[發(fā)明專利]基于深度卷積神經(jīng)網(wǎng)絡(luò)的液位式表計讀數(shù)方法

有效

• 申請?zhí)枺?/td>: 202110822252.2
• 申請日: 2021-07-21
• 公開（公告）號: CN113283429B
• 公開（公告）日: 2021-09-21
• 發(fā)明（設(shè)計）人: 劉云川;鄭侃;鄭光勝;葉明;楊正川;黃進凱
• 申請（專利權(quán)）人: 四川泓寶潤業(yè)工程技術(shù)有限公司;重慶慶云石油工程技術(shù)有限責(zé)任公司;北京寶隆泓瑞科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/42;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)對油氣勘探中液位式表計進行讀數(shù)的方法，其特征在于，所述方法包括以下步驟：

第一步驟，拍攝液位式表計以獲得第一圖像，基于第一特征金字塔模型處理第一圖像以輸出所述液位式表計在第一圖像中的表計位置；

第二步驟，基于所述表計位置的坐標信息，將所述坐標信息映射到第一圖像中，對所述第一圖像進行截取以獲得第二圖像，使得所述第二圖像相比第一圖像去除掉并非表計區(qū)域的圖像數(shù)據(jù)，并將截取獲得的第二圖像輸入到第二全卷積神經(jīng)網(wǎng)絡(luò)模型處理，以輸出所述液位式表計在第二圖像中的指針位置；其中，第二全卷積神經(jīng)網(wǎng)絡(luò)模型為級聯(lián)Cascade FCN模型，第一級全卷積神經(jīng)網(wǎng)絡(luò)用于輸出指針的可能的候選位置，再由第二級全卷積神經(jīng)網(wǎng)絡(luò)進行精調(diào)后，篩選出最優(yōu)位置作為指針位置；

第三步驟，基于所述表計位置和指針位置，輸出液位式表計的讀數(shù)；

其中，

所述第一特征金字塔模型包括：卷積神經(jīng)網(wǎng)絡(luò)模塊、特征金字塔網(wǎng)絡(luò)模塊和全連接層模塊；其中，所述第一特征金字塔模型將卷積神經(jīng)網(wǎng)絡(luò)模塊、特征金字塔網(wǎng)絡(luò)模塊和全連接層模塊進行了串聯(lián)，并且：

所述卷積神經(jīng)網(wǎng)絡(luò)模塊包括級聯(lián)的PNet深度學(xué)習(xí)卷積模型、RNet深度學(xué)習(xí)卷積模型和ONet深度學(xué)習(xí)卷積模型，并用于根據(jù)所述第一圖像抽象提取特征以獲得第一特征圖；

所述特征金字塔網(wǎng)絡(luò)模塊包括：三種尺度縮放單元，和對應(yīng)于三種尺度縮放單元的第一卷積單元、第二卷積單元、第三卷積單元，以及拼接單元；其中，

三種尺度縮放單元包括第一、第二、第三尺度縮放單元，三種尺度縮放單元用于對第一特征圖依次進行三次尺度縮放以得到第一、第二、第三尺度的特征圖；

第一、第二、第三卷積單元，分別用于對第一、第二、第三尺度的特征圖的特征進行解析；

拼接單元，用于將第一、第二、第三卷積單元的輸出進行拼接處理以獲得特征向量；

全連接層模塊，用于根據(jù)所述特征向量計算并輸出所述液位式表計的表計位置；

其中，所述第一特征金字塔模型的訓(xùn)練步驟包括：

首先，從全部數(shù)據(jù)樣本S中隨機選取70%的樣本作為訓(xùn)練集S_train,剩下的30%樣本作為測試集S_test，其中：

S_train∩S_test=S，

S_train∪S_test=φ，

其中，S表示全集，φ表示空集；

其次，對訓(xùn)練集S_train包含的圖片進行隨機的數(shù)據(jù)擴增以模擬現(xiàn)場環(huán)境，數(shù)據(jù)擴增包括添加隨機噪聲和隨機改變圖像亮度，其中：

p’=p+ f(u,σ)，

b’=avg+(b-avg)*(1+ratio) ，

p為原始像素的像素值，f(u,σ)為高斯加性噪聲，其中u, σ分別為期望和方差，p’為添加隨機噪聲后的像素值，b為原始像素的亮度值，avg為圖像整體的平均亮度值，ratio代表隨機的亮度調(diào)節(jié)比例，b’為改變亮度后的輸出亮度值；

再次，進行分批次訓(xùn)練：將訓(xùn)練集S_train隨機分為包含樣本數(shù)目相同的多個集合batch,然后輸入到第一特征金字塔模型net中得到預(yù)測結(jié)果y’，計算y’與真實標注y的誤差，并反向傳播該誤差修正第一特征金字塔模型net中的參數(shù)，迭代N次，在達到收斂條件后結(jié)束訓(xùn)練，其中：

batch_i∩batch_k=φ，即兩個不同的集合batch的交集為空，其中，batch_i表示第i個集合batch，batch_k表示第k個集合batch；

y’=net(batch_i)；

l=F(y’,y)；

l為誤差；F函數(shù)為誤差計算函數(shù)，其用于計算預(yù)測值y’與真實值y的歐氏距離；

若l小于誤差閾值T時，結(jié)束訓(xùn)練；否則對l按如下公式處理并繼續(xù)訓(xùn)練：

▽β=-?l/?β，

βⁿ⁺¹=βⁿ+ε×▽β，

其中β代表模型中的參數(shù)，ε為每次更新的步長，▽β為梯度。