CN115019030B - 一种钻井线流异常视觉检测与识别方法 - Google Patents
一种钻井线流异常视觉检测与识别方法 Download PDFInfo
- Publication number
- CN115019030B CN115019030B CN202210213339.4A CN202210213339A CN115019030B CN 115019030 B CN115019030 B CN 115019030B CN 202210213339 A CN202210213339 A CN 202210213339A CN 115019030 B CN115019030 B CN 115019030B
- Authority
- CN
- China
- Prior art keywords
- image
- line flow
- point
- gray
- flow
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005553 drilling Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 230000000007 visual effect Effects 0.000 title claims abstract description 10
- 239000012530 fluid Substances 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种钻井线流异常视觉检测与识别方法,包括将防爆摄像机安装至钻井液高架槽的正上方,防爆摄像机拍摄的视频分辨率为U×V,第n帧图像使用I(n)来表示,其中I(n)是维度为U×V×3的RGB彩色图像、将RGB三维图像转换成二维灰度图像等步骤。本发明所公开的方法,可以实现钻井线流异常自动识别,打破了目前靠人工识别检测线流的落后模式,提升了线流识别的智能化、准确性和实时性,为钻井施工安全提供了有力支撑。
Description
技术领域
本发明属于石油工程勘探领域,特别涉及该领域中的一种钻井线流异常视觉自动检测与识别方法。钻井过程中,在非钻进状态下,停止泥浆循环泵之后,由井下从钻井液出口槽返出的微弱泥浆流为线流,当出现线流时,预示着存在井涌、井喷的异常风险,需要采取防范措施。
背景技术
井喷失控是重大的钻井事故,危害十分巨大,除了造成巨大经济损失、人员伤亡,还会对生态环境造成严重的危害。因此,如何能够实现早期溢流监测成为钻井井控安全的关键技术。
目前的溢流监测方法主要有泥浆池液面法、钻井液返出流量差分法、声波气侵监测法,但当钻井循环泵停止后,出口槽溢流呈线状的流动状态,由于液面波动微弱,传统检测方法受检测原理限制较难发现小流量变化,为了能够不遗漏线流异常的发现,确保井控安全,目前钻井在打开油气层后,会安排专人在钻井液出口返出槽位置坐岗,通过人眼识别线流异常,但这种人工检测方法,受人为因素影响,无法确保异常发现的及时性和准确性。
综上所述,现有的井场溢流检测装置发现溢流比较滞后,无法在溢流发生的早期及时发现异常,不利于井场安全施工。通过出口槽液面高度变化来监测井场溢流,受传感器分辨率和灵敏度限制,对于溢流早期出现的线流微弱异常无法准确捕获与识别。依靠人工坐岗检测线流的方式,没有将人从危险、繁重的作业方式中解放出来,并且存在不智能、实时性低、准确性低、可靠性差的问题。
发明内容
本发明所要解决的技术问题就是提供一种钻井线流异常视觉检测与识别方法,可以实现线流异常的自动识别。
本发明采用如下技术方案:
一种钻井线流异常视觉检测与识别方法,其改进之处在于,包括如下步骤:
步骤1,将防爆摄像机安装至钻井液高架槽的正上方,防爆摄像机拍摄的视频分辨率为U×V,第n帧图像使用I(n)来表示,其中I(n)是维度为U×V×3的RGB彩色图像;
在防爆摄像机拍摄的视频中定位钻井液高架槽上要检测线流区域所对应的四个坐标点(x1,y1),(x2,y2),(x3,y3),(x4,y4),在视频第n帧中四个坐标点之间的图像为I(n)target;
步骤2,将I(n)target转换成灰度图像gray(I(n)target),将RGB三维图像转换成二维灰度图像;
步骤3,对图像gray(I(n)target)进行均值滤波处理,得到图像
均值滤波处理的算法如下:
其中,Pxy为点(x,y)的邻域集合,M为集合Pxy中的元素个数,如果图像中点(x,y)的像素值I(x,y)与邻域平均值的差值不大于阈值T,则保留该点的像素值,反之则用邻域的均值作为该点对滤波的响应;
步骤4,对于第n+1帧图像I(n+1),重复以上步骤1—3,得到第n+1帧图像的
步骤5,计算第n帧图像与第n+1帧图像间的差异图像Diffn+1;
步骤6,针对帧间差图像Diffn+1进行基于数学形态学的膨胀和腐蚀运算:
式(3)为膨胀运算,其定义是:将结构元素B平移z后得到Bz,若Bz击中集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B膨胀的结果;
式(4)为腐蚀运算,是膨胀运算的对偶运算,其定义是:将结构元素B平移z后得到Bz,若Bz包含于集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B腐蚀的结果;
步骤7,统计经腐蚀、膨胀运算后的图像Diffn+1中线流特征点的数量Γn+1,当像素点(a,b)的亮度大于阈值Υ时确定此像素点(a,b)为线流特征点;
步骤8,设置线流特征点阈值为Ψ,当Γn+1>Ψ时,认为发生线流,并将记录线流发生次数的参数Num加1,否则确定未发现线流异常;
步骤9,在第s秒与第s+m秒之间,重复以上步骤1—8,并记录线流发生次数Num,通过下式来确定线流异常是否发生:
本发明的有益效果是:
本发明所公开的方法,可以实现钻井线流异常自动识别,打破了目前靠人工识别检测线流的落后模式,提升了线流识别的智能化、准确性和实时性,为钻井施工安全提供了有力支撑。
本发明所公开的方法,通过视觉传感器与人工智能算法相融合,实现钻井现场线流智能检测。本发明所公开的方法是一种适合井场环境的目标区域定位方法,通过对感兴趣区域的快速定位,可以提高后端算法异常识别正确性,并减少算法计算量。本发明所公开的方法包括视觉防抖动方法,可以有效解决野外环境下,由于视觉传感器抖动对线流识别算法所造成的干扰。本发明所公开的方法,针对钻井恶劣现场环境,具有目标区域定位、预处理、线流特征提取、线流异常识别、去抖动和抗曝光干扰等功能,可实现钻井现场线流自动检测。本发明所公开的方法,通过自学习过程,可以根据不同井场环境,实现自动学习与重构算法模型参数。
附图说明
图1是在视频第n帧中四个坐标点之间的图像;
图2是膨胀运算的示意图;
图3是腐蚀运算的示意图;
图4是本实施例所公开方法实施系统的总体方案框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1,本实施例公开了一种基于运动目标检测原理、适用于井场复杂环境的钻井线流异常视觉检测与识别方法,由目标区域定位、预处理、线流特征提取、线流异常识别、去抖动和抗曝光干扰等模块组成,具体包括如下步骤:
步骤1,将防爆摄像机安装至钻井液高架槽的正上方,防爆摄像机拍摄的视频分辨率为U×V,第n帧图像使用I(n)来表示,其中I(n)是维度为U×V×3的RGB彩色图像,gray(I(n))为I(n)转换而成的灰度图像。
在防爆摄像机拍摄的视频中定位钻井液高架槽上要检测线流区域所对应的四个坐标点(x1,y1),(x2,y2),(x3,y3),(x4,y4),如图1所示,在视频第n帧中四个坐标点之间的图像为I(n)target;
步骤2,将I(n)target转换成灰度图像gray(I(n)target),将RGB三维图像转换成二维灰度图像;
步骤3,对图像gray(I(n)target)进行均值滤波处理,得到图像
均值滤波处理的算法如下:
其中,Pxy为点(x,y)的邻域集合,M为集合Pxy中的元素个数,如果图像中点(x,y)的像素值I(x,y)与邻域平均值的差值不大于阈值T,则保留该点的像素值,反之则用邻域的均值作为该点对滤波的响应;通过这样一个阈值判别过程,使均值滤波过程不再是盲目的用邻域均值去替代中心点的像素值,而是有选择地使用均值滤波,在一定程度上避免了普通均值滤波去噪时模糊现象的出现,保留了图像的细节信息。
步骤4,对于第n+1帧图像I(n+1),重复以上步骤1—3,得到第n+1帧图像的
步骤5,计算第n帧图像与第n+1帧图像间的差异图像Diffn+1;
步骤6,针对帧间差图像Diffn+1进行基于数学形态学的膨胀和腐蚀运算,可以有效去除帧间差图像Diffn+1中的干扰点与干扰线:
式(3)为膨胀运算,如图2所示,其定义是:将结构元素B平移z后得到Bz,若Bz击中集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B膨胀的结果;
式(4)为腐蚀运算,如图3所示,是膨胀运算的对偶运算,其定义是:将结构元素B平移z后得到Bz,若Bz包含于集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B腐蚀的结果;
腐蚀也是对高亮部分而言,因为A区域之外的部分小于A的高亮像素,所以里面被外面取代。
步骤7,统计经腐蚀、膨胀运算后的图像Diffn+1中线流特征点的数量Γn+1,当像素点(a,b)的亮度大于阈值Υ时确定此像素点(a,b)为线流特征点;
步骤8,由于线流发生时,帧间差图像特征点数量将增大,设置线流特征点阈值为Ψ,当Γn+1>Ψ时,认为发生线流,并将记录线流发生次数的参数Num加1,否则确定未发现线流异常;
步骤9,为了解决防爆摄像机抖动对线流识别带来的影响,在第s秒与第s+m秒之间,重复以上步骤1—8,并记录线流发生次数Num,通过下式来确定线流异常是否发生:
如图4所示,在钻井液高架槽(出口槽入口端)正上方安装防爆摄像机,实时获取高架槽返出的视频图像,并将视频资料通过POE方式传输至仪器房内数据处理中心,数据处理中心将根据井场实际工况需要,运用本实施例所公开的方法对钻井液线流特征进行提取与识别,当发现线流异常时,及时向井队发布工程异常预报,让井队及时采取防范措施,避免井喷工程事故的发生。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其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,而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。比如线流特征提取方法,本实施例中使用的是帧间差分法,还可以使用背景差分法、光流法来进行线流特征提取。再比如本实施例中的线流特征计算是以像素亮度为对象,还可以使用统计学、纹理、几何特征计算线流特征。
Claims (1)
1.一种钻井线流异常视觉检测与识别方法,其特征在于,包括如下步骤:
步骤1,将防爆摄像机安装至钻井液高架槽的正上方,防爆摄像机拍摄的视频分辨率为U×V,第n帧图像使用I(n)来表示,其中I(n)是维度为U×V×3的RGB彩色图像;
在防爆摄像机拍摄的视频中定位钻井液高架槽上要检测线流区域所对应的四个坐标点(x1,y1),(x2,y2),(x3,y3),(x4,y4),在视频第n帧中四个坐标点之间的图像为I(n)target;
步骤2,将I(n)target转换成灰度图像gray(I(n)target),将RGB三维图像转换成二维灰度图像;
步骤3,对图像gray(I(n)target)进行均值滤波处理,得到图像gray
均值滤波处理的算法如下:
其中,Pxy为点(x,y)的邻域集合,M为集合Pxy中的元素个数,如果图像中点(x,y)的像素值I(x,y)与邻域平均值的差值不大于阈值T,则保留该点的像素值,反之则用邻域的均值作为该点对滤波的响应;
步骤4,对于第n+1帧图像I(n+1),重复以上步骤1—3,得到第n+1帧图像的gray
步骤5,计算第n帧图像与第n+1帧图像间的差异图像Diffn+1;
步骤6,针对帧间差图像Diffn+1进行基于数学形态学的膨胀和腐蚀运算:
式(3)为膨胀运算,其定义是:将结构元素B平移z后得到Bz,若Bz击中集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B膨胀的结果;
式(4)为腐蚀运算,是膨胀运算的对偶运算,其定义是:将结构元素B平移z后得到Bz,若Bz包含于集合A,则记下z点,所有满足上述条件的z点组成的集合为A被B腐蚀的结果;
步骤7,统计经腐蚀、膨胀运算后的图像Diffn+1中线流特征点的数量Γn+1,当像素点(a,b)的亮度大于阈值Υ时确定此像素点(a,b)为线流特征点;
步骤8,设置线流特征点阈值为Ψ,当Γn+1>Ψ时,认为发生线流,并将记录线流发生次数的参数Num加1,否则确定未发现线流异常;
步骤9,在第s秒与第s+m秒之间,重复以上步骤1—8,并记录线流发生次数Num,通过下式来确定线流异常是否发生:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213339.4A CN115019030B (zh) | 2022-03-05 | 2022-03-05 | 一种钻井线流异常视觉检测与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210213339.4A CN115019030B (zh) | 2022-03-05 | 2022-03-05 | 一种钻井线流异常视觉检测与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019030A CN115019030A (zh) | 2022-09-06 |
CN115019030B true CN115019030B (zh) | 2024-04-09 |
Family
ID=83067768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210213339.4A Active CN115019030B (zh) | 2022-03-05 | 2022-03-05 | 一种钻井线流异常视觉检测与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019030B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9033064B2 (en) * | 2011-12-12 | 2015-05-19 | National Oilwell, Varco, L.P. | Method and system for monitoring a well for unwanted formation fluid influx |
-
2022
- 2022-03-05 CN CN202210213339.4A patent/CN115019030B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
Non-Patent Citations (1)
Title |
---|
钻井过程人员异常行为视频智能识别系统;王文正;吴德松;李千登;;安全、健康和环境;20200215(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115019030A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615019B (zh) | 基于时空自动编码器的异常行为检测方法 | |
WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN113283344B (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
CN112597877B (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
Lin et al. | Applications of image recognition for real-time water level and surface velocity | |
CN111860143B (zh) | 一种面向巡检机器人的火焰实时检测方法 | |
Li et al. | Incipient fault detection for geological drilling processes using multivariate generalized Gaussian distributions and Kullback–Leibler divergence | |
CN101996307A (zh) | 智能视频人体识别方法 | |
CN112508944A (zh) | 一种应用于煤矿井下供水管路的泄漏检测方法 | |
CN117235672B (zh) | 一种基于多源数据的综合管廊故障诊断方法及装置 | |
CN111914747A (zh) | 船闸人字闸门门缝视频监测系统及方法 | |
CN115019030B (zh) | 一种钻井线流异常视觉检测与识别方法 | |
CN115631191A (zh) | 一种基于灰度特征和边缘检测的堵煤检测算法 | |
CN111915649A (zh) | 一种遮挡条件下的带钢运动目标跟踪方法 | |
CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
Li et al. | Exposed aggregate detection of stilling basin slabs using attention U-net network | |
CN117392452A (zh) | 基于图像分析的墙体裂缝检测系统及其方法 | |
CN113255519A (zh) | 一种输电线路危险车辆吊车扬臂识别系统及多目标跟踪方法 | |
Moradi et al. | Automated sewer pipeline inspection using computer vision techniques | |
CN113033625A (zh) | 一种基于神经网络和集成学习融合的工业空调故障诊断方法 | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
CN106874589A (zh) | 一种基于数据驱动的报警根源寻找方法 | |
CN113685166B (zh) | 一种钻井事故预警方法及系统 | |
CN116030420A (zh) | 多源数据融合的电梯安全运行监测方法 | |
Li et al. | Fault detection for geological drilling processes using multivariate generalized Gaussian distribution and Kullback Leibler divergence |
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 |