【技术实现步骤摘要】
所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品，因此，本专利技术可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本专利技术还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本专利技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本专利技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本专利技术的限制，本领域的普通技术人员在本专利技术的范围内可以对上述实施例进行变化、修改、替换和变型。
技术介绍
1、油气管道周边智能检测技术不仅能为油气管道等能源设施的安全提供重要保障，而且相较于传统的人力巡检
2、在深度学习出现之前，表现最好的算法是idt，之后的工作基本上都是在idt方法上进行改进。2014年，随着karpathy等人以及simmoyan等人的研究成果的发表，人类动作识别的深度学习时代也宣告来临。此后陆续出现多种深度学习方法来尝试解决这个问题，主要可分为三个类别：two-stream、c3d(convolution 3dimension)、rnn方法。
3、two-stream方法是深度学习在动作识别方向的一大主流方向，最早由vgg团队在nips上提出。在two-stream cnn被提出后，深度学习在动作识别中迈出了重大的一步。2014年karen simonyan等人提出了two-stream cnn网络。考虑到视频可以分为空间和时间两个部分：空间部分中每一帧代表的是空间信息，比如目标、场景等等；而时间部分是指帧间的运动，包括摄像机的运动或者目标物体的运动信息。因此two-stream cnn网络由空间和时间两个维度的网络组成，前者处理rgb图像，后者处理光流图像，最终联合训练并分类。作者利用网络训练多帧密度光流，并且在有限训练数据的情况下取得了不错的结果。
4、c3d方法即三维卷积方法，是two-stream之外的另一大主流方法。该方法思想很简单，正如使用二维的卷积核处理二维的图像，c3d方法使用三维的卷积核处理三维的视频。tran等人在常见的二维卷积网络上增加了时间维度，构建了一种三维卷积网络模型。c3d共有8次卷积操作，5次池化操作。其中卷积核的大小均为3×3×3，步长为1。池化核为2×2×2，但是为了不过早地缩减在时序上的长度，第一层的池化大小和步长为1×2×2。最后网络再经过两次全连接层和softmax层后得到最终的输出结果。网络的输入为3×16×112×112，其中，3为rgb三通道，16为输入图像的帧数，112×112是图像的输入尺寸。他们的实验结果显示该方法优于同期最好的算法。虽然目前c3d方法得到的效果普遍略逊于two-stream方法，但该方法比two-stream方法快很多，基本上都是端到端的训练，网络结构也更加简洁，因此c3d仍然是目前研究的热点。
5、rnn网络在自然语言处理方向取得了傲人的成绩，非常适合处理序列，因此研究者希望使用rnn网络思想来解决动作识别中的时间序列问题。2015年jeff donahue等人提出了一种结合传统cnn网络和lstm的网络结构lrcn。作者设计了在卷积块之后使用lstm的框架，但整体架构是端到端的训练。此方法有以下几个优点:在先前工作的基础上，使用rnn而不是基于流的设计；使用编码器-解码器架构进行行为识别；提出了用于行为识别的端到端的可训练架构。
6、综上，基于深度学习的行为识别算法已有一定程度的发展，但其网络结构设计缺少公认的方案，且现有工作大多针对人体动作进行识别，很少涉及其它应用领域。
技术实现思路
1、本专利技术所要解决的技术问题是针对现有技术的不足，具体提供了一种面向于油气管道周边的工程机械行为识别方法和系统，具体如下：
2、1)第一方面，本专利技术提供一种面向于油气管道周边的工程机械行为识别方法，具体技术方案如下：
3、识别工程机械行为识别数据集中的每个样本图像中的工程机械的位置信息；
4、基于工程机械行为识别数据集和工程机械行为识别数据集中的每个样本图像中的工程机械的位置信息，对slowfast网络进行训练，得到工程机械行为识别网络；
5、利用工程机械行为识别网络，对油气管道周边图像进行识别。
6、本专利技术提供的一种面向于油气管道周边的工程机械行为识别方法的有益效果如下：
7、结合深度学习目标检测技术与基于slowfast算法的行为识别技术，可以取得较好的工程机械目标行为检测效果。
8、在上述方案的基础上，本专利技术的一种面向于油气管道周边的工程机械行为识别方法还可以做如下改进。
9、进一步，工程机械行为识别数据集的获取过程，包括：
10、构建工程机械行为初始数据集，并对工程机械行为初始数据集进行扩充；
11、对扩充后的工程机械行为初始数据集进行数据增强，得到工程机械行为识别数据集。
12、进一步，还包括：
13、构建工程机械目标检测数据集；
14、基于工程机械目标检测数据集，对预设深度学习模型进行训练，得到用于识别工程机械的目标检测网络；
15、识别工程机械行为识别数据集中的每个样本图像中的工程机械的位置信息，包括：
16、利用目标检测网络，识别工程机械行为识别数据集中的每个样本图像中的工程机械的位置信息。
17、进一步，预设深度学习模型为：yolov5网络。
18、2)第二方面，本专利技术还提供一种面向于油气管道周边的工程机械行为识别系统，具体技术方案如下：
19、包括第一识本文档来自技高网...
【技术保护点】
1.一种面向于油气管道周边的工程机械行为识别方法，其特征在于，包括：
2.根据权利要求1所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，所述工程机械行为识别数据集的获取过程，包括：
3.根据权利要求1或2所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，还包括：
4.根据权利要求3所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，所述预设深度学习模型为：YOLOv5网络。
5.一种面向于油气管道周边的工程机械行为识别系统，其特征在于，包括第一识别模块、训练模块和第二识别模块；
6.根据权利要求5所述的一种面向于油气管道周边的工程机械行为识别系统，其特征在于，还包括数据集获取模块，所述数据集获取模块用于：
7.根据权利要求5或6所述的一种面向于油气管道周边的工程机械行为识别系统，其特征在于，还包括构建训练模块，所述构建训练模块用于：
8.根据权利要求7所述的一种面向于油气管道周边的工程机械行为识别系统，其特征在于，所述预设深度学习模型为：YOLOv5网络。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器与存储器耦合，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以使所述计算机设备实现如权利要求1至4任一项权利要求所述的一种面向于油气管道周边的工程机械行为识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以使计算机实现如权利要求1至4任一项权利要求所述的一种面向于油气管道周边的工程机械行为识别方法。
...【技术特征摘要】
1.一种面向于油气管道周边的工程机械行为识别方法，其特征在于，包括：
2.根据权利要求1所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，所述工程机械行为识别数据集的获取过程，包括：
3.根据权利要求1或2所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，还包括：
4.根据权利要求3所述的一种面向于油气管道周边的工程机械行为识别方法，其特征在于，所述预设深度学习模型为：yolov5网络。
5.一种面向于油气管道周边的工程机械行为识别系统，其特征在于，包括第一识别模块、训练模块和第二识别模块；
6.根据权利要求5所述的一种面向于油气管道周边的工程机械行为识别系统，其特征在于，还包括数据集获取模块，所述数据集获取模块用于：
7.根据权利要求5或6所述的一种面...
【专利技术属性】
技术研发人员：严密，李洪烈，李智文，郑大海，马铁量，王多才，曹永乐，明连勋，
申请(专利权)人：国家石油天然气管网集团有限公司，
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。