張 蕾,靳澤園,李婷玉,趙崇志,程有為,田 楓,劉 芳

1(中國石油天然氣股份有限公司 冀東油田分公司,唐山 063004)

2(東北石油大學(xué) 計算機(jī)與信息技術(shù)學(xué)院,大慶 163318)

隨著云平臺和微服務(wù)技術(shù)的不斷發(fā)展,視頻監(jiān)控技術(shù)漸漸向高并發(fā)、輕量化發(fā)展.而油田作業(yè)現(xiàn)場現(xiàn)有的視頻監(jiān)控系統(tǒng)目前僅實現(xiàn)了基本的監(jiān)控功能,在架構(gòu)上存在系統(tǒng)響應(yīng)速度慢、客戶端部署困難、系統(tǒng)拓展性差、未與現(xiàn)有辦公網(wǎng)絡(luò)的對接等問題.另外,油田作業(yè)現(xiàn)場作為油田生產(chǎn)作業(yè)的重要工作環(huán)境,存在許多需要重點(diǎn)監(jiān)視和防范的危險因素,例如火災(zāi)、管道油液泄漏、違規(guī)抽煙等.面對這些具有突發(fā)性、隱蔽性的安全隱患,目前油田并沒有有效的應(yīng)對措施,仍主要依靠人工巡查,以及通過視頻監(jiān)控被動監(jiān)視的方式應(yīng)對.針對上述問題,部分作業(yè)現(xiàn)場安裝了視頻監(jiān)控設(shè)備,雖然對解決上述問題起到了一定的作用,也減輕了外出排查的工作量,但本質(zhì)上是一種被動式監(jiān)控,無法保證監(jiān)控的及時性、有效性和系統(tǒng)性,也不利于管理人員實時、準(zhǔn)確、全面地掌握安全隱患.

隨著傳統(tǒng)監(jiān)控系統(tǒng)架構(gòu)缺點(diǎn)不斷放大,人們開始把目光放在“云”這個領(lǐng)域上.近兩年,中石油著手建設(shè)的“勘探開發(fā)夢想云平臺”,是在油田數(shù)字化方面的重大轉(zhuǎn)型升級,該平臺基于PaaS 云架構(gòu),“夢想云”建立統(tǒng)一開放的技術(shù)平臺,開發(fā)容器、微服務(wù)、軟件開發(fā)流水線、企業(yè)服務(wù)目錄、應(yīng)用商店等主要功能,形成“模塊化、迭代式”敏捷開發(fā)模式,統(tǒng)一支持上游業(yè)務(wù)應(yīng)用的開發(fā)、集成、服務(wù)[1].同時,中石油正在架設(shè)微服務(wù)化云端平臺.

微服務(wù)[2]架構(gòu)方式在監(jiān)控系統(tǒng)中的應(yīng)用目前屬于探索階段,在油田監(jiān)控系統(tǒng)中尚未有應(yīng)用案例.現(xiàn)為響應(yīng)數(shù)字油田的號召,需要對監(jiān)控系統(tǒng)升級重構(gòu),進(jìn)行微服務(wù)化改造,并與“夢想云”平臺對接.

在云平臺興起的同時,視頻監(jiān)控技術(shù)已經(jīng)從網(wǎng)絡(luò)視頻監(jiān)控邁入智能視頻監(jiān)控時代.智能視頻監(jiān)控技術(shù)作為第四代視頻監(jiān)控技術(shù),在國外起步較早,2007年,中佛羅里達(dá)大學(xué)(University of Central Florida)研發(fā)的Knight 系統(tǒng)是一個全自動的多攝像頭監(jiān)控系統(tǒng),該系統(tǒng)使用計算機(jī)視覺技術(shù)對場景中的移動物體進(jìn)行檢測,分類和跟蹤[3].2013 美國ISS 公司推出的SecurOS Face 商業(yè)產(chǎn)品在合理的光照情況下能夠提取高速運(yùn)動的人臉圖像,并同時對多個人臉圖像進(jìn)行檢測,自動對最佳定位角度下的人臉圖像進(jìn)行快速采集與搜索[4].2015年,德國博世公司推出的IVA4.0 第4 代智能視頻分析系統(tǒng),能夠適應(yīng)不同的光照變化和復(fù)雜的環(huán)境變化,對室內(nèi)外移動目標(biāo)進(jìn)行檢測、跟蹤與分析[5].

在國內(nèi),智能視頻監(jiān)控技術(shù)在近幾年才開始研究.大華、?？低暤葟S家在視頻監(jiān)控網(wǎng)絡(luò)化和智能化領(lǐng)域有一定的技術(shù)積累,但是其監(jiān)控對象僅針對一些通用場景,如社區(qū)監(jiān)控、門禁監(jiān)控、交通監(jiān)控等.市場上缺乏能夠有效集成油田作業(yè)現(xiàn)場的業(yè)務(wù)需求,實現(xiàn)安全生產(chǎn)因素檢測的支援平臺.現(xiàn)有系統(tǒng)無法實現(xiàn)定制化的作業(yè)現(xiàn)場安全檢測,且缺乏對上報數(shù)據(jù)進(jìn)行按需匯總和專項分析的功能.針對特定場景的智能視頻監(jiān)控產(chǎn)品相對較少,例如本文研究的油田作業(yè)現(xiàn)場場景下的智能監(jiān)控系統(tǒng).

因此,本文首先針對油田作業(yè)現(xiàn)場現(xiàn)有監(jiān)控中的架構(gòu)缺陷給出了可行的解決方案,通過對涉及的關(guān)鍵技術(shù)進(jìn)行重點(diǎn)研究,提出了一種方便擴(kuò)展、調(diào)用靈活并可獨(dú)立部署的云端視頻監(jiān)控架構(gòu).然后針對作業(yè)現(xiàn)場需要人工被動監(jiān)控等現(xiàn)狀,研究了針對視頻流的目標(biāo)檢測算法.最后,對系統(tǒng)產(chǎn)生的危險因素數(shù)據(jù)進(jìn)行分析,指導(dǎo)并輔助制定安全政策,以及完成監(jiān)控系統(tǒng)與辦公網(wǎng)的對接組網(wǎng).云端智能監(jiān)控系統(tǒng)實現(xiàn)了彈性應(yīng)對業(yè)務(wù)規(guī)模變化,節(jié)省了大量人力成本,指導(dǎo)并輔助制定安全政策,以及完成監(jiān)控系統(tǒng)與辦公網(wǎng)的對接組網(wǎng),對其他油田場景具有較高的理論研究價值和推廣價值.

1 云端智能監(jiān)控系統(tǒng)架構(gòu)

油田作業(yè)現(xiàn)場云端智能監(jiān)控系統(tǒng)采用四層架構(gòu)模式,具體分為存儲層、服務(wù)層、傳輸層、應(yīng)用層四層,具體的系統(tǒng)架構(gòu)如圖1所示.數(shù)據(jù)存儲層包括消息總線、公司文件、系統(tǒng)緩存、數(shù)據(jù)庫數(shù)據(jù)等,主要為油田作業(yè)現(xiàn)場云端智能監(jiān)控系統(tǒng)提供數(shù)據(jù)支撐;服務(wù)層包括服務(wù)通信、Docker[6]和Kubernetes[7]技術(shù)、系統(tǒng)基礎(chǔ)服務(wù)組件等;傳輸層主要是API 網(wǎng)關(guān);應(yīng)用層包括IOT 設(shè)備、移動設(shè)備、PC 設(shè)備等.當(dāng)用戶在應(yīng)用層中提出訪問請求時,傳輸層會將用戶訪問的請求傳輸給服務(wù)層;服務(wù)層會對用戶的訪問請求進(jìn)行解析并向存儲層請求不同類型的數(shù)據(jù),在得到存儲層的響應(yīng)后通過傳輸層返回相應(yīng)的數(shù)據(jù)給應(yīng)用層.

圖1 云端智能監(jiān)控系統(tǒng)總體架構(gòu)圖

2 云端智能監(jiān)控系統(tǒng)微服務(wù)設(shè)計方案研究

2.1 監(jiān)控系統(tǒng)服務(wù)節(jié)點(diǎn)及節(jié)點(diǎn)間的調(diào)用關(guān)系設(shè)計

結(jié)合現(xiàn)場軟硬件環(huán)境及具體需求,設(shè)計了監(jiān)控探頭節(jié)點(diǎn)、流媒體服務(wù)節(jié)點(diǎn)、智能檢測節(jié)點(diǎn)、異常統(tǒng)計節(jié)點(diǎn)和前端節(jié)點(diǎn)5 大部分.每個節(jié)點(diǎn)包括一個或多個微服務(wù),節(jié)點(diǎn)服務(wù)之間的通信交互式是通過輕量級的HTTP 協(xié)議進(jìn)行.要完成一個具體的任務(wù)需要多個節(jié)點(diǎn)的多個服務(wù)共同配合完成.服務(wù)節(jié)點(diǎn)架構(gòu)如圖2所示.

圖2 云端智能監(jiān)控系統(tǒng)服務(wù)節(jié)點(diǎn)架構(gòu)圖

2.2 微服務(wù)系統(tǒng)詳細(xì)設(shè)計

本文主要使用阿里巴巴公司基于Spring Cloud[8]所開發(fā)的一站式解決方案SpringCloud Alibaba 進(jìn)行了系統(tǒng)的架構(gòu)實現(xiàn).整體的微服務(wù)系統(tǒng)架構(gòu)分為業(yè)務(wù)服務(wù)部分和基礎(chǔ)服務(wù)部分,其中業(yè)務(wù)服務(wù)部分由攝像頭管理服務(wù)、流媒體服務(wù)、智能檢測服務(wù)、異常統(tǒng)計服務(wù)、文件管理服務(wù)、認(rèn)證鑒權(quán)服務(wù)、系統(tǒng)服務(wù)構(gòu)成.基礎(chǔ)服務(wù)部分由服務(wù)注冊與發(fā)現(xiàn)服務(wù)、API 網(wǎng)關(guān)服務(wù)組成.微服務(wù)系統(tǒng)結(jié)構(gòu)如圖3所示.

圖3 云端智能監(jiān)控系統(tǒng)微服務(wù)架構(gòu)圖

整個系統(tǒng)由多個具有獨(dú)立功能的微服務(wù)構(gòu)成,各個微服務(wù)之間通過輕量級HTTP 或RPC 協(xié)議進(jìn)行通信,服務(wù)通過組合來完成一個完整功能的實現(xiàn).其中智能檢測功能的實現(xiàn),首先經(jīng)過攝像頭管理服務(wù)將視頻流傳輸給流媒體服務(wù),流媒體服務(wù)將流分發(fā)給智能檢測服務(wù),然后由智能檢測服務(wù)完成檢測并完成對檢測記錄(包括視頻、圖片、數(shù)據(jù)庫日志)的保存.

3 油田作業(yè)現(xiàn)場危險因素智能識別模型設(shè)計

油田作業(yè)現(xiàn)場是油田安全生產(chǎn)的重地,一些危險因素,例如發(fā)生火災(zāi)、管道油液泄漏、現(xiàn)場工人抽煙、著裝不規(guī)范等都會造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡.針對以上狀況,目前油田采取的方案是由人工巡視和派專人監(jiān)視中控室大屏的方式.這就造成人工巡視不能及時發(fā)現(xiàn)問題,以及人工監(jiān)視會由于人的注意力不集中導(dǎo)致錯過發(fā)現(xiàn)危險因素的最佳時機(jī).近幾年,隨著深度學(xué)習(xí)的快速發(fā)展,以及深度學(xué)習(xí)在針對圖像方面表現(xiàn)出的良好的檢測性能,將深度學(xué)習(xí)的研究成果應(yīng)用到對視頻中危險因素的檢測中將極具價值.

3.1 構(gòu)建危險因素圖像數(shù)據(jù)集

一個合適的數(shù)據(jù)集對于目標(biāo)檢測或識別算法來說是相當(dāng)重要的.在目標(biāo)檢測任務(wù)中,一個恰當(dāng)?shù)臄?shù)據(jù)集不僅可以測試和評估算法的性能,還能推進(jìn)目標(biāo)檢測相關(guān)領(lǐng)域的研究.本文根據(jù)油田作業(yè)現(xiàn)場具體要檢測的危險因素類型,依據(jù)具體使用場景,實現(xiàn)例如煙火、漏液、抽煙、著裝等數(shù)據(jù)集的收集和標(biāo)注.

3.2 設(shè)計針對監(jiān)控視頻的危險因素智能識別模型

目標(biāo)檢測作為計算機(jī)視覺領(lǐng)域的核心任務(wù)之一,在車輛自動駕駛、自動化監(jiān)測、數(shù)字媒體技術(shù)等領(lǐng)域得到了廣泛應(yīng)用.近些年來,隨著計算機(jī)計算能力的不斷提高以及深度學(xué)習(xí)的快速發(fā)展,基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法逐漸代替了傳統(tǒng)的基于特征的目標(biāo)檢測算法,成為了目標(biāo)檢測領(lǐng)域的主流算法.基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法根據(jù)是否有候選區(qū)域生成分為雙階段目標(biāo)檢測算法(基于分類的目標(biāo)檢測算法)和單階段目標(biāo)檢測算法(基于回歸的目標(biāo)檢測算法).

雙階段目標(biāo)檢測算法(基于分類的目標(biāo)檢測算法)首先選取輸入圖像的候選框,然后對候選框進(jìn)行分類和位置回歸,從而輸出最終的檢測結(jié)果[9].

單階段目標(biāo)檢測算法省略了候選框的生成階段,將目標(biāo)檢測階段簡化為端對端的回歸問題,并且可以直接得到目標(biāo)的位置和類別信息[10].

通過對比分析,基于回歸的單階段目標(biāo)檢測算法,檢測速度較快,實時性較好,準(zhǔn)確率也滿足油田作業(yè)現(xiàn)場需求,同時這類檢測算法的檢測精度在不斷提高.具體的單階段與雙階段算法在測試集VOC 2007的性能對比如表1所示.本文的目標(biāo)檢測識別模型是針對實時視頻流,對速度要求相對較高,所以擬采用一階段目標(biāo)檢測模型,并在此基礎(chǔ)上設(shè)計針對監(jiān)控視頻的危險因素智能識別模型,提出危險因素視頻檢測網(wǎng)絡(luò)的設(shè)計方法,實現(xiàn)真實監(jiān)控場景下(天氣等自然原因?qū)е碌牡唾|(zhì)量圖像)的作業(yè)現(xiàn)場煙火檢測識別、作業(yè)現(xiàn)場漏液檢測識別、作業(yè)現(xiàn)場抽煙檢測識別、安全作業(yè)著裝智能識別及區(qū)域入侵智能識別等現(xiàn)場不安全因素算法模型.部分算法模型效果如圖4和圖5所示.

圖4 安全作業(yè)著裝智能識別算法模型效果圖

圖5 區(qū)域入侵智能識別算法模型效果圖

表1 單階段與雙階段目標(biāo)檢測實驗比較

4 云端智能監(jiān)控系統(tǒng)實現(xiàn)

4.1 系統(tǒng)主頁面展示

系統(tǒng)功能主要分為權(quán)限管理、系統(tǒng)管理、視頻監(jiān)控畫面、攝像頭配置、異常信息查詢、文件管理、異常報表等,分別與文中的微服務(wù)架構(gòu)對應(yīng).具體的系統(tǒng)主界面如圖6所示.

圖6 系統(tǒng)菜單主界面

4.2 文件管理頁面展示

文件管理主要以表格的形式展示,具有模糊查詢、分頁查詢、文件預(yù)覽,文件下載、文件關(guān)聯(lián)的功能.文件管理主要是通過員工的不安全行為關(guān)聯(lián)公司關(guān)于此不安全行為的懲罰措施,起到方便管理者決策的作用.具體的文件管理界面如圖7所示.

圖7 文件管理界面

4.3 異常信息查詢頁面展示

異常信息查詢界面主要包括煙火智能檢測、漏液智能檢測、抽煙智能檢測、著裝智能識別及區(qū)域入侵智能識別.當(dāng)油田作業(yè)現(xiàn)場發(fā)生不安全行為時,系統(tǒng)會通過油田內(nèi)的網(wǎng)絡(luò)發(fā)送報警消息到工作人員的手機(jī),實現(xiàn)監(jiān)控系統(tǒng)與辦公網(wǎng)的聯(lián)動,并且將不安全行為的類型,時間,地點(diǎn),實時畫面(圖片或視頻的形式)存儲在數(shù)據(jù)庫中.具體的異常信息查詢界面及報警消息如圖8和圖9所示.

圖8 異常信息查詢界面

圖9 報警消息界面

4.4 異常報表界面展示

駕駛艙(如圖10所示)整體色調(diào)采用灰藍(lán)色,利用模塊化設(shè)計模式,通過年份和季度將不安全行為按照地點(diǎn)、類型、攝像頭名稱等多方面進(jìn)行統(tǒng)計,具有簡潔、直觀、多維性的特點(diǎn).

圖10 異常報表界面

5 結(jié)論與展望

本文設(shè)計與實現(xiàn)了油田作業(yè)現(xiàn)場云端智能監(jiān)控系統(tǒng).針對現(xiàn)有監(jiān)控系統(tǒng)架構(gòu)方面的不足,本系統(tǒng)分為監(jiān)控探頭節(jié)點(diǎn)、流媒體服務(wù)節(jié)點(diǎn)、智能檢測節(jié)點(diǎn)、異常統(tǒng)計節(jié)點(diǎn)和前端節(jié)點(diǎn)5 大節(jié)點(diǎn),并根據(jù)現(xiàn)場需求為每個節(jié)點(diǎn)設(shè)計相應(yīng)的微服務(wù),使之能夠適應(yīng)高并發(fā)、彈性拓展等能力,降低了系統(tǒng)的維護(hù)風(fēng)險.針對于監(jiān)控中缺少智能檢測自動識別模塊的問題,本系統(tǒng)提供標(biāo)準(zhǔn)的無差別的監(jiān)控視頻流服務(wù),使之能夠在不同的終端進(jìn)行調(diào)閱播放,并在標(biāo)準(zhǔn)視頻流的基礎(chǔ)上引入基于深度學(xué)習(xí)的目標(biāo)檢測模型,從而能夠?qū)ΡO(jiān)控視頻中的目標(biāo)進(jìn)行自動檢測和識別,解決人力資源浪費(fèi)的問題.未來將從系統(tǒng)流暢性、智能檢測算法的準(zhǔn)確性等方面進(jìn)行改進(jìn).