蔣 也

（中國石化集團(tuán)經(jīng)濟(jì)技術(shù)研究院有限公司，北京 100029）

當(dāng)前國際社會(huì)中不確定和不穩(wěn)定因素漸增，保障國家能源安全顯得格外重要。但鑒于油田勘探開發(fā)的日漸深入，剩余資源的開采難度日益加大，油田開采成本逐年漸長，迫切需要技術(shù)革新來緩解開發(fā)矛盾實(shí)現(xiàn)效益提升。相比于油氣技術(shù)短時(shí)間內(nèi)發(fā)生革命性進(jìn)步，采取油氣技術(shù)＋互聯(lián)網(wǎng)的方式，借助機(jī)器視覺技術(shù)建設(shè)智能油田更有望成為當(dāng)前油田降本增效的有效途徑。它既能顯著提升勘探開發(fā)效率，還能減少員工重復(fù)性工作，降低人工成本，實(shí)現(xiàn)人力資源價(jià)值提升。與此同時(shí)，“新基建”已發(fā)展成為國家性戰(zhàn)略，這勢必將助推5G技術(shù)和人工智能技術(shù)的快車道發(fā)展，為機(jī)器視覺技術(shù)在智能油田中的新階段應(yīng)用創(chuàng)造了極佳的配套環(huán)境。

1 機(jī)器視覺概述

機(jī)器視覺是人工智能最重要的前沿技術(shù)之一，是對(duì)人類視覺系統(tǒng)的一種模擬，它賦予了機(jī)器“感知”和“判斷”的能力。通常一個(gè)機(jī)器視覺系統(tǒng)由圖像采集、圖像處理、圖像分析、圖像識(shí)別及圖像解釋等五部分組成。其工作原理具體來說，就是利用攝像設(shè)備對(duì)目標(biāo)物進(jìn)行圖像攝取，通過對(duì)獲得的圖像進(jìn)行信號(hào)處理并對(duì)目標(biāo)圖像提取特征值分析，最后再進(jìn)行模式識(shí)別、空間計(jì)算等操作以實(shí)現(xiàn)特定功能目的。相對(duì)于人類視覺而言，機(jī)器視覺在觀測速度、精度、感光范圍、環(huán)境要求等方面都表現(xiàn)尤佳，特別是在有害環(huán)境或重復(fù)性工作環(huán)境下，其具有較強(qiáng)的人工替代性。

2 機(jī)器視覺技術(shù)在油田應(yīng)用現(xiàn)狀

1999年，大慶油田首次提出“數(shù)字油田”概念。經(jīng)過多年信息化建設(shè)，我國傳統(tǒng)油田基本實(shí)現(xiàn)了向數(shù)字油田的轉(zhuǎn)變，邁向了探索智能油田建設(shè)道路。未來，人工智能技術(shù)將在智能油田領(lǐng)域扮演著更為重要的角色，而相對(duì)較為成熟的機(jī)器視覺技術(shù)勢必會(huì)成為智能油田能否真正落地的關(guān)鍵性技術(shù)之一。因此，近年來國內(nèi)外學(xué)者在油田的勘探開發(fā)、現(xiàn)場管理、潛力預(yù)測等方面都嘗試融入機(jī)器視覺技術(shù)，開展了一系列探索性研究，也取得了一定的進(jìn)展，為下一步技術(shù)與生產(chǎn)深度融合奠定了理論基礎(chǔ)。

2.1 油田勘探開發(fā)領(lǐng)域

1）油井示功圖識(shí)別

在油田生產(chǎn)運(yùn)行中，通過分析實(shí)時(shí)示功圖的輪廓特征，能在一定程度上直接確定油井是否發(fā)生故障及判斷故障類型。但目前該項(xiàng)工作主要依賴于人工判斷，存在強(qiáng)烈的個(gè)體主觀差異性，若是引入機(jī)器視覺技術(shù)進(jìn)行示功圖識(shí)別，既能消除經(jīng)驗(yàn)效應(yīng)提升判定準(zhǔn)確度，又能實(shí)現(xiàn)對(duì)單井的全天候工況智能分析，保障油井穩(wěn)定運(yùn)行。在這項(xiàng)技術(shù)應(yīng)用中，特征提取是關(guān)鍵性過程，期間所采取的算法將直接影響自動(dòng)識(shí)別結(jié)果。當(dāng)前主流的算法包括基于灰度矩陣、曲線特征以及解析公式等3類特征提取方法，其中基于灰度矩陣的特征提取方法相較于其他2種，在預(yù)測精度和可移植性方面都具有較大優(yōu)勢[1]。

總體來說，示功圖的智能識(shí)別是現(xiàn)今機(jī)器視覺技術(shù)與油田勘探開發(fā)結(jié)合中最為成功的方向，研究者們對(duì)識(shí)別準(zhǔn)確度和識(shí)別效率不斷完善，這將為下一步深度應(yīng)用提供豐富理論支撐。如周斌等[2]將示功圖信號(hào)、電功率信號(hào)和井口溫度信號(hào)作為特征視角，基于Hessian局部線性特征映射算法建立新的識(shí)別模型，進(jìn)一步提升了油井功圖識(shí)別準(zhǔn)確率。殷昭等[3]提出先基于歐式距離算法判定實(shí)時(shí)功圖和標(biāo)準(zhǔn)功圖的相似度，再根據(jù)反饋結(jié)果決定是否進(jìn)行進(jìn)一步識(shí)別，大大提高了油井示功圖處理效率。此外，張曉等[4]利用計(jì)算機(jī)模型推導(dǎo)出泵功圖，再通過基于神經(jīng)網(wǎng)絡(luò)的模式識(shí)別技術(shù)對(duì)油井特征識(shí)別，提高了功圖計(jì)產(chǎn)效率，單井液量符合率能達(dá)86%，實(shí)現(xiàn)了自動(dòng)量油的進(jìn)一步發(fā)展。

2）巖心巖石分類

巖心是了解地下地層和含礦特性最直觀、最實(shí)際的資料，傳統(tǒng)巖石薄片鑒定以肉眼觀察和描述為主，存在主觀性強(qiáng)、定量困難、耗時(shí)較長等問題。隨著機(jī)器視覺技術(shù)愈發(fā)成熟，越來越多的研究者將其引入到巖性信息自動(dòng)提取領(lǐng)域，以期緩解傳統(tǒng)方式鑒定巖石薄片所存在的問題。Borazjani等[5]基于Duham石灰?guī)r分類標(biāo)準(zhǔn)建立紋理識(shí)別模型，通過對(duì)薄片圖像提取13個(gè)特征值，將特征值參數(shù)作為輸入訓(xùn)練多層感知神經(jīng)網(wǎng)絡(luò)（MLP-NN）進(jìn)行碳酸鹽巖巖性自動(dòng)判別。Mlynarczuk等[6]針對(duì)9種巖石收集了2 700張圖像，分別采用4種模式識(shí)別方法和4個(gè)色彩空間進(jìn)行組合試驗(yàn)，結(jié)果表明基于最近鄰算法和CIELab組合模型能實(shí)現(xiàn)多種類巖石識(shí)別效果最佳。白林等[7]提出采用深度學(xué)習(xí)方法，建立了薄片分類的VGG模型，對(duì)6類常見巖石薄片圖像完成了自動(dòng)分類，測試集準(zhǔn)確率達(dá)82%。程國建等[8]通過卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了圖像特征自動(dòng)提取，并同時(shí)建立模式分類器實(shí)現(xiàn)了巖石圖像粒度分類，準(zhǔn)確率超過90%。

3）地震資料處理與解釋

當(dāng)前地震資料處理與解釋工作難度與日俱增，亟待需要新技術(shù)的引入來進(jìn)一步挖掘數(shù)據(jù)中的潛力，提高識(shí)別精度，機(jī)器視覺技術(shù)的成熟發(fā)展能在一定程度上填補(bǔ)這一空白。吳微等[9]利用Tensorflow深度學(xué)習(xí)框架開展了網(wǎng)絡(luò)參數(shù)尋優(yōu)，基于搭建好的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和預(yù)測，實(shí)現(xiàn)了對(duì)河流相識(shí)別成功率高于75%。斷層識(shí)別是地震資料解釋的關(guān)鍵環(huán)節(jié)之一，王紫蕊等[10]搭建卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)三維實(shí)際地震數(shù)據(jù)進(jìn)行斷層識(shí)別和預(yù)測，并與常用的相干體算法結(jié)果對(duì)比，具有更好的準(zhǔn)確性且噪聲處理效果更好。不僅如此，史玉平等[11]使用波形搜索策略大幅提高了波形拾取結(jié)果，體現(xiàn)了機(jī)器視覺技術(shù)在地震剖面數(shù)據(jù)恢復(fù)中也大有可為，有效避免了重新進(jìn)行地震勘探的耗時(shí)費(fèi)錢，極具經(jīng)濟(jì)價(jià)值。

4）油藏構(gòu)造描述

精確的油藏構(gòu)造描述是勘探開發(fā)取得成功的重要基礎(chǔ)，在這一過程中弱化人工因素，提升自動(dòng)識(shí)別程度有利于提高精確描述水平。楊玉卿等[12]基于電成像測井圖采用了曲線擬合及曲線移動(dòng)技術(shù)，并結(jié)合圖像識(shí)別技術(shù)，達(dá)到了快速檢測地層界面和求取界面產(chǎn)狀的效果。油田開發(fā)進(jìn)入中后期時(shí)，井網(wǎng)愈加密集，開展地層對(duì)比工作也愈加困難。徐朝暉等[13]提出基于卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)測井曲線進(jìn)行特征提取，完成圖像分割實(shí)現(xiàn)了地層自動(dòng)對(duì)比，并且地層越厚自動(dòng)對(duì)比效果就越好，越能顯示出相較于人工對(duì)比地層的優(yōu)越性。Ye[14]使用連續(xù)小波變換將一維測井曲線轉(zhuǎn)化成二維圖像，利用機(jī)器視覺技術(shù)，實(shí)現(xiàn)了地層界面、地層疊置方式和地層斷裂的識(shí)別與解釋。

2.2 油田現(xiàn)場管理領(lǐng)域

機(jī)器視覺技術(shù)應(yīng)用在油田現(xiàn)場管理中，既能提高安全監(jiān)管質(zhì)量，降低隱藏性安全風(fēng)險(xiǎn)，又能減少油田員工的重復(fù)性工作，提升人力資源價(jià)值，因此得到了油田企業(yè)的廣泛應(yīng)用，尤其是對(duì)視頻監(jiān)控的識(shí)別。例如，袁一丹[15]利用PHOG-LBP算法對(duì)視頻中的行人進(jìn)行定位，建立了HSV模型對(duì)油田員工穿戴規(guī)范進(jìn)行自動(dòng)檢測，現(xiàn)已在新疆克拉瑪依油田成功應(yīng)用。類似的，在勝利油田郝現(xiàn)管理區(qū)也采用了機(jī)器視覺技術(shù)對(duì)油井區(qū)域入侵進(jìn)行了自動(dòng)識(shí)別與報(bào)警提醒，以此來輔助生產(chǎn)指揮中心的人工識(shí)別。不僅如此，無論是在當(dāng)前國內(nèi)外油田企業(yè)積極布局的無人機(jī)輔助巡井應(yīng)用中，還是在石油管線泄漏檢測和定位技術(shù)中，機(jī)器視覺技術(shù)都扮演著舉足輕重的角色，它極大地促進(jìn)了勞動(dòng)力釋放，擴(kuò)大了人眼的視覺范圍，提高了油田安全系數(shù)。

2.3 油田潛力預(yù)測領(lǐng)域

機(jī)器視覺技術(shù)的應(yīng)用價(jià)值，既體現(xiàn)在對(duì)油氣技術(shù)的改進(jìn)優(yōu)化上，更體現(xiàn)在對(duì)油田潛力的智能預(yù)測中。如付超等[16]利用聚類算法和無監(jiān)督學(xué)習(xí)方法提取地震油氣特征，并結(jié)合支持向量機(jī)算法對(duì)特征值進(jìn)行檢測和學(xué)習(xí)，實(shí)現(xiàn)了對(duì)未知的地震油氣儲(chǔ)層分布的預(yù)測。吳君達(dá)等[17]打破數(shù)值模擬的局限性，將注采參數(shù)和生產(chǎn)時(shí)間作為剩余油分布圖像的特征，通過卷積層和轉(zhuǎn)置卷積層操作，把多個(gè)圖像特征還原到原圖，實(shí)現(xiàn)了對(duì)不同生產(chǎn)階段剩余油分布的預(yù)測。事實(shí)上，隨著人工智能技術(shù)的持續(xù)發(fā)展，未來機(jī)器視覺技術(shù)將會(huì)在油田潛能預(yù)測領(lǐng)域有著更多優(yōu)秀表現(xiàn)。

3 機(jī)器視覺技術(shù)應(yīng)用發(fā)展探討[18]

通過現(xiàn)狀調(diào)研可知，當(dāng)前機(jī)器視覺與油田融合的理想場景有很多，但實(shí)際投入應(yīng)用的場景有待增加，而且油田生產(chǎn)涉及復(fù)雜工況，實(shí)際應(yīng)用的準(zhǔn)確率仍要不斷提升。再者，油田企業(yè)雖然擁有巨大的“數(shù)據(jù)池”，但現(xiàn)階段僅僅是完成了數(shù)據(jù)采集的工作，對(duì)于各項(xiàng)數(shù)據(jù)的處理與解析仍停留在人工和數(shù)字化階段。機(jī)器視覺技術(shù)是一種將數(shù)據(jù)效益化的重要手段，將機(jī)器視覺技術(shù)與油田業(yè)務(wù)緊密融合如同為智能油田建設(shè)賦予了視覺神經(jīng)系統(tǒng)，將有效助力智能油田進(jìn)行更復(fù)雜的智慧決策。

3.1 建設(shè)目標(biāo)

基于油田穩(wěn)定生產(chǎn)和智能建設(shè)的大前提，機(jī)器視覺技術(shù)要著力以精準(zhǔn)化勘探開發(fā)、高效化地面工程和智能化經(jīng)營管理為目標(biāo)，同油田生產(chǎn)運(yùn)營工作深度融合，為智能油田的全面建設(shè)奠定先行基礎(chǔ)，助力實(shí)現(xiàn)研究、生產(chǎn)、運(yùn)營的互聯(lián)共通、效益提升。

3.2 建設(shè)模式

機(jī)器視覺在油田的深度應(yīng)用要緊密圍繞智能油田這一頂層設(shè)計(jì)，結(jié)合當(dāng)前主流算法框架優(yōu)化運(yùn)算精度，創(chuàng)建全新的油田管理方式，推動(dòng)建設(shè)向應(yīng)用場景多元化、實(shí)施效果精準(zhǔn)化、綜合決策智能化邁進(jìn)。但這一過程的實(shí)現(xiàn)并非朝夕之功，首先需要解決以下問題：

1）監(jiān)控設(shè)備高密度覆蓋

經(jīng)過多年的信息化建設(shè)，油田基本完成了網(wǎng)絡(luò)部署，但在監(jiān)控設(shè)備的普及力度上仍不夠，未能實(shí)現(xiàn)所有油水井覆蓋，僅維持在50%以內(nèi)，這將意味著近一半的油水井不能實(shí)現(xiàn)數(shù)字巡井和遠(yuǎn)程啟停。

2）高精度數(shù)據(jù)實(shí)時(shí)采集

當(dāng)前油田基本實(shí)現(xiàn)了數(shù)據(jù)自動(dòng)采集的功能，但反饋的采集數(shù)據(jù)若想要指導(dǎo)生產(chǎn)，自動(dòng)化設(shè)備的精確度和穩(wěn)定性仍需進(jìn)一步提高。再者大量的自動(dòng)化設(shè)備都處于室外使用，其續(xù)航能力也亟待繼續(xù)提升。

3）數(shù)據(jù)高速傳輸與存儲(chǔ)

油田的實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)都極大，面臨數(shù)據(jù)傳輸滯遲和存儲(chǔ)容量緊缺風(fēng)險(xiǎn)。要基于5G等最新通信技術(shù)改善數(shù)據(jù)傳輸效率，保障實(shí)時(shí)數(shù)據(jù)通信周期穩(wěn)定，基于云儲(chǔ)存技術(shù)實(shí)現(xiàn)更高量級(jí)數(shù)據(jù)存儲(chǔ)，確保數(shù)據(jù)的“采-輸-用-存”整體安全流暢。

4）新技術(shù)融合多維賦能

要加強(qiáng)“大物智云”的應(yīng)用融合，完善數(shù)據(jù)、算法和業(yè)務(wù)結(jié)合的適配性，逐步搭建出全面感知油田的“神經(jīng)網(wǎng)絡(luò)”，實(shí)現(xiàn)機(jī)器視覺應(yīng)用過程中精確度和智能性的提升，真正達(dá)到向“技術(shù)”要效益。

3.3 建設(shè)方向

機(jī)器視覺與油田的深度融合是智能油田實(shí)現(xiàn)的必經(jīng)之路，要在以下幾個(gè)方面持續(xù)發(fā)力：

1）做實(shí)頂層設(shè)計(jì)

基于智能油田的大框架發(fā)展機(jī)器視覺深度融合，要遵循統(tǒng)一思路、統(tǒng)一規(guī)劃、統(tǒng)一研發(fā)的原則，從全局出發(fā)以較低成本實(shí)現(xiàn)數(shù)據(jù)互融共通，避免重復(fù)投入浪費(fèi)資金，穩(wěn)步奠定智能油田的全面感知基礎(chǔ)。

2）強(qiáng)化標(biāo)準(zhǔn)建設(shè)

要實(shí)現(xiàn)油田大范圍的互聯(lián)互通，全面感知，就要加強(qiáng)標(biāo)準(zhǔn)化建設(shè)，打破因系統(tǒng)不通、協(xié)議標(biāo)準(zhǔn)不一致的通信問題。建議以試點(diǎn)模式在某些領(lǐng)域先推行標(biāo)準(zhǔn)化建設(shè)，以點(diǎn)帶面，漸進(jìn)式擴(kuò)大。

3）培植人才隊(duì)伍

新興技術(shù)與油氣技術(shù)的結(jié)合屬于跨領(lǐng)域創(chuàng)新，存在跨專業(yè)障礙，培養(yǎng)“IT＋OT”的復(fù)合型人才將有利于業(yè)務(wù)融合范圍擴(kuò)大，落實(shí)到真正的業(yè)務(wù)需求。在相關(guān)人才隊(duì)伍建設(shè)方面，既可適當(dāng)引進(jìn)相關(guān)成熟人才，也可重點(diǎn)培養(yǎng)有潛力的在職員工，以項(xiàng)目為契機(jī)鼓勵(lì)員工多維度發(fā)展。

4 結(jié)語

“新基建”戰(zhàn)略的提出將催生機(jī)器視覺等新興技術(shù)加速落地應(yīng)用，智能油田建設(shè)也將會(huì)迎來新的發(fā)展契機(jī)。在當(dāng)前低油價(jià)時(shí)期，推動(dòng)機(jī)器視覺技術(shù)在油田深度融合有利于節(jié)約人工成本，提高開發(fā)效率，促進(jìn)油田的高質(zhì)量發(fā)展，助力油田在技術(shù)層面的轉(zhuǎn)型升級(jí)，為下一步全面建設(shè)智能油田奠定堅(jiān)實(shí)基礎(chǔ)。