管道高后果區(qū)智能識(shí)別及管理軟件設(shè)計(jì)*

張庶鑫，張朋崗，張 偉，熊 林，朱娟娟

(1.中國石油集團(tuán)石油管工程技術(shù)研究院，石油管材及裝備材料服役行為與結(jié)構(gòu)安全國家重點(diǎn)實(shí)驗(yàn)室 陜西 西安 710077；2. 中國石油天然氣股份有限公司塔里木油田分公司 新疆 庫爾勒 841000；3.西安電子科技大學(xué)空間科學(xué)與技術(shù)學(xué)院 陜西 西安 710000)

0 引 言

隨著我國油氣管道事業(yè)快速發(fā)展和大口徑、長距離輸送管道的普及，油氣管線里程不斷增長，給油氣管道的快速評(píng)估、高效管理帶來很多問題；同時(shí)伴隨著地理信息數(shù)據(jù)采集的技術(shù)、方案不斷進(jìn)步，大量的油氣管道及周邊環(huán)境數(shù)據(jù)管理也面臨挑戰(zhàn)。日前，國家安全監(jiān)管總局發(fā)文要求著重加強(qiáng)管道高后果區(qū)管理工作[1]。因此十分有必有建立一套高效、便利的方案，實(shí)現(xiàn)準(zhǔn)確、快速地識(shí)別油氣管線高后果區(qū)。

在2019年新發(fā)布的《油氣輸送管道完整性管理規(guī)范》中，油氣管道高后果區(qū)[2]定義為：管道泄漏后可能對公眾和環(huán)境造成較大不良影響的區(qū)域。根據(jù)高后果區(qū)對周邊造成的影響，高后果區(qū)可分為周邊人口密集的高后果區(qū)和對環(huán)境比較敏感的高后果區(qū)，其中人口密集型高后果區(qū)具有失效后果較為嚴(yán)重、高后果區(qū)域變化較明顯、受地方政府規(guī)劃影響較大等特點(diǎn)[3]。因此，準(zhǔn)確、快速地對油氣管線進(jìn)行高后果區(qū)識(shí)別，因地制宜設(shè)計(jì)具有針對性的高后果區(qū)管理方案，對于確保油氣管線長期安全平穩(wěn)運(yùn)行、避免重大事故發(fā)生，減少管道周邊人員傷亡、財(cái)產(chǎn)損失、生態(tài)環(huán)境破壞具有重大意義。

目前，油氣管道信息管理系統(tǒng)多依托地理信息系統(tǒng)(GIS)。徐杰等[4]研究并設(shè)計(jì)了一種基于WebGIS的管道完整性管理系統(tǒng)，采用B/S模式，借助Oracle數(shù)據(jù)庫，提出了分析需求到功能實(shí)現(xiàn)的三層架構(gòu)。李澤瑩[5]針對海底管道安全，設(shè)計(jì)了基于GIS的管理信息平臺(tái)，并提出了各子系統(tǒng)的實(shí)現(xiàn)方法。

本文結(jié)合某公司高后果區(qū)管理需求，研究并設(shè)計(jì)一套基于GIS的管道高后果區(qū)識(shí)別分析軟件系統(tǒng)。該軟件集成了多種分析查詢工具，通過對油氣管道信息的編輯導(dǎo)入建立了數(shù)據(jù)匯總和展示的平臺(tái)系統(tǒng)，實(shí)現(xiàn)了管道信息的統(tǒng)一管理；提供了導(dǎo)入文件、編輯管道信息和屬性管理等功能，對油氣管道信息管理系統(tǒng)內(nèi)的對象進(jìn)行更進(jìn)一步的管理和支持；支持調(diào)用GIS后臺(tái)引擎，識(shí)別各種風(fēng)險(xiǎn)因素，結(jié)合建筑目標(biāo)檢測結(jié)果，針對管線周邊的所有風(fēng)險(xiǎn)對象計(jì)算綜合的風(fēng)險(xiǎn)得分實(shí)現(xiàn)快速準(zhǔn)確的高后果區(qū)識(shí)別。

1 軟件框架組成與功能設(shè)計(jì)

1.1 軟件框架組成

本軟件根據(jù)管道的屬性管理、油氣田的不同權(quán)限層次、建設(shè)目標(biāo)以及業(yè)務(wù)需要，結(jié)合GIS引擎，采用Client/Server模式開發(fā)。該軟件的整體架構(gòu)層次可分為三個(gè)部分，從底層到應(yīng)用端依次為：負(fù)責(zé)數(shù)據(jù)服務(wù)的數(shù)據(jù)層、GIS相關(guān)功能實(shí)現(xiàn)的中間層和負(fù)責(zé)交互的應(yīng)用層，如圖1所示。

圖1 軟件架構(gòu)圖

1)數(shù)據(jù)層分為文件、照片、視頻的文件服務(wù)器和負(fù)責(zé)存儲(chǔ)屬性信息的關(guān)系型數(shù)據(jù)庫，提供接口供外界訪問，鑒于分布式技術(shù)的快速發(fā)展，傳統(tǒng)的文件服務(wù)器和關(guān)系型數(shù)據(jù)庫也可遷移到云端進(jìn)行統(tǒng)一部署管理，根據(jù)信息量，彈性改變數(shù)據(jù)庫容量與計(jì)算能力。

2)中間層是本軟件設(shè)計(jì)的核心部分，由主要的業(yè)務(wù)功能模塊和GIS引擎共同組成，將數(shù)據(jù)層的文件與屬性信息與GIS引擎提供的地理信息開發(fā)接口相關(guān)聯(lián)，進(jìn)行集成開發(fā)，將各種資源集成到系統(tǒng)中，并且包含各個(gè)功能核心組件，是系統(tǒng)的基礎(chǔ)。

3)應(yīng)用層利用集成的資源，實(shí)現(xiàn)系統(tǒng)的業(yè)務(wù)功能，請求數(shù)據(jù)將結(jié)果進(jìn)行呈現(xiàn)。

1.2 軟件功能設(shè)計(jì)

為了支持針對總管理員和各油氣田管理員不同的使用權(quán)限，軟件遵循面向?qū)ο蟮慕M合設(shè)計(jì)思想，將各等級(jí)用戶的權(quán)限與其使用的功能進(jìn)行掛鉤，實(shí)現(xiàn)不同層次用戶的差異化權(quán)限管理。如圖2所示，軟件業(yè)務(wù)功能可以劃分為：屬性信息可視化模塊、管道信息管理模塊、管道高后果識(shí)別模塊、建筑目標(biāo)檢測共4個(gè)模塊，各個(gè)功能模塊之間邏輯清晰獨(dú)立。這4個(gè)模塊分別屬于軟件架構(gòu)中的中間層與應(yīng)用層，通過接口與軟件的數(shù)據(jù)層進(jìn)行信息交互。

圖2 基于GIS的管道高后果區(qū)識(shí)別軟件組成圖

1)屬性信息可視化模塊

針對管線上的點(diǎn)顯示其屬下信息：如經(jīng)緯度、地理信息、分段、埋深等；也可實(shí)現(xiàn)字段查詢，支持對數(shù)據(jù)庫內(nèi)的屬性信息進(jìn)行匹配查詢功能，篩選出目標(biāo)信息，并以不同的顏色進(jìn)行突出顯示。

2)管道信息管理模塊

將信息管理設(shè)計(jì)為獨(dú)立的模塊，負(fù)責(zé)管道屬性信息的相關(guān)管理操作，與數(shù)據(jù)庫進(jìn)行交互，可根據(jù)用戶身份開放不同功能模塊。實(shí)現(xiàn)本地信息同步至服務(wù)器、各油田用戶對各自所屬管道及附屬設(shè)施進(jìn)行新建、編輯、刪除等操作。

3)管道高后果識(shí)別模塊

通過調(diào)用GIS底層地圖，智能識(shí)別管道周邊的高風(fēng)險(xiǎn)項(xiàng)目，綜合評(píng)價(jià)管道區(qū)段風(fēng)險(xiǎn)。

4)建筑目標(biāo)檢測模塊

利用ResNet網(wǎng)絡(luò)的殘差特點(diǎn)，設(shè)計(jì)ResNet-101網(wǎng)絡(luò)用于提取管道周邊建筑目標(biāo)特征，并引入Faster RCNN網(wǎng)絡(luò)進(jìn)一步篩選深層網(wǎng)絡(luò)輸出的特征，提升目標(biāo)檢測精度，實(shí)現(xiàn)對管道周邊建筑目標(biāo)檢測，為高后果區(qū)識(shí)別提供服務(wù)。

2 高后果區(qū)識(shí)別關(guān)鍵技術(shù)

2.1 緩沖區(qū)劃分

緩沖區(qū)分析是對選中的一組或一類地圖要素(點(diǎn)、線或面)按設(shè)定的距離條件，圍繞各要素向內(nèi)或向外而形成的一塊多邊形區(qū)域，從而實(shí)現(xiàn)各地理要素在平面內(nèi)向周邊擴(kuò)展的地理數(shù)據(jù)分析方法[6]。

此外，與依賴空間關(guān)系的緩沖區(qū)分析方法不同，地理圖層疊加分析也是地理信息系統(tǒng)提取空間要素屬性的主要方法之一。通過疊加分析可以生成包含圖層要素信息的新圖層，可以通過設(shè)定不同參數(shù)獲取部分或全部滿足要素間不同幾何關(guān)系的圖層要素。

緩沖區(qū)的建立有多種方法，具體因分析對象不同而異。對于點(diǎn)狀要素，有圓形、矩形、環(huán)形緩沖區(qū)等；對于線狀要素，有雙側(cè)對稱、雙側(cè)不對稱、單側(cè)緩沖區(qū)；對于面狀要素，有內(nèi)側(cè)和外側(cè)緩沖區(qū)。本文中研究的油氣管道以線狀要素分析為主，主要采用雙側(cè)對稱緩沖區(qū)分析方法，如圖3所示。

圖3 緩沖區(qū)分析原理

管道的潛在影響半徑可由式(1)計(jì)算：

(1)

式中：r為管道潛在影響半徑，m；A為管道類型系數(shù)，d為管道外徑，mm；p為管道最大允許操作壓力，MPa。

2.2 油氣管道高后果區(qū)判別準(zhǔn)則

表1列出了地區(qū)等級(jí)劃分的標(biāo)準(zhǔn)，地區(qū)等級(jí)越高代表該地區(qū)受影響時(shí)造成的損失越大。通過對地區(qū)分級(jí)進(jìn)行劃分可以更加有效地識(shí)別管道的高后果區(qū)。

表1 地區(qū)等級(jí)劃分標(biāo)準(zhǔn)

對于輸氣管道，管道經(jīng)過的地區(qū)符合以下條件的都為高后果區(qū)：

1)管道經(jīng)過的三級(jí)和四級(jí)地區(qū)。

2)如果管道直徑大于762 mm，且最大允許操作壓力大于6.9 MPa，管道兩側(cè)300 m內(nèi)設(shè)有學(xué)校、醫(yī)院、監(jiān)獄等具有難以疏散人群的建筑區(qū)域。

3)如果管道直徑小于273 mm，且最大允許操作壓力小于1.6 MPa，管道兩側(cè)300 m內(nèi)設(shè)有學(xué)校、醫(yī)院、監(jiān)獄等具有難以疏散人群的建筑區(qū)域。

4)管道兩側(cè)200 m內(nèi)有醫(yī)院、學(xué)校、養(yǎng)老院等具有難以疏散人群的區(qū)域。

5)管道兩側(cè)200 m內(nèi)有加油站、油庫、第三方油氣站場等易燃易爆場所的區(qū)域。

對于輸油管道，管道經(jīng)過的地區(qū)符合以下條件的都為高后果區(qū)：

1)管道經(jīng)過的三級(jí)和四級(jí)地區(qū)。

2)管道兩側(cè)50 m內(nèi)有重要道路及易燃易爆場所等。

3)管道兩側(cè)200 m內(nèi)有較大規(guī)模村莊和鄉(xiāng)鎮(zhèn)等。

4)管道兩側(cè)200 m內(nèi)有林地等自然保護(hù)區(qū)。

5)管道兩側(cè)200 m內(nèi)有河流等水資源區(qū)。

當(dāng)管道中兩相鄰高后果區(qū)重疊或相隔小于50 m時(shí)，會(huì)被合并為一段高后果區(qū)段。

根據(jù)上述描述，輸氣管道的高后果區(qū)判別方式需要綜合管道本身特性及周邊環(huán)境，輸油管道的判別方式僅依據(jù)其周邊的環(huán)境情況。綜合來說，管道的高后果區(qū)主要有三種：人口密集區(qū)域、對環(huán)境比較敏感區(qū)域以及基礎(chǔ)設(shè)施較密集區(qū)域。高后果區(qū)可以是其中一種或多種類型的組合[7]。

2.3 管道高后果區(qū)識(shí)別

在油氣管道高后果區(qū)識(shí)別過程中，通常采用緩沖區(qū)分析方法定位管道潛在影響半徑范圍內(nèi)的敏感區(qū)域，該方法需沿著管道逐點(diǎn)搜索周邊區(qū)域。由于管道跨度范圍較大，周邊地物復(fù)雜，在油氣管道上逐點(diǎn)搜索周邊區(qū)域方法時(shí)間消耗較大，查找速度較慢。本方案為了快速查找到管道高后果區(qū)，在常規(guī)高后果區(qū)識(shí)別流程的基礎(chǔ)上做出改進(jìn)，主要包括4個(gè)步驟，如圖4所示。

圖4 高后果區(qū)識(shí)別流程

步驟1：利用數(shù)據(jù)庫的存儲(chǔ)優(yōu)勢，可將管道信息、管道周邊環(huán)境信息、高后果區(qū)信息存入數(shù)據(jù)庫中。

步驟2：第一次識(shí)別管道高后果區(qū)時(shí)，綜合利用建筑目標(biāo)檢測模塊檢測到的建筑信息，采取緩沖區(qū)分析方法識(shí)別高后果區(qū)，并將高后果區(qū)內(nèi)潛在敏感地物信息保存在數(shù)據(jù)庫中，除此以外，還可手動(dòng)標(biāo)記添加敏感地物信息到數(shù)據(jù)庫中。

步驟3：后續(xù)進(jìn)行管道高后果區(qū)識(shí)別時(shí)，可直接根據(jù)管道信息和潛在敏感地物信息標(biāo)記高后果區(qū)，并對數(shù)據(jù)庫進(jìn)行更新。

步驟4：將高后果區(qū)標(biāo)記顯示在地圖中，并導(dǎo)出該管線的高后果區(qū)臺(tái)賬。

由于管道周邊敏感地物個(gè)數(shù)通常遠(yuǎn)少于管道上節(jié)點(diǎn)個(gè)數(shù)，對敏感地物進(jìn)行緩沖區(qū)分析的時(shí)間復(fù)雜度總體上遠(yuǎn)小于在管道上逐點(diǎn)進(jìn)行緩沖區(qū)分析的時(shí)間復(fù)雜度。同時(shí)，對于有多條管道的油田，由于數(shù)據(jù)庫中高后果區(qū)信息可以復(fù)用，使用該方案的優(yōu)勢更顯而易見。

3 建筑目標(biāo)檢測

3.1 遙感圖像目標(biāo)檢測方法

遙感圖像目標(biāo)檢測是目標(biāo)檢測的重要組成部分,通常需要處理大規(guī)模高分辨遙感圖像,來檢測植被、道路、房屋、船艦等對象。傳統(tǒng)的目標(biāo)檢測方法主要流程有：目標(biāo)候選區(qū)域選擇、目標(biāo)特征提取、目標(biāo)分類，其中常用的特征算子有SIFT、HOG、BoW以及Harr特征等。但傳統(tǒng)的圖像特征描述算子有著特定的應(yīng)用范圍及局限性，如Harr特征主要應(yīng)用于人臉檢測領(lǐng)域，而不適于其它一般目標(biāo)檢測。近年來，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的系列方法在圖像領(lǐng)域發(fā)展迅猛，目標(biāo)檢測、圖像分割等圖像相關(guān)任務(wù)都與CNN密不可分。

在CNN系列網(wǎng)絡(luò)中，網(wǎng)絡(luò)深度與檢測效果密切相關(guān)。一般而言，疊加網(wǎng)絡(luò)的深度可以有效豐富目標(biāo)特征的層次，但學(xué)習(xí)更深的網(wǎng)絡(luò)容易引發(fā)梯度消失或梯度退化問題。ResNet[8]的提出解決了深度學(xué)習(xí)網(wǎng)絡(luò)系統(tǒng)的退化問題，可降低深度網(wǎng)絡(luò)模型訓(xùn)練錯(cuò)誤率，并在近年來的ILSVRC分類大賽中取得了很好的成績。對于油氣管線周邊建筑目標(biāo)，如果能檢測、定位管線周邊的敏感建筑，將對管線高后果區(qū)識(shí)別，管線的安全運(yùn)營有重要意義。本節(jié)將借助ResNet網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)檢測問題，ResNet結(jié)構(gòu)主要計(jì)算單元如圖5所示。

圖5 ResNet計(jì)算單元

圖6為普通全連接網(wǎng)絡(luò)主要計(jì)算單元，與之相比，ResNet網(wǎng)絡(luò)結(jié)構(gòu)中出現(xiàn)了跨層連接。ResNet網(wǎng)絡(luò)中會(huì)跳過兩層或三層作為下一級(jí)輸入，而普通全連接網(wǎng)絡(luò)每層間直接卷積并作為下一層的輸入。

圖6 普通卷積網(wǎng)絡(luò)計(jì)算單元

ResNet計(jì)算單元中，x為輸入，F(xiàn)(x)為普通卷積單元部分輸出，x在跨層連接單元中需經(jīng)過適當(dāng)采樣以保證和F(x)尺度相同。每個(gè)ResNet計(jì)算單元輸出計(jì)為H(x)=F(x)+x，網(wǎng)絡(luò)訓(xùn)練的目標(biāo)是得到F(x)，即H(x)-x，由此得名殘差網(wǎng)絡(luò)。

ResNet網(wǎng)絡(luò)結(jié)構(gòu)具有以下特點(diǎn)：

1)跨層連接中可以增加降采樣濾波器，即保證與F(x)尺度相同。

2)網(wǎng)絡(luò)深層都有機(jī)會(huì)與前面的疊加層直接相連，最壞可退化為層數(shù)較少的網(wǎng)絡(luò)。

3)ResNet中“短路”連接使得更深層數(shù)的ResNet網(wǎng)絡(luò)結(jié)構(gòu)的學(xué)習(xí)能力至少不會(huì)弱于較少層數(shù)全連接網(wǎng)絡(luò)。

3.2 基于ResNet101的FatsterRCNN目標(biāo)檢測

由于引入殘差計(jì)算單元可以降低深層網(wǎng)絡(luò)的復(fù)雜度[9]，ResNet網(wǎng)絡(luò)在圖像檢測、分類任務(wù)中可以使用更深的網(wǎng)絡(luò)提升效果，根據(jù)堆疊的殘差計(jì)算單元層數(shù)不同，常用結(jié)構(gòu)形式有ResNet-34，ResNet-50，ResNet-101，ResNet152。本節(jié)以ResNet-101網(wǎng)絡(luò)實(shí)現(xiàn)特征提取，結(jié)合Fatster R-CNN實(shí)現(xiàn)建筑目標(biāo)檢測。

ResNet網(wǎng)絡(luò)可分為5部分，如圖7中紅色部分所示，ResNet-101表示其具有101層卷積或全連接層，其中conv1中輸入為7×7×64的卷積，然后在conv2、conv3、conv4、conv5中累計(jì)經(jīng)過33個(gè)building block，最后通過全連接層(fc)用于分類輸出。

基于ResNet101的FasterRCNN結(jié)構(gòu)圖如圖7所示，在ResNet-101輸出判決結(jié)果前，引入FasterRCNN網(wǎng)絡(luò)。通過共享ResNet網(wǎng)絡(luò)輸出的特征，如圖7中conv4輸出的特征圖已經(jīng)較接近檢測結(jié)果，再結(jié)合RPN利用反向傳播算法并結(jié)合隨機(jī)梯度下降進(jìn)行端到端訓(xùn)練，實(shí)現(xiàn)在特征圖中產(chǎn)生候選預(yù)測區(qū)域，輸出特征圖與輸入圖片尺度相同；Rol pooling層負(fù)責(zé)將RPN層或conv4中輸出的候選區(qū)域映射產(chǎn)生固定大小的特征圖，實(shí)現(xiàn)對目標(biāo)的進(jìn)一步篩選。

圖7 基于ResNet-101的FasterRCNN結(jié)構(gòu)圖

通過在ResNet-101網(wǎng)絡(luò)中引入FasterRCNN結(jié)構(gòu)，將conv4輸出的候選特征再次篩選，提升了檢測精度，同時(shí)在較低層網(wǎng)絡(luò)中添加一層檢測網(wǎng)絡(luò)也在一定程度上減少了小目標(biāo)特征的衰弱。

4 試驗(yàn)結(jié)果分析

4.1 管道概況

試驗(yàn)研究對象為某輸氣管道，全長約160 km。該管線西高東低，途經(jīng)戈壁荒漠、綠洲、隧道等。該管線所經(jīng)過的區(qū)域地形多變，溝壑交錯(cuò)，河流眾多，管道從西到東穿越六河十一路，共計(jì)約3 km，管線路由如圖8所示。

圖8 管線路由

4.2 建筑目標(biāo)檢測

數(shù)據(jù)集準(zhǔn)備：試驗(yàn)訓(xùn)練數(shù)據(jù)集為WHUBuildingDataset-SatelliteDatasetII，該數(shù)據(jù)集包含東亞地區(qū)860 km2衛(wèi)星圖像，地面分辨率為0.45 m，包含17 388張512×512圖片，目標(biāo)類別只有建筑，包含34 085棟建筑，該數(shù)據(jù)集主要用于研究深度學(xué)習(xí)方法在遙感圖像建筑目標(biāo)領(lǐng)域的應(yīng)用。從中選取的圖片借助LabelImg軟件進(jìn)行標(biāo)記后作為訓(xùn)練集，目標(biāo)標(biāo)簽為(n,x_min,y_min,x_max,y_max)，其中n為目標(biāo)類別，此處類別只有一種，故可全標(biāo)記為0，(x_min,y_min)為標(biāo)記的建筑目標(biāo)框左上角坐標(biāo)，(x_max,y_max)為目標(biāo)框右下角坐標(biāo)。標(biāo)記建筑分布類型見表2，包含城區(qū)建筑、野外建筑和路網(wǎng)建筑三種。由于本次研究的管道沿線中野外建筑分布較廣，3種子類場景按3：14：3選取，標(biāo)記數(shù)據(jù)集的80%用于訓(xùn)練，20%用于測試。

依據(jù)ResNet網(wǎng)絡(luò)結(jié)構(gòu)要求，需先將輸入圖片的大小縮放至224×224并更新標(biāo)簽位置信息，在conv1到conv5每層ResBlock中輸出featuremap尺寸依次減半，輸出尺寸分別為112×112、56×56、28×28、14×14、7×7；與此同時(shí)，每層輸出featuremap的通道數(shù)量隨卷積核個(gè)數(shù)增長。引入的RPN和RoIPooling結(jié)構(gòu)不改變輸入尺寸大小，在conv5層輸出后由fc1判決，標(biāo)記的對象是否為建筑目標(biāo)。

針對管道沿線地區(qū)，提取管道周邊遙感圖像信息，輸入到訓(xùn)練好的建筑目標(biāo)檢測模型中，可查找到管道周邊建筑的位置信息，目標(biāo)檢測準(zhǔn)確率使用檢測出的矩形框與源目標(biāo)外接矩形框的交占比計(jì)算。檢測效果如表2及圖9所示。

表2 基于遙感圖像的建筑物檢測結(jié)果

圖9 建筑目標(biāo)檢測效果

圖9左側(cè)為輸入待檢測圖片，右側(cè)中紅色矩形框?yàn)椴檎业降慕ㄖ繕?biāo)，對于測試圖片中四周信息不夠充足的建筑目標(biāo)，檢測過程中會(huì)被丟失。

4.3 高后果區(qū)識(shí)別

首先利用GIS引擎，加載在線/本地地圖，從數(shù)據(jù)庫中獲取管線位置信息及高后果臺(tái)賬信息，并將其繪制在底圖上。其次根據(jù)高后果區(qū)識(shí)別規(guī)則，從管線起始位置檢測建筑目標(biāo)并進(jìn)行緩沖區(qū)分析，直至管線終點(diǎn)，對于人工標(biāo)記的地區(qū)等特定地區(qū)，將增強(qiáng)目標(biāo)檢測效果，降低關(guān)注目標(biāo)的漏檢率。最終綜合分析管線周邊檢測到的建筑及管道信息，識(shí)別管道的高后果區(qū)域，并將其高亮顯示。識(shí)別結(jié)果如圖10所示。

圖10 高后果區(qū)識(shí)別結(jié)果

在本次研究的輸氣管線中，共識(shí)別出四處高后果區(qū)見表3。試驗(yàn)結(jié)果表明，由于第1、2號(hào)位置附近存在三級(jí)地區(qū)，第3、4號(hào)位置附近存在特定場所，故被識(shí)別并標(biāo)記為高后果區(qū)。圖10所示高后果區(qū)影響區(qū)域?yàn)闄z查站，查看該區(qū)域內(nèi)某點(diǎn)信息如圖11所示，可知該區(qū)域潛在影響半徑內(nèi)存在檢查站。

圖11 高后果區(qū)某點(diǎn)屬性信息

針對以上高后果區(qū)，可針對具體風(fēng)險(xiǎn)來源采取不同的解決方案，上級(jí)部門應(yīng)該加強(qiáng)對相關(guān)管段的巡檢力度并提高排查頻次。同時(shí)，應(yīng)主動(dòng)與相關(guān)單位協(xié)調(diào)，加強(qiáng)管道保護(hù)宣傳，提高周邊單位和群眾參與管道安全維護(hù)的積極性[10-15]。

5 結(jié) 論

本文針對油氣管道高后果區(qū)識(shí)別需求，提出了基于GIS的管道高后果區(qū)識(shí)別方案并實(shí)施，突出了現(xiàn)代GIS引擎和深度學(xué)習(xí)網(wǎng)絡(luò)在處理實(shí)際問題的優(yōu)越性，為管道建設(shè)與運(yùn)營提供了一種現(xiàn)代化、智能化的管理模式。同時(shí)，本文采用基于ResNet101的FasterRCNN網(wǎng)絡(luò)實(shí)現(xiàn)對建筑目標(biāo)檢測，可準(zhǔn)確快速檢測出管道周邊建筑環(huán)境，為高后果區(qū)識(shí)別提供參考，更能準(zhǔn)確、客觀、快速地反映高后果區(qū)狀況。