一种管道完整性高后果区识别方法
文献发布时间:2024-04-18 19:53:33
技术领域
本发明涉及管道管理技术领域,更具体的说是涉及一种管道完整性高后果区识别方法。
背景技术
油气输送管道高后果区是指管道泄露会严重危及公众安全或造成重大经济环境损失的区域,例如管道途径的人员密集场所、环境敏感区、易燃易爆场所等。高后果区识别与管理是管道完整性管理的重要环节,也是管道风险评价和完整性评价的基础。持续开展管道高后果区识别与管理,在实践中不断规范和细化识别方法和管理措施,对提升管道完整性管理水平具有重大意义。
常用的高后果区识别方式需要大量外业调查人员采集管线周边建筑物、特定场所和居住人口等信息。该方式无论是在时效性、人力成本还是识别准确性、统一性等方面都存在一定的影响。而无人机航测在管道周边区域,尤其是在人口密集区域存在空域管制的问题,无人机飞行受限。
卫星遥感技术具有时效性高、覆盖广的特点,随着我国遥感技术的高速发展,卫星影像采样周期逐渐变短,能够满足油气管道高后果区周期性识别的要求。长期以来,卫星影像数据在土地资源调查、违章建筑监控等方面进行了应用研究,取得了较大成效,然而在输气管道高后果区识别方面还未展开应用。
发明内容
针对现有技术中的缺陷,本发明提供了一种管道完整性高后果区识别方法。
为了实现上述目的,本发明采用如下技术方案:
一种管道完整性高后果区识别方法,包括:
获取目标管道两侧高分影像和目标管道中心线数据,将目标管道中心线数据与目标管道两侧高分影像进行叠加,确定识别距离界线;
基于识别距离界线内的建筑物训练深度学习模型,输出识别结果;
基于识别结果提取建筑物的户数,并基于输气管道高后果区识别准则进行区段拆分与合并,完成高后果区的识别。
优选地,确定识别距离界线的具体过程为:
基于目标管道两侧高分影像,沿目标管道中心线两侧各200m范围内,划定目标管道的面影像范围;
根据目标管道的运行压力和管径计算潜在影响半径;
计算面影像范围和潜在影响半径的交集获得识别距离界线。
优选地,深度学习模型包括编码器和解码器,编码器包括5个子模块,每个子模块包括2个卷积核大小为3×3的卷积层,且前4层子模块卷积层后均通过1个最大池化层进行下采样;
解码器包括5个子模块,每个子模块包括2个卷积核大小为1×1的卷积层,且后4层子模块卷积层后均通过1个池化层进行上采样。
优选地,模型损失函数为:
L=L
其中,L表示模型总损失函数,α为平衡参数,L
优选地,基于识别结果提取建筑物的户数具体过程为:
基于折线压缩算法对识别结果中无规则的建筑物轮廓进行规则化处理,从而提取规则化的建筑物轮廓数据以及建筑面积数据;
计算建筑物轮廓的折点和中心点位置坐标;
基于近邻分析操作分别计算建筑物轮廓的中心点、折点与目标管道的垂直点距离,进而筛选出在目标管道识别距离界线内的建筑物;
计算目标管道识别距离界线内的建筑物的户数。
优选地,区段拆分与合并的原则为:
将高后果区间距小于等于50m的进行合并;
将高后果区连片区域大于2km的进行拆分。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种管道完整性高后果区识别方法,本发明通过将遥感影像与深度学习模型相结合,完成对管道高后果区识别,解决现有高后果区识别模式中存在的时效低、人力成本高以及高后果区识别精度低等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的管道完整性高后果区识别方法流程图。
图2附图为本发明提供的深度学习模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种管道完整性高后果区识别方法,如图1所示,包括:
获取目标管道两侧高分影像和目标管道中心线数据,将目标管道中心线数据与目标管道两侧高分影像进行叠加,确定识别距离界线;
基于识别距离界线内的建筑物训练深度学习模型,输出识别结果;
基于识别结果提取建筑物的户数,并基于输气管道高后果区识别准则进行区段拆分与合并,完成高后果区的识别。
在本实施例中,确定识别距离界线的具体过程为:
基于目标管道两侧高分影像,沿目标管道中心线两侧各200m范围内,划定目标管道的面影像范围;
根据目标管道的运行压力和管径计算潜在影响半径;
计算面影像范围和潜在影响半径的交集获得识别距离界线。
识别距离界线用以识别分析对象对邻近对象的辐射或影响,解决管道与高后果区、潜在影响区域空间邻近度准确划定的基础问题。
在本实施例中,如图2所示,深度学习模型包括编码器和解码器,解码器与编码器对称,包含五个深度。具体的,编码器包括5个子模块,用于进行特征增强和降低空间分辨率,每个子模块包括2个卷积核大小为3×3的卷积层,且前4层子模块卷积层后均通过1个2×2最大池化层进行下采样;
解码器包括5个子模块,每个子模块包括2个卷积核大小为1×1的卷积层,且后4层子模块卷积层后均通过1个池化层进行上采样,上采样的目的是增加特征的空间分辨率,该层可以将特征的空间分辨率增加一倍。而且在上采样之后,通过跳跃连接的方法将解码特征与编码器中分辨率相同的特征进行组合。
模型损失函数为:
L=L
其中,L表示模型总损失函数,α为平衡参数,L
其中,N是预测结果中的像素数,y
在本实施例中,基于识别结果提取建筑物的户数具体过程为:
基于折线压缩算法对识别结果中无规则的建筑物轮廓进行规则化处理,从而提取规则化的建筑物轮廓数据以及建筑面积数据;
计算建筑物轮廓的折点和中心点位置坐标;
基于近邻分析操作分别计算建筑物轮廓的中心点、折点与目标管道的垂直点距离,进而筛选出在目标管道识别界线内的建筑物;
计算目标管道识别界线内的建筑物的户数。
在本实施例中,区段拆分与合并的原则为:
将高后果区间距小于等于50m的进行合并;
将高后果区连片区域大于2km的进行拆分。
例如设置管道地区等级评定准则,地区等级共分为四级,其中一级地区为户数在15户及以下的区段,二级地区为户数在15户以上、100户以下的区段,三级地区为户数在100户或及以上的区段,四级地区为包含5栋4层以上人居建筑的区段,因此通过区段内建筑物的户数可以对高后果区进行进一步分级。
本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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。