1. 山地地震勘探下药影像人工智能识别技术应用背景
地震勘探是指人工激发所引起的弹性波利用地下介质弹性和密度的差异，通过观测和分析人工地震产生的地震波在地下的传播规律，推断地下岩层的性质和形态的地球物理勘探方法。四川盆地山地地震勘探具备地形复杂、地表环境复杂、人员密集且流动性强等特点，这些特点为山地地震勘探施工带来了极大的困扰，导致本区域山地地震勘探项目涉爆作业安全管理工作的维度、深度、难度被无限放大，其安全管理工作量被迫直线上升。
以本区域地震勘探涉爆作业下药工序施工安全管理为例，在野外下药工序中，工人需要将炸药组装并放入已钻好的井位中，并通过压药杆将炸药压至井底，随后回填土质将井口填堵严实以便后续作业开展，整个过程录制影像备查，为公司后续下药安全管理提供影像依据(图1)。
Figure 1. Introduction to the safety management process of the drug process in mountain seismic exploration in Sichuan Basin
图1. 四川盆地山地地震勘探下药工序安全管理流程简介
在这一工序中，每一口地震勘探井位需要进行的涉爆安全管理重难点多达几十项，单个勘探项目持续2~4个月，少则几万炮井多则几十万炮井，每一口井的影像视频都需要人工从头至尾仔细检查，工作量巨大。巨大的影像检查复查任务和项目施工紧凑的时间期限，为施工队在该工序的安全管理检查复核工作带来了较大的成本负担，施工队伍为了保证下药视频工序的检查复查按时完成，不得不增加人工，这也导致了成本上升的同时漏查、误查频出。如何高效准确的完成下药视频的检查复查工作成为该工序安全管理中一大难题。
经过近些年的发展目标检测已经成为当下的热点研究内容，特别是在计算机视觉领域，目标检测算法能用以解决越来越的实际生产问题。现在，日益成熟的目标检测技术已被各行各业引入到各种安全管理流程中，油气勘探行业作为传统能源行业，也逐步引入新技术新手段来解决生产问题。基于上述生产问题，下药影像人工智能识别技术被公司技术人员提出和研发，其内核为通过计算机视觉进行视频内容识别，其核心为目标检测技术，目的是通过智能神经网络建模，依据机器智能识别技术辅助人工检查复查，缩短检查复查时间，降低人工劳作强度，提高检查准确度。
2. 人工智能识别技术在山地地震勘探项目涉爆作业应用的现状
东方物探公司以“影像人工智能识别技术”为代表的系列质量、安全过程控制措施，取得了良好的风控效果和生产效能。但随着高炮道密度项目的大范围铺开，视频数据量激增对生产质量管理、安全风险控制带来严峻挑战，尤其是在安全质量评价效率、人工成本、风险控制方面尤为突出。
人工智能目标检测技术在国内石油勘探行业目前应用较广，智能目标检测引入石油行业已经不是一个新鲜话题。人工智能目标检测在山地地震勘探涉爆作业全工序的安全风险识别和施工质量管理上都大有前景，近几年公司完成了下药环节涉爆下药视频的质量、安全管控方面的初步研究和开发，取得了较好的成果和推广效果。
目前用于山地地震采集民爆下药视频检测环节的相关人工智能识别应用系统，除了东方物探公司的GM-VAC系统，还未有同类相关成型软件发布并用于生产。2022年，分公司通过几年的技术积累和沉淀，目标检测技术在生产项目中推广应用顺利推进，能替代部分人工视频质检工作，也起到了较好的安全风险检查和预防效果。
3. 人工智能识别技术在山地地震勘探民爆中的应用
对计算机而言，能够“看到”的是图像被编码之后的数字，所以它很难理解高层语义概念，比如图像或者视频帧中出现的目标是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，其方法为在目标周围自动绘制边界框，标示出每个目标的位置(图2)，以供机器快速读取识别。
公司研发的涉爆视频影像人工智能识别隐患违章系统(GMVAC安全识别子系统)，在国内山地地震勘探作业领域范围内，属于首次将AI物象识别技术与涉爆视频自证工序流程相结合，在国内是首套规模化应用于生产的采集视频安全质控软件，协助公司物探技术的革新。软件采用最新的yolo5物象识别框架，结合施工工序自主研发算法，配套深度学习的多角度建模，能快速定位和识别涉爆视频中的目标物象，协助安全质控人员快速分析视频并反馈结果，如下图。
研发面向山地地震勘探涉爆下药工序现场需求和目标检测算法的对应关系，定义和确定目标检测算法(图3)所需要的数据架构和数据模型，给出可配置、可扩展、模块化数据采集规划。本软件为平衡精度和速度，同时为了节约硬件成本，在满足精度的情况下，采用One-stage 检测算法的YOLOv5算法(图4)。
Figure 3. Object detection in construction videos
图3. 施工视频的目标检测
该方法具有良好的使用Pytorch框架，能够方便地训练自己的数据集，Pytorch框架更容易投入生产。不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果。能够直接对单个图像，批处理图像，视频甚至网络摄像头端口输入进行有效推理。本检测方法速度非常快，能够在短时间内获取大量作业视频的评判结果。
基于YOLOv5检测算法，软件添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
1) 输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强 [1] - [6] 、自适应锚框计算、自适应图片缩放。
Mosaic数据增强-YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法(图5)，该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成，具体的效果如下图所示。这种增强方法可以将几张图片组合成一张，这样不仅可以丰富数据集的同时极大的提升网络的训练速度，而且可以降低模型的内存需求。
2) 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构。
Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN + PAN结构。
Focus结构(图6)——该结构的主要思想是通过slice操作来对输入图片进行裁剪。如下图所示，原始输入图片大小为608*608*3，经过Slice与Concat操作之后输出一个304*304*12的特征映射；接着经过一个通道个数为32的Conv层(该通道个数仅仅针对的是YOLOv5s结构，其它结构会有相应的变化)，输出一个304*304*32大小的特征映射。
Figure 6. Details of the focus network structure
图6. Focus网络结构细节
CSP结构-YOLOv4网络结构中，借鉴了CSPNet的设计思路，仅仅在主干网络中设计了CSP结构。而YOLOv5中设计了两种CSP结构，以YOLOv5s网络为例，CSP1_X结构应用于Backbone主干网络中，另一种CSP2_X结构则应用于Neck网络中。
FPN + PAN-YOLOv5的Neck网络仍然使用了FPN + PAN结构，但是在它的基础上做了一些改进操作，YOLOv4的Neck结构中，采用的都是普通的卷积操作。而YOLOv5的Neck网络中，采用借鉴CSPnet设计的CSP2结构，从而加强网络特征融合能力。
采用综上网络结构及目标算法，完成了涉爆视频影像人工智能识别隐患违章系统的研发，针对施工环境下普遍存在的环境杂乱、目标被遮挡、目标尺度范围大、正负样本不平衡，现有检测算法实时性不足等问题，将提取到的低层特征与高层特征相融合，增强网络全局感知能力；设计小目标检测层，提高算法对不同尺度目标的检测精度；设计通道–空间注意力模块，增强目标特征，抑制背景特征 [7] [8] [9] ，最终实现利用AI智能目标检测技术进行多项施工安全风险识别与判断，极大提升自证视频的安全风险检查及管控效率，目前已在川内多项目中试点应用(图7)。
Figure 7. An artificial intelligence recognition system for explosive video images developed based on object detection technology
图7. 基于目标检测技术研发的涉爆视频影像人工智能识别系统
4. 人工智能识别技术在山地地震勘探项目中的应用情况
东方物探公司将影像人工智能识别技术应用于四川盆地山地地震勘探涉爆工序下药视频安全管理，针对涉爆现场视频进的目标检测有以下几个主要内容。
1) 井深识别：通过对下药视频中压药杆运行轨迹识别、杆数判定及长度预估，来判断下药井深是否达到施工要求深度(足够的井深能保证炸药在地下激发安全有效)。
2) 炸药药量识别：通过识别下药视频中蓝色炸药的数量和长度，判定是否按照施工设计下药(炸药量不足会导致勘探信息不充分，炸药量过大会造成对井口周围环境及人员设备的安全隐患)。
3) 下药人数识别：通过识别下药施工现场人数(涉爆现场有准进人数限制)，判定下药压药流程是否存在暴力压药风险(避免因暴力压药导致炸药爆炸)，是否人数超标。
4) 常规安全识别：通过对下药现场人物着装，安全帽等特殊装备的识别，判定现场施工人员是否正确穿戴安全防护劳保，避免违章穿戴带来的安全风险(下药施工需要穿戴防静电服和安全帽，避免因衣物摩擦产生静电作业引爆雷管等)。
针对涉爆工序下药视频的目标检测技术能直观及时的反馈下药施工过程中存在的部分安全隐患，提升安全风险管控效能，降低施工安全风险(图8)。
Figure 8. Application and effectiveness of object detection technology in production projects
图8. 目标检测技术在生产项目中的应用及效果
另一方面，管理人员通过远程登录访问功能，实时对各个施工项目进行远程协调、控制及监控，极大的提升了安全风险管控效率和效果，对该成果的应用，公司创新提出并实施了“日摄夜检”(图9)的施工模式，即白天摄制采集影像，夜间应用软件成果进行全面的视频检测，将完成该工序原需要的5到7天时间缩短至2至3天，极大的提升了施工效率。
Figure 9. Efficient construction mode of “daily photography and night inspection” supported by object detection software
图9. 基于目标检测软件支撑的“日摄夜检”高效施工模式
截至目前，该成果已运用到东方公司多个探区及项目中，四川盆地三地地震勘探项目应用尤其突出，从2022年至今，川内多个山地地震勘探项目的应用较为深入，在加强了安全风险管控质量的同时，降低涉爆视频自证工序紧张的物探队人力成本(从以前10人/物探队的人数降低到5人/物探队)，为各施工队共计节约人工成本数百万元，取得了较好的“提质、降本、增效”效果。
5. 结束语
基于人工智能识别算法研发的涉爆视频影像人工智能识别隐患违章系统实现了施工重要安全信息自动化提取和统计，在国内是首套规模化应用于生产的采集视频安全质控软件。软件成果目前已经在东方公司四川盆地、塔里木盆地、青海等多个探区应用，协助施工单位安全管理部门取得了较好的安全风险管控及质量控制效果。
新技术引入协助公司物探技术的革新，在软件后续升级研发跟进后，形成更全面的一体化人工智能识别体系，有望在全国所有探区进行专业化推广应用。
未来几年，人工智能识别技术将在油气勘探领域中继续丰富和完善，贴合生产需求，服务于该行业的各项业务，在安全管控、质量管理及成本控制等方面具有极大地研发价值和实际效用，是未来几年油气勘探行业发展的关键和重点。