水面油污在线监测系统研究
来源:用户上传
作者:
[摘 要]中國目前运营的输油管道5万余千米，管道在河流穿越段附近发生泄漏事件，油品随着水流快速扩散，容易造成严重的环境污染，造成很坏的社会影响。通过在河流穿越段下游加装监测系统，可以及时发现油品泄漏，减少巡检次数，快速响应。
[关键词]管道;油品泄漏;在线监测
doi：10.3969/j.issn.1673 - 0194.2020.06.037
[中图分类号]TP212.9;TN929.5;TP274 [文献标识码]A [文章编号]1673-0194（2020）06-00-02
0 引 言
管道运输作为五大运输方式之一，在油气运输上独具优势，可以平稳、不间断地将油气运输到全国各地。中国目前运营的输油管道总长5万余千米，在油品运输过程中，一旦管道发生泄漏，尤其是油品泄漏点在河流附近，流动的河水会加速油污扩散，如果没有及时发现，将造成严重后果。2009年12月30日，中石油某成品油输油管道发生泄漏，在渭河形成污染带进入黄河，污染了当地饮用水源，造成很坏的社会影响。通过在线监测系统及时发现、及时处理，能够大幅降低油品泄漏造成的影响。
1 油污在线监测系统模型
油污在线监测系统通过图片及气味数据进行分析，针对识别出的油污水面向生产人员发送预警信息，通过人为二次判断，确定现场情况。系统由数据采集模块（包括视觉采集模块和气味采集模块）、信号处理模块、无线传输模块、远程计算机模块4部分组成，如图1所示。
①系统采集模块。系统采集模块包含视觉采集模块和气味采集模块。即采集特定范围内河面的图像和气味数据，并将所得到的电信号传递给信号处理模块。②信号处理模块。信号处理模块为整个系统的关键，主要实现在各模块、各传感器之间的信号转换、采集、存储、处理和发送等功能。③通信模块。通信模块通过有线、无线的方式，将平台采集的数据发送到远端计算机。④远端计算机。远端计算机接收传输过来的各项数据，通过机器学习建立神经网络模型，实时监测河面是否存在油污泄漏和油膜存在等情况。对疑似油污存在的情况，发出报警提示，并显示现场图像，进行人工判断。
2 基于SVM的图像监控系统
支持向量机（SVM）已经成为了解决数据挖掘问题的重要方法，是基于统计学习理论和神经网络的技术。不同于传统分类方法，SVM是一种基于结构风险最小化的分类技术，核心不是将学习器训练误差降到最小，而更注重分类器的泛化能力，从而让SVM在处理某些分类问题时表现得更加高效且稳定。
2.1 基于支持向量机（SVM）的图像分割
在对图像进行分割时，通常采用的分割方法是基于阈值，根据以往经验设定阈值并提取图像的灰度、纹理、梯度等特征来分割图像。按照个人经验设定阈值和特征往往比较困难，通常需要多次调整阈值和特征信息以使实验结果更符合预期结果。然而在统计学习中，无须对每个特征设置固定的阈值，而是通过选择适量的特征并明确对应的权值，这样在分类像素点时可以尽可能多地选择特征作为样本属性。利用SVM原理对像素点进行分类，解决图像分割问题。在建立SVM分类模型时，先选取训练样本集，并确定SVM核函数及其参数，提取样本的特征，最后确定训练样本集进行训练，并用SVM分类器分割图像。
2.2 算法步骤
基于SVM的图像监控系统的算法步骤如图2所示。
2.3 实验结果及分析
分析实验结果（如图3所示）可以发现，系统对水面的油污进行有效的分析识别。但在出现不规则物体阴影、强光折射时，系统可能出现误判，此时需要通过更加丰富的训练集提高系统的准确度和稳定性。此外，应适当引入人工识别，不能因为提高对异物的识别而遗漏对油污的识别，不能因小失大。
3 基于LVQ神经网络的气味监控系统
一个LVQ网络由输入层、竞争层、输出层等3个神经元组成。其中竞争层会通过输入向量的距离学习，从而对输入向量进行分类。输出层获得竞争层传来的分类信息，并将其转变为一个类别，每个输出层神经元代表一个分类。在竞争层和输出层之间的连接权值固定为1。输入层和竞争层间的连接权值为参考矢量的分量。在LVQ网络训练过程中，这些权值会被修改。所以在竞争层和输出层都有二进制输出值。当某个输入被传送至LVQ网络时，最接近输入的参考矢量的竞争神经元获得激发，从而赢得竞争，产生一个“1”;而其他竞争神经元因此都被迫产生“0”。获胜神经元所在的神经元组相连接的输出神经元也发出“1”，其他输出神经元逼迫发出“0”。产生“1”的输出神经元给出输入对应的类，每个输出神经元代表不同的类，如图4所示。
4 实验结果及分析
图5是基于LVQ神经网络的气味监控系统模型，实验中，笔者选取的数据集数据总数为569个，其中正常情况数据357个，泄露情况数据212个。随机将数据集分为训练集和测试集。其中，训练集数据总数为426个，正常情况270个，泄露情况156个。测试集数据总数143个，正常情况87个，泄露情况56个。使用训练集的数据对系统进行训练，训练结束后，使用测试集数据进行校验。最终得出如下结果：测试集正常情况数据中，正确识别的为78个，误判为泄露情况9个，正确率P1=89.655 2%;测试集泄露情况数据中，正确识别的为45个，误判为泄露情况11个，正确率P2=80.357 1%。通过实验可以发现，在不考虑数据集样本数据差异的情况下，训练集的容量越大，系统的正确识别率越高，通过丰富训练集容量，可以有效提高系统的正确率，同时系统可以自主学习，将每次测试的数据转化为新的训练数据，尽可能提高系统的识别率。
5 结 语
通过以上实验结果不难发现，SVM神经网络图像识别与LVQ神经网络气味监控系统，在水面油污监控中能达到较好应用，但是在实际环境中，干扰系统识别的因素千差万别，一盆肥皂水、一艘游船经过都可能造成监控系统误判，需要加入人工识别的方式进行二次诊断，在发现可疑情况时及时报警，并实时传送监控图像和气味识别数据，由人工进行核实。应用水面油污监控系统并不表示可以完全不用人工管理，只是作为初筛使用，现实生产不同于实验室，万分之一的误判都有可能造成严重后果，所以在系统使用过程中，只要图像和气味两个识别系统有一个发现异常，就会警报。
主要参考文献
[1]边冰，刘奇，何浩.基于LVQ神经网络的煤自然发火预测系统[J].华北理工大学学报：自然科学版，2017（1）：12-16.
[2]王博，刘俊康，陆逢贵，等.基于卷积神经网络的食品图像识别[J].食品安全质量检测学报，2019（18）：6241-6247.
转载注明来源:https://www.xzbu.com/3/view-15162027.htm
