翟凯1 张彪2 刘鹏2

1.中国石油西部管道兰州输气分公司2.青岛中油岩土工程有限公司

1．引言

石油天然气是重要的国家战略资源，石油天然气的长距离输送直接关系到国民经济发展和社会稳定。目前，我国陆上已建成油气输送管道的总长度已超过15万公里，然而当前对油气管道的安全管理问题仍存在缺失。违法侵占管道用地、工机械挖掘、深根植物种植、打孔盗油、洪水侵蚀、山体滑坡、地面塌陷、泥石流等问题严重威胁管道安全，管道管理安全形势日趋严峻。为保证油气管道安全正常工作，必须对油气管道进行定期巡检。

传统的管道巡检方法以人工巡检为主，但人工巡检方式存在着巡检人员主观因素过多、巡检效率较低、信息反映不及时、劳动强度大、安全风险大、安全成本高等缺陷，也难以对高山、沙漠和沼泽等环境恶劣地区的管道进行巡查，已远远不能满足现代化管道管理的需求。

解决上述问题的方法就是利用无人机航空摄影测量进行管道巡检工作。即利用集成GPS定位系统的小型测绘无人机作为飞行平台，搭载高清相机或光电吊舱，沿管道飞行实时传输影像信息或采集高清数码照片，内业实时监测或进行航片后处理，以实现对管线进行巡检的技术手段。现代无人机具有成像分辨率高、设备机动性好、转场作业灵活及便于紧急作业等优点，不仅可以对管道进行定期常规巡检，而且能够在突发情况后开展应急监测，从而为管道的管理与维护提供有力的技术支持。

2.低空影像自动识别技术

低空遥感影像自动识别技术是基于无人机等低空飞行器获取的影像资料，通过软件自动解译，对航片中的特定地物按照预设的特征进行自动提取的专业化、智能化技术。

影像自动识别技术目前已初步应用在灾害动态监测、环境污染监测以及城市规划等方面，但其较多基于卫星遥感影像数据进行识别分析，采用低空遥感影像数据的较少，如果直接用于油气管道巡检，尚存在针对性不强、缺少专用提取算法、缺少管道风险评估技术和机制、未能形成完整技术链等不足。因此，更加迫切需要利用人工智能和深度学习技术，研究从低空遥感影像中提取目标地物的几何形态、光谱信息、纹理特征、高程异常变化及粗糙指数、水分指数等其它特征参数进行管线风险因素自动识别和评估的技术体系，开发一套专门用于油气管道巡检的低空遥感影像的管道风险因素自动识别、分类提取技术，以提高管线巡检的效率和可靠性。

3.基于油气管道无人机巡检的风险因素识别

3.1自动识别关键技术

管道风险因素自动识别其中涉及的几项关键技术：无人机影像多尺度分割技术、无人机遥感特征提取技术和基于新型人工神经网络的无人机影像分类技术等。

1）无人机影像多尺度分割技术

无人机影像多尺度分割技术是无人机遥感信息提取的前提与基础。多尺度分割技术，可以结合不同地物的形状、色彩、纹理等特征，建立与其对应的分割准则，基于对象内部异质性最小原则，在不同尺度下对不同地物进行分割，分割后使得对象间的异质性达到最大，以实现不同地物的最优分割。相对于单一尺度分割，多尺度分割可以改善地物的分割精度，提高高分辨率遥感影像的应用水平。多尺度分割的关键是参数的选择，分割过程中的主要参数有分割尺度、波段权重、均质性因子3类。

2）无人机遥感特征提取技术

无人机影像特征识别技术是的无人机遥感信息提取的关键。为了能够很好地完成施工场地的提取工作，需要综合运用其无人机影像的光谱特征、纹理特征及形状特征，常用的光谱特征有各波段的均值、比值、影像对象的亮度及影像对象的最大差分等；常用的纹理特征包括角二阶矩、均值、均质性、标准差及相关性等；常用的形状特征包括面积、边界长度、长、宽及长宽比等。

3）基于新型人工神经网络的无人机影像分类技术

新型人工神经网络——卷积神经网络(Convolutional Neural Networks, CNN)是无人机影像分类的重点。它是一个为识别二维形状而特殊设计的类多层感知器(Multilayer perceptron, MLP)，是一个多层结构学习算法，通过分析空间相对关系的方法来减少参数数目，从而提高训练性能。卷积神经网络为多层的神经网络，每层网络由多个二维平面组成，每个二维平面由多个独立神经元组成，网络的最基本构成为单个神经元。卷积神经网络的算法中，其训练过程最为重要。通过构建大量训练样本，能够有效完成卷积神经网络的构建，保证影像分类识别的准确性和可靠性。

3.2自动识别要素分类

在油气管道的众多破坏因素中，项目施工出现的频率最高，带来的破坏性极强，成为油气管道巡检的重点。施工场地具备的稳定要素有裸土、板房和机械设备三种，根据其光谱、纹理、形状及结构等特征可以对油气管道周边的施工场地进行有效的识别。

3.2.1裸土识别

裸土识别主要依靠其光谱特征和纹理特征。裸土表面裸露，颜色与周围的地物如植被、水体等明显不同，使光谱特征成为其识别的主要特征。其次，裸土土质疏松，呈颗粒状，粗糙的纹理特征成为其另一重要特征。

a. 基于NDSI指数的裸土提取

颜色是地物光谱特征的反映，裸土的反射光谱曲线与其它地物差异明显（右图），光谱反射率从可见光到红外波段逐渐上升，特别是在中红外波段，裸土的光谱反射率最高，本研究利用其这一特性构建归一化裸土指数（NDSI）进行裸土的提取。

b. 基于灰度共生矩阵（ GLCM ）的裸土提取

纹理是裸土的又一识别特征，灰度共生矩阵（GLCM）是一种通过研究灰度的空间相关特性来描述纹理的方法，其用多种灰度统计量描述影像中像元灰度值不同组合出现频率的列联表或联合概率的分布，具体求解方法为：在某一特定方向上（如45°），对间隔为d的两个像素之间的灰度值关系进行统计，并将结果保存于矩阵中。

图1 基于GLCM技术的裸土提取

3.2.2板房识别

板房识别主要依靠其光谱特征和纹理特征。板房顶面一般为蓝色，同其它地物颜色差异明显，颜色成为板房的主要识别特征。其次，板房排列整齐，朝向基本一致，顶面起伏规则，具有一定的规律性，纹理特征成为板房识别的又一重要特征。

a. 基于BBI指数的板房提取

同其它地物相比，彩色板房颜色特殊，具有特殊的光谱特征，其光谱反射率在可见光的蓝、绿、红波段均较低，据此，本研究构建了板房光谱识别指数（BBI,Blue Building Index）进行彩色板房的识别。式中，RB、RG、RR分别为可见光蓝、绿、红波段的反射率。

图2 基于BBI指数的板房提取

b. 基于局部二元模式（LBP）的板房提取

纹理是板房的又一识别特征，局部二值模式（LBP）是一种用来描述图像局部纹理特征的算子，该算子是一个固定大小为3×3的矩形块，矩形中有1个中心子块和8个邻近子块，共对应于9个灰度值，计算后可产生8位二进制数，该值反映了区域纹理信息。通过该算法能够实现对板房区域的纹理信息提取。

3）机械设备识别

板房识别主要依靠其形状特征。机械设备如挖掘机、塔吊等外部轮廓清晰，几何形状不规则，特殊的几何形状成为机械设备遥感识别的重要特征。

二值形态学将二值图像看成是集合,其基本运算就是将结构元素在图像范围内平移,同时施加

交、并等基本集合运算，通过图像集合与结构元素的相互作用来提取有意义的信息。

图3 基于二值形态学的板房提取

4 结束语

随着无人机测绘航空摄影技术日益成熟，利用无人机进行油气管道巡检保护已经初步展现出其广阔的应用前景和极高的推广价值。利用传统的数字图像处理技术、人工神经元网络技术对影像处理，结合油气业务管线本身的地物识别需求进行编程开发，必将大量缩减管线巡检的人力成本和时间成本，能够为管线施工、巡检、管线改扩建工程提供信息化的支持，同时能够对管线的、预警管理、设计管理、施工过程管理、巡线管理、隐患管理及应急抢险等应用业务起到辅助作用。

[参考文献]

[1]张晓坤.高维数据可视化方法与可视化分类技术研究[D].哈尔滨:哈尔滨工业大学.2013.

[2]贺洪元.面向对象高分辨率多尺度分割[D].武汉:华中科技大学，2009, 41(3).

[3]李霞,徐涵秋,李晶,郭燕滨.基于NDSI和NDISI指数的SPOT-5影像裸土信息提取[J].地球信息科学学报,2016(1):117-123

[4]孙开敏,李德仁,眭海刚.基于多尺度分割的对象级影像平滑算法[J].武汉大学学报(信息科学版).2009(04)

[5]孙颖,何国金.基于标记分水岭算法的高分辨率遥感图像分割方法[J].科学技术与工程.2008(11)

作者简介：翟凯，男，汉族，高级工程师。研究方向管道安全管理及保护。

《管道保护》2017年第3期（总第34期）