CN114170548A - 一种基于深度学习的油田现场微目标检测方法及系统 - Google Patents
一种基于深度学习的油田现场微目标检测方法及系统 Download PDFInfo
- Publication number
- CN114170548A CN114170548A CN202111481219.4A CN202111481219A CN114170548A CN 114170548 A CN114170548 A CN 114170548A CN 202111481219 A CN202111481219 A CN 202111481219A CN 114170548 A CN114170548 A CN 114170548A
- Authority
- CN
- China
- Prior art keywords
- oilfield
- micro
- data set
- algorithm
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的油田现场微目标检测方法及系统,该方法包括以下步骤:采集油田现场视频转为VOC格式数据集,经分帧筛选,得到油田数据集,通过基于图像复原的暗通道先验理论去雾算法还原出无雾图像;基于融入注意力机制和添加多尺度特征融合算法的YOLOv3‑MFA改进算法,实现特征的复用;通过对K‑means++算法加以改进,聚类找到更符合自建数据集特性的锚框,加快模型收敛速度。本发明证实了YOLOv3‑MFA改进算法提高了微目标的检测效果,解决网络深度与检测速度均衡难题。
Description
技术领域
本发明属于复杂环境下微目标检测技术领域,特别涉及一种基于深度学习的油田现场微目标检测方法及系统。
背景技术
深度学习作为推动人工智能蓬勃发展的核心技术,通过借助计算机视觉相关理论使得机器设备能够像人类视觉一样获取信息、处理信息,以实现智能化自动判断。目前,图像分类、检测及分割等都隶属于计算机视觉中的首要工作,在包括医学、城市、工业、农业、制造业、物流等领域在内的各个行业发挥着重要的作用。研究基于深度学习的油田现场微目标检测技术,设计智能视频监控系统,从而实现油田安全防控管理,是当前油田实现现场智能监控的重要手段。
石油是一个国家发展经济的脊柱,有着非同寻常的战略价值,然而由于在油田现场开采石油过程中,作业危险系数极高,稍有疏忽就会造成巨大的损失乃至是难以挽回的生命危险。油田区域面积辽阔,且往往位于相对荒芜的偏僻地区,加之油田开采过程及生产环境十分复杂,因此需要安装大量监控设备以此记录油田作业现场器械设备的运转情况及工人的操作规范。目前大多数油田仍在使用传统的监控系统,在视频监控室设置专职人员进行全天值班查看监控画面,出现问题时一般采取事后调取相关区域监控视频处理的方式,以此保障油田正常的安全工作运转。但这种监控方式存在工作走神、懈怠的可能性,人工监控效率低、易出错,很容易忽略掉重要的监控画面等现象,后果是不可想象的。
随着人工智能及深度学习等相关技术的不断完善和成熟,如何使用机器代替人工进行监控成为油田行业所关注的重点问题之一,这也便催生了智能化的视频监控系统顺应时代走进我们的生活。借助此系统不但可以逐步减轻监控管理区专职人员的工作强度,而且智能设备有别于人类劳动状态,可以实现全天时间段监测,不漏掉任何一帧可能存在违规的画面,以此实现油田智能预警。
发明内容
本发明提供了一种基于深度学习的油田现场微目标检测方法及系统,该系统避免了传统方式低效且耗时的弊端,能够二十四小时不间断的对油田作业现场进行监控,实现发现违规、主动报警、违规存储等功能,提高油田安全管理自动化。
为实现上述目的,本发明采用如下技术方案予以实现:
本发明提供了一种基于深度学习的油田现场微目标检测方法,包括如下步骤:
步骤S1:采集油田现场视频转为VOC格式数据集,通过分帧固定图片分辨率,经筛选后得到油田数据集;
步骤S2:对油田数据集进行去雾预处理,以增强图像对比度;
步骤S3:采用基于融入注意力机制和添加多尺度特征融合的YOLOv3-MFA改进算法,对去雾预处理后的油田数据集进行特征提取,以增强图像中微目标的信息表达和充分利用浅层信息;
步骤S4:采用K-means++算法对油田数据集进行重新聚类,从而得到新的且更符合油田数据集特性的锚框,加速模型的收敛速度;
步骤S5:结合新的锚框,使用油田数据集对YOLOv3-MFA改进算法进行训练,同时将SSD、YOLOv3算法作为对照模型进行同参数训练,使用油田现场智能视频监控系统进行检测。
进一步的,所述油田数据集包括一次数据集和二次数据集,其含有三个类别:person类、smoke类、phone类;所述一次数据集用于检测person类大目标;所述二次数据集用于在person类的基础上检测smoke类和phone类微目标。
进一步的,所述步骤S1中利用所述油田数据集训练出识别person类、smoke类、phone类的权重后,再利用打标签工具labelImg对所述油田数据集图片中需要检测的目标类别及位置信息进行人工标注,并保存在xml文件中。
进一步的,所述步骤S2中通过选取基于图像复原的暗通道先验理论的去雾算法构建大气散射模型,还原出无雾图像,完成油田数据集的去雾预处理操作。
进一步的,所述步骤S3中的注意力机制为:
进一步的,所述YOLOv3-MFA改进算法是在融入注意力机制的YOLOv3-A网络中,添加Darknet-53网络第14层的输出特征尺度图128×128进行更小尺度目标的检测;将64×64尺度的特征图进行二倍上采样并实现卷积运算后,通过张量拼接与四倍降采样的特征尺度图进行融合,从而对图像中的微目标进行检测。
进一步的,所述步骤S4中采用K-means++算法设置了12个先验框,重新聚类的锚框包含了4种不同长宽比的特征图尺度,能够满足不同角度下微目标的比例要求。
进一步的,所述智能视频监控系统是用来对油田现场中烟头、手机两类微目标进行检测,生产区域吸烟、违禁使用手机两种违规行为进行预警。
进一步的,所述智能视频监控系统由服务器端、客户端、数据库三部分联系在一起实现信息交互,且用来对油田现场中烟头、手机两类微目标进行检测,生产区域吸烟、违禁使用手机两种违规行为进行预警。
本发明还提供了一种基于深度学习的油田现场微目标检测系统,包括权限管理模块,用于用户的登录和权限设置;智能检测模块,用于对生产区域吸烟、违禁使用手机两种违规行为进行检测,同时对违规行为实现弹窗警告;自动控制模块,用于对检测结果定量存储、对摄像头轮询检测;信息管理模块,用于对检测结果、用户信息及摄像头信息的增、删、改、查。
与现有的技术相比,本发明的有益效果和优点是:
1、本发明提供的基于深度学习的油田现场微目标检测方法,通过分析目前主流去雾算法的去雾原理,选取基于图像复原的暗通道先验理论去雾算法构建大气散射模型,还原出无雾图像。图像去雾预处理方法可以为后续微目标检测模型提供优质的样本,使目标在图像中容易被定位并检测。
2、本发明提供的基于深度学习的油田现场微目标检测方法,提出基于融入卷积块注意力模块和添加多尺度特征融合方法的YOLOv3改进算法,通过引入注意力机制CBAM,使网络捕捉定位需要关注的目标,增强微目标的信息表达。
本发明通过添加通道空间注意力机制CBAM以此聚焦微目标的有效细节信息,使微目标能够得到更多注意力,使网络捕捉定位需要关注的目标,增强微目标的信息表达,以此提升微目标的检测效果。
3、本发明基于卷积神经网络浅层网络感受野小利于对目标进行定位,深层网络感受野大利于提取目标语义信息的思路,在YOLOv3原有三层特征尺度进行特征融合检测的基础上,通过上采样添加浅层更大尺度的特征图进行融合,深层网络感受野大利于提取目标语义信息的思路,添加尺度进行多尺度融合充分利用浅层信息,从而实现特征的复用。
4、本发明通过改进K-means++重新聚类生成新的能够与微目标匹配的锚框,更好的利用浅层微目标的信息,加快模型收敛速度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明的基于深度学习的油田现场微目标检测方法的流程图;
图2为实施例1的油田一次数据集;
图3为实施例1的油田二次数据集;
图4为实施例1的油田数据集检测效果;
图5为实施例1的系统整体流程图;
图6为实施例2的系统功能模块;
图7为实施例2的系统处理流程。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案进一步的详细说明,但本发明要求保护的范围并不局限于实施例表述的范围。
实施例1
一种基于深度学习的油田现场微目标检测方法,流程图如图1所示。
1、构建油田一次数据集和二次数据集
在本实施例中,基于东营油田背景进行研究,对油田现场监控视频进行拷贝,并使用专业单反相机拍摄施工画面,制作成VOC格式数据集。在数据采集时需要考虑不同天气、角度、油厂、时间段,进行多方面拍摄,以此增加模型训练权重的泛化性、鲁棒性。
将采集到的视频首先进行分帧,因施工时存在保持同一动作长时间固定不动的情况,因此在分帧时设置一秒取十帧,并在分帧脚本中调整分辨率为固定大小,筛选分帧后的图片,去除差异不明显和无用图片。考虑到微目标所占像素值较少,使用二次检测来提高微目标的检测效果。
油田数据集包括一次数据集和二次数据集,共含有3个类别,分别为person(人)、smoke(烟头)、phone(手机)。在本实施例中,设置一次数据集用于检测大目标,二次数据集用于检测小目标,而且二次数据集是在person类的基础上进一步检测的。如果将person(人)、smoke(烟头)、phone(手机)三个类别放在一个模型里,小目标识别效果会很差,这是因为:(1)一次模型开始设置的anchor大小比较大,二次的比较小,所以二次检测会避免漏检;(2)烟、手机等物品一定是在人身上,所以二次检测会避免误检。
如图2为本实施例的油田一次数据集,图3为本实施例的油田二次数据集。本实施例中,油田一次数据集共2500张图片,以此训练出可以识别出person类的权重;二次数据集共5000张图片,以此训练出能识别出微目标smoke类、phone类的权重。使用LabelImg工具对数据集图片进行人工手动化处理,对需要检测的目标类别及位置信息进行标注,并保存在xml文件中。在油田数据集中共标注10116个物体,其中person类标注4639个,smoke类标注3024个,phone类标注2453个。
在本实施例中,油田一次数据集仅有person类,设置训练最大轮数为2000轮,每500轮保存一次权重;油田二次数据集有smoke、phone类,设置训练最大轮数为4000轮,每500轮保存一次权重。
2、借助改进的K-means++算法重新聚类得到锚框
YOLOv3算法是根据COCO数据集特性,设置了9个不同尺度不同比例的锚框。使用上述自建的油田数据集进行训练,待识别的为手机、烟头两类微目标。为了能够获得更符合油田数据集中待检测微目标特性的锚框,本实施例采用改进YOLOv3-MFA算法,是在YOLOv3的基础上,通过引入注意力机制CBAM,使网络捕捉定位需要关注的目标,增强微目标的信息表达;根据浅层网络感受野小利于对目标进行定位,深层网络感受野大利于提取目标语义信息的思路,添加尺度进行多尺度融合充分利用浅层信息,从而实现特征的复用;同时,通过对K-means++算法加以改进,聚类找到更符合自建数据集特性的锚框,加快模型收敛速度。本实施例针对改进网络对数据集中微目标的标定框进行了重新K-means++聚类,自动生成12个新的先验框,如表1所示。
表1:锚框尺寸
重新聚类的锚框整体尺寸偏小,不同长宽比满足了不同角度下微目标的比例要求。添加浅层128×128特征图后,聚类的锚框长宽像素可以小至几个或十几个像素值,对于检测微目标烟头极有帮助。聚类后的锚框平均重叠度可达82.35%,一方面可以降低网络学习复杂度加速模型收敛,另一方面可以增加待检测目标锚框匹配率,提高在微目标上的检测效果。
3、使用油田数据集对YOLOv3-MFA进行训练
YOLOv3-MFA算法与YOLOv3算法的区别在于:(1)引入注意力机制CBAM,使网络捕捉定位需要关注的目标,增强微目标的信息表达;(2)添加多尺度特征融合,充分利用浅层信息,从而实现特征的复用;(3)使用K-means++算法,具体分析数据的特点,重新进行聚类形成新的具有代表性的锚框。
使用油田数据集对YOLOv3-MFA进行训练,同时将SSD、YOLOv3作为对照模型进行同参数训练。待检测目标为person、smoke、phone,实验结果见表2。因去雾预处理操作专门针对油田数据集,故在油田数据集上进行实验时添加预处理和非预处理的实验对比,以此验证去雾预处理是否有效。YOLOv3-MFA*代表在改进算法YOLOv3-MFA前使用去雾预处理。
表2:油田数据集上的检测结果
YOLOv3的mAP为71.8%,YOLOv3-MFA的mAP为73.9%,改进后的算法要比原YOLOv3的准确率提高2.1%。由于YOLOv3-MFA主要针对微目标进行的网络改进,因此在微目标的检测中,相比于原算法smoke提高了1.4%,phone类提高2.8%。与此同时,添加去雾预处理后的YOLOv3-MFA(即表中YOLOv3-MFA*)相比于未进行预处理的YOLOv3-MFA准确率提高了0.3%,由此证明预处理操作在解决微目标准确率方面有一定效果。图像去雾预处理方法可以为后续微目标检测模型提供优质的样本,使目标在图像中容易被定位并检测。
图4为YOLOv3和YOLOv3-MFA两种算法检测微目标的效果图,所展示的图片来自东营油田数据集的测试集,检测的类别为person、smoke、phone三类。由于微目标标签框在图中较小不易观察,因此在检测代码中设置当检测到phone、smoke等微目标时,所属的对应person类检测框变红,且在图中左上方红色标注提示。从图4中可以看出,对于相同的图片,原YOLOv3并不能检测出微目标,而本发明改进的YOLOv3-MFA算法在微目标检测方面表现出良好的检测效果,不仅能检测出手机,同时仅有几个像素值的烟头也能够准确测出。
表3:速度对比
如表3所示,改进算法YOLOv3-MFA的速度为27FPS,比原YOLOv3算法速度下降8FPS,但和双阶段Faster R-CNN算法相比仍表现出良好的速度性能。油田监控视频的帧率为25FPS,因此YOLOv3-MFA在提高微目标准确率的同时可以满足实时检测监控视频的要求。
在本实施例中,构建的智能视频监控系统使用的是浏览器-服务器(Browser-Server)开发模式,使用SSH(Spring+Sruts2+Hibernate)框架构建系统,使用MySQL数据库保存信息,使用JSP、HTML和CSS设计web页面。如图5的系统整体流程图所示,智能视频监控系统主要由服务器端、客户端、数据库三部分联系在一起实现信息交互。本系统的服务器端为微目标智能检测分析算法YOLOv3-MFA,该算法借助训练权重对监控画面源进行处理并识别所要检测的微目标,同时将存在的违规类别、时间、地点等关键信息存储在数据库中。客户端在浏览器上登录,调取数据库信息并检索服务器端输出的检测记录,同时可以对保存的违规信息、用户信息进行操作。
实施例2
本实施例从油田安防管理实际需求入手,经分析将需要构建的系统分为四大功能模块,如图6的系统功能模块所示:
(1)权限管理模块:负责用户的登录及权限设置,正确输入账号密码后,可以登录系统主页,权限不同则每个用户的操作身份验证不同。
(2)智能检测模块:是系统功能模块中的核心部分,使用微目标检测算法负责对生产区域吸烟、违禁使用手机两种违规行为进行检测,同时对违规行为实现弹窗警告。
(3)自动控制模块:使用存储算法负责对检测结果定量存储、对摄像头轮询检测,控制存储违章图片的数量及摄像头轮询时间,减少重复信息存储及GPU消耗。
(4)信息管理模块:可以实现对检测结果、用户信息及摄像头信息的增、删、改、查功能。
本发明所述的基于深度学习的油田现场微目标检测系统的使用方法包括以下步骤,具体处理流程如图7所示:
首先将需要检测的摄像头地址保存在文本文件中,智能视频监控系统通过读取文件依次打开摄像头,获取监控画面视频流,进而对每帧图片进行检测。
具体来说,当获取到摄像头视频流的第一帧图片后,先对其进行图像去雾预处理提高图片质量,使用一次检测数据集训练得到的目标检测一次权重,对图片进行检测,判断是否含有工人;若有且满足阈值则将检测到的person标签在列表中进行保存,同时根据标签框的坐标信息在对应原图中标出。接着,使用二次检测数据集训练得到的目标检测二次权重,对上述检测到的工人判断是否存在烟头、手机两类微目标,若有且满足阈值则保存对应的smoke、phone标签信息,并将标签坐标位置在原图中进行标定。
接着,将检测到的标签及标定的图片通过使用定量存储算法进行有选择的存储,将检测信息保存到数据库中,同时开启下一路摄像头的轮询工作。相关人员登录智能视频监控系统后,通过对数据库进行操作从而对检测结果、摄像头信息进行查看、管理。
实施例3
本发明所述的基于深度学习的油田现场微目标检测方法,具体包括以下操作步骤:
(1)构建油田作业现场VOC格式数据集。采集胜利油田采油作业现场不同井场视频,并转为VOC格式以此构建油田数据集,其中包括油田摄像头监控视频及使用专业单反拍摄的施工视频。用格式工厂软件对采集的视频进行筛选分帧,分帧脚本中调整分辨率为固定大小,然后对分帧图片再次进行选优,去除差异不明显和无用图片。
所述油田数据集包括一次数据集和二次数据集;所述一次数据集用于检测person类大目标,所述二次数据集用于在person类的基础上检测smoke类和phone类微目标。
利用油田数据集训练出识别person类、smoke类、phone类的权重。再利用打标签工具labelImg对数据集图片进行人工标注,对需要检测的目标类别及位置信息进行标注,并保存在xml文件中。
(2)图像预处理。将上述油田数据集中的图片通过暗通道先验理论的去雾算法进行预处理,还原出清晰的无雾图像,增强图像对比度。
(3)将YOLOv3算法在特征提取时,引入残差网络以设计出Darknet-53,使得网络复杂化;引入注意力机制模型CBAM,增强微目标的信息表达;
所述注意力机制为:
在融入注意力机制的YOLOv3-A网络中,添加Darknet-53网络第14层的输出特征尺度图128×128进行更小尺度目标的检测;将64×64尺度的特征图进行二倍上采样并实现卷积运算后,通过张量拼接与四倍降采样的特征尺度图进行融合,实现特征复用,从而对更微小的目标进行检测,最后进行多标签分类。
使用基于融入注意力机制CBAM和添加多尺度特征融合的YOLOv3-MFA改进算法;该算法可以更多地关注微目标的位置及信息,增强图像中小尺度目标的特征表达,获得高精度的热力图。
(4)借助改进的K-means++算对数据集进行重新聚类,从而得到适合数据集的锚框anchors,找到更符合油田数据集特性的锚框,加速模型的收敛速度。
(5)使用油田数据集对所述YOLOv3-MFA进行训练,同时将SSD、YOLOv3作为对照模型进行同参数训练,待检测目标为person、smoke、phone。
(6)设计并实现油田现场智能视频监控系统。智能视频监控系统主要对油田作业现场中烟头、手机两类微目标进行检测,生产区域吸烟、违禁使用手机两种违规行为进行预警。该系统避免了传统方式低效且耗时的弊端,二十四小时不间断的对油田作业现场进行监控,实现发现违规、主动报警、违规存储等功能,提高油田安全管理自动化。
以上实施例仅用以说明本发明的技术方案,而非对其进行限制;尽管参照前述实施例对本发明进行了详细的说明,对于本领域的普通技术人员来说,依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的油田现场微目标检测方法,其特征在于,包括如下步骤:
步骤S1:采集油田现场视频转为VOC格式数据集,通过分帧固定图片分辨率,经筛选后得到油田数据集;
步骤S2:对油田数据集进行去雾预处理,以增强图像对比度;
步骤S3:采用基于融入注意力机制和添加多尺度特征融合的YOLOv3-MFA改进算法,对去雾预处理后的油田数据集进行特征提取,以增强图像中微目标的信息表达和充分利用浅层信息;
步骤S4:采用K-means++算法对油田数据集进行重新聚类,从而得到新的且更符合油田数据集特性的锚框,加速模型的收敛速度;
步骤S5:结合新的锚框,使用油田数据集对YOLOv3-MFA改进算法进行训练,同时将SSD、YOLOv3算法作为对照模型进行同参数训练,使用油田现场智能视频监控系统进行检测。
2.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述油田数据集包括一次数据集和二次数据集,其含有三个类别:person类、smoke类、phone类;所述一次数据集用于检测person类大目标;所述二次数据集用于在person类的基础上检测smoke类和phone类微目标。
3.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述步骤S1中利用所述油田数据集训练出识别person类、smoke类、phone类的权重后,再利用打标签工具labelImg对所述油田数据集图片中需要检测的目标类别及位置信息进行人工标注,并保存在xml文件中。
4.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述步骤S2中通过选取基于图像复原的暗通道先验理论的去雾算法构建大气散射模型,还原出无雾图像,完成油田数据集的去雾预处理操作。
6.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述YOLOv3-MFA改进算法是在融入注意力机制的YOLOv3-A网络中,添加Darknet-53网络第14层的输出特征尺度图128×128进行更小尺度目标的检测;将64×64尺度的特征图进行二倍上采样并实现卷积运算后,通过张量拼接与四倍降采样的特征尺度图进行融合,从而对图像中的微目标进行检测。
7.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述步骤S4中采用K-means++算法设置了12个先验框,重新聚类的锚框包含了4种不同长宽比的特征图尺度,能够满足不同角度下微目标的比例要求。
8.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述智能视频监控系统由服务器端、客户端、数据库三部分联系在一起实现信息交互,且用来对油田现场中烟头、手机两类微目标进行检测,生产区域吸烟、违禁使用手机两种违规行为进行预警。
9.根据权利要求1所述的基于深度学习的油田现场微目标检测方法,其特征在于,所述油田现场视频包括油田摄像头拍摄的监控视频和使用专业单反拍摄的油田现场施工视频。
10.一种基于深度学习的油田现场微目标检测系统,其特征在于,包括权限管理模块,用于用户的登录和权限设置;智能检测模块,用于对生产区域吸烟、违禁使用手机两种违规行为进行检测,同时对违规行为实现弹窗警告;自动控制模块,用于对检测结果定量存储、对摄像头轮询检测;信息管理模块,用于对检测结果、用户信息及摄像头信息的增、删、改、查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481219.4A CN114170548A (zh) | 2021-12-07 | 2021-12-07 | 一种基于深度学习的油田现场微目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481219.4A CN114170548A (zh) | 2021-12-07 | 2021-12-07 | 一种基于深度学习的油田现场微目标检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170548A true CN114170548A (zh) | 2022-03-11 |
Family
ID=80483536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111481219.4A Pending CN114170548A (zh) | 2021-12-07 | 2021-12-07 | 一种基于深度学习的油田现场微目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170548A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115802055A (zh) * | 2023-01-30 | 2023-03-14 | 孔像汽车科技(武汉)有限公司 | 基于fpga的图像去雾处理方法、装置、芯片和存储介质 |
-
2021
- 2021-12-07 CN CN202111481219.4A patent/CN114170548A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115802055A (zh) * | 2023-01-30 | 2023-03-14 | 孔像汽车科技(武汉)有限公司 | 基于fpga的图像去雾处理方法、装置、芯片和存储介质 |
CN115802055B (zh) * | 2023-01-30 | 2023-06-20 | 孔像汽车科技(武汉)有限公司 | 基于fpga的图像去雾处理方法、装置、芯片和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563557B (zh) | 一种电力电缆隧道内目标检测的方法 | |
CN112464971A (zh) | 害虫检测模型构建方法 | |
CN109858365A (zh) | 一种特殊人群聚集行为分析方法、装置及电子设备 | |
CN105701467B (zh) | 一种基于人体形态特征的多人异常行为识别方法 | |
CN111626188B (zh) | 一种室内不可控明火监测方法及系统 | |
CN110827505A (zh) | 一种基于深度学习的烟雾分割方法 | |
Shi et al. | Amur tiger stripes: Individual identification based on deep convolutional neural network | |
CN106295501A (zh) | 基于唇部运动的深度学习身份识别方法 | |
US11113838B2 (en) | Deep learning based tattoo detection system with optimized data labeling for offline and real-time processing | |
EP4033399B1 (fr) | Dispositif informatique et procédé pour l'estimation de la densité d'une foule | |
Li et al. | Improved YOLOv4 network using infrared images for personnel detection in coal mines | |
CN115188066A (zh) | 基于协同注意力和多尺度融合的运动目标检测系统及方法 | |
CN114037907A (zh) | 输电线路的检测方法、装置、计算机设备、存储介质 | |
Cheng et al. | Water quality monitoring method based on TLD 3D fish tracking and XGBoost | |
CN114170548A (zh) | 一种基于深度学习的油田现场微目标检测方法及系统 | |
CN116310922A (zh) | 石化厂区监控视频风险识别方法、系统、电子设备及存储介质 | |
Kiyoki et al. | AI-Sensing Functions with SPA-Based 5D World Map System for Ocean Plastic Garbage Detection and Reduction | |
Chin et al. | Plant Disease Detection and Classification Using Deep Learning Methods: A Comparison Study | |
CN116248346A (zh) | 面向智慧城市的cps网络安全态势感知建立方法和系统 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 | |
Krivek et al. | BatNet: a deep learning‐based tool for automated bat species identification from camera trap images | |
Peng et al. | [Retracted] Helmet Wearing Recognition of Construction Workers Using Convolutional Neural Network | |
CN115205761A (zh) | 一种事故原因离线智能诊断系统 | |
Chen | Evaluation technology of classroom students’ learning state based on deep learning | |
Mohan et al. | An ensemble deep learning approach for air quality estimation in Delhi, India |
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 |