低滲透油氣區視頻智能分析技術研究

［摘" " 要］ 文章提出在不改變現有鄂爾多斯盆地低滲透油氣區視頻監控平臺架構情況下，利用視頻流整合、集存、切片、圖像優化、ResNet殘差網絡等當下主流AI技術，構建油田視頻大數據機器學習環境和智能分析后臺開發，形成按照不同事件、優先級自動識別分析，按類自動推送預警告警信息的智能管理系統優化方案，并進行現場試點驗證。該智能管理系統優化方案解決了油區現有視頻監控缺陷，油區視頻智能化識別分析準確率達到95%以上，監控無效告警消減率達到98%以上，實現了油田生產現場全流程可視化的智能化管控，降低了人工盯防勞作強度，監控效率得到顯著提升。

［關鍵詞］ 視頻整合；切片預處理；ResNet；Meta-learning；深度學習；大數據智能分析

doi ： 10 . 3969 / j . issn . 1673 - 0194. 2023. 03. 042

［中圖分類號］ TP315；F272.7" " ［文獻標識碼］" A" " " ［文章編號］" 1673 - 0194（2023）03- 0151- 04

０" " " 引" " 言

鄂爾多斯盆地低滲透油氣區遠離城鎮，工作區域分散，油氣井站分布在荒原大漠、梁峁溝壑、老少邊窮地區，點多、線長、面廣，交通不便，日常生產中，不同區域的視頻監控、監管成為日常生產運行管理的重要手段之一。

低滲透油氣區視頻監控平臺經歷了大規模建設、需求多元化及平臺整合三個階段，初步形成了中心站、廠部至公司生產指揮與應急管理系統集中監控的運行模式，目前視頻監控平臺管理油氣區視頻監控設備數量約３萬余臺。

但是，現有的視頻監控平臺存在碼流不統一、安全風險無法自動識別、無效告警數量多、重復告警頻繁等諸多問題。而且，隨著低滲透油氣區降本增效舉措落實，高質量效益發展理念的不斷深化，以及無人值守站、中心站建設的快速推進，作業區直至廠部“大監控”的新模式探索創新，對監控崗位要求更高，對監控質量要求更為嚴格，因此構建一套實用高效的視頻智能分析系統顯得尤為重要。

１" " " 視頻監控平臺存在問題分析

１．１" "視頻數據格式不統一

當前，監控平臺接入的視頻服務器的生產廠家主要有華信慧業、海康威視、浙江大華、上海冰智、先進視訊等。由于各廠商硬件設備均有其獨特的視頻采集方式，導致采集的視頻圖像碼流多、格式多，壓縮方式及解碼方式存在差異，視頻數據不規范、不統一。

１．２" "視頻圖像模糊

低滲透油氣區建產規模不斷擴大，連年滾動開發，部分早期建設井站視頻監控圖像分辨率低，視頻圖像不夠清晰，導致特殊天氣及夜間監控效果下降，部分重點監控區域安全隱患難以及時發現。

１．３" "人工分析效率低

油氣區現有視頻監控設備數量已增至３萬余臺，并隨著建產區域擴大而不斷增加。生產現場視頻監管依靠人工盯防識別普通人、勞保人員、小汽車、卡車、工程車、明火、煙霧、動物等目標，篩選異常信息并分類上報，工作強度極大，效率非常低。

１．４" "軟件智能化程度低

在用設備廠家均配有專用的視頻監控客戶端軟件，各客戶端軟件或多或少存在兼容性差，客戶端功能單一，不會進行自學習等問題，導致采集的視頻監控數據碎片化，利用率低，現場生產事件無法自動識別，安全風險無法及時智能預警。目前各項工作依賴人工巡檢，費時費力。

現有平臺告警預警信息存在誤報多、信息單一、無分類、無優先等級、重復數量多、無法按業務需求進行統計等缺點。據統計，某油氣區單個中心站每小時報警約１ ０００次，單個作業區每小時報警約５ ５００次，百萬噸采油單位廠全年視頻報警數量達２億余次，無效告警信息過多，有用信息被埋沒其中，無法及時發現并進行處理。

１．５" "缺少統一的智能化管理系統

在極為復雜的油氣現場生產條件下，生產現場存在各類風險信息需要加以管控，然而，在現有多個客戶端同時監控的條件下，ＡＩ診斷、全局連鎖互動、聯合分析、預警分類匹配篩查等機器取代人工的能力還不能滿足工作需要，因此急需開發一套智能化管理系統實現現場視頻的智能化監管。

２" " " 視頻流整合及智能分析對策

機器學習已在人工智能領域具有舉足輕重的地位，一套真正的智能化系統，必須具備學習能力。機器學習是讓機器從外界輸入的大量的數據中學習到規律，從而進行特征識別。機器學習包含了淺層和深度兩個學習階段，深度學習是對人腦或生物神經網絡基本特征進行抽象和建模，并給予與生物類似的交互方式，使之自外界環境中得到學習。神經網絡是智能學科的重要部分，為解決復雜問題和智能控制提供了有效的途徑［１］。２００６年，機器學習領域的領軍人物 Ｈｉｎｔｏｎ和他的學生 Ｓａｌａｋｈｕｔｄｉｎｏｖ在著名學術刊物《科學》上發表的文章中提出了深度網絡和深度學習概念，開啟了深度學習的研究熱潮［２］。本文通過對機器學習、智能分析相關技術研究，結合低滲透油田視頻監控現狀，研發構建了視頻智能分析系統，將人工智能技術引進油田生產領域，依靠智能化視頻監控分析手段提高視頻分析效率，降低生產成本，實現油田生產場站的智能化管理。

近年來，按照油田智能化發展頂層設計與統一規劃，針對油田視頻監控運行體系現狀，結合所屬二級單位生產運行實際，系統研究人員提出運用目前主流視頻智能ＡＩ技術，通過視頻流整合、切片預處理，將視頻數據處理為圖像資源，以識別視頻幀中所需的對象和事件，構建大數據智能分析后臺，搭建深度學習分析環境，不斷訓練智能ＡＩ算法模型。隨著時間的推移，智能ＡＩ算法引擎會隨著訓練環境繼續自我學習，適應從視頻流中接收到的數據和變化，最終實現智能管理系統對人、車、物、行為及生產過程中的跑、冒、滴、漏等安全隱患進行智能主動判斷，從而解決油田生產監控體系所面臨的諸多難點問題。

２．１" "視頻流整合

視頻流整合主要是對油田內各視頻系統的視頻信號進行解碼并按標準格式編碼， 形成統一的視頻流， 實現一個平臺接入運行管理。運行管理功能包括視頻資源導航、實時監控、云鏡控制、錄像回放、截屏等。在視頻流整合過程中，對符合國標的視頻信號直接集成，不符合標準的通過視頻網關對信號進行解碼，再重新編碼，通過 ＳＤＫ 二次開發等方式形成統一的視頻流，為其他各類應用提供視頻信號源，達到實現視頻資源共享的目的。

通過對現有視頻采集設備的ＩＰＣ／ＮＶＲ接口研究，系統研究人員開發ＳＤＫ接口程序，統一數據格式規范，將標準的視頻數據統一部署到智能ＡＩ視頻服務器，利用其ＡＩ模型訓練的高性能、ＡＩ推理計算的高效能以及ＡＩ多場景適配的高可靠性［３］，為視頻的智能分析奠定基礎，同時保證現有監控體系架構不變，將智能分析結果通過終端進行推送，實現作業區、廠部、公司三級智能分析結果數據的匯總分級展示。

２．２" "切片預處理

在視頻 ＡＩ 分析及識別中，視頻幀在輸入算法處理前的質量直接影響后續高級圖像處理任務的精度和效果。而預處理則是通過數字圖像處理技術消除圖像中的干擾甚至無關信息，恢復、增強或者重建相關的有用信息，從而最大限度地提取特征顯著、魯棒、簡潔的信息。

對進入ＡＩ視頻服務器的視頻流進行５秒輪詢切圖分析，每次切圖２４０張，切圖傳入切片后臺進行處理。由于前端采集設備受設備、網絡、環境、光照等多種因素的影響，采集的視頻存在先天不足，造成許多切片無法滿足智能分析的需求，需要對切片進行融合、均衡、去霧、增強等算法處理，強化圖像識別目標，使識別分析目標的規則更容易提取［４］。

對于某些細節失真的切片，將２張或２張以上的圖像信息融合到１張圖像上，使得融合的圖像含有更多的信息，能夠更方便計算機處理。

通過均衡算法，對于某些強光直射采集的圖片，使亮度更好地在直方圖上分布，用于增強局部對比度而不影響整體對比度，增強圖片可識別性。

通過圖像去霧算法，消除霧、霾影響，使圖像特征更加清晰。

對于室外光照度不均勻［５］造成圖像灰度過于集中，前端攝像頭獲取圖像經過“數／模”轉換或線路傳輸時產生噪聲污染造成圖像質量低等問題，可應用圖像增強算法，使圖像質量得到加強，變得更好。

２．３" "視頻ＡＩ檢測

由于顏色信息的運動目標識別經常受到非均勻照明、相似顏色干擾、區分度低等多重因素的影響，且單一顏色特征不能很好地描述和識別運動目標。為此，就需要使用Ｐｙｔｏｒｃｈ框架構建深度學習算法，使用深度學習算法對預處理的圖片進行樣本特征提取［６］。

該算法采用５２層的ＲｅｓＮｅｔ殘差網絡［７－１２］進行特征提取，增強對細節信息的特征提取能力，并構造多尺度金字塔，在圖像金字塔的每一層提出不同特征進行相應的預測，使用ＦＣＮ子網進行分類和位置定位，采用反卷積層對最后一個卷基層的特征圖進行上采樣，使它恢復到輸入圖像相同的尺寸，從而對每一個像素都產生一個預測，同時保留原始輸入圖像中的空間信息，最后奇偶在上采樣特征圖中進行目標分類［１３］，實現對視頻中普通人、勞保人員、小汽車、卡車、工程車、明火、煙霧、動物等目標的檢測功能。

２．４" "智能分析后臺

在機器學習中，一般通過數據來對模型進行優化。數據可以分為訓練集、測試集、驗證集，并通過智能分類算法對樣本特征進行分類，優化元學習（Ｍｅｔａ－ｌｅａｒｎｉｎｇ）［１４－１５］算法模型。在元學習中，對訓練單位分層級，一層訓練單位是任務，元學習中要準備許多任務來進行學習；二層訓練單位是每個任務對應的數據，這樣訓練就得到樣本分類模型。通過重復上述技術方案手段，不斷對油田新增場景目標進行學習入庫，更新匹配模型，構建自學習型模型數據庫，為應用端的數據檢索和數據預測奠定基礎。

首先通過將算法檢測后的結果推送到后臺數據庫，建立普通人、勞保人員、卡車、小汽車、工程車、明火、煙霧、動物等的分類數據庫，通過ＥＴＬ工具對ＯＤＳ層數據［１４］進行抽取、轉換和處理工作，將數據規整化存儲。

然后將后臺數據和模型數據進行對比分析，篩選出目標物［１６］。通過對目標物圖像分割輪廓，使圖像的前景和后景（雨霧冰雪、山川、河流等自然環境）分離，根據物狀特性分析房屋、抽油機、儲罐等建筑物，根據顏色、特定模型對比分析人員是否穿戴勞保護具，根據特定模型、行動軌跡分析動物闖入，根據煙霧、顏色、火態特征分析是否有火情發生，根據顏色、反光度、位置信息等對比分析是否存在油污和發生泄漏。

最后按照分析結果的不同將事件類型智能分類為：生產事件、安全事件、常規事件，按照危險程度將事件級別智能分級為：一級（高危）、二級（低危）、三級（普通），最終實現告警信息的分類分級自動推送。

２．５" "智能管理系統

為保障在多客戶端監控條件下的多維度報警監控能做到ＡＩ準確針對、全局連鎖互動，需要建立一個完善的智能管理系統，將視頻的切片、建模、分析都在系統后端自動完成，員工通過智能管理系統實現對前端生產現場的管理。

該系統共設計了六項功能：告警警報、告警信息、ＧＩＳ地圖、視頻預覽、狀態監測及用戶設置。告警警報實現了油田生產現場異常監控圖像、視頻數據的自動檢測分析與分類推送。告警信息實現了告警信息時間、事件、等級多維度查詢、事件追溯。ＧＩＳ地圖實現了告警信息的地理位置定位與監控點的連鎖互動。視頻預覽實現了實時視頻查看、云臺控制、自動巡檢。狀態監測實現了設備運行狀態、通信情況的實時監測，對離線、通信異常設備及時發出預警。用戶設置實現了對前端采集點、用戶、權限、機構的增、改、刪設置管理功能。

３" " " 應用成果評價

切片預處理技術增強了原有視頻圖像清晰度，使圖像細節更容易被識別。深度學習網層的搭建，讓各類采樣特征圖，更容易進行目標分類。大數據后臺構建，提高機器自主學習能力，智能化識別能力不斷得到迭代升級。智能分析后臺建設，替代人工分析，預警報警信息分類明確，提高了監控效率，防范了安全事件的發生。智能管理系統開發，實現全局視頻統一監管，提高對異常信息的全面智能診斷、分析、預警、連鎖互動能力。

視頻ＡＩ技術在沒有圍墻的油區生產環境下得到逐步推廣應用，隨著時間的推移，ＡＩ模型也不斷強化，油區生產現場預警告警信息定位具體，所呈現的內容一目了然，信息聯動處理能力不斷提高。在作業區推行大監控模式后，預警告警信息由人工查找變為自動推送，智能化視頻預警分析平臺在承接繁重枯燥的監控任務的同時，促進了可視化監控崗位人員的精簡，按單個作業區精簡６人計算，油田范圍內可以盤活監控崗位用工５００余人，產生效益達到億元以上。在降低監控人員勞動強度的同時，也對油田的智能化建設與應用方向起到了示范作用。證實了視頻ＡＩ技術、大數據分析技術等前沿科技在油田可視化監控升級方面具有重要的技術引領作用，極大地推進人工監控向智能監控的模式轉變，為油田智能化建設積累了視頻分析相關ＡＩ識別算法、多維度數據分析算法等前沿科技應用經驗。

４" " " 總" " 結

ＡＩ視頻監控是油田生產現場無人值守的重要管理環節，隨著油田勘探開發、生產組織方式的不斷變化，視頻監管的智能化需求也在不斷升級，智能管理系統也將不斷升級完善。尤其是告警條數的過濾消減、告警內容的分類分級推送管理、油田復雜生產場景下機器學習技術的不斷迭代升級，機器診斷模型的精確化、高效化、智能化程度將進一步提升，所形成的更加復雜、更加強大的深度模型，將在深度挖潛大數據所承載信息領域，對未來和未知事件作更為精準的預測方面發揮重要作用。

隨著社會的不斷進步，各行各業智能化領域新技術不斷發展，智能化所面臨的難題、壁壘也將逐漸被攻破，視頻智能分析技術在未來的幾年一定會更加成熟，也將為企業安全生產管理帶來更大的便利。

主要參考文獻

［１］郭麗麗，丁世飛．深度學習研究進展［Ｊ］．計算機科學，２０１５，４２（５）：２８－３３．

［２］Ｈｉｎｔｏｎ Ｇ E，Ｓａｌａｋｈｕｔｄｉｎｏｖ Ｒ R． Ｒｅｄｕｃｉｎｇ ｔｈｅ Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｏｆ Ｄａｔａ ｗｉｔｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００６，３１３（５７８６）：５０４－５０７．

［３］李曉波．基于Ｈａｄｏｏｐ的海量視頻數據存儲及轉碼系統的研究與設計［Ｄ］．杭州：浙江工業大學，２０１３．

［４］曾標．復雜背景下視頻智能分析技術的研究及實現［Ｄ］．廣州：華南理工大學，２０１２．

［５］梁琳，何衛平，雷蕾，等．光照不均圖像增強方法綜述［Ｊ］．計算機應用研究，２０１０（５）：１６２５－１６２８．

［６］趙巍，毛士藝．一種像素級多傳感器圖像融合算法的研究［Ｊ］．電子與信息學報，２００３（８）：１００９－１０１３．

［７］郭雨薇．基于超像素表征和模糊特征學習的圖像分類與識別［Ｄ］．西安：西安電子科技大學，２０１７．

［８］Ｈｅ Ｋ，Ｚｈａｎｇ Ｘ，Ｒｅｎ Ｓ，ｅｔ ａｌ．Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［C］//2016.ＩＥＥＥ Coｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｔtｉｏｎ（ＣＶＰＲ），２０１６．

［９］李彥枝，陳昌紅，謝曉芳．基于改進卷積神經網絡的極光圖像分類算法研究［Ｊ］．南京郵電大學學報：自然科學版，２０１９，３９（６）：８６－９３．

［１０］趙志成，羅澤，王鵬彥，等．基于深度殘差網絡圖像分類算法研究綜述［Ｊ］．計算機系統應用，２０２０，２９（１）：１４-２１．

［１１］洪偉，李朝鋒．基于區域全卷積網絡結合殘差網絡的火焰檢測方法［Ｊ］．激光與光電子學進展，２０１８，５５（４）：１６８－１７３．

［１２］許先斌，胡婧，吳玉芹．基于神經網絡的視頻壓縮的ＦＰＧＡ實現［Ｊ］．計算機工程與設計，２００９（１３）：３０８２－３０８４，３１３２．

［１３］薛陳．復雜環境下視頻目標跟蹤技術的算法和應用研究［Ｄ］．長春：中國科學院研究生院長春光學精密機械與物理研究所，２０１０．

［１４］王琦煜．模板匹配技術在圖像識別中的應用［Ｊ］．科學家，２０１７，５（４）：９３－９４．

［１５］任義，遲翠容，單菁，等．基于元學習的推薦算法選擇優化框架實證［Ｊ］．計算機工程與設計，２０２０，４１（６）：１６１０－１６１６．

［１６］鄭欣悅．基于深度學習的少樣本圖像分類方法［Ｄ］．北京：中國科學院大學中國科學院國家空間科學中心，２０１９．

［作者簡介］李秋實（1973—" "），男，陜西西鄉人，高級工程師，博士后，主要研究方向：油氣勘探與開發、油田智能化建設、大數據應用及兩化融合。