靳澤園，田 楓，劉 芳，于巾濤，盧 俊，徐 昕

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

油田生產(chǎn)作業(yè)是高風(fēng)險行業(yè)，在生產(chǎn)中原油有毒有害，一旦遇到高溫高壓就會發(fā)生爆炸。而實(shí)際采油時環(huán)境較為惡劣，加上機(jī)器運(yùn)作時本身溫度就高，一旦作業(yè)現(xiàn)場出現(xiàn)原油泄漏，就很容易發(fā)生爆炸，這對油田作業(yè)造成極大的安全隱患。目前，基于深度學(xué)習(xí)的目標(biāo)檢測算法已經(jīng)應(yīng)用于生活中的方方面面，像人臉識別、車牌識別等。為了保障油田作業(yè)現(xiàn)場安全生產(chǎn)，本文將基于深度學(xué)習(xí)的目標(biāo)檢測算法應(yīng)用于漏油識別問題中。

國外的原油泄漏研究大多是針對海上溢油檢測方面的研究，如Calla等人使用衛(wèi)星上的多頻微波傳感器來測量海面上溢油的程度以及海面上漏油的厚度［1］。而針對陸地油田石油的漏油檢測研究卻較少。

關(guān)于油田遠(yuǎn)程視頻監(jiān)控，國內(nèi)栗生亞［2］認(rèn)為由于油田生產(chǎn)管理大多是采用人工管理的方式，管理工序多且需要分工不間斷值守，但不能保障所有工序每時每刻都有人值守，容易產(chǎn)生安全隱患且效率低下，引入油田視頻監(jiān)控系統(tǒng)可提高生產(chǎn)效率和安全生產(chǎn)的可靠性。大多數(shù)油田所采用的遠(yuǎn)程視頻監(jiān)控系統(tǒng)，需要利用傳感器采集數(shù)據(jù)，如安裝壓力變送器和流量計來采集油井內(nèi)的壓力、流量等信息數(shù)據(jù)，再通過無線傳輸網(wǎng)絡(luò)進(jìn)行信息通信，進(jìn)而將現(xiàn)場情況反饋給監(jiān)控室以了解采油設(shè)備的工作狀態(tài)。密超［3］的視頻監(jiān)控技術(shù)在油田生產(chǎn)中的應(yīng)用研究，提到由于油井、計量間等主要分布在野外，工作人員要耗時耗力去現(xiàn)場了解油田作業(yè)區(qū)的狀況，所以有遠(yuǎn)程實(shí)時監(jiān)控的需求。隨著科學(xué)技術(shù)的不斷進(jìn)步，油田企業(yè)會讓生產(chǎn)管理更加信息化、科學(xué)化、智能化，遠(yuǎn)程視頻監(jiān)控系統(tǒng)在油田中的應(yīng)用不斷增多。邢智偉等人［4］總結(jié)分析了油田在生產(chǎn)過程中，油田的數(shù)字化建設(shè)將會成為主要方向，對突發(fā)性問題能夠?qū)崟r、快速、準(zhǔn)確地處理。

本文提出了基于YOLOv5算法的油田作業(yè)現(xiàn)場漏油識別方法。首先自主拍攝室內(nèi)、室外2個場景的漏油數(shù)據(jù)集，并利用數(shù)據(jù)增強(qiáng)方式擴(kuò)充數(shù)據(jù)集，然后將處理好的數(shù)據(jù)輸入到Y(jié)OLOv5的4種預(yù)訓(xùn)練網(wǎng)絡(luò)中訓(xùn)練，保存最優(yōu)的訓(xùn)練權(quán)重數(shù)據(jù)，并用作測試集測試。測試結(jié)果表明，所用算法模型的檢測速度和準(zhǔn)確性都達(dá)到了油田作業(yè)現(xiàn)場的要求，并成功通過了功能測試和性能測試。

1 算法理論及流程

1.1 YOLOv5網(wǎng)絡(luò)架構(gòu)

YOLOv5（You Only Look Once）是由 Ultralytics LLC公司于2020年提出，模型最快的目標(biāo)檢測速度可達(dá)到0.007 s，即每秒可處理140幀，滿足油田作業(yè)現(xiàn)場實(shí)時檢測的需求［5］。其整體的網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

YOLOv5算法的整體網(wǎng)絡(luò)結(jié)構(gòu)分為Input、Backbone、Neck、Prediction 4 個主要部分［6］。Input端采用YOLOv4中的Mosaic方式做數(shù)據(jù)增強(qiáng)處理。Backbone主干網(wǎng)絡(luò)指的是提取特征網(wǎng)絡(luò)，其作用是提取圖片中的信息，以供后面的網(wǎng)絡(luò)使用。Neck部分是放在Backbone和Prediction之間的，是為了更好地利用Backbone提取的特征。Prediction是獲取網(wǎng)絡(luò)輸出內(nèi)容的網(wǎng)絡(luò)，利用之前提取的特征，以GIoU Loss作為bounding box的損失，并使用二進(jìn)制交叉熵函數(shù)計算類概率，以及使用Logits損失計算目標(biāo)得分的損失，最終做出綜合預(yù)測。

1.2 漏油識別算法流程

本文中漏油識別算法以YOLOv5為檢測模型，首先通過攝像頭采集并標(biāo)注相關(guān)數(shù)據(jù)集，針對作業(yè)現(xiàn)場存在工作人員頭發(fā)等干擾樣本，采用負(fù)樣本對比的方法提高算法精度；其次將數(shù)據(jù)集送入YOLOv5網(wǎng)絡(luò)的4種預(yù)訓(xùn)練模型中進(jìn)行訓(xùn)練，通過對比檢測速度、精度及召回率得到最佳權(quán)重數(shù)據(jù)；最后將最佳權(quán)重文件部署到作業(yè)現(xiàn)場，得到最終的油田作業(yè)現(xiàn)場漏油檢測模型。具體的算法流程如圖2所示。

2 數(shù)據(jù)集收集以及預(yù)處理

數(shù)據(jù)集是深度學(xué)習(xí)任務(wù)中最基本且最重要的一部分，一個模型對于不同的數(shù)據(jù)集，訓(xùn)練出的結(jié)果也會有所差異，數(shù)據(jù)集的好壞還會影響模型的性能。對于目標(biāo)檢測任務(wù)，更需要大量的數(shù)據(jù)集作為網(wǎng)絡(luò)的輸入。太少的數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)，容易發(fā)生過擬合；太多的數(shù)據(jù)集，容易造成數(shù)據(jù)冗余，增加網(wǎng)絡(luò)計算量。

本文的數(shù)據(jù)集首先通過室內(nèi)、室外監(jiān)控攝像頭拍攝漏油視頻，其次利用Python截取室內(nèi)、室外2個場景下的漏油數(shù)據(jù)集，最后通過數(shù)據(jù)增強(qiáng)的方法對數(shù)據(jù)集進(jìn)行擴(kuò)增。數(shù)據(jù)集標(biāo)注采用LabelImg軟件對整個數(shù)據(jù)集中每個圖像進(jìn)行人工標(biāo)注，標(biāo)注樣本如圖3所示。標(biāo)注后生成的是遵循PASCAL VOC格式的XML文件，訓(xùn)練時YOLOv5不能直接提取XML文件，而是將中心點(diǎn)的坐標(biāo)即標(biāo)注框的寬和高以偏移量的方式存儲到TXT文件中，使得訓(xùn)練時可以忽略不同圖像的尺寸。最終數(shù)據(jù)集的總量為6566張，其中訓(xùn)練集5850張，測試集650張，驗(yàn)證集66張。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)平臺配置

訓(xùn)練平臺的參數(shù)配置越高，圖形計算能力越強(qiáng)，模型訓(xùn)練的效果則會越好。為了使模型達(dá)到良好的訓(xùn)練效果，在GPU上對YOLOv5網(wǎng)絡(luò)的4個預(yù)訓(xùn)練模型分別進(jìn)行訓(xùn)練。本次實(shí)驗(yàn)在Intel Core i7 6700處理器，主頻為4 GHz，內(nèi)存為32 G，顯卡型號為GeForce RTX 3080的PC機(jī)上進(jìn)行，在Ubuntu18.04環(huán)境下利用深度學(xué)習(xí)框架Pytorch對YOLOv5模型進(jìn)行訓(xùn)練與測試。訓(xùn)練模型的參數(shù)設(shè)置如表1所示。

表1 訓(xùn)練平臺配置Tab.1 Training platform configuration

3.2 實(shí)驗(yàn)結(jié)果分析

YOLOv5共有4種預(yù)訓(xùn)練模型，分別為YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，每種預(yù)訓(xùn)練模型的深度和寬度不同，所以在數(shù)據(jù)集上的表現(xiàn)會有所不同。為了選取精度較高和實(shí)時性較快的檢測模型，本文在相同數(shù)據(jù)集條件下，分別在YOLOv5的4種預(yù)訓(xùn)練模型中進(jìn)行了訓(xùn)練，對比結(jié)果如表2所示。

表2 不同模型效果對比Tab.2 Comparison of different models

通過對比結(jié)果發(fā)現(xiàn)，YOLOv5s模型用時最短，檢測速度最快，但YOLOv5m與之相差不大。YOLOv5m模型的精度最高，達(dá)到了94%，且YOLOv5m模型的精準(zhǔn)率相對于YOLOv5s模型、YOLOv5l模型和YOLOv5x模型分別高出0.10、0.05和0.02個百分點(diǎn)。4種模型對于同一場景下的漏油檢測樣例如圖4所示。

由圖4可以看出，該模型能夠檢測到室內(nèi)場景中的小目標(biāo)漏油，并且具有一定識別精度，其中YOLOv5l、YOLOv5m、YOLOv5s、YOLOv5x 4種模型的檢測精度分別為0.87、0.93、0.89、0.91。綜合上述模型的精度和速度分析，本文選用YOLOv5m模型訓(xùn)練，能得到最佳權(quán)重數(shù)據(jù)，所得出的數(shù)據(jù)可作為油田作業(yè)現(xiàn)場漏油識別模型的權(quán)重數(shù)據(jù)。

4 總 結(jié)

為了保障油田作業(yè)現(xiàn)場安全生產(chǎn)，本文提出了一種基于YOLOv5的油田作業(yè)現(xiàn)場漏油識別模型。首先對采集的數(shù)據(jù)集進(jìn)行預(yù)處理以及數(shù)據(jù)集標(biāo)注，然后通過YOLOv5的4種預(yù)訓(xùn)練模型分別進(jìn)行訓(xùn)練，最后對比性能結(jié)果和檢測效果得到最優(yōu)權(quán)重數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，YOLOv5m模型更適用于本文制作的漏油數(shù)據(jù)集，檢測準(zhǔn)確率達(dá)到了94.2%，能夠監(jiān)控油田作業(yè)現(xiàn)場區(qū)域內(nèi)原油泄漏情況，并進(jìn)行實(shí)時、準(zhǔn)確、穩(wěn)定檢測。