一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法技术

本发明专利技术属于油气井目标检测、目标对比技术领域，尤其涉及一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法。该种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法可用于实现对氧气瓶和乙炔瓶同车运输这一违规事故的实时检测，不仅能够满足油田企业的管理要求，而且能够及时发现上述安全隐患并发出预警，避免意外的发生。该一种基于深度学习的未佩戴便携式气体报警仪检测方法构建YOLOv5网络模型结构、训练神经网络模型，比较乙炔瓶的检测目标结果与运输车的检测目标结果之间的坐标位置、氧气瓶的检测目标结果与运输车的检测目标结果之间的坐标位置；并基于交并比来判断乙炔瓶和氧气瓶是否在同一运输车上，计算乙炔瓶的检测目标结果与氧气瓶的检测目标结果之间的坐标距离等步骤。离等步骤。离等步骤。

【技术实现步骤摘要】
一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法


[0001]本专利技术属于油气生产安全风险目标检测
，尤其涉及一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法。

技术介绍

[0002]在油气井生产作业过程中，有许多施工场景需要用到乙炔瓶和氧气瓶。但基于安全生产标准，乙炔瓶和氧气瓶不允许一同运输；这是因为乙炔瓶和氧气瓶在一同运输过程会因运输过程中产生摩擦碰撞，从而导致产生极大的安全隐患事故，更甚至可能会发生爆炸爆燃等极端事故。因此，对于石油企业这类安防等级要求极高的施工场所，有必要对氧气瓶和乙炔瓶同车运输情况进行排查，从而有效保障工作人员的生命和财产安全，避免意外的发生。
[0003]然而专利技术人发现，现阶段目前尚未有能够识别出氧气瓶和乙炔瓶同车运输情况的检测方法。而值得注意的是，深度学习技术由于其基于目标检测方面的潜力，可被技术人员视作解决上述工艺缺陷的手段之一。其中，专利标题：一种视频抽油机启停的检测方法、申请号：CN202011531759.4的专利文献中记载了一种视频抽油机启停检测的方法，主要包括对给定的抽油机视频，先截取成一帧帧的图片，准备对图片中的抽油机进行目标检测；标注抽油机的数据集，用来训练Yolov5目标检测模型；用训练好的Yolov5模型对图片中的抽油机进行检测，得到抽油机的Bounding Box，包括左上角(x1，y1)、右下角(x2，y2)；在当前帧，我们把抽油机的Bounding Box区域裁剪出来作为图片2；定位到当前帧前或后T秒的图片，把该帧对应的同位置区域裁剪出来作为图片1；用滑动窗口在两张图片上取M
×
N的窗口，计算每两个对应窗口的相似度，求平均得到两张图片总的相似度。
[0004]然而进一步研究后可以发现，上述专利文献针对的检测对象是抽油机设备，而要满足对氧气瓶和乙炔瓶同车运输情况这一特定特征的检测，仍需本领域技术人员做出新的努力和尝试。

技术实现思路

[0005]本专利技术提供了一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，该种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法可用于实现对氧气瓶和乙炔瓶同车运输这一违规事故的实时检测，不仅能够满足油田企业的管理要求，而且能够及时发现上述安全隐患并发出预警，避免意外的发生。
[0006]为解决上述技术问题，本专利技术采用了如下技术方案：一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，包括有如下步骤：步骤S1：获取用火作业现场的监控视频，采用分组抽帧的方法从用火作业现场的监控视频中获取含有乙炔瓶和氧气瓶的运输车的图像；步骤S2：对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像进行标注，并生成样本数据；
步骤S3：构建YOLOv5网络模型结构；利用步骤S2所得的样本数据对YOLOv5网络模型进行训练，得到训练好的神经网络模型；步骤S4：获取作业现场实时的监控视频，并间隔获取连续的多帧待测现场图像作为一组待测组；步骤S5：将待测现场图像输入至步骤S3所得的训练好的神经网络模型中，得到待测现场图像中乙炔瓶、氧气瓶、运输车的检测目标结果；步骤S6：若待测现场图像中同时存在乙炔瓶的检测目标结果和氧气瓶的检测目标结果，进一步判断待测现场图像中是否存在运输车的检测目标结果；若待测现场图像中存在运输车的检测目标结果，分别计算乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合、氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合；并计算乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合以及氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合两者的交并比，从而判断乙炔瓶和氧气瓶是否在同一运输车上；步骤S7：计算乙炔瓶的检测目标结果与氧气瓶的检测目标结果之间的坐标距离。
[0007]较为优选的，所述步骤S2中对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像进行标注的过程可具体描述为：对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像中的乙炔瓶、氧气瓶、运输车进行分别标注。
[0008]较为优选的，步骤S2生成的样本数据中的75%用作训练样本，步骤S2生成的样本数据中的25%用作测试样本。
[0009]较为优选的，步骤S3构建YOLOv5网络模型结构的过程中采用8倍和/或16倍下的采样特征图。
[0010]较为优选的，步骤S4中间隔获取连续的多帧待测现场图像的图像帧数不小于45帧。
[0011]较为优选的，将步骤6中氧气瓶的检测目标结果定义为O2，氧气瓶的检测目标结果的坐标定义为(O
x1
,O
y1
;O
x2
,O
y2
)；将步骤6中乙炔瓶的检测目标结果定义为CH；乙炔瓶的检测目标结果的坐标定义为(CH
x1
,CH
y1
;CH
x2
,CH
y2
)；将步骤6中运输车的检测目标结果定义为trans；运输车的检测目标结果的坐标定义为(T
x1
,T
y1
;T
x2
,T
y2
)；则乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合以及氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合两者的交并比计算公式满足：IOU=C
⋃
G/C
⋂
G；其中，C指代乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合，G指代氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合；步骤S7中乙炔瓶的检测目标结果与氧气瓶的检测目标结果之间的坐标距离满足为：Distance = MIN|Ox{
1，2
}
ꢀ‑ꢀ
CHx{
1，2
}|。
[0012]较为优选的，步骤S6在判断得到待测现场图像中存在运输车的检测目标结果之后，且比较乙炔瓶的检测目标结果与运输车的检测目标结果之间的坐标位置、氧气瓶的检测目标结果与运输车的检测目标结果之间的坐标位置之前，还包括有：从亮度、色调、饱和度三个方面，对待测现场图像进行色彩增强处理，以增加待测现场图像的鲁棒性。
[0013]较为优选的，还包括有步骤S8：当乙炔瓶的检测目标结果与氧气瓶的检测目标结
果之间的坐标距离小于预设值时，联动预警；所述预设值满足：预设值=|O
x1
‑
O
x2
|*n，其中n=（运输车的长度） /(氧气瓶的长度+乙炔瓶的长度）。
[0014]本专利技术提供了一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，包括有构建YOLOv5网络模型结构、训练神经网络模型，比较乙炔瓶的检测目标结果与运输车的检测目标结果之间的坐标位置、氧气瓶的检测目标结果与运输车的检测目标结果之间的坐标位置；并基于交并比来判断乙炔瓶和氧气瓶是否在同一运输车上，计算乙炔瓶的检测目标结果与氧气瓶的检测目标结果之间的坐标距离等步骤。具有上述步骤特征的基于深度学习的氧气瓶与乙炔瓶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，包括有如下步骤：步骤S1：获取用火作业现场的监控视频，采用分组抽帧的方法从用火作业现场的监控视频中获取含有乙炔瓶和氧气瓶的运输车的图像；步骤S2：对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像进行标注，并生成样本数据；步骤S3：构建YOLOv5网络模型结构；利用步骤S2所得的样本数据对YOLOv5网络模型进行训练，得到训练好的神经网络模型；步骤S4：获取作业现场实时的监控视频，并间隔获取连续的多帧待测现场图像作为一组待测组；步骤S5：将待测现场图像输入至步骤S3所得的训练好的神经网络模型中，得到待测现场图像中乙炔瓶、氧气瓶、运输车的检测目标结果；步骤S6：若待测现场图像中同时存在乙炔瓶的检测目标结果和氧气瓶的检测目标结果，进一步判断待测现场图像中是否存在运输车的检测目标结果；若待测现场图像中存在运输车的检测目标结果，则分别计算乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合、氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合；并计算乙炔瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合以及氧气瓶的检测目标结果与运输车的检测目标结果之间的交叠坐标集合两者的交并比，从而判断乙炔瓶和氧气瓶是否在同一运输车上；步骤S7：计算乙炔瓶的检测目标结果与氧气瓶的检测目标结果之间的坐标距离。2.根据权利要求1所述的一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，所述步骤S2中对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像进行标注的过程可具体描述为：对步骤S1所得的含有乙炔瓶和氧气瓶的运输车的图像中的乙炔瓶、氧气瓶、运输车进行分别标注。3.根据权利要求1所述的一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，步骤S2生成的样本数据中的75%用作训练样本，步骤S2生成的样本数据中的25%用作测试样本。4.根据权利要求1所述的一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，步骤S3构建YOLOv5网络模型结构的过程中采用8倍和/或16倍下的采样特征图。5.根据权利要求1所述的一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，步骤S4中间隔获取连续的多帧待测现场图像的图像帧数不小于45帧。6.根据权利要求1所述的一种基于深度学习的氧气瓶与乙炔瓶同车运输检测方法，其特征在于，将步骤6...

【专利技术属性】
技术研发人员：王美，王逸飞，薛娟，杨欣欣，王凯月，李慧颖，延伟，邹燕，高磊，刘佳，吕德东，黄珊，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司技术检测中心胜利油田检测评价研究有限公司，
类型：发明
国别省市：