原油管線泄漏巡檢視頻智能識別方法研究

李濤 韓嘉航 南曉亮 李楠 孫延吉

針對原油集輸管線泄漏監測，本文探討顏色空間特征方法與深度卷積神經網絡（CNN）方法疊加，快速自動識別判斷是否存在原油管線泄露造成的油污區域。通過無人機巡線視頻關鍵圖像數據，標記正負數據集合，訓練出高效卷積神經網絡，對無人機巡線視頻數據進行實時分析處理，并推送異常數據，提高輸油管線的安全生產能力。

一、引言

新疆塔河油田部分油氣管線貫穿棉田、水域、胡楊林，隨著服役時間逐年增加，管線腐蝕刺漏呈現出顯著增長趨勢，既帶來經濟損失，又對環境造成破壞。傳統人工巡線周期長、效率低、覆蓋率不足，且無法對涉水和穿越胡楊林等管線有效監測，導致不能及時發現管線刺漏，造成更大的污染事件。為提高巡線質量，創新巡檢方式和管理模式，部分采油廠率先應用無人機巡線，通過無人機搭載的高清晰攝像機對管道進行全覆蓋、全方位體檢，顯著減少管線刺漏后大面積污染事件的發生。

二、管線泄漏監測

原油集輸管線在油田生產中扮演著重要角色，但隨著管線投運年限的不斷增長，管線運行風險日趨突顯，集中體現在管線腐蝕刺漏后造成的環境污染。在管道防腐問題尚未有效解決、管道運行監控技術尚未成熟的情況下，如何及時有效發現管道刺漏，已成為油田安全生產亟待解決的問題。部分采油廠引進無人機技術應用到管道巡線作業中，不僅大幅降低作業成本，同時將刺漏發生后的損失降至最低，有效保障了企業的安全生產。

在對管線進行GPS坐標打點的基礎上，每日制定無人機巡線表，依據坐標數據進行無人機自動飛行，并依托無人飛行器管控平臺，采油廠實現了對無人機的實時監控和專業管理。實時監控包括畫面同傳，飛行器實時高度、速度、經度、緯度、方向及飛行器性能等相關信息；同時該平臺還記錄每臺飛行器的歷史飛行信息（飛行時間、次數），對前期飛行視頻信息可進行在線觀看或下載。通過視頻畫面即可及時發現管線泄漏產生的油污區域，定位管線的泄漏點，及時采取補救措施，降低經濟損失和環境污染。

三、圖像識別綜合判定方法

通過人工瀏覽無人機巡線視頻，勞動強度大，工作效率低。為了提高效率，采油廠開展了基于人工智能的圖像自動監測技術研究，訓練原油集輸管線泄漏點的自動判斷識別模型，并進行了應用模塊的開發應用。

管道泄漏區域相對于未污染地域具有特殊的顏色分布規律，在大多數情況下油氣泄漏疑似區域對比正常區域的顏色通道呈現特殊的亮度和飽和度特征，依據該規律可以建立油氣泄漏疑似區域的顏色模型，快速識別油氣泄漏的疑似區域。顏色特征方法計算速度快，可以迅速的將無人機拍攝的圖像中的油氣疑似泄漏區域分辨出來。但是顏色特征方法只是關注地域圖像的表面顏色特征，并不能對疑似區域進行準確的管道泄油判定，因此本文探討將顏色空間特征方法與深度卷積神經網絡（CNN）算法結合，應用顏色空間特征方法快速提取地域圖像的疑似泄油區域，利用深度卷積神經網絡對疑似區域進行精確判定，并標識大致范圍。從而實現自動識別判斷是否存在油氣泄漏造成的油污區域。

卷積神經網絡（CNN）算法是一種試圖使用多重非線性變換構成的多個處理層對數據進行高層抽象的算法，用非監督式或半監督式的特征學習和分層特征提取高效算法來獲取圖像特征。標準的卷積神經網絡包含多個卷積層和池化層及一個全連接層實現對圖像內容的分類和回歸。對圖像的卷積（Convolution）的過程就是利用一個卷積核（卷積模板）在圖像上滑動，將圖像點上的像素灰度值與對應的卷積核上的數值相乘，然后將所有相乘后的值相加作為卷積核中間像素對應的圖像上像素的灰度值，并最終滑動完所有圖像的過程。通過卷積操作，卷積神經網絡實現對圖像的特征提取，同時卷積神經網絡應用激活函數（一般為ReLUs函數，f（u） = max（0， u） ）來提供神經網絡的非線性建模能力。卷積神經網絡在卷積層后含有池化層（Pooling）對卷積后的圖像像素降低采樣，減少過擬合并壓縮數據量。通過一系列的卷積和采樣的工作后，卷積網絡與一個全連接網絡（Fully-connected）組合，由全連接網絡對卷積后的結果進行分類或者回歸操作。

卷積神經網絡的圖像表征學習能力在2006年深度學習理論被正式提出后，得到了廣泛關注，并隨著GPU等計算設備的更新開始快速發展。自2012年起，深度卷積神經網絡多次成為ImageNet大規模視覺識別競賽（ImageNet Large Scale Visual Recognition Challenge， ILSVRC）的優勝算法，成為目前圖像識別的主流算法。

四、模型開發及應用

管道泄漏判定模型開發的主要工作是訓練一個可以準確識別地面泄油污染的深度卷積神經網絡。在深度卷積神經網絡搭建中，本文采用地面泄油污染圖片以及目標區域巡檢視頻作為訓練素材，并將深度卷積網絡的圖像識別能力定為模型判定的泄漏區域與標記的實際泄漏區域的對比。在本模型的建立過程中，應用了約6000張圖像作為模型訓練素材。

在深度卷積模型訓練中首先要確認卷積層和池化層的層數，當層數過少時會出現特征提取點不夠充分的問題，過多則可能出現過擬合問題。本文根據每次訓練評測的實際效果，上下調整層數，直至出現一個魯棒性強，過擬合低的卷積和池化層數。其次使用微調技術對每層權重進行調整。通過不斷訓練和對比深度卷積網絡模型的識別能力，微調權重值，并將最好的訓練結果存儲起來作為下一次訓練的模型基礎。在本模型的訓練過程中，把batch size定為1，epoch定為20，每次都存儲最佳模型，并在訓練結束時繪制loss/acc曲線。

最終建立的深度卷積網絡模型包含5個卷積層，3個池化層，和兩層全連接層，激活函數均為ReLUs，具體為：包含96個卷積核的第一卷積層（卷積核7*7、步長2、邊緣擴充0、激活函數ReLUs、局部響應歸一化層）；第一最大池化層（過濾核13*13、步長2）；512個卷積核的第二卷積層（卷積核3*3、步長2、邊緣擴充3、激活函數ReLUs、局部響應歸一化層）；256個卷積核的第三卷積層（卷積核3*3、步長2、邊緣擴充2、激活函數ReLUs、局部響應歸一化層）；第二最大池化層（過濾核3*3、步長2）；421個卷積核的第四卷積層（卷積核3*3、步長3、邊緣擴充3、激活函數ReLUs）；512個卷積核的第五卷積層（卷積核3*3、步長2、邊緣擴充1、激活函數ReLUs）；96個卷積核的第六卷積層（卷積核13*13、步長2、邊緣擴充1、激活函數ReLUs）；第三最大池化層（過濾核7*7、步長2）；第一全連接層（激活函數ReLUs、dropout處理）；第二全連接層（激活函數ReLUs、dropout處理）。

在巡線過程中，模型對無人機采集的照片或實時巡線視頻進行快速的顏色空間算法計算，迅速識別高概率非泄油圖像，實現單幀圖像的快速分辨，對疑似泄油區域輸入深度學習模型進行精準判斷，從而實現對地面泄油自動圖像識別。

五、結論

本文探討了應用卷積神經網絡監測無人機巡線視頻識別原油集輸管線泄露，監測識別效率較人工方式提升了70%，有效降低了人工監測勞動強度。

作者單位：石化盈科信息技術有限責任公司