买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河北中科复兴科技有限公司申请的专利一种基于增强现实技术的燃气管道巡检与维修方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119130431B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411150475.9，技术领域涉及：G06Q10/20；该发明授权一种基于增强现实技术的燃气管道巡检与维修方法是由王学锦设计研发完成，并于2024-08-21向国家知识产权局提交的专利申请。

本一种基于增强现实技术的燃气管道巡检与维修方法在说明书摘要公布了：本发明提供一种基于增强现实技术的燃气管道巡检与维修方法，涉及通过佩戴增强现实设备连接智能巡检系统和边缘计算平台，利用多模态传感器网络扫描环境生成三维模型。实时查看管道状态结合量子图像处理技术识别故障点，并通过分布式图灵学习算法处理数据。标注故障点并使用量子因果推理模型识别故障，显示个性化维修建议。维修过程中提供实时操作指导，自动记录数据并通过物联网上传云端，利用大数据和机器学习进行故障预测和维护优化，通过远程通信实现专家指导。

本发明授权一种基于增强现实技术的燃气管道巡检与维修方法在权利要求书中公布了：1.一种基于增强现实技术的燃气管道巡检与维修方法，包括以下步骤： S1、佩戴增强现实设备，将增强现实设备与智能巡检系统和边缘计算平台进行连接，利用多模态传感器网络进行初始环境和设备状态扫描，生成三维环境模型数据； S2、通过增强现实设备实时查看燃气管道状态信息，获取多模态传感器数据，并进行预处理，同时获取燃气管道的环境图像数据，结合三维环境模型数据和量子图像处理技术，通过改进的卷积神经网络生成故障点识别模型，实时识别和定位潜在故障点； S3、利用增强现实技术实时叠加和显示多模态传感器数据，结合历史的多模态传感器数据进行多维度异常检测和趋势分析，采用增强现实标注和虚拟辅助技术标记故障点，并通过分布式图灵学习算法生成故障点识别和预测模型，实时识别和预测潜在故障点； S4、自动或手动标注已识别出的故障点，生成初步故障点集合，采集初步故障点的多模态传感器数据，并进行数据融合，使用量子因果推理模型对融合后的数据进行最终故障识别，同时生成并显示个性化的维修建议和步骤； S5、在维修过程中，通过增强现实设备提供实时操作指导，包括具体的维修步骤、所需工具和材料； S6、自动记录巡检和维修数据，通过物联网技术实时上传至云端； S7、利用大数据分析和机器学习算法，对上传的维修数据进行智能分析，结合环境模型和实时传感器数据进行故障趋势预测和多级预警，优化维护计划； S8、通过远程通信技术，现场巡检和维修人员与远程专家实时沟通，专家通过共享的增强现实视角提供专业指导； 所述S1包括以下步骤： S11、佩戴增强现实设备，增强现实设备包括显示单元、摄像单元和数据处理单元； S12、将增强现实设备通过无线连接或有线连接的方式与智能巡检系统和边缘计算平台进行连接； S13、智能巡检系统和边缘计算平台：由多模态传感器网络、数据处理单元和通信模块、数据预处理单元、实时计算单元和存储单元组成； S14、部署多模态传感器网络，多模态传感器包括温度传感器、压力传感器、流量传感器和气体成分传感器，多模态传感器通过无线网络或有线网络连接到智能巡检系统； S15、进行初始环境扫描，利用增强现实设备的摄像单元和多模态传感器网络获取环境图像和设备状态数据，通过数据处理单元进行融合处理，生成初始环境模型； S16、基于初始环境模型，应用三维重建算法生成动态三维环境模型数据； S17、在三维环境模型数据中标注管道布局、走向和连接点，并与增强现实设备进行实时同步； 所述S2包括以下步骤： S21、通过增强现实设备的显示单元实时查看燃气管道状态信息，包括管道的布局、走向和连接点，所述显示单元包括高清显示屏和高分辨率摄像头； S22、通过智能巡检系统获取多模态传感器数据，包括温度传感器数据、压力传感器数据、流量传感器数据和气体成分传感器数据，所述多模态传感器数据通过无线通信模块传输至边缘计算平台； S23、边缘计算平台对多模态传感器数据进行预处理，包括数据清洗、滤波和初步异常检测，生成初步预处理数据集Dsensor： 数据清洗：多模态传感器数据为D＝{d1,d2,…,dn}，通过去除噪声和异常值得到清洗后的数据集Dclean； Dclean＝{di∣|di-μ|≤3σ}； 其中，di为第i个多模态传感器数据点，μ为多模态传感器数据的均值，σ为多模态传感器数据的标准差； 滤波：使用卡尔曼滤波对数据进行平滑处理： Pk|k-1＝APk-1|k-1AT+Q； Kk＝Pk|k-1HTHPk|k-1HT+R-1； Pk|k＝I-KkHPk|k-1； 其中，为预测状态，为更新状态，P为协方差矩阵，K为卡尔曼增益，A为状态转移矩阵，B为控制输入矩阵，uk为控制输入，Q为过程噪声协方差，H为观测矩阵，R为观测噪声协方差，zk为观测值； 初步异常检测：通过统计分析方法检测并标记异常值并生成预处理数据集Dsensor； S24、利用增强现实设备的摄像单元获取管道的环境图像数据I，通过量子图像处理技术进行图像增强和分析，所述量子图像处理技术包括： 量子傅里叶变换转换图像数据至频域，增强图像细节： 其中，Ix,y为原始图像数据，IQFTu,v为经过量子傅里叶变换后的频域图像数据，M和N为图像的宽度和高度，u和v为频域中的坐标； 量子边缘检测算法识别图像中的边缘和轮廓： 其中，Ex,y为边缘检测后的图像，和分别为图像在x和y方向的梯度； S25、融合预处理数据集Dsensor和量子图像处理结果IQFT，通过改进的卷积神经网络进行数据处理和分析，生成故障点识别模型Mfault： 改进的卷积神经网络的训练过程包括优化以下目标函数： 其中，N样本数量,表示选择概率最大的类别e自然常数,σ激活函数,maxk,l表示在池化操作中取池化窗口内的最大值,Dsensor,m第m个预处理数据,wmj卷积核权重,bj卷积层偏置,wjk全连接层权重，bk全连接层偏置，yi第i个样本的真实标注； 具体的卷积神经网络模型结构如下： 输入层：接受预处理数据Dsensor和量子图像处理结果IQFT； 卷积层：应用卷积核W提取特征： 其中，为第l层中第j个神经元的输出，σ为激活函数，Mj为第j个神经元的感受野，为卷积核权重，为偏置项； 池化层：对卷积层输出进行下采样： 其中，Pj为池化窗口； 全连接层：将池化层输出连接到全连接层，进行故障点识别： z＝Wfch+bfc； 其中，z为全连接层输出，Wfc为全连接层权重，bfc为偏置项； S26、通过故障点识别模型Mfault实时识别和定位潜在故障点Pfault，包括故障点的位置坐标x,y,z和故障类型： Pfault＝{xi,yi,zi,Ti∣i＝1,2,…,m}； 其中，xi,yi,zi为第i个故障点的位置坐标，Ti为第i个故障点的故障类型； S27、将故障点信息Pfault叠加在管道的三维环境模型数据上，通过增强现实设备的显示单元实时呈现给巡检人员，并生成实时警报和详细故障信息，供巡检人员进行进一步处理。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河北中科复兴科技有限公司，其通讯地址为：050000 河北省石家庄市新石北路368号金石工业园区1号加速器1层105室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。