CN114387564A - 一种基于YOLOv5的磕头机停抽检测方法 - Google Patents
一种基于YOLOv5的磕头机停抽检测方法 Download PDFInfo
- Publication number
- CN114387564A CN114387564A CN202210040538.XA CN202210040538A CN114387564A CN 114387564 A CN114387564 A CN 114387564A CN 202210040538 A CN202210040538 A CN 202210040538A CN 114387564 A CN114387564 A CN 114387564A
- Authority
- CN
- China
- Prior art keywords
- kowtow
- machine
- head
- yolov5
- data
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YOLOv5的磕头机停抽检测方法,包括:提取固定摄像头下拍摄的磕头机工作的视频流的图像信息,利用LabelImg对数据一构建磕头机目标检测的数据集,随机划分成训练集:测试集=8:2;搭建基于PyTorch框架下的YOLOv5目标检测模型;在YOLOv5目标检测模型上进行训练并优化;提取固定摄像头拍摄的视频流的图像信息作为输入到已训练好的YOLOv5网络中进行磕头机识别得到磕头机检测数据;对磕头机检测数据进行高斯模糊处理,对间隔帧数为m的前后两个样本中存在磕头机的目标区域进行帧差法计算,依据判断结果生成磕头机工作状态判定并存储检测及判定信息。本发明具有检测目标区域准确、可以智能化判断磕头机是否停抽等优点,旨在解决油田作业现场磕头机工作状态的实时检测问题,为油田作业现场的生产管理提供智能化的解决方案。
Description
技术领域
本发明属于计算机视觉领域,尤其涉及一种基于YOLOv5的磕头机停抽检测方法。
背景技术
在石油工业中采油作业现场的磕头机是采油的关键设备,现有的采油作业现场的监管机制主要是通过摄像头远程查看,虽然可以建立远程查看能够降低一部分人力物力,但是仍然需要大量人力资源通过时刻查看摄像头来确保生产作业现场正常运行。
近年来,随着计算机硬件的发展,其处理数据的能力显著提升,同时随着卷积神经网络发展等软设施的发展以及采油作业现场的摄像头的普及,使得利用计算机进行大规模自动化处理实时监控视频,使得作业现场的智能检测得以实现。深度神经网络是机器学习领域的前沿,能够自动地学习得到深层次的特征信息。卷积神经网络是其中最突出的模型,目前广泛应用于目标分类、检测和分割任务中。因此,利用深度学习模型自动地实时处理采油作业现场监控视频分析磕头机工作状态并将可视化结果返回,可以提升采油现场管理效率并且极大减少人工物力,优化采油作业现场生产管理的成本和质量。
发明内容
本发明的目的是在于提高现有采油作业现场磕头机停抽检测的效率,提供了一种基于 YOLOv5的磕头机停抽检测方法,自动的提取特征,提高检测效率,减少人力物力成本。
为了实现上述目的,本发明采用下述技术方案:
(1)制作磕头机目标检测数据集;
(2)在PyTorch框架下构建基于YOLOv5的磕头机目标检测模型;
(3)选取训练样本对磕头机检测模型进行训练及优化;
(4)将待检测的视频流进行分帧处理后输入至训练好的磕头机检测模型,得到磕头机检测数据;
(5)根据得到的连续帧的磕头机检测数据进行高斯模糊处理后利用帧差法判断;
(6)依据判断结果生成磕头机工作状态判定并存储检测及判定信息。
本发明进一步的改进在于,步骤(1)的具体实现步骤为:
(101)将油田作业现场的视频流数据转换为帧数据;
(102)利用LabelImg对帧数据中的磕头机进行标定,将磕头机的标签包括磕头机整体、磕头机底部(平衡块)、磕头机头部(驴头部分)以及磕头机臂(游梁),得到图像及对应的标签文件;
本发明进一步的改进在于,步骤(2)的具体实现步骤为:
(201)主干网络,用以提取磕头机的多尺度特征;
(202)输出网络,利用损失函数分析所述多尺度特征计算磕头机的位置偏差,同时再次进行边框回归获得检测框最终的精确位置。
本发明进一步的改进在于,步骤(3)的具体实现步骤包括:
(301)设置网络的训练参数;
(302)利用磕头机数据集训练YOLOv5目标检测模型。
本发明进一步的改进在于,步骤301)中将检测的分类数目修改为的磕头机子部分数量,分类数`设置为4;最大迭代次数设为10000;学习率初始化为0.01,第8轮将其降低到0.001,在第11轮将其降低到0.0001;动量设置为0.9,权重衰减为0.0001;预训练模型使用yolov5l.pt。
本发明进一步的改进在于,步骤(5)的具体实现步骤为:
(501)通过高斯模糊函数减轻图像画面中光照等其他因素对图像像素的影响;
(502)在已经标定好的图像数据中选择第Ni张图片数据,截取图像中标定的磕头机包围框的位置;
(503)继续选择图像数据中第Ni+m张图片数据(m为固定帧数间隔)截取该图片中相同位置的画面;
(504)将截取到的前后两个画面进行像素相减得到差值S。
本发明进一步的改进在于,步骤(6)的具体实现步骤为:
(601)设置差值阈值T;
(602)根据权利要求5中得到的差值S,当S>T时,判定磕头机工作状态为正常工作,相反S<T时判定为停机状态;
(603)将磕头机的实时分析结果进行存储并可视化,以供监管人员查看处理。
本发明至少具有如下有益的技术效果:
首先,在时间效率上,采用本发明可以通过计算机以及采油作业现场的摄像头自动实时判断磕头机的工作状态,比人工查看摄像头确认再反馈的流程更加准确快速,降低大量的人力物力成本。
在生产效率上,采用本发明不仅降低了时间成本,而且监察人员可以在监控室方便地查看各个采油现场磕头机的工作状态。通过磕头机停抽的报警栏可以非常方便的掌握作业现场磕头机停抽的位置,并根据实际情况做出快速反应,对停抽的磕头机实现快速决策,提高生产作业效率。
在应用成本上,无需额外加装传感器等硬件设备,降低了硬件成本,本发明使用计算机视觉与深度学习技术,通过生产作业现场现有的摄像头,在服务端增加服务器并安装相应软件即可,方便采油作业现场快速实现智能化检测。
此外,使用本发明可以记录磕头机停抽的摄像头编号以及磕头机停抽画面,包括文字表格形式以及图像视频等多媒体形式进行记录,从而得到更加丰富且更具信赖的档案资料,有助于监察人员后续的查找和存档。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于YOLOv5的磕头机停抽检测方法流程图。
图2为本发明实施例的一种基于YOLOv5的磕头机停抽检测方法中的帧差法原理框图。
图3为本发明实施例的一种基于YOLOv5的磕头机停抽检测方法中的磕头机结构示意图。
具体实施方式
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
如图1所示,本发明提供一种基于YOLOv5的磕头机停抽检测方法,包括以下步骤:
(1)制作磕头机目标检测数据集;先对视频数据流进行分帧处理得到图像数据,利用 LabelImg对得到的图像数据制作磕头机数据集,将数据集按照固定比例随机划分为训练集与测试集。
(2)在PyTorch框架下构建基于YOLOv5的磕头机目标检测模型。
(3)选取训练样本对磕头机检测模型进行训练及优化,具体步骤为:
(a)设置网络的训练参数;
(b)利用磕头机数据集训练YOLOv5目标检测模型。
(4)将待检测的视频流进行分帧处理后输入至训练好的磕头机检测模型,得到磕头机检测数据。
(5)根据得到的连续帧的磕头机检测数据进行高斯模糊处理后利用帧差法判断,具体步骤包括:
(a)通过高斯模糊函数减轻图像画面中光照等其他因素对图像像素的影响;
(b)在已经标定好的图像数据中选择第Ni张图片数据,截取图像中标定的磕头机包围框的位置,继续选择图像数据中第Ni+m张图片数据(m为固定帧数间隔)截取该图片中相同位置的画面;
(c)将截取到的前后两个画面进行像素相减得到差值S;
(6)依据判断结果生成磕头机工作状态判定并存储检测及判定信息,具体步骤包括:
(a)设置像素差阈值T;
(b)根据步骤5中得到的差值S,当S>T时,判定磕头机工作状态为正常工作,相反 S<T时判定为停机状态;
(c)将磕头机的实时分析结果进行存储并可视化,以供监管人员查看处理。
实施例
图1给出了本实施例的流程图。本实施例测试集选择一段同时包含停抽磕头机以及正常工作磕头机的视频数据,该视频流的一种基于YOLOv5的磕头机停抽检测方法,由以下步骤组成:
(1)制作磕头机目标检测数据集;采集总时长为60min的包含磕头机的视频数据,对其进行分帧处理得到图像数据,从所有图像数据中随机挑选6000张图像作为原始数据集,利用 LabelImg对得到的图像数据制作磕头机数据集,如图3所示,标签包括磕头机整体、磕头机底部(平衡块)、磕头机头部(驴头部分)以及磕头机臂(游梁),将数据集按照8:2比例随机划分为训练集与测试集互相不重叠,最终得到4800张训练集图像,1200张测试集图像。
(2)在PyTorch框架下构建基于YOLOv5的磕头机目标检测模型;
(3)选取训练样本对磕头机检测模型进行训练及优化,具体步骤为:
(a)设置网络最大迭代次数设为10000;学习率初始化为0.01,第8轮将其降低到0.001,在第11轮将其降低到0.0001;动量设置为0.9,权重衰减为0.0001;预训练模型使用yolov5l.pt;
(b)将检测的分类数目修改为数据集中磕头机及其子部件个数,设置种类数为4。
(4)将待检测的视频流进行分帧处理后输入至训练好的磕头机检测模型,自动识别出磕头机及其子部分;
(5)根据得到的连续帧的磕头机检测数据进行高斯模糊处理后利用帧差法判断,如图2 所示,具体步骤为:
(a)通过高斯模糊函数减轻图像画面中光照等其他因素对图像像素的影响,仅保留主要部分;
(b)在已经标定好的图像数据中选取间隔为20的前后两张数据;
(c)截取前一张图片中磕头机包围框所在位置的部分图像,在同时截取后一张图片中相同位置的画面;
(d)将截取到的前后两个画面进行像素相减得到差值S。
(6)依据判断结果生成磕头机工作状态判定并存储检测及判定信息,具体步骤为:
(a)根据磕头机检测的实际情况设置像素差阈值T;
(b)根据5中得到的差值S,当S>T时,判定磕头机工作状态为正常工作,相反S<T 时判定为停机状态;
(c)将磕头机的实时分析结果进行存储并可视化,以供监管人员查看处理。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种基于YOLOv5的磕头机停抽检测方法,其特征在于,包括:
(1)制作磕头机目标检测数据集;先对视频数据流进行分帧处理得到图像数据,利用LabelImg对得到的图像数据制作磕头机数据集,将数据集按照固定比例随机划分为训练集与测试集;
(2)在PyTorch框架下构建基于YOLOv5的磕头机目标检测模型;
(3)选取训练样本对磕头机检测模型进行训练及优化;
(4)将待检测的视频流进行分帧处理后输入至训练好的磕头机检测模型,得到磕头机检测数据;
(5)根据得到的连续帧的磕头机检测数据进行高斯模糊处理后利用帧差法判断;
(6)依据判断结果生成磕头机工作状态判定并存储检测及判定信息。
2.根据权利要求1所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述制作磕头机目标检测数据集包括:
将油田作业现场的视频流数据转换为帧数据,利用LabelImg对帧数据中的磕头机进行标定,将磕头机的标签分解为磕头机整体、磕头机底部(平衡块)、磕头机头部(驴头部分)以及磕头机臂(游梁),得到图像及对应的标签文件,将图像数据以及对应的标签文件按照8:2随机划分为训练集与测试集。
3.根据权利要求2所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述基于YOLOv5的磕头机目标检测模型包括:
(a)主干网络,用以提取磕头机的多尺度特征;
(b)输出网络,利用损失函数分析所述多尺度特征计算磕头机的位置偏差,同时再次进行边框回归获得检测框最终的精确位置。
4.根据权利要求3所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述选取训练样本对磕头机检测模型进行训练及优化包括:
(a)设置网络的训练参数;
(b)利用磕头机数据集训练YOLOv5目标检测模型。
5.根据权利要求2所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,步骤401)中,将检测的分类数目修改为的磕头机子部分数量;最大迭代次数设为10000;学习率初始化为0.01,第8轮将其降低到0.001,在第11轮将其降低到0.0001;动量设置为0.9,权重衰减为0.0001;预训练模型使用yolov5l.pt。
6.根据权利要求4所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述磕头机检测数据为包括磕头机各个子部分包围框标签以及坐标的图像数据。
7.根据权利要求5所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述高斯模糊处理为:通过高斯模糊函数减轻图像画面中光照等其他因素对图像像素的影响;所述帧差法为:在已经标定好的图像数据中选择第Ni张图片数据,截取图像中标定的磕头机包围框的位置,继续选择图像数据中第Ni+m张图片数据(m为固定帧数间隔)截取该图片中相同位置的画面;将截取到的前后两个画面进行像素相减得到差值S。
8.根据权利要求6所述的所述的一种基于YOLOv5的磕头机停抽检测方法,其特征在于,所述磕头机工作状态判定具体实现步骤为:
(a)设置像素差阈值T;
(b)根据权利要求5中得到的差值S,当S>T时,判定磕头机工作状态为正常工作,相反S<T时判定为停机状态;
(c)将磕头机的实时分析结果进行存储并可视化,以供监管人员查看处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210040538.XA CN114387564A (zh) | 2022-01-14 | 2022-01-14 | 一种基于YOLOv5的磕头机停抽检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210040538.XA CN114387564A (zh) | 2022-01-14 | 2022-01-14 | 一种基于YOLOv5的磕头机停抽检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114387564A true CN114387564A (zh) | 2022-04-22 |
Family
ID=81202548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210040538.XA Pending CN114387564A (zh) | 2022-01-14 | 2022-01-14 | 一种基于YOLOv5的磕头机停抽检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114387564A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115530092A (zh) * | 2022-10-17 | 2022-12-30 | 仲恺农业工程学院 | 基于深度神经网络的双机械臂肉鸽饲喂系统 |
-
2022
- 2022-01-14 CN CN202210040538.XA patent/CN114387564A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115530092A (zh) * | 2022-10-17 | 2022-12-30 | 仲恺农业工程学院 | 基于深度神经网络的双机械臂肉鸽饲喂系统 |
CN115530092B (zh) * | 2022-10-17 | 2023-08-18 | 仲恺农业工程学院 | 基于深度神经网络的双机械臂肉鸽饲喂系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111598040A (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN114387564A (zh) | 一种基于YOLOv5的磕头机停抽检测方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
CN112766795B (zh) | 一种基于云端处理的管廊智能信息管理方法及系统 | |
CN114373113A (zh) | 一种基于ai技术的野生动物物种图像识别系统 | |
CN111199172A (zh) | 基于终端录屏的处理方法及装置、存储介质 | |
CN116977904A (zh) | 一种基于YOLOv5的快速识别大场景多人工衣检测方法 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN117035669A (zh) | 基于人工智能的企业安全生产管理方法及系统 | |
CN116994066A (zh) | 一种基于改进的目标检测模型的尾绳检测系统 | |
CN115190277B (zh) | 施工区域的安全监控方法、装置、设备及存储介质 | |
CN116993665A (zh) | 一种基于计算机视觉的建筑工程作业面施工进度的智能检测方法 | |
CN111047731A (zh) | 一种基于ar技术的电信机房巡检方法及系统 | |
CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
CN112784914B (zh) | 一种基于云端处理的管廊视频智能属性检测方法及系统 | |
CN114373116A (zh) | 一种运维现场图像的筛选方法、装置、设备及产品 | |
CN113850144A (zh) | 一种基于图像识别的视频可靠性自动巡检系统 | |
CN112990350A (zh) | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 | |
CN113128837A (zh) | 一种轨道交通供电系统的大数据分析系统 | |
CN112861681A (zh) | 一种基于云端处理的管廊视频智能分析方法及系统 |
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 |