基于目標檢測的壓裂井場全覆蓋監控系統

張 釗，左 威，景 江，姜一博，李 誠，馬 濤，陳 亮

（1.中國石油集團西部鉆探工程有限公司井下作業公司，新疆 克拉瑪依 834000；2.煙臺杰瑞石油裝備技術有限公司，山東 煙臺 264000）

隨著數字油田、智慧油田的實施與推廣，國內油田壓裂井場逐漸實現數字化、網絡化、智能化，智慧油田的核心是對井場的實時壓裂作業數據監控以及壓裂作業過程中對壓裂橇、井口等關鍵位置的視頻監控，視頻監控可以提供井場直觀的圖像，使后方的管理和監控更加便捷；可以糾正井場的違章行為、防范風險；可以輔助安全管理、監控和有效的應急指揮，通過人工智能技術對數據與視頻進行分析，提前發現安全隱患，有效降低作業風險[1]。

耿永翔等[2]針對油田智能視頻監控系統進行了研究設計，依托計算機監控分析的功能，從清晰的圖像中對事物進行檢測以及辨別，在油田井場發生突發事件時，智能視頻監控系統能夠及時做出預警并提供相關報警信息。

張乃祿等[3]提出了基于物聯網的井場視頻監控措施，通過對井場中的安全風險進行全面識別，提出了基于層次分析方法的安全風險問題監控措施，可以對設備的運行情況、運行狀態以及生產作業情況進行實時監控，進而使得井場生產作業的安全性得到了全面提高。

慈興華等[4]針對井場生產作業過程中最常見的安全風險問題，提出了不安全行為的圖像識別方法，可以對大量不安全行為進行有效預警，對違章操作行為進行全面監管，通過及時糾正工作人員操作行為，使工作人員的技能水平以及安全意識得到提升，這也是提高企業安全監管效果的重要措施。

陳麗等[5]對智能監控技術的關鍵問題進行探討，結合我國智能監控技術在油田開采行業中的建設情況分析智能監控系統中的運動目標檢測方法，展示了智能視頻監控技術在數字智能油田中的典型應用，對壓裂作業、油田開采的發展有一定的指導意義。

影響壓裂井場生產作業的不安全因素主要可分為：人員的不安全行為、作業管理制度的缺陷、人員設備監控的缺失等。目前井場監控主要存在以下問題：①在儀表橇內的顯示器上集中顯示，用于作業人員查看現場情況，風險識別不及時；②監控點數量少、覆蓋范圍小，視野受限，存在大面積監控盲區，安全隱患無法察覺；③無法自動識別人的不安全行為并進行提醒，井場安防智能化水平亟待提升。

全覆蓋監控系統針對上述影響壓裂井場安全問題的因素，基于圖像識別目標檢測技術設計開發了一套基于視頻監控智能分析的軟硬件一體化的安全解決方案，為井場的安全生產保駕護航。

1 圖像識別技術

圖像識別是人工智能的一個重要領域，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。圖像識別技術的過程分為以下幾個步驟：原始信息獲取輸入、預處理、特征提取和選擇、分類設計和分類決策結果輸出。

對于其中的特征提取和選擇目前多采用深度學習中的卷積和池化的方式，其中卷積分為標準卷積、轉置卷積、空洞卷積以及可分離卷積等，空間可分離卷積計算示例如公式（1）所示。主流的研究方向是降低卷積計算所需的計算量、提升感受野，以在硬件計算資源有限的情況下增加卷積層數、提取更為完整的特征。池化主要分為最大池化、平均池化以及全局平均池化，主要作用為保留主要特征、降低信息冗余，抑制噪聲，防止模型過擬合，同時也能起到降低計算量的作用。

分類設計和分類決策按照實現的效果可劃分為：分類、定位、檢測和分割。檢測類算法能夠解決是什么、在哪里的問題即能夠在劃分物體的類別同時確定目標的位置。分割類算法分為場景分割和實例分割，能夠在像素的層面分析畫面中的每個像素歸屬于哪個場景或特定的實例。針對壓裂井場的智能安全監控需求，目前學術界和企業大多采用深度學習目標檢測的技術路線，下面對目標檢測技術及其中使用的關鍵算法進行簡要介紹。

目標檢測（Object Detection）的任務是找出圖像中所有感興趣的目標（物體），確定它們的類別和位置。由于各類物體有不同的形狀、姿態和外觀，加上成像時光照、遮擋等因素的干擾，目標檢測一直是計算機視覺領域具有高度挑戰性的問題。

目標檢測任務中，特征金字塔[6]是多尺度目標檢測系統中的一個基本組成部分。對于大目標的檢測，需要特征圖feature map 每個點對應的感受野大一點，即大目標檢測需要更高層次的語義特征；對于小目標的檢測需要對應的感受野小一點，即小目標檢測需要更底層的紋理特征。使用特征金字塔的方法能夠很好地融合高層語義特征和底層紋理特征，兼顧大目標檢測和小目標檢測的需要。

目標檢測中的非極大值抑制（Non-Maximum Suppression，NMS）被用于檢測后期的物體邊界框篩除。非極大值抑制對檢測到的全部識別框進行局部的最大值搜索，以搜索某鄰域范圍內的最大值，從而濾除一部分冗余的識別框，提升最終的檢測精度。非極大值抑制的計算過程見公式（2）。

式中：Si表示每個邊框的得分；M表示當前得分最高的框；bi表示剩余框的某一個；Nt表示設定的闕值。

在深度學習領域，目標檢測算法已經取代了傳統的手動特征選取方法。這些算法主要分為2 類：Two-stage目標檢測和One-stage 目標檢測。Two-stage 目標檢測算法首先生成區域提議，即region-proposal，然后使用卷積神經網絡對這些區域進行分類。一些常見的Twostage 目標檢測算法包括R-CNN、Fast R-CNN、Faster R-CNN 及Mask R-CNN 等。而One-stage 目標檢測架構通過卷積神經網絡直接進行定位和分類，可以在一個階段中生成目標的類別概率和位置的坐標，無需生成候選區域的過程。一些常見的One-stage 目標檢測算法包括YOLO 系列和SSD 系列。

盡管One-stage 目標檢測算法在性能上已經接近或超過Two-stage 模型，但相較于Two-stage 算法，其檢測精度還有提升空間。對于小目標和密集目標的檢測效果，Two-stage 算法可能更具優勢。因此，在實際應用中，我們需要根據具體的應用場景和需求選擇合適的算法，并對其進行適當的調整和優化。

2 全覆蓋監控系統

2.1 硬件組成

全覆蓋監控系統主要由多個變焦相機以及圖像分析服務器組成，硬件間通過網線連接通信，硬件系統組成架構如圖1 所示。通過監控畫面分析實現區域入侵監測以及人的不安全行為提醒，所有分析結果以及報警信息反饋到井場儀表橇內，實現井場壓裂區域的智能監控覆蓋，提升井場安全管理的智能化水平。

圖1 硬件系統組成示意圖

其中交換機、硬盤錄像機和圖像分析服務器放置在儀表橇內，接入電源、網線后即可自動啟動監控程序運行，實時目標分析監測到異常后自動報警。交換機用于視頻信號的轉發；硬盤錄像機用于井場安防監控視頻的存儲，便于后期監控錄像的查找與回放；圖像分析服務器中部署了圖像識別目標檢測算法，能夠接收相機的視頻流進行分析運算，檢測井場的不安全行為。圖像分析服務器通過網線連接到儀表橇內與監控顯示大屏相連接的工控機上，在工控機的瀏覽器中輸入對應的網址即可打開全覆蓋監控系統界面。

相機工裝分別安裝于水罐左右兩側，正對兩排壓裂橇，每個相機工裝包括一臺固定位置監控的變焦槍機和一臺用于井場巡視的變焦球機，槍機和球機都選用水平和垂直視場角大的，以滿足全井場覆蓋的監控范圍需求。變焦球機的旋轉巡航路線和巡航速度需要根據具體壓裂井場的設備擺放布局情況進行設置。

2.2 軟件方案

2.2.1 圖像識別算法模型開發

主要通過圖像采集、圖像標注、模型訓練等步驟構建模型，將構建好的模型部署到智能分析服務器用于目標識別分析。智能分析模型用于識別人員是否佩戴安全帽、是否穿著工服、是否接打電話、是否吸煙和是否有人員闖入限定區域。

前期在多個不同井場安裝變焦槍機和變焦球機，按照1 920×1 080 的統一分辨率采集壓裂井場作業時的不安全行為視頻，視頻內容包括不佩戴安全帽、接打電話、未穿著工服、吸煙和人員闖入高壓區；然后將采集到的視頻拆分為圖像幀，選取其中有效的部分進行圖像標注，其中未穿著工服的標注標準為未穿工服上衣、未穿工服褲子以及全部未穿著；使用上述5 類圖像分別訓練5 個目標檢測算法模型，保證單類不安全行為識別的準確性，以及模型升級迭代時的便捷性。若只訓練一個目標檢測算法模型完成5 類行為識別，識別準確率會有所降低而且當新增某類數據時需要對所有數據重新進行訓練，工作量大、耗時長。同時針對效果測試中出現的漏報、誤報場景進行人工標注后重新訓練對應模型，提高模型在復雜井場場景下的魯棒性；最后將訓練、測試完畢的算法模型部署到圖像分析服務器上用于監控系統調用。

算法模型采用目標檢測算法中的YOLOv4 神經網絡模型[7]，網絡架構包括原始圖像的輸入層、多尺寸特征提取與融合的骨干層和頸部層以及預測輸出的頭部層。由于井場儀表橇內使用的圖像分析服務器配置較低，骨干層采用VGG16 的架構并將其中的3×3、5×5 標準卷積分解替換為空間可分離卷積以降低計算量，提高圖像處理幀數，保證處理后的視頻圖像連續，滿足監控視頻實時性的要求。

2.2.2 入侵監測區域設置及與聲光報警器聯動功能開發

區域入侵監測是預先在攝像機監控范圍內繪制監測區域，當人員進入監測區域并達到入侵時長會觸發攝像機聯動報警，如壓裂作業期間高壓區域、吊機作業下方區域的人員闖入等。并且在非作業期間可暫停算法運行避免無效報警。

采用抓取相機靜態畫面進行區域繪制后保存的方式，劃分識別區域，后續視頻流中識別區域以外的畫面不進行人員識別與報警。并且識別區域以外的畫面會進行淡化顯示，識別區域以內的畫面正常顯示，用于不同區域的區分。同時，通過485 轉TCP/IP 協議模塊將圖像分析服務器與聲光報警器連接，使圖像分析服務器中區域入侵監測的報警信息能夠與聲光報警器進行通信，從而實現在圖像分析服務器中檢測到區域入侵事件時聲光報警器能夠同步動作，提醒現場人員及時處理，避免安全事故的發生。

2.2.3 集成顯示算法管理系統開發

集成顯示算法管理系統具有攝像頭管理、任務管理、事件查看、實時監控頁面查看的功能。當人員闖入設定的偵測區域并達到入侵時長，或者監控攝像機發現人的不安全行為會將信息發送到儀表橇進行畫面與聲光報警提醒，并記錄違規類型、時間和抓拍截圖。

其中攝像頭管理頁面，能夠查看已經添加的攝像頭列表，可通過rtsp 協議新增攝像頭。雙擊攝像頭畫面可以打開查看實時監控；任務管理是將部署到圖像分析服務器中的不同的算法模型應用綁定到不同的攝像頭。在任務管理頁面，可以查看已經配置好的任務以及修改每個任務配置（設置每個算法的識別閾值和報警閾值等）。雙擊攝像頭畫面可以打開查看實時識別結果（有報警框）。

3 井場應用

在新疆維吾爾自治區的克拉瑪依市和昌吉回族自治州吉木薩爾縣的井區進行了現場應用，克拉瑪依井區測試相機工裝及安裝位置如圖2 所示。操作人員需要根據井場布局情況在監控系統中設置禁入區域，用于壓裂作業時的高壓區人員闖入識別。當監控系統識別到不安全行為時儀表橇內的聲光報警器進行聲光報警提醒，監控系統畫面中用紅色矩形框實時標記闖入人員的位置?，F場系統應用表明，不安全行為識別準確、報警展示效果良好，能夠滿足壓裂井場的監控需求，提升了井場監控、人員安全管理的智能化水平。

圖2 克拉瑪依井區測試

首先進行硬件設備的安裝，相機工裝、聲光報警器安裝固定后進行交換機、硬盤錄像機、圖像分析服務器的安裝，完成后連接信號線與電源線并進行通信測試，檢測各硬件是否工作正常。測試方法如下：①打開硬盤錄像機界面查看槍機左、球機左、槍機右和球機右顯示畫面是否正常，各部分畫面顯示成功即代表4 個監控相機功能正常，如部分無法顯示則需要排查對應的線路連接以及異常監控相機的工作狀態。如硬盤錄像機界面無法顯示，則需要排查硬盤錄像機故障原因；②通過瀏覽器打開全覆蓋監控系統，監控系統界面成功顯示、若有不戴安全帽等不安全行為畫面報警提示，區域入侵檢測到人員闖入時能夠聯動聲光報警器進行報警，即代表全覆蓋監控系統正常運行，如無法報警則需要排查對應線路連接和不安全行為識別算法的運行狀態以及算法參數設置。

4 結束語

通過安全帽、工服、抽煙、接打電話和人員闖入的圖像識別算法開發以及算法模型部署，使圖像分析服務器能夠根據預先訓練好的5 類算法模型對網絡攝像機的監控畫面進行實時圖像處理；通過對壓裂作業區域人員入侵監測規則設計及功能開發，系統能夠根據預先配置的識別區域進行圖像分析；通過集成顯示算法管理系統上位機界面開發，設計開發監控系統web 端界面，使用戶能夠通過相關按鈕進行系統功能配置和監控畫面、報警記錄查看。

井場全覆蓋監控系統能夠實現對壓裂作業區域的人員闖入監控及現場作業人員不安全行為的自動識別，能夠極大地減少因個人安全意識不足或監管不到位而產生安全隱患的情況，保障井場作業人員的人身安全。