王洪超，楊啟明，李 冰，齊 暉，馬云賓，魏 來(lái)

（1.國(guó)家管網(wǎng)集團(tuán)科學(xué)技術(shù)研究總院，河北 廊坊 065000；2.國(guó)家管網(wǎng)集團(tuán)北方管道有限責(zé)任公司，河北 廊坊 065000）

0 引 言

我國(guó)油氣管道建設(shè)經(jīng)過(guò)多年高速發(fā)展，已經(jīng)建成覆蓋全國(guó)的油氣管道骨干網(wǎng)絡(luò)，截至2020年底，中國(guó)長(zhǎng)輸油氣管道總里程累計(jì)約14.4萬(wàn)公里，管道線路途徑區(qū)域廣，自然、人文環(huán)境千差萬(wàn)別，管道長(zhǎng)期存在地質(zhì)災(zāi)害（滑坡、泥石流等）、第三方活動(dòng)和打孔盜油等外來(lái)因素導(dǎo)致管道損壞的風(fēng)險(xiǎn)[1]。如2003年12月19日，蘭成渝成品油管道廣元至綿陽(yáng)段由于打孔盜油分子的破壞發(fā)生重大泄漏（圖1），泄漏處油柱高達(dá)40 m，使寶成鐵路中斷達(dá)7 h之久，管道停輸14 h，附近的清江河有500 m河面被污染，直接經(jīng)濟(jì)損失448萬(wàn)元。

圖1 蘭成渝管道打孔盜油破壞現(xiàn)場(chǎng)

目前，我國(guó)油氣管道線路保衛(wèi)以人工巡線作為主要方式，部分地區(qū)還會(huì)采用直升機(jī)或無(wú)人機(jī)巡線的方式進(jìn)行補(bǔ)充，這種定期巡檢的方式時(shí)效性差，無(wú)法在第一時(shí)間發(fā)現(xiàn)風(fēng)險(xiǎn)，維搶修滯后，導(dǎo)致小風(fēng)險(xiǎn)轉(zhuǎn)化為大事故。為及時(shí)發(fā)現(xiàn)第三方施工、打孔盜油等潛在的管道威脅事件，防止發(fā)生嚴(yán)重事故，部分管道運(yùn)營(yíng)公司選擇在環(huán)境敏感區(qū)、人員密集區(qū)和打孔盜油高發(fā)區(qū)等重點(diǎn)區(qū)域安裝固定攝像頭，通過(guò)實(shí)時(shí)回傳攝像頭視頻或報(bào)警信息的方式實(shí)現(xiàn)區(qū)域不間斷24小時(shí)人工監(jiān)視[2-6]。近年來(lái)，以深度學(xué)習(xí)為代表的人工智能技術(shù)在圖像識(shí)別領(lǐng)域取得了突破性進(jìn)展，對(duì)物體的分類準(zhǔn)確度已經(jīng)達(dá)到甚至超過(guò)了人的水平?；谏疃葘W(xué)習(xí)技術(shù)在目標(biāo)檢測(cè)的應(yīng)用中相繼出現(xiàn)了Faster R-CNN、SSD和YOLO等算法，這些算法具有較高的檢測(cè)準(zhǔn)確率，達(dá)到了工業(yè)應(yīng)用的要求。因此，將人工智能技術(shù)在目標(biāo)檢測(cè)中的成果應(yīng)用到管道線路保衛(wèi)中，成為了近期的研究熱點(diǎn)。

1 線路視頻的檢測(cè)對(duì)象

管道線路面臨的威脅主要有地質(zhì)災(zāi)害、第三方活動(dòng)和打孔盜油等，地質(zhì)災(zāi)害可以利用其他技術(shù)手段進(jìn)行監(jiān)測(cè)，不在視頻檢測(cè)的研究范圍內(nèi)；打孔盜油活動(dòng)是對(duì)管道的人為破壞；第三方活動(dòng)主要是工業(yè)、農(nóng)業(yè)生產(chǎn)，如機(jī)械挖掘、定向鉆和土地深耕等。如果不采取有效的監(jiān)管措施，這些活動(dòng)極易引起管道防腐層、管體和伴行光纜等的損壞，影響管道正常輸送，甚至造成管道泄漏。隨著經(jīng)濟(jì)的發(fā)展，產(chǎn)生了與工業(yè)、生活等人口密集區(qū)重疊或交叉的管段（圖2），這些區(qū)域第三方活動(dòng)更加頻繁，管道被破壞的風(fēng)險(xiǎn)更大。因此，為有效防范管道輸送過(guò)程中由第三方引起的事故發(fā)生，需要從視頻中檢測(cè)出人、施工車輛和機(jī)械（圖3），提前發(fā)現(xiàn)管道面臨的潛在威脅。

圖2 鄰管道的工業(yè)區(qū)和農(nóng)田

圖3 管道上方的施工

2 線路圖像智能識(shí)別算法

從線路視頻中檢測(cè)出人、施工車輛和機(jī)械屬于目標(biāo)檢測(cè)范疇。目前主流的目標(biāo)檢測(cè)算法大多基于深度學(xué)習(xí)技術(shù)，主要分為兩類：

（1）二階段目標(biāo)檢測(cè)算法，該類算法分2個(gè)步驟進(jìn)行目標(biāo)檢測(cè)，首先生成潛在的候選區(qū)域，然后對(duì)候選區(qū)域中的目標(biāo)進(jìn)行分類，典型算法有R-CNN系列算法[7]；

（2）一階段目標(biāo)檢測(cè)算法，該類算法省去了候選區(qū)域的選擇，直接從輸入圖像中得出目標(biāo)類別和位置坐標(biāo)，典型算法有YOLO、SSD[8]。與二階段目標(biāo)檢測(cè)算法相比，一階段目標(biāo)檢測(cè)算法通常速度更快，選擇YOLOv3算法[9-12]用于線路視頻的目標(biāo)檢測(cè)。

YOLOv3算法的基礎(chǔ)網(wǎng)絡(luò)為Darknet53，利用卷積層對(duì)輸入圖片降采樣，可實(shí)現(xiàn)大中小3個(gè)尺度下目標(biāo)類別和位置的預(yù)測(cè)，如圖4所示。應(yīng)用中首先將輸入圖像分辨率調(diào)整為448×448，再由網(wǎng)絡(luò)進(jìn)行運(yùn)算獲得不同尺度下的檢測(cè)結(jié)果，檢測(cè)結(jié)果包括目標(biāo)類別和目標(biāo)邊界框。邊界框包含5個(gè)值：x，y，w，h和置信度，其中，（x，y）表示邊界框的中心點(diǎn)坐標(biāo)，w表示邊界框的寬度，h表示邊界框的高，置信度表示邊界框內(nèi)含有預(yù)測(cè)目標(biāo)類別的概率。由于網(wǎng)絡(luò)會(huì)生成10 647個(gè)邊界框，存在很多相似或無(wú)效的結(jié)果，因此采用非極大值抑制的方法對(duì)不同尺度下的預(yù)測(cè)值進(jìn)行篩選，得到最終的檢測(cè)結(jié)果。

圖4 識(shí)別算法的基本網(wǎng)絡(luò)結(jié)構(gòu)

3 線路圖像智能識(shí)別系統(tǒng)

管道線路點(diǎn)多線長(zhǎng)，存在大量第三方活動(dòng)頻繁的區(qū)域。為提升管道的安全防護(hù)水平，篩選出風(fēng)險(xiǎn)等級(jí)高的重點(diǎn)區(qū)域安裝了線路攝像頭，實(shí)時(shí)檢測(cè)周邊環(huán)境，及時(shí)發(fā)現(xiàn)疑似威脅。管道線路處于野外，氣象、晝夜等環(huán)境因素變化大，攝像頭普遍選擇了具有紅外功能的星光級(jí)高清攝像頭，以保證低照度環(huán)境下的成像質(zhì)量。由于野外缺少供電，攝像頭安裝時(shí)自建了微型太陽(yáng)能供電系統(tǒng)，利用4G無(wú)線通信上傳報(bào)警、圖像等數(shù)據(jù)。管道線路重點(diǎn)區(qū)域安裝的攝像頭如圖5所示。

圖5 管道線路重點(diǎn)區(qū)域安裝的攝像頭

管道線路攝像頭僅能檢測(cè)到移動(dòng)物體，無(wú)法識(shí)別出物體的種類，日常應(yīng)用中會(huì)產(chǎn)生大量因風(fēng)吹植被引起的誤報(bào)警。為降低誤報(bào)警次數(shù)，需要對(duì)攝像頭報(bào)警信息進(jìn)行二次識(shí)別。實(shí)際應(yīng)用中，考慮到上傳視頻信息會(huì)帶來(lái)大量通信流量的浪費(fèi)，首先設(shè)置攝像頭自帶識(shí)別功能，檢測(cè)移動(dòng)的物體，僅將攝像頭監(jiān)測(cè)到報(bào)警后抓拍的圖片上傳至管理平臺(tái)，再由管理平臺(tái)將報(bào)警圖片推送至智能識(shí)別模塊進(jìn)行二次識(shí)別。智能識(shí)別模塊中運(yùn)行智能識(shí)別算法對(duì)輸入圖片進(jìn)行分析，最后將分析結(jié)果反傳至管理平臺(tái)實(shí)現(xiàn)管道線路威脅事件的識(shí)別。線路圖像智能識(shí)別系統(tǒng)架構(gòu)及系統(tǒng)界面如圖6、圖7所示。

圖6 線路圖像智能識(shí)別系統(tǒng)架構(gòu)

圖7 線路圖像智能識(shí)別系統(tǒng)操作界面

為驗(yàn)證應(yīng)用效果，在實(shí)際管道對(duì)線路圖像智能識(shí)別系統(tǒng)進(jìn)行了超過(guò)1年的運(yùn)行測(cè)試。測(cè)試表明，線路圖像智能識(shí)別系統(tǒng)對(duì)管道沿線的工程車、農(nóng)用車、普通車輛和人員具有較高的識(shí)別準(zhǔn)確率（圖8），可以對(duì)攝像頭自動(dòng)報(bào)警結(jié)果進(jìn)行二次識(shí)別，在不漏報(bào)的前提下提高了報(bào)警的準(zhǔn)確性，可將攝像頭的單日?qǐng)?bào)警數(shù)量降低約65%（圖9、圖10）。

圖8 線路圖像智能識(shí)別系統(tǒng)檢測(cè)到的車輛、人員

圖9 攝像頭的單日?qǐng)?bào)警記錄

圖10 二次識(shí)別后的單日?qǐng)?bào)警記錄

4 結(jié) 語(yǔ)

采用視頻智能識(shí)別技術(shù)對(duì)攝像頭報(bào)警信息進(jìn)行二次識(shí)別，可有效提高油氣管道線路威脅事件的報(bào)警準(zhǔn)確率，降低人工核實(shí)的勞動(dòng)強(qiáng)度，提升管道線路重點(diǎn)區(qū)域視頻監(jiān)視的效果。目前，北方管道公司主要高風(fēng)險(xiǎn)管段實(shí)現(xiàn)了視頻監(jiān)控全覆蓋，可24小時(shí)全天候無(wú)死角預(yù)警監(jiān)控。預(yù)計(jì)到2022年，攝像頭總數(shù)將達(dá)到4 000個(gè)，普及視頻智能識(shí)別技術(shù)可彌補(bǔ)攝像頭識(shí)別能力弱的缺點(diǎn)，提升管道線路安全防護(hù)的智能化水平。