利用机器学习对钻井平台监控画面进行去水雾的方法技术

本发明专利技术属于特定行业的图像处理和机器学习结合的领域，特别是一种利用机器学习对钻井平台监控画面进行去水雾的方法。所述方法中，通过摄像头按照预定帧率采集钻井平台监控画面视频样本，对视频样本进行抽帧，从包含雾气的视频序列中取连续的8张图像，组合成视频帧序列，将准备好的训练集分为A,B两部分，其中A部分占训练集的30%,剩余的部分为B，训练更新模型并通过所述模型对钻井平台监控画面进行去水雾。

【技术实现步骤摘要】
利用机器学习对钻井平台监控画面进行去水雾的方法
本专利技术属于特定行业的图像处理和机器学习结合的领域，特别是一种利用机器学习对钻井平台监控画面进行去水雾的方法。
技术介绍
油气勘探过程中，在钻井平台上部署视频监控设备时，因平台底部水蒸气蒸腾产生的雾气对摄像头采集的图像有较大的干扰，甚至无法识别的情况等问题，严重影响了监测。在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
技术实现思路
针对现有技术中存在的问题，本专利技术提出一种利用机器学习对钻井平台监控画面进行去水雾的方法，解决了现有缺陷，通过视频中的连续帧去除图像中的平台雾气影响，复原高质量清晰图像的计算机视觉算法。本方法无需对大气参数进行建模，以端到端的方式，通过分析视频内的上下文信息直接输出复原后的图像，更符合实际运用的钻井平台场景，鲁棒性更高。本专利技术的目的是通过以下技术方案予以实现：一种利用机器学习对钻井平台监控画面进行去水雾的方法，包括以下步骤：S100：通过摄像头按照预定帧率采集钻井平台的视频样本，对视频样本进行抽帧，所述视频样本包括含雾气的视频以及无雾气视频；S200：从含雾气的视频中取连续的8帧图片，组合成视频帧序列X，X={xi,xi+1,…,xi+7}，从无雾气视频中选取与视频帧序列X中的任一图像相似的一帧实际图片x’作为目标图片，并将x’与视频帧序列X组成训练集Xtrain={X,x’}；<br>S300：将准备好的训练集Xtrain分为A、B两部分，其中A部分占训练集的30%,剩余的部分为B部分，以此训练模型model={Gmodel,Dmodel}，其中Gmodel为生成式模型，Dmodel为判别式模型；其中，训练分为2个阶段，训练集的A、B两部分分别用作2个阶段中Gmodel的输入；S400：模型model训练完毕后，利用模型model中的生成式模型Gmodel对钻井平台的基于视频连续帧的图像去水雾。优选的，预定帧率为25帧的帧率。优选的，步骤S300包括：训练的第1阶段：1）将训练集的A部分输入到Gmodel，获取Gmodel输出的复原图片y’；2）计算y’与x’的均方误差loss：其中，xj’、yj’分别为x’、y’的像素值，n为像素个数，j从0取值到n；3）若loss不小于设定的第一阈值，则对loss求导计算梯度，并反向传播梯度到Gmodel,以更新模型中的参数，直至loss小于所述设定的第一阈值；若loss小于第一阈值，则进入训练的第2阶段；训练的第2阶段：1）将训练集的B部分输入到Gmodel，获取Gmodel输出的复原图片y’；2）将y’与x’分别输入到判别模型Dmodel获取两个判别概率df和dr,同时通过下式求取最大化值：max(log(df)+log(1-dr))，并以所述最大化值更新Dmodel的参数,当两个判别概率df、dr的值趋近于0.5时停止更新；3）获取Dmodel计算判别概率时的中间特征，以计算感知误差Ploss：其中，vf、vr分别为y’与x’的中间特征，m为中间特征的个数，k从0取值到m；若Ploss不小于设定的第二阈值，反向传播Ploss以更新Gmodel的参数，直至Ploss小于所述设定的第二阈值；Ploss小于设定的第二阈值时，训练结束。优选的，当Gmodel为深度神经网络时，对其训练时，还包括如下步骤：S301：对于每一张用于训练深度神经网络的图像进行手工标注，标注关键点的位置，得到标注后的每张图像；S302：以标注后的每张图像作为训练的相应阶段的输入，构造一种辅助神经网络，辅助深度神经网络对图像的学习和训练。优选的，步骤S302包括如下步骤：S3021：将标注后的每张图像作为输入，并从所述深度神经网络选择适当的中间层，获取该中间层的输出；S3022：建立一个由卷积函数构成的辅助神经网络；S3023：将所述中间层的输出及对应的标注前的每张图像的姿态估计矩阵，均输入到辅助神经网络；S3024：将辅助神经网络与所述深度神经网络的输出进行合并，共同输入到所述深度神经网络的损失函数以优化所述深度神经网络的学习。优选的，步骤S3023中的姿态估计矩阵通过如下步骤获得：S30231：对摄像头的相机进行标定，求解出相机的内参数，所述内参数包括：图像光轴主点、X和Y方向焦距、切向畸变系数、径向畸变系数；S30232：进一步按如下方式求解姿态估计矩阵：根据式x=M*[R|t]*X，求解姿态估计矩阵[R|t]，其中，M为相机的内参数，X为世界坐标系，x为已知被拍摄物体的图像像素坐标；R、t分别为姿态估计矩阵的旋转向量及平移向量。优选的，步骤S3021包括：通过张正友标定法和已知尺寸的棋盘格，求解出相机的内参数。优选的，棋盘格取10cm*10cm。优选的，所述深度神经网络选择ResNet50。优选的，所述辅助神经网络选择ResNet18。此外，本专利技术还揭示了一种利用机器学习对钻井平台监控画面进行去水雾的方法，包括：第一步骤中，通过摄像头按照预定帧率采集视频样本，对视频样本进行抽帧:其中X为包含雾气的视频帧序列，X’为无雾气影响或可忽略雾气影响的视频帧序列，xn、xm’分别是从X和X’中对应视频抽帧后提取的图像；第二步骤中，从包含雾气的视频序列X中取连续的8张图像，组合成视频帧序列，，从无雾气视频中选取与中的图像相似的一张视频帧x’作为目标图片，组成训练集合；第三步骤中，将准备好的训练集分为A,B两部分，其中A部分占训练集的30%,剩余的部分为B，以此训练模型；第四步骤中，利用训练后的模型对钻井平台的基于视频连续帧的图像去水雾。本专利技术相比于传统标记方法的优点在于通过视频中的连续帧去除图像中的平台雾气影响，复原高质量清晰图像的计算机视觉算法。不同于其他通过估算大气退化模型，或者直方图均衡化等基于单张图片的图像增强的传统方法，本方法无需对大气参数进行建模，以端到端的方式，通过分析视频内的上下文信息直接输出复原后的图像，更符合实际运用的钻井平台场景，鲁棒性更高。上述说明仅是本专利技术技术方案的概述，为了能够使得本专利技术的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本专利技术的上述和其它目的、特征和优点能够更明显易懂，下面以本专利技术的具体实施方式进行举例说明。附图说明通过阅读下文优选的具体实施方式中的详细描述，本专利技术各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，对于本领本文档来自技高网...

【技术保护点】
1.利用机器学习对钻井平台监控画面进行去水雾的方法，其特征在于，所述方法包括以下步骤：/nS100：通过摄像头按照预定帧率采集钻井平台的视频样本，对视频样本进行抽帧，所述视频样本包括含雾气的视频以及无雾气视频；/nS200：从含雾气的视频中取连续的8帧图片，组合成视频帧序列X，X={x

【技术特征摘要】
1.利用机器学习对钻井平台监控画面进行去水雾的方法，其特征在于，所述方法包括以下步骤：
S100：通过摄像头按照预定帧率采集钻井平台的视频样本，对视频样本进行抽帧，所述视频样本包括含雾气的视频以及无雾气视频；
S200：从含雾气的视频中取连续的8帧图片，组合成视频帧序列X，X={xi,xi+1,…,xi+7}，从无雾气视频中选取与视频帧序列X中的任一图像相似的一帧实际图片x’作为目标图片，并将x’与视频帧序列X组成训练集Xtrain={X,x’}；
S300：将准备好的训练集Xtrain分为A、B两部分，其中A部分占训练集的30%,剩余的部分为B部分，以此训练模型model={Gmodel,Dmodel}，其中Gmodel为生成式模型，Dmodel为判别式模型；其中，训练分为2个阶段，训练集的A、B两部分分别用作2个阶段中Gmodel的输入；
S400：模型model训练完毕后，利用模型model中的生成式模型Gmodel对钻井平台的基于视频连续帧的图像去水雾。


2.根据权利要求1所述的方法，其特征在于，预定帧为25帧的帧率。


3.根据权利要求1所述的方法，其特征在于，步骤S300包括：
训练的第1阶段：
1）将训练集的A部分输入到Gmodel，获取Gmodel输出的复原图片y’；
2）计算y’与x’的均方误差loss：



其中，xj’、yj’分别为x’、y’的像素值，n为像素个数，j从0取值到n；
3）若loss不小于设定的第一阈值，则对loss求导计算梯度，并反向传播梯度到Gmodel，以更新模型中的参数，直至loss小于所述设定的第一阈值；
若loss小于第一阈值，则进入训练的第2阶段；
训练的第2阶段：
1）将训练集的B部分输入到Gmodel，获取Gmodel输出的复原图片y’；
2）将y’与x’分别输入到判别模型Dmodel获取两个判别概率df和dr,同时通过下式求取最大化值：
max(log(df)+log(1-dr))，
并以所述最大化值更新Dmodel的参数,当两个判别概率df、dr的值趋近于0.5时停止更新；
3）获取Dmodel计算判别概率时的中间特征，以计算感知误差Ploss：



其中，vf、vr...

【专利技术属性】
技术研发人员：刘云川，郑光胜，郑侃，蒋俊之，黄进凯，杨正川，
申请(专利权)人：四川泓宝润业工程技术有限公司，重庆庆云石油工程技术有限责任公司，北京宝隆泓瑞科技有限公司，
类型：发明
国别省市：四川;51