油田作業現場云端智能監控系統①

張 蕾,靳澤園,李婷玉,趙崇志,程有為,田 楓,劉 芳

1(中國石油天然氣股份有限公司 冀東油田分公司,唐山 063004)

2(東北石油大學 計算機與信息技術學院,大慶 163318)

隨著云平臺和微服務技術的不斷發展,視頻監控技術漸漸向高并發、輕量化發展.而油田作業現場現有的視頻監控系統目前僅實現了基本的監控功能,在架構上存在系統響應速度慢、客戶端部署困難、系統拓展性差、未與現有辦公網絡的對接等問題.另外,油田作業現場作為油田生產作業的重要工作環境,存在許多需要重點監視和防范的危險因素,例如火災、管道油液泄漏、違規抽煙等.面對這些具有突發性、隱蔽性的安全隱患,目前油田并沒有有效的應對措施,仍主要依靠人工巡查,以及通過視頻監控被動監視的方式應對.針對上述問題,部分作業現場安裝了視頻監控設備,雖然對解決上述問題起到了一定的作用,也減輕了外出排查的工作量,但本質上是一種被動式監控,無法保證監控的及時性、有效性和系統性,也不利于管理人員實時、準確、全面地掌握安全隱患.

隨著傳統監控系統架構缺點不斷放大,人們開始把目光放在“云”這個領域上.近兩年,中石油著手建設的“勘探開發夢想云平臺”,是在油田數字化方面的重大轉型升級,該平臺基于PaaS 云架構,“夢想云”建立統一開放的技術平臺,開發容器、微服務、軟件開發流水線、企業服務目錄、應用商店等主要功能,形成“模塊化、迭代式”敏捷開發模式,統一支持上游業務應用的開發、集成、服務[1].同時,中石油正在架設微服務化云端平臺.

微服務[2]架構方式在監控系統中的應用目前屬于探索階段,在油田監控系統中尚未有應用案例.現為響應數字油田的號召,需要對監控系統升級重構,進行微服務化改造,并與“夢想云”平臺對接.

在云平臺興起的同時,視頻監控技術已經從網絡視頻監控邁入智能視頻監控時代.智能視頻監控技術作為第四代視頻監控技術,在國外起步較早,2007年,中佛羅里達大學(University of Central Florida)研發的Knight 系統是一個全自動的多攝像頭監控系統,該系統使用計算機視覺技術對場景中的移動物體進行檢測,分類和跟蹤[3].2013 美國ISS 公司推出的SecurOS Face 商業產品在合理的光照情況下能夠提取高速運動的人臉圖像,并同時對多個人臉圖像進行檢測,自動對最佳定位角度下的人臉圖像進行快速采集與搜索[4].2015年,德國博世公司推出的IVA4.0 第4 代智能視頻分析系統,能夠適應不同的光照變化和復雜的環境變化,對室內外移動目標進行檢測、跟蹤與分析[5].

在國內,智能視頻監控技術在近幾年才開始研究.大華、海康威視等廠家在視頻監控網絡化和智能化領域有一定的技術積累,但是其監控對象僅針對一些通用場景,如社區監控、門禁監控、交通監控等.市場上缺乏能夠有效集成油田作業現場的業務需求,實現安全生產因素檢測的支援平臺.現有系統無法實現定制化的作業現場安全檢測,且缺乏對上報數據進行按需匯總和專項分析的功能.針對特定場景的智能視頻監控產品相對較少,例如本文研究的油田作業現場場景下的智能監控系統.

因此,本文首先針對油田作業現場現有監控中的架構缺陷給出了可行的解決方案,通過對涉及的關鍵技術進行重點研究,提出了一種方便擴展、調用靈活并可獨立部署的云端視頻監控架構.然后針對作業現場需要人工被動監控等現狀,研究了針對視頻流的目標檢測算法.最后,對系統產生的危險因素數據進行分析,指導并輔助制定安全政策,以及完成監控系統與辦公網的對接組網.云端智能監控系統實現了彈性應對業務規模變化,節省了大量人力成本,指導并輔助制定安全政策,以及完成監控系統與辦公網的對接組網,對其他油田場景具有較高的理論研究價值和推廣價值.

1 云端智能監控系統架構

油田作業現場云端智能監控系統采用四層架構模式,具體分為存儲層、服務層、傳輸層、應用層四層,具體的系統架構如圖1所示.數據存儲層包括消息總線、公司文件、系統緩存、數據庫數據等,主要為油田作業現場云端智能監控系統提供數據支撐;服務層包括服務通信、Docker[6]和Kubernetes[7]技術、系統基礎服務組件等;傳輸層主要是API 網關;應用層包括IOT 設備、移動設備、PC 設備等.當用戶在應用層中提出訪問請求時,傳輸層會將用戶訪問的請求傳輸給服務層;服務層會對用戶的訪問請求進行解析并向存儲層請求不同類型的數據,在得到存儲層的響應后通過傳輸層返回相應的數據給應用層.

圖1 云端智能監控系統總體架構圖

2 云端智能監控系統微服務設計方案研究

2.1 監控系統服務節點及節點間的調用關系設計

結合現場軟硬件環境及具體需求,設計了監控探頭節點、流媒體服務節點、智能檢測節點、異常統計節點和前端節點5 大部分.每個節點包括一個或多個微服務,節點服務之間的通信交互式是通過輕量級的HTTP 協議進行.要完成一個具體的任務需要多個節點的多個服務共同配合完成.服務節點架構如圖2所示.

圖2 云端智能監控系統服務節點架構圖

2.2 微服務系統詳細設計

本文主要使用阿里巴巴公司基于Spring Cloud[8]所開發的一站式解決方案SpringCloud Alibaba 進行了系統的架構實現.整體的微服務系統架構分為業務服務部分和基礎服務部分,其中業務服務部分由攝像頭管理服務、流媒體服務、智能檢測服務、異常統計服務、文件管理服務、認證鑒權服務、系統服務構成.基礎服務部分由服務注冊與發現服務、API 網關服務組成.微服務系統結構如圖3所示.

圖3 云端智能監控系統微服務架構圖

整個系統由多個具有獨立功能的微服務構成,各個微服務之間通過輕量級HTTP 或RPC 協議進行通信,服務通過組合來完成一個完整功能的實現.其中智能檢測功能的實現,首先經過攝像頭管理服務將視頻流傳輸給流媒體服務,流媒體服務將流分發給智能檢測服務,然后由智能檢測服務完成檢測并完成對檢測記錄(包括視頻、圖片、數據庫日志)的保存.

3 油田作業現場危險因素智能識別模型設計

油田作業現場是油田安全生產的重地,一些危險因素,例如發生火災、管道油液泄漏、現場工人抽煙、著裝不規范等都會造成嚴重的經濟損失和人員傷亡.針對以上狀況,目前油田采取的方案是由人工巡視和派專人監視中控室大屏的方式.這就造成人工巡視不能及時發現問題,以及人工監視會由于人的注意力不集中導致錯過發現危險因素的最佳時機.近幾年,隨著深度學習的快速發展,以及深度學習在針對圖像方面表現出的良好的檢測性能,將深度學習的研究成果應用到對視頻中危險因素的檢測中將極具價值.

3.1 構建危險因素圖像數據集

一個合適的數據集對于目標檢測或識別算法來說是相當重要的.在目標檢測任務中,一個恰當的數據集不僅可以測試和評估算法的性能,還能推進目標檢測相關領域的研究.本文根據油田作業現場具體要檢測的危險因素類型,依據具體使用場景,實現例如煙火、漏液、抽煙、著裝等數據集的收集和標注.

3.2 設計針對監控視頻的危險因素智能識別模型

目標檢測作為計算機視覺領域的核心任務之一,在車輛自動駕駛、自動化監測、數字媒體技術等領域得到了廣泛應用.近些年來,隨著計算機計算能力的不斷提高以及深度學習的快速發展,基于深度卷積神經網絡的目標檢測算法逐漸代替了傳統的基于特征的目標檢測算法,成為了目標檢測領域的主流算法.基于深度卷積神經網絡的目標檢測算法根據是否有候選區域生成分為雙階段目標檢測算法(基于分類的目標檢測算法)和單階段目標檢測算法(基于回歸的目標檢測算法).

雙階段目標檢測算法(基于分類的目標檢測算法)首先選取輸入圖像的候選框,然后對候選框進行分類和位置回歸,從而輸出最終的檢測結果[9].

單階段目標檢測算法省略了候選框的生成階段,將目標檢測階段簡化為端對端的回歸問題,并且可以直接得到目標的位置和類別信息[10].

通過對比分析,基于回歸的單階段目標檢測算法,檢測速度較快,實時性較好,準確率也滿足油田作業現場需求,同時這類檢測算法的檢測精度在不斷提高.具體的單階段與雙階段算法在測試集VOC 2007的性能對比如表1所示.本文的目標檢測識別模型是針對實時視頻流,對速度要求相對較高,所以擬采用一階段目標檢測模型,并在此基礎上設計針對監控視頻的危險因素智能識別模型,提出危險因素視頻檢測網絡的設計方法,實現真實監控場景下(天氣等自然原因導致的低質量圖像)的作業現場煙火檢測識別、作業現場漏液檢測識別、作業現場抽煙檢測識別、安全作業著裝智能識別及區域入侵智能識別等現場不安全因素算法模型.部分算法模型效果如圖4和圖5所示.

圖4 安全作業著裝智能識別算法模型效果圖

圖5 區域入侵智能識別算法模型效果圖

表1 單階段與雙階段目標檢測實驗比較

4 云端智能監控系統實現

4.1 系統主頁面展示

系統功能主要分為權限管理、系統管理、視頻監控畫面、攝像頭配置、異常信息查詢、文件管理、異常報表等,分別與文中的微服務架構對應.具體的系統主界面如圖6所示.

圖6 系統菜單主界面

4.2 文件管理頁面展示

文件管理主要以表格的形式展示,具有模糊查詢、分頁查詢、文件預覽,文件下載、文件關聯的功能.文件管理主要是通過員工的不安全行為關聯公司關于此不安全行為的懲罰措施,起到方便管理者決策的作用.具體的文件管理界面如圖7所示.

圖7 文件管理界面

4.3 異常信息查詢頁面展示

異常信息查詢界面主要包括煙火智能檢測、漏液智能檢測、抽煙智能檢測、著裝智能識別及區域入侵智能識別.當油田作業現場發生不安全行為時,系統會通過油田內的網絡發送報警消息到工作人員的手機,實現監控系統與辦公網的聯動,并且將不安全行為的類型,時間,地點,實時畫面(圖片或視頻的形式)存儲在數據庫中.具體的異常信息查詢界面及報警消息如圖8和圖9所示.

圖8 異常信息查詢界面

圖9 報警消息界面

4.4 異常報表界面展示

駕駛艙(如圖10所示)整體色調采用灰藍色,利用模塊化設計模式,通過年份和季度將不安全行為按照地點、類型、攝像頭名稱等多方面進行統計,具有簡潔、直觀、多維性的特點.

圖10 異常報表界面

5 結論與展望

本文設計與實現了油田作業現場云端智能監控系統.針對現有監控系統架構方面的不足,本系統分為監控探頭節點、流媒體服務節點、智能檢測節點、異常統計節點和前端節點5 大節點,并根據現場需求為每個節點設計相應的微服務,使之能夠適應高并發、彈性拓展等能力,降低了系統的維護風險.針對于監控中缺少智能檢測自動識別模塊的問題,本系統提供標準的無差別的監控視頻流服務,使之能夠在不同的終端進行調閱播放,并在標準視頻流的基礎上引入基于深度學習的目標檢測模型,從而能夠對監控視頻中的目標進行自動檢測和識別,解決人力資源浪費的問題.未來將從系統流暢性、智能檢測算法的準確性等方面進行改進.