作者簡介：苗勃（1985-），工程師，從事特種設(shè)備檢驗檢測的研究，287399645@qq.com。

引用本文：苗勃.基于紅外圖像增強算法的石油儲罐內(nèi)油品溫度過高風(fēng)險自動識別方法[J].化工自動化及儀表，2023，50（6）：000-000.

DOI：10.20030/j.cnki.1000-3932.202306000

摘? 要? 研究基于紅外圖像增強算法的石油儲罐內(nèi)油品溫度過高風(fēng)險自動識別方法。利用紅外熱成像儀采集石油儲罐紅外圖像，利用反銳化掩模方法增強石油儲罐紅外圖像。依據(jù)增強的紅外圖像，構(gòu)建灰度分布直方圖，并依據(jù)分割閾值分割灰度分布直方圖，獲取包含石油儲罐內(nèi)油品溫度特征的紅外圖像分割結(jié)果。將分割后的紅外目標(biāo)圖像，作為支持向量機的輸入矢量，利用支持向量機自動識別石油儲罐內(nèi)油品溫度過高風(fēng)險。實驗結(jié)果表明：該方法可以自動識別石油儲罐內(nèi)油品溫度過高風(fēng)險，提升石油儲罐的生產(chǎn)安全性。

關(guān)鍵詞? 紅外圖像? 增強算法? 石油儲罐? 油品溫度過高? 風(fēng)險? 自動識別

中圖分類號? TP274? ? ? ?文獻標(biāo)志碼? B? ? ? ? 文章編號? 1000-3932（2023）06-0000-00

紅外熱成像技術(shù)，是檢測目標(biāo)溫度的重要技術(shù)[1]。紅外熱成像系統(tǒng)可以獲取全聚焦紅外圖像，通過紅外圖像精準(zhǔn)測量目標(biāo)物體的表面溫度[2～4]。紅外熱成像技術(shù)適用于高腐蝕、高溫等復(fù)雜環(huán)境中，適用于電力、工業(yè)等眾多領(lǐng)域。石油儲罐是石油化工企業(yè)中最常見的生產(chǎn)設(shè)備，其應(yīng)用貫穿于石油化工企業(yè)生產(chǎn)的眾多過程。研究石油儲罐內(nèi)的油品溫度檢測，對于提升石油化工企業(yè)的生產(chǎn)安全具有重要意義。利用紅外圖像檢測石油儲罐內(nèi)的油品溫度[5～7]，是石油化工企業(yè)的安全生產(chǎn)的基礎(chǔ)。通過石油儲罐油品溫度過高風(fēng)險的自動識別，可明確石油儲罐內(nèi)油品溫度狀態(tài)，將石油儲罐內(nèi)油品溫度保持在安全范圍內(nèi)[8]，保障石油化工企業(yè)的生產(chǎn)安全和人員安全。

目前已有眾多研究學(xué)者針對石油儲罐溫度進行了研究。王雅真等針對石油儲罐在火災(zāi)情況下的溫度變化進行研究[9]，采用Fluent軟件模擬火災(zāi)事故時儲罐油品的溫度變化，確定油品儲罐內(nèi)油品在火災(zāi)情況下的溫度和壓力變化規(guī)律。謝小芳等針對石油儲罐受到太陽輻射作用時[10]，溫度場變化情況進行研究，針對石油儲罐內(nèi)油品溫度，在太陽輻射環(huán)境變化情況下進行數(shù)值模擬，模擬結(jié)果為，石油儲罐內(nèi)油品在與頂部壁面較近的位置溫度較高。以上研究方法是針對火災(zāi)和太陽輻射作用兩種情況下，石油儲罐的溫度變化進行研究，但是無法實現(xiàn)石油儲罐內(nèi)油品溫度的實時監(jiān)控，無法保障石油儲罐的生產(chǎn)安全。針對該問題，筆者研究基于紅外圖像增強算法的石油儲罐內(nèi)油品溫度過高風(fēng)險自動識別方法，利用紅外圖像檢測石油儲罐內(nèi)油品溫度，選取支持向量機方法自動識別油品溫度過高風(fēng)險，提升石油儲罐的生產(chǎn)安全性。

1? 石油儲罐內(nèi)油品溫度過高風(fēng)險自動識別

1.1? 基于反銳化掩模的石油儲罐紅外圖像增強處理

利用反銳化掩模方法，對石油儲罐紅外圖像進行增強處理，石油儲罐紅外圖像的增強流程如圖1所示。

利用紅外熱成像儀采集石油儲罐紅外圖像，所采集的圖像中可能包含過多噪聲。依據(jù)圖1的石油儲罐紅外圖像增強流程，對所采集的石油儲罐紅外圖像進行傅里葉變換處理，傅里葉變換處理后的紅外圖像用f（x，y）表示。對完成變換處理的紅外圖像，進行反銳化掩模處理和灰度變換處理，獲取增強后的石油儲罐紅外圖像E（x，y）。

石油儲罐紅外圖像增強處理的具體過程如下：

a. 利用梯度Sobel算子增強石油儲罐紅外圖像邊緣，繼續(xù)對紅外圖像實施均值濾波處理。通過均值濾波抑制圖像由于梯度處理形成的噪聲，獲取完成梯度增強的石油儲罐紅外圖像。利用拉普拉斯算子對紅外圖像增強處理后，獲取銳化的紅外圖像。將所獲取的圖像與梯度增強圖像相乘[11]，獲取最終非銳化模板紅外圖像。將石油儲罐紅外圖像利用一階Sobel梯度與二階拉普拉斯算子，對圖像中的細節(jié)信息和邊緣信息進行增強處理。將石油儲罐紅外圖像中的像素相乘，抑制圖像中包含的噪聲。通過以上處理，獲取石油儲罐紅外圖像的非銳化模板，用H（x，y）表示。

b. 反銳化掩模處理紅外圖像，增強石油儲罐紅外圖像細節(jié)。對石油儲罐紅外圖像進行細節(jié)增強處理，表達式如下：

（1）

其中，G（x，y）表示反銳化掩模紅外圖像；w表示權(quán)重系數(shù)。權(quán)重值越高，紅外圖像具有越高的細節(jié)增強效果[12]，但其設(shè)置應(yīng)合理，權(quán)重值過高時，容易造成紅外圖像出現(xiàn)灰度翻轉(zhuǎn)情況。

c. 對G（x，y）進行灰度變換。對紅外圖像G（x，y）進行灰度變換處理，調(diào)整紅外圖像的灰度范圍。所獲取的圖像G（x，y）為完成細節(jié)與圖像像素連續(xù)性增強處理后的圖像，但是并未增強圖像灰度[13]，導(dǎo)致石油儲罐紅外圖像的整體對比度增強效果并不明顯。通過灰度變換方法對紅外圖像的灰度范圍進行擴展，提升石油儲罐紅外圖像的細節(jié)信息，獲取完成增強處理的石油儲罐紅外圖像E（x，y）。

為了突出紅外圖像細節(jié)和對比度，針對紅外圖像G（x，y），設(shè)置該圖像為8位圖像，每個像素具有256個不同的灰度值。灰度值的輸入最小閾值和最大閾值分別為lin和hin，輸出最小閾值和最大閾值分別為lout和hout。將紅外圖像G（x，y）的灰度值映射至[lout，hout]區(qū)間內(nèi)，將灰度值低于lin和高于hin的像素點，分別賦值為lout與hout。石油儲罐紅外圖像像素點映射表達式如下：

（2）

其中，x與分別表示像素點映射前、后的石油儲罐紅外圖像灰度值。

d. 對完成灰度值映射的圖像G（x，y），進行Gamma校正處理。通過Gamma校正處理，壓縮石油儲罐紅外圖像的灰度變化范圍，令石油儲罐紅外圖像的灰度值更加均勻，得到圖像E（x，y）。

1.2? 石油儲罐內(nèi)油品溫度特征提取

紅外圖像利用灰度值表示目標(biāo)物體溫度的高低。石油儲罐內(nèi)的油品以及石油儲罐背景溫度存在差異，因此灰度值大小存在差異。石油儲罐內(nèi)的油品與其他區(qū)域在灰度圖上呈現(xiàn)差異的灰度范圍。筆者的研究目標(biāo)為石油儲罐內(nèi)的油品，需要在紅外圖像中，將石油儲罐與背景分割，僅保留石油儲罐區(qū)域。石油儲罐內(nèi)油品的灰度值分布在較高范圍內(nèi)，石油儲罐背景的灰度值較低[14]。通過紅外圖像分割找到石油儲罐與背景的灰度分界點。選取直方圖波谷分割方法分割石油儲罐紅外圖像。

紅外圖像分割首先需要在石油儲罐紅外圖像中，構(gòu)建石油儲罐的灰度分布直方圖。搜尋直方圖的波谷，將圖中波谷對應(yīng)的灰度值T作為石油儲罐紅外圖像的分割閾值。增強后石油儲罐紅外圖像E（x，y）中的隨機像素灰度值a（x，y）高于閾值T時，保留該像素的灰度值；a（x，y）低于閾值T時，將該像素的灰度值設(shè)為0。通過以上過程，保留的石油儲罐紅外圖像像素即石油儲罐紅外圖像目標(biāo)部分[15]。該分割過程為石油儲罐內(nèi)油品溫度特征提取提供基礎(chǔ)。

石油儲罐紅外圖像分割的具體流程如下：

a. 設(shè)石油儲罐紅外圖像的灰度級為i，灰度級為i的像素點數(shù)量為ni，組成石油儲罐紅外圖像的總像素點數(shù)量表達式如下：

（3）

b. 依據(jù)石油儲罐紅外圖像的總像素點N，構(gòu)建石油儲罐紅外圖像的灰度直方圖。

c. 搜尋石油儲罐紅外圖像灰度直方圖的極大值，即直方圖的波峰，用于確定圖像的主要背景區(qū)域，分離背景與前景區(qū)域。

d. 搜尋石油儲罐紅外圖像灰度直方圖的極小值T，即直方圖的波谷，將其作為圖像分割閾值。

e. 依分割閾值T，分割石油儲罐紅外圖像：

（4）

其中，a（x，y）表示石油儲罐紅外圖像中的隨機像素灰度值。

石油儲罐紅外圖像分割后，獲取的目標(biāo)圖像中，包含石油儲罐內(nèi)油品的全部溫度特征。將分割后的目標(biāo)圖像，作為支持向量機的輸入矢量，利用支持向量機自動識別石油儲罐內(nèi)油品溫度過高風(fēng)險。

1.3? 基于支持向量機的油品溫度過高風(fēng)險自動識別

將通過紅外圖像分割獲取的包含石油儲罐內(nèi)油品溫度特征的目標(biāo)圖像，作為支持向量機的輸入，利用支持向量機實現(xiàn)油品溫度過高風(fēng)險的自動識別。支持向量機目前廣泛應(yīng)用于回歸預(yù)測和分類問題中。設(shè)包含石油儲罐內(nèi)油品溫度特征的目標(biāo)圖像樣本數(shù)據(jù)訓(xùn)練集為（xi，yi），其中xi與yi分別表示輸入樣本和輸出樣本。引入結(jié)構(gòu)風(fēng)險最小化原則和統(tǒng)計學(xué)習(xí)理論，將油品溫度過高風(fēng)險自動識別的最優(yōu)分類問題，轉(zhuǎn)化為最優(yōu)問題求解。構(gòu)建油品溫度過高風(fēng)險自動識別的目標(biāo)函數(shù)表達式如下：

（5）

其中，ω與b分別表示權(quán)向量和偏置。

引入核函數(shù)，對式（5）進行拉格朗日函數(shù)α變換，將訓(xùn)練樣本映射至高維特征空間內(nèi)，搜尋最優(yōu)的油品溫度過高風(fēng)險自動識別的最優(yōu)分類面，獲取支持向量機最優(yōu)問題的對偶形式表達式如下：

（6）

其中，C與分別表示懲罰函數(shù)和核函數(shù)；n表示樣本總數(shù)量；αi和αj分別表示不同樣本的溫度識別系數(shù)。

求解最優(yōu)問題時，αi值一般為0，當(dāng)αi值不為0時，相應(yīng)的樣本即支持向量。此時，可構(gòu)建油品溫度過高風(fēng)險自動識別的分類問題判別函數(shù)：

（7）

對判別函數(shù)進行相同變換處理，引入核函數(shù)，將樣本映射至高維空間，解決油品溫度過高風(fēng)險自動識別的非線性回歸問題。

獲取支持向量機的最終回歸函數(shù)如下：

（8）

利用式（8）輸出石油儲罐內(nèi)油品溫度過高風(fēng)險自動識別結(jié)果。設(shè)置石油儲罐內(nèi)油品溫度的識別閾值為43 ℃。支持向量機輸出的油品溫度高于所設(shè)置閾值時，表示石油儲罐內(nèi)油品存在溫度過高風(fēng)險，需要及時發(fā)出報警信息。石油儲罐管理人員需要依據(jù)溫度過高風(fēng)險報警的實時定位信息，及時處理石油儲罐溫度過高風(fēng)險。

2? 實例分析

選取某石油化工企業(yè)的石油儲罐作為研究對象，該企業(yè)有20個石油儲罐，油品的初始溫度為40 ℃。石油儲罐高度為10 m，內(nèi)徑為5 m，石油儲罐的防腐層、碳鋼層和保溫層分別為6、70、20 mm。選取巖棉板作為石油儲罐的保溫層材料，選取環(huán)氧煤瀝青作為石油儲罐的防腐層材料。采集石油儲罐紅外圖像的環(huán)境溫度為17 ℃。

采集該石油化工企業(yè)的石油儲罐紅外圖像共500張，隨機選取其中一張如圖2所示。

采用筆者所提方法對采集的原始石油儲罐紅外圖像進行增強處理，增強處理后的石油儲罐紅外圖像如圖3所示。

對比圖2、3可以看出，采用筆者所提方法增強的石油儲罐紅外圖像，其對比度更加明顯，改善了原始儲罐紅外圖像過于模糊的缺陷。

石油儲罐紅外圖像增強前后的直方圖對比結(jié)果如圖4所示。

通過圖4石油儲罐紅外圖像直方圖對比結(jié)果可以看出，筆者所提方法將灰度值較低的像素點提升，將灰度值較高的像素點降低，令石油儲罐紅外圖像經(jīng)過增強后，灰度值更加均勻，為石油儲罐內(nèi)油品溫度過高風(fēng)險的自動識別提供良好的基礎(chǔ)。

采用筆者所提方法對石油儲罐紅外圖像進行分割，提取石油儲罐內(nèi)油品的溫度特征，分割結(jié)果如圖5所示。

通過圖5可以看出，采用筆者所提方法對石油儲罐紅外圖像的分割結(jié)果中，僅包含石油儲罐內(nèi)油品的細節(jié)信息，有效去除了圖像中的背景信息，保證所提取的油品溫度特征不受石油儲罐背景的影響。

采用筆者所提方法對該石油化工企業(yè)的20個石油儲罐內(nèi)油品溫度進行實時監(jiān)測。該石油化工企業(yè)于2020年11月1日～2022年11月30日，共收到12次石油儲罐內(nèi)油品溫度過高風(fēng)險的報警，具體結(jié)果見表1。

通過表1可以看出，采用筆者所提方法在石油儲罐內(nèi)油品溫度高于43.0 ℃時，可自動發(fā)出風(fēng)險報警信息。石油儲罐管理人員可以依據(jù)識別結(jié)果，及時制定相應(yīng)消除風(fēng)險的措施，提升石油儲罐運行的安全性。

3? 結(jié)束語

石油儲罐內(nèi)油品溫度過高，對石油企業(yè)的安全生產(chǎn)影響極大。利用紅外熱成像儀，實時采集石油儲罐的紅外圖像，對所采集的圖像進行增強處理，利用增強處理后的紅外圖像識別石油儲罐內(nèi)的油品溫度過高風(fēng)險。通過實驗驗證，該方法可以獲取精準(zhǔn)的石油儲罐內(nèi)油品的溫度信息，實現(xiàn)石油儲罐內(nèi)油品溫度過高風(fēng)險的自動識別。

參? 考? 文? 獻

[1] 陶彬，郎需慶，牟善軍，等.石化企業(yè)儲罐高液位運行風(fēng)險分析與防護系統(tǒng)建設(shè)探討[J].工業(yè)安全與環(huán)保，2021，47（4）：86-89.

[2] 路皓翔，劉振丙，張靜，等.結(jié)合多尺度循環(huán)卷積和多聚類空間的紅外圖像增強[J].電子學(xué)報，2022，50（2）：415-425.

[3] 王祿祥，張志杰，汪權(quán)，等.基于直覺模糊C均值聚類的紅外圖像缺陷檢測[J].紅外技術(shù)，2022，44（11）：1220-1227.

[4] 張承泓，李范鳴，吳瀅躍.基于自適應(yīng)引導(dǎo)濾波的子帶分解多尺度Retinex紅外圖像增強[J].紅外技術(shù)，2019，41（4）：323-328.

[5] 李萍，劉以安，徐安林.基于多尺度耦合的密集殘差網(wǎng)絡(luò)紅外圖像增強[J].電子測量與儀器學(xué)報，2021，35（7）：148-155.

[6] 侯志強，陳梓松.多米諾效應(yīng)對港口油品儲罐事故概率的影響[J].中國安全科學(xué)學(xué)報，2020，30（9）：59-65.

[7] 黃維秋，許雪，婁井杰，等.面向儲罐碳排放溯源的油品蒸發(fā)及油氣擴散研究進展[J].油氣儲運，2022，41（2）：135-145.

[8] 尹敏，李孜軍.含硫油品儲罐自燃影響因素的試驗研究[J].中國安全科學(xué)學(xué)報，2019，29（3）：45-50.

[9] 王雅真，劉迪，張杰東.火災(zāi)下雙層油品儲罐熱響應(yīng)規(guī)律研究[J].消防科學(xué)與技術(shù)，2020，39（10）：1354-1357.

[10] 謝小芳，周凱，周李淵，等.太陽輻射作用下浮頂油罐溫度場的數(shù)值模擬[J].油氣儲運，2021，40（1）：107-112.

[11] 王穎潔，張蕎，張艷梅，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的油罐目標(biāo)檢測研究[J].遙感技術(shù)與應(yīng)用，2019，34（4）：727-735.

[12] 萬宇飛，李立婉，王文光，等.基于Fluent的風(fēng)向?qū)PG儲罐泄漏擴散規(guī)律研究[J].石油與天然氣化工，2021，50（5）：98-103.

[13] 高金鋒，馬賀紅，姚汝賢.基于輪廓波維納濾波的紅外圖像動態(tài)壓縮仿真[J].計算機仿真，2019，36（11）：347-351.

[14] 李偉東，陳明哲，李玉，等.基于熱-結(jié)構(gòu)耦合分析的液化石油氣儲罐失效預(yù)警判定[J].中國安全生產(chǎn)科學(xué)技術(shù)，2021，17（2）：91-97.

[15] 陳登博，董喆，趙林雙.內(nèi)拱頂儲罐內(nèi)初始火災(zāi)自動滅火系統(tǒng)性能試驗研究[J].中國安全生產(chǎn)科學(xué)技術(shù)，2020，16（3）：93-97.

（收稿日期：2023-01-03，修回日期：2023-07-18）