原油管线泄漏巡检视频智能识别方法研究

2020-10-27李涛韩嘉航南晓亮李楠孙延吉

中国信息化 2020年8期

李涛韩嘉航南晓亮李楠孙延吉

针对原油集输管线泄漏监测，本文探讨颜色空间特征方法与深度卷积神经网络（CNN）方法叠加，快速自動识别判断是否存在原油管线泄露造成的油污区域。通过无人机巡线视频关键图像数据，标记正负数据集合，训练出高效卷积神经网络，对无人机巡线视频数据进行实时分析处理，并推送异常数据，提高输油管线的安全生产能力。

一、引言

新疆塔河油田部分油气管线贯穿棉田、水域、胡杨林，随着服役时间逐年增加，管线腐蚀刺漏呈现出显著增长趋势，既带来经济损失，又对环境造成破坏。传统人工巡线周期长、效率低、覆盖率不足，且无法对涉水和穿越胡杨林等管线有效监测，导致不能及时发现管线刺漏，造成更大的污染事件。为提高巡线质量，创新巡检方式和管理模式，部分采油厂率先应用无人机巡线，通过无人机搭载的高清晰摄像机对管道进行全覆盖、全方位体检，显著减少管线刺漏后大面积污染事件的发生。

二、管线泄漏监测

原油集输管线在油田生产中扮演着重要角色，但随着管线投运年限的不断增长，管线运行风险日趋突显，集中体现在管线腐蚀刺漏后造成的环境污染。在管道防腐问题尚未有效解决、管道运行监控技术尚未成熟的情况下，如何及时有效发现管道刺漏，已成为油田安全生产亟待解决的问题。部分采油厂引进无人机技术应用到管道巡线作业中，不仅大幅降低作业成本，同时将刺漏发生后的损失降至最低，有效保障了企业的安全生产。

在对管线进行GPS坐标打点的基础上，每日制定无人机巡线表，依据坐标数据进行无人机自动飞行，并依托无人飞行器管控平台，采油厂实现了对无人机的实时监控和专业管理。实时监控包括画面同传，飞行器实时高度、速度、经度、纬度、方向及飞行器性能等相关信息；同时该平台还记录每台飞行器的历史飞行信息（飞行时间、次数），对前期飞行视频信息可进行在线观看或下载。通过视频画面即可及时发现管线泄漏产生的油污区域，定位管线的泄漏点，及时采取补救措施，降低经济损失和环境污染。

三、图像识别综合判定方法

通过人工浏览无人机巡线视频，劳动强度大，工作效率低。为了提高效率，采油厂开展了基于人工智能的图像自动监测技术研究，训练原油集输管线泄漏点的自动判断识别模型，并进行了应用模块的开发应用。

管道泄漏区域相对于未污染地域具有特殊的颜色分布规律，在大多数情况下油气泄漏疑似区域对比正常区域的颜色通道呈现特殊的亮度和饱和度特征，依据该规律可以建立油气泄漏疑似区域的颜色模型，快速识别油气泄漏的疑似区域。颜色特征方法计算速度快，可以迅速的将无人机拍摄的图像中的油气疑似泄漏区域分辨出来。但是颜色特征方法只是关注地域图像的表面颜色特征，并不能对疑似区域进行准确的管道泄油判定，因此本文探讨将颜色空间特征方法与深度卷积神经网络（CNN）算法结合，应用颜色空间特征方法快速提取地域图像的疑似泄油区域，利用深度卷积神经网络对疑似区域进行精确判定，并标识大致范围。从而实现自动识别判断是否存在油气泄漏造成的油污区域。

卷积神经网络（CNN）算法是一种试图使用多重非线性变换构成的多个处理层对数据进行高层抽象的算法，用非监督式或半监督式的特征学习和分层特征提取高效算法来获取图像特征。标准的卷积神经网络包含多个卷积层和池化层及一个全连接层实现对图像内容的分类和回归。对图像的卷积（Convolution）的过程就是利用一个卷积核（卷积模板）在图像上滑动，将图像点上的像素灰度值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素对应的图像上像素的灰度值，并最终滑动完所有图像的过程。通过卷积操作，卷积神经网络实现对图像的特征提取，同时卷积神经网络应用激活函数（一般为ReLUs函数，f（u） = max（0， u））来提供神经网络的非线性建模能力。卷积神经网络在卷积层后含有池化层（Pooling）对卷积后的图像像素降低采样，减少过拟合并压缩数据量。通过一系列的卷积和采样的工作后，卷积网络与一个全连接网络（Fully-connected）组合，由全连接网络对卷积后的结果进行分类或者回归操作。

卷积神经网络的图像表征学习能力在2006年深度学习理论被正式提出后，得到了广泛关注，并随着GPU等计算设备的更新开始快速发展。自2012年起，深度卷积神经网络多次成为ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge， ILSVRC）的优胜算法，成为目前图像识别的主流算法。

四、模型开发及应用

管道泄漏判定模型开发的主要工作是训练一个可以准确识别地面泄油污染的深度卷积神经网络。在深度卷积神经网络搭建中，本文采用地面泄油污染图片以及目标区域巡检视频作为训练素材，并将深度卷积网络的图像识别能力定为模型判定的泄漏区域与标记的实际泄漏区域的对比。在本模型的建立过程中，应用了约6000张图像作为模型训练素材。

在深度卷积模型训练中首先要确认卷积层和池化层的层数，当层数过少时会出现特征提取点不够充分的问题，过多则可能出现过拟合问题。本文根据每次训练评测的实际效果，上下调整层数，直至出现一个鲁棒性强，过拟合低的卷积和池化层数。其次使用微调技术对每层权重进行调整。通过不断训练和对比深度卷积网络模型的识别能力，微调权重值，并将最好的训练结果存储起来作为下一次训练的模型基础。在本模型的训练过程中，把batch size定为1，epoch定为20，每次都存储最佳模型，并在训练结束时绘制loss/acc曲线。

最终建立的深度卷积网络模型包含5个卷积层，3个池化层，和两层全连接层，激活函数均为ReLUs，具体为：包含96个卷积核的第一卷积层（卷积核7*7、步长2、边缘扩充0、激活函数ReLUs、局部响应归一化层）；第一最大池化层（过滤核13*13、步长2）；512个卷积核的第二卷积层（卷积核3*3、步长2、边缘扩充3、激活函数ReLUs、局部响应归一化层）；256个卷积核的第三卷积层（卷积核3*3、步长2、边缘扩充2、激活函数ReLUs、局部响应归一化层）；第二最大池化层（过滤核3*3、步长2）；421个卷积核的第四卷积层（卷积核3*3、步长3、边缘扩充3、激活函数ReLUs）；512个卷积核的第五卷积层（卷积核3*3、步长2、边缘扩充1、激活函数ReLUs）；96个卷积核的第六卷积层（卷积核13*13、步长2、边缘扩充1、激活函数ReLUs）；第三最大池化层（过滤核7*7、步长2）；第一全连接层（激活函数ReLUs、dropout处理）；第二全连接层（激活函数ReLUs、dropout处理）。

在巡线过程中，模型对无人机采集的照片或实时巡线视频进行快速的颜色空间算法计算，迅速识别高概率非泄油图像，实现单帧图像的快速分辨，对疑似泄油区域输入深度学习模型进行精准判断，从而实现对地面泄油自动图像识别。