[發明專利]基于神經網絡的油田井場視頻目標檢測與識別方法及系統

在審

• 申請號: 202110485534.8
• 申請日: 2021-04-30
• 公開（公告）號: CN113191273A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 錢學明;王哲;李永輝;江方明;薛堯
• 申請（專利權）人: 西安聚全網絡科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 范巍

1.一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，包括以下步驟：

對油田井場視頻抽幀形成的油田場景圖像進行預處理，獲得預處理后的圖像；

將預處理后的圖像輸入預先訓練好的深度神經網絡油田井場目標檢測與識別器進行識別，獲得圖像中出現的目標位置及目標類別信息；其中，所述預先訓練好的深度神經網絡油田井場目標檢測與識別器中，基于深度神經網絡的目標檢測與識別網絡包括：

第一級網絡模型，用于對油田井場拍攝的分辨率大于預設閾值的高分辨率圖像進行目標識別，輸出圖像中存在的目標物的位置信息和第一類別信息；

第二級網絡模型，用于輸入預設關心的目標物圖像，輸出第二類別信息；其中，所述預設關心的目標物圖像通過將第一級網絡模型輸出的目標圖像去除掉背景類目標后獲得；

將獲得的目標位置及目標類別信息與預先建立的油田告警等級信息進行匹配，輸出識別結果。

2.根據權利要求1所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，所述預先訓練好的深度神經網絡油田井場目標檢測與識別器的訓練步驟具體包括：

將標注有目標位置和類別信息標簽的學習樣本集圖片輸入基于深度神經網絡的目標檢測與識別網絡進行訓練，基于目標位置和類別的聯合學習損失函數調整基于深度神經網絡的目標檢測與識別網絡參數；

使用隨機梯度下降的方式進行優化，生成油田井場目標檢測與識別器，每隔一個epoch的迭代進行一次模型測試，挑選性能最好或性能達到預設要求的模型作為訓練好的深度神經網絡油田井場目標檢測與識別器。

3.根據權利要求1所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，采用Yolo網絡作為第一級神經網絡模型。

4.根據權利要求3所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，所述第一級神經網絡模型訓練的步驟包括：

將學習樣本集圖片送入到第一級網絡模型Yolo網絡的BackBone模塊，得到輸入圖像的特征圖；

將特征圖送入到Neck網絡和預測網絡中，根據預測標簽信息和標注信息設計損失函數進行訓練，通過不斷訓練和測試，選擇使得測試集誤差最小的模型參數組合作為第一級網絡模型的參數。

5.根據權利要求1所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，采用SSD模型作為第二級網絡模型。

6.根據權利要求5所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，所述第二級網絡模型的訓練步驟包括：

將第一級神經網絡模型輸出的初步目標檢測與分類結果進行篩選，去除背景類圖像，獲得預設關心的目標物圖像；

將預設關心的目標物圖像送入到第二級網絡模型，進行訓練和預測，獲得訓練好的第二級網絡模型。

7.根據權利要求1所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，第一類別信息包括：人、車、動物；第二類別信息包括：紅色安全帽、藍色安全帽、穿工作服的工人、未穿工作服的工人、轎車、油罐車、工程車、抽油機。

8.根據權利要求2所述的一種基于神經網絡的油田井場視頻目標檢測與識別方法，其特征在于，獲取標注有目標位置和類別信息標簽的學習樣本集圖片時，采用數據增強的方式，擴增數據集包括：

對單一圖片進行幾何畸變、光照畸變、圖像遮擋；

采用多圖組合數據增強技術，將采集到的圖像進行組合，利用Mosaic DataAugmentation技術，使得四張訓練圖像按一定比例組合成一張圖像。

9.一種基于神經網絡的油田井場視頻目標檢測與識別系統，其特征在于，包括：

預處理模塊，用于對油田井場視頻抽幀形成的油田場景圖像進行預處理，獲得預處理后的圖像；

識別分類模塊，用于將預處理后的圖像輸入預先訓練好的深度神經網絡油田井場目標檢測與識別器進行識別，獲得圖像中出現的目標位置及目標類別信息；

告警匹配模塊，用于將獲得的目標位置及目標類別信息與預先建立的油田告警等級信息進行匹配，輸出識別結果。