劉錫煬，卞永明，陳啟凡，周怡和，蔣 哲，劉廣軍

（1.同濟(jì)大學(xué)機(jī)械與能源工程學(xué)院，上海 201804；2.交通運(yùn)輸部上海打撈局，上海 200090）

對(duì)于油液的泄漏檢測(cè)技術(shù)，最早從20 世紀(jì)60年代就開(kāi)始進(jìn)行研究，目前關(guān)于油液的泄漏檢測(cè)主要有2 種方法：①通過(guò)管路內(nèi)壓力、流量、震動(dòng)變化進(jìn)行檢測(cè)；②通過(guò)外部傳感器，對(duì)包括超聲、氣味、圖像等特征進(jìn)行檢測(cè)。如甄恩帥［1］使用壓力傳感器對(duì)泄泄漏區(qū)域進(jìn)行定位，結(jié)果表明，該方法可以比較精確地定位到泄漏區(qū)域，達(dá)到了基本的檢測(cè)要求。Liou［2］在進(jìn)、出油口持續(xù)計(jì)算進(jìn)出的流量差，流量差如果突然發(fā)生波動(dòng)并沒(méi)有迅速恢復(fù)，那么就可以認(rèn)為發(fā)生了泄漏。Mohammadi等［3］通過(guò)監(jiān)測(cè)輸油管道的壓力、流量等信號(hào)，使用神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)分析檢測(cè)到的參數(shù)，與實(shí)際模型進(jìn)行對(duì)比，從而迅速找到泄漏區(qū)域。陳仁文［4］采用了應(yīng)力波傳感器，通過(guò)小波變換處理應(yīng)力波信號(hào)，更精確地定位到了泄漏區(qū)域，并將之應(yīng)用到了輸油管道實(shí)時(shí)監(jiān)測(cè)系統(tǒng)中。除此之外，利用管道外部特征進(jìn)行檢測(cè)的技術(shù)也在逐漸成熟。張文娜等［5］采用了人工嗅覺(jué)技術(shù)，獲取了泄漏油液揮發(fā)氣體的3 位數(shù)據(jù)陣列，采用了平行因子分析法對(duì)嗅覺(jué)數(shù)據(jù)進(jìn)行分析，論證了人工嗅覺(jué)技術(shù)在漏油檢測(cè)中的可能性。近幾年，隨著計(jì)算機(jī)視覺(jué)技術(shù)的蓬勃發(fā)展，利用圖像對(duì)泄漏進(jìn)行檢測(cè)已經(jīng)逐漸成為油液泄漏檢測(cè)技術(shù)的重點(diǎn)。Qu 等［6］針對(duì)海底石油泄漏設(shè)計(jì)了一種視頻監(jiān)控系統(tǒng)，該視頻系統(tǒng)能將拍攝到的視頻圖像轉(zhuǎn)化為灰度圖，通過(guò)形態(tài)學(xué)處理后進(jìn)行二值化，判斷是否存在石油泄漏。Kuzmani? 等［7］針對(duì)船只推進(jìn)系統(tǒng)的油液泄漏問(wèn)題設(shè)計(jì)了一種基于圖像處理的檢測(cè)系統(tǒng)，該系統(tǒng)采用模式識(shí)別對(duì)泄漏油液進(jìn)行檢測(cè)，并且研究了用于解決攝像機(jī)隨安裝支撐物震動(dòng)的補(bǔ)償算法，取得了良好的檢測(cè)效果。Gu 等［8］研究了石油輸油管道泄漏圖像檢測(cè)技術(shù)，通過(guò)對(duì)輸油管道進(jìn)行灰度處理，簡(jiǎn)化識(shí)別過(guò)程，再通過(guò)閾值分割獲取目標(biāo)圖像，最后通過(guò)腐蝕獲取較為理想的輪廓邊緣。

然而目前研究的油液泄漏大部分都是針對(duì)輸油管道漏油的，而針對(duì)液壓系統(tǒng)油液泄漏的研究很少。液壓油顏色透明，難以像黑色的石油一樣很容易地從圖像中劃分出來(lái)，而人工監(jiān)控又難以準(zhǔn)確及時(shí)地發(fā)現(xiàn)油液泄露問(wèn)題，因此為液壓同步提升施工遠(yuǎn)程監(jiān)控平臺(tái)設(shè)計(jì)了一套基于圖像識(shí)別的泵站接頭漏油檢測(cè)技術(shù)。

利用Vibe 算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，并引入動(dòng)態(tài)抽樣因子φ，平衡因受到光線干擾、抖動(dòng)等因素出現(xiàn)的鬼影消失速度和檢測(cè)到的泄露區(qū)域清晰度之間的矛盾，提高其抗干擾能力；利用隨機(jī)森林算法對(duì)油液特征向量進(jìn)行選擇，降低算力要求，提升了分類(lèi)速度和準(zhǔn)確性；在隨機(jī)森林中引入粒子群算法對(duì)隨機(jī)森林中的參數(shù)進(jìn)行尋優(yōu)。在使用粒子群算法尋優(yōu)過(guò)程中引入動(dòng)態(tài)慣性權(quán)重ω，平衡收斂速度和全局搜索能力之間的矛盾。

1 泵站接口漏油檢測(cè)技術(shù)

1.1 基于改進(jìn)Vibe算法的漏油可疑區(qū)域定位

Vibe 背景建模法是目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，但Vibe 算法仍然存在一定的缺陷。當(dāng)鏡頭發(fā)生抖動(dòng)或者出現(xiàn)光影變化的情況下，Vibe算法會(huì)檢測(cè)到這些變化并將其認(rèn)定為前景，在變化消失后仍然保留了其基本輪廓，從而形成“鬼影”?！肮碛啊毕乃俣热Q于隨機(jī)子采樣法中的抽樣因子φ，在每一幀的檢測(cè)中，背景模型的樣本值都有1/φ的幾率更新，因此φ的值越大，“鬼影”消失得越慢，但檢測(cè)到的泄漏區(qū)域越清晰，反之φ值越小，“鬼影”消失得越快，但是檢測(cè)到的泄漏區(qū)域越模糊。

因此，需要對(duì)Vibe 算法進(jìn)行改進(jìn)，當(dāng)鏡頭出現(xiàn)抖動(dòng)或者發(fā)生光影變幻時(shí)迅速減小φ的值，迅速消除“鬼影”，在畫(huà)面穩(wěn)定的情況下增大φ值，以獲得更清晰的檢測(cè)效果。提出干擾面積因子Kd作為評(píng)判當(dāng)前圖像中干擾程度的參數(shù)，公式如下：

式中：Cf為前景像素的個(gè)數(shù)；Cp為當(dāng)前圖像的像素總個(gè)數(shù)。

為驗(yàn)證Kd是否可以表征視頻圖像中出現(xiàn)干擾，并進(jìn)一步驗(yàn)證φ對(duì)于消除“鬼影”影響。繪制了在不同抽樣因子φ的情況下，Kd隨視頻幀變化的規(guī)律曲線如圖1所示。干擾在30幀左右引入，在圖中可以清晰地看到，抽樣因子φ的值越大，干擾面積因子Kd的峰值和收斂值就越大，排除干擾的速度越慢。

圖1 Kd-幀變化曲線Fig.1 Kd-frame curve

使用Vibe算法遇到干擾時(shí)，不同抽樣因子φ對(duì)應(yīng)的干擾面積因子Kd的峰值和收斂值見(jiàn)表1。

從表1 的數(shù)據(jù)可以分析得出，對(duì)于鏡頭位置并不是太近、接頭并未直接爆裂的普通檢測(cè)場(chǎng)景來(lái)說(shuō)，在視頻畫(huà)面只存在油液泄漏的情況下，Kd的值通常會(huì)穩(wěn)定在一個(gè)較小的值以下，在這里取0.02（攝像頭位置不同，該值也可進(jìn)行調(diào)整），而Kd的峰值不會(huì)超過(guò)1。據(jù)此對(duì)Vibe 算法進(jìn)行修改，使得抽樣因子φ的值會(huì)隨Kd變化，φ的值在Kd的值超過(guò)0.2 時(shí)迅速減小，從而快速擺脫干擾因素的影響。改良后的抽樣因子如下：

表1 Kd-幀變化曲線峰值與收斂值表Tab.1 Peak and convergence values in Kd-frame curve

式中：φmin為抽樣因子φ的最小值；φmax為抽樣因子φ的最大。

1.2 可疑區(qū)域特征數(shù)據(jù)提取

運(yùn)動(dòng)特征檢測(cè)算法僅能定位可疑區(qū)域，在檢測(cè)到的前景圖像中可能會(huì)存在“鬼影”或者其他干擾物，需要對(duì)運(yùn)動(dòng)的前景做出進(jìn)一步的分析，在其中提取用于判別的特征數(shù)據(jù)。本文中對(duì)油液的形狀、顏色、紋理特征進(jìn)行分析。

1.2.1 油液形狀特征

油液在流出的過(guò)程中會(huì)不斷地變化形狀，難以用確定的圖形去描述它，使用圖像的矩（moments）來(lái)研究檢測(cè)到的泄漏油液形狀變化的規(guī)律，在現(xiàn)實(shí)應(yīng)用場(chǎng)景下，要考慮到攝像頭安裝的遠(yuǎn)近、安裝角度的偏移，因此還需要對(duì)于圖像形狀歸納出的特征值在圖像大小、角度發(fā)生變化時(shí)保持不變。Hu 矩具有平移、縮放、旋轉(zhuǎn)不變性［9］，廣泛應(yīng)用于圖像的特征提取和識(shí)別等方面，因此以Hu 矩作為判斷的重要依據(jù)。

1.2.2 油液顏色特征

采用顏色矩進(jìn)行油液顏色特征的描述，然而考慮到油液是透明的，其顏色特征會(huì)受到其背景顏色特征的影響。實(shí)驗(yàn)表明：當(dāng)前幀的顏色矩和背景幀的顏色矩變化趨勢(shì)基本一致，對(duì)于漏油圖像來(lái)說(shuō)，背景的顏色對(duì)顏色矩起到了決定性作用，因此當(dāng)前幀的顏色矩對(duì)于圖像分類(lèi)可能沒(méi)有很好的效果。

為獲取更為有效的顏色特征，使用當(dāng)前幀與背景幀的差值圖像獲取灰度差圖像矩，灰度差的1階、2階、3階圖像矩可以表示為

式中：pdj為當(dāng)前幀與背景幀圖像差中灰度為j的像素出現(xiàn)的概率。

1.2.3 油液紋理特征

油液的紋理特征也是重要的識(shí)別特征，所謂紋理就是同樣灰度的像素在二維空間上的反復(fù)出現(xiàn)，并通過(guò)一定的方法描述其在空間上的分布規(guī)律。采用灰度共生矩陣（gray-level co-occurrence matrix，GLCM）［10］來(lái)描述檢測(cè)對(duì)象的紋理特征，并從中提取對(duì)比度、逆方差、角二階矩、熵4 個(gè)特征值。相比于顏色直方圖和HOG，GLCM 提取的特征向量維數(shù)非常小，適合對(duì)圖像進(jìn)行實(shí)時(shí)檢測(cè)。

1.3 基于RF算法的特征選擇

對(duì)于實(shí)時(shí)的泄漏油液檢測(cè)系統(tǒng)，算法的延時(shí)是關(guān)鍵性能指標(biāo)。通常在分類(lèi)算法中，特征向量的維數(shù)越高，分類(lèi)效果越好，但是也會(huì)導(dǎo)致分類(lèi)算法的計(jì)算效率下降，因此使用隨機(jī)森林法［11］特征篩選減少特征向量的維數(shù)來(lái)獲得相對(duì)較好的分類(lèi)效果，并使用其Gini 指數(shù)對(duì)提取出的21 個(gè)特征進(jìn)行評(píng)價(jià)，分別是灰度圖像矩（E，σ，s），當(dāng)前幀與背景幀的灰度差圖像矩（Ed，σd，sd），二值圖像的Hu 矩（I1，I2，I3，I4，I5，I6，I7），水平方向GCLM特征（Con，IDM，ASM，ENT，ifδ=(1，0)），豎直方向的GCLM特征（Con，IDM，ASM，ENT，ifδ=(0，1)），得到每一個(gè)特征的Gini 指數(shù)的變量重要性評(píng)分（VIM）。

設(shè)置RF 中有1 000 顆決策樹(shù)，使用Gini 指數(shù)，用21 個(gè)特征建立RF 模型，計(jì)算每個(gè)特征的重要性評(píng)分VIM并進(jìn)行排序，結(jié)果見(jiàn)表2。

表2 RF特征重要性排序Tab.2 Ranking of the importance of features with RF

給特征進(jìn)行評(píng)分后還需要確定特征的選取數(shù)量。依次選取重要性排序中的前n名特征進(jìn)行隨機(jī)森林建模測(cè)試，特征數(shù)量n與分類(lèi)準(zhǔn)確率的關(guān)系如圖2 所示。圖中可見(jiàn)，測(cè)試集分類(lèi)準(zhǔn)確率隨選取特征的數(shù)量迅速上升，然后達(dá)到峰值，隨后稍微下降并趨于穩(wěn)定。峰值的特征數(shù)量為5 和6，測(cè)試集分類(lèi)準(zhǔn)確率均為98.60%。隨著特征數(shù)量的增加，分類(lèi)的準(zhǔn)確率穩(wěn)定甚至是下降，由此可以推斷，在計(jì)算的3 類(lèi)特征中，存在冗余特征和干擾特征，因此對(duì)特征進(jìn)行選擇可以增加算法的準(zhǔn)確率。最后選擇重要性排名前6的特征進(jìn)行漏油檢測(cè)

圖2 特征數(shù)量與測(cè)試集分類(lèi)準(zhǔn)確率關(guān)系Fig.2 The relationship between the number of features and the classification accuracy of the test dataset

1.4 基于PSO-RF算法的漏油可疑區(qū)域分類(lèi)

1.4.1 基于改進(jìn)PSO的RF參數(shù)尋優(yōu)方法

在傳統(tǒng)PSO 算法中，通常采用算法在D 維空間中的全局搜索能力和收斂到最優(yōu)值的速度來(lái)評(píng)價(jià)PSO 算法的性能，而慣性權(quán)重ω對(duì)此有著重大的影響。研究發(fā)現(xiàn)，ω越大，PSO 的全局搜索能力越強(qiáng)，更容易找到全局最優(yōu)的粒子坐標(biāo)，而不會(huì)過(guò)早收斂，但是迭代次數(shù)也隨之增加。反之，ω越小，PSO 的迭代次數(shù)也減小，但不容易收斂到全局最優(yōu)值。因此，對(duì)慣性權(quán)重ω進(jìn)行動(dòng)態(tài)調(diào)整，使其大小隨迭代次數(shù)增加而減小，將ω的值動(dòng)態(tài)地調(diào)整為

式中：ωmax為ω的最大值；ωmin為ω的最小值；t為當(dāng)前迭代次數(shù)；T為總迭代次數(shù)。

在動(dòng)態(tài)ω參數(shù)中，規(guī)定了ω上限和下限，在迭代次數(shù)較小時(shí)，e(-t2/T)的值較大，算法搜索具有較好的全局性，當(dāng)?shù)螖?shù)變大時(shí)，局部收斂性會(huì)逐步變好。

學(xué)習(xí)因子c1、c2也對(duì)算法性能有著重要的影響，較大的c1與較小的c2可以使粒子更快地向個(gè)體極值方向移動(dòng)，對(duì)全局搜索有利；較大的c2與較小的c1能讓粒子更快地向種群全體極值移動(dòng)，適用于搜索后期。本文對(duì)學(xué)習(xí)因子c1、c2進(jìn)行動(dòng)態(tài)調(diào)整，調(diào)整公式如下：

式中：cmax為c的最大值；cmin為c的最小值。

1.4.2 PSO-RF特征分類(lèi)

選取RF 算法中樹(shù)的數(shù)量n_estimators，每顆樹(shù)的最大深度max_depth作為優(yōu)化參數(shù)，以測(cè)試集分類(lèi)準(zhǔn)確率作為優(yōu)化目標(biāo)。算法分類(lèi)時(shí)間也是需要考慮的因素，但是由于算法分類(lèi)時(shí)間與n_estimators、max_depth 呈單調(diào)遞增的關(guān)系，n_estimators、max_depth 的值只需要都小于50，就可以將分類(lèi)時(shí)間維持在毫秒級(jí)，從而保證實(shí)時(shí)性。

分別使用傳統(tǒng)PSO 算法和改進(jìn)PSO 算法進(jìn)行RF 算法參數(shù)的優(yōu)化，迭代50 次，使用傳統(tǒng)和改進(jìn)PSO算法各運(yùn)行3次，參數(shù)值見(jiàn)表3。

表3 PSO算法參數(shù)Tab.3 Parameters of the PSO algorithm

最終得到的結(jié)果如圖3 和圖4 所示。圖3 顯示傳統(tǒng)PSO 算法的優(yōu)化結(jié)果有1 次收斂到了98.61%，2次收斂到了98.84%；而圖4顯示，改進(jìn)PSO 算法的3 次優(yōu)化結(jié)果值均收斂到了98.84%，并且收斂到98.84%時(shí)的迭代次數(shù)小于傳統(tǒng)PSO 算法，可以認(rèn)為改進(jìn)PSO 算法相比于傳統(tǒng)PSO 算法有更好的全局搜索能力和更快的收斂速度，更適用于本次的RF算法優(yōu)化。

圖3 傳統(tǒng)PSO優(yōu)化RF算法Fig.3 Optimisation of RF with traditional PSO

圖4 改進(jìn)PSO優(yōu)化RF算法Fig.4 Optimisation of RF with improved PSO

最終改進(jìn)PSO 優(yōu)化的RF 算法（PSO-RF）與原算法（RF）的參數(shù)、性能見(jiàn)表4?？梢钥闯?，PSO-RF的分類(lèi)準(zhǔn)確率相比RF 算法提升0.7%，分類(lèi)時(shí)間提升為RF 算法的3.46 倍，可見(jiàn)PSO 提高了RF 算法的性能，并且符合遠(yuǎn)程監(jiān)控平臺(tái)的使用要求。

表4 PSO-RF與RF對(duì)比Tab.4 PSO-RF vs RF

2 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

2.1 漏油視頻檢測(cè)

本次漏油視頻檢測(cè)的對(duì)象是拍攝的漏油圖像，實(shí)驗(yàn)效果如圖5 所示，可以看到程序成功地識(shí)別出接頭滲漏的油液，證明了提出的泵站接頭漏油檢測(cè)算法的有效性。

圖5 漏油視頻實(shí)時(shí)檢測(cè)效果Fig.5 Real-time oil leak detection effect on video

2.2 現(xiàn)場(chǎng)實(shí)時(shí)檢測(cè)

本次實(shí)驗(yàn)檢測(cè)目標(biāo)選用了一套液壓試驗(yàn)臺(tái)，包括1 臺(tái)大功率泵站和多個(gè)接口，試驗(yàn)臺(tái)如圖6所示。

圖6 液壓試驗(yàn)臺(tái)Fig.6 Hydraulic bench

使用攝像頭、樹(shù)莓派采集油液圖像，4G 無(wú)線路由器提供網(wǎng)絡(luò)服務(wù)，將攝像頭采集到的視頻數(shù)據(jù)和經(jīng)過(guò)泄漏檢測(cè)的視頻在網(wǎng)頁(yè)上進(jìn)行顯示。實(shí)驗(yàn)現(xiàn)場(chǎng)如圖7所示。

圖7 漏油實(shí)時(shí)檢測(cè)實(shí)驗(yàn)現(xiàn)場(chǎng)Fig.7 Real-time oil leak detection experiment

將攝像頭采集到的數(shù)據(jù)顯示在泵站監(jiān)控界面的第1 個(gè)視頻窗口上，將經(jīng)過(guò)圖像檢測(cè)的畫(huà)面顯示到泵站監(jiān)控界面的第2 個(gè)視頻窗口上。在網(wǎng)頁(yè)上的泵站監(jiān)控界面，可以看到攝像頭采集到的泵站接頭圖像和經(jīng)過(guò)漏油檢測(cè)的圖像，如圖8所示。

圖8 網(wǎng)頁(yè)泵站實(shí)時(shí)監(jiān)控界面Fig.8 Web for real-time monitoring of pumping stations

在圖9 中可以看到，泵站監(jiān)控界面的第1 個(gè)視頻窗口上成功顯示出了泵站接頭的畫(huà)面，第2 個(gè)視頻窗口顯示出了經(jīng)過(guò)圖像檢測(cè)的畫(huà)面。可以看到，漏油檢測(cè)程序成功檢測(cè)到接頭泄漏的油液，并使用方框標(biāo)記出來(lái)。

實(shí)驗(yàn)結(jié)果表明：泵站接頭漏油檢測(cè)算法在液壓同步提升施工遠(yuǎn)程監(jiān)控平臺(tái)上應(yīng)用的可行性和實(shí)時(shí)性，提高了液壓同步提升施工遠(yuǎn)程監(jiān)控平臺(tái)的智能化水平，降低液壓平臺(tái)的安全隱患。

3 結(jié)語(yǔ)

目前對(duì)于透明液壓油的泄漏檢測(cè)方案較少，針對(duì)液壓同步提升施工監(jiān)控平臺(tái)，本文設(shè)計(jì)了一套基于圖像識(shí)別的泵站接頭漏油實(shí)時(shí)檢測(cè)技術(shù)方案，實(shí)現(xiàn)了漏油圖像在線識(shí)別；提出了基于改進(jìn)Vibe 算法的可疑區(qū)域提取方法，以及使用改進(jìn)PSO 算法對(duì)RF 算法進(jìn)行優(yōu)化的方法，經(jīng)實(shí)驗(yàn)驗(yàn)證，確實(shí)可以提高圖像識(shí)別的準(zhǔn)確性和效率，并且最終優(yōu)化后的RF 算法對(duì)測(cè)試集分類(lèi)準(zhǔn)確率達(dá)到了98.84%，分類(lèi)速度減小到4.96 ms。實(shí)驗(yàn)結(jié)果表明：提出的漏油檢測(cè)算法對(duì)泵站接頭漏油有良好的在線檢測(cè)效果。