劉巖 張慶祿 厲彥柏

[摘 要]中國(guó)目前運(yùn)營(yíng)的輸油管道5萬(wàn)余千米，管道在河流穿越段附近發(fā)生泄漏事件，油品隨著水流快速擴(kuò)散，容易造成嚴(yán)重的環(huán)境污染，造成很壞的社會(huì)影響。通過(guò)在河流穿越段下游加裝監(jiān)測(cè)系統(tǒng)，可以及時(shí)發(fā)現(xiàn)油品泄漏，減少巡檢次數(shù)，快速響應(yīng)。

[關(guān)鍵詞]管道;油品泄漏;在線監(jiān)測(cè)

doi：10.3969/j.issn.1673 - 0194.2020.06.037

[中圖分類號(hào)]TP212.9;TN929.5;TP274[文獻(xiàn)標(biāo)識(shí)碼]A[文章編號(hào)]1673-0194（2020）06-00-02

0? ? ?引 言

管道運(yùn)輸作為五大運(yùn)輸方式之一，在油氣運(yùn)輸上獨(dú)具優(yōu)勢(shì)，可以平穩(wěn)、不間斷地將油氣運(yùn)輸?shù)饺珖?guó)各地。中國(guó)目前運(yùn)營(yíng)的輸油管道總長(zhǎng)5萬(wàn)余千米，在油品運(yùn)輸過(guò)程中，一旦管道發(fā)生泄漏，尤其是油品泄漏點(diǎn)在河流附近，流動(dòng)的河水會(huì)加速油污擴(kuò)散，如果沒(méi)有及時(shí)發(fā)現(xiàn)，將造成嚴(yán)重后果。2009年12月30日，中石油某成品油輸油管道發(fā)生泄漏，在渭河形成污染帶進(jìn)入黃河，污染了當(dāng)?shù)仫嬘盟?，造成很壞的社?huì)影響。通過(guò)在線監(jiān)測(cè)系統(tǒng)及時(shí)發(fā)現(xiàn)、及時(shí)處理，能夠大幅降低油品泄漏造成的影響。

1? ? ?油污在線監(jiān)測(cè)系統(tǒng)模型

油污在線監(jiān)測(cè)系統(tǒng)通過(guò)圖片及氣味數(shù)據(jù)進(jìn)行分析，針對(duì)識(shí)別出的油污水面向生產(chǎn)人員發(fā)送預(yù)警信息，通過(guò)人為二次判斷，確定現(xiàn)場(chǎng)情況。系統(tǒng)由數(shù)據(jù)采集模塊（包括視覺(jué)采集模塊和氣味采集模塊）、信號(hào)處理模塊、無(wú)線傳輸模塊、遠(yuǎn)程計(jì)算機(jī)模塊4部分組成，如圖1所示。

①系統(tǒng)采集模塊。系統(tǒng)采集模塊包含視覺(jué)采集模塊和氣味采集模塊。即采集特定范圍內(nèi)河面的圖像和氣味數(shù)據(jù)，并將所得到的電信號(hào)傳遞給信號(hào)處理模塊。②信號(hào)處理模塊。信號(hào)處理模塊為整個(gè)系統(tǒng)的關(guān)鍵，主要實(shí)現(xiàn)在各模塊、各傳感器之間的信號(hào)轉(zhuǎn)換、采集、存儲(chǔ)、處理和發(fā)送等功能。③通信模塊。通信模塊通過(guò)有線、無(wú)線的方式，將平臺(tái)采集的數(shù)據(jù)發(fā)送到遠(yuǎn)端計(jì)算機(jī)。④遠(yuǎn)端計(jì)算機(jī)。遠(yuǎn)端計(jì)算機(jī)接收傳輸過(guò)來(lái)的各項(xiàng)數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)建立神經(jīng)網(wǎng)絡(luò)模型，實(shí)時(shí)監(jiān)測(cè)河面是否存在油污泄漏和油膜存在等情況。對(duì)疑似油污存在的情況，發(fā)出報(bào)警提示，并顯示現(xiàn)場(chǎng)圖像，進(jìn)行人工判斷。

2? ? ?基于SVM的圖像監(jiān)控系統(tǒng)

支持向量機(jī)（SVM）已經(jīng)成為了解決數(shù)據(jù)挖掘問(wèn)題的重要方法，是基于統(tǒng)計(jì)學(xué)習(xí)理論和神經(jīng)網(wǎng)絡(luò)的技術(shù)。不同于傳統(tǒng)分類方法，SVM是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的分類技術(shù)，核心不是將學(xué)習(xí)器訓(xùn)練誤差降到最小，而更注重分類器的泛化能力，從而讓SVM在處理某些分類問(wèn)題時(shí)表現(xiàn)得更加高效且穩(wěn)定。

2.1? ?基于支持向量機(jī)（SVM）的圖像分割

在對(duì)圖像進(jìn)行分割時(shí)，通常采用的分割方法是基于閾值，根據(jù)以往經(jīng)驗(yàn)設(shè)定閾值并提取圖像的灰度、紋理、梯度等特征來(lái)分割圖像。按照個(gè)人經(jīng)驗(yàn)設(shè)定閾值和特征往往比較困難，通常需要多次調(diào)整閾值和特征信息以使實(shí)驗(yàn)結(jié)果更符合預(yù)期結(jié)果。然而在統(tǒng)計(jì)學(xué)習(xí)中，無(wú)須對(duì)每個(gè)特征設(shè)置固定的閾值，而是通過(guò)選擇適量的特征并明確對(duì)應(yīng)的權(quán)值，這樣在分類像素點(diǎn)時(shí)可以盡可能多地選擇特征作為樣本屬性。利用SVM原理對(duì)像素點(diǎn)進(jìn)行分類，解決圖像分割問(wèn)題。在建立SVM分類模型時(shí)，先選取訓(xùn)練樣本集，并確定SVM核函數(shù)及其參數(shù)，提取樣本的特征，最后確定訓(xùn)練樣本集進(jìn)行訓(xùn)練，并用SVM分類器分割圖像。

2.2? ?算法步驟

基于SVM的圖像監(jiān)控系統(tǒng)的算法步驟如圖2所示。

2.3? ?實(shí)驗(yàn)結(jié)果及分析

分析實(shí)驗(yàn)結(jié)果（如圖3所示）可以發(fā)現(xiàn)，系統(tǒng)對(duì)水面的油污進(jìn)行有效的分析識(shí)別。但在出現(xiàn)不規(guī)則物體陰影、強(qiáng)光折射時(shí)，系統(tǒng)可能出現(xiàn)誤判，此時(shí)需要通過(guò)更加豐富的訓(xùn)練集提高系統(tǒng)的準(zhǔn)確度和穩(wěn)定性。此外，應(yīng)適當(dāng)引入人工識(shí)別，不能因?yàn)樘岣邔?duì)異物的識(shí)別而遺漏對(duì)油污的識(shí)別，不能因小失大。

3? ? ?基于LVQ神經(jīng)網(wǎng)絡(luò)的氣味監(jiān)控系統(tǒng)

一個(gè)LVQ網(wǎng)絡(luò)由輸入層、競(jìng)爭(zhēng)層、輸出層等3個(gè)神經(jīng)元組成。其中競(jìng)爭(zhēng)層會(huì)通過(guò)輸入向量的距離學(xué)習(xí)，從而對(duì)輸入向量進(jìn)行分類。輸出層獲得競(jìng)爭(zhēng)層傳來(lái)的分類信息，并將其轉(zhuǎn)變?yōu)橐粋€(gè)類別，每個(gè)輸出層神經(jīng)元代表一個(gè)分類。在競(jìng)爭(zhēng)層和輸出層之間的連接權(quán)值固定為1。輸入層和競(jìng)爭(zhēng)層間的連接權(quán)值為參考矢量的分量。在LVQ網(wǎng)絡(luò)訓(xùn)練過(guò)程中，這些權(quán)值會(huì)被修改。所以在競(jìng)爭(zhēng)層和輸出層都有二進(jìn)制輸出值。當(dāng)某個(gè)輸入被傳送至LVQ網(wǎng)絡(luò)時(shí)，最接近輸入的參考矢量的競(jìng)爭(zhēng)神經(jīng)元獲得激發(fā)，從而贏得競(jìng)爭(zhēng)，產(chǎn)生一個(gè)“1”;而其他競(jìng)爭(zhēng)神經(jīng)元因此都被迫產(chǎn)生“0”。獲勝神經(jīng)元所在的神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，其他輸出神經(jīng)元逼迫發(fā)出“0”。產(chǎn)生“1”的輸出神經(jīng)元給出輸入對(duì)應(yīng)的類，每個(gè)輸出神經(jīng)元代表不同的類，如圖4所示。

4? ? ?實(shí)驗(yàn)結(jié)果及分析

圖5是基于LVQ神經(jīng)網(wǎng)絡(luò)的氣味監(jiān)控系統(tǒng)模型，實(shí)驗(yàn)中，筆者選取的數(shù)據(jù)集數(shù)據(jù)總數(shù)為569個(gè)，其中正常情況數(shù)據(jù)357個(gè)，泄露情況數(shù)據(jù)212個(gè)。隨機(jī)將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。其中，訓(xùn)練集數(shù)據(jù)總數(shù)為426個(gè)，正常情況270個(gè)，泄露情況156個(gè)。測(cè)試集數(shù)據(jù)總數(shù)143個(gè)，正常情況87個(gè)，泄露情況56個(gè)。使用訓(xùn)練集的數(shù)據(jù)對(duì)系統(tǒng)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后，使用測(cè)試集數(shù)據(jù)進(jìn)行校驗(yàn)。最終得出如下結(jié)果：測(cè)試集正常情況數(shù)據(jù)中，正確識(shí)別的為78個(gè)，誤判為泄露情況9個(gè)，正確率P1=89.655 2%;測(cè)試集泄露情況數(shù)據(jù)中，正確識(shí)別的為45個(gè)，誤判為泄露情況11個(gè)，正確率P2=80.357 1%。通過(guò)實(shí)驗(yàn)可以發(fā)現(xiàn)，在不考慮數(shù)據(jù)集樣本數(shù)據(jù)差異的情況下，訓(xùn)練集的容量越大，系統(tǒng)的正確識(shí)別率越高，通過(guò)豐富訓(xùn)練集容量，可以有效提高系統(tǒng)的正確率，同時(shí)系統(tǒng)可以自主學(xué)習(xí)，將每次測(cè)試的數(shù)據(jù)轉(zhuǎn)化為新的訓(xùn)練數(shù)據(jù)，盡可能提高系統(tǒng)的識(shí)別率。

5? ? ?結(jié) 語(yǔ)

通過(guò)以上實(shí)驗(yàn)結(jié)果不難發(fā)現(xiàn)，SVM神經(jīng)網(wǎng)絡(luò)圖像識(shí)別與LVQ神經(jīng)網(wǎng)絡(luò)氣味監(jiān)控系統(tǒng)，在水面油污監(jiān)控中能達(dá)到較好應(yīng)用，但是在實(shí)際環(huán)境中，干擾系統(tǒng)識(shí)別的因素千差萬(wàn)別，一盆肥皂水、一艘游船經(jīng)過(guò)都可能造成監(jiān)控系統(tǒng)誤判，需要加入人工識(shí)別的方式進(jìn)行二次診斷，在發(fā)現(xiàn)可疑情況時(shí)及時(shí)報(bào)警，并實(shí)時(shí)傳送監(jiān)控圖像和氣味識(shí)別數(shù)據(jù)，由人工進(jìn)行核實(shí)。應(yīng)用水面油污監(jiān)控系統(tǒng)并不表示可以完全不用人工管理，只是作為初篩使用，現(xiàn)實(shí)生產(chǎn)不同于實(shí)驗(yàn)室，萬(wàn)分之一的誤判都有可能造成嚴(yán)重后果，所以在系統(tǒng)使用過(guò)程中，只要圖像和氣味兩個(gè)識(shí)別系統(tǒng)有一個(gè)發(fā)現(xiàn)異常，就會(huì)警報(bào)。

主要參考文獻(xiàn)

[1]邊冰，劉奇，何浩.基于LVQ神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)測(cè)系統(tǒng)[J].華北理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2017（1）：12-16.

[2]王博，劉俊康，陸逢貴，等.基于卷積神經(jīng)網(wǎng)絡(luò)的食品圖像識(shí)別[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2019（18）：6241-6247.