本发明涉及管道检测，具体涉及一种基于图像在横管中识别竖井的方法及其相关设备。
背景技术：
1、在市政、建筑和工业领域中，巡检和维护工作是一项至关重要且必不可少的任务。在这些任务中，经常需要检测地下横管中是否存在井盖打开的竖井，以确保人员和设备的安全。传统的巡检方法主要依赖于人工进行，巡检人员需要进入横管内部，通过肉眼观察或借助简单的工具来判断井盖的状态。然而，这种方法存在诸多不足：人工巡检需要耗费大量时间和人力，特别是在长距离、复杂的横管网络中，巡检的效率往往非常低下；横管中可能含有危险物质，存在安全隐患；人工巡检往往受到巡检人员经验、技能和主观判断的影响，准确性难以保证。
2、随着科技的不断发展，无人机和图像处理技术逐渐成熟并广泛应用于各个领域。无人机具有飞行灵活、视野广阔、操作简便等优点，能够代替人工进入复杂、危险的环境中进行巡检。然而，目前缺少将无人机应用在地下横管巡检中以在横管中识别竖井的研究。
3、因此在将无人机应用于在地下横管巡检时，如何提供一种基于图像在横管中识别竖井的方法，以达到提高巡检效率、安全性和准确性的技术效果是本领域亟需解决的技术难题。
技术实现思路
1、本发明实施例提供了一种基于图像在横管中识别竖井的方法及其相关设备，以解决上述至少一种技术问题。
2、第一方面，本申请提供了一种基于图像在横管中识别竖井的方法，所述方法应用于对地下管道进行巡检的无人机，所述无人机的正前方安装有摄像头，所述方法包括：
3、依据基础网络模型构建目标竖井识别模型；
4、控制所述无人机沿目标横管的布设方向在所述目标横管中飞行，并通过所述摄像头实时采集所述无人机前方的实时管道图像；
5、将所述实时管道图像输入所述目标竖井识别模型中，得到所述无人机所处位置或行进前方是否存在目标竖井的识别结果；
6、控制所述无人机依据所述识别结果进行飞行；
7、其中，所述目标竖井为与所述目标横管相连通并延伸至地面的竖向井道。
8、优选地，所述依据基础网络模型构建目标竖井识别模型，包括：
9、获取待训练样本集合；
10、选择resnet网络作为基础网络模型；
11、将所述待训练样本集合输入所述基础网络模型中对所述基础网络模型进行训练，得到目标竖井识别模型。
12、优选地，所述获取待训练样本集合，包括：
13、获取横管中的历史图像集，所述历史图像集为在所述横管中拍摄得到的图像集合，所述历史图像集中至少包括第一类历史图像、第二类历史图像、第三类历史图像和第四类历史图像，所述第一类历史图像中包含目标竖井，所述第二类历史图像中包含其他竖井，所述第三类历史图像中不包含目标竖井和其他竖井，所述第四类历史图像为所述无人机处于所述横管和所述目标竖井的交界处所获得的历史图像；
14、依据所述历史图像集中所包含的图像类型对所述历史图像集中的每一张历史图像设置所述无人机的位置标签，并将所述位置标签与对应的所述历史图像进行关联，得到待训练样本集合；
15、其中，所述待训练样本集合包括历史图像集、与所述历史图像对应的位置标签以及所述历史图像集和所述位置标签之间的关联关系。
16、优选地，所述位置标签包括前方无目标竖井和其他竖井的前方无竖井标签、前方有目标竖井标签、前方有其他竖井标签和处于目标竖井中标签；
17、其中，所述前方无竖井标签与所述第三类历史图像相关联，所述前方有目标竖井标签与所述第一类历史图像相关联，所述前方有其他竖井标签与所述第二类历史图像相关联，所述处于目标竖井中标签与所述第四类历史图像相关联。
18、优选地，在所述获取待训练样本集合之后以及所述选择resnet网络作为基础网络模型之前，所述方法还包括：通过数据增强技术对所述待训练样本集合进行数据样本增加处理。
19、优选地，所述识别结果包括前方无竖井识别结果、前方有目标竖井识别结果、前方有其他竖井识别结果和处于目标竖井中识别结果，所述控制所述无人机依据所述识别结果进行飞行包括：
20、若所述识别结果为前方无竖井识别结果或前方有其他竖井识别结果，则控制所述无人机继续在所述目标横管中行进；
21、若所述识别结果为前方有目标竖井识别结果，则控制所述无人机向所述目标竖井飞行直至所述无人机处于所述目标竖井中；
22、若所述识别结果为处于目标竖井中识别结果，则控制无人机从所处的所述目标竖井中飞出，并对所述无人机飞出的所述目标竖井进行标记。
23、优选地，所述目标竖井为井盖处于打开状态下的竖井，所述其他竖井为井盖处于闭合状态的竖井。
24、第二方面，本申请提供一种基于图像在横管中识别竖井的装置，所述装置包括：
25、模型构建单元，用于依据基础网络模型构建目标竖井识别模型；
26、第一控制单元，用于控制所述无人机沿目标横管的布设方向在所述目标横管中飞行，并通过所述摄像头实时采集所述无人机前方的实时管道图像；
27、图像输入单元，用于将所述实时管道图像输入所述目标竖井识别模型中，得到所述无人机所处位置或行进前方是否存在目标竖井的识别结果；
28、第二控制单元，用于控制所述无人机依据所述识别结果进行飞行；
29、其中，所述目标竖井为与所述目标横管相连通并延伸至地面的竖向井道。
30、第三方面，本申请还提供一种电子设备，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现第一方面中任一项一种基于图像在横管中识别竖井的方法。
31、第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面中任一项一种基于图像在横管中识别竖井的方法。
32、本发明应用于对地下管道进行巡检的无人机，在无人机的正前方安装有摄像头，首先依据基础网络模型构建目标竖井识别模型，控制无人机沿目标横管的布设方向在目标横管中飞行，并控制摄像头实时采集无人机前方的实时管道图像，将实时采集的实时管道图像实时输入目标竖井识别模型中，得到无人机所处位置或行进前方是否存在目标竖井的识别结果，然后控制无人机依据该识别结果进行飞行。其中，目标竖井为与目标横管相连通并延伸至地面的竖向井道。本发明提供的基于图像在横管中识别竖井的方法，通过无人机搭载的摄像头实时采集图像数据，并利用深度学习模型对横管中的竖井进行识别和定位，以替代了现有技术中的人工巡检方式，提高了巡检和维护的效率和安全性。
1.一种基于图像在横管中识别竖井的方法，所述方法应用于对地下管道进行巡检的无人机，所述无人机的正前方安装有摄像头，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于图像在横管中识别竖井的方法，其特征在于，所述依据基础网络模型构建目标竖井识别模型，包括：
3.根据权利要求2所述的一种基于图像在横管中识别竖井的方法，其特征在于，所述获取待训练样本集合，包括：
4.根据权利要求3所述的一种基于图像在横管中识别竖井的方法，其特征在于，所述位置标签包括前方既无目标竖井也无其他竖井的前方无竖井标签、前方有目标竖井标签、前方有其他竖井标签和处于目标竖井中标签；
5.根据权利要求4所述的一种基于图像在横管中识别竖井的方法，其特征在于，在所述获取待训练样本集合之后以及所述选择resnet网络作为基础网络模型之前，所述方法还包括：
6.根据权利要求5所述的一种基于图像在横管中识别竖井的方法，其特征在于，所述识别结果包括前方无竖井识别结果、前方有目标竖井识别结果、前方有其他竖井识别结果和处于目标竖井中识别结果，所述控制所述无人机依据所述识别结果进行飞行包括：
7.根据权利要求6所述的一种基于图像在横管中识别竖井的方法，其特征在于：
8.一种基于图像在横管中识别竖井的装置，其特征在于，所述装置包括：
9.一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1～7中任一项所述的一种基于图像在横管中识别竖井的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～7中任一项所述的一种基于图像在横管中识别竖井的方法。
