顯著性特征重構(gòu)下的海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)視覺圖像識別算法

摘"要：在海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)分析過程中，基于幾何和紋理特征識別視覺圖像包含的潛在安全風(fēng)險(xiǎn)，在復(fù)雜場景下會受到背景噪聲干擾，使得識別結(jié)果F1值較低。因此，提出了顯著性特征重構(gòu)下的海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)視覺圖像識別算法。通過現(xiàn)場監(jiān)控平臺采集海上鉆井作業(yè)場景視覺圖像，利用改進(jìn)直方圖均衡算法實(shí)現(xiàn)視覺圖像增強(qiáng)處理。建立圖像顯著性矩陣獲取圖像感興趣區(qū)域，將小面積區(qū)域去除后針對該區(qū)域提取顯著性特征，依托于自適應(yīng)特征重構(gòu)金字塔結(jié)構(gòu)完成顯著性特征重構(gòu)。以基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)為核心構(gòu)建識別模型，將顯著性特征重構(gòu)結(jié)果輸入模型中進(jìn)行學(xué)習(xí)，輸出海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)識別結(jié)果。實(shí)驗(yàn)結(jié)果表明：當(dāng)前算法應(yīng)用后得出的識別結(jié)果F1值保持在0.93以上，充分體現(xiàn)了該識別方式的優(yōu)越性。

關(guān)鍵詞：顯著性特征重構(gòu)；視覺圖像；海上鉆井作業(yè)；潛在安全風(fēng)險(xiǎn)；風(fēng)險(xiǎn)識別；特征提取

中圖分類號：TU714""""""文獻(xiàn)標(biāo)識碼：A

Visual"Image"Recognition"Algorithm"for"Potential"

Safety"Risks"in"Offshore"Drilling"Operation"Scenarios"Based"

on"Significant"Feature"Reconstruction

QIN"Jianyu1，LIU"Yupei2，DENG"Wenyang1，WANG"Tianhao2，HUANG"Zebin1

（1.Shenzhen"Branch，"CNOOC"China"Limited，.Shenzhen，"Guangdong"841000，China;

2.CNOOC"Research"Institute"Ltd.，"Beijing"100022，China）

Abstract：In"the"process"of"analyzing"potential"safety"risks"in"offshore"drilling"operations，"geometric"and"texture"features"are"mainly"used"to"identify"potential"safety"risks"contained"in"visual"images."In"complex"scenarios，"background"noise"may"interfere"with"the"recognition"results，"resulting"in"lower"F1"values."Therefore，"a"visual"image"recognition"algorithm"for"potential"safety"risks"in"offshore"drilling"operation"scenarios"based"on"saliency"feature"reconstruction"is"proposed."Collect"visual"images"of"offshore"drilling"operation"scenes"through"onsite"monitoring"platforms，"andnbsp;use"improved"histogram"equalization"algorithm"to"achieve"visual"image"enhancement"processing."Establish"an"image"saliency"matrix"to"obtain"the"region"of"interest"in"the"image."After"removing"small"areas，"extract"saliency"features"for"that"area，"and"rely"on"the"adaptive"feature"reconstruction"pyramid"structure"to"complete"saliency"feature"reconstruction."Construct"a"recognition"model"based"on"a"region"based"convolutional"neural"network"as"the"core，"input"the"reconstruction"results"of"salient"features"into"the"model"for"learning，"and"output"the"identification"results"of"potential"safety"risks"in"offshore"drilling"operation"scenarios."The"experimental"results"show"that"the"recognition"result"F1"value"obtained"by"the"current"algorithm"after"application"remains"above"0.93，"fully"reflecting"the"superiority"of"this"recognition"method.

Key"words：salient"feature"reconstruction;"visual"images;"offshore"drilling"operations;"potential"safety"risks;"risk"identification;"feature"extraction

為了滿足日益增長的石油能源需求量，人們開始將目標(biāo)投到海上，大量開發(fā)海上油田資源。在油田開發(fā)過程中，鉆井是一種不可或缺的工程手段，保證了從淺水走向深水的海上油田順利開發(fā)[1-2]。由于海上鉆井作業(yè)場景較為惡劣，面臨的風(fēng)險(xiǎn)種類相比陸地石油開采明顯更多，且一旦發(fā)生安全風(fēng)險(xiǎn)事故，引發(fā)的事故損失更大。因此，如何實(shí)現(xiàn)海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)識別，成為促進(jìn)海洋石油勘探開發(fā)的關(guān)鍵。

文獻(xiàn)[3]融合建筑信息模型和精益建造思想，建立一種生產(chǎn)管理系統(tǒng)，將其和物聯(lián)網(wǎng)技術(shù)應(yīng)用到施工現(xiàn)場檢測過程中，獲取實(shí)時(shí)視頻監(jiān)控圖像，將其輸入卷積神經(jīng)網(wǎng)絡(luò)模型中，輸出潛在安全風(fēng)險(xiǎn)識別結(jié)果。實(shí)驗(yàn)證明，該算法識別準(zhǔn)確率較低。文獻(xiàn)[4]在采集作業(yè)場景監(jiān)控圖像后，利用直方圖均衡算法對其進(jìn)行處理。構(gòu)建引入方向梯度直方圖的支持向量機(jī)模型，將預(yù)處理后的圖像輸入其中，檢測出人員風(fēng)險(xiǎn)行為。依托知識圖譜分析當(dāng)前風(fēng)險(xiǎn)行為等級，得出最終風(fēng)險(xiǎn)識別結(jié)果。施工現(xiàn)場測試結(jié)果顯示，該方法應(yīng)用局限性較大，無法應(yīng)用到復(fù)雜作業(yè)背景中。文獻(xiàn)[5]將采集的一系列作業(yè)現(xiàn)場圖像轉(zhuǎn)換為序列化數(shù)據(jù)，并采用數(shù)組轉(zhuǎn)化的方式將其劃分為多個(gè)數(shù)據(jù)集。運(yùn)用TensorFlow框架構(gòu)建潛在安全風(fēng)險(xiǎn)識別模型，對轉(zhuǎn)化后的數(shù)據(jù)集進(jìn)行編碼，并將編碼結(jié)果輸入模型中，實(shí)現(xiàn)風(fēng)險(xiǎn)識別。測試結(jié)果表明，該方法識別潛在安全風(fēng)險(xiǎn)需要較長時(shí)間。

以現(xiàn)有的施工安全風(fēng)險(xiǎn)識別方法為依據(jù)，本研究以海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)識別為研究核心，提出基于顯著性特征重構(gòu)的視覺圖像識別算法。通過作業(yè)場景圖像均衡化處理、顯著性特征提取、特征重構(gòu)和模型識別，得出準(zhǔn)確的潛在安全風(fēng)險(xiǎn)識別結(jié)果。

1"設(shè)計(jì)基于顯著性特征重構(gòu)的海上鉆井作

業(yè)場景潛在安全風(fēng)險(xiǎn)視覺圖像識別算法

1.1"作業(yè)場景監(jiān)測圖像采集與處理

將GB28181協(xié)議應(yīng)用到海上鉆井作業(yè)場景監(jiān)控平臺中，搭建多協(xié)議通信環(huán)境，通過多臺設(shè)備將現(xiàn)場拍攝的作業(yè)場景監(jiān)控視頻傳輸?shù)胶笈_，并按照圖像幀進(jìn)行劃分，得到一系列視覺圖像，其可作為作業(yè)場景潛在安全風(fēng)險(xiǎn)識別的基礎(chǔ)。

考慮到海上鉆井作業(yè)場景較為復(fù)雜，在視覺圖像應(yīng)用之前需要依托改進(jìn)直方圖均衡算法進(jìn)行預(yù)處理，實(shí)現(xiàn)視覺圖像質(zhì)量的大幅提升[6]。將原始作業(yè)場景圖像劃分為高照度和低照度兩個(gè)區(qū)域，并確定這兩個(gè)照度區(qū)域的劃分閾值，基于此處理原始圖像直方圖，得到3個(gè)子圖。從圖像亮度平均值入手，對三個(gè)直方圖子圖代表的照度區(qū)域進(jìn)行判斷。

=1N∑Ni=1lg"（λ+L（i））（1）

式中，表示亮度平均值，N表示圖像包含的像素?cái)?shù)量，i表示像素點(diǎn)，L表示亮度，λ表示較小的運(yùn)算常數(shù)，lg"表示對數(shù)函數(shù)。

當(dāng)亮度平均值小于低照度閾值，代表該直方圖屬于低照度區(qū)域；當(dāng)亮度平均值大于高照度閾值，證明直方圖屬于高照度區(qū)域，處于兩個(gè)閾值之間的則屬于中低照度區(qū)域。

針對海上鉆井作業(yè)場景現(xiàn)場圖像進(jìn)行歸一化處理，再更新低照度和高照度閾值，得到式（2）所示的計(jì)算結(jié)果。

L′1=Lmin"－0.6+0.4－log"2Lmin"log"2Lmax"－log"2Lmin"

（Lmax"－Lmin"）L′2=Lmax"－0.9+0.1－log"2Lmin"log"2Lmax"－log"2Lmin"

（Lmax"－Lmin"）（2）

式中，L′1表示低照度閾值，L′2表示高照度閾值，Lmax"、Lmin"表示圖像最大和最小亮度值。

對于三個(gè)直方圖子圖來說，圖像中各個(gè)灰度級別出現(xiàn)的概率分布情況如式（3）所示。

pj（χ）=mχjmj，j=1，2，3（3）

式中，p·表示概率分布函數(shù)，j表示子圖編號，χ表示灰度級，mχj表示子圖中灰度級χ的出現(xiàn)次數(shù)，mj表示子圖中像素?cái)?shù)量。

為了保證圖像均衡化處理過程中細(xì)節(jié)信息不受到影響，采用式（4）對式（3）進(jìn)行修正。

Tj（L）=Lmax"j（LLmax"j）1－f（L）（4）

式中，T表示修正值，f表示修正函數(shù)Gamm。

利用修正后的概率密度函數(shù)，均衡海上鉆井作業(yè)場景圖像三個(gè)直方圖子圖的圖像像素值，實(shí)現(xiàn)視覺圖像的增強(qiáng)處理。

1.2"提取作業(yè)場景視覺圖像顯著性特征

針對預(yù)處理后的作業(yè)場景視覺圖像，分別獲取對比度、飽和度、亮度和輪廓信息四項(xiàng)特征參數(shù)，并基于此建立一個(gè)矩陣，該矩陣中每一類特征參數(shù)的權(quán)重需要使用變異系數(shù)法計(jì)算得到。每項(xiàng)特征參數(shù)的變異系數(shù)計(jì)算式為：

ηo=oτo（5）

式中，η表示變異系數(shù)，表示均值，τ表示標(biāo)準(zhǔn)差，o表示某一類特征參數(shù)。

基于變異系數(shù)計(jì)算結(jié)果，可以建立式（6）所示的圖像顯著性矩陣。

G=E（o）o11o12…o1ηo21o22…o2ηo1o2…oη"（6）

公式中，G表示圖像顯著性矩陣，E表示圖像信息熵。

依托于圖像顯著性矩陣，提取海上鉆井作業(yè)場景視覺圖像中具有較大顯著性的區(qū)域，作為圖像感興趣區(qū)域。考慮到上述提取的顯著性區(qū)域中存在很多小目標(biāo)區(qū)域，這部分小面積區(qū)域是因?yàn)槿搜蹖π∧繕?biāo)的敏感度較低而產(chǎn)生的，會干擾最終作業(yè)場景潛在安全風(fēng)險(xiǎn)識別結(jié)果[7-8]。因此，本研究提出按照圖1所示的流程，將總面積小于20的小面積區(qū)域從標(biāo)注的顯著性區(qū)域中剔除，最終得到感興趣區(qū)域。

從視覺圖像感興趣區(qū)域入手，結(jié)合尺度不變特征轉(zhuǎn)換算法（SIFT）提取圖像顯著性特征。實(shí)際操作過程中，將感興趣區(qū)域劃分為8×8的區(qū)域，分別進(jìn)行相對亮度、灰度、對比度和飽和度矩陣的計(jì)算，并明確單個(gè)像素點(diǎn)處矩陣的梯度、方向，如式（7）和式（8）所示。

ψ（x，y）={［I（x+1，y）－I（x－1，y）］2+

［I（x，y+1）－I（x，y－1）］2}1/2（7）

θ（x，y）=tan"－1I（x，y+1）－I（x，y－1）I（x+1，y）－I（x－1，y）"（8）

式中，（x，y）表示像素點(diǎn)坐標(biāo)，I表示像素值，ψ表示梯度幅值，θ表示方向，tan"－1表示反正切函數(shù)。

統(tǒng)計(jì)每個(gè)區(qū)域內(nèi)不同方向的梯度累加值，得到包含位置、尺度、空間、對比度、飽和度和相對亮度6類特征信息的128維特征向量，作為符合人眼視覺特點(diǎn)的顯著性特征。

1.3"建立顯著性特征自適應(yīng)重構(gòu)方案

上述提取出的一系列顯著性特征，蘊(yùn)含了豐富的語義信息，但很多空間細(xì)節(jié)信息無法體現(xiàn)出來。為了更好地進(jìn)行海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)識別，以原特征金字塔為基礎(chǔ)，設(shè)計(jì)一種自適應(yīng)特征重構(gòu)金字塔（AFRP）結(jié)構(gòu)，如圖2所示。將顯著性特征提取結(jié)果輸入其中進(jìn)行自適應(yīng)重構(gòu)，得到適合于多尺度潛在安全風(fēng)險(xiǎn)識別的特征圖像。

如圖2所示，自適應(yīng)特征重構(gòu)金字塔結(jié)構(gòu)中包含4層特征α1、α2、α3、α4，選擇其中任意一層作為中間層，針對其他三層特征圖進(jìn)行最大池化和差值調(diào)整，使得特征圖尺寸相同，記錄調(diào)整后的特征圖中特征向量位置[9]，實(shí)現(xiàn)顯著性特征自適應(yīng)融合與重構(gòu)，輸出重構(gòu)后的特征，具體計(jì)算式為：

ρkcd=∑4k=1wkcd×δkcd（9）

式中，ρ表示自適應(yīng)融合后的特征向量，δ表示原始特征向量，k表示特征層級，（c，d）表示位置，w表示自適應(yīng)學(xué)習(xí)得出的標(biāo)量權(quán)重。

其中，標(biāo)量權(quán)重計(jì)算式為：

wkcd=eWkcd∑4k=1eWkcd"（10）

式中，e表示底數(shù)，W表示每個(gè)層級的權(quán)重圖。

隨后，通過最大池化和平均池化操作，獲取自適應(yīng)融合特征的空間特征，將其合并處理后，在卷積層和激活函數(shù)的作用下生成空間注意力特征圖。

A=μ（h3×3（Q，Q′））"（11）

式中，A表示空間注意力特征圖，μ表示激活函數(shù)，h表示卷積運(yùn)算，Q表示最大池化操作得出的空間特征，Q′表示平均池化操作生成的空間特征。

每個(gè)特征向量的位置參數(shù)，分別乘以空間注意力特征圖得到更新后的位置參數(shù)，并將尺寸統(tǒng)一的多層級特征圖調(diào)整到最初尺寸，將位置參數(shù)添加到不同層級特征圖上，完成海上鉆井作業(yè)場景潛在安全風(fēng)險(xiǎn)視覺圖像顯著性特征重構(gòu)。

1.4"基于顯著性特征重構(gòu)識別潛在安全風(fēng)險(xiǎn)

將視覺圖像的顯著性特征重構(gòu)結(jié)果看作輸入向量，構(gòu)建基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（Faster"R-CNN）的潛在風(fēng)險(xiǎn)識別模型，如圖3所示。

如圖3所示，潛在安全風(fēng)險(xiǎn)視覺圖像識別模型主要由區(qū)域推薦網(wǎng)絡(luò)（RPN）、候選區(qū)域回歸與目標(biāo)分類網(wǎng)絡(luò)兩個(gè)主要結(jié)構(gòu)組成。顯著性特征重構(gòu)圖先輸入RPN網(wǎng)絡(luò)，設(shè)置特征圖錨點(diǎn)作為中心，提取潛在安全風(fēng)險(xiǎn)所在候選區(qū)域，在完成尺寸調(diào)整后形成候選框。為了避免受到視覺圖像復(fù)雜背景的影響[10]，生成候選框時(shí)需要結(jié)合模糊C均值聚類算法，按照候選框高度進(jìn)行聚類，根據(jù)聚類結(jié)果設(shè)置最合理的候選框尺寸。候選框優(yōu)化過程中，定義海上鉆井作業(yè)場景潛在風(fēng)險(xiǎn)識別目標(biāo)函數(shù)。

J=∑Rr=1∑υz=1（Φrz）φ×∑Rr=1∑υz=1D2rz（γr，ξz）（12）

式中，J表示目標(biāo)函數(shù)，r表示樣本編號，R表示樣本數(shù)據(jù)集，z表示潛在安全風(fēng)險(xiǎn)類別，υ表示類別數(shù)量，Φ表示隸屬度，D表示歐氏距離，γ表示視覺圖像樣本數(shù)據(jù)，ξ表示聚類中心。

通過反復(fù)迭代對目標(biāo)函數(shù)進(jìn)行不斷計(jì)算，輸出最優(yōu)聚類劃分結(jié)果，找到與當(dāng)前情況最相似的情況，基于此設(shè)置候選框數(shù)值。隨后，通過候選區(qū)域回歸與目標(biāo)分類網(wǎng)絡(luò)進(jìn)一步分析，識別出具體的潛在安全風(fēng)險(xiǎn)發(fā)生區(qū)域，并輸出潛在風(fēng)險(xiǎn)類別。

2"實(shí)"驗(yàn)

2.1"實(shí)驗(yàn)環(huán)境

在觀察新提出識別算法的實(shí)際應(yīng)用性能時(shí)，選擇北部灣盆地為實(shí)驗(yàn)區(qū)域，該區(qū)域的海域總面積達(dá)到了3.8×104"km2。據(jù)統(tǒng)計(jì)，該區(qū)域探明地質(zhì)石油儲量約為23200萬桶，并存在10個(gè)已開發(fā)的油田，還有大量油田等待開發(fā)。中海石油中國有限公司接下來的工作，就是依托圖4所示的海上鉆井平臺對實(shí)驗(yàn)區(qū)域的邊際油田進(jìn)行開發(fā)。

其中，海上鉆井平臺的設(shè)計(jì)參數(shù)如表1所示。

在上述海上鉆井平臺上開展一系列石油開發(fā)工作，通過施工現(xiàn)場監(jiān)控設(shè)備采集當(dāng)天作業(yè)場景圖像。將所提算法應(yīng)用到作業(yè)場景中，識別施工現(xiàn)場潛在安全風(fēng)險(xiǎn)，驗(yàn)證顯著性特征重構(gòu)下風(fēng)險(xiǎn)識別算法的應(yīng)用效果。

2.2"識別結(jié)果

在潛在安全風(fēng)險(xiǎn)視覺圖像識別過程中，先對所有作業(yè)現(xiàn)場圖像進(jìn)行均衡處理，以任意一幅圖像為例，均衡化處理效果如圖5所示。

由圖5可知，在均衡化處理后圖像的信息熵和對比度最大值分別為32.57、7.54，且總體對比度和信息熵保持在期望標(biāo)準(zhǔn)之上，證明了所提方法均衡處理后圖像的細(xì)節(jié)和視覺效果得到明顯提升。

以隨機(jī)選定的四幅樣本圖像為例，針對預(yù)處理后的圖像進(jìn)行顯著性特征提取，這一操作過程中圖像感興趣區(qū)域的提取結(jié)果如圖6所示。

在顯著性特征提取、重構(gòu)完成后，輸入潛在安全風(fēng)險(xiǎn)識別模型中，針對四幅選定的樣本圖像最終識別出四類潛在安全風(fēng)險(xiǎn)問題，分別為未戴安全帽、未配備鉆機(jī)防提斷裝置、電源未獨(dú)立連接、未配備應(yīng)急逃生裝置。

按照同樣的操作方式處理所有采集的海上鉆井作業(yè)場景圖像，獲取所有潛在安全風(fēng)險(xiǎn)識別預(yù)警結(jié)果，如圖7所示。

由圖7可知，所提識別算法應(yīng)用后可以識別出海上鉆井作業(yè)過程中的潛在安全風(fēng)險(xiǎn)，證明了新提出算法是可行的。

2.3"性能測試

將文獻(xiàn)[3]和文獻(xiàn)[4]提出方法看作對照組，在同樣的實(shí)驗(yàn)環(huán)境下進(jìn)行潛在安全風(fēng)險(xiǎn)視覺圖像識別，統(tǒng)計(jì)每種方法識別結(jié)果，對比真實(shí)潛在風(fēng)險(xiǎn)發(fā)生情況，選用F1值作為評價(jià)指標(biāo)，選用下式評估每種方法的識別性能。

F1=2××ι+ι（13）

式中，F(xiàn)1表示調(diào)和平均值，表示潛在安全防線識別的準(zhǔn)確率，ι表示召回率。

由圖8可知，基于顯著性特征重構(gòu)的識別算法應(yīng)用后，所得潛在安全風(fēng)險(xiǎn)結(jié)果F1值總是大于0.93，且相比其他兩種文獻(xiàn)提出方法的F1值高出很多，這也體現(xiàn)了上文研究內(nèi)容的優(yōu)越性。

3"結(jié)"論

在海洋石油資源開發(fā)過程中，針對海上鉆井作業(yè)場景，提出了一種結(jié)合顯著性特征重構(gòu)思想的潛在安全風(fēng)險(xiǎn)視覺圖像識別算法。通過對施工現(xiàn)場視覺圖像的深入分析，準(zhǔn)確識別出風(fēng)險(xiǎn)問題并發(fā)出預(yù)警，進(jìn)一步提升海上鉆井施工安全性。

參考文獻(xiàn)

［１］"陳星，常原，鄭穎琇，等.基于AlphaPose與REBA的手工搬運(yùn)作業(yè)姿勢風(fēng)險(xiǎn)評估方法[J].中國安全生產(chǎn)科學(xué)技術(shù)，2022，18（7）：232-238.

[2]"沈景文，陶忠.基于Apriori關(guān)聯(lián)規(guī)則的吊裝作業(yè)風(fēng)險(xiǎn)識別評估與管控[J].電子技術(shù)與軟件工程，2023（6）：202-205.

[3]"賈云博，張永炘，黃偉文，等.基于KanBIM和物聯(lián)網(wǎng)的電力工程現(xiàn)場安全行為識別方法研究[J].工程管理學(xué)報(bào)，2022，36（5）：154-158.

[4]"吳承彬.基于改進(jìn)機(jī)器視覺的施工作業(yè)行為風(fēng)險(xiǎn)監(jiān)測[J].土木工程與管理學(xué)報(bào)，2023，40（3）：82-87.

[5]"柏彬，孫銘澤，陸勇，等.基于TensorFlow框架的施工現(xiàn)場違規(guī)行為智能識別方法[J].電工技術(shù)，2021（10）：190-191+194.

[6]"王志鵬，王濤.基于Faster"RCNN的穿越圍欄違規(guī)行為檢測[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（4）：346-351.

[7]"張洪亮.基于大數(shù)據(jù)的煤礦違規(guī)行為分析識別系統(tǒng)研究[J].煤礦安全，2022，53（5）：133-137.

[8]"郭維，張中坤.人因HAZOP在物探作業(yè)安全風(fēng)險(xiǎn)識別及控制中的應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù)，2017，13（S1）：50-53.

[9]"孫開暢，李權(quán)，徐小峰，等.施工高危作業(yè)人因風(fēng)險(xiǎn)分析動態(tài)貝葉斯網(wǎng)絡(luò)的應(yīng)用[J].水力發(fā)電學(xué)報(bào)，2017，36（5）：28-35.

[10]"丁烈云，周誠.復(fù)雜環(huán)境下地鐵施工安全風(fēng)險(xiǎn)自動識別與預(yù)警研究[J].中國工程科學(xué)，2012，14（12）：85-93.