水面油污在線監測系統研究

劉巖 張慶祿 厲彥柏

[摘 要]中國目前運營的輸油管道5萬余千米，管道在河流穿越段附近發生泄漏事件，油品隨著水流快速擴散，容易造成嚴重的環境污染，造成很壞的社會影響。通過在河流穿越段下游加裝監測系統，可以及時發現油品泄漏，減少巡檢次數，快速響應。

[關鍵詞]管道;油品泄漏;在線監測

doi：10.3969/j.issn.1673 - 0194.2020.06.037

[中圖分類號]TP212.9;TN929.5;TP274[文獻標識碼]A[文章編號]1673-0194（2020）06-00-02

0? ? ?引 言

管道運輸作為五大運輸方式之一，在油氣運輸上獨具優勢，可以平穩、不間斷地將油氣運輸到全國各地。中國目前運營的輸油管道總長5萬余千米，在油品運輸過程中，一旦管道發生泄漏，尤其是油品泄漏點在河流附近，流動的河水會加速油污擴散，如果沒有及時發現，將造成嚴重后果。2009年12月30日，中石油某成品油輸油管道發生泄漏，在渭河形成污染帶進入黃河，污染了當地飲用水源，造成很壞的社會影響。通過在線監測系統及時發現、及時處理，能夠大幅降低油品泄漏造成的影響。

1? ? ?油污在線監測系統模型

油污在線監測系統通過圖片及氣味數據進行分析，針對識別出的油污水面向生產人員發送預警信息，通過人為二次判斷，確定現場情況。系統由數據采集模塊（包括視覺采集模塊和氣味采集模塊）、信號處理模塊、無線傳輸模塊、遠程計算機模塊4部分組成，如圖1所示。

①系統采集模塊。系統采集模塊包含視覺采集模塊和氣味采集模塊。即采集特定范圍內河面的圖像和氣味數據，并將所得到的電信號傳遞給信號處理模塊。②信號處理模塊。信號處理模塊為整個系統的關鍵，主要實現在各模塊、各傳感器之間的信號轉換、采集、存儲、處理和發送等功能。③通信模塊。通信模塊通過有線、無線的方式，將平臺采集的數據發送到遠端計算機。④遠端計算機。遠端計算機接收傳輸過來的各項數據，通過機器學習建立神經網絡模型，實時監測河面是否存在油污泄漏和油膜存在等情況。對疑似油污存在的情況，發出報警提示，并顯示現場圖像，進行人工判斷。

2? ? ?基于SVM的圖像監控系統

支持向量機（SVM）已經成為了解決數據挖掘問題的重要方法，是基于統計學習理論和神經網絡的技術。不同于傳統分類方法，SVM是一種基于結構風險最小化的分類技術，核心不是將學習器訓練誤差降到最小，而更注重分類器的泛化能力，從而讓SVM在處理某些分類問題時表現得更加高效且穩定。

2.1? ?基于支持向量機（SVM）的圖像分割

在對圖像進行分割時，通常采用的分割方法是基于閾值，根據以往經驗設定閾值并提取圖像的灰度、紋理、梯度等特征來分割圖像。按照個人經驗設定閾值和特征往往比較困難，通常需要多次調整閾值和特征信息以使實驗結果更符合預期結果。然而在統計學習中，無須對每個特征設置固定的閾值，而是通過選擇適量的特征并明確對應的權值，這樣在分類像素點時可以盡可能多地選擇特征作為樣本屬性。利用SVM原理對像素點進行分類，解決圖像分割問題。在建立SVM分類模型時，先選取訓練樣本集，并確定SVM核函數及其參數，提取樣本的特征，最后確定訓練樣本集進行訓練，并用SVM分類器分割圖像。

2.2? ?算法步驟

基于SVM的圖像監控系統的算法步驟如圖2所示。

2.3? ?實驗結果及分析

分析實驗結果（如圖3所示）可以發現，系統對水面的油污進行有效的分析識別。但在出現不規則物體陰影、強光折射時，系統可能出現誤判，此時需要通過更加豐富的訓練集提高系統的準確度和穩定性。此外，應適當引入人工識別，不能因為提高對異物的識別而遺漏對油污的識別，不能因小失大。

3? ? ?基于LVQ神經網絡的氣味監控系統

一個LVQ網絡由輸入層、競爭層、輸出層等3個神經元組成。其中競爭層會通過輸入向量的距離學習，從而對輸入向量進行分類。輸出層獲得競爭層傳來的分類信息，并將其轉變為一個類別，每個輸出層神經元代表一個分類。在競爭層和輸出層之間的連接權值固定為1。輸入層和競爭層間的連接權值為參考矢量的分量。在LVQ網絡訓練過程中，這些權值會被修改。所以在競爭層和輸出層都有二進制輸出值。當某個輸入被傳送至LVQ網絡時，最接近輸入的參考矢量的競爭神經元獲得激發，從而贏得競爭，產生一個“1”;而其他競爭神經元因此都被迫產生“0”。獲勝神經元所在的神經元組相連接的輸出神經元也發出“1”，其他輸出神經元逼迫發出“0”。產生“1”的輸出神經元給出輸入對應的類，每個輸出神經元代表不同的類，如圖4所示。

4? ? ?實驗結果及分析

圖5是基于LVQ神經網絡的氣味監控系統模型，實驗中，筆者選取的數據集數據總數為569個，其中正常情況數據357個，泄露情況數據212個。隨機將數據集分為訓練集和測試集。其中，訓練集數據總數為426個，正常情況270個，泄露情況156個。測試集數據總數143個，正常情況87個，泄露情況56個。使用訓練集的數據對系統進行訓練，訓練結束后，使用測試集數據進行校驗。最終得出如下結果：測試集正常情況數據中，正確識別的為78個，誤判為泄露情況9個，正確率P1=89.655 2%;測試集泄露情況數據中，正確識別的為45個，誤判為泄露情況11個，正確率P2=80.357 1%。通過實驗可以發現，在不考慮數據集樣本數據差異的情況下，訓練集的容量越大，系統的正確識別率越高，通過豐富訓練集容量，可以有效提高系統的正確率，同時系統可以自主學習，將每次測試的數據轉化為新的訓練數據，盡可能提高系統的識別率。

5? ? ?結 語

通過以上實驗結果不難發現，SVM神經網絡圖像識別與LVQ神經網絡氣味監控系統，在水面油污監控中能達到較好應用，但是在實際環境中，干擾系統識別的因素千差萬別，一盆肥皂水、一艘游船經過都可能造成監控系統誤判，需要加入人工識別的方式進行二次診斷，在發現可疑情況時及時報警，并實時傳送監控圖像和氣味識別數據，由人工進行核實。應用水面油污監控系統并不表示可以完全不用人工管理，只是作為初篩使用，現實生產不同于實驗室，萬分之一的誤判都有可能造成嚴重后果，所以在系統使用過程中，只要圖像和氣味兩個識別系統有一個發現異常，就會警報。

主要參考文獻

[1]邊冰，劉奇，何浩.基于LVQ神經網絡的煤自然發火預測系統[J].華北理工大學學報：自然科學版，2017（1）：12-16.

[2]王博，劉俊康，陸逢貴，等.基于卷積神經網絡的食品圖像識別[J].食品安全質量檢測學報，2019（18）：6241-6247.