【技术实现步骤摘要】
本公开属于深度学习，具体涉及基于深度学习的油田井口下方检测方法、装置、系统。
技术介绍
1、油田井口下方指的是井口紧下方的一段深度内的空间，其用于为井口装置提供容纳空间，该空间的检测通常需要依靠人力探测，人力损耗极大，且人力探测存在一定的安全隐患。此外，人力探测依赖人眼，油田井口下方复杂环境下难以识别，导致信息漏检和误检。针对这一问题，虽然现有技术能采用基于深度学习算法结合人力采集数据弥补检测精度，但存在安全隐患且需离线检测，缺乏实时性。
技术实现思路
1、针对现有技术中的不足，本公开的目的在于提供一种基于深度学习的油田井口下方检测方法，该方法能够大大缩短油田井口下方检测的响应时间，实现了数据采集以及识别的实时性，且识别结果返回的同时，会把数据的特征信息发送给云服务器作为新的训练集以更新训练集，从而可以用于后期模型的进一步的更新。
2、为实现上述目的，本公开提供以下技术方案：
3、一种基于深度学习的油田井口下方检测方法，包括如下步骤：
4、s100：采集油田井口下方周边区域图像；
5、s200：对所采集的图像进行预处理，以获得预处理后的图像；
6、s300：构建基于深度学习的油田井口下方检测模型并进行训练，获得训练好的基于深度学习的油田井口下方检测模型；
7、其中，所述基于深度学习的油田井口下方检测模型包括特征提取层、精炼模块和像素编解码模块，所述精炼模块包括高层分支和底层分支，通过高层分支监督底层分支以缓解特
8、s400：将预处理后的图像输入训练好的基于深度学习的油田井口下方检测模型中，以对油田井口下方周边区域进行检测。
9、优选的，步骤s200中，所述预处理包括如下步骤：对图像进行稀疏抽帧处理，以获得油田井口下方周边区域图像的稀疏集。
10、优选的，步骤s300中，所述基于深度学习的油田井口下方检测模型的训练包括如下步骤：
11、s301：构建数据集，对数据集进行预处理后划分为训练集和测试集；
12、s302：设置训练参数，利用预处理后的训练集对模型进行训练，训练策略设置为线性预测策略，当达到500轮训练次数后，模型训练完成；
13、s303：利用预处理后的测试集对训练后的模型进行测试，在测试过程中，当平均查准率达到0.95或以上时，测试通过；否则重新设置训练参数对模型进行训练。
14、优选的，步骤s400包括如下步骤：
15、s401：通过特征提取层对图像进行特征提取；
16、s402：通过精炼模块对所提取的特征进行精炼，以获得精细化特征；
17、s403：通过像素编解码模块对精细化特征进行特征重组，以获得特征编码；
18、s404：对特征编码通过非极大抑制特征冗余筛选以获得基于深度学习的油田井口下方检测置信度，并基于置信度对油田井口下方周边区域进行检测判断。
19、本公开还提出一种基于深度学习的油田井口下方检测装置，包括：
20、采集模块，用于采集油田井口下方周边区域图像；
21、预处理模块，用于对所采集的图像进行预处理，以获得预处理后的图像；
22、训练模块，用于构建基于深度学习的油田井口下方检测模型并进行训练，获得训练好的基于深度学习的油田井口下方检测模型；
23、其中，所述基于深度学习的油田井口下方检测模型包括特征提取层、精炼模块和像素编解码模块，所述精炼模块包括高层分支和底层分支，通过高层分支监督底层分支以缓解特征提取层传播路径中的特征混淆；
24、检测模块，用于将预处理后的图像输入训练好的基于深度学习的油田井口下方检测模型中，以对油田井口下方周边区域进行检测。
25、优选的，所述检测模块将预处理后的图像输入训练好的基于深度学习的油田井口下方检测模型中，以对油田井口下方周边区域进行检测，具体包括：
26、调用特征提取层，用于对图像进行特征提取；
27、调用精炼模块，用于对所提取的特征进行精炼，以获得精细化特征；
28、调用像素编解码模块，用于对精细化特征进行特征重组，以获得特征编码，并对特征编码通过非极大抑制特征冗余筛选以获得基于深度学习的油田井口下方检测置信度，并基于置信度对油田井口下方周边区域进行检测判断。
29、本公开还提出一种基于深度学习的油田井口下方检测系统，包括：无人机，无人机搭载有监控摄像头、无人机嵌入式设备以及云端服务器，其中，
30、所述监控摄像头用于实时获取油田井口下方周边区域图像；
31、所述无人机嵌入式设备包括前文任一所述的装置，用于对监控摄像头输入的图像进行处理，并将基于深度学习的油田井口下方检测的结果传输至云端服务器；
32、所述云端服务器用于对无人机嵌入式设备中的基于深度学习的油田井口下方检测模型进行训练以及参数更新。
33、本公开还提出一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法。
34、本公开还提出一种电子设备，其特征在于，包括：
35、存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
36、所述处理器执行所述程序时实现如前任一所述的方法。
37、与现有技术相比，本公开带来的有益效果为：本公开能够灵活地深入油田井口下方采集数据并就近处理采集到的数据，而不需要将大量数据上传到远端的核心管理平台；和现有技术中深度学习算法结合人力采集数据相比，不仅识别结果的响应时间大大缩短，实现了数据采集以及识别的实时性，而且识别结果返回的同时，还能够进一步将会把视频的特征信息发送给云服务器作为新的数据集用于模型的训练。从而，本公开通过深度学习实现对井口装置提供容纳空间的检测，避免传统人力作业的风险。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的油田井口下方检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤S200中，所述预处理包括如下步骤：对图像进行稀疏抽帧处理，以获得油田井口下方周边区域图像的稀疏集。
3.根据权利要求1所述的方法，其特征在于，步骤S300中，所述基于深度学习的油田井口下方检测模型的训练包括如下步骤：
4.根据权利要求1所述的方法，其特征在于，步骤S400包括如下步骤：
5.一种基于深度学习的油田井口下方检测装置，其特征在于，所述装置包括：
6.根据权利要求5所述的装置，其特征在于，所述检测模块将预处理后的图像输入训练好的基于深度学习的油田井口下方检测模型中，以对油田井口下方周边区域进行检测，具体包括：
7.一种基于深度学习的油田井口下方检测系统，其特征在于，所述系统包括：无人机，无人机搭载有监控摄像头、无人机嵌入式设备以及云端服务器，其中，
【技术特征摘要】
1.一种基于深度学习的油田井口下方检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，步骤s200中，所述预处理包括如下步骤：对图像进行稀疏抽帧处理，以获得油田井口下方周边区域图像的稀疏集。
3.根据权利要求1所述的方法，其特征在于，步骤s300中，所述基于深度学习的油田井口下方检测模型的训练包括如下步骤：
4.根据权利要求1所述的方法，其特征在于，步骤s40...
【专利技术属性】
技术研发人员：刘云刚，刘云川，甘乐天，易军，周伟，闵宣霖，
申请(专利权)人：四川泓宝润业工程技术有限公司，
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。