劉錫煬，卞永明，陳啟凡，周怡和，蔣 哲，劉廣軍

（1.同濟大學(xué)機械與能源工程學(xué)院，上海 201804；2.交通運輸部上海打撈局，上海 200090）

對于油液的泄漏檢測技術(shù)，最早從20 世紀60年代就開始進行研究，目前關(guān)于油液的泄漏檢測主要有2 種方法：①通過管路內(nèi)壓力、流量、震動變化進行檢測；②通過外部傳感器，對包括超聲、氣味、圖像等特征進行檢測。如甄恩帥［1］使用壓力傳感器對泄泄漏區(qū)域進行定位，結(jié)果表明，該方法可以比較精確地定位到泄漏區(qū)域，達到了基本的檢測要求。Liou［2］在進、出油口持續(xù)計算進出的流量差，流量差如果突然發(fā)生波動并沒有迅速恢復(fù)，那么就可以認為發(fā)生了泄漏。Mohammadi等［3］通過監(jiān)測輸油管道的壓力、流量等信號，使用神經(jīng)網(wǎng)絡(luò)實時分析檢測到的參數(shù)，與實際模型進行對比，從而迅速找到泄漏區(qū)域。陳仁文［4］采用了應(yīng)力波傳感器，通過小波變換處理應(yīng)力波信號，更精確地定位到了泄漏區(qū)域，并將之應(yīng)用到了輸油管道實時監(jiān)測系統(tǒng)中。除此之外，利用管道外部特征進行檢測的技術(shù)也在逐漸成熟。張文娜等［5］采用了人工嗅覺技術(shù)，獲取了泄漏油液揮發(fā)氣體的3 位數(shù)據(jù)陣列，采用了平行因子分析法對嗅覺數(shù)據(jù)進行分析，論證了人工嗅覺技術(shù)在漏油檢測中的可能性。近幾年，隨著計算機視覺技術(shù)的蓬勃發(fā)展，利用圖像對泄漏進行檢測已經(jīng)逐漸成為油液泄漏檢測技術(shù)的重點。Qu 等［6］針對海底石油泄漏設(shè)計了一種視頻監(jiān)控系統(tǒng)，該視頻系統(tǒng)能將拍攝到的視頻圖像轉(zhuǎn)化為灰度圖，通過形態(tài)學(xué)處理后進行二值化，判斷是否存在石油泄漏。Kuzmani? 等［7］針對船只推進系統(tǒng)的油液泄漏問題設(shè)計了一種基于圖像處理的檢測系統(tǒng)，該系統(tǒng)采用模式識別對泄漏油液進行檢測，并且研究了用于解決攝像機隨安裝支撐物震動的補償算法，取得了良好的檢測效果。Gu 等［8］研究了石油輸油管道泄漏圖像檢測技術(shù)，通過對輸油管道進行灰度處理，簡化識別過程，再通過閾值分割獲取目標圖像，最后通過腐蝕獲取較為理想的輪廓邊緣。

然而目前研究的油液泄漏大部分都是針對輸油管道漏油的，而針對液壓系統(tǒng)油液泄漏的研究很少。液壓油顏色透明，難以像黑色的石油一樣很容易地從圖像中劃分出來，而人工監(jiān)控又難以準確及時地發(fā)現(xiàn)油液泄露問題，因此為液壓同步提升施工遠程監(jiān)控平臺設(shè)計了一套基于圖像識別的泵站接頭漏油檢測技術(shù)。

利用Vibe 算法進行運動目標檢測，并引入動態(tài)抽樣因子φ，平衡因受到光線干擾、抖動等因素出現(xiàn)的鬼影消失速度和檢測到的泄露區(qū)域清晰度之間的矛盾，提高其抗干擾能力；利用隨機森林算法對油液特征向量進行選擇，降低算力要求，提升了分類速度和準確性；在隨機森林中引入粒子群算法對隨機森林中的參數(shù)進行尋優(yōu)。在使用粒子群算法尋優(yōu)過程中引入動態(tài)慣性權(quán)重ω，平衡收斂速度和全局搜索能力之間的矛盾。

1 泵站接口漏油檢測技術(shù)

1.1 基于改進Vibe算法的漏油可疑區(qū)域定位

Vibe 背景建模法是目前常用的運動目標檢測方法，但Vibe 算法仍然存在一定的缺陷。當(dāng)鏡頭發(fā)生抖動或者出現(xiàn)光影變化的情況下，Vibe算法會檢測到這些變化并將其認定為前景，在變化消失后仍然保留了其基本輪廓，從而形成“鬼影”。“鬼影”消除的速度取決于隨機子采樣法中的抽樣因子φ，在每一幀的檢測中，背景模型的樣本值都有1/φ的幾率更新，因此φ的值越大，“鬼影”消失得越慢，但檢測到的泄漏區(qū)域越清晰，反之φ值越小，“鬼影”消失得越快，但是檢測到的泄漏區(qū)域越模糊。

因此，需要對Vibe 算法進行改進，當(dāng)鏡頭出現(xiàn)抖動或者發(fā)生光影變幻時迅速減小φ的值，迅速消除“鬼影”，在畫面穩(wěn)定的情況下增大φ值，以獲得更清晰的檢測效果。提出干擾面積因子Kd作為評判當(dāng)前圖像中干擾程度的參數(shù)，公式如下：

式中：Cf為前景像素的個數(shù)；Cp為當(dāng)前圖像的像素總個數(shù)。

為驗證Kd是否可以表征視頻圖像中出現(xiàn)干擾，并進一步驗證φ對于消除“鬼影”影響。繪制了在不同抽樣因子φ的情況下，Kd隨視頻幀變化的規(guī)律曲線如圖1所示。干擾在30幀左右引入，在圖中可以清晰地看到，抽樣因子φ的值越大，干擾面積因子Kd的峰值和收斂值就越大，排除干擾的速度越慢。

圖1 Kd-幀變化曲線Fig.1 Kd-frame curve

使用Vibe算法遇到干擾時，不同抽樣因子φ對應(yīng)的干擾面積因子Kd的峰值和收斂值見表1。

從表1 的數(shù)據(jù)可以分析得出，對于鏡頭位置并不是太近、接頭并未直接爆裂的普通檢測場景來說，在視頻畫面只存在油液泄漏的情況下，Kd的值通常會穩(wěn)定在一個較小的值以下，在這里取0.02（攝像頭位置不同，該值也可進行調(diào)整），而Kd的峰值不會超過1。據(jù)此對Vibe 算法進行修改，使得抽樣因子φ的值會隨Kd變化，φ的值在Kd的值超過0.2 時迅速減小，從而快速擺脫干擾因素的影響。改良后的抽樣因子如下：

表1 Kd-幀變化曲線峰值與收斂值表Tab.1 Peak and convergence values in Kd-frame curve

式中：φmin為抽樣因子φ的最小值；φmax為抽樣因子φ的最大。

1.2 可疑區(qū)域特征數(shù)據(jù)提取

運動特征檢測算法僅能定位可疑區(qū)域，在檢測到的前景圖像中可能會存在“鬼影”或者其他干擾物，需要對運動的前景做出進一步的分析，在其中提取用于判別的特征數(shù)據(jù)。本文中對油液的形狀、顏色、紋理特征進行分析。

1.2.1 油液形狀特征

油液在流出的過程中會不斷地變化形狀，難以用確定的圖形去描述它，使用圖像的矩（moments）來研究檢測到的泄漏油液形狀變化的規(guī)律，在現(xiàn)實應(yīng)用場景下，要考慮到攝像頭安裝的遠近、安裝角度的偏移，因此還需要對于圖像形狀歸納出的特征值在圖像大小、角度發(fā)生變化時保持不變。Hu 矩具有平移、縮放、旋轉(zhuǎn)不變性［9］，廣泛應(yīng)用于圖像的特征提取和識別等方面，因此以Hu 矩作為判斷的重要依據(jù)。

1.2.2 油液顏色特征

采用顏色矩進行油液顏色特征的描述，然而考慮到油液是透明的，其顏色特征會受到其背景顏色特征的影響。實驗表明：當(dāng)前幀的顏色矩和背景幀的顏色矩變化趨勢基本一致，對于漏油圖像來說，背景的顏色對顏色矩起到了決定性作用，因此當(dāng)前幀的顏色矩對于圖像分類可能沒有很好的效果。

為獲取更為有效的顏色特征，使用當(dāng)前幀與背景幀的差值圖像獲取灰度差圖像矩，灰度差的1階、2階、3階圖像矩可以表示為

式中：pdj為當(dāng)前幀與背景幀圖像差中灰度為j的像素出現(xiàn)的概率。

1.2.3 油液紋理特征

油液的紋理特征也是重要的識別特征，所謂紋理就是同樣灰度的像素在二維空間上的反復(fù)出現(xiàn)，并通過一定的方法描述其在空間上的分布規(guī)律。采用灰度共生矩陣（gray-level co-occurrence matrix，GLCM）［10］來描述檢測對象的紋理特征，并從中提取對比度、逆方差、角二階矩、熵4 個特征值。相比于顏色直方圖和HOG，GLCM 提取的特征向量維數(shù)非常小，適合對圖像進行實時檢測。

1.3 基于RF算法的特征選擇

對于實時的泄漏油液檢測系統(tǒng)，算法的延時是關(guān)鍵性能指標。通常在分類算法中，特征向量的維數(shù)越高，分類效果越好，但是也會導(dǎo)致分類算法的計算效率下降，因此使用隨機森林法［11］特征篩選減少特征向量的維數(shù)來獲得相對較好的分類效果，并使用其Gini 指數(shù)對提取出的21 個特征進行評價，分別是灰度圖像矩（E，σ，s），當(dāng)前幀與背景幀的灰度差圖像矩（Ed，σd，sd），二值圖像的Hu 矩（I1，I2，I3，I4，I5，I6，I7），水平方向GCLM特征（Con，IDM，ASM，ENT，ifδ=(1，0)），豎直方向的GCLM特征（Con，IDM，ASM，ENT，ifδ=(0，1)），得到每一個特征的Gini 指數(shù)的變量重要性評分（VIM）。

設(shè)置RF 中有1 000 顆決策樹，使用Gini 指數(shù)，用21 個特征建立RF 模型，計算每個特征的重要性評分VIM并進行排序，結(jié)果見表2。

表2 RF特征重要性排序Tab.2 Ranking of the importance of features with RF

給特征進行評分后還需要確定特征的選取數(shù)量。依次選取重要性排序中的前n名特征進行隨機森林建模測試，特征數(shù)量n與分類準確率的關(guān)系如圖2 所示。圖中可見，測試集分類準確率隨選取特征的數(shù)量迅速上升，然后達到峰值，隨后稍微下降并趨于穩(wěn)定。峰值的特征數(shù)量為5 和6，測試集分類準確率均為98.60%。隨著特征數(shù)量的增加，分類的準確率穩(wěn)定甚至是下降，由此可以推斷，在計算的3 類特征中，存在冗余特征和干擾特征，因此對特征進行選擇可以增加算法的準確率。最后選擇重要性排名前6的特征進行漏油檢測

圖2 特征數(shù)量與測試集分類準確率關(guān)系Fig.2 The relationship between the number of features and the classification accuracy of the test dataset

1.4 基于PSO-RF算法的漏油可疑區(qū)域分類

1.4.1 基于改進PSO的RF參數(shù)尋優(yōu)方法

在傳統(tǒng)PSO 算法中，通常采用算法在D 維空間中的全局搜索能力和收斂到最優(yōu)值的速度來評價PSO 算法的性能，而慣性權(quán)重ω對此有著重大的影響。研究發(fā)現(xiàn)，ω越大，PSO 的全局搜索能力越強，更容易找到全局最優(yōu)的粒子坐標，而不會過早收斂，但是迭代次數(shù)也隨之增加。反之，ω越小，PSO 的迭代次數(shù)也減小，但不容易收斂到全局最優(yōu)值。因此，對慣性權(quán)重ω進行動態(tài)調(diào)整，使其大小隨迭代次數(shù)增加而減小，將ω的值動態(tài)地調(diào)整為

式中：ωmax為ω的最大值；ωmin為ω的最小值；t為當(dāng)前迭代次數(shù)；T為總迭代次數(shù)。

在動態(tài)ω參數(shù)中，規(guī)定了ω上限和下限，在迭代次數(shù)較小時，e(-t2/T)的值較大，算法搜索具有較好的全局性，當(dāng)?shù)螖?shù)變大時，局部收斂性會逐步變好。

學(xué)習(xí)因子c1、c2也對算法性能有著重要的影響，較大的c1與較小的c2可以使粒子更快地向個體極值方向移動，對全局搜索有利；較大的c2與較小的c1能讓粒子更快地向種群全體極值移動，適用于搜索后期。本文對學(xué)習(xí)因子c1、c2進行動態(tài)調(diào)整，調(diào)整公式如下：

式中：cmax為c的最大值；cmin為c的最小值。

1.4.2 PSO-RF特征分類

選取RF 算法中樹的數(shù)量n_estimators，每顆樹的最大深度max_depth作為優(yōu)化參數(shù)，以測試集分類準確率作為優(yōu)化目標。算法分類時間也是需要考慮的因素，但是由于算法分類時間與n_estimators、max_depth 呈單調(diào)遞增的關(guān)系，n_estimators、max_depth 的值只需要都小于50，就可以將分類時間維持在毫秒級，從而保證實時性。

分別使用傳統(tǒng)PSO 算法和改進PSO 算法進行RF 算法參數(shù)的優(yōu)化，迭代50 次，使用傳統(tǒng)和改進PSO算法各運行3次，參數(shù)值見表3。

表3 PSO算法參數(shù)Tab.3 Parameters of the PSO algorithm

最終得到的結(jié)果如圖3 和圖4 所示。圖3 顯示傳統(tǒng)PSO 算法的優(yōu)化結(jié)果有1 次收斂到了98.61%，2次收斂到了98.84%；而圖4顯示，改進PSO 算法的3 次優(yōu)化結(jié)果值均收斂到了98.84%，并且收斂到98.84%時的迭代次數(shù)小于傳統(tǒng)PSO 算法，可以認為改進PSO 算法相比于傳統(tǒng)PSO 算法有更好的全局搜索能力和更快的收斂速度，更適用于本次的RF算法優(yōu)化。

圖3 傳統(tǒng)PSO優(yōu)化RF算法Fig.3 Optimisation of RF with traditional PSO

圖4 改進PSO優(yōu)化RF算法Fig.4 Optimisation of RF with improved PSO

最終改進PSO 優(yōu)化的RF 算法（PSO-RF）與原算法（RF）的參數(shù)、性能見表4?？梢钥闯?，PSO-RF的分類準確率相比RF 算法提升0.7%，分類時間提升為RF 算法的3.46 倍，可見PSO 提高了RF 算法的性能，并且符合遠程監(jiān)控平臺的使用要求。

表4 PSO-RF與RF對比Tab.4 PSO-RF vs RF

2 實驗驗證及結(jié)果分析

2.1 漏油視頻檢測

本次漏油視頻檢測的對象是拍攝的漏油圖像，實驗效果如圖5 所示，可以看到程序成功地識別出接頭滲漏的油液，證明了提出的泵站接頭漏油檢測算法的有效性。

圖5 漏油視頻實時檢測效果Fig.5 Real-time oil leak detection effect on video

2.2 現(xiàn)場實時檢測

本次實驗檢測目標選用了一套液壓試驗臺，包括1 臺大功率泵站和多個接口，試驗臺如圖6所示。

圖6 液壓試驗臺Fig.6 Hydraulic bench

使用攝像頭、樹莓派采集油液圖像，4G 無線路由器提供網(wǎng)絡(luò)服務(wù)，將攝像頭采集到的視頻數(shù)據(jù)和經(jīng)過泄漏檢測的視頻在網(wǎng)頁上進行顯示。實驗現(xiàn)場如圖7所示。

圖7 漏油實時檢測實驗現(xiàn)場Fig.7 Real-time oil leak detection experiment

將攝像頭采集到的數(shù)據(jù)顯示在泵站監(jiān)控界面的第1 個視頻窗口上，將經(jīng)過圖像檢測的畫面顯示到泵站監(jiān)控界面的第2 個視頻窗口上。在網(wǎng)頁上的泵站監(jiān)控界面，可以看到攝像頭采集到的泵站接頭圖像和經(jīng)過漏油檢測的圖像，如圖8所示。

圖8 網(wǎng)頁泵站實時監(jiān)控界面Fig.8 Web for real-time monitoring of pumping stations

在圖9 中可以看到，泵站監(jiān)控界面的第1 個視頻窗口上成功顯示出了泵站接頭的畫面，第2 個視頻窗口顯示出了經(jīng)過圖像檢測的畫面?？梢钥吹?，漏油檢測程序成功檢測到接頭泄漏的油液，并使用方框標記出來。

實驗結(jié)果表明：泵站接頭漏油檢測算法在液壓同步提升施工遠程監(jiān)控平臺上應(yīng)用的可行性和實時性，提高了液壓同步提升施工遠程監(jiān)控平臺的智能化水平，降低液壓平臺的安全隱患。

3 結(jié)語

目前對于透明液壓油的泄漏檢測方案較少，針對液壓同步提升施工監(jiān)控平臺，本文設(shè)計了一套基于圖像識別的泵站接頭漏油實時檢測技術(shù)方案，實現(xiàn)了漏油圖像在線識別；提出了基于改進Vibe 算法的可疑區(qū)域提取方法，以及使用改進PSO 算法對RF 算法進行優(yōu)化的方法，經(jīng)實驗驗證，確實可以提高圖像識別的準確性和效率，并且最終優(yōu)化后的RF 算法對測試集分類準確率達到了98.84%，分類速度減小到4.96 ms。實驗結(jié)果表明：提出的漏油檢測算法對泵站接頭漏油有良好的在線檢測效果。