無人機動態智能管線分析檢測研究

鐘武軍

[摘 要]我國油氣管道具有運行里程長、建設年代跨度大、安全事故多發等特點。通過無人機對管線進行圖像采集，并對圖像進行正攝性矯正，在矯正后的圖像中標注管線位置;然后以管線位置為基準，在圖像的警戒范圍內進行異常目標檢測;接著通過神經網絡識別異常目標類別，并由人工確認檢測到的異常目標是否需要矯正;最后計算獲取異常目標的警戒距離以及面積，將異常目標及特征與異常目標的處理狀態存入數據庫，并生成報告。

[關鍵詞]無人機巡檢;動態檢測;智能識別;AI神經網絡學習

doi：10.3969/j.issn.1673 - 0194.2020.24.070

[中圖分類號]F273[文獻標識碼]A[文章編號]1673-0194（2020）24-0-02

1? ? ?國內石油管線巡檢管理及發展現狀

我國油氣管道具有運行里程長、建設年代跨度大、安全事故多發等特點，加強管道的安全管理，特別是加強管道的現場安全巡護，能夠減少管道安全事故。目前，油氣管線巡檢應用最廣泛的手段仍然是人工巡護，但是受地理條件限制和自然環境影響，有時人工巡護手段難以實施，且人工巡護存在成本高、效率低、難以標準化等問題。當前自動化巡檢輔助人工巡護并逐步替代人工巡護是油汽管線巡檢領域的大勢所趨，相比傳統的管線巡檢方法（人工巡護、光纜監測），利用無人機進行管線巡檢時，在巡檢成本、功能多樣性和災后管線評價上具有不可替代的優勢，但是目前國內無人機管線巡檢方案或軟件都無法提供端到端的巡檢流程，最多只是將巡檢的航拍圖拼接成電子地圖，沒有深入挖掘圖像信息。

2? ? ?無人機動態智能管線分析檢測設計方案概述

2.1? ?功能模塊

2.1.1? ?圖像采集單元

圖像采集單元主要采集管線圖像，按要求導入所采集的圖像文件，并標注相關信息，按要求進行基本的預處理操作。

2.1.2? ?接收模塊

接收模塊可以接收圖像采集單元采集到的圖像，并對符合覆蓋管線要求的圖像進行正攝性矯正，并在矯正后的圖像中標注管線位置。

2.1.3? ?GIS三維成像模塊

GIS三維成像模塊將采集后的序列圖像按照真實GIS地理系統坐標三維全景展示采集地貌，包括完整正射圖和數字高程圖，具有高精度的地理信息坐標及標簽，可用于基本的地貌查勘以及距離測量等操作，滿足初始的數字模型構建和檔案構建要求。

2.1.4? ?目標篩選模塊

目標篩選模塊設置了管線兩側圖像的警戒范圍，并在圖像的警戒范圍內檢測異常目標，包括異常目標色域空間檢測、異常小目標檢測、異常大目標檢測以及異常人造目標檢測。其中，主要采用的檢測方法包括基本的目標檢測和對比檢測兩種方式。

2.1.5? ?深度學習識別模塊

深度學習識別模塊可以識別檢測模塊檢測到的異常目標，從而確定異常目標的類型。根據大量樣本構建多層神經網絡模型，通過深度學習網絡精確分類各種目標。

2.1.6? ?人工確認單元

人工確認單元可以判定經神經網絡識別后的異常目標，并矯正異常目標，從而得到最終的異常目標序列。

2.1.7? ?分析管理單元

分析管理單元包括計算模塊、數據存儲模塊、發送模塊。第一，計算模塊。用于計算異常目標相對于管線中線的距離以及異常目標的面積。第二，數據存儲管理模塊。用于存儲異常目標的類別、地理坐標、相對于管線中線的距離、面積以及操作人員對異常目標的處理狀態。其中，異常目標的處理狀態包括未確認、已確認、未排除以及已排除。第三，發送模塊。將高危警戒異常目標的地理坐標和類別發送給操作人員。

2.2? ?實現細節算法

2.2.1? ?圖像采集單元

根據管線的地理坐標以及無人機的類別規劃無人機的巡檢路線，所述巡檢路線符合管線圖像覆蓋要求，無人機的類別包括固定翼無人機和旋翼無人機;將無人機的飛行姿態、高度信息、飛行地理坐標、相機參數信息以及采集到的圖像傳送至地面站。

2.2.2? ?目標篩選模塊

以管線位置為基準，設置圖像的警戒范圍。其中，警戒范圍的值根據使用者的實際需要確定。例如，以石油管道為基準，將距離石油管道50 m內的范圍設為預警范圍。之后，在圖像的警戒范圍內進行異常目標檢測，所述異常目標檢測包括異常目標色域空間檢測、異常小目標檢測、異常大目標檢測以及異常人造目標檢測。異常目標色域空間檢測包括：將目標的顏色值域映射到色域空間內，將目標值小于背景均值10%，目標值大于背景均值15%的目標作為異常目標。

異常小目標表現為點狀、斑狀，具有共同的特性，表現在分辨率極大的遙感圖像上，例如，工程車輛、電線桿等表現為小目標特征，以此為特點，設置像素小于80 PPI×80 PPI的目標作為異常小目標。異常大目標如房屋、山體滑坡、水體等在遙感圖像上表現為大塊的邊緣突出，顏色一致，紋理類似，以此為特點，設置像素在80 PPI×80 PPI～400 PPI×400 PPI的目標作為異常大目標。異常人造目標在圖像上突出表現為規則的直線線條或圓弧線條，以此為特點，設置像素尺寸在50 PPI×50 PPI～100 PPI×100 PPI的目標作為異常人造目標。這樣一來，通過目標篩選模塊，不僅能夠檢測管線周圍警戒范圍內的異常目標，還能檢測管線周圍警戒范圍內的正常目標。

2.2.3? ?神經網絡識別模塊

對檢測到的異常目標進行神經網絡識別，從而獲取異常目標的類別。例如，利用CNN（Convolutional Neural Network，神經網絡識別）深度學習目標識別。CNN機器學習對疑似異常目標進行CNN深度學習目標識別，獲取異常目標的具體類別：道路、車輛、房屋、土壤翻動、水體或電桿類別等。

2.2.4? ?數據存儲管理模塊

將異常目標的類別、地理坐標、相對于管線中線的距離以及異常大目標占用面積歸檔至數據庫，自動生成報告。報告生成除上述基本信息，還包括將當前時間信息、操作人員信息、無人機的飛手信息、所有巡檢序列圖像、歷史相同地理位置參考信息、異常目標統計信息以及高危警戒異常目標的標識信息。定期匯總異常目標的排查情況，以此生成月度、年度等異常目標巡檢反饋，同時匯總成統計報告。利用無人機巡檢管線目標分析管理系統，排查石油管道周圍的異常目標，將無人機石油管道巡線的安全生產工作流完全納入自動化管理系統中。

3? ? ? 無人機動態智能管線的應用效果

目前，在華北石油二連公司，北京天然氣管道公司的陜京四線、陜京二三線以及長慶采氣三廠等單位應用。

3.1? ?二連油田阿賽線

阿賽線隸屬于華北油田公司二連分公司輸油管理處，全長361 km，起始于內蒙古自治區錫林浩特市阿爾善首站，途經錫林郭勒盟阿巴嘎旗、蘇尼特左旗，終于蘇尼特右旗末站。近年來，因輸油管線腐蝕導致穿孔漏油，被列入重點巡護項目。利用無人機快速巡檢和智能分析系統，針對該區域空中巡檢，巡檢距離55 km，飛行時間78分鐘，總共發現28處異常目標，其中，水毀8處，桿樁傾倒13處，地表裂縫7處。

3.2? ?陜京四線

陜京四線烏審旗無人區25 km管道，飛行路段距離遠、牧場多、圍欄穿越難、沙漠行走困難、途經復雜地貌多，采用傳統人工巡線方法有交通不便、費時費力、人工成本高，徒步巡線無法到達該段管道，給管道安全運行帶來隱患。在無人機飛行過程中，對管道進行視頻拍攝，并通過無線傳輸將影像實時傳送到內蒙古輸氣管理處及北京天然氣管道公司，用戶通過網絡設備可實時查看巡護效果。實時數據經過智能高效的大數據處理平臺對比分析，管道前后時期的變化清晰可見，為管理方快速制訂管道維護方案提供了重要依據。無人機動態智能管線分析檢測技術能以最快的速度完成石油管道沿線巡檢的航空影像數據處理，為油田生產快速完成對埋地管道的巡檢和偷盜油探測，降低檢測投入成本，取代超長石油管道遠距離人工巡檢，每年可為油氣管道巡檢節約大量的人力投入成本。

主要參考文獻

[1]金偉，葛宏立，杜華強，等.無人機遙感發展與應用概括[J].遙感信息，2009（1）：88-92.

[2]呂厚誼.無人機發展與無人機技術[J].世界科技研究與發展，

1998（6）：113-116.

[3]歐新偉，周利劍，馮慶善，李祎，李振宇.無人機遙感技術在長輸油氣管道管理中的應用[J].科技創新導報，2011（15）：77-78.

[4]武海彬.無人機系統在油氣管道巡檢中的應用研究[J].中國石油和化工標準與質量，2014（9）：105-106.

[5]劉文華，劉洋，李寧.智能識別算法在無人機巡線中的應用研究[J].中國管理信息化，2018（11）：130-135.

[6]王小雄，邵永軍，任曉輝，等.一種智能無人機橋檢系統研究[J].公路交通科技：應用技術版，2019（11）：187-189.

[7]陳兆龍，盛擁軍，李國森.無人機巡檢管道自動識別報警功能分析研究[J].中國設備工程，2020（10）：14-15.

[8]崔瑞雪，汪麟，趙德銀，等.管道完整性管理平臺技術發展研究[J].化工中間體，2020（11）：108-110.