基于紅外熱成像的LNG 接收站關鍵設施漏冷缺陷智能監測方法

胡瑾秋 ，董紹華徐康凱郭海濤，閆雨曦

1 中國石油大學(北京)安全與海洋工程學院，北京 102249

2 中國石油大學(北京)油氣資源與探測國家重點實驗室. 北京 102249

3 中石油江蘇液化天然氣有限公司. 南通 226400

0 引言

LNG泄漏是制約接收站安全平穩運行的重要隱患，在接收站設施的故障類型中，保溫層漏冷高達80%。關鍵設施的漏冷缺陷影響工藝正常運行，制約LNG接收站的長期發展。LNG具有低溫性，運用紅外熱成像技術對LNG接收站關鍵設施監測，可以表征設備運行狀態與表面溫度的對應關系，同時傳遞LNG接收站關鍵設施當前的運行信息或故障情況，這對LNG場站設施的早期泄漏監測預警具有重要意義。

場站紅外監測的范圍，即儲罐、閥門、再冷凝器等設施外，會有車輛、人員等進入紅外熱成像內，從而阻擋儀器接受紅外輻射，使被測對象的監測數據出現異常，對后續的泄漏等隱患的判斷造成干擾。近年來，針對標號噪聲下的圖像數據的清洗和特征學習[1]、數據質量問題[2]、低分辨率人臉與高分辨率圖像特征的不對應的情況[3]，學者依據不同的數據質量問題歸納總結出相應問題所面臨的挑戰和進一步研究的方向。文獻考慮了關聯數據的一致性和時效性，并采取數據聚類的思想對異常數據進行清洗[4-6]。國外研究機構提出了基于知識的數據清洗方法，可用于降低由復雜不確定性引起的噪聲，進而有效清除管理系統中的異常數據[7-9]。上述方法均在降噪的層面上對異常值進行刪除、替換，未能針對紅外圖片中的異物數據進行準確清除，難以提取監測對象的紋理及特征。在考慮數據降噪的基礎上，文獻利用方向梯度直方圖(Histogram of Oriented Gradients，HOG)方法提取圖像梯度邊緣和相似形狀等幾何特征并進行特征向量融合，試驗在高維特征響應上得到良好效果[10]。文獻針對不同光照、表情條件下的人臉特征識別及紋理提取，利用HOG方法較好地提高了識別率和算法魯棒性[11]。為更好的體現分類效果，同時考慮HOG特征維數過高對分類器識別能力的影響，文獻引入困難樣本挖掘過程訓練支持向量機(Support Vector Machine，SVM)，使模型訓練更加充分，降低了誤檢率[12]。同時有學者針對棉花行數動態計數[13]、高壓電器隔離[14]、跳頻信號檢測[15]等問題運用HOG與SVM相結合的方法，為紅外圖像數據特征提取及分類提供了新的思路。在紅外熱成像監測及缺陷識別方面，研究人員提出了基于自組織神經網絡(SOM)[16]判別變電站設備熱故障類型的紅外圖像診斷方法，并探討了在石化工業中帶保溫層設備的檢測與診斷[17]的應用，同時針對氣體泄漏監測，提出一種基于熱像圖局部熵差的密閉容器泄漏定位方法[18]。上述方法在診斷方面有一定的效果，然而算法未能實現精簡，計算量大。目前，輕量級的卷積神經網絡(Convolutional Neural Network，CNN)已經廣泛應用于圖像分類[19]、文本挖掘[20]、目標檢測及特征構造[21]等領域中。學者針對抽油機故障診斷問題，運用CNN提高了故障診斷性能、減少診斷模型的存儲，滿足了工況檢測的診斷精度要求[22]。在旋轉葉片缺陷診斷中，為解決葉尖定時技術中因信號嚴重欠采樣的問題，文獻利用一維CNN模型，自動挖掘能夠表征旋轉葉片狀態的敏感特征，得到適用于旋轉葉片缺陷判別的診斷模型，在節省算力的同時保證了診斷的準確性[23]。

LNG接收站環境、條件以及可能事件具有特殊性和復雜性，監測介質發生漏冷應有提前量。現有方法面對視頻或多幀時序圖像的批量處理時，運算效率和成本無法保證，不能滿足現場監測對信息實時處理、呈現的需求，且算法復雜度越高，處理步驟就越多，進而處理對象數量越大，導致實時性越差。本文提出融合數據清洗、漏冷缺陷監測及智能識別的LNG接收站關鍵設施漏冷缺陷智能監測方法。同時提出了基于卷積神經網絡的異常監測模型，可以在準確判定漏冷位置的基礎上有針對性的進行預警。

1 基于HOG 與SVM 結合的紅外熱像數據清理方法

考慮LNG接收站環境、條件以及可能出現事件的特殊性和復雜性，LNG接收站紅外熱像多有異物闖入。現有方法針對視頻或多幀時序圖像的批量處理時，運算效率和成本無法保證，不能滿足現場監測對信息實時處理、呈現的需求。目前，紅外熱像異常監測信息的識別、清洗是以圖像幀或幀段為單位，涉及大量的像素點數據，異常數據的提取或刪除重構難度較大。本文提出基于HOG與SVM相結合的數據清理方法，運用HOG提取異物邊緣信息特征，SVM作為特征識別分類器，以達到紅外圖像數據清洗的效果[24]。

本文采用HOG與SVM結合的數據清洗方法，主要分為訓練過程和清洗過程。

(1)訓練過程中對于每一單幀關鍵設施紅外熱像監測圖片的操作步驟

步驟1：圖像預處理。①所有圖像進全部縮放為256×256。②色彩Gamma歸一化，如式1 所示。

式中，Gamma=0.5，I(x，y)為像素點(x，y) 位置的像素值，Y(x，y)為Gamma校正后的值。

步驟2：計算圖像梯度，如式2、3 所示。

式中，G x(x，y)，G y(x，y)，H(x，y)分別為輸入圖像中(x，y)像素點位置的水平方向梯度、垂直方向梯度和像素值。進而由式4、5 可以得出(x，y) 像素點位置的梯度幅值和梯度方向。

步驟3：構建直方圖。為每個細胞單元構建梯度方向直方圖。

步驟4：形成區間。把各個細胞單元組合成空間上連通的區間。

步驟5：收集HOG特征。將上一步所有重疊的區間進行HOG特征的收集，并將它們結合成最終的特征向量供分類使用。

步驟6：標定訓練標簽，生成SVM分類器。

(2)清洗過程步驟

步驟1：輸入原始的關鍵設施紅外熱成像測試集。

步驟2：按照上述訓練過程中的步驟1 至步驟5對其進行處理，得到HOG特征。

步驟3：將提取特征后的圖像輸入SVM分類器，實現二分類。

步驟4：預測并顯示分類效果圖。

步驟5：含異物圖像剔除至異物數據集，正常監測圖片返回監測數據集，以待下一步的狀態異常識別。數據清洗流程如圖1 所示。

圖1 數據清洗流程圖Fig. 1 Data cleaning flowchart

2 基于卷積神經網絡的異常監測模型

針對LNG接收站關鍵設施的漏冷缺陷識別誤判和不及時的問題，本文提出了基于卷積神經網絡的異常監測模型。紅外監測數據經過數據清洗后，作為卷積神經網絡的輸入層。下面是模型的具體步驟。

(1)紅外圖像實時監測、數據收集，建立數據清洗后的圖像數據集，劃分訓練集、測試集。

(2)基于卷積神經網絡對圖像所屬情況識別和分類。

?

①數據讀取：讀取圖像數據集，并將像素區間值從0-255 歸一化至0-1。

②數據擴充：為增加模型的可靠性，解決數據相對較少的情況，利用水平和垂直翻轉增加數據樣本。

卷積神經網絡架構說明如圖2 所示，從輸入圖像到輸出結果，大體經過特征提取和特征輸出兩部分。卷積神經網絡基礎結構設計部分如③～⑧所示。

圖2 卷積神經網絡架構說明圖Fig. 2 Convolutional neural network architecture illustration

③卷積層設計：卷積核大小為3×3，步長為1，輸出64 個特征圖。

④激活函數選擇：為控制訓練時間，選擇收斂最快的Relu函數。

⑤池化層設計：選擇Maxpool2D，即最大池化，卷積核為2×2，步長為2。

⑥全連接層設計：設置為10 個節點。

⑦輸出層設計：本單元設置2 個節點，輸出向量[0，1]表示異常，[1，0]表示正常。

⑧網絡結構中其他參數設計：優化器選擇Adam；學習率lr設置為0.001；損失函數Loss選擇信息熵。

(3)告知存在異常情況的關鍵設施名稱。卷積神經網絡的訓練過程如圖3 所示。

圖3 卷積神經網絡訓練流程圖Fig. 3 Convolutional neural network training f lowcharts

3 漏冷缺陷識別的實驗研究與分析

(1)漏冷缺陷場景設計：低溫物料儲存箱被打開，冷氣從中溢出，即為異常(泄漏)情況，否則為正常情況。

(2)實驗場景：可見光下泄漏場景(如圖4)、紅外熱像下泄漏場景(如圖5)，圖5 中紅色邊框示意低溫物料泄漏口。

圖4 可見光下泄漏場景Fig. 4 leakage scene under visible light

圖5 紅外熱像下泄漏場景Fig. 5 Leakage scene under infrared thermal image

(3)實驗距離：熱像儀與低溫物料儲存箱的距離為1 米。通過改變熱像儀與低溫物料儲存箱的距離，由于受實驗空間及環境的限制，最遠可距離10 m，均可顯示并判斷出低溫物料儲存箱的最低溫度值及所在區域(泄漏點)。但是隨著距離的增大，最低溫度逐漸升高。

(4)實驗過程：先將檢測到的紅外視頻，幀幀截圖并保存，將部分圖像數據輸入卷積神經網絡進行訓練直至尋訓練完畢。

(5)識別結果：選取另一部分圖像數據作為測試集，將其輸入卷積神經網絡進行測試。注：圖片名稱即標簽，“0”代表正常情況，“1”代表泄漏情況。結果表明，系統測試結果和實際結果全部吻合，即“正常=＞正常”、“泄漏=＞泄漏”，如表1 所示。

表1 實驗一識別結果示例Table 1 Example of recognition result of experiment one

(6)效果評估：在低溫物料泄漏的實驗中，小樣本測試104 張圖片，全部分類識別正確，檢測成功率100%。通過對比卷積神經網絡和人工識別異常的方法，本文使用的卷積神經網絡識別低溫物料泄漏大大縮短識別時間和提高識別效率，有效的保證了低溫物料存儲的安全。

4 LNG 接收站現場應用研究

4.1 LNG接收站關鍵設施紅外熱成像監測數據清洗案例分析

本節以工作人員誤入儲罐紅外熱成像圖的時刻檢測的現場實驗為例。采集正常運行過程中LNG接收站儲罐的紅外熱成像圖，如圖6 所示，圖像呈現藍色居多。各幀紅外熱成像圖由288×384 個像素點組成，采集頻率5 Hz，即幀頻5 fps。

圖6 正常情況下監測對象紅外熱成像圖Fig. 6 Infrared thermal imaging of monitoring objects under normal condition

(1)設置訓練集

在監測測試前，將先前采集的數據，隨機抽取不同時刻的圖像設置樣本庫進而構建訓練集，如圖7、圖8 所示，分為“yc”(異常)和“zc”(正常)兩種工況。其中，“yc”(異常圖像)特征為含有工作人員手與頭部不同程度的進入畫面；“zc”(正常圖像)訓練集特征為不含有工作人員手與頭部，畫面中只包含部分罐體和其他附屬設施。

圖7 異常圖像訓練集Fig. 7 Abnormal image training set

圖8 正常圖像訓練集Fig. 8 Normal image training set

(2)預處理及HOG特征提取

經圖像預處理和HOG邊緣檢測及特征提取得到的過程圖，如圖9 所示，圖中白點為提取邊緣的標記點。

圖9 HOG邊緣檢測及特征提取Fig. 9 HOG edge detection and feature extraction

(3)清洗異物入侵數據

輸入在線監測的測試集，如圖10 所示。最終正常、異常清洗結果示例，如圖11 和圖12 所示，圖像上方會顯示預測的分類清洗結果，隨后將識別為yc(異常)的數據存入異物數據集，以達到清洗的效果。異常數據所含白色和紅色部分為人員闖入鏡頭的顯示。識別為正常的監測圖片將返回監測數據集，以待下一步的狀態異常識別。

圖10 測試集Fig. 10 Test set

圖11 分類為正常的結果Fig. 11 Classif ied as normal results

圖12 分類為異常的結果Fig. 12 Classif ied as abnormal results

(4)分析與總結

如上述實驗操作所示，進行3 次獨立實驗測試，每次測試100 張關鍵設施紅外熱像監測圖，其方法準確率統計如表2 所示。通過實驗發現SVM方法準確率不低于69%，HOG+SVM方法相比于前者，對數據清洗的效果更好，經過HOG的特征訓練，可以使得SVM分類器對于異物入侵畫面的敏感度增加，本文方法準確率不低于96%。

通過案例分析，提取紅外熱成像的HOG特征，訓練SVM分類器，提升了LNG接收站關鍵設施紅外熱成像監測識別結果的準確性，經分析比對，本文提出的方法可以去除邊界設置的限制，有效識別人員進入監測畫面不同程度的情況，識別準確率最低提高23%。

4.2 基于卷積神經網絡的漏冷缺陷識別案例分析

(1)應用場景：LNG儲罐保溫層有填料不足的現象，體現為紅外熱成像中儲罐體有低溫區域(藍色區域)，即為異常情況(保溫層缺陷)，否則為正常情況。

(2)測試距離：熱像儀與LNG儲罐的距離為10 m。通過改變熱像儀與LNG儲罐的距離，由于LNG接收站場的設備設施較為密集，所以受到場地限制，最遠可距離10 m，但可監測到LNG儲罐全貌，并判斷出LNG儲罐的最低溫度值及所在區域(保溫層缺陷處)。

(3)應用測試過程：先將檢測到紅外視頻幀幀截圖并保存，將含有兩處泄漏的紅外熱成像數據作為異常情況輸入卷積神經網絡進行訓練。

(4)識別結果：選取部分含有一處泄漏的紅外熱成像數據作為測試集，將其輸入卷積神經網絡模型進行測試。注：圖片名稱即標簽，“0”代表正常情況，“1”代表泄漏情況。結果表明，系統測試結果和實際結果全部吻合，即“正常=＞正常”、“泄 漏=＞泄漏”，如表3 所示。

現場應用測試過程中，對蝶閥、BOG壓縮機、高壓泵和再冷凝器等均開展了漏冷缺陷監測和識別，缺陷識別并定位結果見表4 所示。

表4 其他典型設施紅外熱成像異常識別與定位Table 4 Infrared thermal imaging abnormality identification map of other typical facilities

(5)分析與總結：在LNG儲罐保溫層漏冷缺陷異常識別的現場應用測試過程中，樣本數據庫為1000 張圖片，識別準確率高達99%。通過與現場人工檢測后結果對比，驗證了本文方法的有效性和正確性。通過對比卷積神經網絡和人工識別異常的方法，使用本文的卷積神經網絡識別關鍵設施保溫層缺陷，可以大大縮短識別時間和提高識別效率，有效的保證了關鍵設施保溫層正常，避免因保溫層失效導致物料泄漏進而引發更嚴重的事故或災難。

5 結論

本文針對LNG接收站關鍵設施自身的特點，融合了數據清洗及卷積神經網絡智能識別模型，建立了關鍵設施漏冷缺陷智能監測方法，開展了漏冷缺陷識別的實驗研究，并在工程應用中驗證其有效性。

(1)所述案例以操作人員經過紅外熱像儀鏡頭為例，清洗異物(操作人員)經過的圖像數據，過程中附加提取HOG特征，再結合訓練SVM分類器，清洗準確率在95%以上，提高了關鍵設施的檢測效率。

(2)針對LNG接收站關鍵設施異常數據極少導致識別誤判和不及時、紅外監測易受到周邊環境影響的問題，提出了基于卷積神經網絡的漏冷缺陷監測方法。所述案例選取儲罐作為研究對象，現場應用案例選取單點保溫層缺陷和多點保溫層缺陷場景，驗證了該方法在同類設施的不同個體間具有很好的學習性的優勢，在進行數據清洗后，模型的異常識別準確率可達99%，為提高LNG接收站智能化安全管理水平提供新的思路。