基于視覺AI的管道高后果區(qū)預(yù)警系統(tǒng)

周巍

中海廣東天然氣有限責任公司

0 引言

油氣管道作為中國能源輸送的大動脈，承擔著人們?nèi)粘Ｉ詈蜕鐣a(chǎn)的基礎(chǔ)能源供應(yīng)［1］。截至2020年底，中國國內(nèi)油氣長輸管道總里程累計達14.5×104km［2］，且呈大口徑、壓力高、距離長、網(wǎng)絡(luò)化的發(fā)展趨勢。隨著城市建設(shè)步伐加快，管道高后果區(qū)的數(shù)量急劇增加，加大了管道事故風險率。高后果區(qū)是指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，其危害后果可歸納為人員傷亡、環(huán)境污染和設(shè)施破壞三大類，依據(jù)以上三類可將事故后果形式分為人口密集型、環(huán)境破壞型和重要設(shè)施型［3］。依據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》進行了識別項細分，包括人口密集型3項、環(huán)境敏感型2項及重要設(shè)施型1項。

目前，中國對高后果區(qū)的研究大多專注于管理辦法和判別方法的研究，盡管能有效提高高后果區(qū)的管理水平，但不能起到提前預(yù)測災(zāi)害并防止災(zāi)害發(fā)生的作用。因此，基于國內(nèi)先進的AI智能技術(shù)及5G通信技術(shù)，結(jié)合紅外熱源探測技術(shù)、物聯(lián)網(wǎng)傳感技術(shù)等，提出一種高后果區(qū)預(yù)警與監(jiān)管系統(tǒng)，可有效預(yù)測災(zāi)害的降臨。

1 技術(shù)基礎(chǔ)

1.1 視覺AI技術(shù)

視覺AI技術(shù)又稱為機器視覺技術(shù)，該技術(shù)涉及人工智能、神經(jīng)生物學(xué)、計算機科學(xué)、圖像處理、模式識別等諸多領(lǐng)域。視覺AI主要用機器模擬人類視覺，從圖像或視頻中提取專業(yè)信息并進行加工處理，最終達到替代人類視覺的目的。隨著視覺 AI技術(shù)的發(fā)展，該技術(shù)在中國已廣泛應(yīng)用于電網(wǎng)、林業(yè)、環(huán)保、國家邊海防、智慧城市等諸多領(lǐng)域。

1.2 紅外熱源探測技術(shù)

紅外熱源探測技術(shù)起步于20世紀70年代。自然界中凡是溫度超過絕對 0 ℃的物體都能產(chǎn)生熱輻射，不同物體或同一物體不同部位熱輻射能力不同。紅外熱源探測技術(shù)利用物體與背景環(huán)境的輻射差異以及景物本身各部分輻射的差異，通過接收物體發(fā)射的紅外熱輻射，將被測目標物體表面的紅外輻射轉(zhuǎn)變成可視化的“熱圖像”，熱圖像能夠呈現(xiàn)景物各部分的輻射起伏，從而顯示出景物的熱能分布狀態(tài)。

1.3 物聯(lián)網(wǎng)傳感技術(shù)

物聯(lián)網(wǎng)即“物物相連”的互聯(lián)網(wǎng)，其本質(zhì)仍是互聯(lián)網(wǎng)的一種。物聯(lián)網(wǎng)是指把任何物體與互聯(lián)網(wǎng)連接起來，進行信息交換和通訊，以實現(xiàn)智能化識別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)。本文提及的傳感器包括擴音器、可燃氣體檢測儀、拾音器及高清攝像機，這幾類傳感器均與邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)相連接并采用5G通信實現(xiàn)入網(wǎng)，進行數(shù)據(jù)交互［4］。

2 高后果區(qū)預(yù)警系統(tǒng)設(shè)計

2.1 預(yù)警系統(tǒng)架構(gòu)設(shè)計

高后果區(qū)預(yù)警系統(tǒng)主要由后端監(jiān)控中心軟件系統(tǒng)和前端監(jiān)測站構(gòu)成。在后端監(jiān)控中心，當用戶導(dǎo)入3D GIS（三維地理信息系統(tǒng)）數(shù)據(jù)及管網(wǎng)信息數(shù)據(jù)后，系統(tǒng)可自動標注出管網(wǎng)高后果區(qū)，并根據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》自動對高后果區(qū)域進行層級劃分，管網(wǎng)用戶可依據(jù)劃分結(jié)果確定前端監(jiān)測站的安裝位置。

前端監(jiān)測站主要由邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)、基礎(chǔ)立桿系統(tǒng)、光伏供電系統(tǒng)、物聯(lián)網(wǎng)傳感器系統(tǒng)組成，其中物聯(lián)網(wǎng)傳感器系統(tǒng)又包含了高清可視化傳感器、環(huán)境異常熱源探測器、可燃氣體檢測傳感器、語音對講傳感器等，構(gòu)成了可視、可聽、可言的立體化智能監(jiān)測站［5］，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)

2.2 5G通信系統(tǒng)

隨著城市5G基站的全面覆蓋，5G正逐步取代4G通信成為主流通信模式，且5G通信支持向下兼容，當 5G通信鏈路斷開后，通信模式可自動切換至4G或者更低級的通信模式?；?G通信的優(yōu)點，選用 5G通信作為前端監(jiān)測站與后端監(jiān)控中心數(shù)據(jù)交互的橋梁。

2.3 AI識別模型

2.3.1 AI識別模型部署

隨著視覺 AI技術(shù)及物聯(lián)網(wǎng)傳感技術(shù)的融合發(fā)展，AI識別模型從部署模式上主要分為兩類：

一類是將AI識別模型部署于后端監(jiān)控中心。該方案的優(yōu)點在于后端監(jiān)控中心硬件資源方便擴容，模型所需硬件資源容易滿足；但隨著數(shù)據(jù)源的數(shù)量增長或者系統(tǒng)長時間運行，AI識別模型所用硬件資源將消耗殆盡，故采用消耗硬件資源來提高AI計算能力的方法適用性較弱。

另一類則是將AI識別模型部署于前端監(jiān)測站，其核心思想是將計算節(jié)點邊緣化，優(yōu)點是將計算節(jié)點分布式部署，減輕監(jiān)控中心的計算壓力。該方案提出伊始，以CPU（中央處理器）為核心的物聯(lián)網(wǎng)終端設(shè)備尚無法支撐AI分析模型的運作，其主要問題在于芯片的計算能力不足，導(dǎo)致AI識別模型的計算速度較慢，不具有實用價值。但隨著技術(shù)的發(fā)展，具備更高算力的NPU（嵌入式神經(jīng)網(wǎng)絡(luò)處理器）芯片（如華為海思芯片算力可達8.0 TOPS；1 TOPS代表處理器每秒鐘可進行 8×1012次操作）的出現(xiàn)為AI識別模型提供了良好的硬件環(huán)境［6-7］。

邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)的 AI計算平臺采用瑞芯微RK3399芯片，其計算能力可達3.0 TOPS，若接入1臺1 080 P高清視頻設(shè)備時，視覺AI處理響應(yīng)時間可低至20 ms以內(nèi)；若同時接入8臺1 080 P高清視頻設(shè)備，視覺AI處理響應(yīng)時間可低至800 ms以內(nèi)。

2.3.2 AI識別模型邏輯架構(gòu)

油氣管道高后果區(qū)的主要威脅源有油氣泄漏、違規(guī)挖掘、違法施工、非法開采以及大型機械作業(yè)等。本文將高后果區(qū)油氣管道周圍人員、挖掘機、地勘機、定向鉆機、重型卡車等作為識別分析重點。同時，搭載可實時識別油氣管道周圍異常熱源的熱源探測儀，避免因油氣泄漏發(fā)生火災(zāi)。［8-10］。

識別模型分為硬件支持層、業(yè)務(wù)數(shù)據(jù)層、AI模塊層和數(shù)據(jù)輸出層（見圖2）。

圖2 識別模型

硬件支持層主要由 AI處理器、AI加速器和數(shù)據(jù)采集器組成，其中AI處理器和AI加速器為視覺AI識別模型提供了基礎(chǔ)運行環(huán)境；數(shù)據(jù)采集器主要包含高清可視化傳感器、環(huán)境異常熱源探測器、可燃氣體檢測傳感器、語音對講傳感器等物聯(lián)網(wǎng)傳感器，該類傳感器為高后果區(qū)安全監(jiān)測提供了基礎(chǔ)數(shù)據(jù)來源。

業(yè)務(wù)數(shù)據(jù)層主要由基礎(chǔ)特征庫和專業(yè)數(shù)據(jù)庫構(gòu)成，基礎(chǔ)特征庫主要用于存儲高后果區(qū)的基礎(chǔ)管理數(shù)據(jù)；專業(yè)數(shù)據(jù)庫主要用于存儲AI訓(xùn)練所用的數(shù)據(jù)模型和大量的特征庫［11-12］，該類數(shù)據(jù)主要為后期機器自動學(xué)習提供基礎(chǔ)數(shù)據(jù)源，提高威脅源識別準確率。AI自主訓(xùn)練的業(yè)務(wù)邏輯如圖3所示。

圖3 AI自主訓(xùn)練業(yè)務(wù)邏輯

AI模塊層主要由熱源探測模塊、定向鉆機識別模塊、大型車輛識別模塊、挖掘機識別模塊、地勘機識別模塊和人員識別模塊組成。熱源探測模塊的數(shù)據(jù)源主要由環(huán)境異常熱源探測器提供，該探測器主要采用業(yè)界主流的紅外熱源探測儀，可探測出環(huán)境內(nèi)所有物體的溫度。定向鉆機識別模塊、大型車輛識別模塊、挖掘機識別模塊、地勘機識別模塊及人員識別模塊的數(shù)據(jù)源主要由高清可視化傳感器提供，AI識別模型可在視頻或圖像數(shù)據(jù)中識別出威脅目標。AI模塊層中的各識別模塊均相互獨立，互不影響，識別結(jié)果由邊緣物聯(lián)網(wǎng)網(wǎng)關(guān)中DBUS模塊統(tǒng)一協(xié)調(diào)處理。DBUS模塊綜合底層各模塊的信息以及人機交互信息，將數(shù)據(jù)反饋到數(shù)據(jù)輸出層［13］。

3 預(yù)警系統(tǒng)應(yīng)用及結(jié)果分析

3.1 預(yù)警系統(tǒng)AI識別過程

視覺AI主要識別流程如下：

（1）系統(tǒng)開機啟動，完成自檢并啟動實時偵測；

（2）AI識別模塊迅速進入工作狀態(tài)，協(xié)調(diào)運算資源，做好運算準備；

（3）高清可視化傳感器實時采集視頻、圖像數(shù)據(jù)，并交付至AI識別模塊（其中AI識別模塊含挖掘機、重型卡車、地勘機、定向鉆機、行人智能分析模塊）；

（4）啟動機器學(xué)習算法對目標進行分析，并將分析結(jié)果上傳至DBUS模塊；

（5）當發(fā)現(xiàn)威脅源時，AI識別模塊啟用熱源探測功能，迅速巡視油氣管道周圍是否存在異常熱源，并實時監(jiān)測高后果區(qū)可燃氣體濃度，將結(jié)果上傳至后端監(jiān)控中心；

（6）系統(tǒng)啟動機器自動學(xué)習功能，自動優(yōu)化及更新 AI識別模塊［14-15］。

AI識別過程邏輯詳見圖4。

圖4 AI識別過程邏輯

3.2 應(yīng)用結(jié)果分析

目前該預(yù)警系統(tǒng)已成功應(yīng)用于燃氣管道高后果區(qū)的安全監(jiān)控，共計部署60多個高后果區(qū)前端站，預(yù)警次數(shù)達1 000次以上。以單個監(jiān)控站點為例，2020年10月至2021年7月的預(yù)警數(shù)據(jù)統(tǒng)計見表1。

表1 AI預(yù)警統(tǒng)計表

已部署應(yīng)用的預(yù)警系統(tǒng)有效避免了 19次違規(guī)施工給燃氣管道帶來的威脅；避免了11次因人類異常活動給燃氣管道運行帶來的可能后果。因此，基于視覺 AI的管道高后果區(qū)預(yù)警系統(tǒng)在油氣管道高后果區(qū)的安全監(jiān)控上具有較好的實際應(yīng)用價值［16］。

4 結(jié)束語

本文提及的預(yù)警監(jiān)測系統(tǒng)應(yīng)用于油氣管道高后果區(qū)安全監(jiān)控管理，能對第三方人為破壞、燃氣泄漏等異常狀況進行準確的監(jiān)測預(yù)警，能及時監(jiān)測、響應(yīng)、處置各種威脅源，有效提升高后果區(qū)的安全管理能力，具備一定的推廣價值。