基于目标检测的压裂井场全覆盖监控系统

张 钊，左 威，景 江，姜一博，李 诚，马 涛，陈 亮

（1.中国石油集团西部钻探工程有限公司井下作业公司，新疆 克拉玛依 834000；2.烟台杰瑞石油装备技术有限公司，山东 烟台 264000）

随着数字油田、智慧油田的实施与推广，国内油田压裂井场逐渐实现数字化、网络化、智能化，智慧油田的核心是对井场的实时压裂作业数据监控以及压裂作业过程中对压裂橇、井口等关键位置的视频监控，视频监控可以提供井场直观的图像，使后方的管理和监控更加便捷；可以纠正井场的违章行为、防范风险；可以辅助安全管理、监控和有效的应急指挥，通过人工智能技术对数据与视频进行分析，提前发现安全隐患，有效降低作业风险[1]。

耿永翔等[2]针对油田智能视频监控系统进行了研究设计，依托计算机监控分析的功能，从清晰的图像中对事物进行检测以及辨别，在油田井场发生突发事件时，智能视频监控系统能够及时做出预警并提供相关报警信息。

张乃禄等[3]提出了基于物联网的井场视频监控措施，通过对井场中的安全风险进行全面识别，提出了基于层次分析方法的安全风险问题监控措施，可以对设备的运行情况、运行状态以及生产作业情况进行实时监控，进而使得井场生产作业的安全性得到了全面提高。

慈兴华等[4]针对井场生产作业过程中最常见的安全风险问题，提出了不安全行为的图像识别方法，可以对大量不安全行为进行有效预警，对违章操作行为进行全面监管，通过及时纠正工作人员操作行为，使工作人员的技能水平以及安全意识得到提升，这也是提高企业安全监管效果的重要措施。

陈丽等[5]对智能监控技术的关键问题进行探讨，结合我国智能监控技术在油田开采行业中的建设情况分析智能监控系统中的运动目标检测方法，展示了智能视频监控技术在数字智能油田中的典型应用，对压裂作业、油田开采的发展有一定的指导意义。

影响压裂井场生产作业的不安全因素主要可分为：人员的不安全行为、作业管理制度的缺陷、人员设备监控的缺失等。目前井场监控主要存在以下问题：①在仪表橇内的显示器上集中显示，用于作业人员查看现场情况，风险识别不及时；②监控点数量少、覆盖范围小，视野受限，存在大面积监控盲区，安全隐患无法察觉；③无法自动识别人的不安全行为并进行提醒，井场安防智能化水平亟待提升。

全覆盖监控系统针对上述影响压裂井场安全问题的因素，基于图像识别目标检测技术设计开发了一套基于视频监控智能分析的软硬件一体化的安全解决方案，为井场的安全生产保驾护航。

1 图像识别技术

图像识别是人工智能的一个重要领域，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。图像识别技术的过程分为以下几个步骤：原始信息获取输入、预处理、特征提取和选择、分类设计和分类决策结果输出。

对于其中的特征提取和选择目前多采用深度学习中的卷积和池化的方式，其中卷积分为标准卷积、转置卷积、空洞卷积以及可分离卷积等，空间可分离卷积计算示例如公式（1）所示。主流的研究方向是降低卷积计算所需的计算量、提升感受野，以在硬件计算资源有限的情况下增加卷积层数、提取更为完整的特征。池化主要分为最大池化、平均池化以及全局平均池化，主要作用为保留主要特征、降低信息冗余，抑制噪声，防止模型过拟合，同时也能起到降低计算量的作用。

分类设计和分类决策按照实现的效果可划分为：分类、定位、检测和分割。检测类算法能够解决是什么、在哪里的问题即能够在划分物体的类别同时确定目标的位置。分割类算法分为场景分割和实例分割，能够在像素的层面分析画面中的每个像素归属于哪个场景或特定的实例。针对压裂井场的智能安全监控需求，目前学术界和企业大多采用深度学习目标检测的技术路线，下面对目标检测技术及其中使用的关键算法进行简要介绍。

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置。由于各类物体有不同的形状、姿态和外观，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域具有高度挑战性的问题。

目标检测任务中，特征金字塔[6]是多尺度目标检测系统中的一个基本组成部分。对于大目标的检测，需要特征图feature map 每个点对应的感受野大一点，即大目标检测需要更高层次的语义特征；对于小目标的检测需要对应的感受野小一点，即小目标检测需要更底层的纹理特征。使用特征金字塔的方法能够很好地融合高层语义特征和底层纹理特征，兼顾大目标检测和小目标检测的需要。

目标检测中的非极大值抑制（Non-Maximum Suppression，NMS）被用于检测后期的物体边界框筛除。非极大值抑制对检测到的全部识别框进行局部的最大值搜索，以搜索某邻域范围内的最大值，从而滤除一部分冗余的识别框，提升最终的检测精度。非极大值抑制的计算过程见公式（2）。

式中：Si表示每个边框的得分；M表示当前得分最高的框；bi表示剩余框的某一个；Nt表示设定的阙值。

在深度学习领域，目标检测算法已经取代了传统的手动特征选取方法。这些算法主要分为2 类：Two-stage目标检测和One-stage 目标检测。Two-stage 目标检测算法首先生成区域提议，即region-proposal，然后使用卷积神经网络对这些区域进行分类。一些常见的Twostage 目标检测算法包括R-CNN、Fast R-CNN、Faster R-CNN 及Mask R-CNN 等。而One-stage 目标检测架构通过卷积神经网络直接进行定位和分类，可以在一个阶段中生成目标的类别概率和位置的坐标，无需生成候选区域的过程。一些常见的One-stage 目标检测算法包括YOLO 系列和SSD 系列。

尽管One-stage 目标检测算法在性能上已经接近或超过Two-stage 模型，但相较于Two-stage 算法，其检测精度还有提升空间。对于小目标和密集目标的检测效果，Two-stage 算法可能更具优势。因此，在实际应用中，我们需要根据具体的应用场景和需求选择合适的算法，并对其进行适当的调整和优化。

2 全覆盖监控系统

2.1 硬件组成

全覆盖监控系统主要由多个变焦相机以及图像分析服务器组成，硬件间通过网线连接通信，硬件系统组成架构如图1 所示。通过监控画面分析实现区域入侵监测以及人的不安全行为提醒，所有分析结果以及报警信息反馈到井场仪表橇内，实现井场压裂区域的智能监控覆盖，提升井场安全管理的智能化水平。

图1 硬件系统组成示意图

其中交换机、硬盘录像机和图像分析服务器放置在仪表橇内，接入电源、网线后即可自动启动监控程序运行，实时目标分析监测到异常后自动报警。交换机用于视频信号的转发；硬盘录像机用于井场安防监控视频的存储，便于后期监控录像的查找与回放；图像分析服务器中部署了图像识别目标检测算法，能够接收相机的视频流进行分析运算，检测井场的不安全行为。图像分析服务器通过网线连接到仪表橇内与监控显示大屏相连接的工控机上，在工控机的浏览器中输入对应的网址即可打开全覆盖监控系统界面。

相机工装分别安装于水罐左右两侧，正对两排压裂橇，每个相机工装包括一台固定位置监控的变焦枪机和一台用于井场巡视的变焦球机，枪机和球机都选用水平和垂直视场角大的，以满足全井场覆盖的监控范围需求。变焦球机的旋转巡航路线和巡航速度需要根据具体压裂井场的设备摆放布局情况进行设置。

2.2 软件方案

2.2.1 图像识别算法模型开发

主要通过图像采集、图像标注、模型训练等步骤构建模型，将构建好的模型部署到智能分析服务器用于目标识别分析。智能分析模型用于识别人员是否佩戴安全帽、是否穿着工服、是否接打电话、是否吸烟和是否有人员闯入限定区域。

前期在多个不同井场安装变焦枪机和变焦球机，按照1 920×1 080 的统一分辨率采集压裂井场作业时的不安全行为视频，视频内容包括不佩戴安全帽、接打电话、未穿着工服、吸烟和人员闯入高压区；然后将采集到的视频拆分为图像帧，选取其中有效的部分进行图像标注，其中未穿着工服的标注标准为未穿工服上衣、未穿工服裤子以及全部未穿着；使用上述5 类图像分别训练5 个目标检测算法模型，保证单类不安全行为识别的准确性，以及模型升级迭代时的便捷性。若只训练一个目标检测算法模型完成5 类行为识别，识别准确率会有所降低而且当新增某类数据时需要对所有数据重新进行训练，工作量大、耗时长。同时针对效果测试中出现的漏报、误报场景进行人工标注后重新训练对应模型，提高模型在复杂井场场景下的鲁棒性；最后将训练、测试完毕的算法模型部署到图像分析服务器上用于监控系统调用。

算法模型采用目标检测算法中的YOLOv4 神经网络模型[7]，网络架构包括原始图像的输入层、多尺寸特征提取与融合的骨干层和颈部层以及预测输出的头部层。由于井场仪表橇内使用的图像分析服务器配置较低，骨干层采用VGG16 的架构并将其中的3×3、5×5 标准卷积分解替换为空间可分离卷积以降低计算量，提高图像处理帧数，保证处理后的视频图像连续，满足监控视频实时性的要求。

2.2.2 入侵监测区域设置及与声光报警器联动功能开发

区域入侵监测是预先在摄像机监控范围内绘制监测区域，当人员进入监测区域并达到入侵时长会触发摄像机联动报警，如压裂作业期间高压区域、吊机作业下方区域的人员闯入等。并且在非作业期间可暂停算法运行避免无效报警。

采用抓取相机静态画面进行区域绘制后保存的方式，划分识别区域，后续视频流中识别区域以外的画面不进行人员识别与报警。并且识别区域以外的画面会进行淡化显示，识别区域以内的画面正常显示，用于不同区域的区分。同时，通过485 转TCP/IP 协议模块将图像分析服务器与声光报警器连接，使图像分析服务器中区域入侵监测的报警信息能够与声光报警器进行通信，从而实现在图像分析服务器中检测到区域入侵事件时声光报警器能够同步动作，提醒现场人员及时处理，避免安全事故的发生。

2.2.3 集成显示算法管理系统开发

集成显示算法管理系统具有摄像头管理、任务管理、事件查看、实时监控页面查看的功能。当人员闯入设定的侦测区域并达到入侵时长，或者监控摄像机发现人的不安全行为会将信息发送到仪表橇进行画面与声光报警提醒，并记录违规类型、时间和抓拍截图。

其中摄像头管理页面，能够查看已经添加的摄像头列表，可通过rtsp 协议新增摄像头。双击摄像头画面可以打开查看实时监控；任务管理是将部署到图像分析服务器中的不同的算法模型应用绑定到不同的摄像头。在任务管理页面，可以查看已经配置好的任务以及修改每个任务配置（设置每个算法的识别阈值和报警阈值等）。双击摄像头画面可以打开查看实时识别结果（有报警框）。

3 井场应用

在新疆维吾尔自治区的克拉玛依市和昌吉回族自治州吉木萨尔县的井区进行了现场应用，克拉玛依井区测试相机工装及安装位置如图2 所示。操作人员需要根据井场布局情况在监控系统中设置禁入区域，用于压裂作业时的高压区人员闯入识别。当监控系统识别到不安全行为时仪表橇内的声光报警器进行声光报警提醒，监控系统画面中用红色矩形框实时标记闯入人员的位置。现场系统应用表明，不安全行为识别准确、报警展示效果良好，能够满足压裂井场的监控需求，提升了井场监控、人员安全管理的智能化水平。

图2 克拉玛依井区测试

首先进行硬件设备的安装，相机工装、声光报警器安装固定后进行交换机、硬盘录像机、图像分析服务器的安装，完成后连接信号线与电源线并进行通信测试，检测各硬件是否工作正常。测试方法如下：①打开硬盘录像机界面查看枪机左、球机左、枪机右和球机右显示画面是否正常，各部分画面显示成功即代表4 个监控相机功能正常，如部分无法显示则需要排查对应的线路连接以及异常监控相机的工作状态。如硬盘录像机界面无法显示，则需要排查硬盘录像机故障原因；②通过浏览器打开全覆盖监控系统，监控系统界面成功显示、若有不戴安全帽等不安全行为画面报警提示，区域入侵检测到人员闯入时能够联动声光报警器进行报警，即代表全覆盖监控系统正常运行，如无法报警则需要排查对应线路连接和不安全行为识别算法的运行状态以及算法参数设置。

4 结束语

通过安全帽、工服、抽烟、接打电话和人员闯入的图像识别算法开发以及算法模型部署，使图像分析服务器能够根据预先训练好的5 类算法模型对网络摄像机的监控画面进行实时图像处理；通过对压裂作业区域人员入侵监测规则设计及功能开发，系统能够根据预先配置的识别区域进行图像分析；通过集成显示算法管理系统上位机界面开发，设计开发监控系统web 端界面，使用户能够通过相关按钮进行系统功能配置和监控画面、报警记录查看。

井场全覆盖监控系统能够实现对压裂作业区域的人员闯入监控及现场作业人员不安全行为的自动识别，能够极大地减少因个人安全意识不足或监管不到位而产生安全隐患的情况，保障井场作业人员的人身安全。