基于YOLO的油氣管道周界安防系統(tǒng)設(shè)計

摘 要 針對損壞油氣輸送管道這一問題，提出基于YOLO的油氣輸送管道周界目標(biāo)檢測和定位算法。在YOLOV5檢測器基礎(chǔ)上，引入SE注意力機制，采用CIoU函數(shù)替換GIoU，對頸部網(wǎng)絡(luò)進行了改進，從而形成YOLOV5s-SE檢測網(wǎng)絡(luò)。用攝像頭采集的圖像數(shù)據(jù)集進行實驗分析，結(jié)果表明，改進的YOLOV5s模型在檢測精度、召回率上有明顯提升，較原模型有所改善，證明所提算法適用于輸油管道周界安防的目標(biāo)檢測和定位。

關(guān)鍵詞 周界安防 目標(biāo)檢測 YOLOV5

中圖分類號 TP391" "文獻標(biāo)志碼 B" "文章編號 1000-3932（2024）06-1144-05

現(xiàn)如今我國油田大量開發(fā)，油田大多位于海上和西部地區(qū)，海洋石油主要的輸送方式還是以管道為主，油氣管道在海岸登陸至油氣處理廠的短距離內(nèi)發(fā)生破壞或泄漏的風(fēng)險占比較大，陸地石油管道分布范圍廣，周邊安全防范設(shè)施監(jiān)管范圍有限，因此對于管道的保護尤為重要。由于我國輸油管道價格昂貴，尤其是海底管道敷設(shè)及維護成本較高，同此對于油氣管道周界安防問題的研究具有重要意義。傳統(tǒng)的安防系統(tǒng)，大多只提供基本的監(jiān)控功能，這需要人工來長時間觀看監(jiān)控畫面，存在一定的判斷誤差，也會有很多的安防隱患和識別漏洞。目標(biāo)檢測算法的進步為我國油氣管道周界安防系統(tǒng)提供了新的思路。隨著深度學(xué)習(xí)理論的研究和軟硬件性能的顯著提高，深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺領(lǐng)域的應(yīng)用和發(fā)展得到了強力推進，其中目標(biāo)檢測技術(shù)是該領(lǐng)域的研究熱點。在這個背景下YOLO算法備受關(guān)注，YOLO是一種高效而強大的目標(biāo)檢測算法，以其實時性和準(zhǔn)確性而著稱。

目前，已經(jīng)有少量學(xué)者將目標(biāo)檢測技術(shù)應(yīng)用到特定場景下。SUN X M等提出將改進的YOLOV5算法應(yīng)用到遙感圖像的船舶目標(biāo)檢測，提高了小目標(biāo)密集分布的圖像效果［1］。LUO Y J等將YOLO算法應(yīng)用到農(nóng)業(yè)害蟲檢測中，解決了農(nóng)業(yè)害蟲種類識別和定位的難題［2］。LIU Z Y等提出了一種基于深度學(xué)習(xí)對象檢測網(wǎng)絡(luò)的高壓輸電線路關(guān)鍵目標(biāo)和缺陷檢測方法，實現(xiàn)了在同類高壓輸電線路環(huán)境中對關(guān)鍵目標(biāo)和缺陷的檢測［3］。YAN F J等提出一種紅外小目標(biāo)檢測主成分分析模型，可在目標(biāo)淹沒在強雜波中或受到強邊緣嚴(yán)重干擾的情況下仍能穩(wěn)健有效地檢測出紅外小目標(biāo)［4］。JUNOS M H等提出一種可行的、輕量級的基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型，該模型改善了檢測精度、模型規(guī)模和檢測時間，對于嵌入式設(shè)備有著較好的使用前景［5］。SHI X F等使用YOLOV5研究了一種新的設(shè)備磨屑智能識別方法，并取得了不錯的效果［6］。CHEN B B等提出一種基于改進YOLO框架的不安全行為檢測方法，采用一種新的加權(quán)特征金字塔網(wǎng)絡(luò)（WFPN）模塊代替原有的增強特征提取網(wǎng)絡(luò)，以緩解由于網(wǎng)絡(luò)層過多而造成的特征信息丟失［7］。LIU Y等提出一種改進的YOLOV4神經(jīng)網(wǎng)絡(luò)方法對運行列車進行目標(biāo)檢測，將自制數(shù)據(jù)集與K均值聚類思想結(jié)合，加快了檢測速度并提高了尺度適應(yīng)性［8］。HAN Z G等提出一種基于YOLOV4的醫(yī)用口罩佩戴狀態(tài)檢測方法，使用網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化和K均值聚類算法的改進策略提高檢測精度［9］。LI W提出一種改進的基于YOLO的霧天車輛檢測算法，在YOLO模型中加入一個去噪模塊，達(dá)到圖片信息恢復(fù)的效果，比傳統(tǒng)YOLO有著更穩(wěn)定的性能［10］。

受上述方法的啟發(fā)，筆者提出將改進的YOLOV5算法應(yīng)用到油氣管道的周界安防中。首先，筆者對網(wǎng)絡(luò)主干模塊添加了SE注意力機制，并對主干模塊輸出的特征進行了更深入的優(yōu)化學(xué)習(xí)，使得網(wǎng)絡(luò)能夠更好地學(xué)習(xí)具有復(fù)雜背景色的圖像的缺陷特征。其次，對損失函數(shù)進行了改進，使用CIoU函數(shù)代替GIoU，解決了GIoU在懲罰程度和檢測誤差方面存在的不足。再次，對頸部網(wǎng)絡(luò)進行了改進，使得在輸入頭部之前盡可能多地聚合由主干提取的信息。最后，通過對實驗結(jié)果的對比驗證了所提油氣管道周界安防系統(tǒng)的精準(zhǔn)性、實時性和實用價值。

1 YOLOV5目標(biāo)檢測算法

1.1 YOLOV5簡介

2016年，單階段檢測算法YOLO由REDMON J等提出［11］，該算法采用單一回歸問題思想，將整張圖像作為輸入，直接在輸出層對目標(biāo)位置和類別回歸。由于YOLO模型端對端的結(jié)構(gòu)特點，該算法在生成目標(biāo)預(yù)選框的同時完成了分類，大幅提高了檢測速度和檢測效率。YOLOV5有4個版本：YOLOV5s、YOLOV5m、YOLOV5l、YOLOV5x，均在前代的基礎(chǔ)上優(yōu)化了主干網(wǎng)絡(luò)，使其檢測精度得到了提高。其中，YOLOV5s是YOLOV5系列中最佳輕量化的模型，該模型架構(gòu)相對簡單，便于理解和二次開發(fā)，同時對計算資源的需求較小。這些優(yōu)勢使得其在實際應(yīng)用過程中能夠更廣泛地布署在各種設(shè)備上，對于一些對實時性要求較高的場景，YOLOV5s的輕量性能夠確保較快的推理速度，滿足實際應(yīng)用需求。

1.2 對YOLOV5s的改進

1.2.1 SE注意力機制

筆者對網(wǎng)絡(luò)主干模塊輸出的特征進行了SE優(yōu)化，對主干模塊添加了SE機制，并對主干模塊輸出的特征進行了更深入的優(yōu)化學(xué)習(xí)，使得該網(wǎng)絡(luò)可以更好地學(xué)習(xí)具有復(fù)雜背景色的圖像的缺陷特征。SE注意力機制整體框架如圖1所示。

1.2.2 CIoU目標(biāo)框損失函數(shù)

YOLOV5使用交叉熵?fù)p失函數(shù)來計算樣本的類概率損失和目標(biāo)的置信分?jǐn)?shù)。同時，它使用GIoU損失函數(shù)作為邊界框的損失。與IoU損失函數(shù)相比，GIoU增加了對誤檢測的懲罰，檢測誤差越大，懲罰程度就越大。在訓(xùn)練過程中，對于不同大小的預(yù)測框，可以獲得相對良好的檢測結(jié)果，但當(dāng)預(yù)測框與地面真值盒重疊時，GIoU的效果與IoU的效果相同［12］。

針對上述問題，筆者將YOLOV5網(wǎng)絡(luò)的損失函數(shù)調(diào)整為CIoU。與GIoU計算地面真值盒與預(yù)測框的相交和不同，CIoU計算地面真值盒與預(yù)測框的中心點之間的歐氏距離，因此CIoU可以解決使用GIoU時出現(xiàn)的問題。

1.2.3 網(wǎng)絡(luò)的改進

筆者對頸部網(wǎng)絡(luò)進行改進，其目標(biāo)是在輸入頭部之前盡可能多地聚合由主干提取的信息。這種結(jié)構(gòu)通過防止小對象信息丟失到更高的抽象級別，從而在傳輸小對象信息方面發(fā)揮著重要作用。它通過再次對特征圖的分辨率進行上采樣來實現(xiàn)這一點，這樣就可以聚合來自主干的不同層，重新獲得對檢測步驟的影響，并通過從頸部獲取幾個聚合的特征映射來推斷邊界框和類。除了接收到的參數(shù)外，該結(jié)構(gòu)可以保持不動，因為它是模型的一個基本部分，在小對象檢測中沒有上采樣、特征聚合等技術(shù)那么大的影響。

2 實驗與結(jié)果分析

為實現(xiàn)人員目標(biāo)的檢測，首先對圖像數(shù)據(jù)進行處理，然后對YOLOV5的基礎(chǔ)模型進行對比分析，最后選取其中效果最好的模型進行優(yōu)化改進，并對改進模型進行性能評估。

2.1 實驗環(huán)境

實驗采用8 GB內(nèi)存的64位Windows 10操作系統(tǒng)，處理器i7-8750H，顯卡NCIDIA RTX1050Ti，使用PyTorch進行深度學(xué)習(xí)框架的搭建，開發(fā)環(huán)境為torch1.7.0、cudal11.0、Python3.7。

2.2 數(shù)據(jù)處理

2.2.1 數(shù)據(jù)集的采集

由于輸油管道工服數(shù)據(jù)集稀缺，筆者對輸油管道周界的監(jiān)控進行爬取。用Python編寫了視頻截取工具cut.py，原理是將視頻進行抽幀處理，設(shè)置間隔點，保證均勻采樣，并將截取的圖片通過OpenCV庫函數(shù)cv2.imwrite保存到指定文件夾，保證100%的圖片質(zhì)量，確保數(shù)據(jù)集的豐富。筆者采用隨機反轉(zhuǎn)、隨機翻轉(zhuǎn)、隨機剪裁及隨機旋轉(zhuǎn)等實現(xiàn)數(shù)據(jù)增強。

2.2.2 改進直方圖均衡化

由于在拍攝過程中會使圖像整體亮度分布不均勻，導(dǎo)致圖像部分位置亮度過亮或過暗，因此需要調(diào)整圖像的對比度，實現(xiàn)對圖像對比度的增強。直方圖均衡化是一種常用的圖像增強技術(shù)，旨在通過調(diào)整圖像的灰度分布，使得整個圖像的亮度更加均勻。它的基本原理是利用圖像的灰度直方圖，將圖像中灰度值的累積分布函數(shù)變換為近似均勻分布，從而增強圖像的對比度，使得圖像中細(xì)節(jié)更加清晰。在處理過暗或過亮的圖像時，直方圖均衡化可以有效地提升亮度較低或較高區(qū)域的對比度，改善圖像的整體視覺效果。

然而，傳統(tǒng)的直方圖均衡化方法存在一定的局限性，尤其是對比度增強過于劇烈時，容易引入噪聲，或?qū)е聢D像局部區(qū)域?qū)Ρ榷仍鰪娺^度，喪失細(xì)節(jié)。因此，改進的直方圖均衡化方法——對比度限制的自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）應(yīng)運而生。首先將圖像分成多個小塊，分別計算每個小塊圖像的直方圖，然后根據(jù)每個小塊圖像直方圖的峰值，計算每個小塊圖像的閾值，同時為了防止每個小塊圖像的對比度過高或者過低，圖像子塊之間的對比度差距過大從而引入新的噪聲，因此需要對每個子塊的閾值進行限制，主要是根據(jù)相鄰塊的閾值進行插值，使得整幅圖像的閾值低于某個限制值。通過動態(tài)調(diào)整找到圖像直方圖的某個閾值X，使過高幅值的小塊圖像直方圖降至閾值X，同時對于幅值過低的區(qū)域進行填補，通過對整幅圖像局部閾值的調(diào)整，從而解決圖像過亮或過暗的區(qū)域?qū)Ρ榷葲]有明顯增強的問題。

直方圖均衡化后的圖像整體亮度大幅度提升，圖像中亮度較大的區(qū)域圖像對比度增強效果較為明顯，而對比度限制的自適應(yīng)直方圖均衡化有效地解決圖像過亮或過暗的區(qū)域?qū)Ρ榷葲]有明顯增強的問題，使整幅圖像對比度得到增強，減小后續(xù)圖像立體匹配的計算量。

2.2.3 數(shù)據(jù)集的標(biāo)注

用labelImg等工具對含有工服的圖像進行標(biāo)定，如果得到符合VOC格式的xml數(shù)據(jù)標(biāo)注，就需要對標(biāo)注進行轉(zhuǎn)換，xml文件是以像素為單位，不符合本項目要求的數(shù)據(jù)集標(biāo)注格式，通過手動解析xml完成轉(zhuǎn)換，最終得到每張儀表圖像對應(yīng)的txt標(biāo)注文件，需要注意的是同一張工服圖像和對應(yīng)的標(biāo)注文件名稱應(yīng)該相同，用labelImg.py標(biāo)記工服圖像的label如圖2所示。

2.3 結(jié)果分析

為了進一步驗證檢測方法的有效性，將改進后的模型YOLOV5s-SE與原模型YOLOV5s及其相關(guān)模型進行全面比較。筆者采用檢測精度、召回率和mAP@0.5作為評價指標(biāo)。在目標(biāo)檢測中，檢測精度（Precision）衡量檢測結(jié)果中真正的正樣本比例，召回率（Recall）衡量檢測出的正樣本占所有實際正樣本的比例，平均精度均值（mAP@0.5，IoU閾值為0.5）綜合評估檢測模型在多個類別上的性能表現(xiàn)。圖3為不同模型1 000次的迭代效果。從圖3中可以看出，YOLOV5s-SE運行效果顯著優(yōu)于YOLOV5s和YOLOV5s-CBAM-ReLU，這表明引入的SE機制能夠很好地提升模型的性能，在特征提取和目標(biāo)檢測方面表現(xiàn)更好，能夠更準(zhǔn)確地識別和定位目標(biāo)。然而，YOLOV5s-SE在性能上稍遜于YOLOV5s-CBAM。這說明不同的改進策略各有優(yōu)劣，CBAM可能在某些方面具有獨特的優(yōu)勢。同時YOLOV5s-SE的效果也低于YOLOV3和YOLOV5l，但綜合考慮到Y(jié)OLOV5s-SE自身輕量化的特點和計算資源相對較低的優(yōu)勢，該模型更適用于油氣管道周界安防系統(tǒng)的嵌入使用。盡管YOLOV5s-SE不是性能最好的模型，但它在性能和資源消耗之間實現(xiàn)了較好的平衡，在保證一定檢測精度和召回率的同時，能夠在有限的資源下運行。

根據(jù)實驗結(jié)果，在油氣管道周界安防系統(tǒng)實際布署過程中，計算資源和存儲資源往往是有限的。YOLOV5s-SE作為基于YOLOV5s的改進模型，繼承了YOLOV5s輕量化的特點。相對YOLOV3和YOLOV5l而言，它對硬件的要求更低，同時能夠更方便地布署在資源受限的實際環(huán)境中。輕量化YOLOV5s-SE模型可以降低布署成本，有效提升周界安防系統(tǒng)的擴展性和靈活性。對于實時性要求較高的場景，YOLOV5s-SE能夠更快地進行目標(biāo)檢測，很好地滿足油氣管道周界安防系統(tǒng)的實際應(yīng)用需求。

2.4 系統(tǒng)效果

檢測效果如圖4所示，當(dāng)監(jiān)控范圍內(nèi)出現(xiàn)未穿工服人員時，系統(tǒng)立即進行了報警，并對監(jiān)控范圍內(nèi)的圖像框進行了標(biāo)紅。當(dāng)監(jiān)控范圍內(nèi)出現(xiàn)穿有工服的人員時，系統(tǒng)未進行報警，且系統(tǒng)的檢測與報警是實時的，符合油氣管道周界安防系統(tǒng)的功能要求，達(dá)到了實時檢測的要求。

3 結(jié)束語

以油氣管道周界安防問題為背景，研究管道周邊的人員是否穿戴工服。為實現(xiàn)自動監(jiān)測所需要的實時性，提出采用改進的YOLOV5目標(biāo)檢測算法，引入SE注意力機制并對損失函數(shù)和頸部網(wǎng)絡(luò)進行改進。同時使用Python進行程序編寫，設(shè)計出能夠自動檢測、識別的油氣管道周界安防系統(tǒng)。該系統(tǒng)通過自動識別進入監(jiān)控范圍的人員是否穿戴工服，來判斷其是否為油田內(nèi)部人員，在一定程度上解決了潛在的安全隱患。通過實驗結(jié)果對比驗證了輸油氣管道周界安防系統(tǒng)的可靠性。但油氣管道周界安防問題，不僅來自于誤進安防范圍的閑雜人員，還有可能來自于各個方向，而筆者所設(shè)計的安防系統(tǒng)只解決了這一個問題，所以該系統(tǒng)還有改進的空間，這也是未來研究的方向。

參 考 文 獻

［1］ SUN X M，ZHANG Y J，WANG H，et al．Research on ship detection of optical remote sensing image based on Yolo V5［J］．Journal of Physics：Conference Series，2022，2215（1）：012027．

［2］ LUO Y J，LEI N，CAI F K，et al.Detection of Agricultural Pests Based on YOLO［J］.Journal of Physics：Conference Series，2023，2560（1）：012013.

［3］ LIU Z Y，WU G P，HE W S，et al.Key target and defect detection of high-voltage power transmission lines with deep learning［J］.International Journal of Electrical Power amp; Energy Systems，2022，142 PA：108277.

［4］ YAN F J，XU G L，WU Q，et al.Infrared small target det- ection using kernel low-rank approximation and regula- rization terms for constraints［J］.Infrared Physics amp; Technology，2022，125：104222.

［5］ JUNOS M H，KHAIRUDDIN M A S，DAHARI M.Auto- mated object detection on aerial images for limited capacity embedded device using a lightweight CNN model［J］.Alexandria Engineering Journal，2022，61（8）：6023-6041.

［6］ SHI X F，CUI C，HE S Z，et al.Research on recognition method of wear debris based on YOLO V5S network［J］.Industrial Lubrication and Tribology，2022，74（5）：488-497.

［7］ CHEN B B，WANG X H，BAO Q F，et al.An Unsafe Beh- avior Detection Method Based on Improved YOLO Framework［J］.Electronics，2022，11（12）：1912.

［8］ LIU Y，GAO M F，ZONG H M，et al.Real-Time Object Detection for the Running Train Based on the Improved YOLO V4 Neural Network［J］.Journal of Advanced Transportation，2022.DOI：10.1155/2022/4377953.

［9］ HAN Z G，HUANG H S，F(xiàn)AN Q S，et al.SMD-YOLO：An efficient and lightweight detection method for mask wearing status during the COVID-19 pandemic［J］.Computer Methods and Programs in Biomedicine，2022， 221：106888.

［10］ LI W.Vehicle detection in foggy weather based on an enhanced YOLO method［J］.Journal of Physics：Conference Series，2022，2284（1）.DOI：10.1088/1742-6596/2284/1/012015.

［11］ REDMON J，DIVVALA S，GIRSHICK R，et al.You on- ly look once：Unified，real-time object detection［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2016.

［12］ H？魪CTOR R，ALBERTO M L，RAFAEL I，et al.Anay- sis of Statistical and Artificial Intelligence Algorithms for Real-Time Speed Estimation Based on Vehicle Detection with YOLO［J］.Applied Sciences，2022，12（6）：2907.

（收稿日期：2024-03-07，修回日期：2024-10-14）