【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，具体涉及基于深度学习的跑冒滴漏检测方法、装置、设备及介质。
技术介绍
1、随着计算机硬件的不断升级和人工智能技术的发展，在油田安全生产领域，计算机视觉技术已经取得了令人瞩目的成果，使用目标检测、目标跟踪、姿态估计等计算机视觉技术对现场视频进行实时分析，对作业现场出现的异常违章行为、不安全行为等进行自动判别，有效代替了传统的人工监控方式，提高了现场的安全性和监管效率。
2、跑冒滴漏是海洋钻井平台存放、船舶和输油管道运输过程中，因管理不善及操作不当而产生跑气、冒水、滴液、漏液的现象。近年来，跑冒滴漏事故频繁，给海洋环境、生物及人类健康和海面活动带来了较大的危害。如何在发生跑冒滴漏事故后第一时间控制并解决，将造成的损失和污染降至最低是目前迫切需要解决的问题。
3、目前，目标检测和实例分割技术在漏油检测中已经取得了一定的成果。其中，目标检测技术可以用于检测跑冒滴漏的位置和大小，其通过分析图像或视频中的像素信息，识别出跑冒滴漏区域，并给出跑冒滴漏的位置和边界框。实例分割技术通过将跑冒滴漏区域与其他物体进行分割，能够更精准地检测跑冒滴漏，并给出每个像素属于跑冒滴漏的概率。工业环境下跑冒滴漏可能发生在复杂的背景和光照条件下，使得漏油检测具有场景复杂等特点。然而，现有的目标检测和实例分割技术针对复杂场景下的跑冒滴漏检测存在着准确性较差等问题。
技术实现思路
1、鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的基
2、根据本申请实施例的一个方面，提供了一种基于深度学习的跑冒滴漏检测方法，该方法包括：
3、采集油田作业现场的视频流数据，利用视频流数据中各个帧的图像数据，构建跑冒滴漏数据集；
4、依据跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型；
5、将油田作业现场的待检测视频流数据中各个帧的图像数据输入至经过训练的跑冒滴漏目标检测模型进行目标检测，得到待检测视频流数据的各个帧的检测数据；
6、根据待检测视频流数据的各个帧的检测数据，计算待检测视频流数据的相邻帧对应的阀门区域之间的汉明距离；
7、依据汉明距离，判断是否发生跑冒滴漏情况，并对判断结果进行存储。
8、进一步地，利用视频流数据中各个帧的图像数据，构建跑冒滴漏数据集进一步包括：
9、对视频流数据进行分帧处理，得到视频流数据中各个帧的图像数据；
10、对视频流数据中各个帧的图像数据中的阀门区域进行标定，得到各个图像数据对应的标签数据；
11、将各个图像数据以及各个图像数据对应的标签数据作为样本数据，添加至跑冒滴漏数据集。
12、进一步地，在依据跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型之前，该方法还包括：
13、在pytorch框架下，构建基于yolov5的初始跑冒滴漏目标检测模型；其中，初始跑冒滴漏目标检测模型包括：主干网络、颈部网络以及分类网络；
14、主干网络用于：提取输入的图像数据的多个维度的特征；
15、颈部网络用于：对多个维度的特征进行融合处理，得到图像融合特征；
16、分类网络用于：利用损失函数对图像融合特征进行分类和回归处理，得到对应的检测数据。
17、进一步地，依据跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型进一步包括：
18、按照预设样本比例，将跑冒滴漏数据集划分为训练集和测试集；
19、设置初始跑冒滴漏目标检测模型的网络训练参数；其中，网络训练参数包括：最大迭代次数、学习率、动量以及权重衰减；
20、利用训练集中的样本数据，对初始跑冒滴漏目标检测模型进行训练，调整初始跑冒滴漏目标检测模型的模型参数，直至满足迭代结束条件，得到经过训练的跑冒滴漏目标检测模型；
21、利用测试集中的样本数据，对经过训练的跑冒滴漏目标检测模型进行测试。
22、进一步地，根据待检测视频流数据的各个帧的检测数据，计算待检测视频流数据的相邻帧对应的阀门区域之间的汉明距离进一步包括：
23、针对相邻的任两帧，根据该两帧的检测数据中的阀门区域检测数据，通过感知哈希算法计算该两帧对应的阀门区域之间的汉明距离。
24、进一步地，阀门区域检测数据包括：阀门的包围框以及阀门的坐标信息。
25、进一步地，依据汉明距离，判断是否发生跑冒滴漏情况进一步包括：
26、判断汉明距离是否大于预设判别阈值；
27、若是，则得到发生跑冒滴漏情况的判断结果；若否，则得到未发生跑冒滴漏情况的判断结果。
28、根据本申请实施例的另一方面，提供了一种基于深度学习的跑冒滴漏检测装置，该装置包括：
29、数据构建模块，适于采集油田作业现场的视频流数据，利用视频流数据中各个帧的图像数据，构建跑冒滴漏数据集；
30、训练优化模块，适于依据跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型；
31、检测模块，适于将油田作业现场的待检测视频流数据中各个帧的图像数据输入至经过训练的跑冒滴漏目标检测模型进行目标检测，得到待检测视频流数据的各个帧的检测数据；
32、计算模块，适于根据待检测视频流数据的各个帧的检测数据，计算待检测视频流数据的相邻帧对应的阀门区域之间的汉明距离；
33、判断模块，适于依据汉明距离，判断是否发生跑冒滴漏情况，并对判断结果进行存储。
34、根据本申请实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
35、存储器用于存放至少一可执行指令，可执行指令使处理器执行上述基于深度学习的跑冒滴漏检测方法对应的操作。
36、根据本申请实施例的再一方面，提供了一种计算机存储介质，计算机存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述基于深度学习的跑冒滴漏检测方法对应的操作。
37、根据本专利技术提供的技术方案，通过对采集到的油田作业现场的视频流数据中各个帧的图像数据进行处理，便捷地实现了跑冒滴漏数据集的构建；将深度学习方法引入至跑冒滴漏检测中，构建了基于深度学习的初始跑冒滴漏目标检测模型，并依据跑冒滴漏数据集对其进行训练和优化，具有任务统一、易于训练、便于优化等优势，且无需人工手动设计特征提取算法，不仅能够自动地进行特征提取，而且能够学习到更丰富的特征表示，更好地捕捉漏油的复杂特征，有效地提高了跑冒滴漏本文档来自技高网...
【技术保护点】
1.一种基于深度学习的跑冒滴漏检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述视频流数据中各个帧的图像数据，构建跑冒滴漏数据集进一步包括：
3.根据权利要求1所述的方法，其特征在于，在所述依据所述跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述依据所述跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型进一步包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述待检测视频流数据的各个帧的检测数据，计算所述待检测视频流数据的相邻帧对应的阀门区域之间的汉明距离进一步包括：
6.根据权利要求5所述的方法，其特征在于，所述阀门区域检测数据包括：阀门的包围框以及所述阀门的坐标信息。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述依据所述汉明距离，判断是否发生跑
8.一种基于深度学习的跑冒滴漏检测装置，其特征在于，所述装置包括：
9.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一个可执行指令，可执行指令使处理器执行如权利要求1-7中任一项所述的基于深度学习的跑冒滴漏检测方法对应的操作。
...【技术特征摘要】
1.一种基于深度学习的跑冒滴漏检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述利用所述视频流数据中各个帧的图像数据，构建跑冒滴漏数据集进一步包括：
3.根据权利要求1所述的方法，其特征在于，在所述依据所述跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述依据所述跑冒滴漏数据集，对预先构建的基于深度学习的初始跑冒滴漏目标检测模型进行训练和优化，得到经过训练的跑冒滴漏目标检测模型进一步包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述待检测视频流数据的各个帧的检测数据，计算所述待检测视频流...
【专利技术属性】
技术研发人员：张绍营，颜波，杨志，刘洪波，李春，马俊，宋海鸿，仲莹，陈建军，陈松茂，王超，胡文俊，
申请(专利权)人：中海油田服务股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。