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到全國各地。中國目前運營的輸油管道總長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，污染了當地飲用水源，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)通過圖片及氣味數據進行分析，針對識別出的油污水面向生產人員發(fā)送預警信息，通過人為二次判斷，確定現(xiàn)場情況。系統(tǒng)由數據采集模塊(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系統(tǒng)的關鍵，主要實現(xiàn)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。通信模塊通過有線、無線的方式，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來的各項數據，通過機器學習建立神經網絡模型，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)已經成為了解決數據挖掘問題的重要方法，是基于統(tǒng)計學習理論和神經網絡的技術。不同于傳統(tǒng)分類方法，SVM是一種基于結構風險最小化的分類技術，核心不是將學習器訓練誤差降到最小，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，根據以往經驗設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驗結果更符合預期結果。然而在統(tǒng)計學習中，無須對每個特征設置固定的閾值，而是通過選擇適量的特征并明確對應的權值，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行訓練，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實驗結果及分析

　　分析實驗結果(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練集提高系統(tǒng)的準確度和穩(wěn)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神經網絡的氣味監(jiān)控系統(tǒng)

　　一個LVQ網絡由輸入層、競爭層、輸出層等3個神經元組成。其中競爭層會通過輸入向量的距離學習，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，并將其轉變?yōu)橐粋€類別，每個輸出層神經元代表一個分類。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網絡訓練過程中，這些權值會被修改。所以在競爭層和輸出層都有二進制輸出值。當某個輸入被傳送至LVQ網絡時，最接近輸入的參考矢量的競爭神經元獲得激發(fā)，從而贏得競爭，產生一個“1”，而其他競爭神經元因此都被迫產生“0”。獲勝神經元所在的神經元組相連接的輸出神經元也發(fā)出“1”，其他輸出神經元逼迫發(fā)出“0”。產生“1”的輸出神經元給出輸入對應的類，每個輸出神經元代表不同的類，如圖4所示。

　　四、實驗結果及分析

　　圖5是基于LVQ神經網絡的氣味監(jiān)控系統(tǒng)模型，實驗中，筆者選取的數據集數據總數為569個，其中正常情況數據357個，泄露情況數據212個。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，正常情況270個，泄露情況156個。測試集數據總數143個，正常情況87個，泄露情況56個。使用訓練集的數據對系統(tǒng)進行訓練，訓練結束后，使用測試集數據進行校驗。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，誤判為泄露情況9個，正確率P1=89.6552%，測試集泄露情況數據中，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)，在不考慮數據集樣本數據差異的情況下，訓練集的容量越大，系統(tǒng)的正確識別率越高，通過豐富訓練集容量，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(tǒng)的識別率。

　　五、結語

　　通過以上實驗結果不難發(fā)現(xiàn)，SVM神經網絡圖像識別與LVQ神經網絡氣味監(jiān)控系統(tǒng)，在水面油污監(jiān)控中能達到較好應用，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據，由人工進行核實。應用水面油污監(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)實生產不同于實驗室，萬分之一的誤判都有可能造成嚴重后果，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。(來源：中國石油集團安全環(huán)保技術研究院有限公司)