[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(jìn)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

本發(fā)明將深度卷積神經(jīng)網(wǎng)絡(luò)和液位式表計的檢測技術(shù)結(jié)合在一起，公開了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的液位式表計讀數(shù)方法，包括以下步驟：第一步驟，基于第一特征金字塔（FPN）模型處理第一圖像以輸出液位式表計在第一圖像中的表計位置；第二步驟，對第一圖像進(jìn)行截取以獲得第二圖像，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)（FCN）模型處理，以輸出液位式表計在第二圖像中的指針位置；第三步驟，輸出液位式表計的讀數(shù)。本發(fā)明充分融合了CNN、多種尺度縮放、FPN、拼接和全連接層技術(shù)，以及在此基礎(chǔ)上配合全卷積神經(jīng)網(wǎng)絡(luò)FCN，實現(xiàn)了對液位式表計進(jìn)行讀數(shù)識別的新方法。

技術(shù)領(lǐng)域

本發(fā)明屬于融合神經(jīng)網(wǎng)絡(luò)和液位表檢測的技術(shù)領(lǐng)域，特別是一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的液位式表計讀數(shù)方法。

背景技術(shù)

油氣勘探過程中，坐崗觀察溢流是油氣勘探現(xiàn)場井控工作的重點，液位表的監(jiān)測是重要工作內(nèi)容，人工監(jiān)測耗費人力，而采用機(jī)器人識別，讓存在采集的數(shù)據(jù)容易產(chǎn)生各種干擾噪聲，造成識別效果差，甚至無法識別的情況等問題，嚴(yán)重影響了液位監(jiān)測。

在背景技術(shù)部分中公開的上述信息僅僅用于增強(qiáng)對本發(fā)明背景的理解，因此可能包含不構(gòu)成在本國中本領(lǐng)域普通技術(shù)人員公知的現(xiàn)有技術(shù)的信息。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)液位式表計讀數(shù)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（FPN）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(biāo)信息，將所述坐標(biāo)信息映射到第一圖像中，對所述第一圖像進(jìn)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)（FCN）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；

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)。

優(yōu)選的，所述第一特征金字塔（FPN）模型包括：卷積神經(jīng)網(wǎng)絡(luò)(CNN)模塊、特征金字塔網(wǎng)絡(luò)(FPN)模塊和全連接層模塊；其中，

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(CNN1)、第二卷積單元(CNN2)、第三卷積單元(CNN3)，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(jìn)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(jìn)行解析；

拼接單元，用于將第一、第二、第三卷積單元的輸出進(jìn)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。

優(yōu)選的，第二全卷積神經(jīng)網(wǎng)絡(luò)（FCN）模型為級聯(lián)Cascade FCN模型。

優(yōu)選的，所述卷積神經(jīng)網(wǎng)絡(luò)(CNN)模塊包括n+1層卷積層，第n+1層的輸出out=k_n+1⊙(k_n⊙x),其中，k_n代表第n層的卷積層的卷積核，k_n+1代表第n+1層的卷積層的卷積核，x代表來自上一層卷積層的輸入，⊙運算符表示卷積運算。

優(yōu)選的，所述全連接層模塊的激勵函數(shù)采用ReLU函數(shù)。

優(yōu)選的，所述第一特征金字塔（FPN）模型的訓(xùn)練步驟包括: