[發明專利]利用機器學習對鉆井平臺監控畫面進行去水霧的方法

有效

• 申請號: 202110803908.6
• 申請日: 2021-07-16
• 公開（公告）號: CN113256541B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 劉云川;鄭光勝;鄭侃;蔣俊之;黃進凱;楊正川
• 申請（專利權）人: 四川泓寶潤業工程技術有限公司;重慶慶云石油工程技術有限責任公司;北京寶隆泓瑞科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/80;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.利用機器學習對鉆井平臺監控畫面進行去水霧的方法，其特征在于，所述方法包括以下步驟：

S100：通過攝像頭按照預定幀率采集鉆井平臺的視頻樣本，對視頻樣本進行抽幀，所述視頻樣本包括含霧氣的視頻以及無霧氣視頻；

S200：從含霧氣的視頻中取連續的8幀圖片，組合成視頻幀序列X，X={x_i,x_i+1,…,x_i+7}，從無霧氣視頻中選取與視頻幀序列X中的任一圖像相似的一幀實際圖片x’作為目標圖片，并將x’與視頻幀序列X組成訓練集X_train={X,x’}；其中，對于所述連續的8幀圖片，還執行如下預處理：將前景部分通過掩碼的方式屏蔽掉；

S300：將準備好的訓練集X_train分為A、B兩部分，其中A部分占訓練集的30%,剩余的部分為B部分，以此訓練模型model={G_model,D_model}，其中G_model為生成式模型，D_model為判別式模型；其中，訓練分為2個階段，訓練集的A、B兩部分分別用作2個階段中G_model的輸入；

S400：模型model訓練完畢后，利用模型model中的生成式模型G_model對鉆井平臺的基于視頻連續幀的圖像去水霧；

其中，

所述方法通過視頻中的連續幀去除圖像中的鉆井平臺霧氣的影響，以端到端的方式，通過分析視頻內的上下文信息直接輸出復原后的圖像；

步驟S300包括：

訓練的第1階段：

1）將訓練集的A部分輸入到G_model，獲取G_model輸出的復原圖片y’；

2）計算y’與x’的均方誤差loss：

其中，x_j’、y_j’分別為x’、y’的像素值，n為像素個數，j從0取值到n；

3）若loss不小于設定的第一閾值，則對loss求導計算梯度，并反向傳播梯度到G_model，以更新模型中的參數，直至loss小于所述設定的第一閾值；

若loss小于第一閾值，則進入訓練的第2階段；

訓練的第2階段：

1）將訓練集的B部分輸入到G_model，獲取G_model輸出的復原圖片y’；

2）將y’與x’分別輸入到判別模型D_model 獲取兩個判別概率d_f和d_r,同時通過下式求取最大化值：

max(log(d_f)+log(1-d_r))，

并以所述最大化值更新D_model的參數,當兩個判別概率d_f、d_r的值趨近于0.5時停止更新；

3）獲取D_model計算判別概率時的中間特征，以計算感知誤差Ploss：

其中，v_f、v_r分別為y’與x’的中間特征，m為中間特征的個數，k從0取值到m；

若Ploss不小于設定的第二閾值，反向傳播Ploss以更新G_model的參數，直至Ploss小于所述設定的第二閾值；

Ploss小于設定的第二閾值時，訓練結束；

并且，當G_model為深度神經網絡時，對其訓練時，還包括如下步驟：

S301：對于每一張用于訓練深度神經網絡的圖像進行手工標注，標注關鍵點的位置，得到標注后的每張圖像；

S302：以標注后的每張圖像作為訓練的相應階段的輸入，構造一種輔助神經網絡，輔助深度神經網絡對圖像的學習和訓練；其中，步驟S302包括如下步驟：

S3021：將標注后的每張圖像作為輸入，并從所述深度神經網絡選擇適當的中間層，獲取該中間層的輸出；

S3022：建立一個由卷積函數構成的輔助神經網絡；

S3023：將所述中間層的輸出及對應的標注前的每張圖像的姿態估計矩陣，均輸入到輔助神經網絡；

S3024：將輔助神經網絡與所述深度神經網絡的輸出進行合并，共同輸入到所述深度神經網絡的損失函數以優化所述深度神經網絡的學習。