基于U-Net网络模型的原油泄漏智能报警方法

技术领域

本发明涉及石油开采领域的原油泄漏报警，尤其涉及一种基于U-Net网络模型的原油泄漏智能报警方法，属于油田智能化故障诊断技术领域。

背景技术

近年来，随着硬件条件的大幅度提升，计算机领域，尤其是深度学习，视觉技术发展突飞猛进，在各行各业都快速发展，并且逐渐广泛应用于视频监控等领域。区别于传统的手工制作特征的方法，深度学习算法可以自动学习数据中感兴趣的特征，从而实现各种各样的分类、识别、检测等任务。

油田生产集输管线的泄漏检测技术，有负压波、次声波、流量平衡等方法，但这些方法都存在泄漏点检测不准、漂移距离大、且不适用不同管径串接的集输管线的问题。因此，多数的原油泄漏检测主要靠人工巡线检测，人工成本投入非常大，不仅效率低下且安全性也有待提升，很容易造成经济损失。将计算机视觉领域相关技术引入油田生产区域，将原油泄漏检测功能引入远程视频监控系统，有利于实现油田智能化管理，进一步提升油田生产、作业的效率，也有利于保障人员的安全问题。

目前油田生产区域下的原油泄漏检测面临着许多难题，如油田生产区域恶劣天气等强烈干扰因素，油田生产区域原油泄漏样本稀少且难以获得，视频监控图像场景复杂、目标特征模糊等。这些干扰使原油泄漏检测效果急剧下降，因此，油田生产领域下如何通过少样本训练，达到令人满意的检测效果是目前急需的首要需求。

发明内容

本发明的目的在于，克服现有技术中存在的问题，提供一种基于U-Net网络模型的原油泄漏智能报警方法，利用迁移学习和U-Net网络模型使系统能够在小样本的情况下最大程度提取网络特征从而达到收敛，即使用少量数据的学习就可使系统可靠检测出原油泄漏。

为解决以上技术问题，本发明的一种基于U-Net网络模型的原油泄漏智能报警方法，依次包括如下步骤：

S1、对原始视频进行采样标注，获得图像数据集；

S2、利用数据增强方法对图像数据集进行扩增，根据待检测原油泄漏目标的特点对图像进行裁剪、翻转、缩放和色域增强操作；

S3、对数据增强后的图像数据集进行图像预处理，去除图像中的噪声；

S4、将去除噪声后图像数据集分配为训练集和验证集；

S5、搭建原始U-Net网络模型，加入批量归一化层，得到改进的U-net网络模型，将处理好的训练集导入改进的U-Net网络模型中进行训练，使用验证集对模型进行验证，训练成功则得到能够检测原油泄漏的U-Net网络模型；

S6、将训练成功的U-net网络模型投入使用，实时检测原油泄漏，当发现原油泄漏时，输出原油泄漏目标的检测图像。

进一步的，步骤S1中，对输入的原始视频按帧率进行图片采样，对原油泄漏的图片和泄漏部位进行标注，获得原始的图像数据集。

进一步的，步骤S2中，使用随机裁剪、翻转、缩放、旋转和色域增强方式对原始的图像数据集进行扩增，并根据原油泄漏目标的特点，从几何、灰度及纹理特征的角度对批量归一化检测目标进行数据增强，并采用Mosaic的数据增强方法来丰富图像的背景，也进一步对小目标的数据集进行扩增。

进一步的，步骤S3中，使用变换域去噪算法去除图像中的噪声。

进一步的，步骤S4中，训练集和验证集的划分比例为9：1。

进一步的，步骤S4中，图像数据集相对较小时，使用K折交叉验证法中的留一法分配数据集，每次只留一个数据作为验证集，其他数据都作为训练集，总共训练次数为：总数据集样本数-1次。

进一步的，步骤S5中，训练过程中，U-Net网络模型将原油泄漏区域与周围环境进行分割，使用带边界权值的损失函数使模型具有分离边界的能力，当损失函数在训练集和验证集上均表现出稳定的下降趋势，两者之间的差异越来越小且小于设定值，即认为模型已经收敛，训练成功。

进一步的，步骤S5中，所述加入批量归一化层具体为：在每一个基础U-net网络的卷积层后面连接一个批量归一化层。

进一步的，步骤S5中，改进的U-Net网络模块包括32层网络：

第1层为输入层；

第2、3、6、7、10、11、14、15、18、19、21、22、24、25、27、28、30、31层为卷积层，卷积核大小为3×3，步长为1；

第5、9、13、17层为最大池化层，池化尺寸为2×2，步长为1；

第4、8、12、16层为批量归一化层；

第20、23、26、29层为上采样层，卷积核大小为2×2，步长为1；

第32层为输出层。

进一步的，步骤S5中，将改进的U-Net网络模块分为三个部分，自左向右分别为特征提取部分、拼接部分和上采样部分；

其中特征提取部分：是一个收缩网络，通过四个下采样，使图片尺寸减小，在不断下采样的过程中，提取浅层信息，每采样一次图片的通道数翻倍；

上采样部分：使用了四个上采样，使图片尺寸变大，在不断上采样的过程中，提取深层信息，每采样一次图片的通道数减半，与左部分的特征提取的通道数变化相反；

拼接部分：目的是融合特征信息，使深层信息和浅层信息融合起来，拼接时不仅图片大小要一致，特征的维度也要一样，才可以拼接，在上采样的过程中融合了左边的浅层信息即拼接了左边的特征。

进一步的，步骤S5中，特征提取的具体步骤如下：输入图片后经过两个卷积核为3*3的卷积层进行信息提取，接着经过一个批量归一化层，规范化输入数据，加快U-Net网络的训练，提高模型中损失函数的收敛速度，控制梯度爆炸，防止梯度消失和防止过拟合，最后经过一个最大池化层，实现一个完整的下采样；接下来三个下采样以此类推。

进一步的，步骤S5中，所述带边界权值的损失函数为：

其中p

其中，w

进一步的，步骤S5中，将处理好的训练集导入改进的U-Net网络模型中使用K折交叉验证法进行训练；

若收敛效果不好，则调整U-Net网络模型中的参数，包括批量大小、学习率、迭代次数、正则化参数和初始化学习方法，重新对图像集进行若干次训练，直至模型达到收敛。

进一步的，步骤S6中，输出原油泄漏目标的检测图像必须实现原油泄漏检出率达到100％，识别区域准确率大于80％。

进一步的，步骤S6中，所述原油泄漏目标的检测图像不仅能给出原油泄漏轮廓，而且能给出热点图，用于指示泄漏程度，确定泄漏区域的准确位置和扩散情况。

相对于现有技术，本发明取得了以下有益效果：1、随着AI的快速发展，基于深度学习的技术日益成熟；本技术方案利用迁移学习和U-Net网络模型使系统能够在小样本的情况下最大程度提取网络特征从而达到收敛，即使用少量数据的学习就可使系统检测出原油泄漏，检测出原油泄漏之后，系统会自动报警，提交给相关部门进行处理。

2、现场应用后，能通过摄像头的图像采集，智能判断油井管线的泄漏情况，并及时报警提醒，既能大幅减少原油泄漏带来的环境污染，还能减少巡检的人工成本。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明，附图仅提供参考与说明用，非用以限制本发明。

图1为本发明基于U-Net网络模型的原油泄漏智能报警方法的流程图；

图2为瓦18管线东原油泄漏部位标注后的图像；

图3为系统输出的桥6-8原油泄漏目标的检测图像。

具体实施方式

在本发明的以下描述中，术语“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指装置必须具有特定的方位。

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。

如图1所示，本发明基于U-Net网络模型的原油泄漏智能报警方法包括如下步骤：

S1、对输入的原始视频按帧率进行图片采样，对原油泄漏的图片和泄漏部位进行标注，获得原始的图像数据集，其中瓦18管线东的图像标注如图2所示。

S2、利用数据增强方法包括使用随机裁剪、翻转、缩放、旋转和色域增强方式对原始的图像数据集进行扩增，并根据原油泄漏目标的特点，从几何、灰度及纹理特征的角度对批量归一化检测目标进行数据增强，并采用Mosaic的数据增强方法来丰富图像的背景，也进一步对小目标的数据集进行扩增。

S3、对数据增强后的图像数据集进行图像预处理，使用变换域去噪算法去除图像中的噪声，避免不必要的错误，提高模型精度。

S4、使用K折交叉验证法将去除噪声后图像数据集分配为训练集和验证集，使更多的数据用于模型训练，能够得到最小偏差，提高模型的准确度；

由于图像数据集相对较小，使用K折交叉验证法中的留一法分配数据集，每次只留一个数据作为验证集，其他数据都作为训练集，总共训练次数为：总数据集样本数-1次。

S5、搭建原始U-Net网络模型，在每一个基础U-net网络的卷积层后面连接一个批量归一化层，得到改进的U-net网络模型，改进的U-Net网络模块包括32层网络：

第1层为输入层；

第2、3、6、7、10、11、14、15、18、19、21、22、24、25、27、28、30、31层为卷积层，卷积核大小为3×3，步长为1；

第5、9、13、17层为最大池化层，池化尺寸为2×2，步长为1；

第4、8、12、16层为批量归一化层；

第20、23、26、29层为上采样层，卷积核大小为2×2，步长为1；

第32层为输出层。

改进的U-Net网络模块的32层网络分为三个部分，自左向右分别为特征提取部分、拼接部分和上采样部分；

其中特征提取部分：是一个收缩网络，通过四个下采样，使图片尺寸减小，在不断下采样的过程中，提取浅层信息，每采样一次图片的通道数翻倍。特征提取的具体步骤如下：输入图片后经过两个卷积核为3*3的卷积层进行信息提取，接着经过一个批量归一化层，规范化输入数据，加快U-Net网络的训练，提高模型中损失函数的收敛速度，控制梯度爆炸，防止梯度消失和防止过拟合，最后经过一个最大池化层，实现一个完整的下采样；接下来三个下采样以此类推；

上采样部分：使用了四个上采样，使图片尺寸变大，在不断上采样的过程中，提取深层信息，每采样一次图片的通道数减半，与左部分的特征提取的通道数变化相反；

拼接部分：目的是融合特征信息，使深层信息和浅层信息融合起来，拼接时不仅图片大小要一致，特征的维度也要一样，才可以拼接，在上采样的过程中融合了左边的浅层信息即拼接了左边的特征。

将处理好的训练集导入改进的U-Net网络模型中使用K折交叉验证法进行训练，使用验证集对模型进行验证。

训练过程中，U-Net网络模型将原油泄漏区域与周围环境进行分割，使用带边界权值的损失函数使模型具有分离边界的能力，当损失函数在训练集和验证集上均表现出稳定的下降趋势，两者之间的差异越来越小且小于设定值5％，即认为模型已经收敛，训练成功，训练成功则得到能够检测原油泄漏的U-Net网络模型。

若收敛效果不好，则调整U-Net网络模型中的参数，包括批量大小、学习率、迭代次数、正则化参数和初始化学习方法，重新对图像集进行若干次训练，直至模型达到收敛。

所述带边界权值的损失函数为：

其中p

其中，w

S6、将训练成功的U-net网络模型投入使用，实时检测原油泄漏，当发现原油泄漏时，输出原油泄漏目标的检测图像。原油泄漏目标的检测图像不仅能给出原油泄漏轮廓，而且能给出热点图，用于指示泄漏程度，确定泄漏区域的准确位置和扩散情况，系统输出的桥6-8原油泄漏目标的检测图像如图3所示。

本技术方案在江苏油田瓦18-3、高1、桥6-8、邵14、高6-2，高6-8，高7-10，闵5-4，闵6-8，邵14-1，邵14-3，邵14-9，瓦18等集输管线进行了现场试验应用，输出原油泄漏目标的检测图像实现原油泄漏检出率达到100％，识别区域准确率大于80％，取得了预期的效果。

以上所述仅为本发明之较佳可行实施例而已，显示和描述了本发明的基本原理和主要特征和本发明的优点，非因此局限本发明的专利保护范围，本行业的技术人员应该了解，本发明不受上述实施例的限制。除上述实施例外，在不脱离本发明精神和范围的前提下，本发明还可以有其他实施方式。本发明还会有各种变化和改进，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述。