区域A内存在水源,则确定图像区域A内的管道区域为目标管道的三级高后果区。
可选地,如果图像区域A满足第二识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,包括:
如果图像区域A内存在人口集中场所且图像区域A包括的管道的潜在影响半径小于或等于第四距离阈值,则确定图像区域A内的管道区域为目标管道的一级高后果区,潜在影响半径是根据图像区域A包括的管道的外径和最大允许操作压力确定得到;
如果图像区域A内存在人口集中场所且图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在易燃易爆场所,则确定图像区域A内的管道区域为目标管道的二级高后果区;
如果图像区域A内的管道区域的地区等级为四级,则确定图像区域A内的管道区域为目标管道的三级高后果区。
可选地,获取目标遥感图像,包括:
获取目标管道的中心线位置信息和目标管道的管道区域的边界位置信息,边界位置信息用于指示以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域;
根据中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖目标管道的部分管道区域;
根据中心线位置信息,对多张初始遥感图像进行拼接处理,得到拼接遥感图像,拼接遥感图像覆盖目标管道的全部管道区域;
根据边界位置信息,对拼接遥感图像进行裁剪处理,得到目标遥感图像。
可选地,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别之前,还包括:
获取多个地物类别的样本图像;
对多个地物类别的样本图像进行特征提取,得到多个地物类别的样本图像的几何纹理特征和光谱特征;
根据多个地物类别的样本图像以及多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到第一分类识别模型,第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型。
上述所有可选技术方案,均可按照任意结合形成本发明的可选实施例,本发明实施例对此不再一一赘述。
图3是本发明实施例提供的另一种长输油气管道的高后果区的识别方法的流程示意图,该方法可以应用于终端中,该终端可以为智能手机、平板电脑、计算机或服务器等。参见图3,该方法包括如下步骤:
步骤301:获取目标遥感图像,目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,目标管道为待研究的长输油气管道。
其中,遥感图像是指记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。目标遥感图像是指包含有目标管道的管道区域的遥感图像。
本发明实施例中,目标遥感图像可以由其他设备直接发送得到,可以从图像数据库中获取得到,也可以对遥感卫星发送的多张初始遥感图像进行拼接得到。例如,图像数据库中存储了一张包含有目标管道的管道区域的目标遥感图像,终端便可以直接从该图像数据库中获取目标遥感图像。
其中,第一距离阈值大于目标管道的外径,也即是,目标管道的管道区域包括目标管道,且区域范围大于目标管道的范围。第一距离阈值用于指示目标管道的管道区域边界距目标管道的中心线的垂直距离,具体地,第一距离阈值可以为目标管道发生事故后,管道两侧产生最大影响范围时的影响范围边界到目标管道的中心线的垂直距离,也可以为目标管道的潜在影响半径。
本发明实施例中,第一距离阈值可以预先设置,具体可以终端默认配置,也可以由技术人员根据实际需要进行设置,例如,可以由技术人员根据目标管道的潜在影响半径设置。示例的,当目标管道为长输油气管道时,可以将根据目标管道外径和目标管道的最大允许操作压力计算得到的潜在影响半径确定为第一距离阈值。在一个示例中,该第一距离阈值可以为200米,也即是,该目标管道的管道区域是指距离目标管道的中心线两侧各宽200米的管道区域。
在一个可能的实施例中,可以通过以下步骤3011-3014获取目标遥感图像。
步骤3011:获取目标管道的中心线位置信息和目标管道的管道区域的边界位置信息,边界位置信息用于指示以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域。
其中,中心线位置信息用于指示目标管道的中心线位置,可以为目标管道的中心线的坐标信息,该坐标信息可以是GPS(Global Positioning System,全球定位***)坐标信息、北斗***的坐标信息或者格雷纳斯***的坐标信息等。本发明实施例中,该中心线位置信息可以由终端默认配置,可以由用户根据需要手动输入,可以由定位仪在目标管道内部移动获取并发送给终端,也可以由技术人员手持定位仪器在目标管道外部沿目标管道中心线方向移动获取并由定位仪器发送给终端。例如,技术人员可以手持定位仪器沿目标管道方向在目标管道外部移动,并将定位结果作为中心线位置信息通过定位仪器发送给终端。
其中,边界位置信息用于指示管道区域的边界位置,可以为管道区域的边界的坐标信息。具体地,该边界位置信息可以根据目标管道的中心线和第一距离阈值确定,也可以根据目标管道的管道区域的多个关键点位置信息确定,例如,该多个关键点位置信息可以为目标管道的拐弯处的位置信息。本发明实施例中,该边界位置信息可以由终端默认配置,也可以由用户手动输入,也可以由其他设备发送给终端。例如,可以由定位仪器获取目标管道的中心线位置信息后,根据该中心线位置信息和第一距离阈值确定该边界位置信息,然后将该边界位置信息发送给终端。
在一个可能的实施例中,在确定目标管道的边界区域时,可以获取目标管道的中心线上的每一个点的GPS坐标,然后根据每一个点的GPS坐标和第一距离阈值确定目标管道的管道区域的边界位置的GPS坐标。例如,假设第一距离阈值为200米,利用手持型GPS定位仪对目标管道的中心线进行定位,在目标管道的直线段的中心位置处某一点的GPS坐标为(109.88836,35.23849),则可以将目标管道两侧垂直于管壁方向且距离这一GPS坐标200米处的两个点,确定为目标管道的管道区域的两个边界点。
需要说明的是,上述数值仅是本发明实施例给出的示例性数值,在实际应用中,上述数值还可以为取其他值,本发明实施例对此不做具体限定。
步骤3012:根据中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖目标管道的部分管道区域。
由于目标管道的距离较长,以高分辨率获取的遥感图像不能包含有完整的目标管道,而如果获取一张遥感图像可以包含有完整的目标管道时,该遥感图像的分辨率又比较低,不能对目标管道的高后果区进行精准识别,因此需要获取多张具有高分辨率的初始遥感图像。
具体地,终端可以将该中心线位置信息发送给多景遥感卫星,由多景遥感卫星根据该中心线位置信息分别拍摄多张覆盖目标管道的部分管道区域的初始遥感图像,并将该多张初始遥感图像发送给终端。具体地,多景遥感卫星在拍摄初始遥感图像时,可以将目标管道的中心线位置作为待拍摄的每张初始遥感图像的中间位置进行拍摄,这样,每张初始遥感图像不仅可以包括目标管道的分段管道,还可以覆盖分段管道的管道区域,即目标管道的部分管道区域。而且,每张初始遥感图像还可以均为高空间分辨率遥感图像。
进一步地,终端还可以将该中心线位置信息和第一距离阈值发送给多景遥感卫星,由该多景遥感卫星根据该中心线位置信息和该第一距离阈值分别拍摄多张初始遥感图像,并将拍摄的多张初始遥感图像发送给终端。另外,这多张初始遥感图像也可以由其他设备发送得到,或者从图像数据库中获取得到,本发明实施例对此不做限定。
步骤3013:根据中心线位置信息,对该多张初始遥感图像进行拼接处理,得到拼接遥感图像,该拼接遥感图像覆盖目标管道的全部管道区域。
具体地,对该多张初始遥感图像进行拼接处理时,需要先将该多张初始遥感图像按每张初始遥感图像所包含的部分目标管道在全部目标管道中所处的位置进行排序,保障进行拼接处理后得到的全部目标管道为目标管道的实际位置,然后以目标管道的中心线为连接点,将排序后的多张初始遥感图像进行拼接处理,得到该拼接遥感图像。
进一步,在对该多张初始遥感图像进行拼接处理之前,还可以先对该多张初始遥感图像进行几何校正、图像配准、图像去云或去阴影等预处理,使每张初始遥感图像的几何尺寸或图像显示度完全一致,完成预处理后,再根据中心线位置信息,将预处理后的多张初始遥感图像进行拼接处理,得到该拼接遥感图像。
步骤3014:根据边界位置信息,对拼接遥感图像进行裁剪处理,得到目标遥感图像。
由于按目标管道的中心线位置信息进行拼接处理得到的拼接遥感图像可能会存在图像范围大小不一致的现象,或者存在包括的管道区域的范围过大的现象,且图像范围不一致或区域范围过大会降低高后果区的识别效率,因此,在得到拼接遥感图像后,还可以先根据边界位置信息,对拼接遥感图像进行裁剪处理,得到只包含有该边界位置信息指示的管道区域的目标遥感图像。
步骤302:通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域。
其中,第一分类识别模型是指可以对遥感图像中的多个地物类别进行识别和分类的模型,可以根据多个地物类别的样本图像训练得到。也即是,通过该第一分类识别模型可以对目标遥感图像中的多个地物类别进行自动化识别和分类。在具体实施例中,该第一分类识别模型可以为CNN模型或RNN模型,也可以为采用其他算法的模型,本发明实施例对此不做限定。
其中,地物泛指地球表面上相对固定的物体,地物类别是对地物进行分类得到。比如,该多个地物类别可以包括建筑物、水系、植被、土地和道路等,该第一分类识别模型为可以识别出遥感图像中的建筑物、水系、植被、土地和道路等的分类识别模型。
在一个可能的实施例中,可以根据多个地物类别的样本图像,通过以下步骤3021-3023训练得到该第一分类是被模型。
步骤3021:获取多个地物类别的样本图像。
其中,多个地物类别的样本图像是指选择的该多个地物类别的样本在目标遥感图像中所呈现的图像。本发明实施例中,该多个地物类别的样本图像可以由其他设备发送而得,可以从图像数据库中获取得到,也可以从目标遥感图像中提取得到,本发明实施例对该多个地物类别的样本图像的获取来源不做限定。
例如,在一个目标遥感图像中,可以从目标遥感图像的一个图像区域内提取分别包含有建筑物、水系、植被、土地和道路等的图像,并将提取的图像作为该多个地物类别的样本图像。
步骤3022:对多个地物类别的样本图像进行特征提取,得到多个地物类别的样本图像的几何纹理特征和光谱特征。
其中,几何纹理特征是遥感图像中地物类别的样本图像所呈现的凹凸不平的具有空间尺度的沟纹特征。光谱特征是遥感图像中地物类别的样本图像所呈现电磁辐射规律。
步骤3023:根据多个地物类别的样本图像以及多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到该第一分类识别模型。
其中,第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型,利用该多个地物类别的样本图像以及该多个地物类别的样本图像的几何纹理特征和光谱特征,对该第二分类识别模型进行训练,即可得到该第一分类识别模型。在具体实施例中,该第二分类识别模型可以为CNN模型或RNN模型,,也可以为采用其他算法的模型,本发明实施例对此不做限定。
在对第二分类识别模型进行训练的过程中,该第二分类识别模型可以不断对该多个地物类别的样本图像的几何纹理特征和光谱特征进行学习,并可以对自身的模型参数进行调整,如此,经过足够多的样本图像的训练,该第二分类识别模型即可转换为能够识别出该多个地物类别的第一分类识别模型。
在训练得到该第一分类识别模型之后,即可将目标遥感图像作为该第一分类识别模型的输入,通过该第一分类识别模型对目标遥感图像中的多个地物类别进行识别,并标识出该多个地物类别中每个地物类别的范围,进而确定出该多个地物类别所在的区域。
例如,根据第一分类识别模型,可以对目标遥感图像中所有的建筑物、水系、植被、土地及道路进行识别,并在目标遥感图像中分别标识出建筑物、水系、植被、土地及道路的范围,进而确定出建筑物、水系、植被、土地及道路分别所在的区域。
步骤303:根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息。
其中,地理信息用于指示该管道区域内的地物的位置信息,具体可以包括GIS、电子地图、专题地图、政规划数据或环境生态数据等辅助信息。
进一步地,还可以根据目标遥感图像内的管道区域的地理信息和人口信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息。其中,人口信息可以指示该管道区域内的人口分布情况,具体可以为预先统计的各个区域的人口数据。
其中,地物属性信息用于指示地物的具体属性,比如可以为指示其功能与用途的信息,可以用于对每种地物进行详细分类。比如,建筑物的属性信息可以包括居民区(包括平房、低层楼房及高层建筑)、医院、学校、商业区、工业区、幼儿园、养老院或商场等,水系的属性信息可以包括河流、湖泊或水库等,植被的属性信息可以包括草地或林地等,土地的属性信息可以包括耕地、湿地或荒地等,道路的属性信息可以包括高速公路、国道、省道、铁路或乡村道路等。
具体地,可以根据该管道区域的地理信息,或者该管道区域的地理信息和人口信息,对该多个地物类别中每个地物类别的属性进行赋值,得到可以标识多个地物类别中每个地物类别的属性信息。在实际应用中,地物属性信息可以由用户根据地理信息、或地理信息和人口信息,对多个地物类别中每个地物类别进行手动匹配赋值,也可以由终端直接读取数据库中存储的各种地理信息、或地理信息和人口信息,对多个地物类别中每个地物类别进行自动匹配赋值。
在一个可能的实施例中,在根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息时,可以将目标遥感图像内的建筑物识别为居民区、医院、学校、商业区、工业区、幼儿园、养老院、商场、集贸市场、寺庙、运动场、广场、娱乐休闲地、剧院或露营地等,将水系识别为河流、湖泊或水库等,将道路识别为高速公路、国道、省道、铁路或乡村道路等,将土地识别为耕地、湿地或荒地等,将植被识别为草地或林地等。
进一步地,在终端根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息后,还可以通过人工目视的方法对终端确定的多个地物类别中每个地物类别所在的区域的地物属性信息进行核对与校正,以提高多个地物类别中每个地物类别所在的区域的地物属性信息识别的准确性。
在根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息之后,即可根据多个地物类别中每个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区。
其中,该多个图像区域是沿着目标管道的管道方向、以第二距离阈值为间隔,对目标遥感图像进行划分得到,也即是,每个图像区域包括的管道的长度为第二距离阈值。该第二距离阈值可以预先设置,具体可以由终端默认配置,也可以由技术人员根据需要进行设置,例如,该第二预设距离可以为2000米。
具体地,根据多个地物类别中每个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区可以通过以下步骤304-305实现。
步骤304:根据多个地物类别所在的区域的地物属性信息,确定多个图像区域中每个图像区域内的管道区域的地区等级。
其中,地区等级用于指示每个图像区域内的管道区域的人口集中程度,且地区等级越高,表示人口越集中。
具体地,可以根据多个地物类别所在的区域的地物属性信息,通过以下步骤3041-3044确定该多个图像区域中每个图像区域内的管道区域的地区等级。
步骤3041:根据目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、第二距离阈值和第三距离阈值,确定目标遥感图像包括的第i个图像区域。
其中,第二距离阈值为第i个图像中包括的管道的长度。第三距离阈值为第i个图像包括的管道起始位置和第i-1个图像中包括的管道起始位置之间的距离,且第三距离阈值小于第二距离阈值。在具体实施例中,第三距离阈值可以由终端默认设置,也可以由技术人员根据需要进行设置,例如可以由技术人员直接在终端上输入第三距离阈值。
其中,i为大于或等于1的整数。当i为1时,第i-1个图像区域包括的管道的起始位置与第i个图像区域包括的管道的起始位置重合,且均为目标管道在目标遥感图像中的起始位置。也即是,第1个图像区域包括的管道的起始位置为目标管道在目标遥感图像中的起始位置。
具体地,当i=1时,可以根据第二预设距离确定第1个图像区域,且第1个图像区域包括的管道的起始位置为目标管道在目标遥感图像中的起始位置,包括的管道的长度为第二距离阈值。当确定出第1个图像区域后,可以将与第1个图像区域包括的管道的起始位置相距第三距离阈值的管道位置确定为第2个图像区域包括的管道的起始位置,并根据第二距离阈值确定第2个图像区域,使得第2个图像区域包括的管道的长度为第二预设距离,重复上述步骤,直至确定出目标遥感图像包括的最后一个图像区域为止。
例如,假设第二距离阈值为2000米,第三距离阈值为200米,则第1个图像区域包括的管道的起始位置为目标管道在目标遥感图像中的起始位置,且包括的管道的长度为2000米。当确定出第1个图像区域后,可以将与第1个图像区域包括的管道的起始位置相距200米的管道位置确定为第2个图像区域包括的管道的起始位置,并根据2000米确定第2个图像区域,使得第2个图像区域包括的管道的长度为2000米,如此重复上述步骤,直至确定出目标遥感图像包括的最后一个图像区域为止。
需要说明的是,上述数值仅是本发明实施例给出的示例性数值,在实际应用中,上述数值还可以为其他数值,本发明实施例对此不做具体限定。
步骤3042:从多个地物类别所在的区域的地物属性信息中,确定位于第i个图像区域中的多个地物类别的地物属性信息。
具体地,在确定出第i个图像区域后,可以根据已确定的目标遥感图像中的多个地物类别所在的区域的地物属性信息,确定出位于第i个图像区域中的多个地物类别的地物属性信息。
步骤3043:根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域内的管道区域的初始地区等级。
其中,初始地区等级是根据人口集中程度划分的区域级别。具体地,可以根据位于第i个图像区域中的多个地物类别的地物属性信息和地区等级划分规则,确定第i个图像区域内的管道区域的初始地区等级。
其中,该地区等级划分规则可以预先设置,且可以由终端默认配置,也可以由技术人员根据实际需要进行设置。接下来将仅以本发明实施例提供的一种实例性的地区等级划分规则为例进行说明,实际应用中,该地区等级划分规则也可以为其他规则,本发明实施例对此不做限定。
具体地,可以先根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域包括的平房面积和低层楼房面积,然后根据位于第i个图像区域中的多个地物类别的地物属性信息,以及第i个图像区域包括的平房面积和低层楼房面积,确定第i个图像区域内的管道区域的初始地区等级。
其中,平房是指楼层为1层的楼房建筑,低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑其中,楼层阈值为大于1的正整数。其中,楼层阈值为低层楼房的最高楼层数值。在实际应用中,楼层阈值可以由终端默认配置,也可以由技术人员根据需要进行设置。例如,楼层阈值可以为6,低层楼房是指楼层大于1且小于或等于6的楼房建筑。
具体地,根据位于第i个图像区域中的多个地物类别的地物属性信息,以及第i个图像区域包括的平房面积和低层楼房面积,确定第i个图像区域内的管道区域的初始地区等级可以包括以下几种情况:
1)当第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为一级。
其中,第一面积阈值和第二面积阈值可以预先设置,具体可以由终端默认配置,也可以由技术人员根据需要进行设置。例如,第一面积阈值可以为1500平米,第二面积阈值可以为450平米。其中,郊区人口集中场所可以包括郊区医院、郊区学校、郊区商业区或郊区工业区等。
例如,假设第一面积阈值为1500平米、第二面积阈值为450平米,则当第i个图像区域包括的平房面积小于1500平米、包括的低层楼房面积小于450平米、且不包括郊区人口集中场所、市区和交通枢纽时,即可确定第i个图像区域的初始地区等级为一级。
进一步地,还可以在根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括荒地、耕地、湿地、草地及林地等少人或无人区时,确定第i个图像区域的初始地区等级为一级。
2)当第i个图像区域包括的平房面积大于或等于第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于第二面积阈值且小于第四面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为二级。
其中,第三面积阈值大于第一面积阈值,第四面积阈值大于第二面积阈值。而且,第三面积阈值和第四面积阈值可以预先设置,具体可以由终端默认配置,也可以由技术人员根据需要进行设置。例如,第三面积阈值可以为1000平米,第四面积阈值可以为3000平米。
例如,假设第一面积阈值为1500平米、第二面积阈值为450平米、第三面积阈值为10000平米、第四面积阈值为3000,则当第i个图像区域包括的平房面积大于或等于1500且小于10000、包括的低层楼房面积大于或等于450且小于3000、且不包括郊区人口集中场所、市区和交通枢纽时,即可确定第i个图像区域的初始地区等级为二级。
3)当第i个图像区域包括的平房面积大于或等于第三面积阈值,或者包括的低层楼房面积大于或等于第四面积阈值,或者根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括郊区人口集中场所时,确定第i个图像区域的初始地区等级为三级。
例如,假设第三面积阈值为10000平米,第四面积阈值为3000,郊区人口集中场所为郊区医院、郊区学校、郊区商业区或郊区工业区等,则当第i个图像区域包括的平房面积大于或等于10000,或者包括的低层楼房面积大于或等于3000,或者包括郊区医院、郊区学校、郊区商业区、郊区工业区等时,即可确定第i个图像区域的初始地区等级为三级。
4)当根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括市区或交通枢纽时,确定第i个图像区域的初始地区等级为四级。
其中,市区还可以包括高层建筑,也即是,还可以在根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括市区、高层建筑或交通枢纽时,确定第i个图像区域的初始地区等级为四级。
需要说明的是,上述数值和场所仅是本发明实施例给出的示例性数值和场所,在实际应用中,上述数值和场所还可以为其他数值和场所,本发明实施例对此不做具体限定。
步骤3044:从目标遥感图像包括的多个图像区域中确定与第i个图像区域重合的至少一个图像区域,并将至少一个图像区域的初始地区等级中的最大初始地区等级确定为第i个图像区域的地区等级。
具体地,由于第三距离阈值小于第二距离阈值,因此第i个图像区域中会存在至少一个与其他图像区域重合的图像区域,对于与第i个图像区域重合的至少一个图像区域,本发明实施例中,可以该至少一个图像区域的初始地区等级中的最大初始地区等级,确定为第i个图像区域的地区等级,如此可以提高确定地区等级的准确度。
例如,假设第二距离阈值为2000米、第三距离阈值为200米,则在对第2个图像区域进行初始地区等级确定时,由于目标遥感图像包括的多个图像区域中存在与第2个图像区域重合的10个图像区域,且这10个图像区域的初始地区等级分别为一级、一级、二级、一级、三级、一级、二级、一级、一级和二级,即这10个图像区域的最大初始地区等级为三级,因此可以将第2个图像区域的地区等级确定为三级,即该第2个图像区域内的管道区域属于三级地区。
进一步地,在终端确定第i个图像区域的地区等级后,还可以通过人工目视的方法对第i个图像区域的地区等级进行人工核查与修正,进一步提高第i个图像区域的地区等级的确定结果的准确性。
需要说明的是,上述数值和地区等级的划分仅是本发明实施例给出的示例性数值和地区等级的划分,在实际应用中,上述数值和地区等级的划分还可以为其他数值和地区等级的划分,本发明实施例对此不做具体限定。
步骤305:根据多个地物类别所在的区域的地物属性信息和多个图像区域中每个图像区域内的管道区域的地区等级,从多个图像区域内的管道区域中识别目标管道的高后果区。
其中,根据目标管道的输送介质的不同,目标管道可以分为长输油管道和长输气管道,且根据目标管道的输送介质的不同,从多个图像区域内的管道区域中识别高后果区的识别方式相应不同,具体可以包括以下两种识别方式。
第一种识别方式:当目标管道为长输油管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第一识别条件,则确定图像区域A内的管道区域为目标管道的高后果区。
其中,第一识别条件可以由终端默认配置,也可以由技术人员根据实际需要进行设置。本发明实施例中,该第一识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在环境敏感场所或非交通枢纽的道路,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且管道区域属于乡村或乡镇。
其中,环境敏感场所包括自然保护区和水源,自然保护区包括河口、森林或湿地等,水源包括河流、湖泊和水库等。非交通枢纽的道路包括高速公路、国道、省道和铁路等。第五面积阈值和第六面积阈值可以预先设置,且本发明实施例中,该第五面积阈值大于上述第一面积阈值且小于上述第三面积阈值,第六面积阈值大于上述第二面积阈值且小于上述第四面积阈值。例如,第五面积阈值可以为5000平米,第六面积阈值可以为1500平米。
进一步地,在确定图像区域A内的管道区域为目标长输油管道的高后果区后,还可以对图像区域A的高后果区的进行分级。具体地,对图像区域A的高后果区的进行分级的方式可以包括以下几种:
1)如果图像区域A内存在非交通枢纽的道路,则确定图像区域A内的管道区域为目标管道的一级高后果区。
例如,可以在图像区域A内存在高速公路、国道、省道、乡村公路及铁路等非交通枢纽的道路时,确定图像区域A内的管道区域为目标管道的一级高后果区。
进一步地,还可以在图像区域A内距离目标管道的中心线的垂直距离小于或等于第五距离阈值的区域范围内存在非交通枢纽的道路时,确定图像区域A内的管道区域为目标管道的一级高后果区。
其中,第五距离阈值大于目标管道的外径且小于第一距离阈值,例如,第五距离阈值可以为50米。当第五距离阈值为50米时,表示可以在图像区域A内距目标管道的中心线两侧50米范围内存在非交通枢纽的道路时,确定图像区域A内的管道区域为目标管道的一级高后果区。
2)如果图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在自然保护区,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且图像区域A内的管道区域属于乡村或乡镇,则确定图像区域A内的管道区域为目标管道的二级高后果区。
例如,可以在图像区域A中存在地区等级为三级地区的地段,或者图像区域A内的平房面积大于第五面积阈值、低层楼房面积大于第六面积阈值且管道区域属于乡村或乡镇,或者图像区域A内有河口、森林或湿地等自然保护区时,确定图像区域A内的管道区域为目标管道的二级高后果区。
3)如果图像区域A内的管道区域的地区等级为四级,或者图像区域A内存在水源,则确定图像区域A内的管道区域为目标管道的三级高后果区。
例如,可以在图像区域A中存在地区等级为四级地区的地段,或者存在河流、湖泊及水库等水源时,确定图像区域A内的管道区域为目标管道的三级高后果区。
第二种识别方式:当目标管道为长输气管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第二识别条件,则确定图像区域A内的管道区域为目标管道的高后果区。
其中,第二识别条件可以由终端默认配置,也可以由技术人员根据实际需要进行设置。本发明实施例中,第二识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在人口集中场所或易燃易爆场所。
其中,人口集中场所包括第一集中场所和第二集中场所。第一集中场所是指医院、学院、托儿所、养老院、监狱或商城等人群疏散困难的建筑区域。第二集中场所是指频繁汇集人群的露天区域,比如一年之内至少有50天聚集30人或更多人的露天区域,示例的,第二集中场所可以为集贸市场、寺庙或运动场、娱乐休闲地、剧院或露营地等。易燃易爆场所是指容易发生燃烧或***的场所,如加油站、油库等。
在具体实施例中,人口集中场所和易燃易爆场所可以由第一分类识别模型识别得到,也可由用户人口识别并手动配置得到,本发明实施例对此不做限定。
进一步地,在确定图像区域A内的管道区域为目标长输气管道的高后果区后,还可以对图像区域A的高后果区的进行分级。具体地,对图像区域A的高后果区的进行分级的方式可以包括以下几种:
1)如果图像区域A内存在人口集中场所且图像区域A包括的长输气管道的潜在影响半径小于或等于第四距离阈值,则确定图像区域A内的管道区域为目标管道的一级高后果区。
其中,潜在影响半径是指输气管道发生失效时,其周边公众安全和财产可能受到明显影响区域的半径,具体由长输气管道的外径和长输气管道的外径对应的管段的最大允许操作压力确定。例如,图像区域A包括的长输气管道的潜在影响半径可以由通过下公式(1)确定得到:
其中,r为潜在影响半径,d为管道的外径,p为对应管段的最大允许操作压力。
其中,第四距离阈值是指长输气管道发生事故后,管道两侧产生最大影响范围时的影响范围边界到长输油气管道中心线位置处的垂直距离。在具体实施过程中,第四距离阈值可以由终端默认配置,也可以由技术人员根据实际需要进行设置。示例的,第四距离阈值可以为200米。
例如,假设第四距离阈值为200米,则可以在图像区域A中存在如医院、学院、托儿所、养老院、监狱、商城、集贸市场、寺庙或运动场等人口集中场所,并且管道的潜在影响半径小于或等于200米时,确定图像区域A内的管道区域为目标管道的一级高后果区。
2)如果图像区域A内存在人口集中场所且图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在易燃易爆场所,则确定图像区域A内的管道区域为目标管道的二级高后果区。
例如,假设第四距离阈值为200米,则可以在图像区域A中存在如医院、学院、托儿所、养老院、监狱、商城、集贸市场、寺庙或运动场等人口集中场所,并且管道的潜在影响半径大于200米时,确定图像区域A内的管道区域为目标管道的二级高后果区。
3)如果图像区域A内的管道区域的地区等级为四级,则确定图像区域A内的管道区域为目标管道的三级高后果区。
进一步地,在终端确定图像区域A内的管道区域的地区等级后,还可以通过人工目视的方法对终端确定的图像区域A内的管道区域的地区等级进行人工核查与修正,进一步提高图像区域A内的管道区域的地区等级的确定结果的准确性。
本发明实施例中,对于待研究的长输油气管道即目标管道,可以获取以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域组成的目标遥感图像,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,并根据目标遥感图像内的管道区域的地理信息,确定该多个地物类别中每个地物类别所在的区域的地物属性信息,最后根据该多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区。也即是,在本发明实施例中,可以获取覆盖目标管道的管道区域的目标遥感图像,并采用图像识别算法对目标遥感图像进行自动识别,来确定目标管道的高后果区,相较于相关技术中人工识别高后果区的方法,提高了识别效率和准确性。
图4是本发明实施例提供的一种长输油气管道的高后果区的识别装置的结构示意图。参见图4,该装置可以包括:
第一获取模块401,用于获取目标遥感图像,目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,第一距离阈值大于目标管道的外径,目标管道为待研究的长输油气管道。
第一确定模块402,用于通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,第一分类识别模型是根据多个地物类别的样本图像训练得到。
第二确定模块403,用于根据目标遥感图像内的管道区域的地理信息,确定多个地物类别中每个地物类别所在的区域的地物属性信息。
识别模块404,用于根据多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区,多个图像区域是沿着目标管道的管道方向、以第二距离阈值为间隔,对目标遥感图像进行划分得到。
可选地,识别模块包括:
第一确定单元,用于根据多个地物类别所在的区域的地物属性信息,确定多个图像区域中每个图像区域内的管道区域的地区等级,地区等级用于指示每个图像区域内的管道区域的人口集中程度;
第一识别单元,用于根据多个地物类别所在的区域的地物属性信息和多个图像区域中每个图像区域内的管道区域的地区等级,从多个图像区域内的管道区域中识别目标管道的高后果区。
可选地,第一确定单元包括:
第一确定子单元,用于根据目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、第二距离阈值和第三距离阈值,确定目标遥感图像包括的第i个图像区域;
其中,第i个图像区域包括的管道的长度等于第二距离阈值,且第i个图像区域包括的管道的起始位置与第i-1个图像区域包括的管道的起始位置相距第三距离阈值,第三距离阈值小于第二距离阈值,i为大于或等于1的整数,当i为1时,第i-1个图像区域包括的管道的起始位置与第i个图像区域包括的管道的起始位置重合,且均为目标管道在目标遥感图像中的起始位置;
第二确定子单元,用于从多个地物类别所在的区域的地物属性信息中,确定位于第i个图像区域中的多个地物类别的地物属性信息;
第三确定子单元,用于根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域内的管道区域的初始地区等级;
第四确定子单元,用于从目标遥感图像包括的多个图像区域中确定与第i个图像区域重合的至少一个图像区域,并将至少一个图像区域的初始地区等级中的最大初始地区等级确定为第i个图像区域的地区等级。
可选地,第三确定子单元具体用于:
根据位于第i个图像区域中的多个地物类别的地物属性信息,确定第i个图像区域包括的平房面积和低层楼房面积,低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑;
当第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为一级;
当第i个图像区域包括的平房面积大于或等于第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于第二面积阈值且小于第四面积阈值、且根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定第i个图像区域的初始地区等级为二级,第三面积阈值大于第一面积阈值,第四面积阈值大于第二面积阈值;
当第i个图像区域包括的平房面积大于或等于第三面积阈值,或者包括的低层楼房面积大于或等于第四面积阈值,或者根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括郊区人口集中场所时,确定第i个图像区域的初始地区等级为三级;
当根据位于第i个图像区域中的多个地物类别的地物属性信息确定第i个图像区域包括市区或交通枢纽时,确定第i个图像区域的初始地区等级为四级。
可选地,第一识别单元包括:
第一识别子单元,用具当目标管道为长输油管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第一识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,第一识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在环境敏感场所或非交通枢纽的道路,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且图像区域A内的管道区域属于乡村或乡镇,环境敏感场所包括自然保护区和水源;
第二识别子单元,用于当目标管道为长输气管道时,对于多个图像区域中的任一图像区域A,如果图像区域A满足第二识别条件,则确定图像区域A内的管道区域为目标管道的高后果区,第二识别条件是指图像区域A内的管道区域的地区等级为三级或四级,或者图像区域A内存在人口集中场所或易燃易爆场所。
可选地,第一识别子单元具体用于:
如果图像区域A内存在非交通枢纽的道路,则确定图像区域A内的管道区域为目标管道的一级高后果区;
如果图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在自然保护区,或者图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且图像区域A内的管道区域属于乡村或乡镇,则确定图像区域A内的管道区域为目标管道的二级高后果区;
如果图像区域A内的管道区域的地区等级为四级,或者图像区域A内存在水源,则确定图像区域A内的管道区域为目标管道的三级高后果区。
可选地,第二识别子单元具体用于:
如果图像区域A内存在人口集中场所且图像区域A包括的管道的潜在影响半径小于或等于第四距离阈值,则确定图像区域A内的管道区域为目标管道的一级高后果区,潜在影响半径是根据图像区域A包括的管道的外径和最大允许操作压力确定得到;
如果图像区域A内存在人口集中场所且图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者图像区域A内的管道区域的地区等级为三级,或者图像区域A内存在易燃易爆场所,则确定图像区域A内的管道区域为目标管道的二级高后果区;
如果图像区域A内的管道区域的地区等级为四级,则确定图像区域A内的管道区域为目标管道的三级高后果区。
可选地,第一获取模块包括:
第一获取单元,用于获取目标管道的中心线位置信息和目标管道的管道区域的边界位置信息,边界位置信息用于指示以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域;
第二获取单元,用于根据中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖目标管道的部分管道区域;
第一处理单元,用于根据中心线位置信息,对多张初始遥感图像进行拼接处理,得到拼接遥感图像,拼接遥感图像覆盖目标管道的全部管道区域;
第二处理单元,用于根据边界位置信息,对拼接遥感图像进行裁剪处理,得到目标遥感图像。
可选地,装置还包括:
第二获取模块,用于获取多个地物类别的样本图像;
提取模块,用于对多个地物类别的样本图像进行特征提取,得到多个地物类别的样本图像的几何纹理特征和光谱特征;
训练模块,用于根据多个地物类别的样本图像以及多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到第一分类识别模型,第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型。
本发明实施例中,对于待研究的长输油气管道即目标管道,可以获取以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域组成的目标遥感图像,通过第一分类识别模型,对目标遥感图像中的多个地物类别进行识别,以确定多个地物类别所在的区域,并根据目标遥感图像内的管道区域的地理信息,确定该多个地物类别中每个地物类别所在的区域的地物属性信息,最后根据该多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别目标管道的高后果区。也即是,在本发明实施例中,可以获取覆盖目标管道的管道区域的目标遥感图像,并采用图像识别算法对目标遥感图像进行自动识别,来确定目标管道的高后果区,相较于相关技术中人工识别高后果区的方法,提高了识别效率和准确性。
需要说明的是:上述实施例提供的长输油气管道的高后果区的识别装置在识别长输油气管道的高后果区时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的长输油气管道的高后果区的识别装置与上述长输油气管道的高后果区的识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图5是本发明实施例提供的一种终端500的结构示意图。该终端500可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端500还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端500包括有:处理器501和存储器502。
处理器501可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器501可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器501也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器501可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器501还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器502可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器502还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器502中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器501所执行以实现本申请中方法实施例提供的长输油气管道的高后果区的识别方法。
在一些实施例中,终端500还可选包括有:***设备接口503和至少一个***设备。处理器501、存储器502和***设备接口503之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口503相连。具体地,***设备包括:射频电路504、触摸显示屏505、摄像头506、音频电路507、定位组件508和电源509中的至少一种。
***设备接口503可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器501和存储器502。在一些实施例中,处理器501、存储器502和***设备接口503被集成在同一芯片或电路板上;在一些其他实施例中,处理器501、存储器502和***设备接口503中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路504用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路504通过电磁信号与通信网络以及其他通信设备进行通信。射频电路504将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路504包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路504可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路504还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏505用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏505是触摸显示屏时,显示屏505还具有采集在显示屏505的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器501进行处理。此时,显示屏505还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏505可以为一个,设置终端500的前面板;在另一些实施例中,显示屏505可以为至少两个,分别设置在终端500的不同表面或呈折叠设计;在再一些实施例中,显示屏505可以是柔性显示屏,设置在终端500的弯曲表面上或折叠面上。甚至,显示屏505还可以设置成非矩形的不规则图形,也即异形屏。显示屏505可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件506用于采集图像或视频。可选地,摄像头组件506包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件506还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路507可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器501进行处理,或者输入至射频电路504以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端500的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器501或射频电路504的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路507还可以包括耳机插孔。
定位组件508用于定位终端500的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件508可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯***或欧盟的伽利略***的定位组件。
电源509用于为终端500中的各个组件进行供电。电源509可以是交流电、直流电、一次性电池或可充电电池。当电源509包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端500还包括有一个或多个传感器510。该一个或多个传感器510包括但不限于:加速度传感器511、陀螺仪传感器512、压力传感器513、指纹传感器514、光学传感器515以及接近传感器516。
加速度传感器511可以检测以终端500建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器511可以用于检测重力加速度在三个坐标轴上的分量。处理器501可以根据加速度传感器511采集的重力加速度信号,控制触摸显示屏505以横向视图或纵向视图进行用户界面的显示。加速度传感器511还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器512可以检测终端500的机体方向及转动角度,陀螺仪传感器512可以与加速度传感器511协同采集用户对终端500的3D动作。处理器501根据陀螺仪传感器512采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器513可以设置在终端500的侧边框和/或触摸显示屏505的下层。当压力传感器513设置在终端500的侧边框时,可以检测用户对终端500的握持信号,由处理器501根据压力传感器513采集的握持信号进行左右手识别或快捷操作。当压力传感器513设置在触摸显示屏505的下层时,由处理器501根据用户对触摸显示屏505的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器514用于采集用户的指纹,由处理器501根据指纹传感器514采集到的指纹识别用户的身份,或者,由指纹传感器514根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器501授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器514可以被设置终端500的正面、背面或侧面。当终端500上设置有物理按键或厂商Logo时,指纹传感器514可以与物理按键或厂商Logo集成在一起。
光学传感器515用于采集环境光强度。在一个实施例中,处理器501可以根据光学传感器515采集的环境光强度,控制触摸显示屏505的显示亮度。具体地,当环境光强度较高时,调高触摸显示屏505的显示亮度;当环境光强度较低时,调低触摸显示屏505的显示亮度。在另一个实施例中,处理器501还可以根据光学传感器515采集的环境光强度,动态调整摄像头组件506的拍摄参数。
接近传感器516,也称距离传感器,通常设置在终端500的前面板。接近传感器516用于采集用户与终端500的正面之间的距离。在一个实施例中,当接近传感器516检测到用户与终端500的正面之间的距离逐渐变小时,由处理器501控制触摸显示屏505从亮屏状态切换为息屏状态;当接近传感器516检测到用户与终端500的正面之间的距离逐渐变大时,由处理器501控制触摸显示屏505从息屏状态切换为亮屏状态。
也即是,本发明实施例不仅提供了一种终端,包括处理器和用于存储处理器可执行指令的存储器,其中,处理器被配置为执行图2或图3所示的实施例中的方法,而且,本发明实施例还提供了一种计算机可读存储介质,该存储介质内存储有计算机程序,该计算机程序被处理器执行时可以实现图2或图3所示的实施例中的长输油气管道的高后果区的识别方法。
本领域技术人员可以理解,图5中示出的结构并不构成对终端500的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种长输油气管道的高后果区的识别方法,其特征在于,所述方法包括:
获取目标遥感图像,所述目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,所述第一距离阈值大于所述目标管道的外径,所述目标管道为待研究的长输油气管道;
通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别,以确定所述多个地物类别所在的区域,所述第一分类识别模型是根据所述多个地物类别的样本图像训练得到;
根据所述目标遥感图像内的管道区域的地理信息,确定所述多个地物类别中每个地物类别所在的区域的地物属性信息;
根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,所述多个图像区域是沿着所述目标管道的管道方向、以第二距离阈值为间隔,对所述目标遥感图像进行划分得到。
2.如权利要求1所述的方法,其特征在于,所述根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,包括:
根据所述多个地物类别所在的区域的地物属性信息,确定所述多个图像区域中每个图像区域内的管道区域的地区等级,所述地区等级用于指示每个图像区域内的管道区域的人口集中程度;
根据所述多个地物类别所在的区域的地物属性信息和所述多个图像区域中每个图像区域内的管道区域的地区等级,从所述多个图像区域内的管道区域中识别所述目标管道的高后果区。
3.如权利要求2所述的方法,其特征在于,所述根据所述多个地物类别所在的区域的地物属性信息,确定所述多个图像区域中每个图像区域内的管道区域的地区等级,包括:
根据所述目标遥感图像包括的第i-1个图像区域包括的管道的起始位置、所述第二距离阈值和第三距离阈值,确定所述目标遥感图像包括的第i个图像区域;
其中,所述第i个图像区域包括的管道的长度等于所述第二距离阈值,且所述第i个图像区域包括的管道的起始位置与所述第i-1个图像区域包括的管道的起始位置相距所述第三距离阈值,所述第三距离阈值小于所述第二距离阈值,所述i为大于或等于1的整数,当所述i为1时,所述第i-1个图像区域包括的管道的起始位置与所述第i个图像区域包括的管道的起始位置重合,且均为所述目标管道在所述目标遥感图像中的起始位置;
从所述多个地物类别所在的区域的地物属性信息中,确定位于所述第i个图像区域中的所述多个地物类别的地物属性信息;
根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域内的管道区域的初始地区等级;
从所述目标遥感图像包括的多个图像区域中确定与所述第i个图像区域重合的至少一个图像区域,并将所述至少一个图像区域的初始地区等级中的最大初始地区等级确定为所述第i个图像区域的地区等级。
4.如权利要求3所述的方法,其特征在于,所述根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域内的管道区域的初始地区等级,包括:
根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息,确定所述第i个图像区域包括的平房面积和低层楼房面积,所述低层楼房是指楼层大于1且小于或等于楼层阈值的楼房建筑;
当所述第i个图像区域包括的平房面积小于第一面积阈值、包括的低层楼房面积小于第二面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为一级;
当所述第i个图像区域包括的平房面积大于或等于所述第一面积阈值且小于第三面积阈值、包括的低层楼房面积大于或等于所述第二面积阈值且小于第四面积阈值、且根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域不包括郊区人口集中场所、市区和交通枢纽时,确定所述第i个图像区域的初始地区等级为二级,所述第三面积阈值大于所述第一面积阈值,所述第四面积阈值大于所述第二面积阈值;
当所述第i个图像区域包括的平房面积大于或等于所述第三面积阈值,或者包括的低层楼房面积大于或等于所述第四面积阈值,或者根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括郊区人口集中场所时,确定所述第i个图像区域的初始地区等级为三级;
当根据位于所述第i个图像区域中的所述多个地物类别的地物属性信息确定所述第i个图像区域包括市区或交通枢纽时,确定所述第i个图像区域的初始地区等级为四级。
5.如权利要求2所述的方法,其特征在于,所述根据所述多个地物类别所在的区域的地物属性信息和所述多个图像区域中每个图像区域内的管道区域的地区等级,从所述多个图像区域内的管道区域中识别所述目标管道的高后果区,包括:
当所述目标管道为长输油管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第一识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第一识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在环境敏感场所或非交通枢纽的道路,或者所述图像区域A包括的平房面积大于第五面积阈值、包括的低层楼房面积大于第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,所述环境敏感场所包括自然保护区和水源;
当所述目标管道为长输气管道时,对于所述多个图像区域中的任一图像区域A,如果所述图像区域A满足第二识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,所述第二识别条件是指所述图像区域A内的管道区域的地区等级为三级或四级,或者所述图像区域A内存在人口集中场所或易燃易爆场所。
6.如权利要求5所述的方法,其特征在于,所述如果所述图像区域A满足第一识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,包括:
如果所述图像区域A内存在非交通枢纽的道路,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区;
如果所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在自然保护区,或者所述图像区域A包括的平房面积大于所述第五面积阈值、包括的低层楼房面积大于所述第六面积阈值且所述图像区域A内的管道区域属于乡村或乡镇,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,或者所述图像区域A内存在水源,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
7.如权利要求5所述的方法,其特征在于,所述如果所述图像区域A满足第二识别条件,则确定所述图像区域A内的管道区域为所述目标管道的高后果区,包括:
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径小于或等于第四距离阈值,则确定所述图像区域A内的管道区域为所述目标管道的一级高后果区,所述潜在影响半径是根据所述图像区域A包括的管道的外径和最大允许操作压力确定得到;
如果所述图像区域A内存在人口集中场所且所述图像区域A包括的管道的潜在影响半径大于第四距离阈值,或者所述图像区域A内的管道区域的地区等级为三级,或者所述图像区域A内存在易燃易爆场所,则确定所述图像区域A内的管道区域为所述目标管道的二级高后果区;
如果所述图像区域A内的管道区域的地区等级为四级,则确定所述图像区域A内的管道区域为所述目标管道的三级高后果区。
8.如权利要求1-7任一所述的方法,其特征在于,所述获取目标遥感图像,包括:
获取所述目标管道的中心线位置信息和所述目标管道的管道区域的边界位置信息,所述边界位置信息用于指示以所述目标管道的中心线为对称轴、所述第一距离阈值为对称半径的管道区域;
根据所述中心线位置信息,获取多张初始遥感图像,每张初始遥感图像覆盖所述目标管道的部分管道区域;
根据所述中心线位置信息,对所述多张初始遥感图像进行拼接处理,得到拼接遥感图像,所述拼接遥感图像覆盖所述目标管道的全部管道区域;
根据所述边界位置信息,对所述拼接遥感图像进行裁剪处理,得到所述目标遥感图像。
9.如权利要求1-7任一所述的方法,其特征在于,所述通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别之前,还包括:
获取所述多个地物类别的样本图像;
对所述多个地物类别的样本图像进行特征提取,得到所述多个地物类别的样本图像的几何纹理特征和光谱特征;
根据所述多个地物类别的样本图像以及所述多个地物类别的样本图像的几何纹理特征和光谱特征,对第二分类识别模型进行训练,得到所述第一分类识别模型,所述第二分类识别模型是指待训练的、用于识别地物类别的分类识别模型。
10.一种长输油气管道的高后果区的识别装置,其特征在于,所述装置包括:
获取模块,用于获取目标遥感图像,所述目标遥感图像包括以目标管道的中心线为对称轴、第一距离阈值为对称半径的管道区域,所述第一距离阈值大于所述目标管道的外径,所述目标管道为待研究的长输油气管道;
第一确定模块,用于通过第一分类识别模型,对所述目标遥感图像中的多个地物类别进行识别,以确定所述多个地物类别所在的区域,所述第一分类识别模型是根据所述多个地物类别的样本图像训练得到;
第二确定模块,用于根据所述目标遥感图像内的管道区域的地理信息,确定所述多个地物类别中每个地物类别所在的区域的地物属性信息;
识别模块,用于根据所述多个地物类别所在的区域的地物属性信息,从多个图像区域内的管道区域中识别所述目标管道的高后果区,所述多个图像区域是沿着所述目标管道的管道方向、以第二距离阈值为间隔,对所述目标遥感图像进行划分得到。
11.一种长输油气管道的高后果区的识别装置,其特征在于,所述装置包括:
处理器及用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1-9任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513064.XA CN108960049B (zh) | 2018-05-25 | 2018-05-25 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810513064.XA CN108960049B (zh) | 2018-05-25 | 2018-05-25 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960049A true CN108960049A (zh) | 2018-12-07 |
CN108960049B CN108960049B (zh) | 2021-01-29 |
Family
ID=64492199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810513064.XA Active CN108960049B (zh) | 2018-05-25 | 2018-05-25 | 长输油气管道的高后果区的识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960049B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978374A (zh) * | 2019-03-27 | 2019-07-05 | 中国环境科学研究院 | 油气管道***风险评估方法 |
CN111310978A (zh) * | 2020-01-20 | 2020-06-19 | 中国石油天然气股份有限公司 | 确定油气管道的重点监控管段的方法及装置 |
CN112257633A (zh) * | 2020-10-29 | 2021-01-22 | 中国安全生产科学研究院 | 一种基于图像识别的管道高后果区动态识别方法 |
CN112527928A (zh) * | 2019-09-19 | 2021-03-19 | 中国石油天然气股份有限公司 | 一种管道保护区域划分方法、装置及可读存储介质 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、***及存储介质 |
CN113256647A (zh) * | 2021-04-14 | 2021-08-13 | 广西扬翔股份有限公司 | 图像处理方法、图像处理装置、电子装置和存储介质 |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113688758A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 基于边缘计算的输气管道高后果区智能识别*** |
CN115170980A (zh) * | 2022-07-06 | 2022-10-11 | 广东大鹏液化天然气有限公司 | 一种基于卫星影像识别的输气管道高后果区智能识别方法 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129338A1 (en) * | 2003-12-11 | 2006-06-15 | Turley Richard D | Pipeline integrity management process |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN103699543A (zh) * | 2012-09-28 | 2014-04-02 | 南京理工大学 | 基于遥感图像地物分类的信息可视化方法 |
CN103778514A (zh) * | 2014-02-12 | 2014-05-07 | 西南石油大学 | 一种油气管道高后果区识别***及识别方法 |
CN108052966A (zh) * | 2017-12-08 | 2018-05-18 | 重庆邮电大学 | 基于卷积神经网络的遥感图像场景自动提取和分类方法 |
-
2018
- 2018-05-25 CN CN201810513064.XA patent/CN108960049B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129338A1 (en) * | 2003-12-11 | 2006-06-15 | Turley Richard D | Pipeline integrity management process |
CN103699543A (zh) * | 2012-09-28 | 2014-04-02 | 南京理工大学 | 基于遥感图像地物分类的信息可视化方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN103778514A (zh) * | 2014-02-12 | 2014-05-07 | 西南石油大学 | 一种油气管道高后果区识别***及识别方法 |
CN108052966A (zh) * | 2017-12-08 | 2018-05-18 | 重庆邮电大学 | 基于卷积神经网络的遥感图像场景自动提取和分类方法 |
Non-Patent Citations (4)
Title |
---|
中国人民共和国住房和城乡***: "输气管道工程设计规范", 《HTTP://WWW.DOC88.COM/P-1426124813032.HTML》 * |
中国国家标准化管理委员会: "油气输送管道完整性管理规范", 《HTTP://WWW.JIANBIAOKU.COM/WEBARBS/BOOK/78011/1972845.SHTML》 * |
卢琳琳等: "基于UAV技术的长输管道高后果区识别方法研究", 《石油和化工设备》 * |
张辉: "基于BP神经网络的遥感影像分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978374A (zh) * | 2019-03-27 | 2019-07-05 | 中国环境科学研究院 | 油气管道***风险评估方法 |
CN112527928A (zh) * | 2019-09-19 | 2021-03-19 | 中国石油天然气股份有限公司 | 一种管道保护区域划分方法、装置及可读存储介质 |
CN112527928B (zh) * | 2019-09-19 | 2024-05-31 | 中国石油天然气股份有限公司 | 一种管道保护区域划分方法、装置及可读存储介质 |
CN111310978A (zh) * | 2020-01-20 | 2020-06-19 | 中国石油天然气股份有限公司 | 确定油气管道的重点监控管段的方法及装置 |
CN112257633B (zh) * | 2020-10-29 | 2023-06-02 | 中国安全生产科学研究院 | 一种基于图像识别的管道高后果区动态识别方法 |
CN112257633A (zh) * | 2020-10-29 | 2021-01-22 | 中国安全生产科学研究院 | 一种基于图像识别的管道高后果区动态识别方法 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、***及存储介质 |
CN113256647A (zh) * | 2021-04-14 | 2021-08-13 | 广西扬翔股份有限公司 | 图像处理方法、图像处理装置、电子装置和存储介质 |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113344198B (zh) * | 2021-06-09 | 2022-08-26 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113688758B (zh) * | 2021-08-31 | 2023-05-30 | 重庆科技学院 | 基于边缘计算的输气管道高后果区智能识别*** |
CN113688758A (zh) * | 2021-08-31 | 2021-11-23 | 重庆科技学院 | 基于边缘计算的输气管道高后果区智能识别*** |
CN115170980A (zh) * | 2022-07-06 | 2022-10-11 | 广东大鹏液化天然气有限公司 | 一种基于卫星影像识别的输气管道高后果区智能识别方法 |
CN116958907A (zh) * | 2023-09-18 | 2023-10-27 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
CN116958907B (zh) * | 2023-09-18 | 2023-12-26 | 四川泓宝润业工程技术有限公司 | 一种输气管道周边隐患目标巡检方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108960049B (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960049A (zh) | 长输油气管道的高后果区的识别方法、装置及存储介质 | |
KR102344012B1 (ko) | 관심 지점을 표시하기 위한 방법 및 장치 | |
CN109962939B (zh) | 位置推荐方法、装置、服务器、终端及存储介质 | |
CN107133325A (zh) | 一种基于街景地图的互联网照片地理空间定位方法 | |
CN110837607B (zh) | 兴趣点匹配方法、装置、计算机设备以及存储介质 | |
TW201107713A (en) | Apparatus and method for position determination | |
KR102234723B1 (ko) | 지리상의 위치를 특정하는 방법과 이를 이용하는 데이터베이스 및 데이터베이스의 데이터베이스 | |
CN110490179A (zh) | 车牌识别方法、装置及存储介质 | |
US11486711B2 (en) | Methods of specifying global locations including indoor locations and database using the same | |
CN112732858A (zh) | 路径规划方法、装置、计算机设备及存储介质 | |
CN110457571B (zh) | 获取兴趣点信息的方法、装置、设备及存储介质 | |
CN112966124B (zh) | 知识图谱对齐模型的训练方法、对齐方法、装置及设备 | |
US10444954B2 (en) | Distinguishable geographic area presentation | |
CN110096525A (zh) | 校准兴趣点信息的方法、装置、设备及存储介质 | |
CN112328911B (zh) | 地点推荐方法、装置、设备及存储介质 | |
CN110175653A (zh) | 图像识别的方法、装置、设备及存储介质 | |
CN113822263A (zh) | 图像标注方法、装置、计算机设备及存储介质 | |
US11442997B2 (en) | System and method associated with an insular digital content distribution platform that generates discrete epochs of content based on determination of a germane zip-span polygon region | |
Li et al. | Are you lying: Validating the time-location of outdoor images | |
KR20150077607A (ko) | 증강현실을 이용한 공룡 유적지 체험 서비스 제공 시스템 및 그 방법 | |
CN110147796A (zh) | 图像匹配方法及装置 | |
CN110471614A (zh) | 一种存储数据的方法、检测终端的方法及装置 | |
CN110008671A (zh) | 数据校验方法及装置 | |
CN113569822A (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
Han et al. | Human assisted positioning using textual signs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |