本发明属于智能环境感知与识别，具体是一种基于无人机的测试桩智能监测方法。
背景技术：
1、埋地油气管道由于铺设范围广，周围环境复杂，且长期处于外部土壤电解质环境中，容易受到电化学腐蚀而引起失效。阴极保护技术一直被公认为在所有埋地金属管道腐蚀防护方法中经济、有效的一种方法。阴极保护参数是评价管道阴极保护效果的重要依据，其检测/监测主要通过测试桩人工现场采集或利用智能测试桩自动采集。
2、测试桩/智能测试桩通常沿埋地油气管线布置，在长期运行过程中，可能存在的异常情况主要包括以下几种情况：(1)丢失：设置在固定位置的测试桩丢失；(2)损坏：一种是测试桩还在原来位置，但局部缺失，如面板缺失；另外一种测试桩受外界影响，发生倾倒/倾斜的情况；(3)淹埋：一是周围的庄稼或草长势过好，测试桩被完全遮挡。二是由于地势的原因，雨季出现测试桩被水淹的情况。三是测试桩被上堆的杂物，如土、农作物等所掩盖；(4)偏移：测试桩偏离原来位置，可能是被人为移动，数据采集功能可能正常也可能异常；上述情况的出现，会严重影响测试桩的正常运行。
3、图像识别在无人机巡检中应用的原理是针对桥梁出现裂缝，露筋，剥落，螺栓脱落等病害，无人机直达检测部位拍摄病害图像，针对病害图像的特点，运用机器视觉对数字图像进行增强、去噪、图像分割、边缘计算，采用基于监督学习的机器学习算法，对图像进行病害识别，解决病害分类问题及病害标记的问题。胡进在“无人机管线巡检中的测试桩识别”一文中，在无人机gps信号丢失的情况下，测试桩的视觉辅助识别精度是影响油气管线自动巡检工作的关键因素。针对测试桩自动识别的精度问题，在分析测试桩及其周围地物背景目标特性的基础上，先用深度学习算法判断出测试桩被周围地物背景遮挡的情况。对于被遮挡的测试桩，采用不显著目标相对定位算法检测出测试桩的具体位置。但其并不能针对测试桩的各种异常情况进行系统性统计。
4、发明目的：为了克服现有技术的不足，本发明提供一种基于无人机的测试桩智能监测方法，拟采用无人机搭载智能识别系统对测试桩进行巡检，智能识别测试桩的丢失、损坏、淹埋和偏移等异常状态，具有高效、精准的优点，提高管线的安全性和可靠性，为保障埋地油气管线安全运行提供技术支持。
5、本发明针对测试桩，采用的智能识别算法，是通过无人机获取测试桩的现场照片，利用智能识别算法自动分析测试桩的安全状态，判断测试桩是否出现丢失、损坏或掩埋等异常情况，发现问题及时预警。开发的智能识别算法主要实现如下功能：(1)存在或消失状态检测，检测测试桩在固定位置的显现或缺失状态；(2)完好状态检测，主要检测测试桩的完整性、裸露部分、直立状态；(3)遮挡覆盖检测，主要检测测试桩的可见程度，是否被遮挡、覆盖、包围；(4)偏移检测，主要检测识别测试桩可能的偏斜、倾覆、移动的效果或趋势。
技术实现思路
0、
技术实现要素：
针对上述发明目的，本发明拟采用大疆无人机沿管线自动巡航，对测试桩等关键位置进行定点拍摄。通过深度学习算法对无人机拍摄的图片进行自动检测识别，分析测试桩等关键点位的状态，构建测试桩异常状态与环境信息的时空交互情景模型，结合多头注意力机制理论，实现异常状态的快速、智能识别与预警。
1、为了使算法更加贴合实际应用场景，本发明在yolov5-s模型中添加一项关于se(squeeze-and-excitation)注意力机制的改进模块。这一机制通过全局平均池化操作将特征图压缩为全局描述向量，并根据这些摘要信息计算每个通道的权重，以增强重要通道的响应。这种改进使模型更有效地捕获图像中的重要特征，并更关注任务关键区域。在测试桩智能识别任务中，这对于提高模型准确性尤其重要，特别是在处理复杂背景下易出现的错误检测问题时。se注意力机制的流程包括特征图输入、压缩操作、激励操作以及加权操作，最终提高模型的性能和鲁棒性。se模块易于使用，可直接插入到卷积模块后或resnet结构中。这一改进对于增强模型在测试桩检测中的性能表现，及时发现潜在安全隐患，提高管线的安全性和可靠性至关重要。
2、该基于无人机的测试桩智能监测方法包含以下步骤：
3、步骤1)根据埋地管道具体铺设线路及经纬度信息定制航线，确定测试桩的位置并设置航点；
4、步骤2)根据需要工作人员位于航线指定位置，操控无人机起飞按照既定的航线、航点飞行；
5、步骤3)无人机自动飞行至既定测试桩位置，绕飞测试桩，并在最佳位置拍摄测试桩现场图片；
6、步骤4)拍摄的测试桩图片导入检测模型，通过计算完成测试桩状态检测和识别预警；
7、步骤5)在服务器平台完成测试桩数据管理，状态报告等。
8、进一步地，步骤1)具体为：
9、101)在设置航点时，工作人员利用大疆无人机自带的飞控设备(遥控器)，对无人机进行控制。
10、102)工作人员操控无人机对测试桩进行绕圈飞行、定点拍照。无人机位于测试桩垂直高度12米处，摄像头俯仰角40°至50°，绕桩每90°拍摄一张图片。如果限于现场环境，比如树、墙体遮挡，适当减少图片拍摄数量。
11、103)在进行画面对焦时，将无人机画面中心点对准测试桩根部，使测试桩整体位于画面上半部分。
12、104)如图5所示，利用勾股定理和角平分线与中垂线定理计算测试桩投影到无人机的距离以及测试桩在无人机镜头底片上的实际大小。通过这些计算，确定测试桩在镜头底片上的尺寸和位置位于飞控设备显示屏幕的上半部分。通过相似三角形的性质以及三角形中垂线定理，计算出测试桩在底片上的大小：
13、
14、确认镜头对准测试桩根部的情况下，测试桩在照片中的尺寸。结合数字变焦数据，根据每个像素点对应的物体镜像大小，得出一个完整的测试桩在画面宽度上应占的像素点数。结果如图4所示，在照片中，测试桩应占据约41.5％的屏幕宽度。
15、105)无人机会记录在该点工作人员对无人机的操作信息，包括经纬度信息、高度信息、俯仰角信息以及数字变焦信息。
16、106)无人机按照设置的航点，将当前航点与下一航点之间的直线作为连接两航点的航线。
17、107)如果在航线规划好后，有新障碍物位于航点a与航点b之间，影响无人机飞行安全，需重新规划该段航线(仅修改ab两航点之间的航线，并非全程航线)。在障碍物远点设置一新航点c，指导无人机从航点a到航点b时先由航点a飞至航点c，再由航点c飞至航点b。
18、进一步地，步骤2)具体为：
19、201)工作人员位于航线起始位置，操控无人机起飞。
20、202)将无人机设置为自动巡航模式，根据步骤1)所定制的航线和rtk定位进行自动巡航。
21、203)航线执行结束，无人机返航至起飞点，一次巡航任务结束。
22、进一步地，步骤3)具体为：
23、301)无人机巡航至相应位置时，对测试桩进行绕飞。
24、302)按照步骤1)记录的位置信息、高度信息、俯仰角信息以及数字变焦信息，无人机对测试桩进行拍照。
25、进一步地，步骤4)具体为：
26、401)将前期拍摄采集的测试桩图片作为训练样本数据集，通过基于python的标注工具labelimg对图片按照六种类别进行分类标注，得到算法模型训练所需要的txt文件。
27、402)在可视化界面中选择数据集原图和标注文件的存放路径，以9：1的比例划分训练集和验证集。
28、402)在可视化界面中可将照片和对应的txt文件送入到yolov5-s模型进行150轮次的训练,训练完毕后得到最终识别所需的权重文件best.pt以及它的评价指标图。
29、403)在可视化界面中可将任意训练好的测试识别系统模型对步骤3)无人机巡航拍摄的测试桩图片识别，同时会以相同测试桩间隔不会超过200m的规则对测试桩照片进行分组，以表格的形式展示每张照片的经纬度信息、时间、结论和检测结果。
30、进一步地，步骤5)具体为：
31、501)将步骤4)的检测识别结果在系统窗口展示。
32、502)在测试桩状态判别过程中，如果四张照片均检测为“测试桩不存在”，则将该测试桩状态报告为缺失状态；若至少一张照片检测到了测试桩的存在，则剔除被判为缺失的照片。然后，按投票原则，根据剩余照片中出现次数最多的状态确定最终的测试桩报告状态。这一流程确保在有足够信息的情况下准确判别测试桩状态，并即使部分照片无法检测到测试桩，仍能得出可靠的测试桩状态报告。
33、503)在“效果展示”页面，单击“生成报表”可整理识别结果生成状态检测报告，并以报表形式反馈给工作人员。报告中先是总结了所有测试桩的最终检测状态，然后以测试桩分组罗列了每个测试桩的单个照片信息和检测结果，包括经度、纬度、拍摄时间、检测结论以及检测结果图，最终以报表的形式反馈到工作人员。
34、有益效果：
35、(1)本发明是一种基于无人机的测试桩智能监测方法。在图片数据采集步骤，采用无人机自动巡航拍摄，极大节省了人力成本的投入。
36、(2)本发明采用yolov5目标检测算法，将拍摄采集的图片数据导入模型，便可快速准确识别测试桩的正常或是异常情况，平均每张图片识别仅需0.005秒。
37、(3)在yolov5-s模型中添加se(squeeze-and-excitation)注意力机制，克服了其在处理一些复杂背景问题的时候容易出现错漏检的问题，能够帮助模型更加精准地识别出有测试桩的区域，提高了模型在测试桩检测中的性能表现，及时发现潜在的安全隐患，有助于提高管线的安全性和可靠性。
1.一种基于无人机的测试桩智能监测方法，其特征在于，包括：运用无人机对测试桩进行数据采集、智能算法训练以及测试桩状态检测；其中：
2.根据权利要求1所述的基于无人机的测试桩智能监测方法，其特征在于，工作流程主要包括：
3.根据权利要求1所述的基于无人机的测试桩智能监测方法，其特征在于所述的无人机对测试桩的数据采集包括以下步骤：
4.根据权利要求1所述的基于无人机的测试桩智能监测方法，其特征在于，所述的智能算法训练处理过程如下：
5.根据权利要求1所述的基于无人机的测试桩智能监测方法，其特征在于，所述的测试桩状态检测在于：
6.根据权利要求2所述的基于无人机的测试桩智能监测方法，其特征在于，步骤201)中，根据照片中测试桩的尺寸及像素点信息计算，在照片中，测试桩应占据约41.5％的屏幕宽度。
