一种基于多无人机的油井巡检方法、设备及介质与流程

1.本说明书涉及石油生产技术领域，尤其涉及一种基于多无人机的油井巡检方法、设备及介质。


背景技术：

2.石油产业是一个高风险并且收益高的行业，因此石油的安全生产是石油工业生产和发展的基础和前提。油井设备在石油开采现场常年运作，由于机械设备自身的损耗以及风雨雷电等自然因素的影响，容易造成设备的损坏和腐蚀，如不及时发现和消除，可能会发展成为各种故障，对油井的安全和稳定构成极大威胁。同时，由于石油资源的珍贵及较高的经济价值，不法分子对于石油资源的盗取现象时有发生，给油田带来了极大的经济损失。因此，保证对油井的定时定点巡检显得十分重要。
3.由于油气田的生产井的井距分散，跨度大。且所处环境恶劣，沙尘暴天气随时可能吞噬井场道路使得巡井、巡线的难度大，基于人工巡检和半人工巡检的方式，增加了人员的工作量和安全生产的风险。现有技术中，利用无人机搭载高清影像设备进行油井巡护，相对于传统巡检模式无需人员近距离操作，较为安全可靠。然而，随着任务复杂度和环境差异化的不断增加，对无人机的性能的要求也日益增长，单架无人机在进行多油井场景下的巡视时，需要耗费大量时间，巡检信息的实时性低且执行任务单一、使得油井巡检的效率低，无法实时掌握油井的安全状况。
4.基于此，需要一种可以提高油井巡检效率和实时性的无人机巡检方法。


技术实现要素：

5.本说明书一个或多个实施例提供了一种基于多无人机的油井巡检方法、装置及设备，用于解决如下技术问题：如何提供一种可以提高油井巡检效率和巡检准确度的无人机巡检方法。
6.本说明书一个或多个实施例采用下述技术方案：
7.本说明书一个或多个实施例提供一种基于多无人机的油井巡检方法，包括：
8.获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置；
9.将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机；
10.确定所述多个巡检子区域中各无人机的最优飞行路径；
11.控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像；
12.根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的的重叠区域；
13.过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分
析图像；
14.将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型，输出所述油井的安全隐患类型及位置坐标。
15.可选地，本说明书一个或多个实施例中，所述将所述油井巡检任务的待巡检区域划分为多个巡检子区域，具体包括：
16.获取所述待巡检区域中各油井设备的历史巡检动作；
17.基于聚类算法对所述历史巡检动作进行聚类分析，获得预设距离阈值内的历史巡检动作的聚类中心；其中，所述历史巡检动作包括：可疑人员巡检、油井设备漏油巡检、危险物巡检、可燃物巡检；
18.根据所述聚类中心的聚类范围对所述待巡检区域进行分割，获得多个巡检子区域。
19.可选地，本说明书一个或多个实施例中，所述根据所述确定所述多个子区域中的预设最优飞行路径，具体包括：
20.根据所述巡检子区域内的油井的坐标及油井的重要等级，确定所述无人机的初始油井坐标与目标油井坐标；
21.基于所述无人机的巡检任务确定所述无人机的飞行高度；
22.根据所述飞行高度截取所述巡检子区域的二维平面图；
23.基于所述二维平面图，确定所述无人机的飞行区域；
24.根据所述无人机的飞行区域、所述无人机的起点油井坐标与目标油井坐标，确定所述巡检子区域内的无人机通行路径；
25.基于变邻域搜索算法对所述无人机通行路径进行分析，获得所述巡检子区域的最优飞行路径。
26.可选地，本说明书一个或多个实施例中，所述确定所述多个子区域中的预设最优飞行路径之后，所述方法还包括：
27.在每个巡检子区域的最优飞行路径中选取多个拍摄位置；
28.根据所述拍摄位置及所述巡检子区域的范围，设置所述无人机各拍摄位置处的拍摄角度与及拍摄参数，以使所述拍摄图像覆盖所述巡检子区域内油井的预设故障巡检点。
29.可选地，本说明书一个或多个实施例中，所述将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型之前，所述方法还包括：
30.对所述各巡检子区域的待分析图像进行灰度校正和自适应直方图均衡化处理，获得所述待分析图像的校正图像；
31.基于预设的过滤方式对所述校正图像进行处理，去除所述校正图像的噪声数据，获得去噪图像；
32.将所述去噪图像作为各巡检子区域符合要求的待分析图像。
33.可选地，本说明书一个或多个实施例中，所述基于预设的过滤方式对所述校正图像进行处理，去除所述校正图像的噪声数据，获得去噪图像，具体包括：
34.根据所述校正图像的预估噪声强度，确定小波变化的参数；其中所述参数包括：小波基函数、分解层数、阈值函数；
35.根据所述小波变换的参数对所述校正图像进行分解，获得所述校正图像的高频分
量与低频分量；
36.利用高斯随机矩阵将所述高频分量投影到低频空间中，获得过滤噪声向量后的测量值；
37.对所述低频分量及所述测量值进行小波逆变换，以对所述去噪图像进行重构。
38.可选地，本说明书一个或多个实施例中，所述获取所述各巡检子区域的清晰图像作为待分析图像之后，所述方法还包括：
39.基于最小割最大流原理与所述各巡检子区域备份的重叠区域，确定所述巡检子区域内各图像间的最佳拼接方式；
40.根据所述最佳拼接方式对所述巡检子区域的待分析图像进行拼接，获得所述巡检子区域的初始拼接图像；
41.通过多分辨率技术对所述拼接图像进行融合，获得所述待巡检区域的全景图，以实现所述无人机巡检的任务统计。
42.可选地，本说明书一个或多个实施例中，所述将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型之前，所述方法还包括：
43.获取待巡检区域的历史巡检图像，生成所述待巡检区域的样本库；其中，所述历史巡检图像包含：巡检油井的坐标、巡检油井的故障点、安全隐患位置标注、非工作人员区域；
44.根据所述巡检子区域的范围对所述历史巡检图像进行分割作为图像样本；
45.提取分解所述图像样本的特征向量，将所述特征向量进行降维分解作为训练样本；
46.将所述训练样本作为输入、所述油井的安全隐患及位置坐标作为输出对进行训练，获得识别结果；
47.选择所述识别结果误差小的模型作为油井隐患识别网络模型。
48.本说明书一个或多个实施例提供一种基于多无人机的油井巡检设备，设备包括：
49.至少一个处理器；以及，
50.与所述至少一个处理器通信连接的存储器；其中，
51.所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
52.获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置；
53.将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机；
54.确定所述多个巡检子区域中各无人机的最优飞行路径；
55.控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像；
56.根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的重叠区域；
57.过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分析图像；
58.将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络
模型，输出所述油井的安全隐患类型及位置坐标。
59.本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
60.获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置；
61.将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机；
62.确定所述多个巡检子区域中各无人机的最优飞行路径；
63.控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像；
64.根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的重叠区域；
65.过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分析图像；
66.将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型，输出所述油井的安全隐患类型及位置坐标。
67.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
68.基于多无人机在对巡检区域的各个子区域中进行巡检，解决了单一无人机在大范围油井巡检区域进行工作时耗费时间的问题。通过对多无人机的分析路径进行选择使得无人机能够在最短时间内覆盖油井的待巡检区域，提高了油井巡检的效率问题。同时通过预先设置的油井隐患识别网络模型，对多无人机采集图像的处理分析，可以实现油井安全隐患的识别，保证了油井巡检区域的安全性和可靠性。
附图说明
69.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
70.图1为本说明书一个或多个实施例提供的一种基于多无人机的油井巡检方法的方法流程示意图；
71.图2为本说明书一个或多个实施例提供的一种基于多无人机的油井巡检设备；
72.图3为本说明书一个或多个实施例提供的一种非易失性存储介质。
具体实施方式
73.本说明书实施例提供一种基于多无人机的油井巡检方法、设备及介质。
74.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说
明书保护的范围。
75.石油是能源动脉，保证油井设备的安全运行是企业的一项重要责任。油井设备在石油开采现场常年运作，由于机械设备自身的损耗以及风雨雷电等自然环境因素的影响，容易造成设备的损坏和腐蚀，如不及时发现和消除，就可能会发展成为各种故障，对油田的安全构成极大威胁。同时由于石油资源的珍贵及较高的经济价值，不法分子对于石油资源的盗取现象时有发生，给油田带来了极大的经济损失，因此对油井设备的所在区域进行巡检是十分重要的。
76.传统巡检方式中无论是人工巡井技术还是半自动巡井技术，巡井的重要执行者都是人。而目前部分油田还分布在戈壁、盐沼、高山、丘壑、低洼等区域，地理环境较为复杂，地面设备投产后其生产和维护管理完全依靠人工巡检，不仅增加了人员的工作量和难度，也大幅增加了投入的成本，影响了油田的正常生产，无法满足数字化油田建设的要求。因此，无人机航拍巡视以低成本、高精度等特点成为现有技术中新的油井巡视方式。然而随着任务的复杂度和环境的差异化不断增加，对无人机性能的要求也日益增长，单架无人机无法对大范围的巡视任务进行实时信息反馈，从而使得单架无人机获取的巡视信息的精确度达不到要求。此外，单架无人机还存在着执行任务单一、效率低、风险大的缺点，因此无法确保油井设备以及油井财产的安全。
77.为了解决上述技术问题，本说明书提供了一种基于多无人机的油井巡检方法。通过对油井巡检任务进行划分，使得不同巡检任务可以经由不同的多无人机进行协同工作，实现了对巡检任务的精准匹配，解决了单架无人机执行任务单一无法满足多目标巡检任务的问题。同时采用多无人机的协同工作解决了单架无人机巡视时效率低下的问题，提高了数据采集的准确性。通过对多无人机巡检路径的规划，获得无人机巡检过程的最优路径，缩短了无人机的巡检时间和执行巡检过程中的能量消耗，从而降低了巡视成本。通过对无人机巡检图像进行处理分析，实现了对油井安全隐患的实时监控，保证了油井设备及财产的安全性。
78.本说明书实施例的由控制无人机巡检的服务器或者控制无人机巡检的服务器的内部单元执行。
79.以下结合附图，详细说明本说明书提供的技术方案。
80.如图1所示，本说明书一个或多个实施例中提供了一种基于多无人机的油井巡检方法的流程示意图。
81.如图1所示，该方法的步骤包括：
82.步骤101：获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置。
83.对于油气工程来说，最初的石油勘探、设计以及后续的大钻平台选址、油气管道铺设、安装过程中的生产协调都需要精度高且时效强的图像，予以分析规划的支持。在石油的生产过程中，由于油井设备在石油开采现场常年运作，机械设备自身的损耗以及天气等自然因素的影响容易造成油井设备的损坏和腐蚀，如果不及时发现消除可能会对油田的安全稳定做出威胁，此外由于石油的经济价值较高，使得石油的盗取现象时常发生，给油田的经济造成极大的损失。
84.因此，在对油井的巡检过程中，基于油田中各种常见的安全隐患，以及需要进行收
集分析的油田数据，需要对油田进行多种不同目标的巡检工作。获取油井巡检任务中包含的不同巡检区域的位置坐标，使得巡检任务的目标更加清晰。
85.步骤102：将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机。
86.在本说明书一个或多个实施例中，所述将所述油井巡检任务的待巡检区域划分为多个巡检子区域，具体包括：
87.获取所述待巡检区域中各油井设备的历史巡检动作；
88.基于聚类算法对所述历史巡检动作进行聚类分析，获得预设距离阈值内的历史巡检动作的聚类中心；其中，所述历史巡检动作包括：可疑人员巡检、油井设备漏油巡检、危险物巡检、可燃物巡检；
89.根据所述聚类中心的聚类范围对所述待巡检区域进行分割，获得多个巡检子区域。
90.基于上述步骤101获取的油井巡检任务，获得了各个油井巡检任务的待巡检区域及其对应的油井的坐标位置。基于巡检任务中包含的待巡检区域，通过数据库可以查找并调取待巡检区域中各油井设备的历史巡检数据。通过聚类算法对历史巡检数据进行聚类分析后，可以获得在待巡检区域中过去时间所进行的各种巡检任务的聚类，即获得各个巡检任务或者各个安全隐患多发生在待巡检区域的哪个范围中。例如：可疑人员巡检任务集中在油井设备的油罐附近范围，油井的漏油巡检发生在各油管线路的转折节点附近，危险物及可燃物巡检任务处于各油井设备的阈值范围内等。基于聚类分析对各巡检任务聚类中心、聚类范围的确定，实现对待巡检区域巡检场景的划分，获得待巡检区域中的多个具有针对性巡检任务的巡检子区域。
91.其中，需要说明的是：在本说明书一个或多个实施例中，所述基于聚类算法对获取到的历史巡检动作进行聚类分析具体包括：
92.将各巡检任务作为聚类分析的样本，确定各巡检任务的巡检范围阈值；
93.选择任意一个巡检任务作为所述待巡检区域的簇中心；
94.计算所述待巡检区域中各巡检任务与所述簇中心的距离，并选择其中最小距离作为所述巡检任务的标记值；
95.在各巡检任务的标记值中选取值最大的巡检任务，若所述巡检任务超过所述巡检范围阈值则将该巡检任务作为新增簇中心；
96.迭代获取所述待巡检区域的所有簇中心；
97.根据各个簇中心的预设范围进行划分获得所述待巡检区域的多个巡检子区域。
98.通过对待巡检区域的聚类分析可以将各个巡检任务进行划分，使得聚类的范围不超过巡检任务的阈值范围，确保了多无人机对各任务的针对性巡视，避免了大范围巡检所造成的巡检任务混乱的问题，同时也确保了所有的巡检任务被有效划分，避免了巡检任务遗漏以及执行任务单一的问题。
99.步骤103：确定所述多个巡检子区域中各无人机的最优飞行路径。
100.在本说明书一个或多个实施例中，所述确定所述多个巡检子区域中各无人机的最优飞行路径，具体包括：
101.根据所述巡检子区域内的油井的坐标及油井的重要等级，确定所述无人机的初始
油井坐标与目标油井坐标；
102.基于所述无人机的巡检任务确定所述无人机的飞行高度；
103.根据所述飞行高度截取所述巡检子区域的二维平面图；
104.基于所述二维平面图，确定所述无人机的飞行区域；
105.根据所述无人机的飞行区域、所述无人机的起点油井坐标与目标油井坐标，确定所述巡检子区域内的无人机通行路径；
106.基于变邻域搜索算法对所述无人机通行路径进行分析，获得所述巡检子区域的最优飞行路径。
107.在本说明书一个或多个实施例中，所述确定所述多个巡检子区域中各无人机的最优飞行路径之后，所述方法还包括：
108.在每个巡检子区域的最优飞行路径中选取多个拍摄位置；
109.根据所述拍摄位置及所述巡检子区域的范围，设置所述无人机各拍摄位置处的拍摄角度与及拍摄参数，以使所述拍摄图像覆盖所述巡检子区域内油井的预设故障巡检点。
110.在无人机起飞一段时间后，就会进入平稳飞行的阶段。基于巡检任务所要求的精度，无人机平稳飞行时其飞行速度和飞行高度基本维持恒定。因此，基于无人机的飞行高度，截取巡检子区域该高度下的二维平面图，可以获得无人机在其飞行高度的二维平面图。此时无人机的飞行障碍可以用几何图形进行标识，避免了在三维空间中进行路径规划时的复杂分析过程。经过对飞行高度二维平面图的分析可以确定出无人机无障碍的飞行区域，基于无人机的飞行区域无人机的起点油井坐标与目标油井坐标，可以获得该无人机在其飞行高度下的多个通行路径。经过变邻域搜索算法对多个通信路径进行分析，获得该无人机在巡检子区域的最优飞行路径，保证无人机可以在最短的路径内实现油井巡检任务，节省油井巡检的成本。
111.在获得无人机的飞行路径后，需要根据划分子区域的聚类中心以及无人机飞行高度确定无人机飞行的平面位置。取各个巡检子区域中无人机需要巡检的各个油井位置的算术平均值作为该无人机巡检需要拍摄的中心位置。选取多个拍摄位置，并根据巡检子区域的范围设置拍摄位置的拍摄角度和拍摄参数，从巡检子区域的边界向拍摄的中心位置进行找齐，从而保证拍摄图像可以覆盖所有预设的故障巡检点。通过对无人机拍摄位置及拍摄参数的设置，保证了拍摄关注对象的同时可以覆盖整个场景，避免了因为对待巡检范围基于聚类分析所造成的场景分割，并导致巡检不彻底的问题。
112.其中，需要说明的是：变邻域搜索算法的本质是一种改进的局部搜索算法。变邻域搜索算法中的邻域是指对当前解的一种操作所获得的所有解的集合，因此不同的邻域动作产生不同的邻域。变邻域搜索算法利用不同的动作生成对应的邻域，并在这些邻域中交替搜索，从而使得算法在疏散性和集中性中取得平衡。
113.步骤104：控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像。
114.根据步骤103获取各巡检子区域中无人机的最优飞行路径后，基于所述最优飞行路径以及设置的拍摄点进行拍摄，获得可以覆盖巡检子区域的初始拍摄图像。
115.步骤105：根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的重叠区域。
116.当无人机根据设置的拍摄位置进行拍摄时，由于拍摄角度需要确保巡检故障点被拍摄到，因此不可避免的存在无人机在多个拍摄位置所拍摄的初始拍摄图像存在拍摄内容部分重叠的区域、或者存在多个无人机的初始拍摄图像中存在重叠区域的问题。而无人机所拍摄的图像会包含图像中各个点的位置信息，通过初始拍摄图像中所包含的位置坐标，可以确定各巡检子区域中无人机所拍摄的重叠区域。
117.步骤106：过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分析图像。
118.在本说明书一个或多个实施例中，所述获取所述各巡检子区域的清晰图像最为待分析图像之后，所述方法还包括：
119.基于最小割最大流原理与所述各巡检子区域备份的重叠区域，确定所述巡检子区域内各图像间的最佳拼接方式；
120.根据所述最佳拼接方式对所述巡检子区域的待分析图像进行拼接，获得所述巡检子区域的初始拼接图像；
121.通过多分辨率技术对所述拼接图像进行融合，获得所述待巡检区域的全景图，以实现所述无人机巡检的任务统计。
122.通过对基于步骤105所获取的重叠区域进行有效过滤，可以将重叠区域进行备份后，保留其中的一个清晰图像作为后续的待分析图像，经过对重叠区域的过滤，避免了重叠区域包含的冗余信息，导致计算的复杂度高的问题。
123.此外，通过对重叠区域的备份可以基于最小割最大流原理进行分析，可以确定各个巡检子区域内图像件的最佳拼接方式，即各个巡检子区域内的最佳拼接缝。通过获取的最佳拼接缝对待分析图像进行拼接，可以获得巡检子区域的初始拼接图像。而基于多分辨率技术可以对拼接图像进行融合，使得拼接图像的分辨率一致，获取巡检子区域中无人机巡检的全景图，基于所述全景图可以实现无人机在巡检子区域内的整体任务统计。解决了实际情况中，由于光照等内部或者外部的原因所导致的无法避免的配准误差的问题，同时通过降低配准误差，也提升了巡检任务的准确率。
124.其中，在本说明书的一个实施例中，若存在重叠区域的两张照片分别为图像a和图像b，那么基于最小割最大流原理与所述各巡检子区域备份的重叠区域，确定所述巡检子区域内各图像间的最佳拼接方式为：将来自图像a的像素表示为连接源点，来自图像b的像素表示为连接汇点。采用网络最大流的方法将图像分割成分别包含源点和汇点的两个子图，而且连接这两个子图的编的加权和最小，那么此时的最大流与最小割相对应，该最小割为图像a和图像b的最佳拼接线。其中，上述网络最大流的方法为现有技术手段，此处不再加以赘述。
125.步骤107：将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型，输出所述油井的安全隐患类型及位置坐标。
126.在本说明书一个或多个实施例中，所述将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型之前，所述方法还包括：
127.对所述各巡检子区域的待分析图像进行灰度校正和自适应直方图均衡化处理，获得所述待分析图像的校正图像；
128.基于预设的过滤方式对所述校正图像进行处理，去除所述校正图像的噪声数据，
获得去噪图像；
129.将所述去噪图像作为各巡检子区域符合要求的待分析图像。
130.在本说明书一个或多个实施例中，所述基于预设的过滤方式对所述校正图像进行处理，去除所述校正图像的噪声数据，获得去噪图像，具体包括：
131.根据所述校正图像的预估噪声强度，确定小波变化的参数；其中所述参数包括：小波基函数、分解层数、阈值函数；
132.根据所述小波变换的参数对所述校正图像进行分解，获得所述校正图像的高频分量与低频分量；
133.利用高斯随机矩阵将所述高频分量投影到低频空间中，获得过滤噪声向量后的测量值；
134.对所述低频分量及所述测量值进行小波逆变换，以对所述去噪图像进行重构。
135.在本说明书一个或多个实施例中，所述将各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络之前，方法还包括：
136.获取待巡检区域的历史巡检图像，生成所述待巡检区域的样本库；其中，所述历史巡检图像包含：巡检油井的坐标、巡检油井的故障点、安全隐患位置标注、非工作人员区域；
137.根据所述巡检子区域的范围对所述历史巡检图像进行分割作为图像样本；
138.提取分解所述图像样本的特征向量，将所述特征向量进行降维分解作为训练样本；
139.将所述训练样本作为输入、所述油井的安全隐患及位置坐标作为输出对进行训练，获得识别结果；
140.选择所述识别结果误差小的模型作为油井隐患识别网络模型。
141.在获得各巡检子区域的待分析图像之后，通过对各巡检区域的待分析图像进行灰度校正以及自适应直方图均衡化的处理，实现对待分析图像的图像校正。根据校正图像的预估噪声强度，可以确定小波变化的参数以对所述校正图像进行噪声过滤。
142.其中，需要说明的是，小波变化的参数包括：小波基、分解层数和阈值函数。通常情况下，无人机采集的图像经过校正之后聚含有平滑区域，也含有突变区域，而不同区域应该选择不同的小波基。在平滑区域中，通常选择具有较高阶消失矩阵的小波函数，因为它可以检测图像信号所包含的更加精细的奇异性，从而尽可能的回复图像细节问题。而在突变区域中通常选择紧支撑的小波基，以使图像的小波变化处理过程简单有效。而分解层数基于实际情况选择三到五层，以保证重构图像的误差最小，保证图像的精准性。
143.基于确定的小波变化参数对校正图像进行分解，获得校正图像的高频分量与低频分量。并通过高斯观测矩阵将变换后的高频分量投影到低频空间中，获得仅含有n维噪声向量的测量值，其中n的值越小则表示去除的噪声越多。将小波变化分解后的低频分量以及高斯观测矩阵处理后的测量值基于小波逆变换进行重构，获得过滤噪声之后的去噪图像。经过曲噪声图像的过滤，解决了无人机采集图像中的噪声干扰导致的图像分析可靠性低的问题。
144.将过滤之后的去噪图像作为待巡检区域符合要求的待分析图像，输入预先设置的油井隐患模型进行分析，从而获得待巡检区域中油井的安全隐患类型以及位置坐标。
145.其中，需要说明的是：在将各巡检子区域符合要求的待分析图像，输入预先设置的
油井隐患识别模型之前，需要对油井隐患识别模型进行构建训练，将符合要求的训练模型作为油井隐患识别模型。具体地，在本说明输一个或多个实施例中，基于互联网的爬虫技术或基于数据库中存储的数据获取待巡检区域的历史巡检图像，所述历史巡检图像中包含的信息有：历史巡检中油井的坐标、历史巡检中油井的故障点、历史巡检中检查到的安全隐患的位置及相关的隐患数据、历史巡检中获得的非工作人员的活动范围等。将获得的待巡检区域的历史巡检图像作为待巡检区域的样本库，并根据巡检子区域的范围对样本库中的历史图像进行分割作为待训练的图像样本，以保证训练模型对巡检子区域中图像的针对性训练分析。通过提取分解图像样本的特征向量对特征向量进行较为处理，并将降维分解后的特征向量作为训练数据输入训练模型，将油井的安全隐患类型以及安全隐患的位置作为输出以对神经网络模型进行训练。对训练结果进行评估，当识别的误差小于设置的阈值时将所述模型作为油井隐患识别网络模型。
146.如图2所示，本说明书一个或多个实施例提供了一种基于多无人机的油井巡检设备，所述设备包括：
147.至少一个处理器201；以及，
148.与所述至少一个处理器201通信连接的存储器202；其中，
149.所述存储器202存储有能够被所述至少一个处理器201执行的指令，所述指令被所述至少一个处理器201执行，以使所述至少一个处理器201能够：
150.获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置；
151.将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机；
152.确定所述多个巡检子区域中各无人机的最优飞行路径；
153.控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像；
154.根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的重叠区域；
155.过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分析图像；
156.将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型，输出所述油井的安全隐患类型及位置坐标。
157.如图3所示，本说明书一个或多个实施例中提供了一种非易失性存储介质，存储有计算机的可执行指令301，所述可执行指令301包括：
158.获取油井巡检任务；其中，所述油井巡检任务包含有待巡检区域中各油井的地理坐标位置；
159.将所述油井巡检任务的待巡检区域划分为多个巡检子区域，并为每个巡检子区域分配对应功能的多个无人机；
160.确定所述多个巡检子区域中各无人机的最优飞行路径；
161.控制所述无人机按照所述最优飞行路径在巡检子区域进行图像采集，获取所述油井的初始拍摄图像；
162.根据所述初始拍摄图像具有的位置坐标，确定各巡检子区域中多个无人机初始拍摄图像的重叠区域；
163.过滤所述各巡检子区域的重叠区域，获取所述各巡检子区域的清晰图像作为待分析图像；
164.将所述各巡检子区域符合要求的待分析图像输入预先设置的油井隐患识别网络模型，输出所述油井的安全隐患类型及位置坐标。
165.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
166.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。