CN114492216A - 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 - Google Patents
一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 Download PDFInfo
- Publication number
- CN114492216A CN114492216A CN202210406824.3A CN202210406824A CN114492216A CN 114492216 A CN114492216 A CN 114492216A CN 202210406824 A CN202210406824 A CN 202210406824A CN 114492216 A CN114492216 A CN 114492216A
- Authority
- CN
- China
- Prior art keywords
- resolution
- network
- parallel
- convolution
- pumping unit
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于高分辨率表征学习的抽油机运行轨迹模拟方法,属于石油工程技术领域,包括如下步骤:构建并联多分辨率网络模型;设定模型参数;收集抽油机图像数据集,标注关键点并制作样本集;增强数据集;输入并联多分辨率网络模型进行多分辨率并行卷积;多分辨率融合;输出预测关键点位置热点图;误差反向传播,优化学习器参数;输出抽油机关键点预测热图;模型评价;输出模型在线应用。本发明方法学习到的抽油机关键点高分辨率表示不仅在语义上很强,而且在空间上也很精确。本发明借助多分辨率并联网络,实现关键点热图预测,模拟抽油机运行轨迹,节省油田成本。
Description
技术领域
本发明属于石油工程技术领域,具体涉及一种基于高分辨率表征学习的抽油机运行轨迹模拟方法。
背景技术
石油被称为“黑色的金子”,已成为当今世界上举足轻重的战略物资。大到国家工业、农业、国防,小到每个人的衣食住行,全都离不开石油。因此,不断提高油田开发技术水平具有重要的现实意义。只有不断进行相关方面研究工作,加强专业技术人员的培养,使之掌握和采用先进科研成果,加强自主知识产权的技术创新,再配合相关的工程设计和工程化技术,石化工业才有可能不断发展壮大,登上新台阶。对于游梁式抽油机,动力机首先供给动力,再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,最终经悬绳器总成带动深井泵工作。光杆最大冲程是调整抽油机冲程调节机构,使光杆能获得的最大位移,它主要决定了抽油机的基本尺寸与重量,影响油井的产量。而最高冲次则是动力机输出轴上装设计最大直径胶带轮或减速器输入轴上装设计最小直径胶带轮时,抽油机所获得的冲次,它主要关系着抽油机功率的配备,与最高冲次一样影响油井的产量。实现抽油机运行关键点的热图预测,能够只通过图像和视频就得到抽油机的最大冲程和最高冲次,而无需借助相关仪器。
卷积神经网络在图像分类、目标检测、语义分割、人体姿态估计等许多计算机视觉任务中取得了最新的成果。其优势在于,它能够学习到比传统手工标注的特征更丰富的表征。这些网络大多逐渐减小特征图的空间大小,将高分辨率到低分辨率的卷积串联起来,形成低分辨率表示,并进一步处理以进行分类。但是位置敏感任务需要高分辨率表示,例如语义分割、人体姿势估计和目标检测。此前最先进的方法采用高分辨率恢复过程进行上采样,一般是线性插值或是转置卷积。不过这样做得到的位置特征并不完全,因为下采样过程损失的信息是不可逆的,无法完全恢复。
简言之,目前由于各大油田大都进入到了高含水开发阶段,现场抽油机数量众多,日常巡检任务困难,测量相关参数需要借助专业示功仪,成本颇高。怎样减轻油田负担,仅利用视频或是图像便能得到光杆冲程、最大冲次和悬点位移成为具有研究价值的问题。
发明内容
针对传统抽油机冲程冲次和悬点位移的测量需要借助专业仪器的问题,本发明提出一种基于高分辨率表征学习的抽油机运行轨迹模拟方法,借助多分辨率并联网络,实现关键点热图预测,节省油田成本。
本发明的技术方案如下:
一种基于高分辨率表征学习的抽油机运行轨迹模拟方法,包括以下步骤:
步骤1、构建并联多分辨率网络模型,确定网络分支数和高分辨率主干网络层;
步骤3、收集抽油机图像数据集,标注关键点并制作样本集,并设定批次大小;
步骤4、采用多种方式来增强数据集,增强后再进行数据预处理;
步骤5、样本数据处理完成后,输入并联多分辨率网络模型进行多分辨率并行卷积,进入预训练阶段,将训练所得权值的参数用做学习器的微调起始;
步骤6、进行多分辨率融合,进入训练阶段;
步骤7、训练网络末端输出预测关键点位置热点图,并与实际热点图点位计算误差,进入测试阶段;
步骤8、误差反向传播,优化高分辨率并联网络的学习器权重层参数;
步骤9、判断是否满足停止准则中规定的循环迭代次数,如果循环迭代次数达到了设定的次数则停止迭代,并输出抽油机关键点预测热图,并将相关点位连接完成最终轨迹模拟任务,否则,返回步骤5;
步骤10、对模型进行评价,评价指标包括精确度和召回率;
步骤11、输出评价性能良好的高分辨率并联网络模型,实时采集控油机数据,输入模型,实时输出模拟得到的控油机运行轨迹,辅助油田抽油机冲程冲次和悬点位移的测量。
进一步地,并联多分辨率网络,分为四个阶段和四个并联的网络分支,确定并联的第一层为高分辨率主干网络层;其中,并行卷积处理时各个通道图之间通过卷积模块连接,新网络分支的通道图由跨层卷积产生,而由低分辨率通道图到高分辨率通道图的信息交互则通过上采样实现;整个网络主干路分辨率不会降低,而各阶段之间的连接部分会发生信息的交互和传递,以此结合高级和低级图像特征来确保网络最终输出的特征图包含全局信息;该并联多分辨率网络分辨率逐阶段降低一半。
进一步地,步骤3的具体过程为:
步骤3.1、通过现场拍摄和网络爬虫,收集抽油机图像和视频数据集,初步筛选得到满足要求的样本集;
步骤3.2、选用labelme工具作为处理程序,将抽油机样本集文件放入单独新建的文件夹中,导入数据文件;
步骤3.3、设定控油机关键点数目和位置;
步骤3.4、标注并连接控油机关键点,关键点相连表示出抽油机的运行轨迹;
步骤3.5、待全部样本的关键点位置标注完成,将结果保存为.json格式的控油机标注文件并导出;
步骤3.6、对导出文件进行规范化处理,调整为标准数据集的标注样式,作为样本的真实输出和预测目标以进行后续热点图估算。
进一步地,步骤4中,数据增强处理方式包括随即旋转45度角内、随机尺度变换和翻转处理;采用归一化的方式进行数据预处理。
进一步地,步骤5的具体过程为:
将样本文件输入并联多分辨率网络架构进行多分辨率并行卷积,提取空间信息;多分辨率并行卷积,将输入通道划分为几个通道子集,并分别在不同的空间分辨率上对每个子集执行规则卷积,而在组卷积中,各层分辨率相同;
并联多分辨率网络从一个高分辨率卷积层开始,逐渐将高分辨率和低分辨率流相组合,组成新的级层,并将它们并联连接,对于一个四级并联网络流,逻辑如下:
具体原理为:通过遵循残差网络的设计规则,将层数深度分配到每个阶段,并将通道数分配到每个分辨率,从而实例化关键点热图估计网络。
进一步地,步骤6的具体过程为:
该阶段输入通道被划分为几个子集,输出通道也被划分为数个子集;输入和输出子集以全连接的方式连接,其中每个连接都是规则卷积;输出通道的子集是每个输入通道子集上卷积输出的总和,多分辨率融合处理分辨率的变化;
其中,R表示通道表征;用i和o来表示通道是输出还是输入,i表示R是输入表征,o表示R是输出表征;
对于跨阶段融合步骤,从阶段三到阶段四的过程会有额外输出;
对于信息交互函数f zr (.),它的选择取决于输入分辨率索引值z和输出分辨率索引号r;如果z=r,则f zr (R)=R;如果z<r,f zr (R)对输入表征R进行(r-z)次步长为2的3×3卷积下采样,比如,进行2倍下采样,则需要1次跨步3×3卷积,而如果进行4倍下采样,则需要2次跨步3×3卷积处理;如果z>r,f zr (R)则采用双线性上采样处理输入表征R,然后进行1×1卷积以对齐通道数;
高分辨率并联网络模型在并行子网中引入交换单元,使得每个子网重复地从其他并行子网接收信息;假设第一阶段包含4个残差单元,其中每个单元由宽度为64的模块形成,然后是一个3×3卷积,将特征映射的宽度减小到指定大小;第二、第三、第四阶段分别包含1、4、3个交换块;一个交换块包含4个残差单元,其中每个单元在每个分辨率中包含两个3×3卷积,在每个分辨率中包含一个交换单元;综上所述,共有8个交换单元,进行了8次多尺度融合;
将第三级层划分为几个交换块,每个块由3个并行卷积单元组成,每个并行单元之间有一个交换单元,如下所示:
该阶段将模型放在GPU上加速训练。
进一步地,步骤7中,使用两阶段自上而下范式对测试集进行测试来验证实际预测效果;
通过应用二维高斯分布,以每个关键点的组真值位置为中心,标准偏差为1个像素,生成真实候选框热图;在此之前,对输入点图进行数据归一化处理如下:
其中,max对应输入数据y的最大值,min对应输入数据y的最小值;
通过平均原始图像和翻转图像的热图来计算热图;调整最高热值位置,再从最高响应点到第二高响应点的方向上偏移四分之一,来预测每个关键点位置;高分辨率并联网络最后一个交换单元输出的高分辨率表示回归热图;损失函数定义为均方误差。
进一步地,步骤8中,使用真实关键点位热图作为真实值与预测热图进行对比和误差分析,并反向传播优化网络参数;优化过程采用Adam优化器。
进一步地,步骤10中,精确度和召回率的定义如下:
其中,TP:表示为正样本并被分类器判断为正样本的个数;FP:表示被分类器判断为负的样本数;FN:表示为实际为正但被分类器判断为负的样本数。
本发明所带来的有益技术效果:
本发明方法学习到的抽油机关键点高分辨率表示不仅在语义上很强,而且在空间上也很精确。本发明方法处理抽油机图像时将高分辨率卷积流与低分辨率卷积流并行连接,而不是串联连接,因此能够保持高分辨率,而不是从低分辨率恢复高分辨率,由此学习到的表示能够在空间位置上更精确;大多数特征融合方案聚合了通过上采样获得的高分辨率的低级别和高级别表示,而本方法对抽油机特征图重复多分辨率融合,在低分辨率表示的帮助下增强高分辨率表示,反之亦然。因此,所有高分辨率到低分辨率的表示在语义上都很强。本发明高分辨率表征方法既维持高分辨率网络的位置敏感性,又融合低分辨率网络的高级语义特征,从而应对抽油机复杂结构的识别。同时,本发明的方法,还可以用于抽油机三维模型的建立、故障工况诊断等。
附图说明
图1是本发明基于高分辨率表征学习的抽油机运行轨迹模拟方法的总体设计流程图;
图2是本发明中高分辨率并联网络的结构图;
图3是本发明中抽油机样本标注过程的流程图;
图4是本发明中抽油机标注关键点的数目、位置和连接图;
图5是本发明实施例中样本训练过程的准确率图;
图6是本发明实施例中样本训练过程的误差曲线图;
图7是本发明实施例中样本验证过程的准确率图;
图8是本发明实施例中样本验证过程的误差曲线图;
图9是本发明实施例中样本验证过程的精确率曲线图;
图10是本发明实施例中样本验证过程的召回率曲线图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提出了一种基于高分辨率表征学习的抽油机运行轨迹模拟方法。作为一种新的体系结构,高分辨率表征学习采用并联多分辨率网络来模拟抽油机运行轨迹,它能够在整个过程中保持高分辨率的表示。网络从一个高分辨率卷积流开始,逐步将高分辨率卷积流添加到低分辨率卷积流,然后连接多分辨率并行流。由此产生的网络由数个阶段组成,第n阶段包含对应于n个分辨率的n个流。模型通过一次又一次地在并行流之间交换信息来进行重复的多分辨率融合操作,这样学习到的高分辨率表示不仅在语义上很强,而且在空间上也很精确。
如图1所示,一种基于高分辨率表征学习的抽油机运行轨迹模拟方法,通过并联多分辨率子网络维护高分辨率表征,再利用信息交换函数进行多通道特征融合,实现抽油机关键点位置的拟合预测和运行轨迹的模拟,具体包括以下步骤:
步骤1、构建并联多分辨率网络模型,确定网络分支数和高分辨率主干网络层。具体过程为:
如图2所示,并联多分辨率网络,分为四个阶段和四个并联(平行)的网络分支(子网络),确定并联的第一层为高分辨率主干网络层。其中,并行卷积处理时各个通道图之间通过卷积模块连接,新网络分支的通道图由跨层卷积产生,而由低分辨率通道图到高分辨率通道图的信息交互则通过上采样实现。整个网络主干路分辨率不会降低,而各阶段之间的连接部分会发生信息的交互和传递,以此结合高级和低级图像特征来确保网络最终输出的特征图包含全局信息,这样既能学习到语义信息,又不会丢失空间位置信息。该并联多分辨率网络分辨率逐阶段降低到一半,因此宽度(通道数)会增加到两倍。
步骤3、收集抽油机图像数据集D,标注关键点并制作样本集,并设定批次大小;
如图3所示,具体过程为:
步骤3.1、通过现场拍摄和网络爬虫,收集抽油机图像和视频数据集,初步筛选得到满足要求的样本集;
步骤3.2、选用labelme工具作为处理程序,将抽油机样本集文件放入单独新建的文件夹中,导入数据文件;
步骤3.3、设定控油机关键点数目和位置;关键点个数设为7个,代表抽油机的各个结构,分别为:游梁轴、横梁轴、连杆轴、输出轴、游梁驴头连接处、驴头上端、驴头下端;
步骤3.4、标注并连接控油机关键点,这些关键点相连可以表示出抽油机的运行轨迹,便于参数测量。图4展示了抽油关键点的理论标注图,其中数字代表标注顺序,具体表示为:1.游梁轴;2.横梁轴;3.连杆轴;4.输出轴;5.游梁驴头连接处;6.驴头上端;7.驴头下端。
步骤3.5、待全部样本的关键点位置标注完成,将结果保存为.json格式的控油机标注文件并导出;
步骤3.6、对导出文件进行规范化处理,调整为标准数据集的标注样式,作为样本的真实输出和预测目标以进行后续热点图估算。
步骤4、采用多种方式来增强数据集,增强后再进行数据预处理。数据增强处理方式包括随即旋转45度角内、随机尺度变换和翻转处理,将样本量机进行一定数量的扩充,增加样本数量能使模型获得更好的性能,以便学习到更丰富的表征。主要采用归一化的方式进行数据预处理。
步骤5、样本数据处理完成后,输入并联多分辨率网络模型进行多分辨率并行卷积,进入预训练阶段,将训练所得权值的参数用做学习器的微调起始;具体过程为:
将样本文件输入并联多分辨率网络架构进行多分辨率并行卷积,提取空间信息。多分辨率并行卷积过程类似于分组卷积,将输入通道划分为几个通道子集,并分别在不同的空间分辨率上对每个子集执行规则卷积,而在组卷积中,各层分辨率是相同的。这种连接意味着多分辨率并行卷积可以享受组卷积的一些好处;
并联多分辨率网络从一个高分辨率卷积层开始,逐渐将高分辨率和低分辨率流相组合,组成新的级层,并将它们并联连接,对于一个四级并联网络流,逻辑如下:
具体原理为:通过遵循残差网络的设计规则,将层数深度分配到每个阶段,并将通道数分配到每个分辨率,从而实例化关键点热图估计网络。
步骤6、进行多分辨率融合,进入训练阶段;
该阶段输入通道被划分为几个子集,输出通道也被划分为数个子集。输入和输出子集以全连接的方式连接,其中每个连接都是规则卷积。输出通道的子集是每个输入通道子集上卷积输出的总和,而不同之处在于,多分辨率融合需要处理分辨率的变化。
其中,R表示通道表征;用i和o来表示通道是输出还是输入,i表示R是输入表征,o表示R是输出表征;
对于跨阶段融合步骤,即从阶段三到阶段四的过程会有额外输出;
对于信息交互函数f zr (.),它的选择取决于输入分辨率索引值z和输出分辨率索引号r。如果z=r,则f zr (R)=R;如果z<r,f zr (R)对输入表征R进行(r-z)次步长为2的3×3卷积下采样,比如,进行2倍下采样,则需要1次跨步3×3卷积,而如果进行4倍下采样,则需要2次跨步3×3卷积处理;如果z>r,f zr (R)则采用双线性上采样处理输入表征R,然后进行1×1卷积以对齐通道数。
具体过程为:
高分辨率并联网络模型在并行子网中引入交换单元,使得每个子网重复地从其他并行子网接收信息。下面是一个显示信息交换方案的示例。第一阶段包含4个残差单元,其中每个单元(与ResNet-50相同)由宽度为64的模块形成,然后是一个3×3卷积,将特征映射的宽度减小到指定大小。第二、第三、第四阶段分别包含1、4、3个交换块。一个交换块包含4个残差单元,其中每个单元在每个分辨率中包含两个3×3卷积,在每个分辨率中包含一个交换单元。综上所述,共有8个交换单元,即进行了8次多尺度融合。
将第三级层划分为几个(例如,3个)交换块,每个块由3个并行卷积单元组成,每个并行单元之间有一个交换单元,如下所示:
该阶段将模型放在GPU上加速训练。
步骤7、训练网络末端输出预测关键点位置热点图,并与实际热点图点位计算误差,进入测试阶段;可以使用两阶段自上而下范式对测试集进行测试来验证实际预测效果。
通过应用二维高斯分布,以每个关键点的组真值位置为中心,标准偏差为1个像素,生成真实候选框热图。在此之前,对输入点图进行数据归一化处理如下:
其中,max对应输入数据y的最大值,min对应输入数据y的最小值。
通过平均原始图像和翻转图像的热图来计算热图。调整最高热值位置,再从最高响应点到第二高响应点的方向上偏移四分之一,来预测每个关键点位置。本发明高分辨率并联网络最后一个交换单元输出的高分辨率表示回归热图,这在经验上验证运行良好。
损失函数定义为均方误差,用于比较预测热图和地面真实热图。
步骤8、误差反向传播,优化高分辨率并联网络的学习器权重层参数。使用真实关键点位热图作为真实值与预测热图进行对比和误差分析,并反向传播优化网络参数。优化过程采用Adam优化器。
步骤9、判断是否满足停止准则中规定的循环迭代次数,如果循环迭代次数达到了设定的次数则停止迭代,并输出抽油机关键点预测热图,并将相关点位连接完成最终轨迹模拟任务,否则,返回步骤5。
步骤10、对模型进行评价,评价指标包括精确度和召回率。
精确度和召回率的定义如下:
其中,TP:表示为正样本并被分类器判断为正样本的个数;FP:表示被分类器判断为负的样本数;FN:表示为实际为正但被分类器判断为负的样本数。
步骤11、输出评价性能良好的高分辨率并联网络模型,实时采集控油机数据,输入模型,实时输出模拟得到的控油机运行轨迹,辅助油田抽油机冲程冲次和悬点位移的测量。
本高分辨率并联网络并行连接分辨率由高到低的子网络。它在整个过程中保持高分辨率表示,用于空间精确的热点图估计。它通过反复融合分辨率由高到低的子网络生成的表示,生成可靠的高分辨率表示。本方法不同于大多数现有的工作,它们需要一个单独的从低到高的上采样过程,并聚合低级别和高级别的表示。本方法在不使用中间热图监督的情况下,在关键点检测精度和计算复杂度及参数量方面具有优越性。
实施例
为了证明本发明的可行性,进行了如下实验。
以某油田实际抽油机拍摄图像和网络爬虫所收集到的样本数据为例对所提出的技术进行测试,并进行后续分析讨论。然后按照下面的步骤进行油田抽油机运行轨迹模拟过程。
步骤1、构建并联多分辨率网络模型。在网络层级设置方面,选用卷积层与池化层的两次循环层,随后进入四级的多分辨率并联网络层中,而网络最终只经高分辨率主干网络输出实验结果。
步骤2、设定模型参数。随机初始化网络参数,卷积参数权重w和偏置b、特征融合层
参数的默认值均为0,设定初始学习率为0.001,神经网络最多循环迭代次数(100次),热
点图的大小设定为48×64;根据所需特征图的分辨率大小设定信息交互函数。
步骤3、收集实际抽油机数据,初步筛选可以获得800个可用样本,样本间差异性足够,代表抽油机的多种运行状况。编写程序,将抽油机静态位置点挑选出,组成代表性样本,按一定比例作为训练样本放入模型进行卷积处理;对抽油机数据集进行图像设定。将抽油机检测框的高度或宽度扩展到固定的纵横比为高:宽=4:3,然后从图像中裁剪出该框,并将其调整为固定大小,即256×192;
接下来给出输入图像大小、网络参数量和所选用卷积核大小。抽油机输入图像大小为256×192,网络参数量大约为28.5百万个,对目前深度网络来说百万级参数大小可以接受,根据实际需求网络层数和参数量也要做相应调整。卷积核针对下采样和上采样有所不同,下采样过程采用3×3的跨步卷积而上采样则采用1×1卷积,然后数据会进行批量归一化、ReLU非线性处理、最大池化处理等。
事先使用工具labelme完成样本标签的设定,并且数据集批次大小设为16。
步骤4、增强数据集。采用随即旋转45度角内、随机尺度变换和翻转处理的方式,将样本量机进行一定数量的扩充,以便学习到更丰富的表征。随后进行数据预处理,主要是归一化。
步骤5、完成后输入样本,进行多分辨率并行卷积,进入预训练阶段。选用ImageNet1K作为预训练数据集,将所得权值的参数用做学习器的微调起始。
ImageNet是一个计算机视觉系统识别项目,是目前世界上图像识别最大的数据库,是美国斯坦福的计算机科学家,模拟人类的识别系统建立的。本网络采用ImageNet1K来进行预训练处理并得到预训练网络权值。这里“1K”代表的是1000个类别,用这个数据测试模型结构是很方便的。一般来说,这个数据集的训练集和测试集分为80:20。对于抽油机关键点热图的预测,模型采用预训练参数来进行后续实验。
步骤6、进行多分辨率融合,进入本阶段的输入通道和输出通道被划分为几个子集。输入和输出子集以全连接的方式连接,其中每个连接都是规则卷积。输出通道的子集是每个输入通道子集上卷积输出的总和,并将模型放在GPU上加速训练。输出预测关键点位置热点图,并与实际热点图点位计算误差。
步骤7、输出预测关键点位置热点图,并与实际热点图点位计算误差,进入测试阶段,这里使用两阶段自上而下范式。通过平均原始图像和翻转图像的热图来计算热图。调整最高热值位置,再从最高响应点到第二高响应点的方向上偏移四分之一,来预测每个关键点位置。本网络最后一个交换单元输出的高分辨率表示回归热图,这在经验上验证运行良好。损失函数定义为均方误差,用于比较预测热图和地面真实热图。
步骤8、误差反向传播,优化并联卷积网络的学习器权重层参数。使用真实关键点位热图作为真实值与预测热图进行对比和误差分析,并反向传播优化网络参数。优化过程采用Adam优化器,基本学习率设置为0.001,并在后续循环中降至0.0001和0.00001之间。
步骤9、经过设定次数的循环迭代过程后,网络输出额外测试集的抽油机关键点预测热图,并将相关点位连接完成最终轨迹模拟任务。
步骤10、进行模型性能评价并输出评价性能良好的模型。其中,评价指标包括准确率和误差损失。
图5和图6为本发明实验训练过程准确率和误差曲线的效果图。由图5能够看出,循环迭代到20次左右训练阶段的准确率已经达到0.9以上,而训练损失更是低于0.001,而在后续训练过程中,准确率和误差也是保持较为平稳,效果略有提升。图7和图8是本发明实验验证过程准确率和误差曲线的效果图,也是网络最终效果的展现图。从两张图可以明显看出,实验验证效果很快提升到高数值,其中准确率达到0.9左右,后续迭代过程中虽然略微波动,但基本维持均值线附近。根据训练和验证两个阶段的实验结果可以明显看出,高分辨率并联卷积网络在处理抽油机关键点的全样本预测任务中表现出优异性能。图9是本发明实验精确率曲线图,平均精确率AP初始阶段上升相当快,最终达到0.9附近,而高精度意味着模型在预测对应正样本能力较强,说明模型区分负样本的能力强。图10是本发明实验召回率曲线图,可以从图中看出,召回率数值的变化规律类似于精确率,并且最终数值大于精确率最高值,而高召回率意味着网络能尽可能多地预测正样本,这说明模型可以很好地对正样本进行预测。
步骤11、最终,输出评价性能好的模型在线实时模拟,对所得抽油机模拟轨迹进行分析,绘制出悬点随时间的位移序列图,并自动计算出光杆冲程和最大冲次,辅助油井产量的计算。
目前由于各大油田大都进入到了高含水开发阶段,现场抽油机数量众多,日常巡检任务困难,测量相关参数需要借助专业示功仪,成本颇高。怎样减轻油田负担,仅利用视频或是图像便能得到光杆冲程、最大冲次和悬点位移成为具有研究价值的问题。本发明通过高分辨率表征学习,利用高分辨率并联网络,保持主干网络的高分辨率不变来获取精确的空间位置信息,同时其他分支网络可以降低分辨率来获得更加高级的特征,从而提高抽油机关键点热图预测的准确率,为参数测量提供帮助。通过并联多分辨率卷积和重复多尺度融合,网络所预测的抽油机关键点位图兼具位置敏感性和高级语义特征。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,包括以下步骤:
步骤1、构建并联多分辨率网络模型,确定网络分支数和高分辨率主干网络层;
步骤3、收集抽油机图像数据集,标注关键点并制作样本集,并设定批次大小;
步骤4、采用多种方式来增强数据集,增强后再进行数据预处理;
步骤5、样本数据处理完成后,输入并联多分辨率网络模型进行多分辨率并行卷积,进入预训练阶段,将训练所得权值的参数用做学习器的微调起始;
步骤6、进行多分辨率融合,进入训练阶段;
步骤7、训练网络末端输出预测关键点位置热点图,并与实际热点图点位计算误差,进入测试阶段;
步骤8、误差反向传播,优化高分辨率并联网络的学习器权重层参数;
步骤9、判断是否满足停止准则中规定的循环迭代次数,如果循环迭代次数达到了设定的次数则停止迭代,并输出抽油机关键点预测热图,并将相关点位连接完成最终轨迹模拟任务,否则,返回步骤5;
步骤10、对模型进行评价,评价指标包括精确度和召回率;
步骤11、输出评价性能良好的高分辨率并联网络模型,实时采集控油机数据,输入模型,实时输出模拟得到的控油机运行轨迹,辅助油田抽油机冲程冲次和悬点位移的测量。
2.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,并联多分辨率网络,分为四个阶段和四个并联的网络分支,确定并联的第一层为高分辨率主干网络层;其中,并行卷积处理时各个通道图之间通过卷积模块连接,新网络分支的通道图由跨层卷积产生,而由低分辨率通道图到高分辨率通道图的信息交互则通过上采样实现;整个网络主干路分辨率不会降低,而各阶段之间的连接部分会发生信息的交互和传递,以此结合高级和低级图像特征来确保网络最终输出的特征图包含全局信息;该并联多分辨率网络分辨率逐阶段降低一半。
3.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,所述步骤3的具体过程为:
步骤3.1、通过现场拍摄和网络爬虫,收集抽油机图像和视频数据集,初步筛选得到满足要求的样本集;
步骤3.2、选用labelme工具作为处理程序,将抽油机样本集文件放入单独新建的文件夹中,导入数据文件;
步骤3.3、设定控油机关键点数目和位置;
步骤3.4、标注并连接控油机关键点,关键点相连表示出抽油机的运行轨迹;
步骤3.5、待全部样本的关键点位置标注完成,将结果保存为.json格式的控油机标注文件并导出;
步骤3.6、对导出文件进行规范化处理,调整为标准数据集的标注样式,作为样本的真实输出和预测目标以进行后续热点图估算。
4.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,所述步骤4中,数据增强处理方式包括随即旋转45度角内、随机尺度变换和翻转处理;采用归一化的方式进行数据预处理。
5.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,所述步骤5的具体过程为:
将样本文件输入并联多分辨率网络架构进行多分辨率并行卷积,提取空间信息;多分辨率并行卷积,将输入通道划分为几个通道子集,并分别在不同的空间分辨率上对每个子集执行规则卷积,而在组卷积中,各层分辨率相同;
并联多分辨率网络从一个高分辨率卷积层开始,逐渐将高分辨率和低分辨率流相组合,组成新的级层,并将它们并联连接,对于一个四级并联网络流,逻辑如下:
具体原理为:通过遵循残差网络的设计规则,将层数深度分配到每个阶段,并将通道数分配到每个分辨率,从而实例化关键点热图估计网络。
6.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,所述步骤6的具体过程为:
该阶段输入通道被划分为几个子集,输出通道也被划分为数个子集;输入和输出子集以全连接的方式连接,其中每个连接都是规则卷积;输出通道的子集是每个输入通道子集上卷积输出的总和,多分辨率融合处理分辨率的变化;
每个输出是三个输入的转换表示的总和,公式如下:
其中,R表示通道表征;用i和o来表示通道是输出还是输入,i表示R是输入表征,o表示R是输出表征;
对于跨阶段融合步骤,从阶段三到阶段四的过程会有额外输出;
对于信息交互函数f zr (.),它的选择取决于输入分辨率索引值z和输出分辨率索引号r;如果z=r,则f zr (R)=R;如果z<r,f zr (R)对输入表征R进行(r-z)次步长为2的3×3卷积下采样,比如,进行2倍下采样,则需要1次跨步3×3卷积,而如果进行4倍下采样,则需要2次跨步3×3卷积处理;如果z>r,f zr (R)则采用双线性上采样处理输入表征R,然后进行1×1卷积以对齐通道数;
高分辨率并联网络模型在并行子网中引入交换单元,使得每个子网重复地从其他并行子网接收信息;假设第一阶段包含4个残差单元,其中每个单元由宽度为64的模块形成,然后是一个3×3卷积,将特征映射的宽度减小到指定大小;第二、第三、第四阶段分别包含1、4、3个交换块;一个交换块包含4个残差单元,其中每个单元在每个分辨率中包含两个3×3卷积,在每个分辨率中包含一个交换单元;综上所述,共有8个交换单元,进行了8次多尺度融合;
将第三级层划分为几个交换块,每个块由3个并行卷积单元组成,每个并行单元之间有一个交换单元,如下所示:
该阶段将模型放在GPU上加速训练。
8.根据权利要求1所示基于高分辨率表征学习的抽油机运行轨迹模拟方法,其特征在于,所述步骤8中,使用真实关键点位热图作为真实值与预测热图进行对比和误差分析,并反向传播优化网络参数;优化过程采用Adam优化器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406824.3A CN114492216B (zh) | 2022-04-19 | 2022-04-19 | 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210406824.3A CN114492216B (zh) | 2022-04-19 | 2022-04-19 | 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114492216A true CN114492216A (zh) | 2022-05-13 |
CN114492216B CN114492216B (zh) | 2022-07-19 |
Family
ID=81489491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210406824.3A Active CN114492216B (zh) | 2022-04-19 | 2022-04-19 | 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492216B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998453A (zh) * | 2022-08-08 | 2022-09-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于高尺度单元的立体匹配模型及其应用方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175575A (zh) * | 2019-05-29 | 2019-08-27 | 南京邮电大学 | 一种基于新型高分辨率网络模型的单人姿态估计方法 |
US20190303677A1 (en) * | 2018-03-30 | 2019-10-03 | Naver Corporation | System and method for training a convolutional neural network and classifying an action performed by a subject in a video using the trained convolutional neural network |
CN112149590A (zh) * | 2020-09-28 | 2020-12-29 | 河南威虎智能科技有限公司 | 一种手部关键点检测方法 |
CN112949196A (zh) * | 2021-03-11 | 2021-06-11 | 中国石油大学(北京) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 |
CN113076891A (zh) * | 2021-04-09 | 2021-07-06 | 华南理工大学 | 基于改进高分辨率网络的人体姿态预测方法及系统 |
AU2021103509A4 (en) * | 2021-06-21 | 2021-08-12 | Naval Aviation University | Radar hrrp target class labeling method based on convolutional auto-encoder |
-
2022
- 2022-04-19 CN CN202210406824.3A patent/CN114492216B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303677A1 (en) * | 2018-03-30 | 2019-10-03 | Naver Corporation | System and method for training a convolutional neural network and classifying an action performed by a subject in a video using the trained convolutional neural network |
CN110175575A (zh) * | 2019-05-29 | 2019-08-27 | 南京邮电大学 | 一种基于新型高分辨率网络模型的单人姿态估计方法 |
CN112149590A (zh) * | 2020-09-28 | 2020-12-29 | 河南威虎智能科技有限公司 | 一种手部关键点检测方法 |
CN112949196A (zh) * | 2021-03-11 | 2021-06-11 | 中国石油大学(北京) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 |
CN113076891A (zh) * | 2021-04-09 | 2021-07-06 | 华南理工大学 | 基于改进高分辨率网络的人体姿态预测方法及系统 |
AU2021103509A4 (en) * | 2021-06-21 | 2021-08-12 | Naval Aviation University | Radar hrrp target class labeling method based on convolutional auto-encoder |
Non-Patent Citations (5)
Title |
---|
K CHAITANYA PAVAN TANAY ET AL: "Heterogeneous parallel implementation of single image super resolution using transformed self-exemplars on multicore & TitanX GPU", 《IEEE》 * |
张凯 等: "基于稀疏优化与集合卡尔曼滤波算法的油藏自动历史拟合方法", 《第五届数字油田国际数学术会议》 * |
张凯 等: "智能油田开发中的大数据及智能优化理论和方法研究现状及展望", 《中国石油大学学报(自然科学版)》 * |
申小凤等: "基于ASPP的高分辨率卷积神经网络2D人体姿态估计研究", 《现代计算机》 * |
赵子昂: "基于卷积神经网络的精确和实时人体关键点检测算法研究及部署", 《中国优秀硕士学位论文全文数据库(电子期刊)(信息科技辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998453A (zh) * | 2022-08-08 | 2022-09-02 | 国网浙江省电力有限公司宁波供电公司 | 一种基于高尺度单元的立体匹配模型及其应用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114492216B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Radio Galaxy Zoo: CLARAN–a deep learning classifier for radio morphologies | |
Gui et al. | Joint learning of visual and spatial features for edit propagation from a single image | |
Zhang et al. | Structural symmetry recognition in planar structures using convolutional neural networks | |
CN110929736B (zh) | 多特征级联rgb-d显著性目标检测方法 | |
Georgiou et al. | Learning fluid flows | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN114492216B (zh) | 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法 | |
CN114511710A (zh) | 一种基于卷积神经网络的图像目标检测方法 | |
Lucena et al. | Decision support system for classifying archaeological pottery profiles based on mathematical morphology | |
Luo et al. | An improved data-driven topology optimization method using feature pyramid networks with physical constraints | |
Jiang et al. | Automatic pixel-level detection and measurement of corrosion-related damages in dim steel box girders using Fusion-Attention-U-net | |
Liu et al. | A real-time and efficient surface defect detection method based on YOLOv4 | |
Lima et al. | Automatic design of deep neural networks applied to image segmentation problems | |
CN116597275A (zh) | 一种基于数据增强的高速移动目标识别方法 | |
Castillo et al. | Object detection in digital documents based on machine learning algorithms | |
Fan et al. | Adversarial Latent Autoencoder with Self-Attention for Structural Image Synthesis | |
Akande et al. | A Review of Generative Models for 3D Vehicle Wheel Generation and Synthesis | |
Wang et al. | Deep learning-based state prediction of the Lorenz system with control parameters | |
Ibrahim et al. | Re-designing cities with conditional adversarial networks | |
Albaráñez Martínez et al. | A case of study on traffic cone detection for autonomous racing on a jetson platform | |
Guo et al. | Udtiri: An open-source road pothole detection benchmark suite | |
Wang et al. | A fast-training GAN for coal–gangue image augmentation based on a few samples | |
Vanherle et al. | Detecting tool keypoints with synthetic training data | |
Perrine et al. | KP-RNN: A Deep Learning Pipeline for Human Motion Prediction and Synthesis of Performance Art | |
Yang et al. | T3DNet: Compressing Point Cloud Models for Lightweight 3D Recognition |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |