管道運輸作為五大運輸方式之一，在油氣運輸上獨具優(yōu)勢，可以平穩(wěn)、不間斷地將油氣運輸?shù)饺珖鞯亍Ｖ袊壳斑\營的輸油管道總長5萬余千米，在油品運輸過程中，一旦管道發(fā)生泄漏，尤其是油品泄漏點在河流附近，流動的河水會加速油污擴散，如果沒有及時發(fā)現(xiàn)，將造成嚴(yán)重后果。2009年12月30日，中石油某成品油輸油管道發(fā)生泄漏，在渭河形成污染帶進入黃河，污染了當(dāng)?shù)仫嬘盟?，造成很壞的社會影響。通過在線監(jiān)測系統(tǒng)及時發(fā)現(xiàn)、及時處理，能夠大幅降低油品泄漏造成的影響。

　　一、油污在線監(jiān)測系統(tǒng)模型

　　油污在線監(jiān)測系統(tǒng)通過圖片及氣味數(shù)據(jù)進行分析，針對識別出的油污水面向生產(chǎn)人員發(fā)送預(yù)警信息，通過人為二次判斷，確定現(xiàn)場情況。系統(tǒng)由數(shù)據(jù)采集模塊(包括視覺采集模塊和氣味采集模塊)、信號處理模塊、無線傳輸模塊、遠程計算機模塊4部分組成，如圖1所示。

　?、傧到y(tǒng)采集模塊。系統(tǒng)采集模塊包含視覺采集模塊和氣味采集模塊。即采集特定范圍內(nèi)河面的圖像和氣味數(shù)據(jù)，并將所得到的電信號傳遞給信號處理模塊。

　　②信號處理模塊。信號處理模塊為整個系統(tǒng)的關(guān)鍵，主要實現(xiàn)在各模塊、各傳感器之間的信號轉(zhuǎn)換、采集、存儲、處理和發(fā)送等功能。

　　③通信模塊。通信模塊通過有線、無線的方式，將平臺采集的數(shù)據(jù)發(fā)送到遠端計算機。

　?、苓h端計算機。遠端計算機接收傳輸過來的各項數(shù)據(jù)，通過機器學(xué)習(xí)建立神經(jīng)網(wǎng)絡(luò)模型，實時監(jiān)測河面是否存在油污泄漏和油膜存在等情況。對疑似油污存在的情況，發(fā)出報警提示，并顯示現(xiàn)場圖像，進行人工判斷。

　　二、基于SVM的圖像監(jiān)控系統(tǒng)

　　支持向量機(SVM)已經(jīng)成為了解決數(shù)據(jù)挖掘問題的重要方法，是基于統(tǒng)計學(xué)習(xí)理論和神經(jīng)網(wǎng)絡(luò)的技術(shù)。不同于傳統(tǒng)分類方法，SVM是一種基于結(jié)構(gòu)風(fēng)險最小化的分類技術(shù)，核心不是將學(xué)習(xí)器訓(xùn)練誤差降到最小，而更注重分類器的泛化能力，從而讓SVM在處理某些分類問題時表現(xiàn)得更加高效且穩(wěn)定。

　　2.1基于支持向量機(SVM)的圖像分割

　　在對圖像進行分割時，通常采用的分割方法是基于閾值，根據(jù)以往經(jīng)驗設(shè)定閾值并提取圖像的灰度、紋理、梯度等特征來分割圖像。按照個人經(jīng)驗設(shè)定閾值和特征往往比較困難，通常需要多次調(diào)整閾值和特征信息以使實驗結(jié)果更符合預(yù)期結(jié)果。然而在統(tǒng)計學(xué)習(xí)中，無須對每個特征設(shè)置固定的閾值，而是通過選擇適量的特征并明確對應(yīng)的權(quán)值，這樣在分類像素點時可以盡可能多地選擇特征作為樣本屬性。利用SVM原理對像素點進行分類，解決圖像分割問題。在建立SVM分類模型時，先選取訓(xùn)練樣本集，并確定SVM核函數(shù)及其參數(shù)，提取樣本的特征，最后確定訓(xùn)練樣本集進行訓(xùn)練，并用SVM分類器分割圖像。

　　2.2算法步驟

　　基于SVM的圖像監(jiān)控系統(tǒng)的算法步驟如圖2所示。

　　2.3實驗結(jié)果及分析

　　分析實驗結(jié)果(如圖3所示)可以發(fā)現(xiàn)，系統(tǒng)對水面的油污進行有效的分析識別。但在出現(xiàn)不規(guī)則物體陰影、強光折射時，系統(tǒng)可能出現(xiàn)誤判，此時需要通過更加豐富的訓(xùn)練集提高系統(tǒng)的準(zhǔn)確度和穩(wěn)定性。此外，應(yīng)適當(dāng)引入人工識別，不能因為提高對異物的識別而遺漏對油污的識別，不能因小失大。

　　三、基于LVQ神經(jīng)網(wǎng)絡(luò)的氣味監(jiān)控系統(tǒng)

　　一個LVQ網(wǎng)絡(luò)由輸入層、競爭層、輸出層等3個神經(jīng)元組成。其中競爭層會通過輸入向量的距離學(xué)習(xí)，從而對輸入向量進行分類。輸出層獲得競爭層傳來的分類信息，并將其轉(zhuǎn)變?yōu)橐粋€類別，每個輸出層神經(jīng)元代表一個分類。在競爭層和輸出層之間的連接權(quán)值固定為1。輸入層和競爭層間的連接權(quán)值為參考矢量的分量。在LVQ網(wǎng)絡(luò)訓(xùn)練過程中，這些權(quán)值會被修改。所以在競爭層和輸出層都有二進制輸出值。當(dāng)某個輸入被傳送至LVQ網(wǎng)絡(luò)時，最接近輸入的參考矢量的競爭神經(jīng)元獲得激發(fā)，從而贏得競爭，產(chǎn)生一個“1”，而其他競爭神經(jīng)元因此都被迫產(chǎn)生“0”。獲勝神經(jīng)元所在的神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，其他輸出神經(jīng)元逼迫發(fā)出“0”。產(chǎn)生“1”的輸出神經(jīng)元給出輸入對應(yīng)的類，每個輸出神經(jīng)元代表不同的類，如圖4所示。

　　四、實驗結(jié)果及分析

　　圖5是基于LVQ神經(jīng)網(wǎng)絡(luò)的氣味監(jiān)控系統(tǒng)模型，實驗中，筆者選取的數(shù)據(jù)集數(shù)據(jù)總數(shù)為569個，其中正常情況數(shù)據(jù)357個，泄露情況數(shù)據(jù)212個。隨機將數(shù)據(jù)集分為訓(xùn)練集和測試集。其中，訓(xùn)練集數(shù)據(jù)總數(shù)為426個，正常情況270個，泄露情況156個。測試集數(shù)據(jù)總數(shù)143個，正常情況87個，泄露情況56個。使用訓(xùn)練集的數(shù)據(jù)對系統(tǒng)進行訓(xùn)練，訓(xùn)練結(jié)束后，使用測試集數(shù)據(jù)進行校驗。最終得出如下結(jié)果：測試集正常情況數(shù)據(jù)中，正確識別的為78個，誤判為泄露情況9個，正確率P1=89.6552%，測試集泄露情況數(shù)據(jù)中，正確識別的為45個，誤判為泄露情況11個，正確率P2=80.3571%。通過實驗可以發(fā)現(xiàn)，在不考慮數(shù)據(jù)集樣本數(shù)據(jù)差異的情況下，訓(xùn)練集的容量越大，系統(tǒng)的正確識別率越高，通過豐富訓(xùn)練集容量，可以有效提高系統(tǒng)的正確率，同時系統(tǒng)可以自主學(xué)習(xí)，將每次測試的數(shù)據(jù)轉(zhuǎn)化為新的訓(xùn)練數(shù)據(jù)，盡可能提高系統(tǒng)的識別率。

　　五、結(jié)語

　　通過以上實驗結(jié)果不難發(fā)現(xiàn)，SVM神經(jīng)網(wǎng)絡(luò)圖像識別與LVQ神經(jīng)網(wǎng)絡(luò)氣味監(jiān)控系統(tǒng)，在水面油污監(jiān)控中能達到較好應(yīng)用，但是在實際環(huán)境中，干擾系統(tǒng)識別的因素千差萬別，一盆肥皂水、一艘游船經(jīng)過都可能造成監(jiān)控系統(tǒng)誤判，需要加入人工識別的方式進行二次診斷，在發(fā)現(xiàn)可疑情況時及時報警，并實時傳送監(jiān)控圖像和氣味識別數(shù)據(jù)，由人工進行核實。應(yīng)用水面油污監(jiān)控系統(tǒng)并不表示可以完全不用人工管理，只是作為初篩使用，現(xiàn)實生產(chǎn)不同于實驗室，萬分之一的誤判都有可能造成嚴(yán)重后果，所以在系統(tǒng)使用過程中，只要圖像和氣味兩個識別系統(tǒng)有一個發(fā)現(xiàn)異常，就會警報。( >

如需要產(chǎn)品及技術(shù)服務(wù)，請撥打服務(wù)熱線：13659219533
選擇陜西博泰達水處理科技有限公司，你永遠值得信賴的產(chǎn)品！
了解更多，請點擊m.bfa-sc.com