CN111951242A - 基于多波束测深声纳的气体泄露检测方法 - Google Patents

Abstract

本发明提供一种基于多波束测深声纳的气体泄露检测方法，是一套对多波束测深声纳系统在水下采回的数据进行气体目标检测的方法，包括以下步骤：步骤1：选取数据集，将数据集里的初始数据进行全局归一化处理。步骤2：将归一化后的图像数据进行去旁瓣处理。步骤3：转为扇形图。步骤4：整理数据集。步骤5：输入待检测图像，并提取候选区域。步骤6：区域归一化操作。步骤7：分类与回归。发明提供了一种自动检测识别气体泄露的方法，相比于传统图像处理方法，本方法能够适应的环境比较多样，检测的稳定性较高，目标识别的位置更为准确，适用于能够采集到比较多数据并且环境比较多变的水下气体目标检测。

Description

基于多波束测深声纳的气体泄露检测方法

技术领域

本发明涉及一种基于深度学习方法的多波束测深声纳成像数据检测方法，尤其涉及一种基于多波束测深声纳的气体泄露检测方法，属于声纳技术和图像数据处理的技术领域。

背景技术

近年海洋油气资源被大规模开发，水下油气资源的开采活动越来越频繁，但铺设于海底中的输送管道，其所处的环境十分恶劣，由于管道长时间受到海底流沙的冲蚀、管道外波流的影响，以及存在内部腐蚀的情况，这些都会对海底输送管道造成损伤，使得海底管道泄漏的风险大大增加。油气泄漏无论对环境还是经济发展都会造成十分严重的影响，而且海上油田的生产工作也会受到油气泄漏的影响。由于海底管道具有长距离铺设、使用周期时间长的特点，对其气体泄露的检测工作尤为重要。

目前实际使用的海底管道气体泄露检测研究方法有：(1)潜水员下水进行摸测；(2)对其进行物理或者化学分析等硬件方法的检测；(3)基于压力变化的检测；然而由于海底管道多布置在水深的环境下，对于软件和硬件的数据采集以及通信方面都是极其困难的。(4)波束测深声纳作为数据获取设备，对多波束测深声纳成像数据进行检测是否有气体的泄露。

可以参考的文献：

[1]杜非.基于气泡声学的水下气体泄漏检测方法研究[D].天津:天津大学博士学位论文,2016.1-3

[2]卫磊.靖惠管线泄漏检测系统的分析和优化[D].西安:西安石油大学硕士学位论文,2011.1-4

[3]丁洁.石油管线泄漏检测技术研究[D].南京:南京理工大学,2007.1-2

[4]缪成章.海底滑坡及其对海底管线的影响[D].浙江:浙江大学硕士学位论文,2007.1-3

[5]方娜,陈国明,朱红卫,孟会行.海底管道泄漏事故统计分析[J].油气储运,2014,33(1):99-102。

发明内容

本发明的目的是为了对多波束测深声纳成像数据进行是否有气体泄露的判断以及识别气体泄露位置而提供一种基于多波束测深声纳的气体泄露检测方法，是一套对多波束测深声纳系统在水下采回的数据进行深度学习处理的方法。

本发明的目的是这样实现的：步骤如下：

步骤1：将初始数据进行全局归一化处理；

步骤2：将归一化后的图像数据进行去旁瓣处理；

步骤3：转为扇形图；

步骤4：整理数据集；

步骤5：输入待检测图像，并提取候选区域；

步骤6：区域归一化操作；

步骤7：分类与回归。

本发明还包括这样一些结构特征：

1.所述步骤1中，需要对多波束测深声纳采回的数据进行归一化处理以便挑选数据集，归一化方法如下：

其中：m为波束数，n为深度方向采样点数，p(i,j)为声纳在第j个波束上的第i个采样点的数据，得到的y为全图归一化的值；

对全图做以下操作即可得到归一化后的图像数据数据x(i,j)：

2.所述步骤2中，针对多波束测深声纳成像有旁瓣干扰的问题，进行了抑制旁瓣干扰的处理，方法如下：

将步骤1处理后的成像数据x(i,j)处理如下：将序号i的m个波束进行升序排序，得到序列：xo(i,1)＜xo(i,2)＜...＜xo(i,k)＜...xo(i,m)，将图像数据用当前采样点m个波束排序后序列的第k个值xo(i,k)进行归一化操作，归一化操作如下：

得到R(i,j)即为消除干扰后的图像数据。

3.所述步骤3中，从声纳获得的图像数据是呈矩形状态的，为方便识别，对数据进行转扇形操作，得到真实成像效果；具体为：

F(x,y)＝R(r,θ)

其中：F(x,y)为待转换的扇形图像，x、y为扇形图像的坐标数据，R(r,θ)为原始矩形图像，r,θ为矩形图像的坐标数据。

4.所述步骤4中，将转成扇形后的图像数据后进行整理和分类，整理是先将一些错误数据以及无意义的图像数据筛选掉，分类主要就是将有气泡的分为一组，无气泡的分为一组；并划定测试集以及训练集。

5.所述步骤5中，利用RPN算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层，其中RPN网络为CNN后面接一个3*3的卷积层，再接两个1*1的卷积层，其中一个是用来给softmax层进行分类，另一个用于给候选区域精确定位；另外RPN网络中anchor是一组固定尺寸的矩形框，是使用不同的尺寸和长宽比在图像上放置得到的boxes，并作为第一次预测目标位置的参考boxes；Faster-RCNN中，通过三种形状，按长宽比为{1：1，1：2，2：1}生成九个anchor；若CNN得到的feature map大小为w*h，那总的anchors个数为9*w*h，9为上述的9种anchors；假设原图大小为W*H，可得W＝S·w，H＝S·s，S为之前所有层的stride size相乘，所以feature map上的点乘以S即为anchors的原点位置，得到所有框的原点位置以及大小就得到原图上的anchors区域。

6.所述步骤6中，通过对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征来实现区域归一化操作，方法具体如下：

RoI Pooling Layer将不同尺度的特征图下采样到一个固定的尺度，通过RoIPooling Layer后，产生一个7*7*512维度的特征向量作为全连接层的输入，即RoI PoolingLayer只采用单一尺度进行池化；RoI Pooling采用一种尺度的池化层进行下采样，将每个RoI区域的卷积特征分成4*4个bin，然后对每个bin内采用max pooling，得到16维的特征向量。

7.所述步骤7中，分类与回归中将上述步骤提取到的特征输入到全连接层中，利用全连接层和Softmax计算每个候选区域属于是否属于有气体泄露的类别，输出分类概率向量；同时利用检测边框回归来计算每个候选区域的位置偏移量，从而识别出更加精准的气体泄露目标检测的边框：

Softmax分类器数学表达如下：

Logistic回归中，训练集由m个已标记的样本构成：{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，假设函数如下：

训练模型参数θ，使其最小化代价函数：

Logistic回归代价函数可以改为：

在Softmax回归中将x分类为类别j的概率p(y(i)＝j|x(i)；θ)为：

通过全连接和softmax对候选目标区域进行分类，是在对声纳图像进行识别气体泄露目标区域的操作，再次对候选目标区域进行边框回归得到更为准确的目标检测框。

与现有技术相比，本发明的有益效果是：本发明提供了一种自动识别海底管道气体泄露检测的方法，相比于传统图像处理方法，本方法能够适应的环境比较多样，检测的稳定性较高，目标识别的位置更为准确，适用于能够采集到比较多数据并且环境比较多变的水下气体目标检测。

附图说明

图1(a)是本发明经过归一化处理后有气泡的的测深声纳图像；图1(b)是本发明经过归一化处理后无气泡的的测深声纳图像；

图2(a)是图1(a)图像进行去旁瓣处理后的有气泡声纳图像；图2(b)是图1(b)归一化图像进行去旁瓣处理后的无气泡声纳图像；

图3(a)是图2(a)转完扇形后的有气泡声纳图像；图3(b)是图2(b)转完扇形后的无气泡声纳图像；

图4(a)-(b)为测试集中随机挑选的图像识别结果图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

结合附图，本发明通过以下技术方案实现：利用Faster-RCNN算法对多波束测深声纳成像数据进行自动识别，判断成像数据中是否有气体以及识别气体泄露位置，所述方法包括以下步骤：

步骤1：将初始数据进行全局归一化处理。

步骤2：将归一化后的图像数据进行去旁瓣处理。

步骤3：转为扇形图。

步骤4：整理数据集。

步骤5：输入待检测图像，并提取候选区域。

步骤6：区域归一化操作。

步骤7：分类与回归。

所述步骤1中，需要对多波束测深声纳采回的数据进行归一化处理以便挑选数据集，归一化方法如下：

其中m为波束数，n为深度方向采样点数，p(i,j)为声纳在第j个波束上的第i个采样点的数据，得到的y为全图归一化的值。对全图做以下操作即可得到归一化后的图像数据数据x(i,j)(其中j为波束号，i为采样点数)：

得到归一化数据后将图像数据集进行整理和分类，整理是先将一些错误数据以及无意义的图像数据筛选掉，分类主要就是将有气泡的分为一组，无气泡的分为一组。

所述步骤2中，针对多波束测深声纳成像有旁瓣干扰的问题，进行了抑制旁瓣干扰的处理，方法如下：

将步骤1处理后的成像数据定义为x(i,j)，其中采样序号i＝1,2,…n,波束序号j＝1,2,…m，将序号i的m个波束进行升序排序，得到序列：xo(i,1)＜xo(i,2)＜...＜xo(i,k)＜...xo(i,m)，将图像数据用当前采样点m个波束排序后序列的第k个值xo(i,k)进行归一化操作(其中k值的设定一般为m/2)，归一化操作如下：

得到R(i,j)即为消除干扰后的图像数据(其中i为采样序号，j为波束序号)。

所述步骤3中，从声纳获得的图像数据是呈矩形状态的，为了后续步骤方便识别，对数据进行转扇形操作，以得到真实成像效果。

所述步骤3中，从声纳获得的图像数据是呈矩形状态的，为了后续步骤方便识别，对数据进行转扇形操作，以得到真实成像效果。基于后向映射插值是一种将原始矩形声纳图像转化为能反应实际水下情况的扇形图像的坐标变换方法，其从待转换的扇形图像出发，经过坐标变换得到扇形图像中的像素点在矩形图像中的位置，然后根据计算的距离阈值使用最邻近插值算法求解当前扇形图像中像素点的灰度值。该方法操作如下：

其中F(x,y)为待转换的扇形图像，x、y为扇形图像的坐标数据，R(r,θ)为原始矩形图像，r,θ为矩形图像的坐标数据

F(x,y)＝R(r,θ)

根据上式变换后的坐标，常常不为整数，在声纳数据的分辨率较高的情况下可直接对r,θ进行四舍五入取整运算。

所述步骤4中，将转成扇形后的图像数据后进行整理和分类，整理是先将一些错误数据以及无意义的图像数据筛选掉，分类主要就是将有气泡的分为一组，无气泡的分为一组。并划定测试集以及训练集。

所述步骤5中，利用RPN(Region Proposal Networks)算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层，其中RPN网络为CNN后面接一个3*3的卷积层，再接两个1*1的卷积层，其中一个是用来给softmax层进行分类，另一个用于给候选区域精确定位。另外RPN网络中anchor是一组固定尺寸的矩形框，是使用不同的尺寸和长宽比在图像上放置得到的boxes，并作为第一次预测目标位置的参考boxes。Faster-RCNN中，通过三种形状，按长宽比为{1：1，1：2，2：1}生成九个anchor。若CNN得到的feature map大小为w*h，那总的anchors个数为9*w*h，9为上述的9种anchors。假设原图大小为W*H，可得W＝S·w，H＝S·s，S为之前所有层的stride size相乘，所以featuremap上的点乘以S即为anchors的原点位置，得到所有框的原点位置以及大小就可以得到原图上的anchors区域了。

所述步骤6中，通过对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征来实现区域归一化操作，方法具体如下：

RoI Pooling Layer将不同尺度的特征图下采样到一个固定的尺度(例如7*7)。通过RoIPooling Layer后，均会产生一个7*7*512维度的特征向量作为全连接层的输入，即RoI PoolingLayer只采用单一尺度进行池化。RoI Pooling采用一种尺度的池化层进行下采样，将每个RoI区域的卷积特征分成4*4个bin，然后对每个bin内采用max pooling，这样就得到一共16维的特征向量。RoI pooling层有两个主要作用：第一个：将图像中的RoI区域定位到卷积特征中的对应位置；第二个：将这个对应后的卷积特征区域通过池化操作固定到特定长度的特征，然后将该特征送入全连接层。

上述步骤7中，分类与回归中将上述步骤提取到的特征输入到全连接层中，利用全连接层和Softmax计算每个候选区域属于是否属于有气体泄露的类别，输出分类概率向量。同时利用检测边框回归来计算每个候选区域的位置偏移量，从而识别出更加精准的气体泄露目标检测的边框：

Softmax分类器数学表达如下：

Logistic回归中，训练集由m个已标记的样本构成：{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，假设函数如下：

训练模型参数θ，使其最小化代价函数：

Logistic回归代价函数可以改为：

Softmax代价函数与logistic代价函数在形式上非常类似，只是在Softmax损失函数中对类标记的k个可能值进行了累加。上述在Softmax回归中将x分类为类别j的概率p(y(i)＝j|x(i)；θ)为：

一般使用梯度下降优化算法来最小化代价函数，而其中会涉及到偏导数，则对其求偏导，得到代价函数对参数权重的梯度就可以优化了。

在上述所说的的通过全连接和softmax对候选目标区域进行分类，这实际上已经是在对声纳图像进行识别气体泄露目标区域的操作了，再次对候选目标区域进行边框回归是为了得到更为准确的目标检测框。

结合附图4说明本发明的有益效果：

提供了一种自动识别海底管道气体泄露检测的方法，相比于传统图像处理方法，本方法能够适应的环境比较多样，检测的稳定性较高，目标识别的位置更为准确，适用于能够采集到比较多数据并且环境比较多变的水下气体目标检测。附图4为测试图片的识别结果图，红色方框内为识别的目标，目标框上是输出属于该类别的概率。对于选择的测试集，通过最后可用通用评价标准mAP(所有类别平均精度的平均值)，对模型分类精度进行测评。mapTruepositives(TP):被正确的划分为正例的个数，即实际为正例且被划分为正例的样本数,Falsepositives(FP):被错误的划分为正例的个数，即实际为负例却被划分为正例的样本数,Falsenegatives(FN):被错误的划分为负例的个数，即实际为正例却被划分为负例的样本数,Truenegatives(TN):被正确的划分为负例的个数，即实际为负例且被划分为负例的样本数。

Precision(prec)表示准确率，检测为正例的样本中，实际也为正例的占比，即

Recall(rec)表示召回率，实际为正例的样本中，检测也为正例的占比，即

一般来说，准确率与召回率不可兼得，往往召回率越高，准确率越低。为此，提出precision-recall曲线(p-r曲线)，来综合的评价准确率与召回率。通过改变阈值，使得系统一次能够检测出前K个目标，阈值的改变会同时导致准确率与召回率的值的变化，从而获得p-r曲线。对于一个好的算法，在Recall的值不断升高的同时，Precision的值也应该保持在一个很高的水平。

AP(average precision)表示平均精确度，就是p-r曲线下的面积，AP值越高，检测该类目标的精度越高

mAP(mean average precision)表示所有类别平均精度的平均值，对每一个类别的AP值求平均即为mAP，mAP值越高，总体的目标检测精度越高。

另外以IOU(intersection-over-union)评测检测框和标记框的重叠度，IOU越高，检测出的检测框与目标真实位置越接近。IOU为1时，表示检测框与原标记框完全重合。计算方法为检测框(GT)与原标记框(GT)的交集与并集之比，公式如下，计算示意图如图3.19所示：

在示例所用的测试集中，有气泡类别的AP为0.91，无气泡的类别AP为0.93，mAP为0.92，IOU为0.80。

综上，本发明是一套对多波束测深声纳系统在水下采回的数据进行气体目标检测的方法，目的是对多波束测深声纳成像数据进行是否有气体泄露的判断以及识别气体的泄露位置。所述方法包括以下步骤：步骤1：选取数据集，将数据集里的初始数据进行全局归一化处理。步骤2：将归一化后的图像数据进行去旁瓣处理。步骤3：转为扇形图。步骤4：整理数据集。步骤5：输入待检测图像，并提取候选区域。步骤6：区域归一化操作。步骤7：分类与回归。发明提供了一种自动检测识别气体泄露的方法，相比于传统图像处理方法，本方法能够适应的环境比较多样，检测的稳定性较高，目标识别的位置更为准确，适用于能够采集到比较多数据并且环境比较多变的水下气体目标检测。

Claims (8)

1.基于多波束测深声纳的气体泄露检测方法，其特征在于：步骤如下：

步骤1：将初始数据进行全局归一化处理；

步骤2：将归一化后的图像数据进行去旁瓣处理；

步骤3：转为扇形图；

步骤4：整理数据集；

步骤5：输入待检测图像，并提取候选区域；

步骤6：区域归一化操作；

步骤7：分类与回归。

2.根据权利要求1所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤1中，需要对多波束测深声纳采回的数据进行归一化处理以便挑选数据集，归一化方法如下：

其中：m为波束数，n为深度方向采样点数，p(i,j)为声纳在第j个波束上的第i个采样点的数据，得到的y为全图归一化的值；

对全图做以下操作即可得到归一化后的图像数据数据x(i,j)：

3.根据权利要求2所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤2中，针对多波束测深声纳成像有旁瓣干扰的问题，进行了抑制旁瓣干扰的处理，方法如下：

将步骤1处理后的成像数据x(i,j)处理如下：将序号i的m个波束进行升序排序，得到序列：xo(i,1)＜xo(i,2)＜...＜xo(i,k)＜...xo(i,m)，将图像数据用当前采样点m个波束排序后序列的第k个值xo(i,k)进行归一化操作，归一化操作如下：

得到R(i,j)即为消除干扰后的图像数据。

4.根据权利要求3所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤3中，从声纳获得的图像数据是呈矩形状态的，为方便识别，对数据进行转扇形操作，得到真实成像效果；具体为：

F(x,y)＝R(r,θ)

其中：F(x,y)为待转换的扇形图像，x、y为扇形图像的坐标数据，R(r,θ)为原始矩形图像，r,θ为矩形图像的坐标数据。

5.根据权利要求4所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤4中，将转成扇形后的图像数据后进行整理和分类，整理是先将一些错误数据以及无意义的图像数据筛选掉，分类主要就是将有气泡的分为一组，无气泡的分为一组；并划定测试集以及训练集。

6.根据权利要求5所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤5中，利用RPN算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层，其中RPN网络为CNN后面接一个3*3的卷积层，再接两个1*1的卷积层，其中一个是用来给softmax层进行分类，另一个用于给候选区域精确定位；另外RPN网络中anchor是一组固定尺寸的矩形框，是使用不同的尺寸和长宽比在图像上放置得到的boxes，并作为第一次预测目标位置的参考boxes；Faster-RCNN中，通过三种形状，按长宽比为{1：1，1：2，2：1}生成九个anchor；若CNN得到的feature map大小为w*h，那总的anchors个数为9*w*h，9为上述的9种anchors；假设原图大小为W*H，可得W＝S·w，H＝S·s，S为之前所有层的stride size相乘，所以feature map上的点乘以S即为anchors的原点位置，得到所有框的原点位置以及大小就得到原图上的anchors区域。

7.根据权利要求6所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤6中，通过对于卷积特征层上的每个候选区域进行RoI Pooling操作，得到固定维度的特征来实现区域归一化操作，方法具体如下：

RoI Pooling Layer将不同尺度的特征图下采样到一个固定的尺度，通过RoI PoolingLayer后，产生一个7*7*512维度的特征向量作为全连接层的输入，即RoI Pooling Layer只采用单一尺度进行池化；RoI Pooling采用一种尺度的池化层进行下采样，将每个RoI区域的卷积特征分成4*4个bin，然后对每个bin内采用max pooling，得到16维的特征向量。

8.根据权利要求7所述的基于多波束测深声纳的气体泄露检测方法，其特征在于：所述步骤7中，分类与回归中将上述步骤提取到的特征输入到全连接层中，利用全连接层和Softmax计算每个候选区域属于是否属于有气体泄露的类别，输出分类概率向量；同时利用检测边框回归来计算每个候选区域的位置偏移量，从而识别出更加精准的气体泄露目标检测的边框：

Softmax分类器数学表达如下：

Logistic回归中，训练集由m个已标记的样本构成：{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，假设函数如下：

训练模型参数θ，使其最小化代价函数：

Logistic回归代价函数可以改为：

在Softmax回归中将x分类为类别j的概率p(y(i)＝j|x(i)；θ)为：

通过全连接和softmax对候选目标区域进行分类，是在对声纳图像进行识别气体泄露目标区域的操作，再次对候选目标区域进行边框回归得到更为准确的目标检测框。

Images