李濤 韓嘉航 南曉亮 李楠 孫延吉

針對(duì)原油集輸管線泄漏監(jiān)測(cè)，本文探討顏色空間特征方法與深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法疊加，快速自動(dòng)識(shí)別判斷是否存在原油管線泄露造成的油污區(qū)域。通過無人機(jī)巡線視頻關(guān)鍵圖像數(shù)據(jù)，標(biāo)記正負(fù)數(shù)據(jù)集合，訓(xùn)練出高效卷積神經(jīng)網(wǎng)絡(luò)，對(duì)無人機(jī)巡線視頻數(shù)據(jù)進(jìn)行實(shí)時(shí)分析處理，并推送異常數(shù)據(jù)，提高輸油管線的安全生產(chǎn)能力。

一、引言

新疆塔河油田部分油氣管線貫穿棉田、水域、胡楊林，隨著服役時(shí)間逐年增加，管線腐蝕刺漏呈現(xiàn)出顯著增長(zhǎng)趨勢(shì)，既帶來經(jīng)濟(jì)損失，又對(duì)環(huán)境造成破壞。傳統(tǒng)人工巡線周期長(zhǎng)、效率低、覆蓋率不足，且無法對(duì)涉水和穿越胡楊林等管線有效監(jiān)測(cè)，導(dǎo)致不能及時(shí)發(fā)現(xiàn)管線刺漏，造成更大的污染事件。為提高巡線質(zhì)量，創(chuàng)新巡檢方式和管理模式，部分采油廠率先應(yīng)用無人機(jī)巡線，通過無人機(jī)搭載的高清晰攝像機(jī)對(duì)管道進(jìn)行全覆蓋、全方位體檢，顯著減少管線刺漏后大面積污染事件的發(fā)生。

二、管線泄漏監(jiān)測(cè)

原油集輸管線在油田生產(chǎn)中扮演著重要角色，但隨著管線投運(yùn)年限的不斷增長(zhǎng)，管線運(yùn)行風(fēng)險(xiǎn)日趨突顯，集中體現(xiàn)在管線腐蝕刺漏后造成的環(huán)境污染。在管道防腐問題尚未有效解決、管道運(yùn)行監(jiān)控技術(shù)尚未成熟的情況下，如何及時(shí)有效發(fā)現(xiàn)管道刺漏，已成為油田安全生產(chǎn)亟待解決的問題。部分采油廠引進(jìn)無人機(jī)技術(shù)應(yīng)用到管道巡線作業(yè)中，不僅大幅降低作業(yè)成本，同時(shí)將刺漏發(fā)生后的損失降至最低，有效保障了企業(yè)的安全生產(chǎn)。

在對(duì)管線進(jìn)行GPS坐標(biāo)打點(diǎn)的基礎(chǔ)上，每日制定無人機(jī)巡線表，依據(jù)坐標(biāo)數(shù)據(jù)進(jìn)行無人機(jī)自動(dòng)飛行，并依托無人飛行器管控平臺(tái)，采油廠實(shí)現(xiàn)了對(duì)無人機(jī)的實(shí)時(shí)監(jiān)控和專業(yè)管理。實(shí)時(shí)監(jiān)控包括畫面同傳，飛行器實(shí)時(shí)高度、速度、經(jīng)度、緯度、方向及飛行器性能等相關(guān)信息；同時(shí)該平臺(tái)還記錄每臺(tái)飛行器的歷史飛行信息（飛行時(shí)間、次數(shù)），對(duì)前期飛行視頻信息可進(jìn)行在線觀看或下載。通過視頻畫面即可及時(shí)發(fā)現(xiàn)管線泄漏產(chǎn)生的油污區(qū)域，定位管線的泄漏點(diǎn)，及時(shí)采取補(bǔ)救措施，降低經(jīng)濟(jì)損失和環(huán)境污染。

三、圖像識(shí)別綜合判定方法

通過人工瀏覽無人機(jī)巡線視頻，勞動(dòng)強(qiáng)度大，工作效率低。為了提高效率，采油廠開展了基于人工智能的圖像自動(dòng)監(jiān)測(cè)技術(shù)研究，訓(xùn)練原油集輸管線泄漏點(diǎn)的自動(dòng)判斷識(shí)別模型，并進(jìn)行了應(yīng)用模塊的開發(fā)應(yīng)用。

管道泄漏區(qū)域相對(duì)于未污染地域具有特殊的顏色分布規(guī)律，在大多數(shù)情況下油氣泄漏疑似區(qū)域?qū)Ρ日^(qū)域的顏色通道呈現(xiàn)特殊的亮度和飽和度特征，依據(jù)該規(guī)律可以建立油氣泄漏疑似區(qū)域的顏色模型，快速識(shí)別油氣泄漏的疑似區(qū)域。顏色特征方法計(jì)算速度快，可以迅速的將無人機(jī)拍攝的圖像中的油氣疑似泄漏區(qū)域分辨出來。但是顏色特征方法只是關(guān)注地域圖像的表面顏色特征，并不能對(duì)疑似區(qū)域進(jìn)行準(zhǔn)確的管道泄油判定，因此本文探討將顏色空間特征方法與深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法結(jié)合，應(yīng)用顏色空間特征方法快速提取地域圖像的疑似泄油區(qū)域，利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)疑似區(qū)域進(jìn)行精確判定，并標(biāo)識(shí)大致范圍。從而實(shí)現(xiàn)自動(dòng)識(shí)別判斷是否存在油氣泄漏造成的油污區(qū)域。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法是一種試圖使用多重非線性變換構(gòu)成的多個(gè)處理層對(duì)數(shù)據(jù)進(jìn)行高層抽象的算法，用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征提取高效算法來獲取圖像特征。標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)包含多個(gè)卷積層和池化層及一個(gè)全連接層實(shí)現(xiàn)對(duì)圖像內(nèi)容的分類和回歸。對(duì)圖像的卷積（Convolution）的過程就是利用一個(gè)卷積核（卷積模板）在圖像上滑動(dòng)，將圖像點(diǎn)上的像素灰度值與對(duì)應(yīng)的卷積核上的數(shù)值相乘，然后將所有相乘后的值相加作為卷積核中間像素對(duì)應(yīng)的圖像上像素的灰度值，并最終滑動(dòng)完所有圖像的過程。通過卷積操作，卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)圖像的特征提取，同時(shí)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用激活函數(shù)（一般為ReLUs函數(shù)，f（u） = max（0， u） ）來提供神經(jīng)網(wǎng)絡(luò)的非線性建模能力。卷積神經(jīng)網(wǎng)絡(luò)在卷積層后含有池化層（Pooling）對(duì)卷積后的圖像像素降低采樣，減少過擬合并壓縮數(shù)據(jù)量。通過一系列的卷積和采樣的工作后，卷積網(wǎng)絡(luò)與一個(gè)全連接網(wǎng)絡(luò)（Fully-connected）組合，由全連接網(wǎng)絡(luò)對(duì)卷積后的結(jié)果進(jìn)行分類或者回歸操作。

卷積神經(jīng)網(wǎng)絡(luò)的圖像表征學(xué)習(xí)能力在2006年深度學(xué)習(xí)理論被正式提出后，得到了廣泛關(guān)注，并隨著GPU等計(jì)算設(shè)備的更新開始快速發(fā)展。自2012年起，深度卷積神經(jīng)網(wǎng)絡(luò)多次成為ImageNet大規(guī)模視覺識(shí)別競(jìng)賽（ImageNet Large Scale Visual Recognition Challenge， ILSVRC）的優(yōu)勝算法，成為目前圖像識(shí)別的主流算法。

四、模型開發(fā)及應(yīng)用

管道泄漏判定模型開發(fā)的主要工作是訓(xùn)練一個(gè)可以準(zhǔn)確識(shí)別地面泄油污染的深度卷積神經(jīng)網(wǎng)絡(luò)。在深度卷積神經(jīng)網(wǎng)絡(luò)搭建中，本文采用地面泄油污染圖片以及目標(biāo)區(qū)域巡檢視頻作為訓(xùn)練素材，并將深度卷積網(wǎng)絡(luò)的圖像識(shí)別能力定為模型判定的泄漏區(qū)域與標(biāo)記的實(shí)際泄漏區(qū)域的對(duì)比。在本模型的建立過程中，應(yīng)用了約6000張圖像作為模型訓(xùn)練素材。

在深度卷積模型訓(xùn)練中首先要確認(rèn)卷積層和池化層的層數(shù)，當(dāng)層數(shù)過少時(shí)會(huì)出現(xiàn)特征提取點(diǎn)不夠充分的問題，過多則可能出現(xiàn)過擬合問題。本文根據(jù)每次訓(xùn)練評(píng)測(cè)的實(shí)際效果，上下調(diào)整層數(shù)，直至出現(xiàn)一個(gè)魯棒性強(qiáng)，過擬合低的卷積和池化層數(shù)。其次使用微調(diào)技術(shù)對(duì)每層權(quán)重進(jìn)行調(diào)整。通過不斷訓(xùn)練和對(duì)比深度卷積網(wǎng)絡(luò)模型的識(shí)別能力，微調(diào)權(quán)重值，并將最好的訓(xùn)練結(jié)果存儲(chǔ)起來作為下一次訓(xùn)練的模型基礎(chǔ)。在本模型的訓(xùn)練過程中，把batch size定為1，epoch定為20，每次都存儲(chǔ)最佳模型，并在訓(xùn)練結(jié)束時(shí)繪制loss/acc曲線。

最終建立的深度卷積網(wǎng)絡(luò)模型包含5個(gè)卷積層，3個(gè)池化層，和兩層全連接層，激活函數(shù)均為ReLUs，具體為：包含96個(gè)卷積核的第一卷積層（卷積核7*7、步長(zhǎng)2、邊緣擴(kuò)充0、激活函數(shù)ReLUs、局部響應(yīng)歸一化層）；第一最大池化層（過濾核13*13、步長(zhǎng)2）；512個(gè)卷積核的第二卷積層（卷積核3*3、步長(zhǎng)2、邊緣擴(kuò)充3、激活函數(shù)ReLUs、局部響應(yīng)歸一化層）；256個(gè)卷積核的第三卷積層（卷積核3*3、步長(zhǎng)2、邊緣擴(kuò)充2、激活函數(shù)ReLUs、局部響應(yīng)歸一化層）；第二最大池化層（過濾核3*3、步長(zhǎng)2）；421個(gè)卷積核的第四卷積層（卷積核3*3、步長(zhǎng)3、邊緣擴(kuò)充3、激活函數(shù)ReLUs）；512個(gè)卷積核的第五卷積層（卷積核3*3、步長(zhǎng)2、邊緣擴(kuò)充1、激活函數(shù)ReLUs）；96個(gè)卷積核的第六卷積層（卷積核13*13、步長(zhǎng)2、邊緣擴(kuò)充1、激活函數(shù)ReLUs）；第三最大池化層（過濾核7*7、步長(zhǎng)2）；第一全連接層（激活函數(shù)ReLUs、dropout處理）；第二全連接層（激活函數(shù)ReLUs、dropout處理）。

在巡線過程中，模型對(duì)無人機(jī)采集的照片或?qū)崟r(shí)巡線視頻進(jìn)行快速的顏色空間算法計(jì)算，迅速識(shí)別高概率非泄油圖像，實(shí)現(xiàn)單幀圖像的快速分辨，對(duì)疑似泄油區(qū)域輸入深度學(xué)習(xí)模型進(jìn)行精準(zhǔn)判斷，從而實(shí)現(xiàn)對(duì)地面泄油自動(dòng)圖像識(shí)別。

五、結(jié)論

本文探討了應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測(cè)無人機(jī)巡線視頻識(shí)別原油集輸管線泄露，監(jiān)測(cè)識(shí)別效率較人工方式提升了70%，有效降低了人工監(jiān)測(cè)勞動(dòng)強(qiáng)度。

作者單位：石化盈科信息技術(shù)有限責(zé)任公司