一种基于遥感影像的输气管道高后果区识别系统及方法与流程

1.本发明涉及管道安全领域与图像识别领域，更具体地说，它涉及一种基于遥感影像的输气管道高后果区识别系统及方法。


背景技术：

2.输气管道是天然气的主要运输方式，具有运输效率高、成本低等特点，是能源安全供给以及经济稳定发展的基础支持，同时也是一种持续运输的高危系统，确保输气管道安全运行意义重大。近30年来，我国油气产业发展迅猛，油气管道铺设速度和里程也随之增长，据行业统计，我国已建成长输油气管道总里程数达16.5
×
104km，天然气管道里程约10.2
×
104km，预计到2025年，我国油气管道总里程数将达到24
×
104km。管道建设的同时，管道周边人口与建筑物逐渐增多，风险也在与日俱增。开展输气管道高后果区识别工作能够帮助管道企业辨识管道安全风险，明确管道高后果区的影响范围与后果，制定合理的风险防范措施，开展针对性的风险评价、泄漏扩散范围分析及无人机巡检等措施，有效控制管道运营中存在的风险，保障管道安全稳定运行，具有十分重要的意义。目前管道高后果区识别主要以gis与人工结合方式为主，对管道沿线范围内的居住建筑、特定场所、易燃易爆场所等分布情况进行统计并进行高后果区识别，该方法工作效率低，需要耗费大量人力物力而且很难进行定量判断，且识别结果与管道周边环境变化不能同步、缺乏前瞻性，存在误判断及等级分级误差，已无法与企业提质增效的目标相适应，对于进一步提升高后果区精细化管理水平作用有限。同时现有的识别标准多为定性描述，导致了高后果区识别结果的主观性。
3.目前国内各管道企业大多按照gb 32167—2015《油气输送管道完整性管理规范》开展管道高后果区识别、分级与管理工作，但规范中对地区等级、高后果区等级的识别与评定是定性描述而非定量描述，不同企业规范解读与标准划分时存在偏差，造成同一时期、同一管道、不同评价人员识别结果的差异性。遥感、无人机等技术的发展，使得遥感影像具备了较高的时空分辨率，能够为管道高后果区智能识别提供可靠的数据源，长输天然气管道高后果区智能识别目前处于初级研究阶段，尚未实现实际推广应用。


技术实现要素：

4.本发明提供一种基于遥感影像的输气管道高后果区识别系统及方法，解决相关技术中上述的技术问题。
5.根据本发明的一个方面，提供了一种基于遥感影像的输气管道高后果区识别系统，包括系统设置模块，负责用户账号创建与权限分配，对用户角色进行分配，为建筑物类型、建筑物状态、地物中心点位置创建相应的值码；
6.输入数据管理模块，用于对管线、建筑物的录入、修改与删除；
7.地物智能识别模块，用于建立地物智能识别模型，地物智能识别模型对系统发送的识别管线进行识别并将识别结果返回；
8.高后果区分析模块，对待分析管线进行地区等级识别及高后果区等级判定并将结果保存；
9.分析任务管理模块，对识别完成的管线进行地区等级、高后果区等级的查看与编辑，支持报告的生成与导出。
10.一种基于遥感影像的输气管道高后果区识别方法，包括如下步骤：
11.s1：收集待识别管线的中心线坐标及管线基础数据，所述管线基础数据包括管道设计与运行压力、管道里程、输送介质、管径，并通过影响区域模型得到潜在影响半径，采集管道周边高分辨率影像并保存到数据库中。
12.s2：将采集到的管线基础数据与中心线坐标、多源影像数据处理后导入到影像数据库中，所述多源影像数据用于构建地物智能识别模型的训练样本。
13.s3：选用基于卷积神经网络的语义分割模型，构建遥感影像智能识别模型并训练优化。
14.s4：将所述待识别管线周边多源影像数据导入所述遥感影像智能识别模型进行地物提取，并对识别结果进行后处理。
15.s5：结合地方规划及地图数据，对所述识别结果进行类型划分，结合人口、户数模型，明确建筑物的人口数量。
16.s6：确定管道高后果区量化识别标准，基于所述地物识别结果、量化识别标准、识别流程对所述管道进行地区等级、高后果区等级识别。
17.s7：基于所述高后果区量化识别标准，编写高后果区报告模板，结合模板渲染引擎技术及所述高后果区报告模板，建立报告自动生成模型，采用所述报告自动生成模型自动生成报告并将识别结果保存到数据库中。
18.进一步地，所述s1的数据库包括了管道基础数据库及管道专业数据库，管道基础数据库包含了管线经纬度坐标、管径、管线里程、运输介质，可以从scada系统数据库中进行调用，所述管道专业数据库包含了采集的管道周边多源影像、管道地物识别结果、管道地区等级、高后果区等级结果。
19.进一步地，所述s1的所述影响区域计算模型通过调取所述管道基础数据库中管径、运输介质等参数结合管道潜在影响半径计算公式进行计算得到潜在影响半径r，管道影响区域是管道中心线两侧各r米范围，潜在半径r的计算公式为：
[0020][0021]
式中：p为管道最大允许操作压力(maop),mpa；
[0022]
d为管道外径，毫米(mm)；
[0023]
r为管道受影响半径，米(m)。
[0024]
优选的，所述s2的多源影像数据处理包括：
[0025]
s21：对采集到的影像数据进行预处理；
[0026]
s22：基于s21所述预处理，对样本数据进行数据增广操作。
[0027]
更进一步地，所述s21的影像数据预处理包括：对采集到的影像数据进行降噪处理，包括消除噪声、除坏线及条带；将采集影响中存在的薄云进行减弱处理；采用比值法消除由于太阳高度角原因造成的建筑物阴影。
[0028]
更进一步地，所述s22的数据增广操作，通过s21的影像进行0-5
°
的角度旋转并使
用双线性插值方法填充空白区域，在旋转操作后以0.7的概率向影像中添加偏移量在15-20％的高斯噪音，随后以0.6的概率对图像进行对角镜像，再以0.6的概率在1～1.1之间对图像放大，最后完成遥感影像的数据扩充，扩大了训练样本的数据量，有助于提升识别模型的鲁棒性。
[0029]
进一步地，所述s3包括：优选智能识别网络架构，构建以尺度往复变化为基本优选的，所述s4包括：
[0030]
s41：使用预先训练好的智能识别模型对管道沿线地物目标进行提取；
[0031]
s42：提取完成后使用语义分割后处理方法对识别结果进行优化与改进，包括去除噪声及不必要的细节、建筑物连通区域分析、边缘检测与分割、精细化调整与校正，提取出规则化的地物轮廓、面积及建筑物经纬度。。
[0032]
进一步地，所述s5包括：
[0033]
s51：通过抓取地方规划和自然资源局等官方部门公布的规划数据关键字段获得场所类型、应急资源等分类信息，同时辅以专业地图信息采集数据完成校正。
[0034]
s52：基于提取的建筑物边缘轮廓，采用逆编码算法，获取对应建筑物的面积、高度信息，使用地物量化模型对建筑物人口数、楼层高度进行量化。
[0035]
进一步地，所述s6包括：
[0036]
s61：结合gb 32167-2015《油气输送管道完整性管理规范》、gb 50251-2015《输气管道工程设计规范》、企业识别规范、地方规划数据、人口普查数据等对现有高后果区识别标准进行量化，每户按3.2人计算，农村住宅每一独立建筑物识别为1栋，城市建筑物层高按3m/层进行统计，人均居住面积为41
㎡
，量化后的高后果区识别准则为：
[0037]
管道经过的地区等级四级地区，交通频繁、商业发达、建筑物密集，人口数在480人以上的区域为高后果ⅲ级地区；管道经过的地区等级三级地区，多为城郊、工业区、发展区，人口数在320～480人之间区域为高后果ⅱ级地区；管径大于762mm,并且最大允许操作压力大于6.9mpa,其天然气管道潜在影响区域内有特定场所的区域为高后果ⅱ级地区；管径小于273mm,并且最大允许操作压力小于1.6mpa,其天然气管道潜在影响区域内有特定场所的区域为高后果ⅰ级地区；其他管道两侧各200m内有特定场所的区域为高后果区ⅰ级地区；除三级、四级地区外,管道两侧各200m内有加油站、油库等易燃易爆场所的区域为高后果ⅱ级地区。
[0038]
更进一步地，s62：所述高后果区识别流程为：
[0039]
(1)按照高后果区量化标准中的识别项及地区等级结果，确定新的高后果区管段的起点位置与终点位置。
[0040]
(2)判断该高后果区管段起点与上一个高后果区管段之间是否存在重叠或与上一管段终点之间的距离是否小于50m，同时起点与最近的建筑物外边缘之间的距离不应小于200m。
[0041]
(3)若存在重叠区域或间隔小于50则对管段进行合并，修改合并后管段的起终点坐标、地物目标及属性并将结果保存到数据库中。
[0042]
(4)若不存在重叠区域且间隔距离大50m，创建新的高后果区管段单元并将相应的地物、人口数与该管段关联，计算并保存管段长度。
[0043]
(5)判断管段长度是否大于2km，若大于2km则对管段执行分段操作，分段点一般选
择在与道路、地面里程桩或者河流交汇处，拆分管道单元及附属建筑物数据，重新确定各自管段的起终点坐标并保存到数据库中。
[0044]
一种计算机电子设备，包括存储介质、处理器、输入输出设备及网络设备。
[0045]
本发明的有益效果在于：融合量化识别准则、高后果区识别方法、地物目标自动提取方法，利用gis辅助识别管道高后果区，使用缓冲区分析、数据叠加以及空间统计分析等功能有效识别管道沿线的高风险管段并为高后果区应急响应提供管控措施，使用图表渲染引擎实现报告自动生成与导出，提升了识别效率，识别结果存入系统，保障了管道安全稳定运行。
附图说明
[0046]
图1为本发明的系统功能模块图；
[0047]
图2为本发明的智能识别模块原理图；
[0048]
图3为本发明的系统应用流程图；
[0049]
图4为本发明的高后果区智能识别流程图；
[0050]
图5为本发明提供的计算机电子设备的结构示意图。
具体实施方式
[0051]
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
[0052]
实施例一
[0053]
如图1所示，一种基于遥感影像的输气管道高后果区识别系统，包括系统设置模块，负责用户账号创建与权限分配，对用户角色进行分配，为建筑物类型、建筑物状态、地物中心点位置创建相应的值码；
[0054]
输入数据管理模块，用于对管线、建筑物的录入、修改与删除；
[0055]
地物智能识别模块，用于建立地物智能识别模型，地物智能识别模型对系统发送的识别管线进行识别并将识别结果返回；
[0056]
高后果区分析模块，对待分析管线进行地区等级识别及高后果区等级判定并将结果保存；
[0057]
分析任务管理模块，对识别完成的管线进行地区等级、高后果区等级的查看与编辑，支持报告的生成与导出。
[0058]
具体的，图2所示为智能识别模块原理图，智能识别包括了数据处理、模型训练与地物提取结果3个部分，所述数据处理对采集到的影像数据进行降噪处理，包括消除噪声、除坏线及条带；将采集影响中存在的薄云进行减弱处理；采用比值法消除由于太阳高度角原因造成的建筑物阴影。对影像进行0～5
°
的角度旋转并使用双线性插值方法填充空白区域，在旋转操作后以0.7的概率向影像中添加偏移量在15～20％的高斯噪音，随后以0.6的概率对图像进行对角镜像，再以0.6的概率在1～1.1之间对图像方法，最后完成遥感影像的
数据扩充，扩大了训练样本的数据量，有助于提升识别模型的鲁棒性，将数据样本按照8:2的比例划分为训练集和测试集。所述模型训练优选智能识别网络架构，构建以尺度往复变化为基本卷积操作的特征提取网络biascosionnet并对其进行训练与优化。所述地物提取结果部分使用训练好的地物提取模型对待识别管线进行地物提取，对识别结果进行后处理以取出规则化的地物轮廓、面积及建筑物经纬度。
[0059]
实施例二
[0060]
如图3所示，一种基于遥感影像的输气管道高后果区识别方法，包括如下步骤：
[0061]
s1：收集待识别管线的中心线坐标及管线基础数据，所述管线基础数据包括管道设计与运行压力、管道里程、输送介质、管径，并通过影响区域模型得到潜在影响半径，采集管道周边高分辨率影像并保存到数据库中。
[0062]
s2：将采集到的管线基础数据与中心线坐标、多源影像数据处理后导入到影像数据库中，所述多源影像数据用于构建地物智能识别模型的训练样本。
[0063]
s3：选用基于卷积神经网络的语义分割模型，构建遥感影像智能识别模型并训练优化。
[0064]
s4：将所述待识别管线周边多源影像数据导入所述遥感影像智能识别模型进行地物提取，并对识别结果进行后处理。
[0065]
s5：结合地方规划及地图数据，对所述识别结果进行类型划分，结合人口、户数模型，明确建筑物的人口数量。
[0066]
s6：确定管道高后果区量化识别标准，基于所述地物识别结果、量化识别标准、识别流程对所述管道进行地区等级、高后果区等级识别。
[0067]
s7：基于所述高后果区量化识别标准，编写高后果区报告模板，结合模板渲染引擎技术及所述高后果区报告模板，建立报告自动生成模型，采用所述报告自动生成模型自动生成报告并将识别结果保存到数据库中。
[0068]
其中，图3为系统应用流程图，如图3所示，所述基于遥感影像的输气管道高后果区智能识别系统及方法的应用流程为管道数据采集与管段划分、地物影像智能识别、地区等级自动划分、高后果区段智能识别、识别结果智能展示、高后果区动态更新6个环节，实现管道完整性管理与日常运营管理相结合，保障管道安全稳定运行。
[0069]
图4为高后果区智能识别流程图，如图4所示，所述管道高后果区智能识别流程为：
[0070]
数据获取：主要包括了对管道基础数据(设计与运行压力、管线经纬度坐标)以及管道沿线高分辨率遥感影像的获取，管道基础数据可以从定检报告、测绘图或设计说明书中进行获取，管线经纬度坐标也可以使用pcm对管道进行外检测获取。管道周边高分辨率遥感影像可以在遥感影像数据平台获取，也可以采用无人机航拍并后处理得到更高分辨率的影像。
[0071]
数据处理：对采集的管线经纬度坐标进行格式统一，遥感影像进行预处理并将处理后的数据加载到系统数据库中。
[0072]
地物提取：使用构建的智能识别模型对管道沿线特定范围内的居民建筑、特定场所等进行识别与提取，结合量化标准对人口进行量化。
[0073]
gis空间分析：结合管道各类参数在管道沿线两侧范围内构建缓冲区，对管线、地物目标等使用叠加分析对管线进行分析。
[0074]
高后果区识别：结合空间分析结果与识别准则完成地区等级、高后果区等级评定。
[0075]
结果复核与保存：对智能识别的结果进行人工现场复核，对与实际结果有差异的管段进行编辑，最终确定管道的地物等级与高后果区段数量并将结果保存到数据库中。
[0076]
s1的数据库包括了管道基础数据库及管道专业数据库，管道基础数据库包含了管线经纬度坐标、管径、管线里程、运输介质，可以从scada系统数据库中进行调用，所述管道专业数据库包含了采集的管道周边多源影像、管道地物识别结果、管道地区等级、高后果区等级结果。
[0077]
s1的所述影响区域计算模型通过调取所述管道基础数据库中管径、运输介质等参数结合管道潜在影响半径计算公式进行计算得到潜在影响半径r，管道影响区域是管道中心线两侧各r米范围，潜在半径r的计算公式为：
[0078][0079]
式中：p为管道最大允许操作压力(maop),mpa；
[0080]
d为管道外径，毫米(mm)；
[0081]
r为管道受影响半径，米(m)。
[0082]
优选的，所述s2的多源影像数据处理包括：
[0083]
s21：对采集到的影像数据进行预处理；
[0084]
s22：基于s21所述预处理，对样本数据进行数据增广操作。
[0085]
s21的影像数据预处理包括：对采集到的影像数据进行降噪处理，包括消除噪声、除坏线及条带；将采集影响中存在的薄云进行减弱处理；采用比值法消除由于太阳高度角原因造成的建筑物阴影。
[0086]
s22的数据增广操作，通过s21的影像进行0-5
°
的角度旋转并使用双线性插值方法填充空白区域，在旋转操作后以0.7的概率向影像中添加偏移量在15-20％的高斯噪音，随后以0.6的概率对图像进行对角镜像，再以0.6的概率在1～1.1之间对图像放大，最后完成遥感影像的数据扩充，扩大了训练样本的数据量，有助于提升识别模型的鲁棒性。
[0087]
s3包括：优选智能识别网络架构，构建以尺度往复变化为基本优选的，所述s4包括：
[0088]
s41：使用预先训练好的智能识别模型对管道沿线地物目标进行提取；
[0089]
s42：提取完成后使用语义分割后处理方法对识别结果进行优化与改进，包括去除噪声及不必要的细节、建筑物连通区域分析、边缘检测与分割、精细化调整与校正，提取出规则化的地物轮廓、面积及建筑物经纬度。
[0090]
s5包括：
[0091]
s51：通过抓取地方规划和自然资源局等官方部门公布的规划数据关键字段获得场所类型、应急资源等分类信息，同时辅以专业地图信息采集数据完成校正。
[0092]
s52：基于提取的建筑物边缘轮廓，采用逆编码算法，获取对应建筑物的面积、高度信息，使用地物量化模型对建筑物人口数、楼层高度进行量化。
[0093]
进一步地，s6包括：
[0094]
s61：结合gb 32167-2015《油气输送管道完整性管理规范》、gb 50251-2015《输气管道工程设计规范》、企业识别规范、地方规划数据、人口普查数据等对现有高后果区识别
标准进行量化，每户按3.2人计算，农村住宅每一独立建筑物识别为1栋，城市建筑物层高按3m/层进行统计，人均居住面积为41
㎡
，量化后的高后果区识别准则为：
[0095]
管道经过的地区等级四级地区，交通频繁、商业发达、建筑物密集，人口数在480人以上的区域为高后果ⅲ级地区；管道经过的地区等级三级地区，多为城郊、工业区、发展区，人口数320～480人之间区域为高后果ⅱ级地区；管径大于762mm,并且最大允许操作压力大于6.9mpa,其天然气管道潜在影响区域内有特定场所的区域为高后果ⅱ级地区；管径小于273mm,并且最大允许操作压力小于1.6mpa,其天然气管道潜在影响区域内有特定场所的区域为高后果ⅰ级地区；其他管道两侧各200m内有特定场所的区域为高后果区ⅰ级地区；除三级、四级地区外,管道两侧各200m内有加油站、油库等易燃易爆场所的区域为高后果ⅱ级地区。
[0096]
s62：所述高后果区识别流程为：
[0097]
(1)按照高后果区量化标准中的识别项及地区等级结果，确定新的高后果区管段的起点位置与终点位置。
[0098]
(2)判断该高后果区管段起点与上一个高后果区管段之间是否存在重叠或与上一管段终点之间的距离是否小于50m，同时起点与最近的建筑物外边缘之间的距离不应小于200m。
[0099]
(3)若存在重叠区域或间隔小于50则对管段进行合并，修改合并后管段的起终点坐标、地物目标及属性并将结果保存到数据库中。
[0100]
(4)若不存在重叠区域且间隔距离大50m，创建新的高后果区管段单元并将相应的地物、人口数与该管段关联，计算并保存管段长度。
[0101]
(5)判断管段长度是否大于2km，若大于2km则对管段执行分段操作，分段点一般选择在与道路、地面里程桩或者河流交汇处，拆分管道单元及附属建筑物数据，重新确定各自管段的起终点坐标并保存到数据库中。
[0102]
实施例三
[0103]
如图5所示，一种计算机电子设备，包括存储介质、处理器、输入输出设备及网络设备，存储介质用于存储系统中的数据，待识别管线地物提取、高后果区识别操作均被加载到处理器中进行执行，执行结果保存到存储器中以供调用、输出。
[0104]
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

技术特征：
1.一种基于遥感影像的输气管道高后果区识别系统，其特征在于，包括系统设置模块，负责用户账号创建与权限分配，对用户角色进行分配，为建筑物类型、建筑物状态、地物中心点位置创建相应的值码；输入数据管理模块，用于对管线、建筑物的录入、修改与删除；地物智能识别模块，用于建立地物智能识别模型，地物智能识别模型对系统发送的识别管线进行识别并将识别结果返回；高后果区分析模块，对待分析管线进行地区等级识别及高后果区等级判定并将结果保存；分析任务管理模块，对识别完成的管线进行地区等级、高后果区等级的查看与编辑，支持报告的生成与导出。2.一种基于遥感影像的输气管道高后果区识别方法，其特征在于，包括如下步骤：s1：收集待识别管线的中心线坐标及管线基础数据，所述管线基础数据包括管道设计与运行压力、管道里程、输送介质、管径，并通过影响区域模型得到潜在影响半径，采集管道周边高分辨率影像并保存到数据库中。s2：将采集到的管线基础数据与中心线坐标、多源影像数据处理后导入到影像数据库中，所述多源影像数据用于构建地物智能识别模型的训练样本。s3：选用基于卷积神经网络的语义分割模型，构建遥感影像智能识别模型并训练优化。s4：将所述待识别管线周边多源影像数据导入所述遥感影像智能识别模型进行地物提取，并对识别结果进行后处理。s5：结合地方规划及地图数据，对所述识别结果进行类型划分，结合人口、户数模型，明确建筑物的人口数量。s6：确定管道高后果区量化识别标准，基于所述地物识别结果、量化识别标准、识别流程对所述管道进行地区等级、高后果区等级识别。s7：基于所述高后果区量化识别标准，编写高后果区报告模板，结合模板渲染引擎技术及所述高后果区报告模板，建立报告自动生成模型，采用所述报告自动生成模型自动生成报告并将识别结果保存到数据库中。3.根据权利要求1所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s1的数据库包括了管道基础数据库及管道专业数据库，管道基础数据库包含了管线经纬度坐标、管径、管线里程、运输介质，可以从scada系统数据库中进行调用，所述管道专业数据库包含了采集的管道周边多源影像、管道地物识别结果、管道地区等级、高后果区等级结果。4.根据权利要求1所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s2的多源影像数据处理包括：s21：对采集到的影像数据进行预处理；s22：基于s21所述预处理，对样本数据进行数据增广操作。5.根据权利要求4所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s21的影像数据预处理包括：对采集到的影像数据进行降噪处理，包括消除噪声、除坏线及条带；将采集影响中存在的薄云进行减弱处理；采用比值法消除由于太阳高度角原因造成的建筑物阴影。
6.根据权利要求4所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s22的数据增广操作，通过s21的影像进行0-5
°
的角度旋转并使用双线性插值方法填充空白区域，在旋转操作后以0.7的概率向影像中添加偏移量在15-20％的高斯噪音，随后以0.6的概率对图像进行对角镜像，再以0.6的概率在1～1.1之间对图像放大，最后完成遥感影像的数据扩充，扩大了训练样本的数据量，有助于提升识别模型的鲁棒性。7.根据权利要求1所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s3包括：优选智能识别网络架构，构建以尺度往复变化为基本卷积操作的特征提取网络biascosionnet并对其进行训练与优化。8.根据权利要求1所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s4包括：s41：使用预先训练好的智能识别模型对管道沿线地物目标进行提取；s42：提取完成后使用语义分割后处理方法对识别结果进行优化与改进，包括去除噪声及不必要的细节、建筑物连通区域分析、边缘检测与分割、精细化调整与校正，提取出规则化的地物轮廓、面积及建筑物经纬度。。9.根据权利要求1所述一种基于遥感影像的输气管道高后果区识别方法，其特征在于，所述s5包括：s51：通过抓取地方规划和自然资源局等官方部门公布的规划数据关键字段获得场所类型、应急资源等分类信息，同时辅以专业地图信息采集数据完成校正。s52：基于提取的建筑物边缘轮廓，采用逆编码算法，获取对应建筑物的面积、高度信息，使用地物量化模型对建筑物人口数、楼层高度进行量化。10.一种应用于权利要求2-9任一所述一种基于遥感影像的输气管道高后果区识别方法的计算机电子设备，其特征在于，包括存储介质、处理器、输入输出设备及网络设备。

技术总结
本发明涉及管道安全领域与图像识别技术领域，公开了一种基于遥感影像的输气管道高后果区识别系统及方法，其中识别系统包括系统设置模块，负责用户账号创建与权限分配，对用户角色进行分配，为建筑物类型、建筑物状态、地物中心点位置创建相应的值码；识别方法包括如下步骤：S1：收集待识别管线的中心线坐标及管线基础数据；本发明融合量化识别准则、高后果区识别方法、地物目标自动提取方法，利用GIS辅助识别管道高后果区，使用缓冲区分析、数据叠加以及空间统计分析等功能有效识别管道沿线的高风险管段并为高后果区应急响应提供管控措施，使用图表渲染引擎实现报告自动生成与导出，提升了识别效率，识别结果存入系统，保障了管道安全稳定运行。管道安全稳定运行。管道安全稳定运行。


技术研发人员：梁平 夏志伟 王大庆 唐艺宁 游赟
受保护的技术使用者：重庆慧投科技有限公司 重庆千呈久志科技有限公司 四川盛泽石油工程技术有限公司
技术研发日：2023.06.20
技术公布日：2023/9/20