翟凱1 張彪2 劉鵬2

1.中國石油西部管道蘭州輸氣分公司2.青島中油巖土工程有限公司

1．引言

石油天然氣是重要的國家戰略資源，石油天然氣的長距離輸送直接關系到國民經濟發展和社會穩定。目前，我國陸上已建成油氣輸送管道的總長度已超過15萬公里，然而當前對油氣管道的安全管理問題仍存在缺失。違法侵占管道用地、工機械挖掘、深根植物種植、打孔盜油、洪水侵蝕、山體滑坡、地面塌陷、泥石流等問題嚴重威脅管道安全，管道管理安全形勢日趨嚴峻。為保證油氣管道安全正常工作，必須對油氣管道進行定期巡檢。

傳統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多、巡檢效率較低、信息反映不及時、勞動強度大、安全風險大、安全成本高等缺陷，也難以對高山、沙漠和沼澤等環境惡劣地區的管道進行巡查，已遠遠不能滿足現代化管道管理的需求。

解決上述問題的方法就是利用無人機航空攝影測量進行管道巡檢工作。即利用集成GPS定位系統的小型測繪無人機作為飛行平臺，搭載高清相機或光電吊艙，沿管道飛行實時傳輸影像信息或采集高清數碼照片，內業實時監測或進行航片后處理，以實現對管線進行巡檢的技術手段。現代無人機具有成像分辨率高、設備機動性好、轉場作業靈活及便于緊急作業等優點，不僅可以對管道進行定期常規巡檢，而且能夠在突發情況后開展應急監測，從而為管道的管理與維護提供有力的技術支持。

2.低空影像自動識別技術

低空遙感影像自動識別技術是基于無人機等低空飛行器獲取的影像資料，通過軟件自動解譯，對航片中的特定地物按照預設的特征進行自動提取的專業化、智能化技術。

影像自動識別技術目前已初步應用在災害動態監測、環境污染監測以及城市規劃等方面，但其較多基于衛星遙感影像數據進行識別分析，采用低空遙感影像數據的較少，如果直接用于油氣管道巡檢，尚存在針對性不強、缺少專用提取算法、缺少管道風險評估技術和機制、未能形成完整技術鏈等不足。因此，更加迫切需要利用人工智能和深度學習技術，研究從低空遙感影像中提取目標地物的幾何形態、光譜信息、紋理特征、高程異常變化及粗糙指數、水分指數等其它特征參數進行管線風險因素自動識別和評估的技術體系，開發一套專門用于油氣管道巡檢的低空遙感影像的管道風險因素自動識別、分類提取技術，以提高管線巡檢的效率和可靠性。

3.基于油氣管道無人機巡檢的風險因素識別

3.1自動識別關鍵技術

管道風險因素自動識別其中涉及的幾項關鍵技術：無人機影像多尺度分割技術、無人機遙感特征提取技術和基于新型人工神經網絡的無人機影像分類技術等。

1）無人機影像多尺度分割技術

無人機影像多尺度分割技術是無人機遙感信息提取的前提與基礎。多尺度分割技術，可以結合不同地物的形狀、色彩、紋理等特征，建立與其對應的分割準則，基于對象內部異質性最小原則，在不同尺度下對不同地物進行分割，分割后使得對象間的異質性達到最大，以實現不同地物的最優分割。相對于單一尺度分割，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用水平。多尺度分割的關鍵是參數的選擇，分割過程中的主要參數有分割尺度、波段權重、均質性因子3類。

2）無人機遙感特征提取技術

無人機影像特征識別技術是的無人機遙感信息提取的關鍵。為了能夠很好地完成施工場地的提取工作，需要綜合運用其無人機影像的光譜特征、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、影像對象的亮度及影像對象的最大差分等；常用的紋理特征包括角二階矩、均值、均質性、標準差及相關性等；常用的形狀特征包括面積、邊界長度、長、寬及長寬比等。

3）基于新型人工神經網絡的無人機影像分類技術

新型人工神經網絡——卷積神經網絡(Convolutional Neural Networks, CNN)是無人機影像分類的重點。它是一個為識別二維形狀而特殊設計的類多層感知器(Multilayer perceptron, MLP)，是一個多層結構學習算法，通過分析空間相對關系的方法來減少參數數目，從而提高訓練性能。卷積神經網絡為多層的神經網絡，每層網絡由多個二維平面組成，每個二維平面由多個獨立神經元組成，網絡的最基本構成為單個神經元。卷積神經網絡的算法中，其訓練過程最為重要。通過構建大量訓練樣本，能夠有效完成卷積神經網絡的構建，保證影像分類識別的準確性和可靠性。

3.2自動識別要素分類

在油氣管道的眾多破壞因素中，項目施工出現的頻率最高，帶來的破壞性極強，成為油氣管道巡檢的重點。施工場地具備的穩定要素有裸土、板房和機械設備三種，根據其光譜、紋理、形狀及結構等特征可以對油氣管道周邊的施工場地進行有效的識別。

3.2.1裸土識別

裸土識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別的主要特征。其次，裸土土質疏松，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建歸一化裸土指數（NDSI）進行裸土的提取。

b. 基于灰度共生矩陣（ GLCM ）的裸土提取

紋理是裸土的又一識別特征，灰度共生矩陣（GLCM）是一種通過研究灰度的空間相關特性來描述紋理的方法，其用多種灰度統計量描述影像中像元灰度值不同組合出現頻率的列聯表或聯合概率的分布，具體求解方法為：在某一特定方向上（如45°），對間隔為d的兩個像素之間的灰度值關系進行統計，并將結果保存于矩陣中。

圖1 基于GLCM技術的裸土提取

3.2.2板房識別

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

a. 基于BBI指數的板房提取

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光的藍、綠、紅波段均較低，據此，本研究構建了板房光譜識別指數（BBI,Blue Building Index）進行彩色板房的識別。式中，RB、RG、RR分別為可見光藍、綠、紅波段的反射率。

圖2 基于BBI指數的板房提取

b. 基于局部二元模式（LBP）的板房提取

紋理是板房的又一識別特征，局部二值模式（LBP）是一種用來描述圖像局部紋理特征的算子，該算子是一個固定大小為3×3的矩形塊，矩形中有1個中心子塊和8個鄰近子塊，共對應于9個灰度值，計算后可產生8位二進制數，該值反映了區域紋理信息。通過該算法能夠實現對板房區域的紋理信息提取。

3）機械設備識別

板房識別主要依靠其形狀特征。機械設備如挖掘機、塔吊等外部輪廓清晰，幾何形狀不規則，特殊的幾何形狀成為機械設備遙感識別的重要特征。

二值形態學將二值圖像看成是集合,其基本運算就是將結構元素在圖像范圍內平移,同時施加

交、并等基本集合運算，通過圖像集合與結構元素的相互作用來提取有意義的信息。

圖3 基于二值形態學的板房提取

4 結束語

隨著無人機測繪航空攝影技術日益成熟，利用無人機進行油氣管道巡檢保護已經初步展現出其廣闊的應用前景和極高的推廣價值。利用傳統的數字圖像處理技術、人工神經元網絡技術對影像處理，結合油氣業務管線本身的地物識別需求進行編程開發，必將大量縮減管線巡檢的人力成本和時間成本，能夠為管線施工、巡檢、管線改擴建工程提供信息化的支持，同時能夠對管線的、預警管理、設計管理、施工過程管理、巡線管理、隱患管理及應急搶險等應用業務起到輔助作用。

[參考文獻]

[1]張曉坤.高維數據可視化方法與可視化分類技術研究[D].哈爾濱:哈爾濱工業大學.2013.

[2]賀洪元.面向對象高分辨率多尺度分割[D].武漢:華中科技大學，2009, 41(3).

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

[4]孫開敏,李德仁,眭海剛.基于多尺度分割的對象級影像平滑算法[J].武漢大學學報(信息科學版).2009(04)

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

作者簡介：翟凱，男，漢族，高級工程師。研究方向管道安全管理及保護。

《管道保護》2017年第3期（總第34期）