劉文華 劉洋 李寧

[摘 要] 油氣管道是國(guó)家能源的動(dòng)脈。管道周圍的不確定事件包括非法占?jí)骸⒎欠ㄊ┕?、地質(zhì)災(zāi)害、打孔盜油等給管道防護(hù)帶來(lái)極大的安全風(fēng)險(xiǎn)。盡管在長(zhǎng)時(shí)間的實(shí)踐過(guò)程中形成了一套完整的巡線排查體系，但仍有待完善的方面。無(wú)人機(jī)管道巡線是很好的手段并得到不斷的嘗試和應(yīng)用。將人工智能技術(shù)應(yīng)用于無(wú)人機(jī)航拍影像的處理可以大大減輕作業(yè)人員負(fù)擔(dān)，提高巡線效率。文章在分析無(wú)人機(jī)影像特點(diǎn)的基礎(chǔ)上，提出了適用于無(wú)人機(jī)影像智能檢測(cè)的基于SSD的改進(jìn)深度神經(jīng)網(wǎng)絡(luò)算法，并進(jìn)行了設(shè)計(jì)和驗(yàn)證。結(jié)果表明，該算法檢測(cè)準(zhǔn)確，滿足要求。

[關(guān)鍵詞] 油氣管道；巡線；人工智能；目標(biāo)檢測(cè)

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 11. 057

[中圖分類號(hào)] TP311 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2018）11- 0128- 06

1 背 景

1.1 管道人工巡護(hù)

油氣管道可以負(fù)責(zé)長(zhǎng)距離輸送原油或天然氣，輸送距離可能長(zhǎng)達(dá)數(shù)百、數(shù)千公里，管道線路要經(jīng)過(guò)河流、峽谷、沙漠、戈壁等各種自然場(chǎng)景。漫長(zhǎng)的油氣管道、地形復(fù)雜的管道線路，不僅增加了遇到各種地質(zhì)災(zāi)害發(fā)生的可能性，還給很多不法分子可乘之機(jī)。而這些都對(duì)油氣管道的正常運(yùn)輸造成了威脅。

從廣義上講，凡是能對(duì)管道安全造成威脅的事件都是危險(xiǎn)事件。主要有以下三類：

（1）人為蓄意破壞。在巨大經(jīng)濟(jì)利益的驅(qū)使下，犯罪分子在偏僻的地段對(duì)管道進(jìn)行破壞，打孔盜油。由于此類事件的發(fā)生持續(xù)時(shí)間短，地點(diǎn)隱蔽，很難被及時(shí)發(fā)現(xiàn)。

（2）無(wú)意人為破壞。根據(jù)國(guó)家《石油天然氣管道保護(hù)條例》規(guī)定，禁止在管道中心線兩側(cè)各5米范圍內(nèi)進(jìn)行修建、堆放大宗物資等操作，管道沿線施工需要按照嚴(yán)格的報(bào)批程序進(jìn)行審批，由專業(yè)的巡護(hù)人員知道作業(yè)，否則均可能對(duì)油氣管道造成意外破壞。

（3）地質(zhì)自然災(zāi)害。管道線路需要經(jīng)過(guò)河流、山川、村莊等自然場(chǎng)景，洪水、地震、山體滑坡、地質(zhì)下陷等自然災(zāi)害均可能造成油氣管道的外漏甚至泄露。

以上三種類型的危險(xiǎn)事件，都可能給油氣管道的正常運(yùn)輸造成影響。現(xiàn)階段的管道的人工防衛(wèi)主要依靠巡線工人每天按時(shí)巡護(hù)管道，雖然現(xiàn)階段已經(jīng)有許多現(xiàn)代化管理技術(shù)和輔助巡線技術(shù)，但仍然存在很多弱點(diǎn)。這些弱點(diǎn)包括：?jiǎn)稳搜惨曇曇拜^窄，并可能出現(xiàn)遮擋等視界受限情況，無(wú)法巡視到區(qū)域全局；人工巡視部分地區(qū)不可到達(dá)，例如山頂、谷底、無(wú)人區(qū)等難以進(jìn)入或進(jìn)入后有危險(xiǎn)的地區(qū)；此外，巡線工人每日重復(fù)工作容易形成主觀判斷，在責(zé)任心方面發(fā)生變化，使巡護(hù)工作逐漸松懈。

1.2 無(wú)人機(jī)巡線

將無(wú)人機(jī)應(yīng)用于巡線是軍事領(lǐng)域技術(shù)引入工業(yè)領(lǐng)域的典型技術(shù)之一。時(shí)至今日，國(guó)內(nèi)外對(duì)無(wú)人機(jī)在工業(yè)領(lǐng)域的應(yīng)用已較為成熟，譬如高空輸電線路的檢查和維護(hù)已經(jīng)成功使用無(wú)人機(jī)高空錄像、紅外熱成像等技術(shù)。

現(xiàn)階段許多工業(yè)領(lǐng)域的巡線工作，在工人難以到達(dá)的地域一般使用直升機(jī)巡線作業(yè)。直升機(jī)巡線屬于現(xiàn)階段比較成熟的巡檢技術(shù)，但從運(yùn)維角度考慮，直升機(jī)巡線在成本等諸多方面都有限制。與之相比，無(wú)人機(jī)巡檢的優(yōu)勢(shì)主要體現(xiàn)在：

（1）飛行成本低。直升機(jī)巡檢的飛行成本超過(guò)7 000元/h，而無(wú)人機(jī)的運(yùn)行成本在2 000元/h以下。而且由于飛行團(tuán)隊(duì)人員數(shù)量不同，成本差距在此基礎(chǔ)上還將增加。

（2）巡線效果穩(wěn)定。從現(xiàn)有數(shù)據(jù)來(lái)看，直升機(jī)巡線拍攝到的視頻畫面抖動(dòng)嚴(yán)重，而且視角難以固定到某一標(biāo)準(zhǔn)。使用無(wú)人機(jī)拍攝則可以提供相對(duì)穩(wěn)定的畫面以及標(biāo)準(zhǔn)的拍攝角度。此外，一些無(wú)人機(jī)還能現(xiàn)場(chǎng)調(diào)整拍攝角度，達(dá)到精確拍攝的效果。

（3）安全性高。無(wú)人機(jī)巡線不需要人員跟隨機(jī)器進(jìn)行，除起飛降落外，由飛行器按照固定航線進(jìn)行自動(dòng)巡線。相對(duì)于直升機(jī)巡線，不會(huì)對(duì)巡線人員的生命安全構(gòu)成威脅。

1.3 航拍圖像下的目標(biāo)檢測(cè)

近年來(lái)無(wú)人機(jī)技術(shù)興起，油氣部門嘗試使用無(wú)人機(jī)技術(shù)對(duì)管道進(jìn)行看護(hù)，由無(wú)人機(jī)拍攝油氣管線路上的俯視圖后進(jìn)行人工判讀，反饋油氣管道附近存在的異常事件，最后進(jìn)行危險(xiǎn)排除。

這一方式的主要缺點(diǎn)是：長(zhǎng)時(shí)間辨別圖片，人很容易產(chǎn)生疲憊感，影響判斷的準(zhǔn)確性甚至造成誤判。

隨著人工智能的興起，有越來(lái)越多的產(chǎn)業(yè)依靠人工智能提升了產(chǎn)業(yè)的生產(chǎn)效率甚至完成了產(chǎn)業(yè)轉(zhuǎn)型。圖像的智能目標(biāo)檢測(cè)是新興的一種圖像處理方法，與傳統(tǒng)的“目標(biāo)識(shí)別”方法相比，目標(biāo)檢測(cè)不僅能夠識(shí)別出多個(gè)物體的種類，還能夠在圖像中找到物體的位置，如圖1所示。

參照?qǐng)D1的比對(duì)圖，直觀表述了目標(biāo)檢測(cè)的任務(wù)。

目標(biāo)檢測(cè)的過(guò)程其實(shí)是分為“檢測(cè)”和“識(shí)別”兩部分，檢測(cè)部分通常是提取多個(gè)目標(biāo)候選框（Object Proposal），而識(shí)別部分則是根據(jù)候選框的模式空間將候選框中的物體類別便是出來(lái)。

傳統(tǒng)目標(biāo)檢測(cè)通常分為以下幾個(gè)步驟：①圖像預(yù)處理；②生成候選框；③對(duì)候選框的模式進(jìn)行特征提取；④對(duì)特征進(jìn)行特征空間內(nèi)的分類；⑤框回歸與合并。

由于神經(jīng)網(wǎng)絡(luò)的興起，從2012年以來(lái)，目標(biāo)檢測(cè)的理論以及實(shí)現(xiàn)方法和步驟發(fā)生了巨大的變化。神經(jīng)網(wǎng)絡(luò)逐漸合并了上述傳統(tǒng)目標(biāo)檢測(cè)過(guò)程的2～4步，形成了端到端的目標(biāo)檢測(cè)模型。改變的過(guò)程中，神經(jīng)網(wǎng)絡(luò)展示出其優(yōu)秀的準(zhǔn)確率。深度學(xué)習(xí)在圖像檢測(cè)算法的各大賽事上不斷刷新紀(jì)錄，時(shí)至今日，已經(jīng)產(chǎn)生出大量準(zhǔn)確率達(dá)到90%以上的優(yōu)秀模型。

近幾年，各行各業(yè)將這些模型不斷應(yīng)用到實(shí)際中。結(jié)合油管巡線工作，將優(yōu)秀的圖像檢測(cè)模型應(yīng)用到無(wú)人機(jī)巡線圖片檢測(cè)中是21世紀(jì)人工智能發(fā)展浪潮導(dǎo)致的必然。

現(xiàn)有的算法，一般為自然場(chǎng)景下的目標(biāo)識(shí)別。但無(wú)人機(jī)巡線圖片有所不同，主要體現(xiàn)在以下兩個(gè)方面：

（1）拍攝視角。不同于自然場(chǎng)景圖片的側(cè)視拍攝，航拍圖像的視角一般為俯視圖；

（2）分辨率。航拍圖像因?yàn)橐ＷC辨識(shí)率的同時(shí)提供寬闊的視域，分辨率較一般圖像會(huì)更大，如圖2所示。

本文旨在基于對(duì)現(xiàn)有系統(tǒng)和方法的認(rèn)知，設(shè)計(jì)并將圖像檢測(cè)應(yīng)用到無(wú)人機(jī)巡線中，輔助油氣管道防衛(wèi)工作。

2 算法原理與特點(diǎn)

2.1 算法原理

針對(duì)油氣管道的巡航，目標(biāo)檢測(cè)技術(shù)的研究目的是檢測(cè)航拍圖片中是否包含人、車、違章建筑、自然災(zāi)害等可能危害油氣管道安全的物體或事件信息。

目標(biāo)檢測(cè)的關(guān)鍵技術(shù)按流程順序分別為：圖像預(yù)處理、圖像特征提取和物體或事件分類器。這些技術(shù)是圖像智能檢測(cè)算法的基礎(chǔ)組成部分，也是計(jì)算機(jī)視覺(jué)領(lǐng)域的幾項(xiàng)基礎(chǔ)研究。

2.1.1 圖像預(yù)處理

航拍圖像的獲取是利用無(wú)人機(jī)在油氣管道上方飛行，對(duì)油氣管道周邊進(jìn)行航拍，再經(jīng)過(guò)后期處理得到真正用于目標(biāo)檢測(cè)的航拍圖像。

由于無(wú)人機(jī)體積小、重量輕，容易受風(fēng)和氣流影響，姿態(tài)不穩(wěn)定，導(dǎo)致航拍影像數(shù)量多、傾角大、畸變大、重疊度不規(guī)則等問(wèn)題，從而給數(shù)據(jù)處理帶來(lái)挑戰(zhàn)，因此有必要實(shí)現(xiàn)對(duì)圖像進(jìn)行預(yù)處理。首先對(duì)原始垂直影像和傾斜影像進(jìn)行稀疏重建，即聯(lián)合空三處理，快速獲取影像姿態(tài)和稀疏點(diǎn)云；然后采用半全局密集匹配獲取密集三維點(diǎn)云，進(jìn)而獲得格網(wǎng)DEM數(shù)據(jù)?；贒EM，對(duì)傾斜影像進(jìn)行數(shù)字微分糾正，對(duì)垂直影像進(jìn)行正射糾正，并將糾正影像進(jìn)行無(wú)縫快速拼接獲得拼接全景圖。在拼接全景圖上進(jìn)行典型目標(biāo)提取、識(shí)別與標(biāo)識(shí)，從而對(duì)油氣管道情況進(jìn)行分析。

2.1.2 神經(jīng)網(wǎng)絡(luò)特征提取原理

對(duì)油氣管道附近的航拍圖像進(jìn)行目標(biāo)檢測(cè)，需要檢測(cè)出可能危害到油氣管道安全的事件。每種事件都有自己的特征，如違章搭建——與正常的油氣管道相比，存在違章搭建的圖像中，油氣管道附近存在建筑物和不明堆積物。油氣管道上定期巡視的任務(wù)是找到此類事件并派人處理。交由計(jì)算機(jī)后，深度神經(jīng)網(wǎng)絡(luò)的主要功能是正確地從圖像中提取異常事件的關(guān)鍵特征。

CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）是目前深度學(xué)習(xí)在圖像處理領(lǐng)域最好算法之一，它是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型，其特殊性體現(xiàn)在兩個(gè)方面。一方面它的神經(jīng)元間的連接是非全連接的，另一方面同一層中某些神經(jīng)元之間的連接的權(quán)重是共享的。它的非全連接和權(quán)值共享的網(wǎng)絡(luò)結(jié)構(gòu)使類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。

在圖像處理領(lǐng)域，CNN被廣泛用于圖像特征的提取。它的層數(shù)可變化范圍很大，從幾層到幾千層不等，意味著CNN能同時(shí)提取圖像的淺層特征和深層次特征。用CNN提取的特征比傳統(tǒng)方法提取出的特征表達(dá)更多維度的信息，更利于圖像的分類和檢測(cè)，所以本文采用的目標(biāo)檢測(cè)算法中，CNN是主要的特征提取算法。

2.1.3 模式分類與回歸原理

分類與回歸本質(zhì)理論上是一個(gè)問(wèn)題，都是基于樣本的特征向量得到映射到類別空間。不同的是，分類問(wèn)題的目標(biāo)類別空間是離散的，而回歸問(wèn)題的目標(biāo)類別空間是連續(xù)的。

對(duì)油氣管道提取的特征向量進(jìn)行目標(biāo)檢測(cè)，實(shí)際上是一個(gè)分類與回歸的交叉問(wèn)題。對(duì)油氣管道航拍圖像進(jìn)行目標(biāo)檢測(cè)既要識(shí)別圖片中的特殊目標(biāo)種類，又要找到目標(biāo)的具體位置。特殊目標(biāo)種類是一個(gè)圖像識(shí)別問(wèn)題，從模式識(shí)別角度考慮本質(zhì)是一個(gè)分類問(wèn)題，而給出物體具體坐標(biāo)則是一個(gè)回歸問(wèn)題。

本問(wèn)對(duì)這兩個(gè)問(wèn)題分別建立了兩個(gè)模型，識(shí)別類別問(wèn)題使用Softmax進(jìn)行分類，坐標(biāo)問(wèn)題使用全連接進(jìn)行回歸計(jì)算得到坐標(biāo)值。

需要說(shuō)明的是，Softmax是一個(gè)將目標(biāo)變量分為K類的算法，建模使用多項(xiàng)式分布。其具體計(jì)算公式形如：

其形成的結(jié)果為合成的向量，一般使用此向量對(duì)既定模式進(jìn)行無(wú)拒識(shí)的類型判別。

2.1.4 反向傳播與損失函數(shù)原理

深度學(xué)習(xí)要解決的主要問(wèn)題是訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使之能夠適應(yīng)給定的數(shù)據(jù)集，進(jìn)行相應(yīng)模式判斷。

反向傳播是完成此項(xiàng)任務(wù)最有效的算法。其主要的思想是將網(wǎng)絡(luò)最后輸出的結(jié)果計(jì)算其誤差，并且將誤差反向逐級(jí)傳下去。反向傳播運(yùn)用的是鏈?zhǔn)角髮?dǎo)的基本思想（隱函數(shù)求導(dǎo)），其原理如下：

反向傳播中的最上層誤差評(píng)價(jià)函數(shù)稱為損失函數(shù)，這個(gè)函數(shù)是訓(xùn)練神經(jīng)網(wǎng)絡(luò)最重要的一步。以線性回歸為例，對(duì)于神經(jīng)網(wǎng)絡(luò)的假設(shè)函數(shù)：

對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練即對(duì)該損失函數(shù)進(jìn)行最優(yōu)化。

2.2 算法的特點(diǎn)

深度學(xué)習(xí)與油氣管道巡視的結(jié)合，是人工智能在具體產(chǎn)業(yè)中的應(yīng)用。將人工智能引入油氣管道日常的維護(hù)過(guò)程，有希望改變監(jiān)控維護(hù)的流程。相比以前油氣管道的巡視，本文的方法主要有如下優(yōu)點(diǎn)。

2.2.1 適用范圍廣

深度學(xué)習(xí)是利用已知去判斷未知的算法。給算法大量帶有正確標(biāo)簽的數(shù)據(jù)（訓(xùn)練集），讓計(jì)算機(jī)自己學(xué)習(xí)數(shù)據(jù)內(nèi)部的特征和規(guī)律，然后利用這些學(xué)習(xí)到的知識(shí)去預(yù)測(cè)新的數(shù)據(jù)（測(cè)試集）。在計(jì)算機(jī)自己學(xué)習(xí)的過(guò)程中，學(xué)習(xí)到的知識(shí)是隨著訓(xùn)練集的不同而不同的，也就意味著深度學(xué)習(xí)的一個(gè)算法可以應(yīng)用在不同的領(lǐng)域，只要擁有足夠多的訓(xùn)練集，算法就可以自己學(xué)習(xí)到該領(lǐng)域的知識(shí)并應(yīng)用這些知識(shí)為該領(lǐng)域創(chuàng)造價(jià)值。

2.2.2 智能化程度高

在算法運(yùn)行的過(guò)程中，只需要將圖像導(dǎo)入，程序就會(huì)直接得到圖像中存在的異常并輸出。在檢測(cè)程序后加一個(gè)報(bào)警程序，算法就可以完成特征提取—預(yù)測(cè)—報(bào)警一整套流程，中間不需要人的干預(yù)。與以前傳統(tǒng)的人工識(shí)別異常相比可以節(jié)省大量的人力。

2.2.3 檢測(cè)精度高

使用本文所述算法對(duì)油氣管道附近對(duì)行人、車輛等進(jìn)行檢測(cè)，檢測(cè)準(zhǔn)確率可以達(dá)到80%以上，詳細(xì)結(jié)果將在下一節(jié)中給出。

2.2.4 出錯(cuò)率低

計(jì)算機(jī)學(xué)習(xí)完畢后，檢測(cè)流程就被固定下來(lái)。不同于人在長(zhǎng)時(shí)間重復(fù)查看圖像后會(huì)出現(xiàn)疲勞甚至出錯(cuò)，計(jì)算機(jī)程序只要運(yùn)行，就會(huì)一直保持初始精度重復(fù)工作下去，不會(huì)出現(xiàn)疲勞導(dǎo)致檢測(cè)的精度降低的現(xiàn)象。

2.2.5 經(jīng)濟(jì)成本少

人工識(shí)別需要付給工人一定的報(bào)酬，長(zhǎng)時(shí)間的積累后，在檢測(cè)方面會(huì)花費(fèi)大量的經(jīng)費(fèi)。而使用本文所述算法后，只需將檢測(cè)功能交給計(jì)算機(jī)，計(jì)算機(jī)就可以24小時(shí)不間斷地工作，降低人工成本花費(fèi)。

3 設(shè)計(jì)與應(yīng)用

3.1 任務(wù)概述

本文需要完成一個(gè)輔助人工巡線的軟件系統(tǒng)。該系統(tǒng)主要依靠無(wú)人機(jī)巡線獲取數(shù)據(jù)，經(jīng)過(guò)處理后智能識(shí)別出數(shù)據(jù)中的異常情況并給出具體圖像以及坐標(biāo)?；诂F(xiàn)階段研究情況考慮，該系統(tǒng)的評(píng)價(jià)標(biāo)準(zhǔn)主要為：①異常事件的識(shí)別率；②運(yùn)行效率（運(yùn)行速度）。

3.2 應(yīng)用流程設(shè)計(jì)

應(yīng)用到實(shí)際中主要考慮從實(shí)際場(chǎng)景到具體異常事件的報(bào)告間的處理流程。設(shè)計(jì)如圖3所示。

實(shí)際處理流程的第一步是從實(shí)際場(chǎng)景中得到航拍影像數(shù)據(jù)，由固定翼無(wú)人機(jī)進(jìn)行固定線路航拍得到。在機(jī)上處理技術(shù)還未成熟的現(xiàn)階段，考慮等待無(wú)人機(jī)落地后取得影像數(shù)據(jù)進(jìn)行地面處理。使用地面設(shè)置的服務(wù)器，進(jìn)行圖像特征處理得到全部圖像的特征參數(shù)，再由分類器和回歸函數(shù)計(jì)算得到圖像中異常目標(biāo)的具體位置。最后根據(jù)目標(biāo)類型和坐標(biāo)參數(shù)進(jìn)行決策，最終得到異常事件的類型并生成報(bào)告。

3.3 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

本文參考近幾年來(lái)在Pascal數(shù)據(jù)集上表現(xiàn)優(yōu)良的SSD算法，針對(duì)應(yīng)用到的實(shí)際問(wèn)題（對(duì)航拍圖像進(jìn)行目標(biāo)檢測(cè)），提出一個(gè)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型。

該網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

基于應(yīng)用中出現(xiàn)的實(shí)際物體所占像素較少，SSD算法中某些卷積層計(jì)算冗余嚴(yán)重，本文去掉了一些網(wǎng)絡(luò)層級(jí)，以提高整體效率。

在訓(xùn)練網(wǎng)絡(luò)時(shí)，參考原來(lái)算法進(jìn)行損失函數(shù)設(shè)計(jì)?，F(xiàn)令x表示目標(biāo)框與某一類別的實(shí)際框的指示數(shù)字，僅當(dāng)出現(xiàn)IOU最大情況時(shí)x為1，否則為0。令l表示預(yù)測(cè)框，g表示實(shí)際框。Lconf和Lloc分別表示分類（置信度）損失函數(shù)和回歸（位置）損失函數(shù)。N表示匹配的先驗(yàn)框個(gè)數(shù)。

如下式：

3.4 應(yīng)用結(jié)果

某天然氣管道科技信息服務(wù)中心聯(lián)合相關(guān)技術(shù)公司進(jìn)行了部分管道的無(wú)人機(jī)巡線航拍，并針對(duì)航拍圖像完成了異常目標(biāo)的識(shí)別。截至2018年2月，已經(jīng)試驗(yàn)兩次飛行以及圖像處理。

應(yīng)用主要情況如下：

3.4.1 夏季航拍識(shí)別

2017年8月，相關(guān)人員完成了某天然氣管道的航拍，并對(duì)航拍影像進(jìn)行異常事件識(shí)別。

具體數(shù)據(jù)如表1、表2所示。

針對(duì)夏季航拍圖像，識(shí)別334張圖片共耗時(shí)42分鐘，平均每分鐘識(shí)別7.95張圖片。

夏季航拍中共設(shè)置5個(gè)異常目標(biāo)，目標(biāo)均為白色車輛。共計(jì)在實(shí)際5個(gè)目標(biāo)中識(shí)別出4個(gè)異常目標(biāo)，另識(shí)別出非設(shè)置異常目標(biāo)1個(gè)，識(shí)別率達(dá)到80%。

3.4.2 冬季航拍識(shí)別

2018年2月，相關(guān)人員在夏季同一位置進(jìn)行了航拍，并對(duì)航拍影像進(jìn)行異常事件識(shí)別。具體數(shù)據(jù)如表3、表4所示。

針對(duì)冬季航拍圖像，識(shí)別814張圖片共耗時(shí)24分鐘，平均每分鐘識(shí)別33.92張圖片。

冬季航拍中共設(shè)置2個(gè)異常目標(biāo)，其中一個(gè)為白色車輛，另一為黑色車輛。實(shí)際識(shí)別中將異常情況全部識(shí)別出，識(shí)別率達(dá)到100%。

部分識(shí)別中間結(jié)果展示如圖5，圖6所示。

3.4.3 總 結(jié)

經(jīng)過(guò)實(shí)驗(yàn)，兩次航拍識(shí)別均達(dá)到每分鐘7張的識(shí)別速度，識(shí)別率達(dá)到80%以上。

對(duì)比夏季和冬季航拍識(shí)別的神經(jīng)網(wǎng)絡(luò)模型來(lái)看，冬季模型從兩個(gè)方面優(yōu)于夏季模型。一個(gè)方面是識(shí)別速度，對(duì)同等大小的圖片進(jìn)行識(shí)別，冬季模型識(shí)別速度為夏季模型的4.27倍，已超過(guò)同等情況下人工識(shí)別的速度（每分鐘10張）。另一個(gè)方面是識(shí)別目標(biāo)種類問(wèn)題，冬季模型可以識(shí)別兩類物體（黑色車輛和白色車輛），比夏季模型有所增加。

4 展 望

近兩年來(lái)，人工智能在國(guó)內(nèi)掀起了一波浪潮，從國(guó)家層面到各個(gè)公司、高校，人工智能的概念被廣泛提及。智能目標(biāo)檢測(cè)算法與管道巡線的結(jié)合成果不只是管道巡線的新方式，更是智能技術(shù)向著產(chǎn)品轉(zhuǎn)化的里程碑。

4.1 提高工作效率

本文所述算法是應(yīng)用于高分辨率圖片的，在神經(jīng)網(wǎng)絡(luò)的預(yù)處理階段會(huì)對(duì)高分辨率圖片進(jìn)行滑窗處理。在實(shí)際應(yīng)用過(guò)程中這種滑窗式的圖像處理方式可以進(jìn)行更深層次的算法優(yōu)化，如預(yù)統(tǒng)計(jì)剪枝、Adaboost迭代分類等。這些算法層面的優(yōu)化將提高智能檢測(cè)算法的檢測(cè)速度，進(jìn)一步提高巡線工作效率。

4.2 特殊場(chǎng)景識(shí)別

本文所述算法的提升空間在算法輸入層面來(lái)說(shuō)，現(xiàn)有無(wú)人機(jī)技術(shù)可以支持各種光學(xué)采集器材的搭載，搭載這些器材可以采集各種非可見光。這些非可見光作為算法輸入可以根據(jù)特性，進(jìn)行特殊場(chǎng)景下的物體檢測(cè)。比如使用紅外線攝影儀采集到的紅外光譜圖，可以對(duì)夜間場(chǎng)景進(jìn)行識(shí)別，檢測(cè)夜間盜油情況。

4.3 未來(lái)圖像即時(shí)傳輸和處理

在應(yīng)用場(chǎng)景方面，圖像識(shí)別算法與無(wú)人機(jī)的結(jié)合不僅能適用于各類管道巡線檢查，還可以運(yùn)用到如地震調(diào)查、軍事偵察、海事偵查、工程測(cè)繪、農(nóng)作物估產(chǎn)等。圖像特定目標(biāo)的識(shí)別與跟蹤的實(shí)現(xiàn)要依靠一定的硬件與軟件予以實(shí)現(xiàn)，通常對(duì)于絕大部分普通圖像的處理可以通過(guò)軟件來(lái)完成，但是在無(wú)人機(jī)航拍過(guò)程中一般處在高速運(yùn)行、實(shí)時(shí)高分辨率拍攝的狀況下，僅僅依靠軟件對(duì)圖像處理已無(wú)法滿足實(shí)際需求，因此有必要結(jié)合ARM的處理器調(diào)度功能和FPGA的硬件加速功能對(duì)獲取的實(shí)時(shí)圖像進(jìn)行分析，實(shí)現(xiàn)對(duì)特定目標(biāo)的識(shí)別和實(shí)時(shí)跟蹤等功能。伴隨嵌入式系統(tǒng)應(yīng)用的推廣普及，在圖像識(shí)別實(shí)時(shí)跟蹤系統(tǒng)領(lǐng)域成本不斷下降，硬件也在趨向于小型化和功耗不斷降低，未來(lái)將產(chǎn)生無(wú)人機(jī)即時(shí)處理并傳輸圖像，更大程度上增加管道巡線的非人工干預(yù)性能。

主要參考文獻(xiàn)

[1]Srivastava N， Hinton G， Krizhevsky A， et al. Dropout：A Simple Way to Prevent Neural Networks from Overfitting[J]. Journal of Machine Learning Research， 2014， 15（1）：1929-1958.

[2]Krizhevsky A， Sutskever I， Hinton G E. ImageNet Classification with Deep Convolutional Neural Networks[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2012：1097-1105.

[3]于立成， 程云濤. 人技結(jié)合的油氣管道保衛(wèi)新模式研究[J]. 城市建設(shè)理論研究：電子版， 2013（21）.

[4]Uijlings J R R， Sande K E A V D， Gevers T， et al. Selective Search for Object Recognition[J]. International Journal of Computer Vision， 2013， 104（2）：154-171.

[5]Alexe B， Deselaers T， Ferrari V. Measuring the Objectness of Image Windows[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2012， 34（11）：2189.

[6]Su H， Deng J， Fei-Fei L. Crowdsourcing Annotations for Visual Object Detection[C]//The 26th AAAI Conference on Artificial Intelligence，2012.

[7]Ren S， He K， Girshick R， et al. Faster R-CNN：Towards Real-time Object Detection with Region Proposal Networks[C]//International Conference on Neural Information Processing Systems. MIT Press， 2015：91-99.

[8]Bell S， Zitnick C L， Bala K， et al. Inside-Outside Net： Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks[C]//2016 IEEE Conference on Conputer Vision and Pattern Recognition（CVPR），2016：2874-2883.

[9]Lin T Y， Dollar P， Girshick R， et al. Feature Pyramid Networks for Object Detection[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2017：936-944.

[10]Li J， Liang X， Wei Y， et al. Perceptual Generative Adversarial Networks for Small Object Detection[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2017：1951-1959.

[11]Liu W，Anguelov D， Erhan D， et al. SSD： Single Shot MultiBox Detector[C]//European Conference on Computer Vision，2016：21-37.