视频分析在油井运行监测中的应用

摘 要:本文提出了一种利用视频分析技术监测油井运行状态的方法,该方法利用视频图象中抽油机的运动特征进行异常情况检测,并通过对一些油井视频数据的实验测试,进行定量分析,结果表明油井运行异常检测效果较好地达到了预期目标。

关键词:运动目标检测 视频分析 监控系统 报警

中图分类号:TN911 文献标识码:A 文章编号:1007-9416(2010)09-0072-01

1 引言

油井生产管理的主要目标是确保原油产量,提高油井工作时率是主要措施之一。油田实际生产中,最受关注的是抽油机是否正常工作。油井分布广泛,所处野外环境极为恶劣,抽油机自身故障不时出现,如皮带打滑、断、烧等,都会造成停产事故。对停产事故的及时发现和处理,是保证油井工作时率和油井产量的关键。人工巡井是传统的油井生产管理方式,存在环境恶劣、巡井难度大等问题,使得停产事故不能得到及时发现和处理。因此,实现油井状态自动化监测的需求极为迫切。

本文提出了一种基于视频分析的油井异常检测方法,对于监控中的油井视频进行视频分析,进行油井运动的检测,若油井正常运行,则标记出油井运动区域;若油井出现异常停止运行,则进行异常报警。

2 系统结构

系统结构如图1所示,该系统分为两个模块:视频分析模块和报警判断模块。

2.1 视频分析模块

对于视频采集器采集到的油井视频信息,要进行油井异常运行检测首先需要对视频进行解压处理,得到连续的油井图像后再进行异常检测。在异常检测中,我们先对图像进行灰度化变换,并进行去噪等简单图像增强处理,再采用帧差法进行运动区域检测,若未检测到油井的运动,则初步判定为油井异常,接下来进行报警判断。

视频分析模块的流程图如图2所示:

2.1.1 图像预处理

图像预处理过程的流程图如图3所示:

灰度化过程就是使彩色的R、G、B分量值相等的过程。由于R、G、B的取值范围是0~255,所以灰度级别只有256级,即灰度图像仅能表现256种灰度。实现灰度化的方法有很多种,如最大值法、平均值法、加权平均值法。本系统中采用的灰度化的方法是加权平均值法,则由R、G、B得到的灰度值为:

(1)

灰度拉伸是将灰度分段线性变换,它将输入图像中某点(x,y)的灰度f(x,y),通过映射函数T,映射成输出图像中的灰度g(x,y),即

(2)

假定原图像f(x,y)的灰度范围为[a,b],希望变换后图像g(x,y)的灰度范围扩展至[c,d],可采用下述线性变换来实现:

(3)

图像中大部分像素的灰度分布在区间[a,b],小部分像素的灰度级强度超过此区间,为改善增强效果,可令

(4)

中值滤波一般采用含有奇数个的滑动窗口,用窗口中各点灰度值的中值来代替指定点的灰度值。标准一维中值滤波器的定义为:

(5)

med表示取中值操作。中值滤波的滤波方法是对滑动滤波窗口内的像素做大小排序,滤波结果的输出像素值规定为该序列的中值。

2.1.2 帧差法

利用帧差法判别油井是否在正常运行的判别流程如图4所示:

当前帧与上一帧相减后,将得到的灰度图进行OTSU二值化。OTSU是自适应计算单阈值的简单高效方法。算法对输入的灰度图像的直方图进行分析,记t为前景与背景的分割阈值,前景点数占图像比例为,平均灰度为;背景点数占图像比例为,平均灰度为。

图像的总平均灰度为:

(6)

从最小灰度值到最大灰度值遍历t,当值最大时t即为分割的最佳阈值。

(7)

连通区域标记采用前后向扫描法,先对图像进行正向(从上到下,从左至右)扫描,标记一个与已知像素的连通的区域,直至找不到连通像素为止,然后反向进行扫描,找到与已知像素连通的像素进行标记。对图像进行两次扫描,才标记一个区域。

区域判别采用面积判别法,当连通区域的面积大于一定的阈值时即认为油井运行可能出现异常,接下来进行精确的报警判断。

2.2 报警判断模块

报警判断主要是对上述视频分析模块中初步判定为油井异常的图像帧进行进一步的精确判定。其基本思想为:当连续N帧油井视频图像帧中都未检测到油井运动时,则将其判定为油井异常,进行报警。报警判断流程图如图5。

3 实验结果

数据的测试结果如下,当油井正常运作时,系统会标记出运动区域,如图6。

当油井停止运行时,系统会进行报警提示,如图7所示。

4 结语

本文提出并实现了一个在VC++6.0编译环境下的基于视频分析的油井运行状态监控系统。系统主要分为视频分析和报警判断两个模块,本文分别对两个模块进行了详细的阐述,并对100个油井视频数据进行了测试,实验表明该算法能够取得比较好的油井运行异常检测。

参考文献

[1]朱辉,李在铭.“视频序列中运动目标检测技术”.信号处理,2002,Vol.18,No.5:448~451

[2] C.Stauffer and W.E.L.Grimson .“Adaptive background mixture models for real-time tracking”,Proc IEEE CVPR,1999,6:246~252

[3] Richard P.Wildes. “A measure of motion salience for surveillance applications”.In Proc of Image Processing,1998.

[4] 贾云得.机器视觉[M].北京:科技出版社,2000.

[5] 陆其明.DirectShow开发指南.北京:清华大学出版社,2003.