论文部分内容阅读
管道在运输气体、液体等物体时具有安全、高效率等优势,对管线自身以及周边环境的变化检测是一个重要环节。传统的人工实际勘察作业,在效率和成本方面存在一定的局限性,如何实现自动化、高精度的管线变化检测是一个值得研究的课题。本研究基于无人机技术,获取管线覆盖区域的多幅影像,拼接成检测目标的完整影像数据,再利用深度学习方法进行多时相的无人机管线的变化检测研究。具体包括:(1)由于一幅无人机影像不能涵盖所有的检测目标和区域,如何对拍摄的多幅连续目标影像进行精确拼接是进行高精度管线变化检测的前提条件。针对该问题,本文基于SIFT算子,利用RANSAC算法消除异常值、Levenberg-Marquardt算法对单应矩阵求精,采用影像多级分组的方式拼接影像等优化手段,研究并实现高精度、高鲁棒性的优化SIFT匹配与拼接算法,实现管线影像的精准拼接。(2)基于深度学习技术,设计并实现基于无人机遥感影像的管线变化检测深度学习模型,通过Adam算法对Mask R-CNN网络进行优化,并在Keras框架下进行实现。利用该模型,将(1)拼接后的完整影像作为输入,可实现像素级的管线变化检测。(3)以PyQt5作为系统开发平台,设计并实现了一个基于OpenCV库的管线变化检测原型系统。该系统将优化SIFT匹配与拼接算法、基于深度学习的管线变化检测模型进行有机集成,同时对地面上和地面下管线一定范围内的地表物体进行变化检测,实现变化检测过程、分析及结果的自动化与可视化。实验表明,本文提出的优化SIFT算法对无人机遥感影像的配准与拼接具有明显的优势,实现的管线变化检测深度学习模型能有效提高变化检测精度,对促进管线变化检测的自动化、精准化具有一定的参考价值。