一种油气管道的高后果区识别方法、装置及介质

技术领域

本申请涉及油气管道管理技术领域，特别是涉及一种油气管道的高后果区识别方法、装置及介质。

背景技术

油气管道高后果区指管道泄漏后可能会对公众和环境造成较大不良影响的区域。高后果区内人员比较密集，交通比较频繁，一旦发生泄漏，会对公众及环境造成较为严重的影响。例如，油气管道的潜在影响半径内有学校、医院等特定场所，这些人群很难在短时间内疏散，一旦管道发生泄漏，后果不堪设想。

目前针对油气管道高后果区的识别工作主要采用人工识别的方式，人工识别即管道巡线人员人工记录管道中心线两侧200米范围内的建筑物和交通繁忙、地下设施繁多的区域。但由于我国长输油气管道规模庞大，高后果区受地方政府规划影响大，随着管道周边人口和环境的变化，高后果区的位置和范围也会随之改变，使得之前已确定的油气管道高后果区数据往往在次年无法使用，通过人工数户的方式效率低、人工成本高。

因此如何提高油气管道高后果区的识别效率，降低人工成本是本领域技术人员亟需要解决的问题。

发明内容

本申请的目的是提供一种油气管道的高后果区识别方法、装置及介质，用于提高油气管道高后果区的识别效率，降低人工成本。

为解决上述技术问题，本申请提供一种油气管道的高后果区识别方法，包括：

获取油气管道预设区域的卫星地图影像；

调用自动识别模型对所述卫星地图影像中的建筑物进行识别，并统计所述油气管道的监视区域内的建筑物数量；其中，所述自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；

根据所述建筑物数量确定所述油气管道的高后果区。

优选地，所述调用自动识别模型对所述卫星地图影像中的建筑物进行识别，并统计所述油气管道的监视区域内的建筑物数量，包括：

判断所述自动识别模型是否识别到所述卫星地图影像中的建筑物；

若所述自动识别模型识别到所述卫星地图影像中的建筑物，框选所述建筑物并保存为第一卫星地图影像，框选所述卫星地图影像中的所述监视区域并保存为第二卫星地图影像；

将所述第二卫星地图影像与所述第一卫星地图影像进行几何运算，统计所述第一卫星地图影像中框选出的建筑物位于所述监视区域内的建筑物数量。

优选地，所述根据所述建筑物数量确定所述油气管道的高后果区，包括：

判断所述建筑物数量是否超过预设建筑物数量；

若是，将所述监视区域确定为所述油气管道的高后果区。

优选地，自动识别模型识别到所述卫星地图影像中的建筑物之后，还包括：

将所述第一卫星地图影像按照预设比例进行切片，并对框选出的建筑物进行标注；

将切片和标注后的所述第一卫星地图影像作为训练样本对所述自动识别模型进行训练。

优选地，所述调用所述自动识别模型对所述卫星地图影像中的建筑物进行识别之前，还包括：

利用经纬度建立所述卫星地图影像的数据索引；

通过所述数据索引筛选出距离所述油气管道预设范围内的所述卫星地图影像；

将筛选后的所述卫星地图影像利用最大方差法进行二值化处理，并利用滤波算法进行平滑处理。

优选地，所述获取油气管道预设区域的卫星地图影像，包括：

通过地图下载离地预设高度内的所述油气管道预设区域的所述卫星地图影像。

本申请还提供一种油气管道的高后果区识别装置，包括：

获取模块，用于获取油气管道预设区域的卫星地图影像；

识别模块，用于调用自动识别模型对所述卫星地图影像中的建筑物进行识别，并统计所述油气管道的监视区域内的建筑物数量；其中，所述自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；

确定模块，用于根据所述建筑物数量确定所述油气管道的高后果区。

本申请还提供一种油气管道的高后果区识别装置，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述的油气管道的高后果区识别方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的油气管道的高后果区识别方法的步骤。

本申请所提供的一种油气管道的高后果区识别方法，获取油气管道预设区域的卫星地图影像；调用自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；其中，自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；根据建筑物数量确定油气管道的高后果区。相比人工去数油气管道预设区域的建筑物数量来判断是否是高后果区，本申请通过自动识别模型识别油气管道预设区域的卫星地图影像中的建筑物来确定油气管道的监视区域内的建筑物数量，降低了人工成本，提高了油气管道高后果区的识别效率。

本申请所提供的一种油气管道的高后果区识别装置及介质与方法对应，效果如上。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种油气管道的高后果区识别方法的流程图；

图2为本申请实施例提供的一种油气管道的高后果区识别装置的结构图；

图3为本申请实施例提供的另一种油气管道的高后果区识别装置的结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本申请保护范围。

本申请的核心是提供一种油气管道的高后果区识别方法、装置及介质。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。

图1为本申请实施例提供的一种油气管道的高后果区识别方法的流程图，如图1所示，油气管道的高后果区识别方法包括：

S10：获取油气管道预设区域的卫星地图影像；

S11：调用自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；其中，自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；

S12：根据建筑物数量确定油气管道的高后果区。

在步骤S10中，关于如何获取油气管道预设区域的卫星地图影像本申请实施例不作具体限定。具体地，可以通过日新图下载离地3米以内油气管道预设区域的高清卫星地图影像，还可以通过谷歌地图抓取离地3米以内油气管道预设区域的高清卫星地图影像。

在步骤S11中，自动识别模型采用YOLO-V4算法对卫星图像中的建筑物进行识别和检测，确定油气管道的监视区域可以根据管道里程桩的经纬度确定监视区域，本申请实施例对监视区域的大小不作具体限定，监视区域可以根据实际情况确定，确定监视区域之后，统计监视区域内的建筑物的数量。调用自动识别模型对卫星地图影像中的建筑物进行识别之前，还可以获取各类建筑物的影像数据；将影像数据作为训练样本进行训练以建立自动识别模型。

在步骤S12中，关于如何根据建筑物数量确定油气管道的高后果区本申请实施例不作具体限定，可以根据GB32167-2015标准中的高后果区识别和管理办法结合建筑物数量确定油气管道的高后果区。

本申请实施例所提供的一种油气管道的高后果区识别方法，包括：获取油气管道预设区域的卫星地图影像；调用自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；其中，自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；根据建筑物数量确定油气管道的高后果区。相比人工去数油气管道预设区域的建筑物数量来判断是否是高后果区，本申请通过自动识别模型识别油气管道预设区域的卫星地图影像中的建筑物来确定油气管道的监视区域内的建筑物数量，降低了人工成本，提高了油气管道高后果区的识别效率。并且，随着政府规划发生变化，获取到的油气管道预设区域的卫星地图影像中的建筑物也随之发生改变，从而识别出的油气管道高后果区具有时效性。

基于上述实施例，本申请实施例调用自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量，包括：判断自动识别模型是否识别到卫星地图影像中的建筑物；若自动识别模型识别到卫星地图影像中的建筑物，框选建筑物并保存为第一卫星地图影像，框选卫星地图影像中的监视区域并保存为第二卫星地图影像；将第二卫星地图影像与第一卫星地图影像进行几何运算，统计第一卫星地图影像中框选出的建筑物位于监视区域内的建筑物数量。在识别到卫星地图影像中的建筑物以后，利用矩形将其框选并拷贝一份另存在其他文件夹，即保存第一卫星地图影像；将卫星地图影像中监视区域框选，监视区域框选完以后，再次将识别到建筑物的第一卫星地图影像与进行了监视区域框选的第二卫星地图影像进行几何运算，判断识别到的建筑物是否在监视区域内，并统计监视区域内的建筑物数量。

基于上述实施例，本申请实施例根据建筑物数量确定油气管道的高后果区，包括：判断建筑物数量是否超过预设建筑物数量；若是，将监视区域确定为油气管道的高后果区。

本申请实施例在建筑物数量超过预设建筑物数量时将该监视区域确定为高后果区。当然还可以根据建筑物数量，按一个建筑物3口人，计算监视区域的人口数量，根据人口数量和监视区域的面积计算监视区域的人口密度，通过人口密度来确定是否是高后果区。

基于上述实施例，本申请实施例在自动识别模型识别到卫星地图影像中的建筑物之后，还包括：将第一卫星地图影像按照预设比例进行切片，并对框选出的建筑物进行标注；将切片和标注后的第一卫星地图影像作为训练样本对自动识别模型进行训练。

本申请实施例将识别到建筑物的卫星地图影像作为自动识别模型的训练样本，不断对自动识别模型进行训练以提高自动识别模型的鲁棒性。具体的训练样本的准备如下：将卫星地图影像按1：1的比例进行切片处理和切片标注，其中切片标注采用热力图的标记形式，对建筑物进行标记后再通过高斯模糊生成建筑物区域的热力图。

基于上述实施例，本申请实施例调用自动识别模型对卫星地图影像中的建筑物进行识别之前，还包括：利用经纬度建立卫星地图影像的数据索引；通过数据索引筛选出距离油气管道预设范围内的卫星地图影像；将筛选后的卫星地图影像利用最大方差法进行二值化处理，并利用滤波算法进行平滑处理。

使用经纬度作为卫星地图影像的数据索引，通过数据索引将距离油气管道预设范围以外的卫星地图影像删除，将筛选出的卫星地图影像利用最大类间方差法进行二值化处理，利用高斯平滑滤波算法进行平滑处理。本申请将距离管道预设范围内的卫星地图影像筛选出来，可以减少自动识别模型识别建筑物的工作量，进一步提高了高后果区识别的效率。

在上述实施例中，对于油气管道的高后果区识别方法进行了详细描述，本申请还提供油气管道的高后果区识别装置对应的实施例。需要说明的是，本申请从两个角度对装置部分的实施例进行描述，一种是基于功能模块的角度，另一种是基于硬件的角度。

图2为本申请实施例提供的一种油气管道的高后果区识别装置的结构图，如图2所示，油气管道的高后果区识别装置包括：

获取模块10，用于获取油气管道预设区域的卫星地图影像。

识别模块11，用于调用自动识别模型对所述卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；其中，自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型。

确定模块12，用于根据建筑物数量确定油气管道的高后果区。

基于上述实施例，作为优选的实施例，识别模块包括：

第一判断单元，用于判断自动识别模型是否识别到卫星地图影像中的建筑物；

框选单元，用于若自动识别模型识别到卫星地图影像中的建筑物，框选建筑物并保存为第一卫星地图影像，框选卫星地图影像中的监视区域并保存为第二卫星地图影像；

统计单元，用于将第二卫星地图影像与第一卫星地图影像进行几何运算，统计第一卫星地图影像中框选出的建筑物位于监视区域内的建筑物数量。

基于上述实施例，作为优选的实施例，确定模块包括：

第二判断单元，用于判断建筑物数量是否超过预设建筑物数量；

确定单元，用于若建筑物数量超过预设建筑物数量，将监视区域确定为油气管道的高后果区。

基于上述实施例，作为优选的实施例，识别模块还包括：

切片标注单元，用于将第一卫星地图影像按照预设比例进行切片，并对框选出的建筑物进行标注；

训练单元，用于将切片和标注后的第一卫星地图影像作为训练样本对自动识别模型进行训练。

基于上述实施例，作为优选的实施例，还包括：

数据索引建立模块，用于利用经纬度建立卫星地图影像的数据索引；

筛选模块，用于通过数据索引筛选出距离油气管道预设范围内的卫星地图影像；

处理模块，用于将筛选后的卫星地图影像利用最大方差法进行二值化处理，并利用滤波算法进行平滑处理。

基于上述实施例，作为优选的实施例，获取模块包括：

下载单元，用于通过地图下载离地预设高度内的油气管道预设区域的卫星地图影像。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请实施例所提供的一种油气管道的高后果区识别装置，获取油气管道预设区域的卫星地图影像；调用自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；其中，自动识别模型为以各类建筑物的影像数据作为训练样本训练得到的模型；根据建筑物数量确定油气管道的高后果区。相比人工去数油气管道预设区域的建筑物数量来判断是否是高后果区，本申请通过自动识别模型识别油气管道预设区域的卫星地图影像中的建筑物来确定油气管道的监视区域内的建筑物数量，降低了人工成本，提高了油气管道高后果区的识别效率。并且，随着政府规划发生变化，获取到的油气管道预设区域的卫星地图影像中的建筑物也随之发生改变，从而识别出的油气管道高后果区具有时效性。

图3为本申请实施例提供的另一种油气管道的高后果区识别装置的结构图，如图3所示，油气管道的高后果区识别装置包括：存储器20，用于存储计算机程序；

处理器21，用于执行计算机程序时实现如上述实施例油气管道的高后果区识别方法的步骤。

本实施例提供的油气管道的高后果区识别装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。

其中，处理器21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21可以采用数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器21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，也称中央处理器(CentralProcessing Unit，CPU)；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21可以集成有图像处理器(Graphics Processing Unit，GPU)，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21还可以包括人工智能(Artificial Intelligence，AI)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20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20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。本实施例中，存储器20至少用于存储以下计算机程序201，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例公开的油气管道的高后果区识别方法的相关步骤。另外，存储器20所存储的资源还可以包括操作系统202和数据203等，存储方式可以是短暂存储或者永久存储。其中，操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于卫星地图影像等。

在一些实施例中，油气管道的高后果区识别装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。

本领域技术人员可以理解，图3中示出的结构并不构成对油气管道的高后果区识别装置的限定，可以包括比图示更多或更少的组件。

本申请实施例提供的油气管道的高后果区识别装置，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如下方法：建立建筑物的自动识别模型；获取油气管道预设区域的卫星地图影像；通过自动识别模型对卫星地图影像中的建筑物进行识别，并统计油气管道的监视区域内的建筑物数量；根据建筑物数量确定油气管道的高后果区。

最后，本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述方法实施例油气管道的高后果区识别方法中记载的步骤。

可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上对本申请所提供的一种油气管道的高后果区识别方法、装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。