CC BY
98
УДК 622.691
Дутка М.И. , Бушмелева К.И.
Сургут
ОСОБЕННОСТИ РАСПОЗНАВАНИЯ ОБРАЗОВ ПРИ МОНИТОРИНГЕ МАГИСТРАЛЬНЫХ ТРУБОПРОВОДОВ
Аннотация. Работа посвящена проблеме автоматизации анализа результатов мониторинга магистральных трубопроводов на основе методов и средств распознавания образов. На данном этапе рассмотрены особенности распознавания образов при дистанционном зондировании магистральных трубопроводов.
Надежность и эксплуатационная безопасность магистральных трубопроводов (МТ) обеспечивается тщательно продуманной системой мониторинга (диагностики) технического состояния объектов нефти - газотранспортной системы (НГС). Анализ существующих методов диагностирования газопроводов [1] позволяет сделать вывод о том, что на сегодняшний день необходимо придерживаться концепции комплексного контроля состояния МТ. Однако в данной работе акцент сделан на мониторинге МТ средствами дистанционного зондирования.
Дистанционное зондирование (ДЗ) - сбор информации об объекте или явлении с помощью регистрирующего прибора, не находящегося в непосредственном контакте с данным объектом или явлением.
Термин «дистанционное зондирование» обычно включает в себя регистрацию (запись) электромагнитных излучений посредством различных камер, инфракрасных систем, сканеров, микроволновых приемников, радиолокаторов, лазеров и других приборов такого рода, размещаемых на различных мобильных носителях (например, средства малой авиации, беспилотные аппараты и др.) [2]. В центре лазерных технологий Сургутского государственного университета разработан программноаппаратный комплекс (ПАК) дистанционного зондирования на базе лазерного локатора [3], предназначенный для оперативного обнаружения утечек газа из МТ с борта летательного аппарата. Данный комплекс [4] позволяет: измерять концентрацию стравливаемого из МТ газа в реальном масштабе
времени; осуществлять непрерывную съемку исследуемого объекта; визуализировать и документировать полученные изображения; определять координаты места утечки газа и оценивать состояния трассы МТ.
Основными компонентами ПАК являются:
лазерный локатор утечек газа, предназначенный для обнаружения утечек газа из МГ и других объектов газотранспортной сети;
система видеонаблюдения в виде цифрового фотоаппарата формирует массив цифровых фотографий мест облётов участков МГ. Фотоинформация дает представление о внешнем облике элементов газотранспортной сети на момент обследования, и именно эти снимки в результате интерпретации позволяют повышать вероятность обнаружения утечки газа или исключить ложное срабатывание ПАК. Особенно это эффективно на заводненных территориях, где, как правило, все известные устройства дистанционного зондирования либо не работают (например, тепловизионные), либо формируют ложный сигнал. Эффективное применение фотосъемок связано с высокой степенью пространственного и спектрального разрешения, что имеет особую важность в определении закономерностей эксплуатации исследуемых объектов и их показателей. Однако при распознавании образов можно столкнуться с рядом проблем связанных, как с оценкой качества получаемых изображений, так и с идентификацией дефектных участков МГ. Анализ материалов фотографической съемки в полном объеме возможен лишь с использованием автоматизированных систем;
система обработки и регистрации данных, обеспечивает привязку сигналов локатора к конкретным координатам на земной поверхности, регистрирует поступающую информацию об утечках газа и осуществляет ее предварительную обработку:
спутниковая навигационная система в виде приемника GPS обеспечивает высокие характеристики определения координат местности в ходе проведения работ и отображает в виде трека заданный маршрут;
аналого-цифровой преобразователь обрабатывает электрические сигналы, поступающие от локатора по определенной программе и отображает результаты обработки на экране дисплея в виде непрерывной осциллограммы, с точной временной привязкой;
электронно-вычислительная машина, на которой используется: набор специального программного
обеспечения и автоматизированная система сбора и обработки данных АРМ «Оператор ЛУГ» [5].
Распознавание образов представляет собой идеальный метод в большинстве случаев применения
ДЗ:
распознавание образов является машинно-ориентированной методологией, допускающей быстрый и многократный анализ;
оно предусматривает статистическую трактовку многомерных данных;
оно легко распространяется на широкий круг проблем;
обеспечивает получение количественных результатов.
Общая структура системы распознавания и этапы в процессе ее разработки показаны на рис. 1.
Рис. 1. Общая структура системы распознавания образов
Ниже описаны особенности распознавания образов при ДЗ на каждом из этапов процесса распознавания .
Обработка результатов измерений.
На этапе обработки результатов измерений необходимо привести изображение, полученное в процессе ДЗ к виду, в котором изображение будет наиболее удобным для распознавания. Зачастую таковым является представление в виде битовой карты. Битовая карта в цифровых изображениях — матрица, хранящая значения пикселов.
Одной из особенностей ДЗ является большой объем данных, получаемых при измерениях. При распознавании образов на основе данных аэрофотосъемки необходимо ограничивать зону поиска на определенном расстоянии от объекта ДЗ. Предполагается использовать в этих целях векторные карты с указанием местоположения магистральных трубопроводов.
Также по причине больших объемов данных, возможно, необходимо прибегнуть к использованию алгоритмов сжатия изображений [6].
Немаловажной операцией при обработке изображений для распознавания образов является сегментация изображений. В компьютерном зрении, сегментация — это процесс разделения цифрового изображения на несколько сегментов (множество пикселей, также называемых суперпикселями). Цель сегментации заключается в упрощении или изменении представления изображения, чтобы его было проще и легче анализировать.
Для сегментации изображений было разработано несколько универсальных алгоритмов и методов. Среди них можно выделить следующие группы: методы кластеризации; выращивание регионов; дробление-слияние;
моделирование изображения Марковским полем; методы, основанные на операторах выделения краев; методы теории графов; оптимизационный подход [7].
Выделение признаков.
Термин «признак» использовался в предыдущем разделе для обозначения одного из измерений образа. В более общем смысле признаком можно называть некоторый объем информации, содержащейся в измерениях, который полезен при принятии решения о принадлежности образа к тому или иному классу. Исходные измерения могут содержать много «информации», не приносящей пользу в процессе классификации и даже иногда затрудняющей его - шума. Грубо говоря, выделение признаков выполняет две функции:
отделение полезной информации от шума;
сокращение размерности данных с целью упрощения вычислений, выполняемых классификатором. Последняя функция — та же самая функция, которая выполняется при отборе признаков, который в свою очередь является, частным случаем выделения признаков.
В приложениях ДЗ наиболее часто применяются следующие методы выделения признаков:
отбор подмножества признаков;
отношения;
линейные комбинации [8].
Классификация.
Выбор алгоритма классификации - нетривиальная задача, для решения которой необходимо тщательно проанализировать объект распознавания и среду, окружающую объект. Выбор осуществляется по многим параметрам: количество классов, количество признаков, по которым ведется классификация и т.д.
При обработке результатов ДЗ часто прибегают к статистическим методам распознавания образов. Они подходят для прикладных дистанционных исследований в силу ряда причин.
Вследствие случайного характера природных процессов данные дистанционных измерений содержат много случайных вариаций, маскирующих характерные различия между интересующими нас классами. Статистический анализ позволяет учесть эти вариации и потенциально уменьшить их отрицательное влияние на точность классификации.
На практике часто имеется, хотя и малая, неопределенность относительно правильной идентификации обучающих образов, используемых для определения дискриминантных функций. Например, некоторые обучающие образы с «кукурузного поля» могут быть с большим основанием отнесены к «сорнякам» или «обнаженной почве». Статистические методы допускают такие ошибки, пока их частота повторения относительно мала.
Исследуемые классы образов могут в действительности перекрываться в пространстве измерений, т. е. некоторые измерения из одного класса могут быть неотличимы от некоторых измерений других классов. Например, в определенные моменты вегетационного периода некоторые кукурузные поля спектрально неотличимы от соевых полей. В этих случаях методы статистического распознавания образов позволяют производить классификации, которые являются «наиболее часто» или «наиболее вероятно» правильными.
Методы статистического распознавания образов обычно используют функции распределения вероятностей, связанные с классами образов. Однако эти функции обычно не известны и должны оцениваться по множеству обучающих образов. В некоторых случаях форма функций распределения вероятностей считается известной (например, нормальной, Релея), и по обучающим образам необходимо оценить только отдельные параметры, связанные с этими функциями (такие, как математические ожидания, дисперсии). Такой метод называется параметрическим. Если форма функций распределения вероятностей не предполагается известной заранее, метод является непараметрическим. Параметрические методы обычно легче реализуются, но требуют большего объема априорной информации или фундаментальных предположений относительно природы образов. Непараметрические методы имеют большие потенциальные возможности для точной оценки функций распределения вероятностей, но это преимущество обычно достигается дорогой ценой, требуя сложных распознающих систем и очень большого числа обучающих образов [8].
В дальнейшей работе рассмотренные в данной статье особенности распознавания будут приняты во внимание в процессе проектирования и разработки автоматизированной системы распознавания образов при мониторинге магистральных газопроводов.
В данной работе использованы результаты проекта «Разработка методологии автоматизированного надежностного проектирования электронных средств дистанционного мониторинга распределенных систем», выполняемого в рамках Программы фундаментальных исследований НИУ ВШЭ в 2013 году.
ЛИТЕРАТУРА
1. Бушмелева К.И. Методы и средства диагностирования магистральных газопроводов: монография /К.И. Бушмелева; Сургут. гос. ун-т ХМАО-Югры. - Сургут: ИЦ СурГУ, 2011. - 215 с.
2. Энциклопедия Кольера. — Открытое общество. - 2000.
3. Заводовский А.Г., Плюснин И.И., Сысоев С.М. Малогабаритный лазерный локатор утечек метана //Датчики и системы. - 2007. - №4. - С. 28 - 29.
4. Бушмелева К.И., Плюснин И.И. Авиационный программно-аппаратный диагностический комплекс мониторинга магистральных газопроводов //Измерительная техника. - 2009, № 2. - С. 41 - 44.
5. Бушмелева К.И., Плюснин И.И., Бушмелев П.Е., Автоматизированное рабочее место оператора локатора утечек газа //Современные наукоемкие технологии. - 2008. - №5. - С. 115 - 119.
6. Abhijit S. Pandya, Robert B. Macy. Pattern Recognition with Neural Networks in C++ /CRC Press, 1995 - 326 pp.
7. Вежневец А., Ольга Баринова. О Методы сегментации изображений: автоматическая сегмента-
ция. Компьютерная графика и мультимедиа. Выпуск №4(4). - 2006.
8. Дистанционное зондирование: количественный подход /Ш.М. Дейвис, Д.А. Ландгребе, Т.Л.
Филлипс и др. Под ред. Ф. Свейна и Ш. Дейвис. Пер. с англ. - М.: Недра, 1983. - 415 с.
