1．引言

石油天然氣是重要的國(guó)家戰(zhàn)略資源，石油天然氣的長(zhǎng)距離輸送直接關(guān)系到國(guó)民經(jīng)濟(jì)發(fā)展和社會(huì)穩(wěn)定。目前，我國(guó)陸上已建成油氣輸送管道的總長(zhǎng)度已超過(guò)15萬(wàn)公里，然而當(dāng)前對(duì)油氣管道的安全管理問(wèn)題仍存在缺失。違法侵占管道用地、工機(jī)械挖掘、深根植物種植、打孔盜油、洪水侵蝕、山體滑坡、地面塌陷、泥石流等問(wèn)題嚴(yán)重威脅管道安全，管道管理安全形勢(shì)日趨嚴(yán)峻。為保證油氣管道安全正常工作，必須對(duì)油氣管道進(jìn)行定期巡檢。

傳統(tǒng)的管道巡檢方法以人工巡檢為主，但人工巡檢方式存在著巡檢人員主觀因素過(guò)多、巡檢效率較低、信息反映不及時(shí)、勞動(dòng)強(qiáng)度大、安全風(fēng)險(xiǎn)大、安全成本高等缺陷，也難以對(duì)高山、沙漠和沼澤等環(huán)境惡劣地區(qū)的管道進(jìn)行巡查，已遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)代化管道管理的需求。

解決上述問(wèn)題的方法就是利用無(wú)人機(jī)航空攝影測(cè)量進(jìn)行管道巡檢工作。即利用集成GPS定位系統(tǒng)的小型測(cè)繪無(wú)人機(jī)作為飛行平臺(tái)，搭載高清相機(jī)或光電吊艙，沿管道飛行實(shí)時(shí)傳輸影像信息或采集高清數(shù)碼照片，內(nèi)業(yè)實(shí)時(shí)監(jiān)測(cè)或進(jìn)行航片后處理，以實(shí)現(xiàn)對(duì)管線進(jìn)行巡檢的技術(shù)手段。現(xiàn)代無(wú)人機(jī)具有成像分辨率高、設(shè)備機(jī)動(dòng)性好、轉(zhuǎn)場(chǎng)作業(yè)靈活及便于緊急作業(yè)等優(yōu)點(diǎn)，不僅可以對(duì)管道進(jìn)行定期常規(guī)巡檢，而且能夠在突發(fā)情況后開(kāi)展應(yīng)急監(jiān)測(cè)，從而為管道的管理與維護(hù)提供有力的技術(shù)支持。

2.低空影像自動(dòng)識(shí)別技術(shù)

低空遙感影像自動(dòng)識(shí)別技術(shù)是基于無(wú)人機(jī)等低空飛行器獲取的影像資料，通過(guò)軟件自動(dòng)解譯，對(duì)航片中的特定地物按照預(yù)設(shè)的特征進(jìn)行自動(dòng)提取的專業(yè)化、智能化技術(shù)。

影像自動(dòng)識(shí)別技術(shù)目前已初步應(yīng)用在災(zāi)害動(dòng)態(tài)監(jiān)測(cè)、環(huán)境污染監(jiān)測(cè)以及城市規(guī)劃等方面，但其較多基于衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行識(shí)別分析，采用低空遙感影像數(shù)據(jù)的較少，如果直接用于油氣管道巡檢，尚存在針對(duì)性不強(qiáng)、缺少專用提取算法、缺少管道風(fēng)險(xiǎn)評(píng)估技術(shù)和機(jī)制、未能形成完整技術(shù)鏈等不足。因此，更加迫切需要利用人工智能和深度學(xué)習(xí)技術(shù)，研究從低空遙感影像中提取目標(biāo)地物的幾何形態(tài)、光譜信息、紋理特征、高程異常變化及粗糙指數(shù)、水分指數(shù)等其它特征參數(shù)進(jìn)行管線風(fēng)險(xiǎn)因素自動(dòng)識(shí)別和評(píng)估的技術(shù)體系，開(kāi)發(fā)一套專門用于油氣管道巡檢的低空遙感影像的管道風(fēng)險(xiǎn)因素自動(dòng)識(shí)別、分類提取技術(shù)，以提高管線巡檢的效率和可靠性。

3.基于油氣管道無(wú)人機(jī)巡檢的風(fēng)險(xiǎn)因素識(shí)別

3.1自動(dòng)識(shí)別關(guān)鍵技術(shù)

管道風(fēng)險(xiǎn)因素自動(dòng)識(shí)別其中涉及的幾項(xiàng)關(guān)鍵技術(shù)：無(wú)人機(jī)影像多尺度分割技術(shù)、無(wú)人機(jī)遙感特征提取技術(shù)和基于新型人工神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)影像分類技術(shù)等。

1）無(wú)人機(jī)影像多尺度分割技術(shù)

無(wú)人機(jī)影像多尺度分割技術(shù)是無(wú)人機(jī)遙感信息提取的前提與基礎(chǔ)。多尺度分割技術(shù)，可以結(jié)合不同地物的形狀、色彩、紋理等特征，建立與其對(duì)應(yīng)的分割準(zhǔn)則，基于對(duì)象內(nèi)部異質(zhì)性最小原則，在不同尺度下對(duì)不同地物進(jìn)行分割，分割后使得對(duì)象間的異質(zhì)性達(dá)到最大，以實(shí)現(xiàn)不同地物的最優(yōu)分割。相對(duì)于單一尺度分割，多尺度分割可以改善地物的分割精度，提高高分辨率遙感影像的應(yīng)用水平。多尺度分割的關(guān)鍵是參數(shù)的選擇，分割過(guò)程中的主要參數(shù)有分割尺度、波段權(quán)重、均質(zhì)性因子3類。

2）無(wú)人機(jī)遙感特征提取技術(shù)

無(wú)人機(jī)影像特征識(shí)別技術(shù)是的無(wú)人機(jī)遙感信息提取的關(guān)鍵。為了能夠很好地完成施工場(chǎng)地的提取工作，需要綜合運(yùn)用其無(wú)人機(jī)影像的光譜特征、紋理特征及形狀特征，常用的光譜特征有各波段的均值、比值、影像對(duì)象的亮度及影像對(duì)象的最大差分等；常用的紋理特征包括角二階矩、均值、均質(zhì)性、標(biāo)準(zhǔn)差及相關(guān)性等；常用的形狀特征包括面積、邊界長(zhǎng)度、長(zhǎng)、寬及長(zhǎng)寬比等。

3）基于新型人工神經(jīng)網(wǎng)絡(luò)的無(wú)人機(jī)影像分類技術(shù)

新型人工神經(jīng)網(wǎng)絡(luò)——卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)是無(wú)人機(jī)影像分類的重點(diǎn)。它是一個(gè)為識(shí)別二維形狀而特殊設(shè)計(jì)的類多層感知器(Multilayer perceptron, MLP)，是一個(gè)多層結(jié)構(gòu)學(xué)習(xí)算法，通過(guò)分析空間相對(duì)關(guān)系的方法來(lái)減少參數(shù)數(shù)目，從而提高訓(xùn)練性能。卷積神經(jīng)網(wǎng)絡(luò)為多層的神經(jīng)網(wǎng)絡(luò)，每層網(wǎng)絡(luò)由多個(gè)二維平面組成，每個(gè)二維平面由多個(gè)獨(dú)立神經(jīng)元組成，網(wǎng)絡(luò)的最基本構(gòu)成為單個(gè)神經(jīng)元。卷積神經(jīng)網(wǎng)絡(luò)的算法中，其訓(xùn)練過(guò)程最為重要。通過(guò)構(gòu)建大量訓(xùn)練樣本，能夠有效完成卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建，保證影像分類識(shí)別的準(zhǔn)確性和可靠性。

3.2自動(dòng)識(shí)別要素分類

在油氣管道的眾多破壞因素中，項(xiàng)目施工出現(xiàn)的頻率最高，帶來(lái)的破壞性極強(qiáng)，成為油氣管道巡檢的重點(diǎn)。施工場(chǎng)地具備的穩(wěn)定要素有裸土、板房和機(jī)械設(shè)備三種，根據(jù)其光譜、紋理、形狀及結(jié)構(gòu)等特征可以對(duì)油氣管道周邊的施工場(chǎng)地進(jìn)行有效的識(shí)別。

3.2.1裸土識(shí)別

裸土識(shí)別主要依靠其光譜特征和紋理特征。裸土表面裸露，顏色與周圍的地物如植被、水體等明顯不同，使光譜特征成為其識(shí)別的主要特征。其次，裸土土質(zhì)疏松，呈顆粒狀，粗糙的紋理特征成為其另一重要特征。

a. 基于NDSI指數(shù)的裸土提取

顏色是地物光譜特征的反映，裸土的反射光譜曲線與其它地物差異明顯（右圖），光譜反射率從可見(jiàn)光到紅外波段逐漸上升，特別是在中紅外波段，裸土的光譜反射率最高，本研究利用其這一特性構(gòu)建歸一化裸土指數(shù)（NDSI）進(jìn)行裸土的提取。

b. 基于灰度共生矩陣（ GLCM ）的裸土提取

紋理是裸土的又一識(shí)別特征，灰度共生矩陣（GLCM）是一種通過(guò)研究灰度的空間相關(guān)特性來(lái)描述紋理的方法，其用多種灰度統(tǒng)計(jì)量描述影像中像元灰度值不同組合出現(xiàn)頻率的列聯(lián)表或聯(lián)合概率的分布，具體求解方法為：在某一特定方向上（如45°），對(duì)間隔為d的兩個(gè)像素之間的灰度值關(guān)系進(jìn)行統(tǒng)計(jì)，并將結(jié)果保存于矩陣中。

圖1 基于GLCM技術(shù)的裸土提取

3.2.2板房識(shí)別

板房識(shí)別主要依靠其光譜特征和紋理特征。板房頂面一般為藍(lán)色，同其它地物顏色差異明顯，顏色成為板房的主要識(shí)別特征。其次，板房排列整齊，朝向基本一致，頂面起伏規(guī)則，具有一定的規(guī)律性，紋理特征成為板房識(shí)別的又一重要特征。

a. 基于BBI指數(shù)的板房提取

同其它地物相比，彩色板房顏色特殊，具有特殊的光譜特征，其光譜反射率在可見(jiàn)光的藍(lán)、綠、紅波段均較低，據(jù)此，本研究構(gòu)建了板房光譜識(shí)別指數(shù)（BBI,Blue Building Index）進(jìn)行彩色板房的識(shí)別。式中，RB、RG、RR分別為可見(jiàn)光藍(lán)、綠、紅波段的反射率。

BBI=(R_G-R_B)/(R_R-R_B )

圖2 基于BBI指數(shù)的板房提取

b. 基于局部二元模式（LBP）的板房提取

紋理是板房的又一識(shí)別特征，局部二值模式（LBP）是一種用來(lái)描述圖像局部紋理特征的算子，該算子是一個(gè)固定大小為3×3的矩形塊，矩形中有1個(gè)中心子塊和8個(gè)鄰近子塊，共對(duì)應(yīng)于9個(gè)灰度值，計(jì)算后可產(chǎn)生8位二進(jìn)制數(shù)，該值反映了區(qū)域紋理信息。通過(guò)該算法能夠?qū)崿F(xiàn)對(duì)板房區(qū)域的紋理信息提取。

3）機(jī)械設(shè)備識(shí)別

板房識(shí)別主要依靠其形狀特征。機(jī)械設(shè)備如挖掘機(jī)、塔吊等外部輪廓清晰，幾何形狀不規(guī)則，特殊的幾何形狀成為機(jī)械設(shè)備遙感識(shí)別的重要特征。

二值形態(tài)學(xué)將二值圖像看成是集合,其基本運(yùn)算就是將結(jié)構(gòu)元素在圖像范圍內(nèi)平移,同時(shí)施加

交、并等基本集合運(yùn)算，通過(guò)圖像集合與結(jié)構(gòu)元素的相互作用來(lái)提取有意義的信息。

圖3 基于二值形態(tài)學(xué)的板房提取

4 結(jié)束語(yǔ)

隨著無(wú)人機(jī)測(cè)繪航空攝影技術(shù)日益成熟，利用無(wú)人機(jī)進(jìn)行油氣管道巡檢保護(hù)已經(jīng)初步展現(xiàn)出其廣闊的應(yīng)用前景和極高的推廣價(jià)值。利用傳統(tǒng)的數(shù)字圖像處理技術(shù)、人工神經(jīng)元網(wǎng)絡(luò)技術(shù)對(duì)影像處理，結(jié)合油氣業(yè)務(wù)管線本身的地物識(shí)別需求進(jìn)行編程開(kāi)發(fā)，必將大量縮減管線巡檢的人力成本和時(shí)間成本，能夠?yàn)楣芫�施工、巡檢、管線改擴(kuò)建工程提供信息化的支持，同時(shí)能夠?qū)�管線的、預(yù)警管理、設(shè)計(jì)管理、施工過(guò)程管理、巡線管理、隱患管理及應(yīng)急搶險(xiǎn)等應(yīng)用業(yè)務(wù)起到輔助作用。

[參考文獻(xiàn)]

[1]張曉坤.高維數(shù)據(jù)可視化方法與可視化分類技術(shù)研究[D].哈爾濱:哈爾濱工業(yè)大學(xué).2013.

[2]賀洪元.面向?qū)ο蟾叻直媛识喑叨确指頪D].武漢:華中科技大學(xué)，2009, 41(3).

[3]李霞,徐涵秋,李晶,郭燕濱.基于NDSI和NDISI指數(shù)的SPOT-5影像裸土信息提取[J].地球信息科學(xué)學(xué)報(bào),2016(1):117-123

[4]孫開(kāi)敏,李德仁,眭海剛.基于多尺度分割的對(duì)象級(jí)影像平滑算法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版).2009(04)

[5]孫穎,何國(guó)金.基于標(biāo)記分水嶺算法的高分辨率遙感圖像分割方法[J].科學(xué)技術(shù)與工程.2008(11)

作者簡(jiǎn)介：翟凱，男，漢族，高級(jí)工程師。研究方向管道安全管理及保護(hù)。

《管道保護(hù)》2017年第3期（總第34期）