1種基于視頻的油田危險(xiǎn)區(qū)域入侵檢測(cè)智能綜合識(shí)別技術(shù)研究*

田 楓，白欣宇，劉 芳，姜文文，于巾濤

(東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

0 引言

隨著深度學(xué)習(xí)等大量智能算法的出現(xiàn)以及計(jì)算機(jī)性能的不斷提升，使得利用智能算法對(duì)監(jiān)控視頻進(jìn)行快速分析成為可能?；谏疃葘W(xué)習(xí)算法的智能安防技術(shù)在智慧交通、智慧工地、智能礦場(chǎng)等領(lǐng)域開始了初步的應(yīng)用。在我國各大油田由建設(shè)數(shù)字化油田轉(zhuǎn)變建設(shè)智慧油田的背景下，智能安防技術(shù)與智慧油田的結(jié)合應(yīng)用，是油田發(fā)展跨領(lǐng)域融合的1種趨勢(shì)，更是歸屬于“數(shù)字中國”建設(shè)必不可少的一環(huán)。而油田危險(xiǎn)區(qū)域入侵檢測(cè)智能綜合識(shí)別技術(shù)是智能安防技術(shù)與智慧油田結(jié)合趨勢(shì)下的核心安防技術(shù)，油田危險(xiǎn)區(qū)域入侵智能綜合識(shí)別技術(shù)可徹底取代基于人力監(jiān)控油田的高成本低準(zhǔn)確率的方式，可為油田安全提供有力保障。

當(dāng)前，智能安防技術(shù)在其他應(yīng)用領(lǐng)域中技術(shù)架構(gòu)趨向成熟，“智慧油田”理念逐步完善，在二者結(jié)合落地的過程中，存在油田危險(xiǎn)因素多、油田危險(xiǎn)區(qū)域多，且危險(xiǎn)場(chǎng)景復(fù)雜等問題。針對(duì)各種油田危險(xiǎn)因素，羅音宇等[1]提出了1種含硫氣井硫化氫擴(kuò)散危險(xiǎn)程度的分級(jí)技術(shù)；張若誠等[2]結(jié)合APIR500防爆標(biāo)準(zhǔn)，初步進(jìn)行了油田鉆井井場(chǎng)劃分；劉康等[3]提出浮式生產(chǎn)系統(tǒng)泄漏天然氣擴(kuò)散規(guī)律與危險(xiǎn)區(qū)域的劃分；鉆井風(fēng)險(xiǎn)綜合評(píng)價(jià)方法[4-6]對(duì)多種油田風(fēng)險(xiǎn)識(shí)別因素進(jìn)行了定量客觀的評(píng)價(jià)。以上研究均從油田施工人員作業(yè)安全風(fēng)險(xiǎn)管理方面提出了應(yīng)對(duì)措施，對(duì)油田危險(xiǎn)區(qū)域入侵智能綜合識(shí)別技術(shù)的落地與油田安全作業(yè)管理具有重大意義。

針對(duì)危險(xiǎn)區(qū)域入侵問題，王瑞等[7]在解決鐵路區(qū)域入侵問題方面，提出了1種全天候的鐵路區(qū)域入侵算法，有效解決全天候的鐵路周界的入侵檢測(cè)。王偉等[8]對(duì)建筑施工領(lǐng)域進(jìn)行區(qū)域入侵判斷，有效降低入侵危險(xiǎn)區(qū)域行為的發(fā)生。

目前，基于視頻的油田危險(xiǎn)區(qū)域入侵檢測(cè)算法存在如下難點(diǎn)：1)缺乏大量的訓(xùn)練樣本。2)監(jiān)控視頻畫質(zhì)低且目標(biāo)較小。3)缺乏油田危險(xiǎn)場(chǎng)景等級(jí)劃分的理論與危險(xiǎn)區(qū)域識(shí)別方法。4)缺乏夜間區(qū)域入侵方法。

針對(duì)上述難點(diǎn)，本文提出1種基于視頻的油田危險(xiǎn)區(qū)域入侵檢測(cè)智能綜合識(shí)別算法，該算法從全局視頻監(jiān)控的角度出發(fā)，結(jié)合相關(guān)標(biāo)準(zhǔn)[4-6]對(duì)油田危險(xiǎn)區(qū)域進(jìn)行劃分，并在視頻流中完成場(chǎng)景匹配與危險(xiǎn)區(qū)域識(shí)別；針對(duì)白天光線條件較好時(shí)，通過對(duì)深度學(xué)習(xí)算法進(jìn)行改進(jìn)進(jìn)而提高檢出率；針對(duì)夜晚場(chǎng)景光線條件差，易受背景干擾等情況，通過運(yùn)動(dòng)目標(biāo)判別方式對(duì)作業(yè)人員闖入危險(xiǎn)作業(yè)區(qū)進(jìn)行檢測(cè)。本算法能夠自動(dòng)判別危險(xiǎn)作業(yè)區(qū)人員闖入，避免設(shè)備損壞并降低人員傷亡的風(fēng)險(xiǎn)。

1 油田危險(xiǎn)區(qū)域入侵檢測(cè)技術(shù)架構(gòu)

針對(duì)油田危險(xiǎn)入侵檢測(cè)存在的難點(diǎn)以及使用場(chǎng)景需求，提出1種綜合識(shí)別算法。具體包含2個(gè)任務(wù)：第1個(gè)任務(wù)為根據(jù)危險(xiǎn)因素進(jìn)行油田危險(xiǎn)區(qū)域分級(jí)與映射，實(shí)現(xiàn)危險(xiǎn)區(qū)域的自動(dòng)判別；第2個(gè)任務(wù)為人員進(jìn)入危險(xiǎn)區(qū)域的判別，為提高檢測(cè)準(zhǔn)確率，將黑夜和白天場(chǎng)景分開處理，結(jié)合射線法進(jìn)行入侵判斷。

在白天場(chǎng)景使用目標(biāo)檢測(cè)技術(shù)，如圖1(a)所示。首先，以監(jiān)控?cái)z像頭的rtsp視頻流為輸入，輸入圖像進(jìn)行危險(xiǎn)場(chǎng)景的匹配、危險(xiǎn)區(qū)域的識(shí)別與定位；然后，以YOLOv5作為基礎(chǔ)網(wǎng)絡(luò)，加入卷積注意力模塊提高目標(biāo)定位精度，增加檢出率；最后，使用射線法完成區(qū)域入侵的判別。

圖1 油田危險(xiǎn)區(qū)域入侵Fig.1 Intrusion of oilfield dangerous areas

在夜間場(chǎng)景中使用運(yùn)動(dòng)目標(biāo)檢測(cè)算法，如圖1(b)所示，首先針對(duì)連續(xù)幀的視頻圖像進(jìn)行背景動(dòng)態(tài)建模，使用背景減除法區(qū)分前景與背景，然后使用形態(tài)學(xué)方法過濾無用信息進(jìn)行精準(zhǔn)定位，最后應(yīng)用三幀差分法確定運(yùn)動(dòng)目標(biāo)，完成區(qū)域入侵判別。

2 油田入侵檢測(cè)算法

2.1 油田危險(xiǎn)區(qū)域分級(jí)與自動(dòng)識(shí)別

油田作業(yè)現(xiàn)場(chǎng)中存在多種危險(xiǎn)源，例如原油倉庫、泥漿池、抽油機(jī)等。當(dāng)這些地方出現(xiàn)故障時(shí)，均可能造成嚴(yán)重的財(cái)產(chǎn)損失和人員傷亡。因此，本文在基于視頻的油田危險(xiǎn)區(qū)域入侵智能識(shí)別的角度下，提出油田危險(xiǎn)場(chǎng)景分級(jí)與自動(dòng)識(shí)別方法，首先對(duì)危險(xiǎn)場(chǎng)景進(jìn)行分級(jí)，然后對(duì)危險(xiǎn)區(qū)域進(jìn)行自動(dòng)識(shí)別。

第1部分為危險(xiǎn)場(chǎng)景分級(jí)，參考油田3類危險(xiǎn)源[5]與鉆井風(fēng)險(xiǎn)因素綜合評(píng)價(jià)[4-6]等多種場(chǎng)景下危險(xiǎn)因素評(píng)價(jià)方法，將其中的固有危險(xiǎn)源[4]定義為易燃易爆區(qū)，觸發(fā)危險(xiǎn)源[4]定義為臨時(shí)故障區(qū)，人為型危險(xiǎn)源[4]定義為違章操作區(qū)。結(jié)合文獻(xiàn)[2-6]提出的相關(guān)危險(xiǎn)場(chǎng)景劃分標(biāo)準(zhǔn)，根據(jù)是否容易造成人員傷亡，設(shè)備損壞，環(huán)境污染等因素將危險(xiǎn)場(chǎng)景的等級(jí)設(shè)置為3級(jí)：1級(jí)區(qū)域入侵警報(bào)，極易發(fā)生人員傷亡與設(shè)備損壞；2級(jí)入侵警報(bào)，易發(fā)生人員傷亡；3級(jí)區(qū)域入侵警戒，易發(fā)生人員受傷與設(shè)備損壞。根據(jù)分級(jí)標(biāo)準(zhǔn)，構(gòu)建油田危險(xiǎn)場(chǎng)景庫。

第2部分為危險(xiǎn)區(qū)域的自動(dòng)識(shí)別，如圖2所示：首先，提取輸入視頻流圖像中的角點(diǎn)特征，因SIFT[9]特征具有光照不變性，具有旋轉(zhuǎn)不變性，縮放平移性、局部不變性等特性，因此本文使用SIFT在雜波較多、噪聲較多的復(fù)雜場(chǎng)景中實(shí)現(xiàn)對(duì)危險(xiǎn)場(chǎng)景、危險(xiǎn)區(qū)域的判別。然后，將提取特征后的圖片U與第1部分建立的油田危險(xiǎn)場(chǎng)景庫V進(jìn)行危險(xiǎn)場(chǎng)景匹配。圖像特征匹配采用歐式距離d(U,V)作為相似性距離，如式(1)所示：

圖2 危險(xiǎn)區(qū)域自動(dòng)識(shí)別Fig.2 Automatic identification of hazardous areas

(1)

式中：d(U,Vi)為相似性距離；U(x1,x2,…,x128)為視頻流提取的特征描述子向量；Vi(y1,y2,…,y128)為危險(xiǎn)場(chǎng)景庫V的第i個(gè)場(chǎng)景特征描述子向量；xm，ym為特征描述子向量元素；m為第m個(gè)描述子向量。最后，將當(dāng)前場(chǎng)景下的危險(xiǎn)區(qū)域與視頻流進(jìn)行匹配，確定危險(xiǎn)區(qū)域位置坐標(biāo)后映射到視頻流中，完成危險(xiǎn)區(qū)域的自動(dòng)判別。

2.2 白天場(chǎng)景下的目標(biāo)檢測(cè)方法

YOLOv5[10]是目前單階段檢測(cè)算法中具有較優(yōu)檢測(cè)效果的檢測(cè)算法，可較好地兼顧檢測(cè)的準(zhǔn)確率以及運(yùn)行速度，因此本文選擇YOLOv5為基準(zhǔn)檢測(cè)算法，并對(duì)其特征提取網(wǎng)絡(luò)部分與推理輸出部分進(jìn)行改進(jìn)。

YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，在特征提取部分中使用Focus結(jié)構(gòu)，減少計(jì)算量。使用CSPNet[11]的CSP模塊，增加CNN的學(xué)習(xí)能力，降低計(jì)算瓶頸并節(jié)約內(nèi)存成本。

圖3 檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Detection network structure

在特征融合部分，采用FPN(特征金字塔)[12]結(jié)構(gòu)，使用自上而下的路徑和橫向連接以及自底向上的路徑增強(qiáng)，對(duì)語義信息與定位信息進(jìn)行特征融合，大大提高多尺度檢測(cè)的準(zhǔn)確性。

在特征預(yù)測(cè)部分，在特征圖上應(yīng)用錨定框并生成帶有類概率、對(duì)象得分和包圍框的3種不同大小的特征圖向量。

本文將CBAM[13]注意力機(jī)制放在骨干網(wǎng)絡(luò)的池化金字塔前，能使特征學(xué)習(xí)更加專注于油田危險(xiǎn)區(qū)域內(nèi)工人特征，抑制其它干擾信息，增強(qiáng)模型對(duì)于油田工人檢測(cè)精度。輸入到CBAM注意力模塊中，給定1個(gè)油田工人特征圖F∈RC*H*W，C為通道數(shù)，H為特征圖的高度，W為特征圖的寬度，使用CBAM推斷出1個(gè)1維的通道注意力權(quán)重Mc∈RC*1*1，之后通道注意力權(quán)重Mc與特征圖F計(jì)算得到通道注意力特征圖F′，如式(2)所示：

F′=Mc(F)?F

(2)

式中：F′為用于空間注意力模塊的特征輸入；F為油田工人特征圖；Mc為通道注意力權(quán)重；?表示逐元素相乘。

CBAM推理出1個(gè)二維的空間注意力權(quán)重Mc∈R1*H*W[13]。然后利用F′與空間注意力權(quán)重Ms相乘得到空間注意力特征圖F″，最終輸出的特征圖F″與原始特征進(jìn)行融合以進(jìn)行自適應(yīng)特征細(xì)化。其中如式(3)所示：

F″=Ms(F′)?F′

(3)

式中：F″為空間注意力特征圖；Ms為空間注意力；F′用于空間注意力模塊的特征輸入；?表示逐元素相乘。

在特征預(yù)測(cè)部分每個(gè)卷積模塊前加入SE注意力機(jī)制，通過增強(qiáng)建模通道之間的相互依賴關(guān)系，進(jìn)而自適應(yīng)地調(diào)整通道的特征響應(yīng)。主要步驟如下：輸入的特征圖進(jìn)行全局平均池化，得到長(zhǎng)度等于通道數(shù)M的實(shí)數(shù)列Zgap。壓縮率r=16的情況下進(jìn)行特征圖X=[x1,x2,…,xn]通過全局平均池化Fgap，計(jì)算過程如式(4)～(5)所示：

(4)

(5)

式中：Zgap為長(zhǎng)度等于通道數(shù)M的實(shí)數(shù)列；Fgap為全局平均池化；xc為c通道輸入的權(quán)重特征；H為特征圖的高度；W為特征圖的寬度；F1為進(jìn)行降維的全連接層數(shù)；F2為升維的全連接層數(shù)；C為特征圖的索引；M為通道數(shù)；r為壓縮率。

進(jìn)行Sigmoid函數(shù)激活，進(jìn)而生成每個(gè)通道對(duì)應(yīng)的權(quán)重信息S=[s1,s2,…,sc]。如式(6)所示：

S=Sigmoid(F2(RELU(F1*Zgap)))

(6)

式中：S為每個(gè)通道對(duì)應(yīng)的權(quán)重信息；F2為升維的全連接層數(shù)；F1為進(jìn)行降維的全連接層數(shù)；Zgap為長(zhǎng)度等于通道數(shù)M的實(shí)數(shù)列。

根據(jù)權(quán)值對(duì)輸入的特征圖加權(quán)更新，得到更新后的通道特征Y=[y1,y2,…,yc]，如式(7)所示：

Yc=sc*xc

(7)

式中：Yc為c通道更新的通道特征；sc為c通道對(duì)應(yīng)的權(quán)重信息；xc為c通道輸入的權(quán)重特征。

使用SENet[14]注意力模塊，能夠更好地利用全局信息進(jìn)行特征篩選，對(duì)重要特征強(qiáng)調(diào)并對(duì)非重要特征進(jìn)行抑制，從而重新校準(zhǔn)特征來提高網(wǎng)絡(luò)的表示能力。

2.3 黑夜場(chǎng)景下的目標(biāo)檢測(cè)方法

由于黑夜場(chǎng)景中光線不足，目標(biāo)與背景難以區(qū)分，因此本文首先采用背景減除法[15]對(duì)背景建模，對(duì)各個(gè)像素的觀察值進(jìn)行聚類，經(jīng)過一段時(shí)間的學(xué)習(xí)之后，樣本數(shù)最多的子類構(gòu)成動(dòng)態(tài)背景的模型。然后使用形態(tài)學(xué)處理方法進(jìn)行區(qū)域連通，以腐蝕與膨脹[16]將2個(gè)獨(dú)立的連通域拼接成為1個(gè)連通域，提取出圖像的輪廓，作為下步的運(yùn)動(dòng)目標(biāo)檢測(cè)的輸入。最后使用三幀差分法[17]進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)，其計(jì)算量小，能夠快速檢測(cè)并標(biāo)記出場(chǎng)景中的運(yùn)動(dòng)目標(biāo)。

將2幀圖像對(duì)應(yīng)像素點(diǎn)的灰度值進(jìn)行相減，并取其絕對(duì)值，得到差分圖像Dn。兩幀差分計(jì)算公式如式(8)所示：

Dn(x,y)=|fn(x,y)-fn-1(x,y)|

(8)

(9)

式中：Dn為差分圖像；fn為像素點(diǎn)的灰度值。

按照式(8)分別得到差分圖像Dn+1和Dn，對(duì)差分圖像Dn+1和Dn按照式(9)進(jìn)行與操作，得到圖像Dn′。

然后再進(jìn)行閾值處理、連通性分析，最終提取出運(yùn)動(dòng)目標(biāo)。

2.4 射線法判別危險(xiǎn)區(qū)域入侵

人物的落腳點(diǎn)是決定人物位置的關(guān)鍵因素，人物是否走入危險(xiǎn)區(qū)域內(nèi)，由人物落腳點(diǎn)的位置進(jìn)行判斷。因此考慮人物的落腳點(diǎn)是否在危險(xiǎn)區(qū)域內(nèi)，如圖4所示，在完成目標(biāo)檢測(cè)后，將人物踏入危險(xiǎn)區(qū)域的區(qū)域入侵問題抽象成為人物的落腳點(diǎn)與危險(xiǎn)區(qū)域多邊形的相交問題，即判斷點(diǎn)是否在多邊形的內(nèi)部。本文使用射線法[18]進(jìn)行區(qū)域入侵的判斷。

圖4 判斷點(diǎn)是否在多邊形內(nèi)Fig.4 Judgment of whether points in polygon

計(jì)算油田工人落腳點(diǎn)Dx，如式(10)所示：

(10)

式中：Dx為油田工人落腳點(diǎn)；x1,y1為中心點(diǎn)的坐標(biāo)；h為輸出的定位框的高。

根據(jù)目標(biāo)檢測(cè)結(jié)果輸出的工人定位框，判斷是否發(fā)生多邊形區(qū)域入侵，結(jié)果為奇數(shù)則認(rèn)定發(fā)生區(qū)域入侵，如式(11)所示：

Rinvade=(sum(cross(Dx,Grax)))%2

(11)

式中：cross為Dx點(diǎn)向任意方向做射線；Grax為自定義危險(xiǎn)區(qū)域。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 目標(biāo)檢測(cè)實(shí)驗(yàn)及分析

3.1.1 數(shù)據(jù)整理

1)油田綜合視頻數(shù)據(jù)

對(duì)油田綜合視頻進(jìn)行采樣(約10 000張)，經(jīng)統(tǒng)計(jì)，視頻中出現(xiàn)較為清晰的工人圖像占比約68%，而距離較遠(yuǎn)難以識(shí)別的人員約占32%。

由此可見，綜合視頻中的油田工人目標(biāo)存在偏小的情況。油田危險(xiǎn)區(qū)域入侵者主要為油田工人，本文將油田危險(xiǎn)區(qū)域綜合視頻數(shù)據(jù)進(jìn)行篩選處理，選取含有油田工人的視頻圖像，根據(jù)人員尺寸進(jìn)行如下數(shù)據(jù)劃分：①油田工人對(duì)應(yīng)的像素高度小于40的圖片設(shè)置為模糊數(shù)據(jù)；②油田工人像素在40到70之間設(shè)為小尺寸數(shù)據(jù)；③當(dāng)油田工人像素大于70設(shè)置為正常尺寸數(shù)據(jù)。處理后的油田綜合視頻樣本數(shù)據(jù)，模糊數(shù)據(jù)約占20%，小尺度數(shù)據(jù)約占25%，正常尺寸數(shù)據(jù)約占55%。

2)VOC 2012[19]Person

為提高模型的泛化性，對(duì)VOC 2012提取person類，結(jié)合油田綜合視頻工人目標(biāo)特點(diǎn)，選取具有模糊，目標(biāo)較小的人物3 100張。為提高算法的檢測(cè)精度及算法的可移植性，為適應(yīng)油田不同場(chǎng)景下的危險(xiǎn)區(qū)域入侵檢測(cè)，算法訓(xùn)練采用油田工人視頻數(shù)據(jù)和篩選VOC 2012 person中更適應(yīng)于油田現(xiàn)場(chǎng)工人的數(shù)據(jù)集組成油田工人檢測(cè)數(shù)據(jù)集，使得在各種油田場(chǎng)景下更加魯棒的提取油田工人特征，提高油田工人檢測(cè)精度，進(jìn)而提高危險(xiǎn)入侵判定的準(zhǔn)確性。

3.1.2 實(shí)驗(yàn)結(jié)果分析

本文選取油田綜合視頻中具有危險(xiǎn)區(qū)域的9個(gè)場(chǎng)景，共20個(gè)視頻，從中選取含有油田工人圖片1 500張作為測(cè)試集。

1)同一網(wǎng)絡(luò)不同數(shù)據(jù)集：由表1可以看出，使用公開數(shù)據(jù)集與油田視頻數(shù)據(jù)混合的數(shù)據(jù)集oilperson對(duì)比只使用公開數(shù)據(jù)集的算法效果具有顯著性提升，泛化性最好，而僅使用油田視頻數(shù)據(jù)集的方法反而效果變差，原因?yàn)橛吞镂ｋU(xiǎn)場(chǎng)景數(shù)據(jù)的多樣性欠佳。

表1 同一網(wǎng)絡(luò)在不同訓(xùn)練集上驗(yàn)證的評(píng)價(jià)值Table 1 Evaluation values of same network verified on different training sets %

2)不同網(wǎng)絡(luò)同一數(shù)據(jù)集：為保持實(shí)驗(yàn)對(duì)比的完整性，本文使用不同的算法模型，對(duì)oilperson進(jìn)行訓(xùn)練，在上述同一測(cè)試集下進(jìn)行驗(yàn)證。由表2可以看出，我們的算法與YOLOv5算法相比，在oilperson數(shù)據(jù)集上的表現(xiàn)更為優(yōu)越，精確率提高了2.62%。

表2 不同網(wǎng)絡(luò)在oilperson數(shù)據(jù)集上的評(píng)價(jià)值Table 2 Evaluation values of different networks on oilperson dataset %

對(duì)不同的場(chǎng)景下的油田區(qū)域檢測(cè)效果如圖5所示，圖5(a),圖5(d)，圖5(g)為易燃易爆區(qū)檢測(cè)效果；圖5(b)，圖5(f)，圖5(h)為臨時(shí)故障區(qū)檢測(cè)效果；圖5(c)，圖5(e)，圖5(i)為違章操作區(qū)檢測(cè)效果，其中圖5(c)為夜間檢測(cè)效果，仍有較好的檢出率。通過以上檢測(cè)結(jié)果可以看出本文算法對(duì)油田場(chǎng)景下較小尺寸的工人與模糊的工人具有較好的識(shí)別精度，無漏檢、錯(cuò)誤檢情況出現(xiàn)。

圖5 油田不同場(chǎng)景的檢測(cè)效果Fig.5 Detection effect of different scenes in oilfield

3.2 油田區(qū)域入侵算法應(yīng)用

運(yùn)用本文提出的油田入侵檢測(cè)算法在油田的不同場(chǎng)景下進(jìn)行入侵檢測(cè)準(zhǔn)確率的測(cè)試，入侵檢測(cè)準(zhǔn)確率達(dá)到90%，具體效果如表3所示。

表3 不同場(chǎng)景的入侵檢測(cè)準(zhǔn)確率Table 3 Intrusion accuracy in different scenes

本文主要研究的是識(shí)別人員進(jìn)入危險(xiǎn)區(qū)域內(nèi)，但給在高危區(qū)域中以其他方式判斷進(jìn)行某種違章操作提出了1種可能性。在部分模擬場(chǎng)景下，入侵效果如圖6所示，在各種油田危險(xiǎn)區(qū)域下進(jìn)行分級(jí)，紅色代表危險(xiǎn)區(qū)域，人員進(jìn)入危險(xiǎn)區(qū)域使用紅色檢測(cè)框，并顯示“入侵”標(biāo)簽。圖6(a)為在違章操作區(qū)-閥門，施工人員在危險(xiǎn)區(qū)域停留達(dá)到10 s，視為正在進(jìn)行閥門正擰危險(xiǎn)操作行為；圖6(b)為違章操作區(qū)-近海區(qū)域，油田工人違規(guī)翻墻進(jìn)入近海周界危險(xiǎn)區(qū)域，視為危險(xiǎn)區(qū)域入侵。圖6(c)為臨時(shí)故障區(qū)-抽油機(jī)故障處人員闖入判別為發(fā)生危險(xiǎn)區(qū)域入侵。圖6(d)為易燃易爆區(qū)-鉆井平臺(tái)處人員闖入判別為發(fā)生危險(xiǎn)區(qū)域入侵。

圖6 區(qū)域入侵效果Fig.6 Area intrusion effect

4 結(jié)論

1)結(jié)合油田多種危險(xiǎn)因素，提出油田危險(xiǎn)場(chǎng)景分級(jí)與映射方法。按照危險(xiǎn)源進(jìn)行危險(xiǎn)區(qū)域等級(jí)劃分并建立危險(xiǎn)場(chǎng)景圖像庫，在視頻流中自動(dòng)識(shí)別危險(xiǎn)場(chǎng)景并映射危險(xiǎn)區(qū)域位置。

2)提出基于綜合視頻的全天候檢測(cè)方法，針對(duì)白天場(chǎng)景，對(duì)YOLOv5模型進(jìn)行改進(jìn)，在特征提取網(wǎng)絡(luò)部分添加CBAM卷積注意力模塊，在預(yù)測(cè)部分添加SE通道注意力模塊，使模型更加魯棒地提取工人特征。同時(shí)，制作油田作業(yè)現(xiàn)場(chǎng)數(shù)據(jù)集，使得模型具有更好的泛化性。

3)本文設(shè)計(jì)1種人員闖入危險(xiǎn)區(qū)域的自動(dòng)入侵檢測(cè)方式，引入射線法進(jìn)行人員踏入危險(xiǎn)區(qū)域的自動(dòng)判別。

4)本文方法提高油田危險(xiǎn)區(qū)域入侵的準(zhǔn)確率，滿足油田現(xiàn)場(chǎng)安全需求，有效預(yù)防油田危險(xiǎn)區(qū)域內(nèi)施工人員傷亡，并在真實(shí)油田場(chǎng)景下部署應(yīng)用。