基于深度学习的石油设施遥感自动识别方法及装置制造方法及图纸

本申请实施例提供了一种基于深度学习的石油设施遥感自动识别方法及装置，该方法包括：将油田区域的遥感数据所述遥感数据转换成多幅图像；确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。本申请实施例可以实现遥感数据中的石油设施自动识别。

【技术实现步骤摘要】
基于深度学习的石油设施遥感自动识别方法及装置
本申请涉及数字图像识别
，尤其是涉及一种基于深度学习的石油设施遥感自动识别方法及装置。
技术介绍
随着卫星遥感技术的不断发展，高分辨率遥感影像数据急剧增加，目前很多在轨的遥感卫星可提供海量的亚米级卫星遥感影像数据，从而丰富了地物细节信息。对于油区地区，有效地利用这些遥感影像对油田的勘探开发部署、油田环境监测、地面工程规划都具有重要意义。例如可以基于遥感影像识别石油设施等。在本文中，上述石油设施主要指井场。石油设施在油田分布广泛、数量繁多，自动识别难度大，这主要是由于石油设施属于复合目标，包含罐体、抽油机、平整土表、围栏、人工建筑等多种目标，无法像单一目标通过光谱特征直接判别，同时，石油设施特征因开采类型、开采方式和开采区域环境特征不同而不同，如石油开采区和天然气开采区的井场内设施构成与分布不同，稠油开采区和非稠油开采区的设施特征不同，不同环境条件油区的石油设施的平面形状有不同的特点，这使得无法从单纯的形态学特征中寻找到一种模式来匹配遥感图像中的石油设施，石油设施属于具有多种类型特征的复合目标，需要考虑井场自身的结构化特征，通过纹理、几何、空间分布特征，结合专家知识等综合信息进行识别；此外，由于石油设施所采用的建筑材料不同、建筑物所在区域海拔高度不同、受太阳直射的角度不同等因素的影响，遥感图像在成像上会产生如反射、阴影遮挡等干扰现象，相同目标在不同海拔高度区域成像特征存在变异，增加信息提取难度。所以目前石油设施的提取多采用人工目视解译的方法。但人工识别方法耗时耗力，容易漏检，难以适应海量数据的检测需求，从遥感数据到知识的有效转化是目前所面临的最大挑战。因此研究基于海量遥感影像的石油设施自动识别算法成为了当前迫切的需求。
技术实现思路
本申请实施例的目的在于提供一种基于深度学习的石油设施遥感自动识别方法及装置，以实现遥感数据中的石油设施自动识别。为达到上述目的，一方面，本申请实施例提供了一种基于深度学习的石油设施遥感自动识别方法，包括：将油田区域的遥感数据所述遥感数据转换成多幅图像；确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述图像数据集中的每幅图像具有对应的标记文件，所述标记文件包含对应石油设施的类别及归一化位置信息。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述初始深度学习模型包括YOLOv2模型。本申请实施例的基于深度学习的石油设施遥感自动识别方法，在所述对预设的初始深度学习模型进行训练的过程中，根据预设的调参策略调整YOLOv2模型的大小、随机性、学习速率及最大迭代次数。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述根据预设的调参策略调整YOLOv2模型的大小、随机性、学习速率及最大迭代次数，包括：预先将随机性的值设置为1，当模型达到预设的收敛程度时，调整随机性的值为0；根据内存容限调整大小的值；预先将学习速率的值设置为第一上限值，当模型达到预设的收敛程度时，调整学习速率的值为下限值；预先将最大迭代次数的值设置为第二上限值，当模型达到预设的收敛程度时，调整最大迭代次数为指定值，所述指定值小于所述第二上限值。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述预设条件包括：所述测试结果的正确率大于预设第一阈值；所述测试结果的误检率小于预设第二阈值；且所述测试结果的漏检率小于预设第三阈值。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述将油田区域的遥感数据所述遥感数据转换成多幅图像，包括：将油田区域的遥感数据进行多波段与全色波段Brovey数据融合；对Brovey数据融合后的遥感数据进行正射校正，并通过指定通道合成真彩色的遥感图像；基于全局标准差图像增强方法对所述遥感图像进行图像增强，在此基础上，基于局部截距图像增强方法对增强后的遥感图像再次进行图像增强；将图像增强后的遥感图像镶嵌融合成瓦片数据；对所述瓦片数据进行多空间分辨率采样；对多空间分辨率采样后的瓦片数据进行多时相同时采样，获得多幅图像。本申请实施例的基于深度学习的石油设施遥感自动识别方法，在所述获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像之后，还包括：将待识别图像的均匀划分为多个图像块；相邻图像块之间存在指定宽度的重叠区域；相应的，在所述获得识别结果之后，还包括：按照预设的空间运算规则对识别结果进行合并运算。本申请实施例的基于深度学习的石油设施遥感自动识别方法，所述空间运算规则包括：目标相交取并集；以及目标包含取大者。另一方面，本申请实施例还提供了一种基于深度学习的石油设施遥感自动识别装置，包括：第一图像获取模块，用于将油田区域的遥感数据所述遥感数据转换成多幅图像；第二图像获取模块，用于确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；识别模型训练模块，用于将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；识别模型测试模块，用于将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；第三图像获取模块，用于获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；图像目标提取模块，用于基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。由以上本申请实施例提供的技术方案可见，本申请实施例首先将油田区域的遥感数据遥感数据转换成多幅图像；其次确定多幅图像中至少包含一处石油设施的图像，并形成图像数据集；其次将图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；然后将图像数据集中的第二部分图像作为测试样本输入识别模型，如果获得测试结果满足预设条件，则将识别模型作为石油设施识别模型；然后获取待识别油田区域的遥感数据，并将遥感数据转换成待识别图像；然后基于石油设施识别模型对待识别图像进行识别处理，获得识别结果；从而实现了遥感数据中的石油设施自动识别。本申请实施例在海量数据场景下，尤其适用。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：图1为本申请一实施例中基于深度学习的石油设施遥感自动识别方法的流程图；图2为本申请一实施例中构建的部分遥感数据样本库；图3为本申请一实施例中识别出的石油设施的分布图；图4为本申请一实施例中基于深度学习的石油设施遥感自动识别装置的结构框图；图5为本申请另一实施例中基本文档来自技高网...

【技术保护点】
1.一种基于深度学习的石油设施遥感自动识别方法，其特征在于，包括：将油田区域的遥感数据所述遥感数据转换成多幅图像；确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。

【技术特征摘要】
1.一种基于深度学习的石油设施遥感自动识别方法，其特征在于，包括：将油田区域的遥感数据所述遥感数据转换成多幅图像；确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。2.如权利要求1所述的基于深度学习的石油设施遥感自动识别方法，其特征在于，所述图像数据集中的每幅图像具有对应的标记文件，所述标记文件包含对应石油设施的类别及归一化位置信息。3.如权利要求1所述的基于深度学习的石油设施遥感自动识别方法，其特征在于，所述初始深度学习模型包括YOLOv2模型。4.如权利要求3所述的基于深度学习的石油设施遥感自动识别方法，其特征在于，在所述对预设的初始深度学习模型进行训练的过程中，根据预设的调参策略调整YOLOv2模型的大小、随机性、学习速率及最大迭代次数。5.如权利要求4所述的基于深度学习的石油设施遥感自动识别方法，其特征在于，所述根据预设的调参策略调整YOLOv2模型的大小、随机性、学习速率及最大迭代次数，包括：预先将随机性的值设置为1，当模型达到预设的收敛程度时，调整随机性的值为0；根据内存容限调整大小的值；预先将学习速率的值设置为第一上限值，当模型达到预设的收敛程度时，调整学习速率的值为下限值；预先将最大迭代次数的值设置为第二上限值，当模型达到预设的收敛程度时，调整最大迭代次数为指定值，所述指定值小于所述第二上限值。6.如权利要求1所述的基于深度学习的石油设施遥感自动识别方法，其特征在于，所述预设条件包括：所述测试结果的正确率大于预设第一阈值；所述测试结果的误检率小于预设第二阈值；且所述测试结果的漏...

【专利技术属性】
技术研发人员：刘杨，张楠楠，邹立群，董文彤，郭红燕，周红英，刘松，马志国，
申请(专利权)人：中国石油天然气股份有限公司，
类型：发明
国别省市：北京,11