Please activate JavaScript!
Please install Adobe Flash Player, click here for download

Pipeline Technology Journal - Chinese Edition 1/2016

Latest News, Reports and Technical Articles about Research and Development in the Global Pipeline Industry.

研究/发展/技术 技术方法/概述 本文介绍的研究采用机器学习技术,来自主检测微小危险液体泄漏的“ 指纹”。采用光学传感器,主要是因为光学传感技术在泄漏检测方面表现 出绝佳的功效,而且通常在本质上具有非侵入性。此外,虽然运用光学传 感技术监控管道的大部分工作均集中在评估和改进此项功效上,自主(即 非人决策)实时泄漏检测技术的开发进展却非常有限。这正是机器学习技 术发挥重要作用的地方. 研究的第一阶段涉及使用多种光学传感器,包括长波红外 ( LWIR )、 短波红外 (SWIR)、高光谱和可见光摄像机。研究早期阶段对于多种摄像 机的运用侧重于确定可在其中找到危险液体唯一特性的频谱带。接下来的 一步是要去掉获得极少或并未获得任何相关信息的摄像机,而最终目标是 要将摄像机(传感器)的数量尽量减至最低。泄漏表征通过以下方式执 行:让各种不同类型的危险液体构成(例如原油、成品油、混合各种常见 成品油产品的原油、乙烯、甲烷等),在多种不同的环境条件下(例如照 明、温度等),于各种表面上(如草地、铺筑路面、砾石、灰土地等) 成像。 该技术采用多阶段处理管道来实现精确检测。从而提供多种机会,可 在提高检测精度的同时,降低误报发生率。图 1 显示了这条管道的主要 阶段。 多个图像馈入第一个区块传感器配准 ( Sensor Registration ),这里的 图像数据转换可确保每台摄像机中的视界都是相同的。接下来,在特征提 取 ( Feature Extraction ) 中,将针对每个图像计算包括纹理表征特征在内 的多个特征。特征向量被传递到分类器 ( Classifier ) 中,后者将做出有关 图像中是否存在某种特定危险液体的决策,确定该特定危险液体在图像中 的位置,并对该决策的可信度评分。最后,后处理 ( Post-Processing ) 将 清理低可信度决策和噪声源. 虽然这项工作涉及使用光学传感器,请务必注意,该技术的核心是使 用机器学习技术,它可以实现可靠的材料分类和自主(非人决策)操作。 如图 1 所示,这些机器学习技术对传感器不敏感。因此,还可以整合和/ 或组合不同类型的传感器( 包括非光学传感器 ),这让这项技术具有非 常好的可扩展性。 实施 技术开发侧重于检测可在地表上方感知的烃液。在这种情况下,无源光 学传感器被用于捕获环境并训练分类系统自动检测是否存在危险液体。机 器学习技术随后被开发出来,用于评估电磁能如何在宽广的电磁波谱范围 内与危险液体相互作用。 数据收集涵盖多种物质(包括矿物油、原油、柴油、汽油和水等独立 液体),涉及多种表面( 包括混凝土、草地、灰土地和砾石 )。测试还 包括误报的一个常见来源 — 水,因而是开发鲁棒方法的一个关键组成部 分。表 2 总结了所用的每台摄像机的频谱范围和分辨率。这些摄像机可同 时捕获包含处于代表性环境中的危险液体的画面。 图像配准方法被用于在所有摄像机之间映射图像。这允许对传感器系统进 行单独和集体分析。先执行配准,然后再应用机器学习算法检测是否存在 危险液体。 “该技术的核心是使用机器学习技术,它可 以实现可靠的材料分类和自主操作。” >MariaS.Araujo. 图1:泄漏检测处理管道 摄像机 频谱范围 分辨率 SOC710VP HS-Porta- ble Visible/NIR 0.4μm - 1μm 696x520 Sensor Unlimited 640CSX 0.9μm - 1.7μm 640x512 FLIR A65 7.5μm - 13μm 640x512 UI-5240SE 0.4μm - 0.9μm 640x480 表2:泄漏检测算法开发过程中使用的光学传感器 管道技术期刊 31

Pages Overview