摘" 要：針對(duì)目前長(zhǎng)輸管道高后果區(qū)識(shí)別效率低，需耗費(fèi)大量的人力、物力和時(shí)間成本，該文借助目標(biāo)檢測(cè)算法YOLOv5s，利用遙感影像及無(wú)人機(jī)航飛影像數(shù)據(jù)，結(jié)合高后果區(qū)識(shí)別規(guī)范，對(duì)不同類型的高后果區(qū)建立高后果區(qū)智能識(shí)別模型，通過(guò)評(píng)估，模型準(zhǔn)確率和召回率均達(dá)到90%以上，能有效識(shí)別高后果區(qū)。又以國(guó)內(nèi)某管道高后果區(qū)為例，進(jìn)一步驗(yàn)證模型的有效性，數(shù)據(jù)表明，該模型智能識(shí)別出的高后果區(qū)信息與傳統(tǒng)人工輔助識(shí)別信息一致，能滿足長(zhǎng)輸管道高后果區(qū)自動(dòng)識(shí)別的實(shí)際需求，為高后果區(qū)風(fēng)險(xiǎn)管理提供及時(shí)準(zhǔn)確的數(shù)據(jù)支持，為高后果區(qū)識(shí)別的自動(dòng)化、智能化管理開拓新思路。

關(guān)鍵詞：長(zhǎng)輸管道；高后果區(qū)；YOLOv5s；目標(biāo)檢測(cè)；智能識(shí)別模型

中圖分類號(hào)：TE973" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2025）01-0110-06

Abstract： In view of the current low efficiency of identifying high-consequence areas in long-distance pipelines， which requires a lot of manpower， material resources and time costs， this paper uses the target detection algorithm YOLOv5s， uses remote sensing images and drone flight image data， and combines high-consequence area identification specifications. Intelligent identification models for high-consequence areas are established for different types of high-consequence areas. Through evaluation， the model accuracy and recall rate have reached more than 90%， which can effectively identify high-consequence areas. Taking a high-consequence area of a domestic pipeline as an example to further verify the effectiveness of the model. The data shows that the information of the high-consequence area intelligently identified by the model is consistent with the traditional manual auxiliary identification information， and can meet the actual needs of automatic identification of high-consequence areas of long-distance pipelines. The actual needs provide timely and accurate data support for risk management of high-consequence areas， and open up new ideas for automated and intelligent management of high-consequence area identification.

Keywords： long-distance pipeline; high-consequence area; YOLOv5s; target detection; intelligent recognition model

GB 32167—2015《油氣輸送管道完整性管理規(guī)范》將“高后果區(qū)”明確定義為“管道泄漏后可能對(duì)公眾和環(huán)境造成較大不良影響的區(qū)域”，是指油氣管道發(fā)生泄漏失效后，可能造成嚴(yán)重人員傷亡或者嚴(yán)重環(huán)境破壞的區(qū)域[1]。管道高后果區(qū)作為油氣輸送管道安全管理的關(guān)鍵區(qū)域，一旦發(fā)生管道破裂或油氣泄漏，將對(duì)公共安全、環(huán)境和財(cái)產(chǎn)造成巨大影響和損失。隨著城市建設(shè)進(jìn)程的加快，管道周邊的環(huán)境也在不斷發(fā)生變化，因此需要定期開展管道高后果區(qū)識(shí)別[2]。

目前，識(shí)別輸氣管道高后果區(qū)主要依靠遙感技術(shù)[3]、地理信息系統(tǒng)[4]、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)[5]等方面的技術(shù)，并輔助人工勘察和經(jīng)驗(yàn)判斷，這些方法識(shí)別效率低、不滿足高后果區(qū)識(shí)別的實(shí)時(shí)性。隨著計(jì)算機(jī)視覺(jué)的迅猛發(fā)展，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域中迅速崛起，如何利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)管道高后果區(qū)的智能識(shí)別成為一個(gè)很具有前景的研究領(lǐng)域。本文重點(diǎn)針對(duì)規(guī)范中的高后果區(qū)識(shí)別準(zhǔn)則，結(jié)合地理信息系統(tǒng)及無(wú)人機(jī)航飛數(shù)據(jù)，利用YOLOv5改進(jìn)算法實(shí)現(xiàn)高后果區(qū)AI智能識(shí)別，以期降低高后果區(qū)識(shí)別的人工成本，提高高后果區(qū)識(shí)別精度，提升管道完整性管理的工作效率。

1" 高后果區(qū)識(shí)別現(xiàn)狀

目前，輸油氣管道現(xiàn)場(chǎng)作業(yè)識(shí)別高后果區(qū)的主要方法仍是基于遙感影像的在線人機(jī)交互識(shí)別，完整的高后果區(qū)識(shí)別及管理流程如圖1所示。

高后果區(qū)識(shí)別準(zhǔn)備：結(jié)合上一年度高后果區(qū)識(shí)別結(jié)果及技術(shù)標(biāo)準(zhǔn)變化情況，為后續(xù)高后果區(qū)識(shí)別做好準(zhǔn)備工作。

高后果區(qū)預(yù)識(shí)別：基于IMS數(shù)字管道地圖工具根據(jù)前期采集的管道中心線、站場(chǎng)、閥室和管道樁數(shù)據(jù)，疊加GIS高清影像圖對(duì)管道沿線的地物環(huán)境信息進(jìn)行排查，在潛在影響區(qū)域內(nèi)初步圈定人員密集、環(huán)境敏感區(qū)域、隱蔽場(chǎng)所等重點(diǎn)目標(biāo)，并形成初步識(shí)別列表，作為現(xiàn)場(chǎng)復(fù)核的主要識(shí)別內(nèi)容。

高后果區(qū)現(xiàn)場(chǎng)復(fù)核：現(xiàn)場(chǎng)復(fù)核主要采用現(xiàn)場(chǎng)調(diào)查、走訪的方式進(jìn)一步核實(shí)人員分布、規(guī)模及周邊環(huán)境情況，并采用現(xiàn)場(chǎng)定位、埋深測(cè)量等方式，進(jìn)一步確定高后果區(qū)區(qū)間，并進(jìn)一步完善高后果區(qū)識(shí)別信息，為后續(xù)的風(fēng)險(xiǎn)評(píng)估和管控措施的制定提供更加準(zhǔn)確的依據(jù)。

風(fēng)險(xiǎn)評(píng)價(jià)及報(bào)告編制：按照國(guó)家管網(wǎng)高后果區(qū)識(shí)別與評(píng)價(jià)報(bào)告編制要求及一區(qū)一案報(bào)告編制要求，結(jié)合高后果區(qū)所屬管道基礎(chǔ)信息、高后果區(qū)識(shí)別結(jié)果、數(shù)據(jù)對(duì)齊后的內(nèi)檢測(cè)、外檢測(cè)、陰極保護(hù)測(cè)試等相關(guān)信息自動(dòng)生成報(bào)告，為高后果區(qū)的日常管理提供依據(jù)。

高后果區(qū)質(zhì)量及風(fēng)險(xiǎn)管控檢查：基于國(guó)家管網(wǎng)體系文件要求，對(duì)高后果區(qū)信息填報(bào)質(zhì)量進(jìn)行全方位檢查，包括但不限于信息完整性、信息有效性、信息邏輯的一致性。針對(duì)高后果區(qū)評(píng)價(jià)發(fā)現(xiàn)的中高風(fēng)險(xiǎn)，及時(shí)建立風(fēng)險(xiǎn)與預(yù)防措施的關(guān)系，為高后果區(qū)的風(fēng)險(xiǎn)管控提供保障，確保風(fēng)險(xiǎn)管控的及時(shí)響應(yīng)。

通過(guò)以上步驟可以看出，當(dāng)前高后果區(qū)識(shí)別外業(yè)現(xiàn)場(chǎng)復(fù)核是必不可少的一步，而且人力、物力、時(shí)間成本均相對(duì)比較高。每年的高后果區(qū)風(fēng)險(xiǎn)評(píng)價(jià)及報(bào)告更新需要人工進(jìn)行比對(duì)完善，工作量較大，時(shí)間效率相對(duì)較低。根據(jù)GB 32167—2015《油氣輸送管道完整性管理規(guī)范》、Q-GGW03001.2—2022《油氣儲(chǔ)運(yùn)資產(chǎn)完整性管理規(guī)范 第2部分：管道線路》要求，目前高后果區(qū)識(shí)別均需要每年進(jìn)行，鑒于此項(xiàng)工作的重要性及高頻性，研究高后果區(qū)智能識(shí)別模型勢(shì)在必行，以此提高工作效率，為管理提供更精準(zhǔn)的數(shù)據(jù)支持。

2" 研究方法

隨著人工智能深度學(xué)習(xí)技術(shù)的發(fā)展，其在自動(dòng)化、智能化產(chǎn)業(yè)上得到了廣泛的應(yīng)用。通過(guò)使用深度學(xué)習(xí)算法，可以進(jìn)行輸油氣管道高后果區(qū)的自動(dòng)識(shí)別，提高識(shí)別的精度和效率，為實(shí)現(xiàn)高后果區(qū)的自動(dòng)識(shí)別提供技術(shù)支持。YOLO系列算法作為當(dāng)前主流的深度學(xué)習(xí)目標(biāo)檢測(cè)算法之一，在識(shí)別小目標(biāo)圖像上已被證明具有較高的準(zhǔn)確性與可靠性。其中，YOLOv5算法運(yùn)算速度快、精度高、模型小，在嵌入式設(shè)備上的應(yīng)用前景非常廣泛[6]。

2.1" YOLO算法概述

2015年，Redmon等[7]提出了YOLO目標(biāo)檢測(cè)算法，YOLO的核心是將目標(biāo)檢測(cè)問(wèn)題變成一個(gè)回歸問(wèn)題，將整張圖片作為輸入，僅通過(guò)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)就能得到目標(biāo)的邊界和類別，檢測(cè)速度大幅提升[8]。2017年，YOLO的研發(fā)者Redmon提出了YOLOv2[9]，YOLOv2提出了聯(lián)合訓(xùn)練方法，兼顧了識(shí)別速度和識(shí)別的準(zhǔn)確率，識(shí)別對(duì)象的種類也多達(dá)9 000種[8]。2018年YOLOv3[10]橫空出世。YOLOv3是在YOLOv2的基礎(chǔ)上又進(jìn)行了一系列的改進(jìn)，利用特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)了多尺度檢測(cè)，并且在分類方法上使用了邏輯回歸，在保障了檢測(cè)的準(zhǔn)確性上兼顧了實(shí)時(shí)性[11]。YOLOv4[12]算法是2020年4月23日提出的，在特征提取上采用CSPDarknet53網(wǎng)絡(luò)，同時(shí)應(yīng)用SPP模塊增強(qiáng)特征表達(dá)能力，其精度與速度的平衡性在當(dāng)前目標(biāo)識(shí)別領(lǐng)域?yàn)樽罴裑13]。YOLOv5于2020年6月10日發(fā)布，與之前的YOLO算法對(duì)比，YOLOv5在速度、精度、可部署性等方面有非常大的提升[11]。

YOLOv5網(wǎng)絡(luò)的主要原理是通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)輸入的圖像進(jìn)行特征提取和處理，進(jìn)而計(jì)算出目標(biāo)的位置和類別。YOLOv5系列共有5個(gè)模型，網(wǎng)絡(luò)結(jié)構(gòu)均一樣，區(qū)別在于每個(gè)模型的寬度、深度以及參數(shù)量略有差別，綜合精度、速度及參數(shù)量考量，本文選擇YOLOv5s作為本次研究的模型算法。

2.2" 基于YOLOv5的高后果區(qū)識(shí)別模型建立

基于YOLOv5的高后果區(qū)識(shí)別模型建立流程如下：首先，針對(duì)不同的高后果區(qū)類型，收集不同類別的數(shù)據(jù)集，同時(shí)使用旋轉(zhuǎn)、平移、縮放等技術(shù)對(duì)數(shù)據(jù)集進(jìn)行增廣，再利用Labelimg軟件對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，構(gòu)建不同種類的高后果區(qū)智能識(shí)別樣本庫(kù)。其次，采用YOLOv5s算法構(gòu)建不同類型的高后果區(qū)智能識(shí)別模型，將不同種類的樣本庫(kù)按照訓(xùn)練集和驗(yàn)證集8∶2進(jìn)行劃分，采用訓(xùn)練集對(duì)相應(yīng)的模型進(jìn)行訓(xùn)練，尋找智能識(shí)別模型的最優(yōu)參數(shù)。最后，采用驗(yàn)證集對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證，使用評(píng)價(jià)指標(biāo)精確率和召回率對(duì)模型識(shí)別效果進(jìn)行評(píng)估。

2.2.1" 數(shù)據(jù)集

本文數(shù)據(jù)集主要指高后果區(qū)圖像形式的數(shù)據(jù)，用來(lái)訓(xùn)練和測(cè)試高后果區(qū)智能識(shí)別模型。高后果區(qū)識(shí)別類型包含人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場(chǎng)所4類。相應(yīng)地，需收集4類數(shù)據(jù)樣本集。本文的高后果區(qū)圖像數(shù)據(jù)來(lái)源于2個(gè)方面，自建數(shù)據(jù)庫(kù)和開源數(shù)據(jù)庫(kù)，數(shù)據(jù)圖像均是利用衛(wèi)星及無(wú)人機(jī)航拍獲得。

樣本數(shù)量越多，訓(xùn)練出來(lái)的模型效果越好，模型的泛化能力越強(qiáng)。因此為提高高后果區(qū)智能識(shí)別模型的魯棒性和識(shí)別能力，本文對(duì)采集到的高后果區(qū)圖像進(jìn)行了旋轉(zhuǎn)、平移、縮放等操作以達(dá)到數(shù)據(jù)集增廣的效果。然后采用Labelimg軟件對(duì)數(shù)據(jù)集進(jìn)行標(biāo)注，根據(jù)不同的數(shù)據(jù)類型建立相應(yīng)的智能識(shí)別樣本庫(kù)。

人員密集型樣本庫(kù)主要是指人口聚集、建筑物密集的區(qū)域，這些區(qū)域擁有豐富的人力資源和經(jīng)濟(jì)活動(dòng)，但同時(shí)也伴隨著巨大的風(fēng)險(xiǎn)。在本次高后果區(qū)智能識(shí)別模型中主要是通過(guò)對(duì)管道周邊建筑物的識(shí)別，進(jìn)一步估算人口密度；交通設(shè)施型樣本庫(kù)是指交通密集、交通網(wǎng)絡(luò)復(fù)雜的區(qū)域，這些區(qū)域主要包括公路、鐵路、車站和碼頭等；環(huán)境敏感型樣本庫(kù)主要是指油氣泄漏易對(duì)周邊環(huán)境造成污染的區(qū)域，這些區(qū)域擁有豐富的自然資源，主要包括河流、大型水域、自然保護(hù)區(qū)等；易燃易爆場(chǎng)所樣本庫(kù)主要是指管道兩側(cè)各200 m內(nèi)有加油站、油庫(kù)、煤氣站庫(kù)房、煙花車間、易燃粉塵的區(qū)域、化學(xué)品倉(cāng)庫(kù)和燃料倉(cāng)庫(kù)等，此類區(qū)域會(huì)對(duì)周圍人員及環(huán)境產(chǎn)生比較嚴(yán)重的毀壞。

本次模型基于3.7萬(wàn)張衛(wèi)片和2.2萬(wàn)張航片，標(biāo)注建筑物信息，構(gòu)建了人員密集型樣本庫(kù)；基于1萬(wàn)張衛(wèi)片和1萬(wàn)張航片，標(biāo)注道路信息，構(gòu)建了交通設(shè)施型樣本庫(kù)；基于1萬(wàn)張衛(wèi)片和1萬(wàn)張航片，標(biāo)注河流、水體等信息，構(gòu)建了環(huán)境敏感型樣本庫(kù)；基于1萬(wàn)張衛(wèi)片和1萬(wàn)張航片，標(biāo)注加油站、加氣站等信息，構(gòu)建了易燃易爆場(chǎng)所樣本庫(kù)。建立的不同種類樣本庫(kù)如圖2所示。

2.2.2" 模型建立

YOLOv5s作為高后果區(qū)智能識(shí)別模型建立的核心算法，其主要由輸入端、骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和輸出端4部分組成[14]。

1）輸入端（Input）。輸入端主要包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算、自適應(yīng)圖片縮放3部分內(nèi)容。Mosaic數(shù)據(jù)增強(qiáng)主要是通過(guò)選取任意4張圖片進(jìn)行翻轉(zhuǎn)、裁剪和縮放等操作，然后進(jìn)行拼接構(gòu)成新的圖片（主要增加數(shù)據(jù)多樣性、增強(qiáng)模型的魯棒性，加強(qiáng)歸一化效果、提升小目標(biāo)檢測(cè)性能）。自適應(yīng)錨框計(jì)算主要根據(jù)不同的訓(xùn)練集自適應(yīng)計(jì)算出目標(biāo)的大致位置；自適應(yīng)圖片縮放主要是將圖片統(tǒng)一縮放至尺寸為640×640，若圖片未達(dá)到模版則采用自適應(yīng)黑邊來(lái)填充。

2）骨干網(wǎng)絡(luò)（Backbone）。骨干網(wǎng)絡(luò)中主要包括Focus、CSP、SPPF 3個(gè)模塊。Focus模塊主要對(duì)圖片進(jìn)行切片操作，再通過(guò)拼接得到新的圖片，經(jīng)過(guò)卷積操作后，最終得到了沒(méi)有信息丟失的二倍下采樣特征圖。CSP模塊主要使用的是C3_v1結(jié)構(gòu)，是將輸入的特征分成2個(gè)分支，一個(gè)分支先通過(guò)CBS結(jié)構(gòu)，即（Conv（卷積）+BN（批量歸一化）+SiLU（激活函數(shù)）），再通過(guò)多個(gè)Bottleneck殘差結(jié)構(gòu)，再進(jìn)行一次卷積；另一個(gè)分支直接進(jìn)行卷積，然后2個(gè)分支進(jìn)行Concat實(shí)現(xiàn)拼接完成特征層的映射操作，最后再通過(guò)一個(gè)CBS結(jié)構(gòu)即可得到最終的特征圖。SPPF模塊的主要功能是通過(guò)融合局部和全局的特征來(lái)增大網(wǎng)絡(luò)的感受野。

3）頸部網(wǎng)絡(luò)（Neck）。頸部網(wǎng)絡(luò)也叫Neck網(wǎng)絡(luò)，主要是對(duì)特征進(jìn)行融合處理，由FPN（Feature Pyramid Networks）和 PAN（Path Aggregation Networks）構(gòu)成。PAN網(wǎng)絡(luò)可以將低層的位置信息由低向高傳遞，增強(qiáng)底層特征的傳播。在Neck網(wǎng)絡(luò)中使用的是C3_v2結(jié)構(gòu)，主要是將上支路的Bottleneck殘差結(jié)構(gòu)替換成CBS結(jié)構(gòu)，然后通過(guò)上下分支將輸出經(jīng)過(guò)Concat拼接完成特征映射操作，可以增強(qiáng)網(wǎng)絡(luò)的特征融合能力。

4）輸出端（Head）。輸出端主要是把目標(biāo)位置和類別信息輸出，由多個(gè)檢測(cè)頭構(gòu)成，負(fù)責(zé)預(yù)測(cè)不同尺度目標(biāo)的類別和位置。

YOLOv5s算法的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

本文搭建的智能高后果區(qū)識(shí)別模型如圖4所示。

2.2.3" 模型訓(xùn)練與評(píng)估

根據(jù)高后果區(qū)識(shí)別類型，分別對(duì)人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場(chǎng)所4種樣本庫(kù)進(jìn)行模型訓(xùn)練，設(shè)置batch_size、leraning_rate和epochs等超參數(shù)開啟模型訓(xùn)練，通過(guò)計(jì)算損失函數(shù)，待模型收斂完成后，使用驗(yàn)證集進(jìn)行模型評(píng)估，計(jì)算每個(gè)模型的準(zhǔn)確率和召回率；然后通過(guò)調(diào)整樣本和超參數(shù)進(jìn)行遷移學(xué)習(xí)訓(xùn)練，最終輸出人員密集型、環(huán)境敏感型、交通設(shè)施型和易燃易爆場(chǎng)所智能識(shí)別模型。

此次采用的評(píng)價(jià)指標(biāo)為精確率（Precision）和召回率（Recall），精確率（Precision）和召回率（Recall）是基于混淆矩陣得到的。此處以二分類混淆矩陣為例進(jìn)行闡述，如圖5所示。

其中，Positive和Negative分別表示樣本的正例和負(fù)例，在目標(biāo)檢測(cè)算法中，正例通常為待檢測(cè)的目標(biāo)，負(fù)例通常為背景。TP又稱真陽(yáng)性，表示是正例并正確預(yù)測(cè)為正例的結(jié)果；FP又稱假陽(yáng)性，表示是負(fù)例并將負(fù)例預(yù)測(cè)為正的結(jié)果；FN又稱假陰性，表示是正例并將正例預(yù)測(cè)為負(fù)例的結(jié)果；TN又稱真陰性，表示是負(fù)例并正確預(yù)測(cè)出負(fù)例的結(jié)果。

1）準(zhǔn)確率（Precision）又稱為查準(zhǔn)率，表示正例正確預(yù)測(cè)為正例占整個(gè)實(shí)際正例的比值，用來(lái)評(píng)估預(yù)測(cè)是否準(zhǔn)確，具體公式如下

P= 。 （1）

2）召回率（Recall）又稱查全率，表示正例正確預(yù)測(cè)為正例占預(yù)測(cè)為正例的比值，用來(lái)評(píng)估找的全不全，具體公式如下

R= 。" （2）

通常情況下，準(zhǔn)確率和召回率越趨近于1，模型效果越好。通過(guò)評(píng)估發(fā)現(xiàn)，現(xiàn)有人員密集型模型準(zhǔn)確率為0.96，召回率為0.95；交通設(shè)施型模型準(zhǔn)確率為0.95，召回率為0.97；環(huán)境敏感型模型準(zhǔn)確率為0.94，召回率為0.95；易燃易爆場(chǎng)所準(zhǔn)確率為0.96，召回率為0.97。數(shù)據(jù)表明，不同類別的模型滿足實(shí)際高后果區(qū)識(shí)別需求。

3" 實(shí)例驗(yàn)證

本次研究結(jié)合YOLOv5算法創(chuàng)建了高后果區(qū)AI智能識(shí)別平臺(tái)，如圖6所示。為進(jìn)一步驗(yàn)證模型的有效性，本文以國(guó)內(nèi)某成品油管道為例對(duì)高后果區(qū)智能識(shí)別模型進(jìn)行驗(yàn)證，該管道長(zhǎng)490.3 km，管徑Φ559 mm、Φ508 mm，管道壁厚為6.3～12.5 mm，設(shè)計(jì)壓力8～13.3 MPa，管道沿線環(huán)境復(fù)雜，經(jīng)過(guò)密集居民區(qū)、河流、濕地和面粉廠等，管道一旦泄漏，將對(duì)周邊環(huán)境和人員造成較大影響。根據(jù)輸油管道高后果區(qū)識(shí)別項(xiàng)內(nèi)容，采用現(xiàn)場(chǎng)航飛對(duì)管線進(jìn)行數(shù)據(jù)采集，通過(guò)高后果區(qū)智能識(shí)別模型對(duì)管道沿線的高后果區(qū)進(jìn)行識(shí)別，部分識(shí)別結(jié)果見表1。

將上表識(shí)別出的高后果區(qū)情況與管線最新高后果區(qū)信息列表中的數(shù)據(jù)進(jìn)行對(duì)比發(fā)現(xiàn)，該模型智能識(shí)別出的高后果區(qū)信息與傳統(tǒng)人工輔助識(shí)別信息一致，說(shuō)明該模型有效，可以準(zhǔn)確地識(shí)別出人員密集型、交通設(shè)施型、環(huán)境敏感型和易燃易爆場(chǎng)所等不同類型高后果區(qū)及其長(zhǎng)度與等級(jí)。實(shí)例表明，基于目標(biāo)檢測(cè)算法YOLOv5s建立的高后果區(qū)智能識(shí)別模型可以滿足長(zhǎng)輸管道高后果區(qū)自動(dòng)識(shí)別的實(shí)際需求。

4" 結(jié)束語(yǔ)

針對(duì)輸油氣管道高后果區(qū)識(shí)別效率低的問(wèn)題，本文采用目標(biāo)檢測(cè)算法YOLOv5對(duì)高后果區(qū)智能識(shí)別進(jìn)行了研究，根據(jù)高后果區(qū)識(shí)別類型建立人員密集型樣本庫(kù)、交通設(shè)施型樣本庫(kù)、環(huán)境敏感型樣本庫(kù)和易燃易爆場(chǎng)所樣本庫(kù)，在YOLOv5智能高后果區(qū)識(shí)別模型中對(duì)其訓(xùn)練，訓(xùn)練結(jié)果的精確率和召回率均達(dá)到90%以上。結(jié)合實(shí)例驗(yàn)證，模型能快速準(zhǔn)確地識(shí)別出高后果區(qū)的起止、類型、等級(jí)，符合實(shí)際識(shí)別需求。

鑒于本文對(duì)人員密集型的高后果區(qū)識(shí)別基于建筑物的數(shù)量，人員的數(shù)量是根據(jù)建筑物數(shù)量進(jìn)行預(yù)估的，與實(shí)際相差較大，下一階段將結(jié)合信令分布、高德定位信息、紅外技術(shù)和騰訊人口分布等進(jìn)一步明確高后果區(qū)的人口基數(shù)，使人員密集型高后果區(qū)識(shí)別更加精準(zhǔn)。

參考文獻(xiàn)：

[1] 油氣輸送管道完整性管理規(guī)范：GB 32167—2015[S].

[2] 夏志偉，高春元，彭名超，等.輸氣管道高后果區(qū)智能識(shí)別技術(shù)[J].礦山工程，2023，11（3）：334-338.

[3] 劉翼，張安祺，陳璐瑤，等.基于多源遙感影像的高后果區(qū)變化檢測(cè)方法[J].油氣儲(chǔ)運(yùn)，2021，40（3）：293-299.

[4] 高?？?，戴連雙，賈韶輝，等.基于GIS的管道高后果區(qū)管理升級(jí)及其實(shí)踐[J].石油工業(yè)技術(shù)監(jiān)督，2020，36（5）：60-63.

[5] 耿艷磊，陶超，沈靖，等.高分辨率遙感影像語(yǔ)義分割的半監(jiān)督全卷積網(wǎng)絡(luò)法[J].測(cè)繪學(xué)報(bào)，2020，49（4）：499-508.

[6] 吳思妃.基于改進(jìn)YOLOv5的茶芽檢測(cè)[J].福建茶葉，2024，46（2）：30-32.

[7] REDMON J， DIVVALA S， GIRSHICK R， et al.You only look once： Unified， real-time object detection[C]// Computer Vision amp; Pattern Recognition.IEEE， 2016.

[8] 喻柏?zé)?基于卷積神經(jīng)網(wǎng)絡(luò)YOLOv5模型的圖表識(shí)別方法[D].南昌：南昌大學(xué)，2021.

[9] REDMON J， FARHADI A. YOLO9000： better， faster， stronger[J].IEEE， 2017：6517-6525.

[10] REDMON J， FARHADI A. YOLOv3： An ineremental improvement [J]. arXiv eprints，2018.

[11] 楊龍歡，董效杰，黃施懿，等.基于YOLOv5的輕量型絕緣子缺陷檢測(cè)算法研究[J].通信與信息技術(shù)，2023（5）：13-18.

[12] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： Optimal speed and accuracy of object detection[J].2020.

[13] 鄭紅彬，宋曉茹，劉康.基于YOLOv5的交通標(biāo)志識(shí)別[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2023，32（8）：230-237.

[14] 葉豐.基于改進(jìn)YOLOv5算法的移動(dòng)機(jī)械臂手眼協(xié)作技術(shù)研究[D].濟(jì)南：山東大學(xué)，2023.