油田作业现场风险智能识别模式研究_杨欣欣.pdf

科 技 支 撑86易安网 Sci-Tech Support当前，油田作业现场大多己经安装了视频监控系统，但仍然沿用了传统的人工视频监控方式，这种系统只能实时显示监控画面以及视频录像保存，遇到突发情况大都采用事后调取相关视频资料方式进行查询，对风险产生以及工人违反操作规程进行作业无法真正做到实时预防或干预。因此，如何应用智能化的视频监控技术，对可疑情况和其他安全隐患进行智能识别，主动报警，自动准确监控，使监控人员对异常情况在第一时间做出响应，己经成为油田视频监控技术的一个重点研究方向。为此，本文结合油田作业现场工作特点，深入开展油田作业现场监控系统智能化，实现监控系统能够自主发现生产异常、安全环保事故、评估工作质量，发现问题推送报警，大力推动油田作业现场安全高效生产。相关技术近年来，基于卷积神经网络的图像目标检测算法突飞猛进，己经使得从图像中检测出特定物体这项计算机任务变得相对容易。针对特定的目标，只需要有足够多的标注的训练数据，经过相关算法的学习训练，都可以取得较好的检测结果。本文使用的是基于 SSD(Single Shot MultiBox Detector，单步多框目标检测)模型的视频目标检测框架。SSD 是一种快速而性能优异的图像目标检测框架，其模型结构如图 1 所示。它能够在速度与识别准确率之间达到很好的平衡，在NVIDIA GTX 1080Ti GPU加速下的 SSD 算法，在 300300 分辨率下，可以达到每秒 39 张图像的处理速度，完全可以及时处理油田作业现场大量监控摄像机所拍摄的视频。O p e n c v（o p e n s o u r c e computer vision library，开源计算机视觉类库）模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。模板匹配就是在整个图像区域发现与给定子图像匹配的小块区域。其工作原理为，在待检测图像上，从左到右、从上向下计算模板图像与重叠子图像的匹配度，匹配程度越大，两者相同的可能性越大，从而在待检测图像上找出与模板图像匹配度最高的区域。油田作业现场数据采集与处理要使用目标检测技术对油田作业现场实现风险智能识别，提高训练模型的识别准确率，就需要采集本文结合油田作业现场特点，将目标检测等技术运用于视频监控系统中，开展油田作业现场监控系统智能化，推动油田作业现场安全高效生产。油田作业现场风险智能识别模式研究文/杨欣欣 王美 张文沛 刘佳图1 SSD模型结构图科 技 支 撑Sci-Tech Support872023.2 劳动保护大量的油田作业现场和违章的视频。同时需要设计数据采集方案、联系现场拍摄视频，包括使用专业摄像机以及监控摄像头进行各种现场作业以及作业违规行为的拍摄。对于筛选出来有用的视频（如吊装作业、动土作业、动火作业，未佩戴安全帽、未穿工衣等），将其视频分帧成图片，然后从大量的图片中挑选违规特征明显的图片，接着将挑选后的图片重命名调整分辨率。在重命名好的图片上找出违规的行为，进行人工标定（打标签）。对标定好的违章行为图片，编写程序帮助构建该违章行为的训练集。本文中涉及的油田作业现场和违规行为主要包括：吊装作业、动火作业、动土作业，未佩戴安全帽、未穿工衣、直接作业现场无监护人、违禁使用手机、违禁吸烟、液体污染。本文系统主要是对以上三大作业现场和六种违规行为的识别。实验方法与结果本 实 验 中 learning rate 设 为1e-4，权重衰减率设为 5e-4，动量设为 0.9，利用 ImageNet 数据集进行预训练，得到权重之后对 SSD模型中的基础网络 VGG-16 进行初始化。网络其余卷积层的参数使用“xavier”方法进行初始化。使用 SSD 模型进行油田作业现场违章目标检测过程为：（1）对原始图像进行图像预处理，并在多级特征图上生成默认候选区域；（2）拒绝最有可能是背景的默认候选区域；（3）多 级特征图输入到目标检测网络中，获得检测分数，每个检测分数包含一个 特 定 对 象类 的 检 测 置信度；（4）使 用边界框回归进一步提炼边界框，减少定位误差；（5）利 用深度模型的全图像分类评分作为上下文信息来细化每个对象框的检测，最终得出检测结果。油田作业现场采集到的有用的数据共 5 004 张图片，部分数据集图片展示如图 2 所示，其中训练集和验证集共 4 003 张，测试集 1 001张，每张图片的分辨率为 640480。制作的数据集共标注18 994个目标，其中起重设备标注 6 521 个，动土设备标注 1 167 个，动火设备标注1 156 个，与人相关的违禁行为标注3 142 个，不带安全帽标注 636 个，标注后的图片按照 PASCAL VOC的格式进行数据集的制作，便于后续的训练与测试。本实验一共训练 13 万轮，为了得到更好的结果，本文在第 9 万轮和第 11 万轮通过公式（1）调整学习率。其中lr为调整后的学习率，init_lr为初始的学习率，gamma为动量，step为迭代轮数，实验结果如表 1 所示。lr=init_lr(gammastep)(1)根据表 1 的实验结果，可以看出在三大作业现场的检测结果较图2 油田作业现场数据集展示表1 油田作业现场数据检测结果识别类型吊装作业动火作业动土作业识别精度（每班）85.583.588.1识别类型未戴安全帽未穿工衣作业现场无监护人识别精度（每班）70.877.572.3识别类型打电话抽烟液体污染染识别精度（每班）61.960.743.6科 技 支 撑88易安网 Sci-Tech Support到液体污染这一项的检测结果低至 43.6%，因为油污无固定形态，检测油污只能依靠颜色识别，而目标检测除了依靠目标的颜色特征外，还需要目标的形态、纹理等特征 一 同 学 习，所以液体污染需其他方法处理。油田作业现场部分检测结果如图 3 所示。溢油污染的检测与识别油田现场的溢油污染情况在体液污染中占多数。由于油污颜色单一且无固定形态的特点，无法直接使用目标检测的方法去识别，经多次实验，最终选择模板匹配算法去识别与检测油污。在溢油污染图片中选择的模板图 像 如 图 4 所示。将选择出来的模板放入油田作业现场数据集中进行检测，检测图像 结 果 如 图 5所 示。其 中，图片中红色的方框代表模板匹 配 出 的 结果。经实验证明，模板匹配方法可用于溢油污染的检测。本文结合油田作业现场自身特点，将目标检测等技术运用于视频监控系统中，替代传统的人工监控系统，可以做到三大作业现场的识别与六项违规行为的检测，经实验证明该方案可行。进而可以实现监控系统自主发现生产异常与违规行为，及时报警，从而减少生产事故的发生，还可以评估工作质量，大力推动油田作业现场安全高效生产的功能。同时，智能视频监控将会是油田领域发展的一种新趋势，未来会有更好的发展。本文作者杨欣欣、刘佳，单位系中国石油化工股份有限公司胜利油田分公司技术检测中心标准信息研究所；王美，单位系中国石油化工股份有限公司胜利油田分公司技术检测中心标准信息研究所，中国石油大学（华东）计算机科学与技术学院；张文沛，单位系中国石油化工股份有限公司胜利油田分公司安全环保质量督查中心 编辑 朱丽晶好，因为在三大现场中，涉及的目标大多为汽车吊、随车吊、挖掘机、拖拉机等大型设备，而手机、烟头等小目标在图片中所占比例仅为 0.08%，当油田作业现场的监控摄像头放置过高时，手机和烟头所占比例会更小，所以油田作业现场中小目标的检测仍为一个检测难点。除此之外，从实验结果中观察图3 油田作业现场数据检测效果图4 模板图像图5 溢油检测结果