技术领域
[0001] 本
发明属于污染气体自动监测技术领域，尤其涉及一种基于水流分割的石 油钻井污染气体自动监测方法。
背景技术
[0002] 目前，最接近的
现有技术：污染物的排放处理，关系环境、关系民生， 是工业生产中必不可少的一环。在工业勘探和发掘过程中，除了地下有 用资源外，也会带一些污染物，比如H2S，污染气体会随着工业的
排水管道 到地面。H2S气体是有毒有害的
酸性气体，直接排放到空气中，对周遭环境造成 影响。当污染气体的含量高于排放标准时需要对排放物进行处理。H2S气体除了 有毒有害之外还是一种无色无味的气体，能容于水。H2S气体溶于水后生成的 HSO4也是无色的，因此要想通过观察水流的
颜色变化检测是污染气体不可能的。 在实际生产过程中，直接使用化学
试剂检测，会耗费大量的化学试剂。同时要 做到实时监测也存在很大的困难。另一方面污染气体水容量是有限的，因此当 污染气体量大时整个环境中压强会增大，在排水管道口会出现水流喷射的现象。 水流量越大喷射现象越明显，说明排水管道内部气压越大，污染气体含量越大。
[0003] 目前都是通过摄像机采集视频数据，然后人工在后台实时监控排水管道水 流变化情况的方式对污染气体进行监测。另一方面，工业生产过程中，往往是 多个工作点同时工作，因此所需的监控的点会很多，这就需要耗费大量的人
力 资源，造成人力资源的浪费。同时人工长时间的观看监控视频会有视觉疲劳， 和精力不集中的问题，就会带监管不到位的问题。目前是根据排水管道口水流 的变化情况判断污染气体排放是否符合标准。目前在水流量的监测统计方面， 主要是使用水流
传感器。水流传感器可以获得一段时间内的水流量统计情况。 其主要的原理在于传感器将对于水流量的感应转化为电
信号，传往后台，后台 根据传过的信号进行分析，解析出水流数据。其主要的功能是用于水流显示和 流量累积计算。但是水流传感器一般是用在电
热水器，太阳
热能热水器，以及 家用的水流统计表。
在监测排水管道的水流变化情况时，水流存在突然喷射的 情况，水流传感器获得的数据就可能是不准确的，同时由于受到水流的冲击， 传感器的安装也是一个问题。因此水流传感器不能用判断污染气体排放是否符 合标准。
[0004] 综上所述，现有技术存在的问题是：在污染气体监测中，通过人工的方式 存在人力资源浪费、成本高、视觉疲劳，以及现有的水流传感器不能满足实际 需求的问题。
[0005] 现有的基于视频的异常数据检测方法，大多都是在人体或者人群的异常行 为方面，大多都是通过人体
姿态、骨架、光流信息等来表示运动的变化。在实 际中水流与人体的不同之处在于水流的形态是不固定的，因此难以通过光流等 信息的变化来捕捉水流形态的变化，即现有的视频异常事件检测方法不适用于 污染气体的监测。同时图像的背景复杂，涉及到不同的光照强度和背景物的变 化，因此难以通过传统的图像
算法来剪除背景。本发明则可以通过
深度学习的 方法来获取感兴趣的图像区域剪除背景。
发明内容
[0006] 针对现有技术存在的问题，本发明提供了一种基于水流分割的石油钻井污 染气体自动监测方法。
[0007] 本发明是这样实现的，一种基于水流分割的石油钻井污染气体自动监测方 法，所述基于水流分割的石油钻井污染气体自动监测方法包括以下步骤：
[0008] 第一步，将mask与原始图像做与运算，将图像映射到HSV颜色表示空间， 手动调整
阈值获得批量的标注数据；
[0009] 第二步，将标注好的数据进行预处理，调整图像的长和宽为32的倍数，将 图像转化为张量格式，做数据的归一化，将
像素值从0到255归一化到0到1；
[0010] 第三步，通过神经网络
训练数据，神经网络采用
编码器-
解码器的结构可以 充分发掘图像的潜在信息，神经网络输入为原始图像，输出为分割图像；
[0011] 第四步，提取分割后的图像的轮廓，并将计算轮廓的周长和面积；
[0012] 第五步，利用标注数据中的不含异常数据
帧部分提取到的周长和面积两个 量，建立多元高斯模型；
[0013] 第六步，将获取到的分割图像的周长和面积输入多元高斯模型，判定数据 帧是否异常。
[0014] 进一步，所述基于水流分割的石油钻井污染气体自动监测方法的水流数据 标注通过制作mask图像和HSV颜色空间分析建模，同时标注同一场景下的100 到1000张数据；HSV用于通过颜色空间的阈值分割出水流，而mask则是用消 除颜色空间阈值与水流在同一范围内的噪声点，通过对水流样本数据的观察和 分析，得出在固定的场景下一定的时间范围内，相机不移动时图像中的光照条 件和背景基本不变；
[0015] HSV模型将
RGB颜色空间映射到一个圆锥空间，从0到255表示颜色从黑 到白的变化；在制作数据集标签的过程中通过mask和HSV结合的方式通过代 码对被分为一类的图片进行标注和处理；Mask是根据背景图片建模得的一张图 像，每个类别和场景下都有对应的mask，通过mask与原始图像直接做与运算 就可以去除大部分的背景；HSV通过颜色空间的阈值调整将mask处理后结果进 行进一步的处理，以获得对水流形态的精准刻画。
[0016] 进一步，所述基于水流分割的石油钻井污染气体自动监测方法的水流分割 算法采用Unet网络结构，Unet网络实现像素级的分割，获得对水流变化情况的 精准刻画；U-net网络由一个收缩路径和一个扩张路径组成；
[0017] 收缩路径遵循典型的卷积网络结构，其由两个重复的3x3卷积核组成，且 均使用修正线性单元激活函数和一个用于下
采样的步长为2的2x2最大
池化操 作，以及在每一个
下采样的步骤中，特征通道数量都加倍；
[0018] 在扩张路径中，每一步都包含对特征图进行上采样；用22的卷积核进行卷 积运算，用于减少一半的特征通道数量；接着级联收缩路径中相应的裁剪后的 特征图；再用两个33的卷积核进行卷积运算，且均使用ReLU激活函数；在最 后一层，利用1*1的卷积核进行卷积运算，将每个64维的
特征向量映射网络的
输出层。
[0019] 进一步，所述基于水流分割的石油钻井污染气体自动监测方法在预处理时 计算得出所有训练数据的均值和方差，每一张图片在减去均值，与方差相比； 将数据归一化到0到1，使得很多像素点变为零；
[0020] 神经网络的损失函数定义如下：
[0021]
[0022]
[0023]
[0024] 公式中Pre，训练过程中神经网络的输出的图像，Pte表示对应的标签，loss 表示损失；i,j表示像素点的坐标
位置；式(3)中i＝0，n表示参与计算的图像 数量，const表示一个非0常数，为保证标签全黑的时候分母不是0；从式(3) 看出当标签和实际的预测值越接近时损失越小。
[0025] 进一步，所述基于水流分割的石油钻井污染气体自动监测方法的异常监测 方法，采用多元高斯建模的方式，帧为异常数据帧时，帧的面积和周长会发生 越变；通过正常数据得的高斯模型在测试异常数据时会偏离该高斯模；该高斯 模型根据正常分割得到的水流的周长和面积计算得到；将水流监控视频的一帧 数据判别为异常，直接通过水流的形态和变化情况确定；周长和面积是对物体 的形态表示最直观的两个量，在实际中通过周长和面积两个量建立多元高斯模 型发掘两个量之间的联系，多元高斯的计算公式：
[0026]
[0027] 其中，∑：代表根据周长和面积计算的协方差矩阵，u：代表均值，x:代表 输入，∈：代表判定的阈值；公式用于判定输入x是否属于建立的多元高斯分布， 当输出的概率值低于∈时判定为不属于该概率分布，∈是根据对于正常数据的和 异常数据的统计值确定的。
[0028] 本发明的另一目的在于提供一种实施所述基于水流分割的石油钻井污染气 体自动监测方法的基于水流分割的石油钻井污染气体自动监测系统，所述基于 水流分割的石油钻井污染气体自动监测系统包括以下步骤：
[0029] 标注数据获取模
块，用于将mask与原始图像做与运算，将图像映射到HSV 颜色表示空间，手动调整阈值获得批量的标注数据；
[0030] 数据预处理模块，用于将标注好的数据进行预处理，调整图像的长和宽为 32的倍数，将图像转化为张量格式，做数据的归一化；
[0031] 分割图像获取模块，用于通过神经网络训练数据，神经网络采用编码器-解 码器的结构可以充分发掘图像的潜在信息，神经网络输入为原始图像，输出为 分割图像；
[0032] 轮廓计算模块，用于提取分割后的图像的轮廓，并将计算轮廓的周长和面 积；
[0033] 模型建立模块，用于利用标注数据中的不含异常数据帧部分提取到的周长 和面积两个量，建立多元高斯模型；
[0034] 数据帧判定模块，用于将获取到的分割图像的周长和面积输入多元高斯模 型，判定数据帧是否异常。
[0035] 本发明的另一目的在于提供一种实现所述基于水流分割的石油钻井污染气 体自动监测方法的信息
数据处理终端。
[0036] 本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在 计算机上运行时，使得计算机执行所述的基于水流分割的石油钻井污染气体自 动监测方法。
[0037] 本发明的另一目的在于提供一种所述基于水流分割的石油钻井污染气体自 动监测方法在污染气体自动监测中的应用。
[0038] 本发明的另一目的在于提供一种所述基于水流分割的石油钻井污染气体自 动监测方法在污染物排放处理中的应用。
[0039] 综上所述，本发明的优点及积极效果为：本发明水流数据标注方法，主要 通过制作mask图像和HSV颜色空间分析建模，可以同时标注同一场景下的100 到1000张数据，大量节人力资源。水流分割算法，主要采用Unet网络结构， 可以实现像素级的分割，获得对水流变化情况的精准刻画。异常监测方法，采 用多元高斯建模的方式，其主要原理在于该帧为异常数据帧时，该帧的面积和 周长会发生越变；通过正常数据得的高斯模型在测试异常数据时会偏离该高斯 模型。
[0040] 本发明通过
机器视觉的方式代替人工实时监测排水管道水流情况。本发明 通过分割水流图像的方式获得水流的喷射状态信息，分割完之后再通过数学的 统计和分析结合实际的污染气体排放标准与喷射状态的关系得出当前污染气体 排放是否符合标准。
[0041] 本发明所要解决的技术问题是人工的方式存在人力资源浪费、成本高、视 觉疲劳，以及现有的水流传感器不能实时获得水流变化情况的问题，其目的在 于通过分割水流图像的方式获得水流的喷射状态信息，分割完之后再通过数学 的统计和分析结合实际的污染气体排放标准与喷射状态的关系得出当前污染气 体排放是否符合排放标准。
[0042] 本发明通过基于水流分割的石油钻井污染气体自动监测算法，对石油钻井 排水管道的水流进行分割进而根据分割结果检测污染气体是否符合排放标准， 在污染气体不符合排放标准的时候能够实时预警，同时克服了人工观测存在的 监督不到和水流传感器不能实时获得水流变化形态的问题，能够有效的节约人 工成本(一台检测机器可以代替5-6个人的工作量)，保护环境。
附图说明
[0043] 图1是本发明
实施例提供的基于水流分割的石油钻井污染气体自动监测方 法
流程图。
[0044] 图2是本发明实施例提供的分割网络结构图。
[0045] 图3是本发明实施例提供的训练
精度图。
[0046] 图4是本发明实施例提供的训练损失图。
[0047] 图5是本发明实施例提供的分割结果图；
[0048] 图中：(a)原图；(b)分割结果；(c)原图；(d)分割结果。
具体实施方式
[0049] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
[0050] 针对现有技术存在的问题，本发明提供了一种基于水流分割的石油钻井污 染气体自动监测方法，下面结合附图对本发明作详细的描述。
[0051] 如图1所示，本发明实施例提供的基于水流分割的石油钻井污染气体自动 监测方法包括以下步骤：
[0052] S101：将mask与原始图像做“与”运算，然后将图像映射到HSV颜色表 示空间，最后手动调整阈值获得批量的标注数据；
[0053] S102：将标注好的数据进行预处理，首先调整图像的长和宽为32的倍数， 然后将图像转化为张量格式，最后做数据的归一化，将像素值从0到255归一 化到0到1之间，调整图像的长和宽是为了符合神经网络训练的需求；
[0054] S103：通过神经网络训练数据，神经网络采用编码器-解码器的结构可以充 分发掘图像的潜在信息，神经网络输入为原始图像，输出为分割图像；
[0055] S104：提取分割后的图像的轮廓，并将计算轮廓的周长和面积，在实际中 是通过人工观测水流形态的变化判断异常情况，而对形态特征最基本的表示就 是一个物体的周长和面积；
[0056] S105：利用标注数据中的不含异常数据帧部分提取到的周长和面积两个量， 建立多元高斯模型，多元高斯模型可以充分发掘图像的周长和面积之间的关系， 同时根据输出概率的大小判定是否异常；
[0057] S106：将获取到的分割图像的周长和面积输入多元高斯模型，判定数据帧 是否异常。
[0058] 下面结合附图对本发明的技术方案作进一步的描述。
[0059] 本发明基于水流分割的石油钻井污染气体自动监测算法，包括三部分内容： 一种适用于水流的水流数据标注方法、水流分割算法、异常监测算法。水流数 据形态不固定，且伴随井喷现象会出现较大的变化，因此通过Labelme标注的 方法不在适用，提出了通过mask和HSV结合的方式标注数据。水流分割算法 用于对排水管道口的水流进行分割获得水流形态的精准刻画，异常监测算法根 据分割后的结果和污染气体的对应关系检测出当前时刻污染气体是否符合排放 标准。
[0060] 本发明基于水流分割的石油钻井污染气体自动监测算法主要的流程如下： (1)首先将mask与原始图像做“与”运算，然后将图像映射到HSV颜色表示空 间，最后手动调整阈值获得批量的标注数据；(2)将标注好的数据进行预处理， 首先调整图像的长和宽为32的倍数，然后将图像转化为张量格式，最后做数据 的归一化，将像素值从0到255归一化到0到1之间，调整图像的长和宽是为 了符合神经网络训练的需求；(3)通过神经网络训练数据，神经网络采用编码 器-解码器的结构可以充分发掘图像的潜在信息，神经网络输入为原始图像，输 出为分割图像；(4)提取分割后的图像的轮廓，并将计算轮廓的周长和面积， 在实际中是通过人工观测水流形态的变化判断异常情况，而对形态特征最基本 的表示就是一个物体的周长和面积；(5)利用标注数据中的不含异常数据帧部 分提取到的周长和面积两个量，建立多元高斯模型，多元高斯模型可以充分发 掘图像的周长和面积之间的关系，同时根据输出概率的大小判定是否异常。(6) 将获取到的分割图像的周长和面积输入多元高斯模型，判定数据帧是否异常。
[0061] 在水流数据集的标注阶段，直接使用现有的工具Labelme进行标注，其标 注的实物图如下所示2所示，左侧为原图右侧为Labelme标注的结果。从图2 中可以看出，使用工具进行标注，只能获得水流大致轮廓信息，而其他部分比 如旁边的细小水柱和由于喷射而脱离中心区域的水滴信息就会损失。标注数据 的工作量巨大，因此需要多个人协同合作，每个人对于水流形态的理解有偏差， 当有
雾气使得水流的分界线不是很明显时就会对标注数据带困难。
[0062] 水流数据标注方法，主要通过制作mask图像和HSV颜色空间分析建模， 可以同时标注同一场景下的100到1000张数据，大量节人力资源。HSV用于通 过颜色空间的阈值分割出水流，而mask则是用消除颜色空间阈值与水流在同一 范围内的噪声点。通过对水流样本数据的观察和分析，可以得出在固定的场景 下一定的时间范围内，相机不移动时图像中的光照条件和背景基本不变。同时 参考火焰分割的相关论文，知道HSV一种比较好的颜色表示空间，在火焰分割 领域取得了不错的效果。基于上述的条件就有了在固定的场景下，分割出水流 的作为数据标签的
基础。HSV模型将RGB颜色空间映射到一个圆锥空间，从0 到255表示颜色从黑到白的变化。在制作数据集标签的过程中通过mask和HSV 结合的方式通过代码对被分为一类的图片进行标注和处理。其分类的标准是相 机位置无变化，背景无变化、光线条件变化不大即可分为一类。Mask指的是根 据背景图片建模得的一张图像，每个类别和场景下都有对应的mask,通过mask 与原始图像直接做与运算就可以去除大部分的背景。mask的样例图像如下图3 所示。HSV则是通过颜色空间的阈值调整将mask处理后结果进行进一步的处 理，以获得对水流形态的精准刻画。
[0063] 水流分割算法，主要采用Unet网络结构，神经网络结构图如图4所示。Unet 网络可以实现像素级的分割，获得对水流变化情况的精准刻画。U-net网络由一 个收缩路径(左边)和一个扩张路径(右边)组成。其中，收缩路径遵循典型 的卷积网络结构，其由两个重复的3x3卷积核(无填充卷积)组成，且均使用 修正线性单元(ReLU)激活函数和一个用于下采样的步长为2的2x2最大池化 操作，以及在每一个下采样的步骤中，特征通道数量都加倍。在扩张路径中， 每一步都包含对特征图进行上采样；然后用22的卷积核进行卷积运算(上卷积)， 用于减少一半的特征通道数量；接着级联收缩路径中相应的裁剪后的特征图； 再用两个33的卷积核进行卷积运算，且均使用ReLU激活函数。由于在每次卷 积操作中，边界像素存在缺失问题，因此有必要对特征图进行裁剪。在最后一 层，利用1*1的卷积核进行卷积运算，将每个64维的特征向量映射网络的输出 层。
[0064] 数据的预处理主要是为了减少运算的数据量，同时对数据做归一化。在预 处理时采用的也是一般的常用手段，首先计算得出所有训练数据的均值和方差， 然后每一张图片在减去均值，最后与方差相比。通过上述的处理可以将数据归 一化到0到1之间，同时也会使得很多像素点变为零，从而减少运算的数据量。 神经网络的损失函数定义如下：
[0065]
[0066]
[0067]
[0068] 公式中Pre，训练过程中神经网络的输出的图像，Pte表示对应的标签，loss 表示损失。i,j表示像素点的坐标位置。公式(3)中i＝0，n表示参与计算的图 像数量，const表示一个非0常数，是为了保证标签全黑的时候分母不是0。从 公式(3)可以看出当标签和实际的预测值越接近时损失越小。
[0069] 在神经网优化方面采用了Adam
优化算法，Adam是一种可以替代传统随机 梯度下降过程的一阶优化算法，它能基于训练数据
迭代地更新神经网络权重。 Adam算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率(即 alpha)更新所有的权重，学习率在训练过程中并不会改变。而Adam通过计算 梯度的一阶矩估计和二阶矩估计，为不同的参数设计独立的自适应性学习率。 Adam算法的提出者描述其为两种随机梯度下降扩展式的优点集合，即：适应 性梯度算法为每一个参数保留一个学习率以提升在稀疏梯度(即自然语言和计 算机视觉问题)上的性能。均方根传播基于权重梯度最近量级的均值为每一个 参数适应性地保留学习率。这意味着算法在非稳态和在线问题上有很有优秀的 性能。Adam在深度学习领域内是十分流行的算法，因为它能很快地实现优良 的结果。经验性结果证明Adam算法在实践中性能优异，相对于其他种类的随 机优化算法具有很大的优势。在实际的训练过程中也取得了良好的效果，训练 的精度图和损失图如下图5所示。
[0070] 从图5中可以看出，只需训练20次就可以达到95％的精度，精度越高也就 意味着水流分割的效果越好。图5中实线表示训练精度，圆点表示验证精度， 可以看出训练精度和验证精度几乎是同时上升，即数据不存在过拟合的情况。 实线表示训练损失，虚线表示验证损失，训练损失和验证损失同时下降也验证 了模型不存在数据过拟合的情况。从图5也可以看出神经网络模型收敛很快， 只需要训练20次就可以达到较高的精度。
[0071] 目前已经从实地收集了五个场景下的数据，并进行了训练，得到的部分结 果。目前已经有接近七万个数据样本。实验的设备为titan v,
框架为keras。在 Titan v上进行训练跑完150次只需要20小时。因为网络结构中进行了五次上采 样和(2，2)的池化，因此输入图像大小需要为32的倍数。训练时输入图像的 大小为(320，448)。在测试阶段，单帧图像的处理时间平均为4ms，可以满足 实时性的需求。
[0072] 异常监测方法，采用多元高斯建模的方式，其主要原理在于该帧为异常数 据帧时，该帧的面积和周长会发生越变；通过正常数据得的高斯模型在测试异 常数据时会偏离该高斯模。该高斯模型根据正常分割得到的水流的周长和面积 计算得到。将水流监控视频的一帧数据判别为异常，可以直接通过水流的形态 和变化情况确定。周长和面积是对物体的形态表示最直观的两个量。在实际中 通过周长和面积两个量建立多元高斯模型发掘两个量之间的联系。多元高斯的 计算公式如下所示：
[0073]
[0074] 其中，∑：代表根据周长和面积计算的协方差矩阵，u：代表均值，x:代表 输入，∈：代表判定的阈值。该公式用于判定输入x是否属于建立的多元高斯分 布，当输出的概率值低于∈时判定为不属于该概率分布。∈是根据对于正常数据 的和异常数据的统计值确定的。
[0075] 通过周长和面积建立高斯模型，并对单独使用周长和面积以及结合两者建 立多元高斯模型判别异常数据帧的方法进行了实验和对比，对比结果如表1所 示。使用的数据共包含3000帧图像，其中异常数据帧数为200。周长和面积结 合建立多元高斯模型时检测的精度达到了96％。
[0076] 表1水流异常数据帧检测结果
[0077]限定条件 精度 误检率 漏检率
面积 90％ 15％ 10％
周长 93％ 12％ 7％
周长+面积 96％ 12％ 4％
[0078] 本发明提供的基于水流分割的石油钻井污染气体自动监测方法包括三部分 内容：适用于水流的水流数据标注方法、水流分割算法、异常监测算法。水流 数据标注方法用于标注形态随时变化的水流数据，能够同时标注几百到一千帧 数据，能节省大量的时间。水流分割算法用于分割出水流获得水流的形态信息， 异常监测算法通过多元高斯实现，用于
鉴别异常数据帧。通过基于水流分割的 石油钻井污染气体自动监测算法，对石油钻井排水管道的水流进行分割进而根 据分割结果检测污染气体是否符合排放标准，在污染气体不符合排放标准的时 候能够实时预警，同时克服了人工观测存在的监督不到和水流传感器不能实时 获得水流变化形态的问题，能够有效的节约人工成本，保护环境。
[0079] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明 的保护范围之内。
