★ 大連西太平洋石油化工有限公司 楊清宇，王曉寧

關鍵詞：無人巡檢影像；變化檢測；雙分支卷積網絡；圖像配準；邊緣計算

石化廠區管道裝置對巡檢作業提出了更高要求，無人機航測可將高風險、長鏈路的人工盯防轉化為數字化比對，但跨視角與跨時相導致的幾何擾動、光照波動及復雜地物背景，使同域影像在紋理與結構上顯著不一致，傳統人工比對局限較多。深度學習可融合編碼表觀差異與語義上下文，但需與高精度配準、尺度統一及邊緣側時效性協同設計。基于此，本文面向石化廠區無人巡檢影像構建了一套高效智能變化檢測方法，實現了同域時相對照與分級處置的小時級智能化處理，提升了樹障侵入、異物上道與構件損傷等風險的檢出質量與告警可用性。

1   無人巡檢影像變化檢測研究背景與問題分析

在石化廠區管道裝置密集分布、高危介質輸送的場景下，無人巡檢正逐步替代人工開展高頻航測與近距取證，將管道腐蝕、焊縫隱患、泄漏風險等高強度、長距離的盯防工作數字化。結合管道本體缺陷、附屬設施異常及周邊環境風險等管控對象，管理者需在小時級完成同域不同時相影像的變化檢測與分級處置，以實現隱患早發現、早干預。變化檢測在此語境中指對管道結構形變、表面紋理異變、幾何特征偏移的自動識別與定位，需與地理配準精度和無人機姿態擾動校正協同處理。傳統人工比對依賴經驗且難以規模化復制，閾值分割、差分等方法對廠區光照波動、設備運行引發的背景微動、金屬表面強反光與夜間低照度的魯棒性有限，以及林區類似的強風干擾在廠區表現為設備震動傳導的影像模糊，均會放大噪聲導致漏檢誤判。深度學習能夠將表觀差異與語義上下文聯合編碼，借助多尺度卷積捕捉微小裂紋與大面積腐蝕等不同尺度的缺陷特征，通過時相對齊機制消除航拍姿態變化影響，顯著提升算法對光照、反光及低照度擾動的適應性。基于此，本文以面向石化廠區無人巡檢影像的高效智能變化檢測算法為核心研究內容，在理論上刻畫了從管道表觀損傷到語義化隱患的層級表征，在應用上提高了告警精準度與處置響應效率，為高危管道裝置的智能化運維提供了技術支撐。

2   基于深度學習的無人巡檢影像變化檢測算法設計

2.1   無人巡檢影像預處理模塊設計

結合大連西太石化巡檢的業務要求與技術指標，算法整體分為雙時相影像預處理模塊、雙分支卷積網絡變化特征提取模塊、變化區域分割與后處理模塊、異常元素類別識別模塊四大核心部分。全程遵循信創生態適配要求，控制計算開銷以滿足邊緣側與昇騰硬件的推理效率，同時實現與地理坐標、廠區工單系統的對接。

在去噪環節，選用高斯濾波對傳感器散粒噪聲與高頻振動紋理進行抑制，核大小設為3或5以維持邊緣過渡的可辨性，并把灰度梯度的尖峰響應平滑化。該處理可顯著消除風致抖動產生的偽高頻信號，使卷積網絡在低層通道中獲得更加穩定的邊緣與紋理先驗，從而降低后續特征匹配與分割階段的誤觸發。

在配準環節，運用SIFT尺度不變特征開展跨尺度關鍵點檢測與128維描述子編碼。該方法對尺度與旋轉擾動具備穩健性，并以比值檢驗篩除誤匹配，隨后借助RANSAC估計單應或仿射模型，把兩時相影像統一到同一參考平面。該過程針對機載姿態擾動與小范圍視差進行魯棒校正，同時輸出有效視域掩膜以屏蔽重采樣邊緣，從語義層面限制虛假變化的來源。

在裁剪環節，基于滑窗策略把配準后的大幅面影像分割為256×256的子塊，步長設置為128以形成重疊區域并覆蓋跨塊目標，窗口索引與地理坐標建立一一映射，保證分塊推理與全圖拼接的一致性。這樣一來，網絡能夠在可接受顯存內完成批量學習 ，同時把跨尺度背景差異折返為局部上下文，直接提升后續檢測的精度與穩定性。

2.2   基于雙分支卷積神經網絡的變化特征提取模塊

鑒于石化廠區管道裝置對小時級缺陷變化觀測的剛性需求，本研究構建了雙分支卷積神經網絡（Convolutiona  Neural Network， CNN），將雙時相預處理后的管道影像子塊分別送入對稱分支， 并在參數層面實施完全共享，以獲取可比較的語義嵌入。每個分支包含3個卷積塊，卷積核取3×3，步長設為1，配套批歸一化與ReLU激活以穩定特征分布并提升非線性表征能力，保持空間分辨率不被削弱，確保管道焊縫邊緣、微裂紋紋理及小尺度螺栓銹蝕等細節不被淹沒。共享權重的設置從表示學習角度抑制域間偏移，將同一管道結構在兩時相中的響應約束到一致坐標系，從而將差異顯式投向通道方向。

鑒于管道變化檢測強調結構與語義的精準對照，融合階段將兩路深度特征在通道維度拼接，并在后續分割頭前形成單一變化特征圖。與差分或門限策略相比，拼接式融合不丟棄任一時相的上下文，便于后續卷積在局部缺陷關聯與長程管道走向依賴間權衡，同時避免光照漂移導致的符號翻轉，將光照擾動影響從數值差域轉移到可學習的通道重加權空間。結合前期高精度配準與噪聲抑制，這一模塊將變化響應集中到管道焊縫開裂、腐蝕斑擴張、螺栓松動等缺陷區域的邊界與紋理斷裂位置，并將參數量控制在單分支規模，便于算法在無人機搭載的邊緣計算單元完成批量推理而不引入顯著延遲，滿足現場實時告警需求。

其中， F_change為拼接后的變化特征圖， F_t1為前時相分支的深度特征圖， F_t2為后時相分支的深度特征圖。

圖1 基于雙分支CNN的變化檢測算法框架流程圖

2.3   變化區域分割與后處理模塊

針對雙分支網絡融合得到的變化特征圖，本研究把像素響應視作變化可能性的密度量化結果，并在分割階段選用Otsu自適應閾值完成直方圖驅動的切分，以適配石化廠區核心管道裝置因設備遮擋導致的陰影動態變化、金屬表面油污與水汽引發的反射強度波動、高溫區域熱輻射造成的亮度偏移等復雜工況下的分布偏移，進而生成初步二值掩碼[1]。考慮到航跡抖動與紋理高頻噪聲會在裂縫末端與樹梢邊界產生孔洞與毛刺，后處理以形態學閉操作為核心，把3×3結構元素的膨脹與腐蝕順序耦合，促使細小斷裂被橋接并把孤立亮點壓制回背景，同時按面積約束剔除小于10像素的碎片區域，使局部連貫性得到恢復。連通域分析環節在8連通性準則下提取候選斑塊，并依據面積占比與邊界曲率的穩定性進行篩選與合并，保留空間連貫且尺度與目標先驗相契合的主體變化區域，輸出與地理坐標對齊的最終結果。結合2.1節裁剪與拼接策略，對重疊帶內的掩碼進行一致性約束與邊緣平滑，把跨塊拼接處的馬賽克效應降至可忽略水平，并且與配準產生的有效視域掩膜協同，把重采樣邊界與高反光水面導致的偽陽性壓縮到有限范圍。由此，閾值分割提供全局可遷移的決策基線，閉操作與連通域篩選承擔結構修復與噪聲抑制職責，三者耦合把變化響應從像素級擾動抽象為區域級實體，既提高了告警的工程可用性，又把計算開銷控制在車載邊緣GPU可承受的范疇內[2]。

3   無人巡檢影像變化檢測算法實驗與效果評估

3.1   實驗數據與評價指標

基于大連西太石化巡檢的實際場景，實驗數據選取2024～2025年石化廠區核心管道裝置集群的2000張雙時相無人機影像。影像單像素地面分辨率為0.1m，經預處理后生成成對子塊，由石化設備巡檢專業工程師雙人交叉核驗，標注500組管道缺陷變化區域樣本，覆蓋焊縫開裂、腐蝕斑擴張、螺栓松動、閥門泄漏、保溫層破損等高風險事件，同時納入設備陰影、金屬反光、熱輻射干擾等復雜背景擾動。

實驗環境嚴格遵循大連西太信創要求：操作系統為銀河麒麟V10，算力硬件為昇騰Ascend 910B，數據庫為達夢DM8/人大金倉KingbaseES V8， 模型訓練與推理均基于國產化AI中臺，無任何非信創閉源商業組件。

標注環節由兩名具有石化設備巡檢專業經驗（或“管道裝置檢測專業資質”）的工程師完成雙人交叉核驗，最終沉淀管道缺陷變化區域樣本500組，標注粒度采用多邊形區域并與管道地理坐標（如樁號、相對坐標）對齊。場景類型覆蓋管道焊縫開裂、腐蝕斑擴張、螺栓松動、閥門密封泄漏、保溫層破損、支架變形等高風險事件，同時囊括復雜背景條件下的非目標擾動，包含設備陰影遮擋、金屬罐體反光、相鄰裝置熱輻射干擾、管道表面油污反光，從而把模型在真實石化巡檢環境中的復雜工況適應性納入評測邊界。數據要素匯總見表1，整體規模在保證樣本多樣性（涵蓋不同管徑、材質、介質管道）的同時兼顧邊緣計算單元推理的工程時效性，避免訓練與評測階段出現顯著的尺度失衡[3]。

評價指標圍繞像素級二值分割質量展開： 精確率定義為被模型判定為變化的像素中真陽性的比例，反映告警結果的純度；召回率定義為真實變化像素中被模型正確檢出的比例，體現缺陷檢出完整性；F1- score定義為精確率與召回率的調和平均，用于在漏檢與誤報兩類錯誤間建立平衡刻畫；交并比（IoU）定義為真陽性面積與預測變化區域和真實變化區域之并集面積之比，用于度量空間重疊質量。為避免配準重采樣邊緣、設備遮擋無效視域對評估的擾動，所有指標均在有效視域掩膜內統計，并將重疊裁剪子塊的重復像素按地理坐標去重后匯總計算，使指標對跨塊拼接誤差不敏感，與實際管道缺陷處置需求（如定位修復優先級）保持一致。

表1 實驗數據集基本信息

3.2   對比實驗設計與結果分析

鑒于無人巡檢在跨時相一致性上的工程訴求，本節把差值法與主成分分析法當作傳統基線，把UNet與FCN當作代表性深度模型，構建統一協議下的對比實驗。所有方法共用2.1與2.3所述預處理與有效視域掩膜，訓練與評估階段采用256×256子塊與步長128，隨機旋轉與亮度擾動作為增強， 優化器選用Adam并在指標停滯后施加余弦退火策略。傳統方法在直方圖匹配后生成差異圖并執行全局閾值或主成分差異閾值分割，深度模型使用交叉熵與Dice混合損失進行監督，精確率、召回率、F1與IoU四項指標統一在有效視域內統計，以把跨塊拼接與重采樣邊界的干擾壓低到可忽略水平[4]。

從評估結果來看，本文算法在四項指標上整體領先，尤其在林帶風擺疊加橋面強反射的混合場景中仍能保持較高的空間重疊質量，如表2所示。相較UNet，本文算法通過雙分支共享權重把兩時相的語義響應約束到一致特征坐標，通過通道拼接把光照漂移轉化為可學習的通道重加權，同時疊加Otsu與形態學閉操作，把裂縫末端的孔洞與樹梢毛刺有效收斂。  FCN在低照度時出現過檢與邊界鋸齒，主要源于淺層跳連對光照噪聲的放大；主成分分析法在紋理復雜區域產生較多虛假響應，但在陰影漂移條件下較差值法更為穩定。結合對高頻噪聲與姿態擾動的抑制，優勢可歸因于跨時相語義一致性約束與端到端融合策略的協同作用。

表2 各方法性能對比表

3.3   算法魯棒性與實際應用驗證

魯棒性是石化廠區復雜工況下算法的核心性能要求，本文從氣象條件、場景干擾、硬件與環境、小樣本場景四維度展開驗證。基于昇騰信創環境，實驗選取陰天/霧天/強光3類氣象與管道密集區/高反光罐體區/林帶周邊區3類場景，各測試100組雙時相樣本。結果表明，算法在復雜條件下檢測性能穩定，各項指標均滿足項目要求，尤其在低對比度、強干擾等極端場景中仍保持高可靠性，為廠區管道巡檢提供了全天候、全場景的技術保障。

（1）氣象條件魯棒性

石化廠區巡檢受氣象影響顯著，算法通過多環節協同適配不同天氣。陰天光照弱、對比度低時，算法通過共享權重雙分支網絡對齊雙時相語義響應，依托通道拼接壓縮亮度漂移，結合Otsu自適應閾值分割自動適配低對比度特征，保障了檢測準確率/召回率保持在90%以上；霧天低紋理導致配準難，算法通過尺度金字塔與視域掩膜約束RANSAC模型，結合形態學閉運算修復裂縫，將誤報率控制在8.2%（低于≤10%要求）； 強光下金屬反光/硬陰影易生偽變化， 算法在預處理階段引入直方圖匹配抑制高光、拼接階段通過重疊帶約束抑制邊界偽影，結合連通域篩選區分偽變化，使關鍵元素識別準確率達91.5%。

（2）場景干擾魯棒性

針對廠區密集設備、強反光、微動擾動等干擾，算法全鏈路抑制誤檢。金屬反光場景中，算法通過高斯去噪平滑高頻噪聲，采用SIFT優先提取非反光關鍵點，結合雙分支聚焦管道結構語義，大幅減少了偽告警；針對設備微動與植被風擺導致的微小位移，算法采用高精度SIFT+RANSAC配準校正毫米級擾動（偏差＜1像素），同時在后處理階段設置動態閾值濾除<10%的微小面積變化；針對密集管廊區，算法通過滑窗裁剪拆分子塊，采用共享權重網絡局部對齊語義，實現單設備變化的精準捕捉，使密集區IoU保持在0.85以上。

（3）硬件與環境魯棒性

算法適配信創環境與邊緣部署需求，實現了跨平臺穩定運行。信創生態上，算法基于國產框架開發（無閉源依賴），兼容銀河麒麟V10及達夢DM8數據庫，同時針對昇騰Ascend 910B進行算力優化，可7×24小時無故障運行；在邊緣側，算法通過參數共享、輕量后處理控制參數量，支持無人機/巡檢機器人秒級推理，滿足實時告警；數據輸入上，算法兼容0.05～0.2m分辨率、JPG/PNG/TIFF格式及±30°拍攝角，內置配準模塊自動校正無需人工預處理，適配實際巡檢采集特點。

（4）小樣本場景魯棒性

針對廠區異常樣本稀少的問題，算法通過數據增強與特征泛化提升了小樣本性能。對現有焊縫開裂、腐蝕斑等異常樣本，算法采用隨機旋轉、亮度/對比度擾動、高斯模糊、裁剪拼接等增強操作，在不改變語義的前提下將樣本擴充3-5倍，豐富了特征學習空間；同時，算法結合雙分支網絡共享權重機制，強化了對罕見缺陷的共性特征提取，降低了過擬合風險。實測結果表明， 在僅50組異常樣本場景下， 模型仍能保持82%召回率，較基線提升15%，有效解決了低概率事件檢測難題[5]。

4   工程應用與項目落地適配

本文算法深度貼合大連西太視覺差異智能分析在石化企業深化應用項目中的落地要求，實現了從算法輸出到工程處置的全閉環對接。在告警與工單系統對接中，算法以地理坐標標定的矢量掩膜輸出變化區域，通過標準RESTful API接入企業現有設備數字化平臺、智能巡檢系統與工單系統，支撐異常區域精準定位、風險分級與小時級告警派單，完成了檢測告警處置的閉環管理。在可視化與人工復核環節，算法自動生成高亮異常區域、疊加關鍵元素類別及變化說明的可視化報告，配套Web端審核界面支持人工確認異常、忽略誤報或修正標簽，將審核工作量降低九成以上，顯著提升了巡檢效率。

算法在項目成果轉化與服務保障上亦全面適配需求。知識產權方面，依托項目可形成一項發明專利、一項軟件著作權及不少于兩篇中文科技核心期刊論文，成果歸屬大連西太所有；交付層面，承諾合同簽訂后三個月內完成系統開發部署測試上線，并提供完整源代碼、部署包、操作手冊及API接口文檔，滿足周期與成果要求。售后服務方面，算法采用模塊化設計，異常檢測、元素識別、告警輸出等模塊獨立，便于后續升級優化，同時適配七乘二十四小時技術支持，重大故障兩小時內響應、二十四小時內解決，為廠區長期安全生產筑牢了技術后盾。

5   結語

針對大連西太石化無人巡檢的需求，本文提出了一套智能變化檢測算法，經預處理、特征提取等全鏈路優化，實現了復雜工況下高精度、高魯棒性檢測，滿足了信創與工程要求，解決了人工審核效率低、易漏檢痛點，推動了巡檢向智能化判別升級。魯棒性測試結果表明，算法在多樣氣象、場景干擾、信創環境及小樣本場景下均性能穩定，工程適配性強。未來將拓展極端氣象應對、多時序建模降樣本依賴、不確定性估計提可信度、自適應學習優性能等方向，持續賦能石化智能化安全生產。

作者簡介：

楊清宇（1982-），男，遼寧莊河人，高級工程師，學士，現就職于大連西太平洋石油化工有限公司，研究方向為信息工程。

王曉寧（1975-），男，遼寧大連人，高級工程師，碩士，現就職于大連西太平洋石油化工有限公司，研究方向為軟件工程。

參考文獻：

[1] 劉劍鋒. 人工智能在石化行業場景應用創新研究[J]. 天津化工, 2023, 37 (S1) : 1 - 7.

[2] 兩款化工巡檢機器人新品亮相國際石油石化裝備展[J]. 化工時刊, 2023, 37 (03) : 92.

[3] 徐家新. 無人機系統在石油石化企業中的巡檢應用研究[J]. 中國新通信, 2023, 25 (08) : 65 - 67.

[4] 杜銳君. 中韓石化智能化改造深化應用研究-智能機器人巡檢技術在煉油公用工程總變電站的應用[J]. 中國信息化, 2023, (01) : 77 - 78.

[5] 李鴻鵬, 王迪, 康清輝, 等. 無人機巡檢技術在油氣管道系統中的應用探索[J]. 石化技術, 2025, 32 (03) : 81 - 83.

摘自《自動化博覽》2026年6月刊