CN111611953A - 一种基于目标特征训练的抽油机识别方法与系统 - Google Patents

一种基于目标特征训练的抽油机识别方法与系统 Download PDF

Info

Publication number
CN111611953A
CN111611953A CN202010465513.5A CN202010465513A CN111611953A CN 111611953 A CN111611953 A CN 111611953A CN 202010465513 A CN202010465513 A CN 202010465513A CN 111611953 A CN111611953 A CN 111611953A
Authority
CN
China
Prior art keywords
target
image
pumping unit
frame
labeling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010465513.5A
Other languages
English (en)
Other versions
CN111611953B (zh
Inventor
寇福东
季云松
周成
胡岚
徐瑞贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Fjr Optoelectronic Technology Co ltd
Original Assignee
Beijing Fjr Optoelectronic Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Fjr Optoelectronic Technology Co ltd filed Critical Beijing Fjr Optoelectronic Technology Co ltd
Priority to CN202010465513.5A priority Critical patent/CN111611953B/zh
Publication of CN111611953A publication Critical patent/CN111611953A/zh
Application granted granted Critical
Publication of CN111611953B publication Critical patent/CN111611953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于目标特征训练的抽油机识别方法与系统，包括图像获取模块，用于获取红外周视图像并转化为监测标识模块的图像输入源;监测标识模块，用于处理获取到红外图像输入，检测红外图像中的抽油机，并基于深度学习对抽油机的位置与工作形态进行标识；状态分析模块，用于接收监测标识模块的处理结果，连续分析抽油机的工作形态，得出抽油机的工作状态。本发明通过对抽油机进行智能标识，动态的获取了井网内抽油机的位置与工作形态，使得抽油机工作状态的识别更加准确，获得了更好的检测效果。

Description

一种基于目标特征训练的抽油机识别方法与系统
技术领域
本发明涉及目标检测技术领域，尤其涉及一种基于目标特征训练的抽油机识别方法与系统。
背景技术
抽油机工作状态检测识别在油田检测中扮演着重要的角色，通过检测抽油机工作是否处于工作状态，可以对抽油机本身故障，抽油机工作起停时周围环境安全状态等进行有效的检测，保障油田生产的安全。
抽油机工作状态的传统检测模式分为两种，一种通过系统集成传感器检测抽油机工作状态，该模式的缺点是无法获取抽油机无图像，不直观；另一种通过图像检测，采用光电观测转台，对每个抽油机进行凝视检测，该模式的缺点是速度慢，需要事先标定抽油机位置。
发明内容
为提高抽油机工作状态检测识别的效率和效果，本发明提供一种基于目标特征训练的抽油机识别方法与系统，通过对抽油机进行智能标识，动态的获取了井网内抽油机的位置与工作形态，使得抽油机工作状态的识别更加准确，获得了更好的检测效果。
为达到上述目的，本发明提供了一种基于目标特征训练的抽油机识别方法，包括以下步骤：
步骤1、周视图像获取，获取待检测抽油机的相关红外周视图像，将待识别红外周视图像进行拆解处理；
步骤2、周视图像映射，将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率；
步骤3、抽油机样本标注，在预先获取的样本图像数据集中对不同状态的抽油机进行标注，标注分为形态标注和/或位置标注；
步骤4、目标识别模型训练，将步骤3中样本图像数据集及其标注的目标标注框参数输入目标识别模型进行训练，训练基于深度学习的目标识别计算框架，目标识别模型为多层卷积神经网络；
步骤5、目标识别模型部署，将步骤4中训练所得的目标识别模型部署在目标智能识别模块内；
步骤6、目标分析与判定，目标分析判定模块接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，对抽油机目标的静止图像进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
进一步地，所述步骤1包括步骤1.1、红外周扫设备转动，将成像的红外图像按照帧序列拼接为全景图像以生成包括360度视场的红外周视图像；步骤1.2、周视图像拆解，将红外周视图像拆分为单帧图像。
进一步地，所述步骤2中，采用直方图线性均衡法将原始单帧红外周视14位图像转化为8位数字图像。
进一步地，所述步骤3中，形态类别标注分为三类：抽油机低头，抽油机平态，抽油机抬头，游梁处于倾斜状态时，驴头重心低于游梁的水平位置标注为抽油机低头，驴头重心高于游梁的水平位置标注为抽油机抬头，驴头重心位于游梁的水平位置标注为抽油机平态。
进一步地，所述步骤3中，设置抽油机所在图像区域为目标标注框，位置标注包括：H为目标标注框的垂直高度，W为目标标注框的水平宽度，X为目标标注框中心在目标视图框中的水平位置，Y为目标标注框中心在目标视图框中的垂直位置。
进一步地，所述步骤3中，设置抽油机所在图像区域为目标标注框，样本图像中具有一个或者多个目标标注框，抽油机样本标注包括：目标标注框参数
Figure 711326DEST_PATH_IMAGE001
，其中k为实数，表示目标标注框的序号，Ck表示目标的形态类别，目标的形态类别分为抽油机低头、抽油机平态、抽油机抬头三类，Hk,Wk分别表示目标标注框的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标视图框中的横坐标与纵坐标。
进一步地，所述步骤4包括步骤4.1、通过将已标注目标的图像通过多层神经网络的计算获得相应的特征向量；步骤4.2、多层神经网络计算所得的特征向量通过损失函数进行前向计算得到相应的损失值；步骤4.3、通过随机梯度下降的方法，调整权重系数，并将标注好的数据集重复输入进模型进行后向迭代计算，最终获得使得损失值最小的最优化权重系数；步骤4.4、训练完成后导出训练所得具有最优权重系数的目标识别模型。
进一步地，所述步骤6包括步骤6.1、将前后两幅图像提取所得的目标进行两两匹配，目标标注框重合度满足阈值e的两个目标认定为同一目标；步骤6.2、对同一目标先后的状态变化进行识别分析，从而得到目标的工作状态，连续分析同一方向的多帧图像，状态持续变化的判定为工作状态，状态维持不变的判定为静止状态。
优选地，所述步骤6中，根据目标智能识别模块识别输出目标标注框参数
Figure 22222DEST_PATH_IMAGE001
,计算前后两幅图像中目标标注框参数的重合度R=
Figure 463436DEST_PATH_IMAGE002
，其中，k为实数，表示目标标注框的序号，Hk,Wk分别表示目标标注框的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标视图框中的横坐标与纵坐标，a,b,c为训练权重系数，如果重合度R在设定阈值范围内，则确认两幅图像的两个目标为同一目标；否则，选择第k幅图像与第k+2幅图像进行重合度计算，进行目标匹配。
优选地，所述步骤6中，根据目标智能识别模块识别输出目标标注框参数
Figure 808967DEST_PATH_IMAGE001
，判断同一方向的前后图像的目标标注框参数Ck与Ck+1，如果参数相同，则判定为静止状态；否则判定为工作状态。
本发明另一方面提供一种基于目标特征训练的抽油机识别系统，包括周视图像获取模块，周视图像映射模块，目标智能识别模块，目标分析判定模块；周视图像获取模块接收来自红外周视系统的红外全景周视图像，按照周扫帧序列将周视图像拆分为单帧图像；周视图像映射模块将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率；对抽油机不同的工作状态进行分类标定，基于深度学习进行识别训练以得到具有最优权重系数的针对分类标定识别的目标识别模型，目标识别模型部署运行于目标智能识别模块内；目标分析判定模块接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，对抽油机目标的静止图像进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
进一步地，所述目标智能识别模块对抽油机的分类标定包括形态标注和/或位置标注，形态类别标注为抽油机低头、抽油机平态、抽油机抬头三类，位置标注为目标标注框的高度、宽度，目标标注框在目标视图框中的横坐标与纵坐标。
本发明的上述技术方案具有如下有益的技术效果：
（1）本发明基于红外光电检测的方式，能够利用周扫设备获取待检测单井或者井网内全部抽油机的相关周视图像，无需对每个抽油机进行凝视检测，也不需要事先标定抽油机位置，能够批量检测识别多台抽油机，大大提高了检测识别的效率；通过红外周视图像的重新映射，进行图像大小重新映射更加匹配图像识别模块的输入，不仅可以缩减图像处理的计算量，还能够根据目标需要，增强图像局部特征的对比度，提高分辨效率。
（2）本发明根据游梁的位置标注，能够准确表示抽油机的工作状态，降低了图像数据计算的复杂度；通过目标标注框的大小和坐标标注，能够根据目标标注框的大小，反映距离参数维度，并进行噪音识别排除与多模式形态标注分类，具有目标识别的准确度高，图像噪音小，识别类型多样的技术效果；此外，通过形态标注和/或位置标注，可实现多目标定位，标注效率高，识别可靠性强。
（3）本发明目标识别模型通过多层卷积深度神经网络进行迭代运算训练，对计算模型进行前向和后向双向运算，获取合理损失值与最优权重系数，同时，目标智能识别模块利用训练所得的模型和权重系数对输入的拆分后的多幅红外图像进行正向推理运算，能够高效而准确的提取出图像中所包含的指定目标与目标参数。
（4）本发明目标分析判定模块接收同一目标在时间序列中的状态变化，分析判定待识别目标的工作状态，通过将前后两幅图像提取的目标进行目标标注框重合度匹配，可有效区分识别同一目标，连续分析同一方向的多帧图像同一目标先后的状态变化，能够有效可靠的判定目标的工作状态。
附图说明
图1为基于红外光电检测的抽油机识别方法的流程图；
图2为红外周视图像拆解的示意图；
图3为抽油机形态类别标注的示意图；其中图3（a）为抽油机低头形态的图像，图3（b）为抽油机平态形态的图像，图3（c）为抽油机抬头形态的图像；
图4为抽油机位置标注的示意图；
图5为抽油机样本标注的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明一方面提供一种基于目标特征训练的抽油机识别方法，如图1所示，检测方法包括以下步骤：
步骤1、周视图像获取。
通过周扫设备获取待检测抽油机的相关红外周视图像，将待识别红外周视图像进行拆解处理，以满足目标智能识别所接受图像的输入要求。
具体地，步骤1包括步骤1.1、周视图像扫描，通过周扫设备获取待检测抽油机的相关红外周视图像，红外周视图像，指红外水平全景图像，由红外周扫设备获取，周扫设备内部的红外热像仪以固定的速度水平转动，将成像的红外图像按照帧序列拼接为全景图像从而生成红外周视图像，红外周视图像包括了红外周扫设备旋转一周360度视场。
具体地，步骤1还包括步骤1.2、周视图像拆解，红外周视图像一般具有较大分辨率，为节省运算资源和存储资源，目标智能识别模块所接受的图像输入分辨率较小，需要将红外周视图像拆分为单帧图像进行处理。
优选地，如图2所示，周视图像拆解时，按照周扫帧序列将周视图像拆分为单帧图像。
基于红外光电检测的方式，能够利用周扫设备获取待检测单井或者井网内全部抽油机的相关周视图像，无需对每个抽油机进行凝视检测，也不需要事先标定抽油机位置，能够批量检测识别多台抽油机，大大提高了检测识别的效率。
步骤2、周视图像映射。
将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率。具体地，周视图像为原始14位图像数据的红外周视图像，红外图像动态范围较宽，但同一视场下其数据并不能充分利用14位数据位宽，同时为了方便观测，将单帧红外周视图像转化为8位数字图像。
进一步地，采用直方图线性均衡的方法将14位红外图像转换为8位图像。
通过红外周视图像的重新映射，进行图像大小重新映射更加匹配图像识别模块的输入，不仅可以缩减图像处理的计算量，还能够根据目标需要，增强图像局部特征的对比度，提高分辨效率。
步骤3、抽油机样本标注。
在预先获取的样本图像数据集中对不同状态的抽油机进行标注，标注分为形态标注和/或位置标注。
具体地，如图3所示，形态标注为形态类别标注，其中：形态类别标注分为三类：抽油机低头，抽油机平态，抽油机抬头，其中图3（a）为抽油机低头形态的图像，图3（b）为抽油机平态形态的图像，图3（c）为抽油机抬头形态的图像。
进一步地，抽油机由动力机供给动力,经减速器将动力机的高速转动变为抽油机曲柄的低速转动,并由曲柄-连杆-游梁机构将旋转运动变为抽油机驴头的上、下往复运动,带动深井泵工作，在驴头上下往复运动的过程中，游梁存在倾斜与水平两种状态。
进一步地，游梁处于倾斜状态时，驴头重心低于游梁的水平位置标注为抽油机低头，驴头重心高于游梁的水平位置标注为抽油机抬头，驴头重心位于游梁的水平位置标注为抽油机平态。
进一步地，如图4所示，设置抽油机所在区域为目标标注框，位置标注包括：H为目标标注框的垂直高度，W为目标标注框的水平宽度，X为目标标注框中心在目标视图框中的水平位置，Y为目标标注框中心在目标视图框中的垂直位置。
进一步地，在周视图像中，由于不同抽油机与图像检测设备距离的不同，抽油机对应的目标标注框也不同，具体地，抽油机距离图像检测设备越远，目标标注框尺寸越小，抽油机距离图像检测设备越近，目标标注框尺寸越大，因此，可根据目标标注框的大小，进行距离参数维度的标注，以提高目标识别的准确度。
同时，对于明显区别于抽油机尺寸大小的标注框，如人员、车辆之类的视图应当判定为非抽油机的收采目标，进行排除式非识别操作，以减少图像的噪音，提高识别效率。
此外，本领域技术人员可根据需要识别的不同抽油机的型号与尺寸，如双驴头抽油机、弯游梁抽油机或者框架式抽油机，设置特定数值的目标标注框尺寸参数，进行多模式形态标注分类，以实现多类型抽油机的识别，在此不再进行详述。
进一步地，如图5所示，抽油机样本标注中，样本图像中具有一个或者多个目标标 注框，每个目标标注框内均具有一个抽油机目标的图像区域，目标标注框参数为
Figure 428167DEST_PATH_IMAGE001
，其中k为实数，表示目标标注框的序号，Ck表示目标的形态类别， 目标的形态类别分为抽油机低头、抽油机平态、抽油机抬头三类，Hk,Wk分别表示目标标注框 的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标视图框中的横坐标与纵坐 标。
根据游梁的位置标注，能够准确表示抽油机的工作状态，降低了图像数据计算的复杂度；通过目标标注框的大小和坐标标注，能够根据目标标注框的大小，反映距离参数维度，并进行噪音识别排除与多模式形态标注分类，具有目标识别的准确度高，图像噪音小，识别类型多样的技术效果；此外，通过形态标注和/或位置标注，可实现多目标定位，标注效率高，识别可靠性强。
步骤4、目标识别模型训练。
将步骤3中样本图像数据集及其标注的目标标注框参数输入目标识别模型进行训练，训练基于深度学习的目标识别计算框架，目标识别模型为多层卷积神经网络。
进一步地，所述步骤4中目标识别模型的深度学习训练包括对计算模型进行前向和后向双向运算，具体地，所述步骤4包括以下步骤：
步骤4.1、通过将已标注目标的图像通过多层神经网络的计算获得相应的特征向量，具体地，特征向量的获得包括深度学习神经网络中的卷积、激活、池化以及批规范化的运算。
步骤4.2、计算所得的特征向量经过的损失函数可以计算得到相应的损失值，损失值用来评判当前网络权重系数相对于特定目标识别的优化程度。
进一步地，在具有目标标注框的每个网格中，找到和目标标注框之间参数重叠率最大的目标对比框作为该网格的实际目标对比框；以实际目标对比框的参数为训练对象进行迭代运算训练，使得每个网格内的实际目标对比框逐渐接近目标框，完成训练。
步骤4.3、通过随机梯度下降的方法，不断调整权重系数，并将标注好的数据集重复输入进模型进行迭代计算，最终获得一组使得损失值最小的最优化权重系数。
步骤4.4、训练完成后导出训练所得的模型权重结果，这组权重系数为指定目标的最优系数，具有最优权重系数的目标识别模型能够高效而准确的提取出图像中所包含的指定目标与目标参数。
步骤5、目标识别模型部署。
将步骤4中基于深度学习训练所得的目标识别模型部署在目标智能识别模块中，目标智能识别模块利用训练所得的模型和权重系数对输入的拆分后的多幅红外图像进行正向推理运算，从而识别出红外图像中所包含指定目标的分类以及位置。
进一步地，目标识别模型部署在目标智能识别模块后，将一幅未知的图像输入到深度学习网络中，目标智能识别模块进行正向推理运算，即可完成目标的识别。
目标识别模型通过多层卷积深度神经网络进行迭代运算训练，对计算模型进行前向和后向双向运算，获取合理损失值与最优权重系数，同时，目标智能识别模块利用训练所得的模型和权重系数对输入的拆分后的多幅红外图像进行正向推理运算，能够高效而准确的提取出图像中所包含的指定目标与目标参数。
步骤6、目标分析与判定。
目标智能识别模块接收多帧同一视野的图像，目标智能识别模块根据目标标注框参数，输出周视单帧静态图像中的目标位置和静止形态，目标分析判定模块通过接收同一目标在时间序列中的状态变化，分析判定待识别目标的工作状态，识别内容分为两部分：相同目标的匹配分析和目标状态的判定。
具体地，所述步骤6包括如下步骤：
步骤6.1、将前后两幅图像提取所得的目标进行两两匹配，目标标注框重合度满足阈值e的两个目标认定为同一目标。
具体地，根据目标智能识别模块识别输出目标标注框参数
Figure 977091DEST_PATH_IMAGE001
，计算前后两幅图像中目标标注框参数的重合度R=
Figure 972729DEST_PATH_IMAGE003
，其中，k为实数，表示目标标注框的序号， Hk,Wk分别表示目标标注框的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标 视图框中的横坐标与纵坐标，a,b,c为训练权重系数，如果重合度R在设定阈值范围内，则确 认两幅图像的两个目标为同一目标；否则，选择对比图像的第k幅图像与第k+2幅图像进行 重合度计算，进行目标匹配。
进一步地，阈值设定为0.9<e<1.1，优先地，0.98<e<1.02。
步骤6.2、确定同一目标后，对同一目标先后的状态变化进行识别分析，从而得到目标的工作状态，连续分析同一方向的多帧图像，状态持续变化的判定为工作状态，状态维持不变的判定为静止状态。
进一步地，根据目标智能识别模块识别输出目标标注框参数
Figure 438346DEST_PATH_IMAGE001
，判断同一方向的前后图像的目标标注框参数Ck与Ck+1，如果参数 相同，则判定为静止状态；否则判定为工作状态。
目标分析判定模块接收同一目标在时间序列中的状态变化，分析判定待识别目标的工作状态，通过将前后两幅图像提取的目标进行目标标注框重合度匹配，可有效区分识别同一目标，连续分析同一方向的多帧图像同一目标先后的状态变化，能够有效可靠的判定目标的工作状态。
本发明另一方面提供一种基于目标特征训练的抽油机识别系统，识别系统基于上述基于红外光电检测的抽油机识别方法，包括周视图像获取模块，周视图像映射模块，目标智能识别模块，目标分析判定模块。抽油机识别系统基于红外周视成像设备，采用周扫的模式，对可视视场范围内进行视频扫描并拼接为360度的全景图，采用基于深度学习的智能检测方法，自动检测抽油机位置与工作状态，系统具体由以下模块组成：
周视图像获取模块，接收来自红外周视系统的红外全景周视图像，按照周扫帧序列将周视图像拆分为单帧图像。
周视图像映射模块，将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率，能够适当缩减图像处理的计算量，进行图像大小重新映射更加匹配图像识别模块的输入。
目标智能识别模块，对抽油机不同的工作状态进行精确分类标定，形态类别标注为抽油机低头、抽油机平态、抽油机抬头三类，位置标注为目标标注框的高度、宽度，目标标注框在目标视图框中的横坐标与纵坐标；目标识别模型基于深度学习运行识别训练，通过对足量的图像样本数据集进行学习，得到具有最优权重系数的目标识别模型；目标识别模型运行于目标智能识别模块，提取待识别图像中所包含的指定目标与目标参数。
目标分析判定模块，接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，得到同一目标在时间序列中的状态变化，对图像中抽油机目标的静止图像形态变化做出分析，进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
本发明提供一种具体实施方式，在本实施例中,红外周视成像设备采用周扫的模式，对可视视场范围内进行视频扫描并拼接为360度的全景图；周视图像获取模块接收来自红外周视系统的红外全景周视图像，按照周扫帧序列将周视图像拆分为单帧图像；周视图像映射模块将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率；目标智能识别模块对抽油机不同的工作状态进行精确分类标定，目标识别模型基于深度学习运行识别训练，通过对足量的图像样本数据集进行学习，得到具有最优权重系数的目标识别模型，目标识别模型运行于目标智能识别模块，提取待识别图像中所包含的指定目标与目标参数；目标分析判定模块接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，得到同一目标在时间序列中的状态变化，对图像中抽油机目标的静止图像形态变化做出分析，进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于目标特征训练的抽油机识别方法，其特征在于：包括以下步骤：步骤1、周视图像获取，获取待检测抽油机的相关红外周视图像，将待识别红外周视图像进行拆解处理；步骤2、周视图像映射，将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率；步骤3、抽油机样本标注，在预先获取的样本图像数据集中对不同状态的抽油机进行标注，标注分为形态标注和/或位置标注；步骤4、目标识别模型训练，将步骤3中样本图像数据集及其标注的目标标注框参数输入目标识别模型进行训练，训练基于深度学习的目标识别计算框架，目标识别模型为多层卷积神经网络；步骤5、目标识别模型部署，将步骤4中训练所得的目标识别模型部署在目标智能识别模块内；步骤6、目标分析与判定，目标分析判定模块接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，对抽油机目标的静止图像进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
2.根据权利要求1所述的抽油机识别方法，其特征在于，所述步骤1包括步骤1.1、红外周扫设备转动，将成像的红外图像按照帧序列拼接为全景图像以生成包括360度视场的红外周视图像；步骤1.2、周视图像拆解，将红外周视图像拆分为单帧图像。
3.根据权利要求1所述的抽油机识别方法，其特征在于，所述步骤2中，采用直方图线性均衡法将原始单帧红外周视14位图像转化为8位数字图像。
4.根据权利要求1所述的抽油机识别方法，其特征在于，所述步骤3中，设置抽油机所在图像区域为目标标注框，样本图像中具有一个或者多个目标标注框，抽油机样本标注包括：目标标注框参数[Ck, Hk, Wk, Xk, Yk]，其中k为实数，表示目标标注框的序号，Ck表示目标的形态类别，目标的形态类别分为抽油机低头、抽油机平态、抽油机抬头三类，Hk,Wk分别表示目标标注框的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标视图框中的横坐标与纵坐标。
5.根据权利要求1所述的抽油机识别方法，其特征在于，所述步骤4包括步骤4.1、通过将已标注目标的图像通过多层神经网络的计算获得相应的特征向量；步骤4.2、多层神经网络计算所得的特征向量通过损失函数进行前向计算得到相应的损失值；步骤4.3、通过随机梯度下降的方法，调整权重系数，并将标注好的数据集重复输入进模型进行后向迭代计算，最终获得使得损失值最小的最优化权重系数；步骤4.4、训练完成后导出训练所得具有最优权重系数的目标识别模型。
6.根据权利要求1所述的抽油机识别方法，其特征在于，所述步骤6包括步骤6.1、将前后两幅图像提取所得的目标进行两两匹配，目标标注框重合度满足阈值e的两个目标认定为同一目标；步骤6.2、对同一目标先后的状态变化进行识别分析，从而得到目标的工作状态，连续分析同一方向的多帧图像，状态持续变化的判定为工作状态，状态维持不变的判定为静止状态。
7.根据权利要求6所述的抽油机识别方法，其特征在于，所述步骤6中，根据目标智能识别模块识别输出目标标注框参数[Ck, Hk, Wk, Xk, Yk]，计算前后两幅图像中目标标注框参数的重合度R=
Figure 92022DEST_PATH_IMAGE001
，其中，k为实数，表示目标标注框的序号，Hk,Wk分别表示目标标注框的垂直高度与水平宽度，Xk,Yk分别表示目标标注框中心在目标视图框中的横坐标与纵坐标，a,b,c为训练权重系数，如果重合度R在设定阈值范围内，则确认两幅图像的两个目标为同一目标；否则，选择第k幅图像与第k+2幅图像进行重合度计算，进行目标匹配。
8.根据权利要求6所述的抽油机识别方法，其特征在于，所述步骤6中，根据目标智能识别模块识别输出目标标注框参数[Ck, Hk, Wk, Xk, Yk]，判断同一方向的前后图像的目标标注框参数Ck与Ck+1，如果参数相同，则判定为静止状态；否则判定为工作状态。
9.一种基于目标特征训练的抽油机识别系统，包括周视图像获取模块，周视图像映射模块，目标智能识别模块，目标分析判定模块；周视图像获取模块接收来自红外周视系统的红外全景周视图像，按照周扫帧序列将周视图像拆分为单帧图像；周视图像映射模块将拆分的图像重新映射为智能图像识别模块所能接收的像素数据位宽和分辨率；对抽油机不同的工作状态进行分类标定，基于深度学习进行识别训练以得到具有最优权重系数的针对分类标定识别的目标识别模型，目标识别模型部署运行于目标智能识别模块内；目标分析判定模块接收多帧同一视野的图像，根据目标智能识别模块输出周视单帧静态图像中的目标位置和静止形态，对抽油机目标的静止图像进行相同目标的匹配和目标状态的判定，完成抽油机工作状态的识别检测。
10.根据权利要求9所述的抽油机识别系统，其特征在于，所述目标智能识别模块对抽油机的分类标定包括形态标注和/或位置标注，形态类别标注为抽油机低头、抽油机平态、抽油机抬头三类，位置标注为目标标注框的高度、宽度，目标标注框在目标视图框中的横坐标与纵坐标。
CN202010465513.5A 2020-05-28 2020-05-28 一种基于目标特征训练的抽油机识别方法与系统 Active CN111611953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010465513.5A CN111611953B (zh) 2020-05-28 2020-05-28 一种基于目标特征训练的抽油机识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010465513.5A CN111611953B (zh) 2020-05-28 2020-05-28 一种基于目标特征训练的抽油机识别方法与系统

Publications (2)

Publication Number Publication Date
CN111611953A true CN111611953A (zh) 2020-09-01
CN111611953B CN111611953B (zh) 2021-01-29

Family

ID=72201743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010465513.5A Active CN111611953B (zh) 2020-05-28 2020-05-28 一种基于目标特征训练的抽油机识别方法与系统

Country Status (1)

Country Link
CN (1) CN111611953B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114253253A (zh) * 2020-09-24 2022-03-29 科沃斯商用机器人有限公司 一种基于人工智能的目标识别方法、装置及机器人
CN114897069A (zh) * 2022-05-09 2022-08-12 大庆立能电力机械设备有限公司 抽油机智能调控节能保护装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8300219B1 (en) * 2008-04-04 2012-10-30 Musco Corporation Apparatus, system, and methods of precision aiming and installation of pre-aimed devices and method of composite lighting on target area
CN107272644A (zh) * 2017-06-21 2017-10-20 哈尔滨理工大学 潜油往复抽油机的dbn网络故障诊断方法
CN108764361A (zh) * 2018-06-01 2018-11-06 北京中油瑞飞信息技术有限责任公司 基于集成学习的游梁式抽油机示功图的工况识别方法
CN108952673A (zh) * 2018-06-22 2018-12-07 中国石油天然气股份有限公司 抽油机井工况检查方法及装置
CN109508738A (zh) * 2018-10-31 2019-03-22 北京国双科技有限公司 一种信息处理方法及相关设备
CN110246157A (zh) * 2019-06-21 2019-09-17 大庆安瑞达科技开发有限公司 基于大数据监控的油气田设备生产状态判别系统与方法
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8300219B1 (en) * 2008-04-04 2012-10-30 Musco Corporation Apparatus, system, and methods of precision aiming and installation of pre-aimed devices and method of composite lighting on target area
CN107272644A (zh) * 2017-06-21 2017-10-20 哈尔滨理工大学 潜油往复抽油机的dbn网络故障诊断方法
CN108764361A (zh) * 2018-06-01 2018-11-06 北京中油瑞飞信息技术有限责任公司 基于集成学习的游梁式抽油机示功图的工况识别方法
CN108952673A (zh) * 2018-06-22 2018-12-07 中国石油天然气股份有限公司 抽油机井工况检查方法及装置
CN109508738A (zh) * 2018-10-31 2019-03-22 北京国双科技有限公司 一种信息处理方法及相关设备
CN110246157A (zh) * 2019-06-21 2019-09-17 大庆安瑞达科技开发有限公司 基于大数据监控的油气田设备生产状态判别系统与方法
CN110363337A (zh) * 2019-06-27 2019-10-22 中国石油大学(北京) 一种基于数据驱动的抽油机量油方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN ZHOU 等: "Identification of Working Condition From Sucker-Rod Pumping Wells Based On Multi-View Co-Training and Hessian Regularization of SVM", 《2018 14TH IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING (ICSP)》 *
周飞航 等: "基于BP神经网络有杆抽油机井下示功图识别研究", 《电气传动自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114253253A (zh) * 2020-09-24 2022-03-29 科沃斯商用机器人有限公司 一种基于人工智能的目标识别方法、装置及机器人
CN114897069A (zh) * 2022-05-09 2022-08-12 大庆立能电力机械设备有限公司 抽油机智能调控节能保护装置
CN114897069B (zh) * 2022-05-09 2023-04-07 大庆立能电力机械设备有限公司 抽油机智能调控节能保护装置

Also Published As

Publication number Publication date
CN111611953B (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
CN111951237B (zh) 外观视觉检测方法
Börcs et al. Instant object detection in lidar point clouds
JP6305171B2 (ja) シーン内の物体を検出する方法
CN106548182B (zh) 基于深度学习和主成因分析的路面裂纹检测方法及装置
CN107804514B (zh) 一种基于图像识别的牙刷分拣方法
CN104597057B (zh) 一种基于机器视觉的柱状二极管表面缺陷检测装置
CN105844621A (zh) 一种印刷品质量检测方法
CN111611953B (zh) 一种基于目标特征训练的抽油机识别方法与系统
KR20010063095A (ko) 영상인식에 의한 소포우편물 부피계측시스템 및부피계측방법
CN112907519A (zh) 一种基于深度学习的金属曲面缺陷分析系统及方法
CN107016353B (zh) 一种变分辨率目标探测与识别一体化的方法与系统
CN112345534B (zh) 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统
CN114354637A (zh) 基于机器视觉和x射线的水果品质综合分级方法和装置
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN107891012B (zh) 基于等效算法的珍珠大小及圆形度分拣装置
CN114004814A (zh) 一种基于深度学习和灰度三阶矩分析的煤矸石识别方法及系统
CN112528979A (zh) 变电站巡检机器人障碍物判别方法及系统
CN116416250A (zh) 一种速食罐装产品产线的成品检测系统
CN114972246A (zh) 一种基于深度学习的模切产品表面缺陷检测方法
CN112329893A (zh) 基于数据驱动的异源多目标智能检测方法及系统
CN102609699A (zh) 一种激光扫描铸件工件号的识别装置和方法
CN114662594B (zh) 一种目标特征识别分析系统
Huang et al. Mango surface defect detection based on HALCON
CN116106319A (zh) 一种合成革瑕疵自动化检测方法及系统
CN114120318B (zh) 一种基于集成决策树的暗场图像目标点精确提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District

Applicant after: Beijing fujirui Optoelectronic Technology Co.,Ltd.

Address before: 101318 Ronghui garden 25-4, area B, Airport Industrial Park, Shunyi District, Beijing

Applicant before: BEIJING FJR OPTOELECTRONIC TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant