中国石油大港油田采油二厂 天津 300280
摘要：随着油气生产物联网系统的建设推进，工业视频监控系统的规模应用，目前已在各站库及井场完成了千余台视频监控摄像机部署与建设，成为油田生产重要的监控管理手段。系统平台虽然已经完成区域入侵、警戒线等基本的智能分析功能，但随着视频大数据分析技术的不断发展，油田安全生产管理应用不足越发凸显，尤其在重点设备设施泄漏报警技术方面的缺乏，制约着工业监控的深层应用效果。本研究通过开展视频大数据分析技术的研究，基于油气生产物联网系统中工业视频监控系统的视频监控资源，开展针对站库及井场的油气生产视频监控环节的大数据分析技术研究，形成适用于站库及井场的安全防范技术体系，改变被动的人工巡检模式，实现安全生产过程中异常情况的自动发现、主动干预、高效管理。
关键词：大数据；视频监控；物联网；油田；技术
1生产需求
站库及井场的现场异常情况仍依赖于人的监控，缺乏智能的自动识别、分析、报警的功能。井场巡检仍采用人工巡检，危险系数高、劳动强度大、作业效率低。为此基于大数据分析技术，开展视频安全分析，对常见的泄漏及设备异常情况进行自动识别报警，可有效减低人员管理的漏报和发现不及时的问题。在解决生产需求为前提的研究中，必须解决以下两个关键技术难题：
一是基于工业视频监控的泄漏的静态特征和动态特征的实时视频数据检测分析。二是基于工业视频监控实时视频数据中相关异常情况的关键特征提取，实时智能分析及报警联动。
2研究内容
2.1研究基于视频大数据分析技术的站库井场重点场所及设备的异常情况分析及报警技术
异常情况分析：主要基于工业视频平台现有视频数据进行针对设备设施泄漏的识别分析研究，通过探索新的模型算法、AI摄像机的深度学习等技术与工业视频平台相结合，分析泄漏的动态特征及静态特征，拓展平台对井场、站库异常情况的分析功能，提升分析效率，降低部署成本。
智能分析及深度学习技术：通过对异常监控画面的检测分析及特征提取，基于智能视频安全分析进行泄漏实时识别报警，提示用户及时处置，同时基于深度学习神经网络技术，不断完善异常情况的识别算法，不断提升识别准确率。
2.2研究基于自动巡检设备的故障智能分析技术
依托井场巡检机器人等自动巡检设备，对井场、站库的重点设备设施进行巡检并采集现场设备设施的图像进行智能识别分析，识别现场异常情况，及时向用户推送报警。依托无人机双光谱成像摄像机，初步完成管道巡线，井场周边环境巡检的探索。基于双光谱成像技术，在日间依托可见光可有效观测管道及井场周边情况，并对异常情况进行及时应对。
在夜间依托红外热成像原理，能够有效通过地埋管线浅埋层温度与周边环境的温度差异清晰查勘管线走向、渗漏，周边人员活动等情况，同时通过热成像技术及可见光技术可实时监测抽油机、注水井等关键部位发热情况，通过颜色变化对比，可分析隐患及运转情况。
3研究成果
3.1构建基于彩色的图像分割算法为基础优化选择色彩模型
基于彩色的图像分割算法为基础，融合聚类分析、特征分析等技术，构建了一种新型的优化选择色彩模型。采用彩色空间转换公式，将采集到的数据从RGB真彩色模型转换为HSV彩色模型、YCgCr彩色模型、YCrCb等彩色模型。通过聚类算法分析各彩色模型，最终选择聚类性更好，能更好表征目标区域颜色特征的YCgCr彩色模型。
根据以上转换方程，将采集到的视频数据或图像数据转换到各个彩色空间中。以进行进一步的聚类性分析。确定适合表征泄漏物彩色特征的彩色模型。通过聚类算法分析各彩色模型，最终选择聚类性更好，能更好表征目标区域颜色特征的YCgCr彩色模型。
3.2基于优化色彩模型，构建了一种深度学习标签数据自动标注流程
基于计算机视觉、图像处理分割技术、形态学图像处理算法、自动化流程处理等技术，实现对采集视频的目标区域全自动化标签数据自动标注。自动对长时视频和大量图像进行区域标注。以供深度神经网络训练使用。提升流程处理效率和深度神经网络准确率。
人工标注数据存在，人工标注不精细，神经网络较难学习到精细的泄漏区域，容易造成误报等问题。以时长2小时，帧率60Hz，分辨率为720P的视频为例，逐帧提取将产生432，000张图像数据。即使降低帧率为10Hz，也将产生72，000张图片数据。
人工标注工作量大、耗时长且易因疲劳造成精确度下降，会影响到后续机器学习对目标区的精细识别。因此通过深度学习的方法，以基础标签数据为蓝本，自动化精细标注能提供泄漏区域细节特征，神经网络可通过学习精细化分割准确检测泄漏区域，从而进行自动化的标签图像标注，泄漏区域标注更快速且无需人工干预，进而达到边标注边学习，不断提升识别精度的目的。
3.3实现基于卷积神经网络（CNN）的泄漏自动检测算法
通过对测试数据、图像结构和纹理特征分析等，确定使用深度卷积神经网络。通过大量数据训练与测试，结合在线后台训练，自适应构建油水泄漏自动检测算法模型，实现实时检测，确保泄漏情况初期及时发现泄漏情况，并通过声音及消息推送方式，报警泄漏区域与泄漏时间，提升处置及时率。
通过训练与测试，结合在线后台训练，自适应构建油水泄漏自动检测算法模型，实现实时检测，确保泄漏情况初期及时处置。通过对管道地面目标区域实时监控，及时发现泄漏情况后报警并显示泄漏区域与泄漏时间。目前可通过蜂鸣声、文本信息报警。
数据采集终端采集泄漏数据，对新数据进行自动化处理标注，并利用新标签数据训练并持续改进深度神经网络，进一步提高系统的准确度。
3.4完成采集终端数量与计算资源配置动态优化算法探索
基于控制论，运筹学等优化算法。利用并行运算、分布式运算以及高并发优化算法，对数据采集终端的数量以及计算资源的配置进行策略设计以及动态优化，同时对设备架构进行优化。以满足数据采集摄像机数量的不断增长与泄漏检测响应时间的平衡。实现检测系统的可持续扩增。依据不同的系统任务发布模式分为SCSCPFM（单核单摄像机逐帧处理模式）和MCMCSFM（多核多摄像机抽帧处理模式）两种模式：
（1）单核单摄像头逐帧处理模式
以一个1080P分辨率，帧率60Hz的摄像头为例，考虑摄像头的视频压缩技术，1秒钟一个摄像头将产生约1.5M的视频数据量。算法响应时间 = ①数据传输时间+②任务分发时间+③算法计算时间。在不考虑传输时间及任务发布时间时，算法计算时间为：平均每帧运算时间0.015秒，对于1秒的60帧率的视频逐帧计算理论上需要60*0.015=0.9秒。因此在单核单摄像头逐帧处理模式下，系统能做到秒内响应。但由于在单核单摄像头逐帧处理模式下“核”与摄像机一一对应，摄像头数的扩增意味着需要更多的计算资源。
（2）多核多摄像机抽帧处理模式
以一个200个核的服务器集群，运算3000个摄像头的配置规模为例，若采用逐帧处理方式，在不考虑数据传输时间和任务发布时间的前提下，3000个摄像头由200个核平均后，每个核承担15s的视频数据，平均每帧运算0.015秒，对于15秒的60帧率的视频逐帧计算理论上需要15*60*0.015=13.5秒。
考虑油水的泄漏过程是相对缓慢的，检测系统无需一秒内每一帧的图像信息。因此，考虑在1秒内平均抽取5帧作为检测样本。提高检测的计算速度，从而缩短响应时间。
优化后的多核多摄像机抽帧处理模式，由25个运算节点平均后，理论上在系统计算时间方面，3000个摄像头由200个核平均后，每个核承担15s的视频数据，每秒抽取5帧进行检测，平均每帧0.015秒，因此抽帧计算理论上需要15*5*0.015=0.9秒，综合运算响应时间降低至约1.125秒。
3.5基于双光谱成像技术，完成自动化设备巡检分析应用探索
依托无人机设备，搭载双光谱成像摄像机，初步完成管道巡线，井场周边环境巡检的探索。基于双光谱成像技术，在白天依托可见光可有效观测管道及井场周边情况，进行及时应对；依托红外光，在夜间能够有效通过管道的温度变化，及时发现泄漏等异常情况。
4 应用情况
4.1基于视频大数据分析技术的研究，在实验环境中实现油水泄漏检测报警
基于优化彩色模型和视频大数据分析技术的研究，构建油水泄漏检测算法，经前端摄像机采集视频数据，通过网络回传并保存至集中运算设备（服务器），在服务器中对保存的数据进行处理，利用深度卷积神经网络完成对油气管道泄漏的检测，给出对回传视频的检测结果，并及时报警，该种方式能够最大限度的利用现已部署的前端摄像机资源，便于日后推广应用。经实验环境测试单核CPU对应单台摄像机进行运算时，报警响应时间为0.9秒，通过推算一个200核CPU的服务器集群处理3000台摄像机运算时，在不考虑网络延迟的情况下，单台设备的响应时间约为1.125秒。
当管线泄漏事故发生时，员工首先通过该该算法给出的报警结果，对泄漏点进行初步判断，快速、高效的赶往现场，完成接下来的维护任务，相比传统的人工巡线方式工作效率大幅提升。同时，因为目前采油厂在用管线寿命不等，使用超过十年的管线分布较广，存在较大的管线泄漏危害隐患，该算法及时发现泄漏情况，着力降低泄漏造成的环境危害与安全隐患。
4.2依托无人机搭载双光谱成像摄像机，实现无人机巡检应用的探索
在采油厂的无人机巡检应用中，采用为6旋翼无人机，续航时间约为40分钟，飞行最大速度20M/S，图传数传距离均为15公里。搭配双屏地面站，可实现航线的规划，自动执行飞行任务。在无人机24小时巡检过程中，通过热成像技术及可见光技术可实时监测抽油机、注水井等关键部位发热情况，通过颜色变化对比，可分析隐患及运转情况，对井场周边日间环境可直接查勘，并实时建档。同时能够及时发现管线泄漏，进行应急抢修，在跑冒滴漏方面的侦察能力上反应迅捷。
5 总结
本研究在基于视频大数据分析技术的站库井场重点场所及设备的异常情况分析及报警技术方面和依托井场巡检机器人等自动巡检设备，对井场、站库的重点设备设施进行巡检并采集现场设备设施的图像进行智能识别分析，识别现场异常情况，及时向用户推送报警取得了相应技术成果，但在未来的研究上需在以下几方面继续开展技术攻关：
（1）继续推进边缘计算技术的研究应用
需要进一步测试与各主流摄像机生产厂家的各型号AI摄像机的兼容性，进一步验证算法边缘计算应用的可行性，为下一步算法的多模式应用，做好实验基础。
（2）需持续进行平台研究应用
在与平台对接方面，需进一步进行与平台间的对接开发工作，以实现报警数据在平台上的统一展示和报警输出。
（3）进一步实现算法优化研究
进一步收集标签数据，随着标签数据的增加，尤其是真实泄漏标签数据的增加，进一步增强算法的学习数据精确性，针对油田特有的环境特征，学习环境特征，然后进行有效的去干扰研究，进一步提高检测准确率。