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、不間斷地將油氣運輸到全國各地。中國目前運營(yíng)的輸油管道總長(cháng)5萬(wàn)余千米，在油品運輸過(guò)程中，一旦管道發(fā)生泄漏，尤其是油品泄漏點(diǎn)在河流附近，流動(dòng)的河水會(huì )加速油污擴散，如果沒(méi)有及時(shí)發(fā)現，將造成嚴重后果。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(jìn)入黃河，污染了當地飲用水源，造成很壞的社會(huì )影響。通過(guò)在線(xiàn)監測系統及時(shí)發(fā)現、及時(shí)處理，能夠大幅降低油品泄漏造成的影響。

　　一、油污在線(xiàn)監測系統模型

　　油污在線(xiàn)監測系統通過(guò)圖片及氣味數據進(jìn)行分析，針對識別出的油污水面向生產(chǎn)人員發(fā)送預警信息，通過(guò)人為二次判斷，確定現場(chǎng)情況。系統由數據采集模塊(包括視覺(jué)采集模塊和氣味采集模塊)、信號處理模塊、無(wú)線(xiàn)傳輸模塊、遠程計算機模塊4部分組成，如圖1所示。

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

　?、谛盘柼幚砟K。信號處理模塊為整個(gè)系統的關(guān)鍵，主要實(shí)現在各模塊、各傳感器之間的信號轉換、采集、存儲、處理和發(fā)送等功能。

　?、弁ㄐ拍K。通信模塊通過(guò)有線(xiàn)、無(wú)線(xiàn)的方式，將平臺采集的數據發(fā)送到遠端計算機。

　?、苓h端計算機。遠端計算機接收傳輸過(guò)來(lái)的各項數據，通過(guò)機器學(xué)習建立神經(jīng)網(wǎng)絡(luò )模型，實(shí)時(shí)監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，并顯示現場(chǎng)圖像，進(jìn)行人工判斷。

　　二、基于SVM的圖像監控系統

　　支持向量機(SVM)已經(jīng)成為了解決數據挖掘問(wèn)題的重要方法，是基于統計學(xué)習理論和神經(jīng)網(wǎng)絡(luò )的技術(shù)。不同于傳統分類(lèi)方法，SVM是一種基于結構風(fēng)險最小化的分類(lèi)技術(shù)，核心不是將學(xué)習器訓練誤差降到最小，而更注重分類(lèi)器的泛化能力，從而讓SVM在處理某些分類(lèi)問(wèn)題時(shí)表現得更加高效且穩定。

　　2.1基于支持向量機(SVM)的圖像分割

　　在對圖像進(jìn)行分割時(shí)，通常采用的分割方法是基于閾值，根據以往經(jīng)驗設定閾值并提取圖像的灰度、紋理、梯度等特征來(lái)分割圖像。按照個(gè)人經(jīng)驗設定閾值和特征往往比較困難，通常需要多次調整閾值和特征信息以使實(shí)驗結果更符合預期結果。然而在統計學(xué)習中，無(wú)須對每個(gè)特征設置固定的閾值，而是通過(guò)選擇適量的特征并明確對應的權值，這樣在分類(lèi)像素點(diǎn)時(shí)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(diǎn)進(jìn)行分類(lèi)，解決圖像分割問(wèn)題。在建立SVM分類(lèi)模型時(shí)，先選取訓練樣本集，并確定SVM核函數及其參數，提取樣本的特征，最后確定訓練樣本集進(jìn)行訓練，并用SVM分類(lèi)器分割圖像。

　　2.2算法步驟

　　基于SVM的圖像監控系統的算法步驟如圖2所示。

　　2.3實(shí)驗結果及分析

　　分析實(shí)驗結果(如圖3所示)可以發(fā)現，系統對水面的油污進(jìn)行有效的分析識別。但在出現不規則物體陰影、強光折射時(shí)，系統可能出現誤判，此時(shí)需要通過(guò)更加豐富的訓練集提高系統的準確度和穩定性。此外，應適當引入人工識別，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 )的氣味監控系統

　　一個(gè)LVQ網(wǎng)絡(luò )由輸入層、競爭層、輸出層等3個(gè)神經(jīng)元組成。其中競爭層會(huì )通過(guò)輸入向量的距離學(xué)習，從而對輸入向量進(jìn)行分類(lèi)。輸出層獲得競爭層傳來(lái)的分類(lèi)信息，并將其轉變?yōu)橐粋€(gè)類(lèi)別，每個(gè)輸出層神經(jīng)元代表一個(gè)分類(lèi)。在競爭層和輸出層之間的連接權值固定為1。輸入層和競爭層間的連接權值為參考矢量的分量。在LVQ網(wǎng)絡(luò )訓練過(guò)程中，這些權值會(huì )被修改。所以在競爭層和輸出層都有二進(jìn)制輸出值。當某個(gè)輸入被傳送至LVQ網(wǎng)絡(luò )時(shí)，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(yíng)得競爭，產(chǎn)生一個(gè)“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)元給出輸入對應的類(lèi)，每個(gè)輸出神經(jīng)元代表不同的類(lèi)，如圖4所示。

　　四、實(shí)驗結果及分析

　　圖5是基于LVQ神經(jīng)網(wǎng)絡(luò )的氣味監控系統模型，實(shí)驗中，筆者選取的數據集數據總數為569個(gè)，其中正常情況數據357個(gè)，泄露情況數據212個(gè)。隨機將數據集分為訓練集和測試集。其中，訓練集數據總數為426個(gè)，正常情況270個(gè)，泄露情況156個(gè)。測試集數據總數143個(gè)，正常情況87個(gè)，泄露情況56個(gè)。使用訓練集的數據對系統進(jìn)行訓練，訓練結束后，使用測試集數據進(jìn)行校驗。最終得出如下結果：測試集正常情況數據中，正確識別的為78個(gè)，誤判為泄露情況9個(gè)，正確率P1=89.6552%，測試集泄露情況數據中，正確識別的為45個(gè)，誤判為泄露情況11個(gè)，正確率P2=80.3571%。通過(guò)實(shí)驗可以發(fā)現，在不考慮數據集樣本數據差異的情況下，訓練集的容量越大，系統的正確識別率越高，通過(guò)豐富訓練集容量，可以有效提高系統的正確率，同時(shí)系統可以自主學(xué)習，將每次測試的數據轉化為新的訓練數據，盡可能提高系統的識別率。

　　五、結語(yǔ)

　　通過(guò)以上實(shí)驗結果不難發(fā)現，SVM神經(jīng)網(wǎng)絡(luò )圖像識別與LVQ神經(jīng)網(wǎng)絡(luò )氣味監控系統，在水面油污監控中能達到較好應用，但是在實(shí)際環(huán)境中，干擾系統識別的因素千差萬(wàn)別，一盆肥皂水、一艘游船經(jīng)過(guò)都可能造成監控系統誤判，需要加入人工識別的方式進(jìn)行二次診斷，在發(fā)現可疑情況時(shí)及時(shí)報警，并實(shí)時(shí)傳送監控圖像和氣味識別數據，由人工進(jìn)行核實(shí)。應用水面油污監控系統并不表示可以完全不用人工管理，只是作為初篩使用，現實(shí)生產(chǎn)不同于實(shí)驗室，萬(wàn)分之一的誤判都有可能造成嚴重后果，所以在系統使用過(guò)程中，只要圖像和氣味兩個(gè)識別系統有一個(gè)發(fā)現異常，就會(huì )警報。( >

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