基于视觉AI的管道高后果区预警系统

2022-05-06周巍

油气与新能源 2022年2期

周巍

中海广东天然气有限责任公司

0 引言

油气管道作为中国能源输送的大动脉，承担着人们日常生活和社会生产的基础能源供应［1］。截至2020年底，中国国内油气长输管道总里程累计达14.5×104km［2］，且呈大口径、压力高、距离长、网络化的发展趋势。随着城市建设步伐加快，管道高后果区的数量急剧增加，加大了管道事故风险率。高后果区是指管道泄漏后可能对公众和环境造成较大不良影响的区域，其危害后果可归纳为人员伤亡、环境污染和设施破坏三大类，依据以上三类可将事故后果形式分为人口密集型、环境破坏型和重要设施型［3］。依据GB 32167—2015《油气输送管道完整性管理规范》进行了识别项细分，包括人口密集型3项、环境敏感型2项及重要设施型1项。

目前，中国对高后果区的研究大多专注于管理办法和判别方法的研究，尽管能有效提高高后果区的管理水平，但不能起到提前预测灾害并防止灾害发生的作用。因此，基于国内先进的AI智能技术及5G通信技术，结合红外热源探测技术、物联网传感技术等，提出一种高后果区预警与监管系统，可有效预测灾害的降临。

1 技术基础

1.1 视觉AI技术

视觉AI技术又称为机器视觉技术，该技术涉及人工智能、神经生物学、计算机科学、图像处理、模式识别等诸多领域。视觉AI主要用机器模拟人类视觉，从图像或视频中提取专业信息并进行加工处理，最终达到替代人类视觉的目的。随着视觉 AI技术的发展，该技术在中国已广泛应用于电网、林业、环保、国家边海防、智慧城市等诸多领域。

1.2 红外热源探测技术

红外热源探测技术起步于20世纪70年代。自然界中凡是温度超过绝对 0 ℃的物体都能产生热辐射，不同物体或同一物体不同部位热辐射能力不同。红外热源探测技术利用物体与背景环境的辐射差异以及景物本身各部分辐射的差异，通过接收物体发射的红外热辐射，将被测目标物体表面的红外辐射转变成可视化的“热图像”，热图像能够呈现景物各部分的辐射起伏，从而显示出景物的热能分布状态。

1.3 物联网传感技术

物联网即“物物相连”的互联网，其本质仍是互联网的一种。物联网是指把任何物体与互联网连接起来，进行信息交换和通讯，以实现智能化识别、定位、跟踪、监控和管理的一种网络。本文提及的传感器包括扩音器、可燃气体检测仪、拾音器及高清摄像机，这几类传感器均与边缘物联网网关相连接并采用5G通信实现入网，进行数据交互［4］。

2 高后果区预警系统设计

2.1 预警系统架构设计

高后果区预警系统主要由后端监控中心软件系统和前端监测站构成。在后端监控中心，当用户导入3D GIS（三维地理信息系统）数据及管网信息数据后，系统可自动标注出管网高后果区，并根据GB 32167—2015《油气输送管道完整性管理规范》自动对高后果区域进行层级划分，管网用户可依据划分结果确定前端监测站的安装位置。

前端监测站主要由边缘物联网网关、基础立杆系统、光伏供电系统、物联网传感器系统组成，其中物联网传感器系统又包含了高清可视化传感器、环境异常热源探测器、可燃气体检测传感器、语音对讲传感器等，构成了可视、可听、可言的立体化智能监测站［5］，系统结构如图1所示。

图1 系统结构

2.2 5G通信系统

随着城市5G基站的全面覆盖，5G正逐步取代4G通信成为主流通信模式，且5G通信支持向下兼容，当 5G通信链路断开后，通信模式可自动切换至4G或者更低级的通信模式。基于5G通信的优点，选用 5G通信作为前端监测站与后端监控中心数据交互的桥梁。

2.3 AI识别模型

2.3.1 AI识别模型部署

随着视觉 AI技术及物联网传感技术的融合发展，AI识别模型从部署模式上主要分为两类：

一类是将AI识别模型部署于后端监控中心。该方案的优点在于后端监控中心硬件资源方便扩容，模型所需硬件资源容易满足；但随着数据源的数量增长或者系统长时间运行，AI识别模型所用硬件资源将消耗殆尽，故采用消耗硬件资源来提高AI计算能力的方法适用性较弱。

另一类则是将AI识别模型部署于前端监测站，其核心思想是将计算节点边缘化，优点是将计算节点分布式部署，减轻监控中心的计算压力。该方案提出伊始，以CPU（中央处理器）为核心的物联网终端设备尚无法支撑AI分析模型的运作，其主要问题在于芯片的计算能力不足，导致AI识别模型的计算速度较慢，不具有实用价值。但随着技术的发展，具备更高算力的NPU（嵌入式神经网络处理器）芯片（如华为海思芯片算力可达8.0 TOPS；1 TOPS代表处理器每秒钟可进行 8×1012次操作）的出现为AI识别模型提供了良好的硬件环境［6-7］。

边缘物联网网关的 AI计算平台采用瑞芯微RK3399芯片，其计算能力可达3.0 TOPS，若接入1台1 080 P高清视频设备时，视觉AI处理响应时间可低至20 ms以内；若同时接入8台1 080 P高清视频设备，视觉AI处理响应时间可低至800 ms以内。

2.3.2 AI识别模型逻辑架构

油气管道高后果区的主要威胁源有油气泄漏、违规挖掘、违法施工、非法开采以及大型机械作业等。本文将高后果区油气管道周围人员、挖掘机、地勘机、定向钻机、重型卡车等作为识别分析重点。同时，搭载可实时识别油气管道周围异常热源的热源探测仪，避免因油气泄漏发生火灾。［8-10］。

识别模型分为硬件支持层、业务数据层、AI模块层和数据输出层（见图2）。

图2 识别模型

硬件支持层主要由 AI处理器、AI加速器和数据采集器组成，其中AI处理器和AI加速器为视觉AI识别模型提供了基础运行环境；数据采集器主要包含高清可视化传感器、环境异常热源探测器、可燃气体检测传感器、语音对讲传感器等物联网传感器，该类传感器为高后果区安全监测提供了基础数据来源。

业务数据层主要由基础特征库和专业数据库构成，基础特征库主要用于存储高后果区的基础管理数据；专业数据库主要用于存储AI训练所用的数据模型和大量的特征库［11-12］，该类数据主要为后期机器自动学习提供基础数据源，提高威胁源识别准确率。AI自主训练的业务逻辑如图3所示。

图3 AI自主训练业务逻辑

AI模块层主要由热源探测模块、定向钻机识别模块、大型车辆识别模块、挖掘机识别模块、地勘机识别模块和人员识别模块组成。热源探测模块的数据源主要由环境异常热源探测器提供，该探测器主要采用业界主流的红外热源探测仪，可探测出环境内所有物体的温度。定向钻机识别模块、大型车辆识别模块、挖掘机识别模块、地勘机识别模块及人员识别模块的数据源主要由高清可视化传感器提供，AI识别模型可在视频或图像数据中识别出威胁目标。AI模块层中的各识别模块均相互独立，互不影响，识别结果由边缘物联网网关中DBUS模块统一协调处理。DBUS模块综合底层各模块的信息以及人机交互信息，将数据反馈到数据输出层［13］。