CN117809189A - 一种基于大数据的地质结构健康监测与预测*** - Google Patents
一种基于大数据的地质结构健康监测与预测*** Download PDFInfo
- Publication number
- CN117809189A CN117809189A CN202410012016.8A CN202410012016A CN117809189A CN 117809189 A CN117809189 A CN 117809189A CN 202410012016 A CN202410012016 A CN 202410012016A CN 117809189 A CN117809189 A CN 117809189A
- Authority
- CN
- China
- Prior art keywords
- crack
- damage
- surface crack
- ground surface
- detection
- 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims abstract description 10
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012800 visualization 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于大数据的地质结构健康监测与预测***，涉及地质检测设备领域；本发明基于机器学习视觉检测方法，智能识别地表裂缝，建立地表裂缝表面损伤图像识别任务的图像数据集，包含地表裂缝表面无损伤图像、裂纹损伤图像及其它损伤图像，搭建地表裂缝损伤图像识别网络模型，基于卷积神经网络对地表裂缝表面损伤进行损伤检测，并基于全卷积神经网络，在有损伤的地表裂缝表面中，对裂纹损伤和其它类别损伤进行分类检测；本发明提供的无人机自主检测方法，较人工检测具有明显的优势，不仅可以避免人工操作可能发生的安全事故，也可以大幅度提高工作效率，降低检测成本，具有极好的市场价值。
Description
技术领域
本发明涉及石油地质领域，具体而言，涉及一种基于大数据的地质结构健康监测与预测***。
背景技术
目前通过无人机及基于机器视觉的多自由度机械臂自主检测装置来代替人力对地表裂缝进行检测，不仅可以避免人工操作可能发生的安全事故，也可以大幅度提高工作效率，减少人工成本，提升检测效率，具有广阔的应用前景。
发明内容
一种基于大数据的地质结构健康监测与预测***，该设备包括无人机以及搭载的高清摄像头，利用高清摄像头采集图像，基于深度学习、机器视觉等算法，智能识别与测量裂缝等缺陷，并将其大小及位置直观展示在重建的三维模型上，实现检测结果可视化，具体检测步骤包括：
步骤一、旋翼无人机自主航线规划，以及抗干扰模型的建立；
步骤二、采集全天气全角度地表裂缝的图片数据集，基于人工智能算法识别地表裂缝的延伸方向；
步骤三、基于机器学习视觉检测方法，智能识别地表裂缝，建立地表裂缝表面损伤图像识别任务的图像数据集，包含地表裂缝表面无损伤图像、裂纹损伤图像及其它损伤图像，搭建地表裂缝损伤图像识别网络模型，基于卷积神经网络对地表裂缝表面损伤进行损伤检测，并基于全卷积神经网络，在有损伤的地表裂缝表面中，对裂纹损伤和其它类别损伤进行分类检测。
进一步的：为了实现地表裂缝朝向的判别，本方法具体步骤还包括：
步骤S1、标注采集数据，所述数据包括全天相全角度的地表裂缝照片；
步骤S2、YOLO v5 算法实现地表裂缝目标识别：基于采集的数据进行标记和分类在完成数据集训练后实现地表裂缝目标识别；
步骤S3、利用 OpenCV 进行特征点提取，将YOLOv5 别出的目标框进行截取使用特征识别绘制出地表裂缝的轮廓三角形，进一步判断朝向；
步骤S4、地表裂缝朝向判断，结合YOLO v5 目标检测给出的置信度以及OpenCV 检测出的地表裂缝轮廓共同判断地表裂缝的朝向信息。
进一步的：旋翼无人机自主航线规划，以及抗干扰模型的建立步骤中，先将梁场内的所有地表裂缝位置进行目标建模，转化为无人机可识别的坐标信息，结合梁场内地表裂缝的详细坐标信息和高度信息，并利用建模软件建立梁场数据。
进一步的：采集全天气全角度地表裂缝的图片数据集步骤中，利用多旋翼无人机对地表裂缝组与地表裂缝进行高清拍摄，需要选取不同的悬停位置进行取点对焦，单个地表裂缝巡检范围包括迎风面、背风面以及前后缘。
进一步的：终端设备可以包括：处理器、存储介质和总线，存储介质存储有处理器可执行的机器可读指令，当终端设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行时执行如前述实施例中所述的深度学习模型训练方法的步骤。
进一步的：一种存储介质，该存储有计算机程序，所述计算机程序被处理器运行时执行上述的方法的步骤。
进一步的：一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行上述所述的方法。
本发明的有益效果：本发明提供的无人机自主检测方法，较人工检测具有明显的优势，不仅可以避免人工操作可能发生的安全事故，也可以大幅度提高工作效率，降低检测成本，具有极好的市场价值。
具体实施方式
本发明为了更好的抑制外部干扰和负载对四旋翼姿态的响应，传统的反步法无法很好的抵制这些干扰，因此需要引入辅助函数来消除干扰。在传统反步法基础上引入误差积分和饱和函数来提高四旋翼姿态控制的鲁棒性。
具体的本发明一种基于大数据的地质结构健康监测与预测***，该设备包括无人机以及搭载的高清摄像头，利用高清摄像头采集图像，基于深度学习、机器视觉等算法，智能识别与测量裂缝等缺陷，并将其大小及位置直观展示在重建的三维模型上，实现检测结果可视化，具体检测步骤包括：
步骤一、旋翼无人机自主航线规划，以及抗干扰模型的建立；根据地表裂缝位置，梁场主风向，冗余安全裕度，地表裂缝地表裂缝高度等关键信息，智能自主规划巡航路线。实现无人机根据地表裂缝组位置与实时巡检要求，自主智能规划飞行航线、精确定点起降与智能返航等功能；
本实例中，由于无人机在自主巡检之前，需要导入地表裂缝的具体坐标，所以需要先将梁场内的所有地表裂缝位置进行目标建模，转化为无人机可识别的坐标信息，这就需要提前获得梁场内地表裂缝的详细坐标信息和高度信息，并利用建模软件建立梁场数据，形成数据库，可在下次巡检时直接调用数据。
步骤二、采集全天气全角度地表裂缝的图片数据集，基于人工智能算法识别地表裂缝的延伸方向。利用多旋翼无人机对地表裂缝组与地表裂缝进行高清拍摄，需要选取不同的悬停位置进行取点对焦。采取智能评估方式计算得到最优悬停拍摄位置。有效避免无人机自动巡检过程拍摄角度不佳而造成的缺陷识别困难问题。单个地表裂缝巡检范围包括迎风面、背风面以及前后缘，在三个关键位置进行悬停拍照，获得高清照片。
本实施例中，需基于人工智能算法识别地表裂缝的延伸方向，因此无人机在飞到地表裂缝附近进行图像采集之前，首先要做的一件事就是先确定地表裂缝的朝向，再根据已经确定的地表裂缝朝向飞行至地表裂缝的正前方，正后方，侧前方和侧后方进行高清拍摄。
具体的本发明方法利用特征点提取和YOLO v5算法准确识别地表裂缝朝向；而当无人机正对地表裂缝时的正面或者背面时，采集到图像中的地表裂缝顶点连线必然是一个等边三角形，通过对图像的角点检测，就能得出地表裂缝的朝向，进而确定无人机悬停的具***置。
根据上文分析可知，有了地表裂缝的特征点分布，我们就可以通过提取有用的特征点并进行角点检测。
在完成地表裂缝图像特征点提取研究后，为了更好的训练无人机视觉识别***首先需要通过构建海量地表裂缝图像数据对其进行深度学习，并加以人工辅助判别逐步提升***的识别和判定能力。
本实施例中，为了实现地表裂缝朝向的判别，本方法具体步骤还包括：
步骤S1、标注采集数据：数据包括全天相全角度的地表裂缝照片。
步骤S2、YOLO v5 算法实现地表裂缝目标识别：基于采集的数据进行标记和分类在完成数据集训练后实现地表裂缝目标识别。
步骤S3、利用 OpenCV 进行特征点提取：将YOLO v5 别出的目标框进行截取使用特征识别绘制出地表裂缝的轮廓三角形，进一步判断朝向。
步骤S4、地表裂缝朝向判断：结合YOLO v5 目标检测给出的置信度以及OpenCV 检测出的地表裂缝轮廓共同判断地表裂缝的朝向信息。
步骤三、基于机器学习视觉检测方法，智能识别地表裂缝。建立地表裂缝表面损伤图像识别任务的图像数据集，包含地表裂缝表面无损伤图像、裂纹损伤图像及其它损伤图像。搭建地表裂缝损伤图像识别网络模型，基于卷积神经网络对地表裂缝表面损伤进行损伤检测，并基于全卷积神经网络，在有损伤的地表裂缝表面中，对裂纹损伤和其它类别损伤进行分类检测。
为了便于说明，在上述终端设备中仅描述了一个处理器。然而，应当注意，一些实施例中，本发明中的终端设备还可以包括多个处理器，因此本发明中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于大数据的地质结构健康监测与预测***，其特征在于，该设备包括无人机以及搭载的高清摄像头，利用高清摄像头采集图像，基于深度学习、机器视觉等算法，智能识别与测量裂缝等缺陷，并将其大小及位置直观展示在重建的三维模型上，实现检测结果可视化，具体检测步骤包括：
步骤一、旋翼无人机自主航线规划，以及抗干扰模型的建立；
步骤二、采集全天气全角度地表裂缝的图片数据集，基于人工智能算法识别地表裂缝的延伸方向；
步骤三、基于机器学习视觉检测方法，智能识别地表裂缝，建立地表裂缝表面损伤图像识别任务的图像数据集，包含地表裂缝表面无损伤图像、裂纹损伤图像及其它损伤图像，搭建地表裂缝损伤图像识别网络模型，基于卷积神经网络对地表裂缝表面损伤进行损伤检测，并基于全卷积神经网络，在有损伤的地表裂缝表面中，对裂纹损伤和其它类别损伤进行分类检测。
2.根据权利要求1所述的基于大数据的地质结构健康监测与预测***，其特征在于，为了实现地表裂缝朝向的判别，本方法具体步骤还包括：
步骤S1、标注采集数据，所述数据包括全天相全角度的地表裂缝照片；
步骤S2、YOLO v5 算法实现地表裂缝目标识别：基于采集的数据进行标记和分类在完成数据集训练后实现地表裂缝目标识别；
步骤S3、利用 OpenCV 进行特征点提取，将YOLOv5 别出的目标框进行截取使用特征识别绘制出地表裂缝的轮廓三角形，进一步判断朝向；
步骤S4、地表裂缝朝向判断，结合YOLO v5 目标检测给出的置信度以及OpenCV 检测出的地表裂缝轮廓共同判断地表裂缝的朝向信息。
3.根据权利要求1所述的基于大数据的地质结构健康监测与预测***，其特征在于，旋翼无人机自主航线规划，以及抗干扰模型的建立步骤中，先将梁场内的所有地表裂缝位置进行目标建模，转化为无人机可识别的坐标信息，结合梁场内地表裂缝的详细坐标信息和高度信息，并利用建模软件建立梁场数据。
4.根据权利要求1所述的基于大数据的地质结构健康监测与预测***，其特征在于，采集全天气全角度地表裂缝的图片数据集步骤中，利用多旋翼无人机对地表裂缝组与地表裂缝进行高清拍摄，需要选取不同的悬停位置进行取点对焦，单个地表裂缝巡检范围包括迎风面、背风面以及前后缘。
5.一种终端设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述终端设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-4所述的任一方法的步骤。
6.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-4所述的任一方法的步骤。
7.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-4所述的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012016.8A CN117809189A (zh) | 2024-01-04 | 2024-01-04 | 一种基于大数据的地质结构健康监测与预测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410012016.8A CN117809189A (zh) | 2024-01-04 | 2024-01-04 | 一种基于大数据的地质结构健康监测与预测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117809189A true CN117809189A (zh) | 2024-04-02 |
Family
ID=90421571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410012016.8A Pending CN117809189A (zh) | 2024-01-04 | 2024-01-04 | 一种基于大数据的地质结构健康监测与预测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809189A (zh) |
-
2024
- 2024-01-04 CN CN202410012016.8A patent/CN117809189A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
| EP3028464B1 (en) | System and method for detecting features in aerial images using disparity mapping and segmentation techniques | |
| CN107808133B (zh) | 基于无人机巡线的油气管道安全监测方法、***及软件存储器 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及*** | |
| CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
| CN111126184B (zh) | 一种基于无人机视频的震后建筑物损毁检测方法 | |
| CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及*** | |
| CN113139437B (zh) | 一种基于YOLOv3算法的安全帽佩戴检查方法 | |
| CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及*** | |
| CN111563957B (zh) | 一种煤田火灾及矸石山火灾三维温度场数字化成像方法 | |
| CN115115595B (zh) | 一种面向森林火灾监测的机载激光雷达和红外相机的实时标定方法 | |
| CN110009146A (zh) | 一种基于高光谱遥感技术的输电线路树障砍伐规划方法 | |
| CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
| CN111462310B (zh) | 一种基于多视几何的螺栓缺陷空间定位方法 | |
| CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
| CN115619738A (zh) | 一种模组侧缝焊焊后检测方法 | |
| CN109671109A (zh) | 密集点云生成方法及*** | |
| CN115825984A (zh) | 一种基于激光点云的输电线路巡检***及巡检方法 | |
| CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
| CN107767366A (zh) | 一种输电线路拟合方法及装置 | |
| CN112542800A (zh) | 一种输电线路故障识别的方法及其*** | |
| CN117809189A (zh) | 一种基于大数据的地质结构健康监测与预测*** | |
| CN115909099A (zh) | 基于无人机巡检的边坡危岩识别与监测方法 | |
| CN115601517A (zh) | 岩体结构面信息采集方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |