【目的】传统燃气管道高后果区识别方式受限于人员熟练程度与人为主观判断影响,存在效率低及人为误差较大等问题。近年来,卫星影像数据与地理信息系统(Geographic Information System,GIS)的引入在一定程度上改善了上述问题,但单一数据...【目的】传统燃气管道高后果区识别方式受限于人员熟练程度与人为主观判断影响,存在效率低及人为误差较大等问题。近年来,卫星影像数据与地理信息系统(Geographic Information System,GIS)的引入在一定程度上改善了上述问题,但单一数据依然难以满足燃气管道高后果区识别与分级对数据多样性的需求,限制了识别与分级工作的定量化与自动化程度。通过多源数据获取建筑物空间及属性信息,提出燃气管道高后果区识别与分级方法。【方法】基于无人机采集的高分辨率正射影像,构建一种优化建筑物边缘提取效果的深度学习模型SEU-Net(Squeeze-and-Excitation U Network)从正射影像中提取管道周边建筑物轮廓;在引入兴趣点(Point of Interest,POI)获取建筑物种类信息的同时,通过三维点云获取高精度数字高程模型(Digital Elevation Model,DEM)与数字表面模型(Digital Surface Model,DSM),计算建筑物高度;基于GIS的空间分析功能与属性处理能力,计算建筑物面积,整合建筑物空间与属性信息。设计了燃气管道高后果区识别与分级算法。【结果】以四川省遂宁市某燃气管道为例验证该方法,与传统识别结果相比,应用该方法识别出人工未能识别的建筑物17座,减少误识别高后果区管段0.369 km。【结论】该方法具备更高的准确度和效率,在燃气管道完整性管理领域具有很好的应用潜力。(图4,表1,参19)展开更多
文摘【目的】传统燃气管道高后果区识别方式受限于人员熟练程度与人为主观判断影响,存在效率低及人为误差较大等问题。近年来,卫星影像数据与地理信息系统(Geographic Information System,GIS)的引入在一定程度上改善了上述问题,但单一数据依然难以满足燃气管道高后果区识别与分级对数据多样性的需求,限制了识别与分级工作的定量化与自动化程度。通过多源数据获取建筑物空间及属性信息,提出燃气管道高后果区识别与分级方法。【方法】基于无人机采集的高分辨率正射影像,构建一种优化建筑物边缘提取效果的深度学习模型SEU-Net(Squeeze-and-Excitation U Network)从正射影像中提取管道周边建筑物轮廓;在引入兴趣点(Point of Interest,POI)获取建筑物种类信息的同时,通过三维点云获取高精度数字高程模型(Digital Elevation Model,DEM)与数字表面模型(Digital Surface Model,DSM),计算建筑物高度;基于GIS的空间分析功能与属性处理能力,计算建筑物面积,整合建筑物空间与属性信息。设计了燃气管道高后果区识别与分级算法。【结果】以四川省遂宁市某燃气管道为例验证该方法,与传统识别结果相比,应用该方法识别出人工未能识别的建筑物17座,减少误识别高后果区管段0.369 km。【结论】该方法具备更高的准确度和效率,在燃气管道完整性管理领域具有很好的应用潜力。(图4,表1,参19)
