王文正，吳德松，李千登

(中國石化青島安全工程研究院，山東青島 266071)

0 引言

隨著國家能源戰(zhàn)略要求的進(jìn)一步提高，油氣開發(fā)行業(yè)將迎來新一輪的高峰期，而鉆井作業(yè)安全也又一次成為社會(huì)關(guān)注的焦點(diǎn)。作業(yè)人員異常行為會(huì)對(duì)鉆井安全帶來極大影響。統(tǒng)計(jì)表明，近年來發(fā)生的井噴、物體打擊、機(jī)械傷害等鉆井過程安全事故中，87%是由于人員異常操作行為引發(fā)的[1-2]。如何有效控制人員異常行為已經(jīng)成為了鉆井現(xiàn)場(chǎng)安全管理的關(guān)鍵制約點(diǎn)。視頻監(jiān)控系統(tǒng)是目前較為常用的行為監(jiān)控手段，但已有監(jiān)控系統(tǒng)主要依靠人工觀看的方式來進(jìn)行問題排查和事后回溯，存在負(fù)載過大、人員易于疲憊出錯(cuò)、誤報(bào)、漏報(bào)、報(bào)警反應(yīng)時(shí)間長等問題。

為了利用視頻監(jiān)控設(shè)備更加及時(shí)、準(zhǔn)確地獲得監(jiān)管信息，視頻智能識(shí)別技術(shù)已成為國內(nèi)外關(guān)注的熱點(diǎn)[3-5]。目前采用的視頻智能識(shí)別技術(shù)對(duì)于人員異常行為進(jìn)行實(shí)時(shí)檢測(cè)報(bào)警已在煤礦安全、公共安全等不同領(lǐng)域取得了一定的研究與應(yīng)用成果[6-7]。董觀利等[8]設(shè)計(jì)了礦井行人越界檢測(cè)系統(tǒng)，能夠?qū)τ谶\(yùn)動(dòng)的行人目標(biāo)進(jìn)行主動(dòng)安全監(jiān)測(cè)；賈澎濤等[9]對(duì)Camshift算法進(jìn)行改進(jìn)，提出了煤礦井下視頻多目標(biāo)軌跡跟蹤算法，提高了檢測(cè)與識(shí)別的準(zhǔn)確性；華斌等[10]從人群的加速度角度對(duì)可能導(dǎo)致公共安全事故的人群異常行為進(jìn)行研究，提出了一種公共場(chǎng)所人群加速度異常檢測(cè)系統(tǒng)，實(shí)現(xiàn)了對(duì)于人群逃散、人群聚集、人群擁擠和人群逆行等4種異常行為的檢測(cè)報(bào)警。然而在鉆井安全管控領(lǐng)域尚未見到相關(guān)的研究與應(yīng)用。

針對(duì)上述問題，根據(jù)鉆井現(xiàn)場(chǎng)的實(shí)際應(yīng)用需求，設(shè)計(jì)并實(shí)現(xiàn)了一種鉆井過程人員異常行為視頻智能識(shí)別系統(tǒng)，建立了井控坐崗監(jiān)測(cè)、起下鉆作業(yè)、甩鉆具作業(yè)等不同場(chǎng)景下人員異常行為的識(shí)別規(guī)則，為規(guī)范鉆井現(xiàn)場(chǎng)安全管理、提升作業(yè)安全水平提供了基礎(chǔ)和依據(jù)。

1 系統(tǒng)概述

1.1 鉆井過程典型異常行為特征分析

井噴事故是鉆井過程中危害后果最嚴(yán)重的事故。由于地下流體存在的高壓、高含硫等特點(diǎn)，井噴事故一旦發(fā)生，將會(huì)造成大量人員傷亡和巨大財(cái)產(chǎn)損失，產(chǎn)生極為嚴(yán)重的社會(huì)影響。通過對(duì)于56起重大鉆井井噴事故數(shù)據(jù)分析表明，引發(fā)事故的直接原因中，井控坐崗制度未落實(shí)、未及時(shí)準(zhǔn)確發(fā)現(xiàn)溢流占比最高，達(dá)到11.18%[2]。

物體打擊、機(jī)械傷害等高危作業(yè)事故是鉆井過程中最常見的事故類型。該類事故雖然引發(fā)人員傷亡相較于井噴事故較小，但其發(fā)生頻率極高。通過對(duì)某石油企業(yè)近5年鉆井過程高危作業(yè)事故統(tǒng)計(jì)發(fā)現(xiàn)，起下鉆、拆裝作業(yè)等環(huán)節(jié)涉及高危設(shè)備和復(fù)雜操作流程，是事故多發(fā)環(huán)節(jié)，而人員錯(cuò)誤站位是引發(fā)事故的主要原因。

因此，選取井控坐崗監(jiān)測(cè)場(chǎng)景下人員離崗行為、起下鉆和甩鉆具作業(yè)場(chǎng)景下人員錯(cuò)誤站位行為作為異常行為識(shí)別的主要對(duì)象開展分析研究。

1.2 異常行為智能識(shí)別系統(tǒng)設(shè)計(jì)

鉆井人員異常行為智能識(shí)別系統(tǒng)是基于鉆井井場(chǎng)已部署好的攝像頭，集中式獲取鉆井作業(yè)現(xiàn)場(chǎng)實(shí)時(shí)視頻流，選擇性設(shè)定觀測(cè)區(qū)域及算法，基于目標(biāo)幾何和統(tǒng)計(jì)特征進(jìn)行圖像分割，在復(fù)雜場(chǎng)景中對(duì)目標(biāo)進(jìn)行檢測(cè)識(shí)別、跟蹤，實(shí)現(xiàn)目標(biāo)及特征的自動(dòng)提取，將目標(biāo)數(shù)據(jù)在視頻圖像上直觀標(biāo)示，并輸出目標(biāo)及特征數(shù)據(jù)。依據(jù)目標(biāo)特征及異常行為判定模型，采用深度學(xué)習(xí)算法，實(shí)現(xiàn)異常行為判定，并輸出相應(yīng)報(bào)警信息。后臺(tái)管理端接收前端各類報(bào)警信息，綜合生成現(xiàn)場(chǎng)的安全信息，并可進(jìn)一步執(zhí)行信息的瀏覽、異常行為處理等任務(wù)。視頻智能識(shí)別系統(tǒng)工作流程如圖1所示。

圖1 視頻智能識(shí)別工作流程

2 系統(tǒng)實(shí)現(xiàn)

2.1 建立鉆井過程典型異常行為特征識(shí)別規(guī)則

結(jié)合鉆井作業(yè)操作規(guī)程，針對(duì)井控坐崗監(jiān)測(cè)場(chǎng)景下人員離崗、起下鉆和甩鉆具作業(yè)場(chǎng)景下人員錯(cuò)誤站位等異常行為，提取其特征識(shí)別規(guī)則，詳見表1。

2.2 供試數(shù)據(jù)

試驗(yàn)視頻采用西南地區(qū)某石油工程公司A井場(chǎng)作業(yè)視頻，采集于2017年11月30日至2018年5月1日，共計(jì)100段視頻，每段視頻時(shí)長為20～40 min。對(duì)選出視頻進(jìn)行處理，獲得300段測(cè)試視頻(每段長約20 s左右)和約10 000幅人員圖像作為訓(xùn)練數(shù)據(jù)，并從其中隨機(jī)選出10段視頻、2 000幅作為測(cè)試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)不重復(fù)。

2.3 算法建立

2.3.1場(chǎng)景特點(diǎn)與需求分析

提出人員離崗、起下鉆和甩鉆具作業(yè)場(chǎng)景下人員錯(cuò)誤站位等場(chǎng)景，存在以下特點(diǎn)：①監(jiān)控區(qū)域?qū)儆谖ｋU(xiǎn)區(qū)域，且人員在監(jiān)控區(qū)域內(nèi)頻繁進(jìn)出的行為較為頻繁，因此所采用的算法必須能夠快速檢測(cè)人員目標(biāo)，并進(jìn)行位置判斷，要求運(yùn)算時(shí)間不能太長；②視頻場(chǎng)景復(fù)雜，光照、設(shè)備運(yùn)動(dòng)等都會(huì)對(duì)于視頻分析結(jié)果產(chǎn)生影響，容易導(dǎo)致誤檢。

表1 不同鉆井作業(yè)場(chǎng)景下異常行為特征及識(shí)別規(guī)則

2.3.2算法改進(jìn)

為保證識(shí)別速度，采用基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法[11]。AlexNet網(wǎng)絡(luò)模型共有8層，其中前5層為卷積層，后3層為全連接層，如圖2所示。在一定的準(zhǔn)確率損失下，通過近似和簡化AlexNet網(wǎng)絡(luò)，加速AlexNet計(jì)算，網(wǎng)絡(luò)模型的修改優(yōu)化如下：

縮小原輸入圖像的尺寸，第1個(gè)conv層(conv1)輸入圖像大小由224×224調(diào)整為179×179，以盡量降低計(jì)算損耗，三維卷積核大小為11×11×3，步長為4；經(jīng)卷積操作后，得到兩個(gè)55×55大小的圖像，通道數(shù)為48，最大池化后得到兩個(gè)27×27，通道數(shù)為128的圖像，輸入第2個(gè)conv層(conv2)；第3個(gè)conv層(conv3)通過只使用單通道，即不再使用圖2中黃色線框內(nèi)的通道，以降低GPU資源占用，通過卷積操作，得到13×13的圖像，通道數(shù)為192；第4個(gè)conv層(conv4)再經(jīng)過3×3卷積操作，同時(shí)對(duì)圖像進(jìn)行填充，得到與上一層相同尺寸和通道的圖像；第5個(gè)conv層(conv5)再次卷積和填充操作后，得到13×13大小的圖像，通道數(shù)為128。最后，經(jīng)第1個(gè)full-connected層(fc6)、第2個(gè)full-connected層(fc7)、第3個(gè)full-connected層(fc8)共3層全連接后，得到752維特征向量的輸出，以達(dá)到降低過擬合的目的，修改后的模型大大提高了計(jì)算效率。

圖2 縮減后的AlexNet結(jié)構(gòu)

為了增強(qiáng)實(shí)際場(chǎng)景模型中的抗干擾能力，針對(duì)在原始數(shù)據(jù)集上訓(xùn)練得到的初始模型進(jìn)行反復(fù)迭代，采用基于強(qiáng)化學(xué)習(xí)的困難樣本篩選策略，從而極大地增加了正樣本數(shù)據(jù)集的特征多樣性，保證模型在不同環(huán)境下的魯棒性。

此外，由于SIFT方法具有尺度不變特性，而在改變旋轉(zhuǎn)角度、圖像亮度或拍攝視角，依然能夠得到較好的檢測(cè)效果，符合鉆井現(xiàn)場(chǎng)野外情況多變的特點(diǎn)[12]。因此，為了保證識(shí)別準(zhǔn)確率，通過引入了SIFT方法，將SIFT方法得到的關(guān)鍵點(diǎn)的方向參

數(shù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，以提高增強(qiáng)算法的細(xì)節(jié)提取能力，減少誤檢。

2.4 測(cè)試結(jié)果分析

將SIFT方法與已公開的Faster R-CNN/Refined CNN方法進(jìn)行比較，結(jié)果如表2所示，在像素分辨率1 920×1 080的情況下，整體識(shí)別準(zhǔn)確率達(dá)到85.7%，平均速度為135 ms/幀，相較于Faster R-CNN/Refined CNN方法高約3%，運(yùn)算速度提高約3倍。

表2 不同計(jì)算方法測(cè)試結(jié)果對(duì)比

3 應(yīng)用效果及分析

為測(cè)試檢測(cè)效果，選取A井場(chǎng)進(jìn)行了實(shí)地部署與測(cè)試。該系統(tǒng)部署于公司機(jī)房，通過千兆或萬兆網(wǎng)卡接入監(jiān)控視頻網(wǎng)絡(luò)，監(jiān)控網(wǎng)絡(luò)中的監(jiān)控資源通過GB/T 28181-2011《安全防范視頻監(jiān)控聯(lián)網(wǎng)系統(tǒng)信息傳輸、交換、控制板術(shù)要求》與系統(tǒng)對(duì)接，實(shí)時(shí)碼流直接進(jìn)入設(shè)備進(jìn)行在線解析。

圖3為作業(yè)現(xiàn)場(chǎng)視頻部署情況，攝像頭1位于隊(duì)部頂端，可監(jiān)控鉆臺(tái)前方滑道、管架附近區(qū)域。攝像頭2位于振動(dòng)篩附近，用于監(jiān)控井控坐崗監(jiān)測(cè)情況。攝像頭3位于司鉆房頂端，用于監(jiān)控鉆臺(tái)上井口附近區(qū)域。其中，攝像頭1、3為固定攝像頭，攝像頭2為移動(dòng)攝像頭。

3.1 坐崗溢流監(jiān)測(cè)異常行為識(shí)別

坐崗溢流監(jiān)測(cè)人員行為檢測(cè)中固定攝像頭的分辨率設(shè)置為1 080 P，幀率設(shè)置為25幀/s，結(jié)果如圖4所示。圖中泥漿液面觀測(cè)區(qū)域?yàn)樵O(shè)置的檢測(cè)區(qū)，如黃色框線所示，坐崗人員則用藍(lán)色識(shí)別框表示。圖4(a)表示人員在崗時(shí)，系統(tǒng)能夠準(zhǔn)確識(shí)別出檢測(cè)區(qū)的目標(biāo)人員；圖4(b)則表示人員做出擅自離崗行為時(shí)，系統(tǒng)會(huì)自動(dòng)發(fā)現(xiàn)目標(biāo)區(qū)域內(nèi)目標(biāo)人員缺失，進(jìn)而顯示“Absence”的狀態(tài)信息，并向后臺(tái)發(fā)送報(bào)警信息。

圖3 鉆井作業(yè)現(xiàn)場(chǎng)攝像頭部署分布情況

圖4 坐崗溢流監(jiān)測(cè)場(chǎng)景下異常行為識(shí)別情況

3.2 起下鉆作業(yè)異常行為識(shí)別

起下鉆作業(yè)過程人員行為檢測(cè)中固定攝像頭的分辨率設(shè)置為1 080 P，幀率設(shè)置為25幀/s，結(jié)果如圖5所示。圖中井眼附近約1.5 m的區(qū)域?yàn)樵O(shè)置的檢測(cè)區(qū)，如綠色框線所示，坐崗人員則用藍(lán)色識(shí)別框表示。圖5(a)表示鉆柱上提時(shí)，系統(tǒng)能夠通過采集司鉆臺(tái)大鉤載荷數(shù)據(jù)，判斷出鉆柱處于運(yùn)動(dòng)狀態(tài)，并通過“Moving”字串顯示鉆柱運(yùn)動(dòng)信息，同時(shí)系統(tǒng)并未在檢測(cè)區(qū)內(nèi)檢測(cè)到目標(biāo)人員，故無異常狀態(tài)示警；圖5(b)表示同樣在鉆柱上提時(shí)，系統(tǒng)判斷出鉆柱處于運(yùn)動(dòng)狀態(tài)，并在檢測(cè)區(qū)域內(nèi)檢測(cè)到目標(biāo)人員，則系統(tǒng)會(huì)顯示“Alarm”的狀態(tài)信息，并向后臺(tái)發(fā)送報(bào)警信息；圖5(c)表示系統(tǒng)通過大鉤載荷判斷鉆柱處于靜止?fàn)顟B(tài)時(shí)，會(huì)通過“NoMove”字串顯示鉆柱信息，此時(shí)雖然系統(tǒng)在檢測(cè)區(qū)內(nèi)檢測(cè)到目標(biāo)人員，但并不會(huì)進(jìn)行報(bào)警。

可以看出，采用司鉆房數(shù)據(jù)與視頻智能識(shí)別分析相結(jié)合的方式，能夠有效避免了由于顏色過暗、標(biāo)志不明顯以及視頻背景同類物體多、干擾大等原因所導(dǎo)致的鉆柱運(yùn)動(dòng)狀態(tài)難以準(zhǔn)確識(shí)別的問題，能夠簡便、準(zhǔn)確的確定鉆柱運(yùn)動(dòng)狀態(tài)，提高了算法后臺(tái)處理速度，降低了誤報(bào)率。

圖5 起下鉆作業(yè)場(chǎng)景下人員異常行為識(shí)別情況

3.3 甩鉆具作業(yè)異常行為識(shí)別

甩鉆具作業(yè)過程人員行為檢測(cè)中固定攝像頭分辨率設(shè)置為1 080 P，幀率設(shè)置為25幀/s。圖中平板滑道附近約1 m的區(qū)域?yàn)樵O(shè)置的檢測(cè)區(qū)，如綠色框線所示，坐崗人員則用藍(lán)色識(shí)別框表示。與起下鉆作業(yè)過程人員行為識(shí)別方法相同，同樣采用司鉆房數(shù)據(jù)與視頻智能識(shí)別分析相結(jié)合的方式。如圖6所示，鉆柱起吊時(shí)，系統(tǒng)通過采集司鉆臺(tái)數(shù)據(jù)，判斷出鉆柱處于運(yùn)動(dòng)狀態(tài)，同時(shí)系統(tǒng)在檢測(cè)區(qū)內(nèi)檢測(cè)到目標(biāo)人員，則系統(tǒng)會(huì)顯示“Alarm”的狀態(tài)信息，并向后臺(tái)發(fā)送報(bào)警信息。

該系統(tǒng)已經(jīng)在某公司井場(chǎng)部署，并實(shí)際運(yùn)行了近4個(gè)月。目前，該系統(tǒng)能夠保證正常解碼視頻流，并運(yùn)行人員行為檢測(cè)相關(guān)算法，系統(tǒng)檢測(cè)畫面顯示正常、連續(xù)、實(shí)時(shí)。通過井場(chǎng)實(shí)地在線運(yùn)行，充分證明了該系統(tǒng)的可行性。

圖6 甩鉆具鉆作業(yè)場(chǎng)景下人員異常行為識(shí)別情況

4 結(jié)論

a) 深入分析鉆井作業(yè)現(xiàn)場(chǎng)特點(diǎn)，在基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法的基礎(chǔ)上，引入SIFT方法和基于強(qiáng)化學(xué)習(xí)的困難樣本篩選策略，提高了算法識(shí)別的準(zhǔn)確率與魯棒性。測(cè)試結(jié)果表明，在像素分辨率1 920×1 080的情況下，該方法整體識(shí)別準(zhǔn)確率達(dá)到85%以上，平均識(shí)別速度為135 ms/幀。

b) 試點(diǎn)井場(chǎng)應(yīng)用結(jié)果表明，該系統(tǒng)能夠?qū)尤氲囊曨l流進(jìn)行實(shí)時(shí)檢測(cè)，準(zhǔn)確識(shí)別出坐崗人員擅自離崗、起下鉆及甩鉆具過程人員危險(xiǎn)站位等異常行為，所采用的司鉆房數(shù)據(jù)與視頻智能識(shí)別分析相結(jié)合的方式有效提高了系統(tǒng)處理速度，降低了誤報(bào)率。該系統(tǒng)能夠有效減少人工值守工作量，避免了監(jiān)控遺漏，提升了井場(chǎng)風(fēng)險(xiǎn)研判、預(yù)警及應(yīng)急處置能力。