一种基于大数据技术的供热管网管理系统

技术领域

本发明涉及管理领域，尤其涉及一种基于大数据技术的供热管网管理系统。

背景技术

供热管网为从城市集中供热源向供热用户输送和分配供热介质的管道系统。供热管网由传热干线、配热干线、支线等组成，传热干线从热源引出，一般不与支线连接；热分配干线从热传输干线或直接从热源连接，并通过热分配支线向用户供热。

供热管网的敷设方式包括地下敷设和地上敷设两种。为了提高对地上敷设的供热管网进行管理的效率，现有技术中，出现了利用无人机来对地上敷设的供热管网进行数据获取，从而实现供热管网的管理的系统。

现有的基于无人机的来对地上敷设的供热管网进行管理的系统，无人机在拍摄的过程中都是直接将拍摄得到的图像传输至管理中心，由管理中心的计算机对图像进行分析，从而实现对地上敷设的供热管网进行管理。

但是，无人机在拍摄的过程中容易受到外界因素的影响，直接将拍摄得到的图像传输至管理中心，显然很容易出现将低质量的图像传输至管理中心，从而需要重新获取供热管网的图像的情况，这就影响了对供热管网进行管理的效率。

发明内容

本发明的目的在于公开一种基于大数据技术的供热管网管理系统，解决如何在基于无人机对地上敷设的供热管网进行管理的过程中容易将低质量的图像传输至管理中心，影响对供热管网进行管理的效率问题。

为了达到上述目的，本发明采用如下技术方案：

一种基于大数据技术的供热管网管理系统，包括无人机和管理中心；

无人机用于通过如下方式获取供热管网的最终图像，并将获得的最终图像传输至管理中心：

S1，对供热管网进行拍摄，获得待判断图像；

S2，对使用直线检测算法对待判断图像进行计算，获得直线像素点的集合tgu；

基于tgu计算图像参数：

其中，igdx表示图像参数，α、β表示辅助系数，α+β＝1，ntgu表示tgu中包含的像素点的数量，flr

S3，判断图像参数是否大于设定的图像参数阈值，若是，则将待判断图像作为最终图像，将获得的最终图像传输至管理中心；若否，则执行S1；

管理中心用于基于最终图像对供热管网进行管理。

可选的，所述管理中心包括通讯模块、存储模块、运算模块和管理模块；

通讯模块用于与无人机进行通讯，接收无人机发送的最终图像；

存储模块用于存储通讯模块接收的最终图像；

运算模块用于对最终图像进行图像识别处理，获得识别结果；

管理模块用于基于识别结果对供热管网进行管理。

可选的，所述运算模块包括构建单元、训练单元和图像识别单元；

构建单元用于构建对最终图像进行图像识别的识别模型；

训练单元用于采用大数据技术对构建单元构建的识别模型进行训练，获得训练后的识别模型；

图像识别单元用于将最终图像输入到训练后的识别模型中进行计算，获得识别结果。

可选的，所述识别模型为卷积神经网络模型。

可选的，所述识别结果包括最终图像中存在的设备故障的名称以及每个设备故障的位置。

可选的，所述将最终图像输入到训练后的识别模型中进行计算，获得识别结果，包括：

对最终图像进行前置处理，获得前置处理图像；

将前置处理图像输入到训练后的识别模型中进行计算，获得识别结果。

可选的，所述存储模块还用于存储用来对构建单元构建的识别模型进行训练的数据集。

可选的，所述管理模块包括提示单元和维修单元；

提示单元用于基于识别结果对管理人员进行提示；

维修单元用于基于识别结果生成维修工单。

可选的，所述维修单元包括用户子单元、生成子单元和管理子单元；

生成子单元用于基于识别结果生成维修工单，以及用于将维修工单发送至用户子单元；

用户子单元用于存储生成子单元发送的维修工单；

管理子单元用于对维修工单进行管理。

可选的，所述对维修工单进行管理包括查询维修工单、统计维修工单、修改维修工单和删除维修工单。

本发明的供热管网管理系统，在通过无人机获取供热管网的最终图像的过程中，先获得待判断图像，然后计算待判断图像的图像参数，接着基于图像参数判断待判断图像能否作为最终图像。从而使得本发明能够在采集的步骤保证获得的最终图像的质量，避免需要重新获取供热管网的最终图像，从而影响供热管网进行管理的效率。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1为本发明一种基于大数据技术的供热管网管理系统的一种实施例图。

图2为本发明一种基于大数据技术的供热管网管理系统的另一种实施例图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示的一种实施例，本发明提供了一种基于大数据技术的供热管网管理系统，包括无人机和管理中心；

无人机用于通过如下方式获取供热管网的最终图像，并将获得的最终图像传输至管理中心：

S1，对供热管网进行拍摄，获得待判断图像；

S2，对使用直线检测算法对待判断图像进行计算，获得直线像素点的集合tgu；

基于tgu计算图像参数：

其中，igdx表示图像参数，α、β表示辅助系数，α+β＝1，ntgu表示tgu中包含的像素点的数量，flr

S3，判断图像参数是否大于设定的图像参数阈值，若是，则将待判断图像作为最终图像，将获得的最终图像传输至管理中心；若否，则执行S1；

管理中心用于基于最终图像对供热管网进行管理。

本发明的供热管网管理系统，在通过无人机获取供热管网的最终图像的过程中，先获得待判断图像，然后计算待判断图像的图像参数，接着基于图像参数判断待判断图像能否作为最终图像。从而使得本发明能够在采集的步骤保证获得的最终图像的质量，避免需要重新获取供热管网的最终图像，从而影响供热管网进行管理的效率。

而在计算图像参数的过程中，本发明采用的是先进行直线检测，获得属于直线的像素点的集合tgu，然后再根据tgu计算得到图像参数。这种设置方式，能够避免基于所有的像素点来计算图像参数，提高了图像参数的计算效率，而且，利用了供热管道的直线特征，因此，集合tgu中的像素点大部分都是供热管道的像素点，这也就使得即使不基于所有的像素点来计算图像参数，也使得图像参数能够准备表示待判断图像的质量情况。

图像参数主要是从像素点的水平方向的梯度值和供热管道周围的像素点的信息含量来综合进行计算。由于供热管道区域的像素点在水平方向的梯度会非常小，因此，在上述公式加号右侧不变的情况下，左侧部分会随着供热管道的水平方向的梯度变化而自适应地变化，具体为，梯度差的均值越小，则左侧部分的值就越大，此时供热管道部分的像素点也就越清晰。而在加号的右侧，则是随着信息含量的增加而右侧数值越小，右侧的这种设置方式能够提高对垂直分布的供热管道的图像进行质量判断的准确率。因为其不受方向的影响。信息含量越大，则表示待判断图像的质量越好。

可选的，如图2所示，所述管理中心包括通讯模块、存储模块、运算模块和管理模块；

通讯模块用于与无人机进行通讯，接收无人机发送的最终图像；

存储模块用于存储通讯模块接收的最终图像；

运算模块用于对最终图像进行图像识别处理，获得识别结果；

管理模块用于基于识别结果对供热管网进行管理。

可选的，通讯模块可以通过4G网络、5G网络等方式与无人机进行通讯，从而接收无人机发送的最终图像。

无人机一般除了具备2.4G通信能力之外，一般都设置有通过蜂窝网络进行通信的方式，从而避免在接收不到遥控器的信号的情况下，实现自动返航以及远程控制。

可选的，所述运算模块包括构建单元、训练单元和图像识别单元；

构建单元用于构建对最终图像进行图像识别的识别模型；

训练单元用于采用大数据技术对构建单元构建的识别模型进行训练，获得训练后的识别模型；

图像识别单元用于将最终图像输入到训练后的识别模型中进行计算，获得识别结果。

可选的，通过大数据技术来进行训练，主要是通过将训练任务分配到不同的计算节点中来进行同步计算，从而提高训练的效率。

可选的，所述识别模型为卷积神经网络模型。

卷积神经网络包括了输入层、隐含层和输出层，输入层主要是用于对输入的数据进行标准化处理；而隐含层则包括卷积层、池化层、全连接层等。输出层一般与全连接层进行连接，输出最终图像中识别出的设备故障的名称以及每个设备故障的位置。

卷积神经网络在进行训练的时候，通过如下步骤实现：

第一步，先确定卷积神经网络模型的初始参数值；

第二步，将数据集和已知的正确标签输入到卷积神经网络模型中进行训练；

第三步，模型重复验证、训练数据、对参数值连续进行调整，直到找到合适的参数，使模型输出尽可能多的正确结果；

第四步，训练完成后，找到最佳模型的参数，并将该参数下的卷积神经网络模型作为训练后的卷积神经网络模型。

可选的，所述识别结果包括最终图像中存在的设备故障的名称以及每个设备故障的位置。

具体的，设备故障可以包括漏水、裂痕、生锈等。设备故障的位置可以通过待判断图像的图像属性信息中获取。

可选的，所述将最终图像输入到训练后的识别模型中进行计算，获得识别结果，包括：

对最终图像进行前置处理，获得前置处理图像；

将前置处理图像输入到训练后的识别模型中进行计算，获得识别结果。

可选的，对最终图像进行前置处理，获得前置处理图像，包括：

对最终图像进行边缘检测，获得第一图像；

对最终图像进行如下处理，获得第二图像：

sedig(x,y)＝mid(nei(x,y))

其中，sedig表示第二图像，sedig(x,y)表示sedig中坐标(x,y)的像素点的像素值，nei(x,y)表示最终图像中坐标为(x,y)的像素点的8邻域中的像素点的集合，mid表示取括号内的变量的中间值；

对第一图像进行引导滤波处理，获得第一图像中的线性方程的系数a

对第二图像进行引导滤波处理，获得第二图像中的线性方程的系数a

使用如下公式计算融合系数：

a

b

其中，λ表示自适应比例系数；

使用如下公式对最终图像进行滤波处理，获得滤波图像：

flitG

其中，nbr

对滤波图像进行图像分割，获得前置处理图像。

本发明在进行前置处理时，通过获取第一图像和第二图像，然后再分别基于第一图像和第二图像获取线性方程的系数，接着依照自适应比例系数来得到融合系数，从而能够利用两种不同的图像的线性方程的系数来对最终图像进行滤波处理，获得滤波结果。与现有的滤波方式相比，本发明通过另外计算第一图像和第二图像获得了对应的线性方程系数，通过边缘检测进行了边缘的突出处理，使得第一图像中的线性方程的系数能够给融合系数带来更多的边缘细节信息，而第二图像中的线性方程的系数由于实现进行了中间值处理，实现了部分噪声的去除，因此，能够降低融合系数中的噪声信息，因此能够提高滤波结果中的边缘细节以及对噪声进行更有效的去除。

可选的，前置处理图像中仅保留供热管网区域的像素点。

可以通过分水岭算法等分割算法来获得前置处理图像。

可选的，对第一图像进行引导滤波处理，获得第一图像中的线性方程的系数a

使用如下函数计算a

/>

其中，fc表示最终图像finalI中的像素值的方差，zs表示设定的计算参数，nfzs表示以像素点k为中心的滤波窗口w中的像素点的数量，fir

使用如下函数计算b

b

可选的，线性方程的系数a

可选的，自适应比例系数的计算函数为：

其中，fc

自适应比例系数与信息量有关，信息量越大，则表示图像的质量越高，因此，本发明对该图像所得到的线性方程的系数所赋予的权重便越大，从而实现比例系数的自适应变化。

可选的，所述存储模块还用于存储用来对构建单元构建的识别模型进行训练的数据集。

具体的，数据集在用来进行训练时，会按照设置的比例分为训练集和测试集。

可选的，所述管理模块包括提示单元和维修单元；

提示单元用于基于识别结果对管理人员进行提示；

维修单元用于基于识别结果生成维修工单。

具体的，若识别结果中包含了设备故障，则向管理人员报告设备故障的名称和发生故障的位置；若识别结果不包含设备故障，则不向管理人员发出提示。

维修工单中一般包含了维修低点、维修期限、维修人员等信息。

可选的，所述维修单元包括用户子单元、生成子单元和管理子单元；

生成子单元用于基于识别结果生成维修工单，以及用于将维修工单发送至用户子单元；

用户子单元用于存储生成子单元发送的维修工单；

管理子单元用于对维修工单进行管理。

用户子单元可以是维修工人随身携带的智能终端，通过智能终端，维修工人能够快速知道需要维修的供热管道，而且，还可以将维修过程的录像、照片等数据进行上穿，从而方便管理层进行核验。

可选的，所述对维修工单进行管理包括查询维修工单、统计维修工单、修改维修工单和删除维修工单。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。