摘" 要：針對目前長輸管道高后果區(qū)識別效率低，需耗費大量的人力、物力和時間成本，該文借助目標檢測算法YOLOv5s，利用遙感影像及無人機航飛影像數(shù)據(jù)，結合高后果區(qū)識別規(guī)范，對不同類型的高后果區(qū)建立高后果區(qū)智能識別模型，通過評估，模型準確率和召回率均達到90%以上，能有效識別高后果區(qū)。又以國內(nèi)某管道高后果區(qū)為例，進一步驗證模型的有效性，數(shù)據(jù)表明，該模型智能識別出的高后果區(qū)信息與傳統(tǒng)人工輔助識別信息一致，能滿足長輸管道高后果區(qū)自動識別的實際需求，為高后果區(qū)風險管理提供及時準確的數(shù)據(jù)支持，為高后果區(qū)識別的自動化、智能化管理開拓新思路。

關鍵詞：長輸管道；高后果區(qū)；YOLOv5s；目標檢測；智能識別模型

中圖分類號：TE973" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）01-0110-06

Abstract： In view of the current low efficiency of identifying high-consequence areas in long-distance pipelines， which requires a lot of manpower， material resources and time costs， this paper uses the target detection algorithm YOLOv5s， uses remote sensing images and drone flight image data， and combines high-consequence area identification specifications. Intelligent identification models for high-consequence areas are established for different types of high-consequence areas. Through evaluation， the model accuracy and recall rate have reached more than 90%， which can effectively identify high-consequence areas. Taking a high-consequence area of a domestic pipeline as an example to further verify the effectiveness of the model. The data shows that the information of the high-consequence area intelligently identified by the model is consistent with the traditional manual auxiliary identification information， and can meet the actual needs of automatic identification of high-consequence areas of long-distance pipelines. The actual needs provide timely and accurate data support for risk management of high-consequence areas， and open up new ideas for automated and intelligent management of high-consequence area identification.

Keywords： long-distance pipeline; high-consequence area; YOLOv5s; target detection; intelligent recognition model

GB 32167—2015《油氣輸送管道完整性管理規(guī)范》將“高后果區(qū)”明確定義為“管道泄漏后可能對公眾和環(huán)境造成較大不良影響的區(qū)域”，是指油氣管道發(fā)生泄漏失效后，可能造成嚴重人員傷亡或者嚴重環(huán)境破壞的區(qū)域[1]。管道高后果區(qū)作為油氣輸送管道安全管理的關鍵區(qū)域，一旦發(fā)生管道破裂或油氣泄漏，將對公共安全、環(huán)境和財產(chǎn)造成巨大影響和損失。隨著城市建設進程的加快，管道周邊的環(huán)境也在不斷發(fā)生變化，因此需要定期開展管道高后果區(qū)識別[2]。

目前，識別輸氣管道高后果區(qū)主要依靠遙感技術[3]、地理信息系統(tǒng)[4]、數(shù)據(jù)挖掘、機器學習[5]等方面的技術，并輔助人工勘察和經(jīng)驗判斷，這些方法識別效率低、不滿足高后果區(qū)識別的實時性。隨著計算機視覺的迅猛發(fā)展，深度學習技術在圖像識別領域中迅速崛起，如何利用深度學習技術實現(xiàn)管道高后果區(qū)的智能識別成為一個很具有前景的研究領域。本文重點針對規(guī)范中的高后果區(qū)識別準則，結合地理信息系統(tǒng)及無人機航飛數(shù)據(jù)，利用YOLOv5改進算法實現(xiàn)高后果區(qū)AI智能識別，以期降低高后果區(qū)識別的人工成本，提高高后果區(qū)識別精度，提升管道完整性管理的工作效率。

1" 高后果區(qū)識別現(xiàn)狀

目前，輸油氣管道現(xiàn)場作業(yè)識別高后果區(qū)的主要方法仍是基于遙感影像的在線人機交互識別，完整的高后果區(qū)識別及管理流程如圖1所示。

高后果區(qū)識別準備：結合上一年度高后果區(qū)識別結果及技術標準變化情況，為后續(xù)高后果區(qū)識別做好準備工作。

高后果區(qū)預識別：基于IMS數(shù)字管道地圖工具根據(jù)前期采集的管道中心線、站場、閥室和管道樁數(shù)據(jù)，疊加GIS高清影像圖對管道沿線的地物環(huán)境信息進行排查，在潛在影響區(qū)域內(nèi)初步圈定人員密集、環(huán)境敏感區(qū)域、隱蔽場所等重點目標，并形成初步識別列表，作為現(xiàn)場復核的主要識別內(nèi)容。

高后果區(qū)現(xiàn)場復核：現(xiàn)場復核主要采用現(xiàn)場調(diào)查、走訪的方式進一步核實人員分布、規(guī)模及周邊環(huán)境情況，并采用現(xiàn)場定位、埋深測量等方式，進一步確定高后果區(qū)區(qū)間，并進一步完善高后果區(qū)識別信息，為后續(xù)的風險評估和管控措施的制定提供更加準確的依據(jù)。

風險評價及報告編制：按照國家管網(wǎng)高后果區(qū)識別與評價報告編制要求及一區(qū)一案報告編制要求，結合高后果區(qū)所屬管道基礎信息、高后果區(qū)識別結果、數(shù)據(jù)對齊后的內(nèi)檢測、外檢測、陰極保護測試等相關信息自動生成報告，為高后果區(qū)的日常管理提供依據(jù)。

高后果區(qū)質(zhì)量及風險管控檢查：基于國家管網(wǎng)體系文件要求，對高后果區(qū)信息填報質(zhì)量進行全方位檢查，包括但不限于信息完整性、信息有效性、信息邏輯的一致性。針對高后果區(qū)評價發(fā)現(xiàn)的中高風險，及時建立風險與預防措施的關系，為高后果區(qū)的風險管控提供保障，確保風險管控的及時響應。

通過以上步驟可以看出，當前高后果區(qū)識別外業(yè)現(xiàn)場復核是必不可少的一步，而且人力、物力、時間成本均相對比較高。每年的高后果區(qū)風險評價及報告更新需要人工進行比對完善，工作量較大，時間效率相對較低。根據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》、Q-GGW03001.2—2022《油氣儲運資產(chǎn)完整性管理規(guī)范 第2部分：管道線路》要求，目前高后果區(qū)識別均需要每年進行，鑒于此項工作的重要性及高頻性，研究高后果區(qū)智能識別模型勢在必行，以此提高工作效率，為管理提供更精準的數(shù)據(jù)支持。

2" 研究方法

隨著人工智能深度學習技術的發(fā)展，其在自動化、智能化產(chǎn)業(yè)上得到了廣泛的應用。通過使用深度學習算法，可以進行輸油氣管道高后果區(qū)的自動識別，提高識別的精度和效率，為實現(xiàn)高后果區(qū)的自動識別提供技術支持。YOLO系列算法作為當前主流的深度學習目標檢測算法之一，在識別小目標圖像上已被證明具有較高的準確性與可靠性。其中，YOLOv5算法運算速度快、精度高、模型小，在嵌入式設備上的應用前景非常廣泛[6]。

2.1" YOLO算法概述

2015年，Redmon等[7]提出了YOLO目標檢測算法，YOLO的核心是將目標檢測問題變成一個回歸問題，將整張圖片作為輸入，僅通過一個卷積神經(jīng)網(wǎng)絡就能得到目標的邊界和類別，檢測速度大幅提升[8]。2017年，YOLO的研發(fā)者Redmon提出了YOLOv2[9]，YOLOv2提出了聯(lián)合訓練方法，兼顧了識別速度和識別的準確率，識別對象的種類也多達9 000種[8]。2018年YOLOv3[10]橫空出世。YOLOv3是在YOLOv2的基礎上又進行了一系列的改進，利用特征金字塔網(wǎng)絡結構實現(xiàn)了多尺度檢測，并且在分類方法上使用了邏輯回歸，在保障了檢測的準確性上兼顧了實時性[11]。YOLOv4[12]算法是2020年4月23日提出的，在特征提取上采用CSPDarknet53網(wǎng)絡，同時應用SPP模塊增強特征表達能力，其精度與速度的平衡性在當前目標識別領域為最佳[13]。YOLOv5于2020年6月10日發(fā)布，與之前的YOLO算法對比，YOLOv5在速度、精度、可部署性等方面有非常大的提升[11]。

YOLOv5網(wǎng)絡的主要原理是通過卷積神經(jīng)網(wǎng)絡實現(xiàn)對輸入的圖像進行特征提取和處理，進而計算出目標的位置和類別。YOLOv5系列共有5個模型，網(wǎng)絡結構均一樣，區(qū)別在于每個模型的寬度、深度以及參數(shù)量略有差別，綜合精度、速度及參數(shù)量考量，本文選擇YOLOv5s作為本次研究的模型算法。

2.2" 基于YOLOv5的高后果區(qū)識別模型建立

基于YOLOv5的高后果區(qū)識別模型建立流程如下：首先，針對不同的高后果區(qū)類型，收集不同類別的數(shù)據(jù)集，同時使用旋轉、平移、縮放等技術對數(shù)據(jù)集進行增廣，再利用Labelimg軟件對數(shù)據(jù)集進行標注，構建不同種類的高后果區(qū)智能識別樣本庫。其次，采用YOLOv5s算法構建不同類型的高后果區(qū)智能識別模型，將不同種類的樣本庫按照訓練集和驗證集8∶2進行劃分，采用訓練集對相應的模型進行訓練，尋找智能識別模型的最優(yōu)參數(shù)。最后，采用驗證集對訓練好的模型進行驗證，使用評價指標精確率和召回率對模型識別效果進行評估。

2.2.1" 數(shù)據(jù)集

本文數(shù)據(jù)集主要指高后果區(qū)圖像形式的數(shù)據(jù)，用來訓練和測試高后果區(qū)智能識別模型。高后果區(qū)識別類型包含人員密集型、環(huán)境敏感型、交通設施型和易燃易爆場所4類。相應地，需收集4類數(shù)據(jù)樣本集。本文的高后果區(qū)圖像數(shù)據(jù)來源于2個方面，自建數(shù)據(jù)庫和開源數(shù)據(jù)庫，數(shù)據(jù)圖像均是利用衛(wèi)星及無人機航拍獲得。

樣本數(shù)量越多，訓練出來的模型效果越好，模型的泛化能力越強。因此為提高高后果區(qū)智能識別模型的魯棒性和識別能力，本文對采集到的高后果區(qū)圖像進行了旋轉、平移、縮放等操作以達到數(shù)據(jù)集增廣的效果。然后采用Labelimg軟件對數(shù)據(jù)集進行標注，根據(jù)不同的數(shù)據(jù)類型建立相應的智能識別樣本庫。

人員密集型樣本庫主要是指人口聚集、建筑物密集的區(qū)域，這些區(qū)域擁有豐富的人力資源和經(jīng)濟活動，但同時也伴隨著巨大的風險。在本次高后果區(qū)智能識別模型中主要是通過對管道周邊建筑物的識別，進一步估算人口密度；交通設施型樣本庫是指交通密集、交通網(wǎng)絡復雜的區(qū)域，這些區(qū)域主要包括公路、鐵路、車站和碼頭等；環(huán)境敏感型樣本庫主要是指油氣泄漏易對周邊環(huán)境造成污染的區(qū)域，這些區(qū)域擁有豐富的自然資源，主要包括河流、大型水域、自然保護區(qū)等；易燃易爆場所樣本庫主要是指管道兩側各200 m內(nèi)有加油站、油庫、煤氣站庫房、煙花車間、易燃粉塵的區(qū)域、化學品倉庫和燃料倉庫等，此類區(qū)域會對周圍人員及環(huán)境產(chǎn)生比較嚴重的毀壞。

本次模型基于3.7萬張衛(wèi)片和2.2萬張航片，標注建筑物信息，構建了人員密集型樣本庫；基于1萬張衛(wèi)片和1萬張航片，標注道路信息，構建了交通設施型樣本庫；基于1萬張衛(wèi)片和1萬張航片，標注河流、水體等信息，構建了環(huán)境敏感型樣本庫；基于1萬張衛(wèi)片和1萬張航片，標注加油站、加氣站等信息，構建了易燃易爆場所樣本庫。建立的不同種類樣本庫如圖2所示。

2.2.2" 模型建立

YOLOv5s作為高后果區(qū)智能識別模型建立的核心算法，其主要由輸入端、骨干網(wǎng)絡、頸部網(wǎng)絡和輸出端4部分組成[14]。

1）輸入端（Input）。輸入端主要包括Mosaic數(shù)據(jù)增強、自適應錨框計算、自適應圖片縮放3部分內(nèi)容。Mosaic數(shù)據(jù)增強主要是通過選取任意4張圖片進行翻轉、裁剪和縮放等操作，然后進行拼接構成新的圖片（主要增加數(shù)據(jù)多樣性、增強模型的魯棒性，加強歸一化效果、提升小目標檢測性能）。自適應錨框計算主要根據(jù)不同的訓練集自適應計算出目標的大致位置；自適應圖片縮放主要是將圖片統(tǒng)一縮放至尺寸為640×640，若圖片未達到模版則采用自適應黑邊來填充。

2）骨干網(wǎng)絡（Backbone）。骨干網(wǎng)絡中主要包括Focus、CSP、SPPF 3個模塊。Focus模塊主要對圖片進行切片操作，再通過拼接得到新的圖片，經(jīng)過卷積操作后，最終得到了沒有信息丟失的二倍下采樣特征圖。CSP模塊主要使用的是C3_v1結構，是將輸入的特征分成2個分支，一個分支先通過CBS結構，即（Conv（卷積）+BN（批量歸一化）+SiLU（激活函數(shù)）），再通過多個Bottleneck殘差結構，再進行一次卷積；另一個分支直接進行卷積，然后2個分支進行Concat實現(xiàn)拼接完成特征層的映射操作，最后再通過一個CBS結構即可得到最終的特征圖。SPPF模塊的主要功能是通過融合局部和全局的特征來增大網(wǎng)絡的感受野。

3）頸部網(wǎng)絡（Neck）。頸部網(wǎng)絡也叫Neck網(wǎng)絡，主要是對特征進行融合處理，由FPN（Feature Pyramid Networks）和 PAN（Path Aggregation Networks）構成。PAN網(wǎng)絡可以將低層的位置信息由低向高傳遞，增強底層特征的傳播。在Neck網(wǎng)絡中使用的是C3_v2結構，主要是將上支路的Bottleneck殘差結構替換成CBS結構，然后通過上下分支將輸出經(jīng)過Concat拼接完成特征映射操作，可以增強網(wǎng)絡的特征融合能力。

4）輸出端（Head）。輸出端主要是把目標位置和類別信息輸出，由多個檢測頭構成，負責預測不同尺度目標的類別和位置。

YOLOv5s算法的網(wǎng)絡結構圖如圖3所示。

本文搭建的智能高后果區(qū)識別模型如圖4所示。

2.2.3" 模型訓練與評估

根據(jù)高后果區(qū)識別類型，分別對人員密集型、環(huán)境敏感型、交通設施型和易燃易爆場所4種樣本庫進行模型訓練，設置batch_size、leraning_rate和epochs等超參數(shù)開啟模型訓練，通過計算損失函數(shù)，待模型收斂完成后，使用驗證集進行模型評估，計算每個模型的準確率和召回率；然后通過調(diào)整樣本和超參數(shù)進行遷移學習訓練，最終輸出人員密集型、環(huán)境敏感型、交通設施型和易燃易爆場所智能識別模型。

此次采用的評價指標為精確率（Precision）和召回率（Recall），精確率（Precision）和召回率（Recall）是基于混淆矩陣得到的。此處以二分類混淆矩陣為例進行闡述，如圖5所示。

其中，Positive和Negative分別表示樣本的正例和負例，在目標檢測算法中，正例通常為待檢測的目標，負例通常為背景。TP又稱真陽性，表示是正例并正確預測為正例的結果；FP又稱假陽性，表示是負例并將負例預測為正的結果；FN又稱假陰性，表示是正例并將正例預測為負例的結果；TN又稱真陰性，表示是負例并正確預測出負例的結果。

1）準確率（Precision）又稱為查準率，表示正例正確預測為正例占整個實際正例的比值，用來評估預測是否準確，具體公式如下

P= 。 （1）

2）召回率（Recall）又稱查全率，表示正例正確預測為正例占預測為正例的比值，用來評估找的全不全，具體公式如下

R= 。" （2）

通常情況下，準確率和召回率越趨近于1，模型效果越好。通過評估發(fā)現(xiàn)，現(xiàn)有人員密集型模型準確率為0.96，召回率為0.95；交通設施型模型準確率為0.95，召回率為0.97；環(huán)境敏感型模型準確率為0.94，召回率為0.95；易燃易爆場所準確率為0.96，召回率為0.97。數(shù)據(jù)表明，不同類別的模型滿足實際高后果區(qū)識別需求。

3" 實例驗證

本次研究結合YOLOv5算法創(chuàng)建了高后果區(qū)AI智能識別平臺，如圖6所示。為進一步驗證模型的有效性，本文以國內(nèi)某成品油管道為例對高后果區(qū)智能識別模型進行驗證，該管道長490.3 km，管徑Φ559 mm、Φ508 mm，管道壁厚為6.3～12.5 mm，設計壓力8～13.3 MPa，管道沿線環(huán)境復雜，經(jīng)過密集居民區(qū)、河流、濕地和面粉廠等，管道一旦泄漏，將對周邊環(huán)境和人員造成較大影響。根據(jù)輸油管道高后果區(qū)識別項內(nèi)容，采用現(xiàn)場航飛對管線進行數(shù)據(jù)采集，通過高后果區(qū)智能識別模型對管道沿線的高后果區(qū)進行識別，部分識別結果見表1。

將上表識別出的高后果區(qū)情況與管線最新高后果區(qū)信息列表中的數(shù)據(jù)進行對比發(fā)現(xiàn)，該模型智能識別出的高后果區(qū)信息與傳統(tǒng)人工輔助識別信息一致，說明該模型有效，可以準確地識別出人員密集型、交通設施型、環(huán)境敏感型和易燃易爆場所等不同類型高后果區(qū)及其長度與等級。實例表明，基于目標檢測算法YOLOv5s建立的高后果區(qū)智能識別模型可以滿足長輸管道高后果區(qū)自動識別的實際需求。

4" 結束語

針對輸油氣管道高后果區(qū)識別效率低的問題，本文采用目標檢測算法YOLOv5對高后果區(qū)智能識別進行了研究，根據(jù)高后果區(qū)識別類型建立人員密集型樣本庫、交通設施型樣本庫、環(huán)境敏感型樣本庫和易燃易爆場所樣本庫，在YOLOv5智能高后果區(qū)識別模型中對其訓練，訓練結果的精確率和召回率均達到90%以上。結合實例驗證，模型能快速準確地識別出高后果區(qū)的起止、類型、等級，符合實際識別需求。

鑒于本文對人員密集型的高后果區(qū)識別基于建筑物的數(shù)量，人員的數(shù)量是根據(jù)建筑物數(shù)量進行預估的，與實際相差較大，下一階段將結合信令分布、高德定位信息、紅外技術和騰訊人口分布等進一步明確高后果區(qū)的人口基數(shù)，使人員密集型高后果區(qū)識別更加精準。

參考文獻：

[1] 油氣輸送管道完整性管理規(guī)范：GB 32167—2015[S].

[2] 夏志偉，高春元，彭名超，等.輸氣管道高后果區(qū)智能識別技術[J].礦山工程，2023，11（3）：334-338.

[3] 劉翼，張安祺，陳璐瑤，等.基于多源遙感影像的高后果區(qū)變化檢測方法[J].油氣儲運，2021，40（3）：293-299.

[4] 高?？?，戴連雙，賈韶輝，等.基于GIS的管道高后果區(qū)管理升級及其實踐[J].石油工業(yè)技術監(jiān)督，2020，36（5）：60-63.

[5] 耿艷磊，陶超，沈靖，等.高分辨率遙感影像語義分割的半監(jiān)督全卷積網(wǎng)絡法[J].測繪學報，2020，49（4）：499-508.

[6] 吳思妃.基于改進YOLOv5的茶芽檢測[J].福建茶葉，2024，46（2）：30-32.

[7] REDMON J， DIVVALA S， GIRSHICK R， et al.You only look once： Unified， real-time object detection[C]// Computer Vision amp; Pattern Recognition.IEEE， 2016.

[8] 喻柏煒.基于卷積神經(jīng)網(wǎng)絡YOLOv5模型的圖表識別方法[D].南昌：南昌大學，2021.

[9] REDMON J， FARHADI A. YOLO9000： better， faster， stronger[J].IEEE， 2017：6517-6525.

[10] REDMON J， FARHADI A. YOLOv3： An ineremental improvement [J]. arXiv eprints，2018.

[11] 楊龍歡，董效杰，黃施懿，等.基于YOLOv5的輕量型絕緣子缺陷檢測算法研究[J].通信與信息技術，2023（5）：13-18.

[12] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection[J].2020.

[13] 鄭紅彬，宋曉茹，劉康.基于YOLOv5的交通標志識別[J].計算機系統(tǒng)應用，2023，32（8）：230-237.

[14] 葉豐.基于改進YOLOv5算法的移動機械臂手眼協(xié)作技術研究[D].濟南：山東大學，2023.