機器視覺技術(shù)在油田應用現(xiàn)狀及展望

蔣 也

（中國石化集團經(jīng)濟技術(shù)研究院有限公司，北京 100029）

當前國際社會中不確定和不穩(wěn)定因素漸增，保障國家能源安全顯得格外重要。但鑒于油田勘探開發(fā)的日漸深入，剩余資源的開采難度日益加大，油田開采成本逐年漸長，迫切需要技術(shù)革新來緩解開發(fā)矛盾實現(xiàn)效益提升。相比于油氣技術(shù)短時間內(nèi)發(fā)生革命性進步，采取油氣技術(shù)＋互聯(lián)網(wǎng)的方式，借助機器視覺技術(shù)建設智能油田更有望成為當前油田降本增效的有效途徑。它既能顯著提升勘探開發(fā)效率，還能減少員工重復性工作，降低人工成本，實現(xiàn)人力資源價值提升。與此同時，“新基建”已發(fā)展成為國家性戰(zhàn)略，這勢必將助推5G技術(shù)和人工智能技術(shù)的快車道發(fā)展，為機器視覺技術(shù)在智能油田中的新階段應用創(chuàng)造了極佳的配套環(huán)境。

1 機器視覺概述

機器視覺是人工智能最重要的前沿技術(shù)之一，是對人類視覺系統(tǒng)的一種模擬，它賦予了機器“感知”和“判斷”的能力。通常一個機器視覺系統(tǒng)由圖像采集、圖像處理、圖像分析、圖像識別及圖像解釋等五部分組成。其工作原理具體來說，就是利用攝像設備對目標物進行圖像攝取，通過對獲得的圖像進行信號處理并對目標圖像提取特征值分析，最后再進行模式識別、空間計算等操作以實現(xiàn)特定功能目的。相對于人類視覺而言，機器視覺在觀測速度、精度、感光范圍、環(huán)境要求等方面都表現(xiàn)尤佳，特別是在有害環(huán)境或重復性工作環(huán)境下，其具有較強的人工替代性。

2 機器視覺技術(shù)在油田應用現(xiàn)狀

1999年，大慶油田首次提出“數(shù)字油田”概念。經(jīng)過多年信息化建設，我國傳統(tǒng)油田基本實現(xiàn)了向數(shù)字油田的轉(zhuǎn)變，邁向了探索智能油田建設道路。未來，人工智能技術(shù)將在智能油田領域扮演著更為重要的角色，而相對較為成熟的機器視覺技術(shù)勢必會成為智能油田能否真正落地的關(guān)鍵性技術(shù)之一。因此，近年來國內(nèi)外學者在油田的勘探開發(fā)、現(xiàn)場管理、潛力預測等方面都嘗試融入機器視覺技術(shù)，開展了一系列探索性研究，也取得了一定的進展，為下一步技術(shù)與生產(chǎn)深度融合奠定了理論基礎。

2.1 油田勘探開發(fā)領域

1）油井示功圖識別

在油田生產(chǎn)運行中，通過分析實時示功圖的輪廓特征，能在一定程度上直接確定油井是否發(fā)生故障及判斷故障類型。但目前該項工作主要依賴于人工判斷，存在強烈的個體主觀差異性，若是引入機器視覺技術(shù)進行示功圖識別，既能消除經(jīng)驗效應提升判定準確度，又能實現(xiàn)對單井的全天候工況智能分析，保障油井穩(wěn)定運行。在這項技術(shù)應用中，特征提取是關(guān)鍵性過程，期間所采取的算法將直接影響自動識別結(jié)果。當前主流的算法包括基于灰度矩陣、曲線特征以及解析公式等3類特征提取方法，其中基于灰度矩陣的特征提取方法相較于其他2種，在預測精度和可移植性方面都具有較大優(yōu)勢[1]。

總體來說，示功圖的智能識別是現(xiàn)今機器視覺技術(shù)與油田勘探開發(fā)結(jié)合中最為成功的方向，研究者們對識別準確度和識別效率不斷完善，這將為下一步深度應用提供豐富理論支撐。如周斌等[2]將示功圖信號、電功率信號和井口溫度信號作為特征視角，基于Hessian局部線性特征映射算法建立新的識別模型，進一步提升了油井功圖識別準確率。殷昭等[3]提出先基于歐式距離算法判定實時功圖和標準功圖的相似度，再根據(jù)反饋結(jié)果決定是否進行進一步識別，大大提高了油井示功圖處理效率。此外，張曉等[4]利用計算機模型推導出泵功圖，再通過基于神經(jīng)網(wǎng)絡的模式識別技術(shù)對油井特征識別，提高了功圖計產(chǎn)效率，單井液量符合率能達86%，實現(xiàn)了自動量油的進一步發(fā)展。

2）巖心巖石分類

巖心是了解地下地層和含礦特性最直觀、最實際的資料，傳統(tǒng)巖石薄片鑒定以肉眼觀察和描述為主，存在主觀性強、定量困難、耗時較長等問題。隨著機器視覺技術(shù)愈發(fā)成熟，越來越多的研究者將其引入到巖性信息自動提取領域，以期緩解傳統(tǒng)方式鑒定巖石薄片所存在的問題。Borazjani等[5]基于Duham石灰?guī)r分類標準建立紋理識別模型，通過對薄片圖像提取13個特征值，將特征值參數(shù)作為輸入訓練多層感知神經(jīng)網(wǎng)絡（MLP-NN）進行碳酸鹽巖巖性自動判別。Mlynarczuk等[6]針對9種巖石收集了2 700張圖像，分別采用4種模式識別方法和4個色彩空間進行組合試驗，結(jié)果表明基于最近鄰算法和CIELab組合模型能實現(xiàn)多種類巖石識別效果最佳。白林等[7]提出采用深度學習方法，建立了薄片分類的VGG模型，對6類常見巖石薄片圖像完成了自動分類，測試集準確率達82%。程國建等[8]通過卷積神經(jīng)網(wǎng)絡模型實現(xiàn)了圖像特征自動提取，并同時建立模式分類器實現(xiàn)了巖石圖像粒度分類，準確率超過90%。

3）地震資料處理與解釋

當前地震資料處理與解釋工作難度與日俱增，亟待需要新技術(shù)的引入來進一步挖掘數(shù)據(jù)中的潛力，提高識別精度，機器視覺技術(shù)的成熟發(fā)展能在一定程度上填補這一空白。吳微等[9]利用Tensorflow深度學習框架開展了網(wǎng)絡參數(shù)尋優(yōu)，基于搭建好的深度卷積神經(jīng)網(wǎng)絡模型進行訓練和預測，實現(xiàn)了對河流相識別成功率高于75%。斷層識別是地震資料解釋的關(guān)鍵環(huán)節(jié)之一，王紫蕊等[10]搭建卷積神經(jīng)網(wǎng)絡模型，對三維實際地震數(shù)據(jù)進行斷層識別和預測，并與常用的相干體算法結(jié)果對比，具有更好的準確性且噪聲處理效果更好。不僅如此，史玉平等[11]使用波形搜索策略大幅提高了波形拾取結(jié)果，體現(xiàn)了機器視覺技術(shù)在地震剖面數(shù)據(jù)恢復中也大有可為，有效避免了重新進行地震勘探的耗時費錢，極具經(jīng)濟價值。

4）油藏構(gòu)造描述

精確的油藏構(gòu)造描述是勘探開發(fā)取得成功的重要基礎，在這一過程中弱化人工因素，提升自動識別程度有利于提高精確描述水平。楊玉卿等[12]基于電成像測井圖采用了曲線擬合及曲線移動技術(shù)，并結(jié)合圖像識別技術(shù)，達到了快速檢測地層界面和求取界面產(chǎn)狀的效果。油田開發(fā)進入中后期時，井網(wǎng)愈加密集，開展地層對比工作也愈加困難。徐朝暉等[13]提出基于卷積神經(jīng)網(wǎng)絡模型對測井曲線進行特征提取，完成圖像分割實現(xiàn)了地層自動對比，并且地層越厚自動對比效果就越好，越能顯示出相較于人工對比地層的優(yōu)越性。Ye[14]使用連續(xù)小波變換將一維測井曲線轉(zhuǎn)化成二維圖像，利用機器視覺技術(shù)，實現(xiàn)了地層界面、地層疊置方式和地層斷裂的識別與解釋。

2.2 油田現(xiàn)場管理領域

機器視覺技術(shù)應用在油田現(xiàn)場管理中，既能提高安全監(jiān)管質(zhì)量，降低隱藏性安全風險，又能減少油田員工的重復性工作，提升人力資源價值，因此得到了油田企業(yè)的廣泛應用，尤其是對視頻監(jiān)控的識別。例如，袁一丹[15]利用PHOG-LBP算法對視頻中的行人進行定位，建立了HSV模型對油田員工穿戴規(guī)范進行自動檢測，現(xiàn)已在新疆克拉瑪依油田成功應用。類似的，在勝利油田郝現(xiàn)管理區(qū)也采用了機器視覺技術(shù)對油井區(qū)域入侵進行了自動識別與報警提醒，以此來輔助生產(chǎn)指揮中心的人工識別。不僅如此，無論是在當前國內(nèi)外油田企業(yè)積極布局的無人機輔助巡井應用中，還是在石油管線泄漏檢測和定位技術(shù)中，機器視覺技術(shù)都扮演著舉足輕重的角色，它極大地促進了勞動力釋放，擴大了人眼的視覺范圍，提高了油田安全系數(shù)。

2.3 油田潛力預測領域

機器視覺技術(shù)的應用價值，既體現(xiàn)在對油氣技術(shù)的改進優(yōu)化上，更體現(xiàn)在對油田潛力的智能預測中。如付超等[16]利用聚類算法和無監(jiān)督學習方法提取地震油氣特征，并結(jié)合支持向量機算法對特征值進行檢測和學習，實現(xiàn)了對未知的地震油氣儲層分布的預測。吳君達等[17]打破數(shù)值模擬的局限性，將注采參數(shù)和生產(chǎn)時間作為剩余油分布圖像的特征，通過卷積層和轉(zhuǎn)置卷積層操作，把多個圖像特征還原到原圖，實現(xiàn)了對不同生產(chǎn)階段剩余油分布的預測。事實上，隨著人工智能技術(shù)的持續(xù)發(fā)展，未來機器視覺技術(shù)將會在油田潛能預測領域有著更多優(yōu)秀表現(xiàn)。

3 機器視覺技術(shù)應用發(fā)展探討[18]

通過現(xiàn)狀調(diào)研可知，當前機器視覺與油田融合的理想場景有很多，但實際投入應用的場景有待增加，而且油田生產(chǎn)涉及復雜工況，實際應用的準確率仍要不斷提升。再者，油田企業(yè)雖然擁有巨大的“數(shù)據(jù)池”，但現(xiàn)階段僅僅是完成了數(shù)據(jù)采集的工作，對于各項數(shù)據(jù)的處理與解析仍停留在人工和數(shù)字化階段。機器視覺技術(shù)是一種將數(shù)據(jù)效益化的重要手段，將機器視覺技術(shù)與油田業(yè)務緊密融合如同為智能油田建設賦予了視覺神經(jīng)系統(tǒng)，將有效助力智能油田進行更復雜的智慧決策。

3.1 建設目標

基于油田穩(wěn)定生產(chǎn)和智能建設的大前提，機器視覺技術(shù)要著力以精準化勘探開發(fā)、高效化地面工程和智能化經(jīng)營管理為目標，同油田生產(chǎn)運營工作深度融合，為智能油田的全面建設奠定先行基礎，助力實現(xiàn)研究、生產(chǎn)、運營的互聯(lián)共通、效益提升。

3.2 建設模式

機器視覺在油田的深度應用要緊密圍繞智能油田這一頂層設計，結(jié)合當前主流算法框架優(yōu)化運算精度，創(chuàng)建全新的油田管理方式，推動建設向應用場景多元化、實施效果精準化、綜合決策智能化邁進。但這一過程的實現(xiàn)并非朝夕之功，首先需要解決以下問題：

1）監(jiān)控設備高密度覆蓋

經(jīng)過多年的信息化建設，油田基本完成了網(wǎng)絡部署，但在監(jiān)控設備的普及力度上仍不夠，未能實現(xiàn)所有油水井覆蓋，僅維持在50%以內(nèi)，這將意味著近一半的油水井不能實現(xiàn)數(shù)字巡井和遠程啟停。

2）高精度數(shù)據(jù)實時采集

當前油田基本實現(xiàn)了數(shù)據(jù)自動采集的功能，但反饋的采集數(shù)據(jù)若想要指導生產(chǎn)，自動化設備的精確度和穩(wěn)定性仍需進一步提高。再者大量的自動化設備都處于室外使用，其續(xù)航能力也亟待繼續(xù)提升。

3）數(shù)據(jù)高速傳輸與存儲

油田的實時數(shù)據(jù)和歷史數(shù)據(jù)都極大，面臨數(shù)據(jù)傳輸滯遲和存儲容量緊缺風險。要基于5G等最新通信技術(shù)改善數(shù)據(jù)傳輸效率，保障實時數(shù)據(jù)通信周期穩(wěn)定，基于云儲存技術(shù)實現(xiàn)更高量級數(shù)據(jù)存儲，確保數(shù)據(jù)的“采-輸-用-存”整體安全流暢。

4）新技術(shù)融合多維賦能

要加強“大物智云”的應用融合，完善數(shù)據(jù)、算法和業(yè)務結(jié)合的適配性，逐步搭建出全面感知油田的“神經(jīng)網(wǎng)絡”，實現(xiàn)機器視覺應用過程中精確度和智能性的提升，真正達到向“技術(shù)”要效益。

3.3 建設方向

機器視覺與油田的深度融合是智能油田實現(xiàn)的必經(jīng)之路，要在以下幾個方面持續(xù)發(fā)力：

1）做實頂層設計

基于智能油田的大框架發(fā)展機器視覺深度融合，要遵循統(tǒng)一思路、統(tǒng)一規(guī)劃、統(tǒng)一研發(fā)的原則，從全局出發(fā)以較低成本實現(xiàn)數(shù)據(jù)互融共通，避免重復投入浪費資金，穩(wěn)步奠定智能油田的全面感知基礎。

2）強化標準建設

要實現(xiàn)油田大范圍的互聯(lián)互通，全面感知，就要加強標準化建設，打破因系統(tǒng)不通、協(xié)議標準不一致的通信問題。建議以試點模式在某些領域先推行標準化建設，以點帶面，漸進式擴大。

3）培植人才隊伍

新興技術(shù)與油氣技術(shù)的結(jié)合屬于跨領域創(chuàng)新，存在跨專業(yè)障礙，培養(yǎng)“IT＋OT”的復合型人才將有利于業(yè)務融合范圍擴大，落實到真正的業(yè)務需求。在相關(guān)人才隊伍建設方面，既可適當引進相關(guān)成熟人才，也可重點培養(yǎng)有潛力的在職員工，以項目為契機鼓勵員工多維度發(fā)展。

4 結(jié)語

“新基建”戰(zhàn)略的提出將催生機器視覺等新興技術(shù)加速落地應用，智能油田建設也將會迎來新的發(fā)展契機。在當前低油價時期，推動機器視覺技術(shù)在油田深度融合有利于節(jié)約人工成本，提高開發(fā)效率，促進油田的高質(zhì)量發(fā)展，助力油田在技術(shù)層面的轉(zhuǎn)型升級，為下一步全面建設智能油田奠定堅實基礎。