向 偉，龔云洋，李華昌

（中國石化西南油氣分公司采氣三廠，四川 德陽 618000）

1 引言

中國石化西南油氣分公司含硫氣井每年能生產30億方天然氣，同時大量的H2S伴隨著天然氣被攜帶出來，H2S具有腐蝕性、有毒性、易燃性等特點，嚴重影響井站管線、設備、人員的安全。含硫天然氣在生產過程中難免會遇到設備故障、違規(guī)操作等意外事件發(fā)生，一旦引起火災事故，將會造成不可估計的損失，含硫井站的安全需要高度重視。

目前大多數天然氣生產井站都是采用固定式的火焰探測器、煙霧探測器、氣體檢測儀等火災報警器來預防火災發(fā)生，火災報警器主要是將明火、火焰熱輻射、煙霧濃度、可燃氣體濃度等特征參量作為火災預警的判斷依據，通?；馂膱缶鞯奈恢霉潭ǎ旧a空間大，現場設備高低起伏，環(huán)境復雜，火焰、煙霧偵察能力有限，這些特征參量還易受溫度、濕度和氣流變化影響，對火災報警器的預警造成影響。如果含硫井站發(fā)生火災、爆炸，空氣中的可燃氣體、有毒氣體出現，現場環(huán)境將非常危險，不僅會給救援工作帶來極大困難，還會對消防救援人員的生命安全造成極大威脅，所以含硫井站的火災預警和救援偵察是一個迫切需要解決的問題。

目前，在火災預警領域，有研究人員通過傳統(tǒng)圖像處理特征提取的方法來對煙霧和火焰進行檢測［1］，文獻［2］采用煙霧增強顏色變換MSER（Maximally Stable Extremal Regions）檢測方法對煙霧進行檢測，文獻［3］采用LBP特征組合SVM分類器來對森林中的煙霧和火焰進行檢測，但傳統(tǒng)的圖像處理和機器學習的火焰、煙霧檢測方法不能反應出火焰、煙霧本質，手工提取的特征易受到現場復雜環(huán)境干擾，影響火焰、煙霧檢測準確率。深度學習目標檢測模型是計算機視覺領域的杰出代表，對圖像不僅有強大的特征提取能力，還能降低復雜環(huán)境對模型檢測效果的影響，在物體的檢測和識別上有突出的效果［4］。文獻［5］采用深度學習Faster RCNN［6］目標檢測模型對火焰和煙霧進行檢測，但Faster R-CNN目標檢測模型屬于基于候選區(qū)域的目標檢測算法，該算法檢測速度較慢，應用在巡檢機器人上不能實時檢測。其次，從石油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場火災現場收集到的火焰和煙霧樣本較少，不足以訓練出較好的深度學習目標檢測模型。

針對以上問題，這里選擇檢測速度快、能在移動端實時檢測的基于回歸的深度學習YOLO V4目標檢測模型進行實驗，首先，將YOLO V4模型對公開的火焰、煙霧數據集進行訓練；接著，將訓練得到的模型采用遷移學習的訓練方法對數量較少的井站火焰、煙霧數據集進行訓練；最后，經遷移學習訓練后的YOLO V4目標檢測模型對井站火焰、煙霧的檢測精度均值（mAP）高達99.62%，有更好的井站火焰、煙霧檢測效果，配合巡檢機器人進行火焰和煙霧檢測將具有檢測精度高、反應速度快、實時性好、檢測范圍廣等優(yōu)點，應用在含硫井站將具有更好的火災預警和救援偵察能力。

2 相關理論基礎

2.1 YOLO V4目標檢測算法

YOLO V4［7］（You Only Look Once）是2020年提出的一種基于回歸的深度學習目標檢測模型，YOLO V4目標檢測模型主要有2部分創(chuàng)新點：

（1）YOLO V4目標檢測模型采用CSPDarknet53網絡作為特征提取網絡，CSPDarknet53網絡部分所示，如圖1所示。

CSPDarknet53 網絡第一層卷積操作后采用Mish 函數代替LeakyReLU進行激活，解決LeakyReLU激活可能導致梯度消失的問題，Mish激活后輸出的特征信息將有更好的穩(wěn)定性。

CSPDarknet53網絡經過第一層卷積操作后采用不同數量堆疊的Resblock_body模塊進行特征提取，CSPDarknet53網絡在原Resblock_body模塊中增加殘差連接，將淺層特征和深層特征相融合，使Resblock_body模塊提取到更加多樣的圖像特征信息。

（2）YOLO V4網絡增加SPP和PANet兩組特征金字塔結構來強化CSPDarknet53網絡提取到的特征，如圖1中SPP和PANet部分所示。

SPP 是金字塔池化（Spatial Pyramid Pooling）結構，經CSPDarknet53網絡提取得到的特征通過卷積操作后進入SPP金字塔池化結構，SPP采用1*1、5*5、9*9、13*13這4個不同大小的池化核進行最大池化處理，將提取到的不同大小圖像特征組合后作為Cons1目標檢測輸出。

PANet 特征金字塔結構是一種特征反復提取的結構，先將SPP 提取后13*13大小的深層圖像特征分別與CSPDarknet53網絡輸出的26*26和52*52大小淺層特征相融合，使輸出的圖像特征更加豐富。接著將豐富的圖像特征經多次卷積特征提取后分作兩部分，一部分作為Cons2和Cons3目標檢測特征直接輸出，使Cons2和Cons3能獲得更加豐富的特征信息，保證YOLO V4模型目標檢測效果；另一部分Cons2和Cons3輸出特征將與Cons1特征相融合，使Cons1能獲得豐富的全局特征信息，加強YOLO V4模型目標檢測效果。YOLO V4模型融合多層特征，在3個不同尺寸的特征圖上進行目標檢測，可以一次性對多個目標進行檢測，具有較高的檢測精度和較快的檢測速度。

2.2 遷移學習

獲得一個深度學習目標檢測模型通常需要從頭開始訓練，并且需要大量樣本和時間來保證網絡模型訓練質量。遷移學習是一種特別的模型訓練方法，遷移學習可以學到多個不同模型的共同特征，淺層卷積網絡提取到圖像形狀、顏色等低級語義特征，深層卷積層提取到更為抽象復雜的深層特征，不同任務中其決定作用的是網絡最后的卷積層和全連接層，因此對于訓練新的模型，只需要將網絡模型前面卷積層凍結，對最后幾層網絡進行重新訓練，將已訓練好的模型參數遷移到新的樣本上進行再次訓練，從而獲得新的模型。所以我們利用遷移學習，能在石油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場火災樣本數量較少的情況下訓練出較好的模型，并且只需對模型最后幾層進行訓練，不僅降低模型訓練所需的樣本數量，節(jié)約大量訓練時間，還能保證模型訓練質量。

3 實驗過程和結果分析

3.1 實驗平臺

實驗巡檢機器人平臺，如圖2所示。巡檢機器人平臺主要由履帶式車體、氣體傳感器安裝箱、控制箱和機械臂等部件組成。氣體傳感器安裝箱內有氣體檢測裝置，負責檢測周圍易燃氣體的濃度。

機械臂上有云臺和消防水槍架，云臺上有防爆監(jiān)控攝像機組，防爆監(jiān)控攝像機組負責對周圍環(huán)境進行監(jiān)控，將實時檢測到的火災隱患及時反饋給控制箱?？刂葡鋬扔袦蚀_連接的數據處理模塊和通信模塊，負責分析和處理氣體傳感器和防爆攝像機組返回的實時信息并采取相應措施。該巡檢機器人適用于完成石油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場日常的巡檢任務，消除安全隱患；還能在發(fā)生火災時代替救援人員進入火災現場，對現場進行救援巡檢任務。

3.2 實驗數據收集

采用遷移學習對模型進行訓練，兩個模型訓練的樣本相似度越高，模型訓練的效果就越好，所以收集2個較為相似的數據集進行訓練，第一部分數據是公開的火焰和煙霧數據集，用于YOLO V4模型先進行訓練，第二部分數據是收集的樣本數量較少的石油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場等火災數據集，用于YOLO V4模型進行遷移學習訓練。

第一部分數據集從Bilkent大學公開的火災火焰視頻庫中的6段火災現場視頻中進行截取，也從樓房火災和森林火災等不同類型火災現場視頻中截取火焰樣本，以增強深度學習樣本的多樣性，提高檢測精度，最終一共收集到不同類型的火災現場火焰樣本共12000張。第二部分數據集是從油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場火災現場視頻中截取的火焰數據集，一共收集到504張現場火焰樣本，然后將504張樣本增強處理，進行不同角度旋轉、顏色變化和添加噪音處理，增強后一共得到2000張樣本，接著用labelImage進行標注，實驗目標是檢測火焰（fire）和煙霧（smoke）。

3.3 實驗訓練

采用tensorflow 框架在python3.7 環(huán)境下進行訓練，先用YOLO V4模型對第一部分數據集進行訓練，隨機選用11000張作為訓練集，其余1000張作為測試集，基礎學習率0.001，動量大小為0.9，訓練批次大小為8，權重衰減系數為0.0005，一共訓練30000次得到權重文件。接著采用遷移學習對油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場火災現場火焰和煙霧樣本進行遷移學習訓練，選用1800張作為訓練集，其余200張作為測試集，基礎學習率0.1，動量大小為0.9，批次大小為8，訓練584次自動停止。采用平均精度均值mAP（mean Average Precision）和交并比IOU（Intersection Over Union）作為評價準則，模型的mAP值越高，代表模型的檢測效果越好。將IOU閾值設為0.5，得到模型的訓練時間和平均精度均值mAP對比，如表1所示。

表1 YOLO V4模型訓練結果對比Tab.1 Comparison of YOLO V4 Model Training Results

從表1可以知道，第一次采用第一部分12000張樣本進行普通訓練，訓練時間是31.5h，測試得到模型的平均檢測精度均值是94.36%，具有較好的火焰和煙霧檢測精度，但模型訓練的時間較長。第二次采用第二部分樣本進行遷移學習訓練，訓練時間是0.8h，訓練所需的時間大幅縮小，測試得到模型的平均檢測精度均值是99.62%，具有突出的火焰和煙霧檢測精度，對火焰和煙霧精度進行測試，得到火焰精度和煙霧精度，如圖3所示。

圖3 模型測試結果Fig.3 Model Test Results

得到模型對火焰（fire）的檢測精度（AP）為100%，表示模型對井站火焰的檢測精度是100%；對煙霧（smoke）的檢測精度（AP）為99.24%，保留2位數后為99%，表示模型對井站煙霧的檢測精度是99%。YOLO V4目標檢測模型對火焰和煙霧檢測的平均精度均值（mAP）是99.62%，具有較好的火焰和煙霧檢測效果，運用遷移學習訓練后的YOLO V4目標檢測模型對火災現場圖像的測試情況，如圖4所示。

圖4 火災現場圖像測試Fig.4 Fire Scene Image Test

圖4（a）和圖4（b）分別是YOLO V4 目標檢測模型對現場火苗、煙霧的檢測效果圖，YOLO V4目標檢測模型能準確檢測出現場的煙霧和火苗，檢測出的煙霧的得分值分別是1.00、0.94，檢測出的火苗的得分值分別是0.99、0.91，都具有較高的得分值，有較好的火焰、煙霧檢測能力。圖4（c）是火災現場的檢測圖，YOLO V4模型能降低復雜火災現場對火災檢測效果影響，遷移學習訓練后的YOLO V4模型能準確檢測出現場的火焰和煙霧，檢測結果均有較高得分值，應用在含硫井站將不僅有較好的火焰、煙霧檢測能力，還能協(xié)助和代替消防救援人員在地形復雜、環(huán)境惡劣的危險火災現場進行火災隱患檢測和救援偵察工作，避免了易燃、有毒氣體和高溫環(huán)境對救援人員生命安全的威脅，巡檢機器人結合計算機視覺技術的火焰、煙霧檢測方法能為石油煉化廠、采氣井場、集氣站、增壓站、儲液站等站場的火災預警和救援偵察提供一種新思路。

4 結論

針對火災預警器、傳統(tǒng)火焰、煙霧檢測算法易受井站復雜環(huán)境影響，且含硫井站人工巡檢存在一定風險，這里提出一種將巡檢機器人與計算機視覺技術相結合的含硫井站火焰和煙霧檢測方法。先將能在移動端進行實時檢測的YOLO V4目標檢測模型對公開火焰、煙霧數據集進行訓練，接著將訓練好的模型采用遷移學習方法對數量較少的井站火焰、煙霧數據集進行訓練，最終得到對井站火焰、煙霧檢測精度均值（mAP）高達到99.62%的YOLO V4目標檢測模型，相比火災預警器、傳統(tǒng)火焰、煙霧檢測算法，YOLO V4模型能降低復雜環(huán)境對檢測結果的影響，將有更好的火焰、煙霧實時檢測能力，結合巡檢機器人能為含硫井站、無人值守井站火災預警和救援偵察提供一種新的方法。