CN113570575A - 一种基于目标检测的钻探深度统计方法及系统 - Google Patents
一种基于目标检测的钻探深度统计方法及系统 Download PDFInfo
- Publication number
- CN113570575A CN113570575A CN202110856592.7A CN202110856592A CN113570575A CN 113570575 A CN113570575 A CN 113570575A CN 202110856592 A CN202110856592 A CN 202110856592A CN 113570575 A CN113570575 A CN 113570575A
- Authority
- CN
- China
- Prior art keywords
- drill rod
- tail
- plug
- drill
- coordinates
- 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.)
- Pending
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 102
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000007619 statistical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000033001 locomotion Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 238000012896 Statistical algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003657 drainage water Substances 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明是关于一种基于目标检测的钻探深度统计方法及系统。该方法包括：将钻机的图像帧输入预先训练的目标检测模型，识别图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；根据第一识别结果计算堵头和钻杆尾部的像素距离；若图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；根据已知的钻杆长度和钻杆数量计算钻探深度。本发明提供的方案，能够实现实时、高效、精准的钻探统计，具有针对性强，识别率高、泛化能力强等优点。相对传统方法，可以很大程度上提高钻探深度统计的实时性，提高统计精度，降低人力成本。此外，该方案无需对现有的钻机设备做硬件改动，降低改造成本。
Description
技术领域
本发明涉及人工智能及开采掘进领域，尤其涉及一种基于目标检测的钻探深度统计方法及系统。
背景技术
随着人工智能技术与5G技术的发展，人工智能在能源领域的应用越来越广泛，我国是能源大国，能源开采安全是业界高度重视的问题。探放水作业是保障能源开采安全的重要手段，通过开发探放水钻探深度统计算法，提高统计精度、提升井下施工标准、降低人力成本，再提高安全的同时，有利于降低人力成本。
目前探放水钻探深度统计方法主要分为传统统计方法、外设辅助统计与前上杆式探放水统计方法。其中，传统统计方式，主要是通过井下工人人工计数、上报，再通过井上工人历史视频核验等方法完成探放水钻探深度统计，该方法存在工人误报、瞒报、统计耗费时间长，人工成本高等缺点。外设辅助类统计方法，主要通过调整钻机结构，安装传感器等方法实现探放水统计，但这类方法存在施工难度大，辅助设备安全认证不达标以及改造成本高等缺点。前上杆式探放水统计方法，通过统计探杆的有无状态的切换，实现钻杆统计，但是该方法适用于前上杆特征固定的场景，后上杆式钻机摄像机角度变化大，特征差距明显，该方式存在识别率不足等问题。
发明内容
为克服相关技术中存在的问题，本发明提供一种基于目标检测的钻探深度统计方法及系统。
根据本发明实施例的第一方面，提供一种基于目标检测的钻探深度统计方法，包括：
将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
根据已知的钻杆长度和所述钻杆数量计算钻探深度。
进一步，在根据第一识别结果确定堵头和钻杆尾部的像素距离之前，还包括：
计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
根据第一识别结果确定所述堵头和钻杆尾部的像素距离，具体包括：
根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
进一步，在根据第一识别结果计算堵头和钻杆尾部的像素距离之前，还包括：
识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
若有效，则执行所述根据第一识别结果计算堵头和钻杆尾部的像素距离的步骤，否则不执行。
进一步，所述根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效，具体包括：
根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
根据本发明实施例的第二方面，提供一种基于目标检测的钻探深度统计系统，包括：
对象识别模块，用于将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
距离计算模块，用于根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
钻杆技术模块，用于若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
深度计算模块，用于根据已知的钻杆长度和所述钻杆数量计算钻探深度。
进一步，该系统还包括：
堵头坐标计算模块，用于在所述距离计算模块根据第一识别结果计算堵头和钻杆尾部的像素距离之前，计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
所述距离计算模块，具体用于：
根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
进一步，所述对象识别模块，还用于：
识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
所述系统还包括：
钻杆尾部坐标筛选模块，用于根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
所述距离计算模块，用于若所述钻杆尾部坐标筛选模块判断所述第一识别结果中的钻杆尾部的坐标有效，则根据第一识别结果计算堵头和钻杆尾部的像素距离。
进一步，所述钻杆尾部坐标筛选模块，具体包括：
运动向量计算单元，用于根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
夹角判断单元，用于根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
根据本发明实施例的第三方面，提供一种终端设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
根据本发明实施例的第四方面，提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本发明的实施例提供的技术方案，通过现有摄像机采集探放水等钻探过程中钻机的图像，通过目标检测算法提取钻机关键设备特征信息，并结合后上杆施工动作规律，设计针对后上杆式钻机的钻探深度统计算法，实现实时、高效、精准的钻探统计，具有针对性强，识别率高、泛化能力强等优点。相对传统方法，可以很大程度上提高钻探深度统计的实时性，提高统计精度，降低人力成本。此外，该方案无需对现有的钻机设备做硬件改动，降低改造成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。
图1是根据本发明一示例性实施例示出的一种基于目标检测的钻探深度统计方法的流程示意图；
图2为yolov4框架；
图3为钻机特征点标注；
图4为摄像机安装示意图；
图5为探放水统计模型框架示意图；
图6是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本发明涉及到的硬件设备有摄像机、GPU服务器等，其中摄像机可以选择矿场现有网络摄像机，负责图像采集，摄像机可安装于钻机侧面，确保钻机处于摄像机视野范围内。GPU服务器完成算法推理，放置于井上机房。本发明实施例即应用于GPU服务器中，以下结合附图详细描述本发明实施例的技术方案。
如图3所示，后上杆式钻机的主要部件包括堵头(head)、主机(machine)、钻杆，其中，堵头安装于钻机正前方，用于控制打钻方向，主机安装于导轨上并夹持钻杆，通过往复运动，带动钻杆移动，实现打钻工作，具体来说，主机带动钻杆向堵头方向运动，使钻杆钻入壁面，之后，主机后退，重新接上一根钻杆，再次向堵头方向运动，如此往复运动，随着打入的钻杆数量的增加，钻探深度即可随之增加。
本发明实施例中，需要通过矿场的钻探现场设置的网络摄像机采集探放水等钻探过程中钻机的图像，通过GPU服务器中预先设置的目标检测算法提取钻机的堵头、主机和钻杆等关键设备的特征信息，并结合后上杆施工动作规律，设计针对后上杆式钻机的钻探深度统计算法。
图1是根据本发明一示例性实施例示出的一种基于目标检测的钻探深度统计方法的流程示意图。
参见图1，该方法包括：
110、将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
具体的，通过预先对后上杆式钻机的堵头和钻杆尾部进行特征训练得到目标检测模型，这里的目标训练模型可采用yolov4等现有模型实现，训练后的yolov4模型即可提取图像帧中堵头和钻杆尾部的类别、数量等统计信息，以及各个特征的大小、空间坐标等几何信息。
120、根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
该步骤中，可根据识别到的堵头和钻杆尾部的标记框的中心点的距离作为堵头和钻杆尾部的像素距离。
130、若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
具体的，在打钻时，钻杆尾部会向堵头方向运动，则钻杆尾部与堵头的距离会缩小，相应地，表现在图像中，则是钻杆尾部与堵头的像素距离变小，因此，该步骤中，通过判断堵头和钻杆尾部在相邻两帧的像素距离之差是否超过预设阈值，即可判断打钻的钻杆数量是否增加。
140、根据已知的钻杆长度和所述钻杆数量计算钻探深度。
具体的，由于钻杆长度是已知的，因此，该步骤中，根据现场钻杆的长度乘以钻杆数量，即可计算出当前时刻探水深度，实现钻探深度统计。
本发明的实施例提供的技术方案，具有以下优点：
1.相比于传统方法：本方案通过摄像机采集图像，通关算法分析钻探深度代替传统的人工数杆、视频核验等方法，可以很大程度上提高探放水统计的实时性，提高统计精度，降低人力成本。
2.相比于增加外设的方法：该方案无需对现有探放水设备做硬件改动，降低改造成本。
3.相比于前上杆式探放水统计方法：前上杆式探放水统计方法是通过识别钻机上是否有钻杆的something(有钻杆)、nothing(无钻杆)特征来进行钻杆统计的，本方案在后上杆式探放水场景下，通过采集head、machine、tail特征代替前上杆的something、nothing特征，本方案中采集的特征更明显，泛化难度低，具有针对性强，识别率高、泛化能力强等优点。
可选地，作为本发明的一个实施例，该方法包括：
210、将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
220、计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
230、根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
240、若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
250、根据已知的钻杆长度和所述钻杆数量计算钻探深度。
本实施例中，通过计算预设数量的图像帧中钻机堵头坐标的平均值，能够降低因图像抖动等因素造成的干扰，提高计算的准确性。
可选地，在该实施例中，该方法还包括：
310、将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果，以及，识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
320、根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
330、若有效，则根据第一识别结果计算堵头和钻杆尾部的像素距离；
340、若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
350、根据已知的钻杆长度和所述钻杆数量计算钻探深度。
本实施例中，为了防止矿上员工手持钻杆移动，导致钻杆计数错误，通过对钻杆尾部的有效坐标值做筛选，提高算法精确度。
可选地，在该实施例中，步骤320具体包括：
3201、根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
3202、根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
由于在正常打钻过程中，钻杆尾部和主机的运动方向基本上同向的，因此，本实施例中，通过计算钻杆尾部和主机的运动向量的夹角，即可判断两者的运动方向是否同向，从而实现对钻杆尾部坐标的有效性判断。
下面结合一个具体实施例进行具体说明。
首先通过yolov4算法对后上杆式钻机堵头、主机、钻杆进行特征训练，yolov4框架如图2所示。
如图3所示，通过训练后的yolov4模型，本方法可以提取堵头(head)、主机(machine)、钻杆尾部(tail)的类别、数量等统计信息，以及各个特征的大小、空间坐标的几何信息。
如图4所示，将摄像机安装于钻机侧面，确保head、machine特征一直处于摄像机视野范围内，打钻行程的后半段，tail必须在摄像机视野范围内。
图5为探放水模型框架示意图，如图5所示，探水开始时，模型初始化长度标志(pd)为10000像素，该标志用于记录上一帧图像中，钻杆尾部距离堵头的像素距离。采集25帧head特征的坐标并计算平均值(式1-1)作为head特征的有效坐标。
其中，x1…x25表示连续25帧图像中，head的x坐标，xm代表head特征x坐标的平均值。ym代表head特征的y坐标平均值。
通过采集连续75帧machine、tail特征的空间坐标，提取首尾两帧坐标，并计算machine、tail的运动向量，通过计算向量的cosθ(>0.75)值(式1-2)，判定tail和machine的运动是否同向，进而筛选出有效的tail坐标。
cosθ＝Vm·Vt/|Vm|*|Vt| 式1-2
其中，Vm、Vt分别代表首尾两帧图像中，主机(machine)、钻杆尾部(tail)的运行向量。Vm·Vt为machine、tail运动向量的内积，|Vm|*|Vt|为machine、tail运动距离的乘积。
在提取上述有效head坐标、有效tail坐标的基础上，通过范数算子计算head、tail的欧式距离L(式1-3)。如果L≤pd+200时，杆数不变，当L>pd+200时，此时钻杆数量加1(式1-4)，最后更新pd＝L。
其中，L代表堵头(head)到钻杆尾部(tail)的欧式距离。n为当前时刻已完成的打钻作业的钻杆数量。
根据现场钻杆的长度l乘以钻杆数量n，进而计算出当前时刻探水深度，实现钻探深度统计。
本方案通过现有摄像机采集探放水图像，通过目标检测yolov4算法提取钻机关键设备特征信息，并结合后上杆施工动作规律，设计针对后上杆的探放水钻探深度统计算法，实现实时、高效、精准的钻探统计。本方案在场景满足基本识别需求的前提下，算法准确率>95％，延时<1s。
与上述方法实施例相对应地，本发明实施例提供一种基于目标检测的钻探深度统计系统，包括：
对象识别模块，用于将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
距离计算模块，用于根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
钻杆技术模块，用于若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
深度计算模块，用于根据已知的钻杆长度和所述钻杆数量计算钻探深度。
可选地，在该实施例中，该系统还包括：
堵头坐标计算模块，用于在所述距离计算模块根据第一识别结果计算堵头和钻杆尾部的像素距离之前，计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
所述距离计算模块，具体用于：
根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
可选地，在该实施例中，所述对象识别模块，还用于：
识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
所述系统还包括：
钻杆尾部坐标筛选模块，用于根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
所述距离计算模块，用于若所述钻杆尾部坐标筛选模块判断所述第一识别结果中的钻杆尾部的坐标有效，则根据第一识别结果计算堵头和钻杆尾部的像素距离。
可选地，在该实施例中，所述钻杆尾部坐标筛选模块，具体包括：
运动向量计算单元，用于根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
夹角判断单元，用于根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图6是根据本发明一示例性实施例示出的一种计算设备的结构示意图。
参见图6，计算设备600包括存储器610和处理器620。
处理器620可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器610可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器620或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器610可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器610可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器610上存储有可执行代码，当可执行代码被处理器620处理时，可以使处理器620执行上文述及的方法中的部分或全部。
此外，根据本发明的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本发明的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本发明还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时，使所述处理器执行根据本发明的上述方法的各个步骤的部分或全部。
上文中已经参考附图详细描述了本发明的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本发明所必须的。另外，可以理解，本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，本发明实施例装置中的模块可以根据实际需要进行合并、划分和删减。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本发明的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于目标检测的钻探深度统计方法，其特征在于，包括：
将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
根据已知的钻杆长度和所述钻杆数量计算钻探深度。
2.根据权利要求1所述的方法，其特征在于，在根据第一识别结果确定堵头和钻杆尾部的像素距离之前，还包括：
计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
根据第一识别结果确定所述堵头和钻杆尾部的像素距离，具体包括：
根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
3.根据权利要求1或2所述的方法，其特征在于，在根据第一识别结果计算堵头和钻杆尾部的像素距离之前，还包括：
识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
若有效，则执行所述根据第一识别结果计算堵头和钻杆尾部的像素距离的步骤，否则不执行。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效，具体包括：
根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
5.一种基于目标检测的钻探深度统计系统，其特征在于，包括：
对象识别模块，用于将钻机的图像帧输入预先训练的目标检测模型，识别所述图像帧中钻机的堵头和钻杆尾部的坐标，得到第一识别结果；
距离计算模块，用于根据所述第一识别结果计算堵头和钻杆尾部的像素距离；
钻杆技术模块，用于若所述图像帧与上一帧图像中堵头和钻杆尾部的像素距离之差大于预设阈值，则钻杆数量加1；
深度计算模块，用于根据已知的钻杆长度和所述钻杆数量计算钻探深度。
6.根据权利要求5所述的系统，其特征在于，还包括：
堵头坐标计算模块，用于在所述距离计算模块根据第一识别结果计算堵头和钻杆尾部的像素距离之前，计算所述图像帧之前预设数量的图像帧中钻机堵头坐标的平均值；
所述距离计算模块，具体用于：
根据所述钻机堵头坐标的平均值和钻杆尾部的坐标计算堵头和钻杆尾部的像素距离。
7.根据权利要求5或6所述的系统，其特征在于，所述对象识别模块，还用于：
识别所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，得到第二识别结果；
所述系统还包括：
钻杆尾部坐标筛选模块，用于根据所述第二识别结果判断所述第一识别结果中的钻杆尾部的坐标是否有效；
所述距离计算模块，用于若所述钻杆尾部坐标筛选模块判断所述第一识别结果中的钻杆尾部的坐标有效，则根据第一识别结果计算堵头和钻杆尾部的像素距离。
8.根据权利要求7所述的系统，其特征在于，所述钻杆尾部坐标筛选模块，具体包括：
运动向量计算单元，用于根据所述图像帧以及之前相隔预设帧数的图像帧中钻机的钻杆尾部和主机的坐标，计算钻杆尾部和主机的运动向量；
夹角判断单元，用于根据钻杆尾部和主机的运动向量的夹角，判断所述第一识别结果中的钻杆尾部的坐标是否有效。
9.一种终端设备，其特征在于，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-4中任一项所述的方法。
10.一种非暂时性机器可读存储介质，其上存储有可执行代码，其特征在于，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856592.7A CN113570575A (zh) | 2021-07-28 | 2021-07-28 | 一种基于目标检测的钻探深度统计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856592.7A CN113570575A (zh) | 2021-07-28 | 2021-07-28 | 一种基于目标检测的钻探深度统计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113570575A true CN113570575A (zh) | 2021-10-29 |
Family
ID=78168389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110856592.7A Pending CN113570575A (zh) | 2021-07-28 | 2021-07-28 | 一种基于目标检测的钻探深度统计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113570575A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116824513A (zh) * | 2023-08-29 | 2023-09-29 | 北京建工环境修复股份有限公司 | 基于深度学习的钻探过程自动识别监管方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110001172A (ko) * | 2009-06-29 | 2011-01-06 | 목포대학교산학협력단 | 움직이는 객체의 영상정보에 기반한 폭행상황 검출방법 |
| US20140169627A1 (en) * | 2011-04-25 | 2014-06-19 | Magna International Inc. | Image processing method for detecting objects using relative motion |
| US20150075866A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Systems and Methods for Detecting Movement of Drilling/Logging Equipment |
| CN104636712A (zh) * | 2013-11-13 | 2015-05-20 | 中国石油化工股份有限公司 | 钻井卡瓦状态图像自动识别系统 |
| CN106980829A (zh) * | 2017-03-17 | 2017-07-25 | 苏州大学 | 基于视频分析的打架斗殴异常行为自动检测方法 |
| CN109328256A (zh) * | 2016-05-25 | 2019-02-12 | 斯伦贝谢技术有限公司 | 基于图像的钻井作业系统 |
| CN111456714A (zh) * | 2020-04-30 | 2020-07-28 | 中国石油天然气集团有限公司 | 基于图像识别的钻具接头快速识别方法 |
| CN112530170A (zh) * | 2020-12-16 | 2021-03-19 | 济南博观智能科技有限公司 | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 |
| CN112580609A (zh) * | 2021-01-26 | 2021-03-30 | 南京北路智控科技股份有限公司 | 一种煤矿钻杆计数方法 |
| US20210124952A1 (en) * | 2019-10-25 | 2021-04-29 | 7-Eleven, Inc. | Homography error correction using marker locations |
| CN112883830A (zh) * | 2021-01-29 | 2021-06-01 | 南京北路智控科技股份有限公司 | 一种钻杆实时自动计数方法 |
| CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
-
2021
- 2021-07-28 CN CN202110856592.7A patent/CN113570575A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110001172A (ko) * | 2009-06-29 | 2011-01-06 | 목포대학교산학협력단 | 움직이는 객체의 영상정보에 기반한 폭행상황 검출방법 |
| US20140169627A1 (en) * | 2011-04-25 | 2014-06-19 | Magna International Inc. | Image processing method for detecting objects using relative motion |
| US20150075866A1 (en) * | 2013-09-19 | 2015-03-19 | Schlumberger Technology Corporation | Systems and Methods for Detecting Movement of Drilling/Logging Equipment |
| CN104636712A (zh) * | 2013-11-13 | 2015-05-20 | 中国石油化工股份有限公司 | 钻井卡瓦状态图像自动识别系统 |
| CN109328256A (zh) * | 2016-05-25 | 2019-02-12 | 斯伦贝谢技术有限公司 | 基于图像的钻井作业系统 |
| CN106980829A (zh) * | 2017-03-17 | 2017-07-25 | 苏州大学 | 基于视频分析的打架斗殴异常行为自动检测方法 |
| US20210124952A1 (en) * | 2019-10-25 | 2021-04-29 | 7-Eleven, Inc. | Homography error correction using marker locations |
| CN111456714A (zh) * | 2020-04-30 | 2020-07-28 | 中国石油天然气集团有限公司 | 基于图像识别的钻具接头快速识别方法 |
| CN112530170A (zh) * | 2020-12-16 | 2021-03-19 | 济南博观智能科技有限公司 | 一种车辆行驶状态检测方法、装置、电子设备及存储介质 |
| CN112580609A (zh) * | 2021-01-26 | 2021-03-30 | 南京北路智控科技股份有限公司 | 一种煤矿钻杆计数方法 |
| CN112883830A (zh) * | 2021-01-29 | 2021-06-01 | 南京北路智控科技股份有限公司 | 一种钻杆实时自动计数方法 |
| CN113111805A (zh) * | 2021-04-16 | 2021-07-13 | 北京科技大学 | 一种基于机器视觉的煤矿井下打钻数量统计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董立红;王杰;厍向阳;: "基于改进Camshift算法的钻杆计数方法", 工矿自动化, vol. 41, no. 01, 10 January 2015 (2015-01-10) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116824513A (zh) * | 2023-08-29 | 2023-09-29 | 北京建工环境修复股份有限公司 | 基于深度学习的钻探过程自动识别监管方法及系统 |
| CN116824513B (zh) * | 2023-08-29 | 2024-03-08 | 北京建工环境修复股份有限公司 | 基于深度学习的钻探过程自动识别监管方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chuang et al. | Tracking live fish from low-contrast and low-frame-rate stereo videos | |
| US10839547B2 (en) | Camera pose determination and tracking | |
| CN106989683B (zh) | 一种盾构机盾尾间隙视觉测量方法 | |
| CN108280843A (zh) | 一种视频目标检测跟踪方法及设备 | |
| US20180315201A1 (en) | Stitching maps generated using simultaneous localization and mapping | |
| CN106447701A (zh) | 用于图像相似性确定、对象检测和跟踪的方法和装置 | |
| US11651513B2 (en) | Guided batching | |
| CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
| CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
| CN109214254B (zh) | 一种确定机器人位移的方法及装置 | |
| Zhao et al. | Real-time stereo on GPGPU using progressive multi-resolution adaptive windows | |
| CN108596032B (zh) | 一种视频中打架行为检测方法、装置、设备及介质 | |
| CN113570575A (zh) | 一种基于目标检测的钻探深度统计方法及系统 | |
| CN113256683B (zh) | 目标跟踪方法及相关设备 | |
| CN109784145B (zh) | 基于深度图的目标检测方法及存储介质 | |
| CN112598743B (zh) | 一种单目视觉图像的位姿估算方法及相关装置 | |
| CN107358624B (zh) | 单目稠密即时定位与地图重建方法 | |
| CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
| CN112215036B (zh) | 跨镜追踪方法、装置、设备及存储介质 | |
| Donate et al. | Shot boundary detection in videos using robust three-dimensional tracking | |
| CN115984762A (zh) | 一种基于计算机视觉算法的井下支护工序识别方法及系统 | |
| CN105208402A (zh) | 一种基于运动对象与图像分析的视频帧复杂度测度方法 | |
| JPWO2020194570A1 (ja) | 標識位置特定システム及びプログラム | |
| Guo et al. | Vehicle detection and tracking based on optical field | |
| JP7427569B2 (ja) | 状態判定装置、状態判定システム及び状態判定方法 |
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 |