1 北京航空航天大学仪器科学与光电工程学院精密光机电一体化技术教育部重点实验室，北京 100191
2 上海宇航系统研究所，上海 201108
3 北京航空航天大学青岛研究院，山东 青岛 266100
采用管道机器人定期检测输送管线的状态对于确保管道安全可靠运行意义重大。受限于机器人的结构尺寸和功耗，常用精度较低的微小型三维测量传感器为机器人提供环境及导航信息。针对低精度三维传感器得到的点云数据质量不佳、难以可靠分辨障碍物的问题，提出了一种基于时间序列及邻域分析的点云处理方法。利用障碍物点云与噪声点云在时间序列分布和空间分布方面的特性有效去除噪声，并通过拟合管道内壁实现管道内障碍物检测。测试结果表明，所提方法的检测精度提升了约30个百分点，检测时间小于1 s，满足管道机器人的应用需求。
图像处理 管道检测 三维点云 障碍物检测 时间序列 邻域分析 激光与光电子学进展
2022, 59(22): 2210007
空军工程大学航空机务士官学校航空维修管理工程系,河南 信阳 464000
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。最后通过现场采集的数据实验验证了文中算法的有效性。
管线巡检 测试桩 深度学习算法 不显著目标定位 pipeline inspection test-pile deep learning algorithm unsaliency target detection
