CN112991256A - 一种基于机器视觉和深度学习的油管物资统计方法 - Google Patents
一种基于机器视觉和深度学习的油管物资统计方法 Download PDFInfo
- Publication number
- CN112991256A CN112991256A CN202011460465.7A CN202011460465A CN112991256A CN 112991256 A CN112991256 A CN 112991256A CN 202011460465 A CN202011460465 A CN 202011460465A CN 112991256 A CN112991256 A CN 112991256A
- Authority
- CN
- China
- Prior art keywords
- oil pipe
- image
- oil
- deep learning
- dispute
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000007619 statistical method Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于机器视觉和深度学习的油管物资统计方法,包括以下步骤:S001:对油管图像进行数据采集和标注;S002:采用检测网络模型对采集到的油管图像进行识别的训练,再验证模型的识别的准确性;S003:将待识别统计的图像输入训练好的检测网络模型进行识别,提取并统计图像中的有效油管和争议油管,并对有效油管和争议油管进行区别标示;S004:通过人工核定图像中的争议油管数量,最终确定图像中的油管总量。
Description
技术领域
本发明属于油气田物资管理技术领域,具体涉及一种基于机器视觉和深度学习的油管物资统计方法。
背景技术
油管物资是油田及工业生产中常见的物资之一,油管物资统计主要采用人工计数来进行。一般来说,在物资统计时,现场工人向每个物资放置标记物,以区别该物资是否已被统计。接着取出所放置的标记物,以统计其数量。通过标记物的数量来确定物资的数量。很显然,目前这种物资统计方式劳动强度较大,效率低下,现场安全隐患大且其准确度容易受到统计人员的状况所影响。
发明内容
本发明提供了一种基于机器视觉和深度学习的油管物资统计方法,用于克服上述问题或者至少部分地解决或缓解上述问题。
为此,本发明提供一种基于机器视觉和深度学习的油管物资统计方法,其特征在于,包括以下步骤:
S001:对油管图像进行数据采集和标注;
S002:采用检测网络模型对采集到的油管图像进行识别的训练,再验证模型的识别的准确性;
S003:将待识别统计的图像输入训练好的检测网络模型进行识别,提取并统计图像中的有效油管和争议油管,并对有效油管和争议油管进行区别标示;
S004:通过人工核定图像中的争议油管数量,最终确定图像中的油管总量。
在步骤S001中,拍摄含背景的油管图像,对该图像中的油管端面进行标注,并按一定比例随机划分训练集和验证集,并使用数据增广方法,对训练集进行扩充。
在步骤S002中,构建Yolo网络模型对油管图像进行油管目标的识别与检测。
在步骤S003中,先将待识别统计的图像输入训练好的检测网络模型进行初识别,再对初识别后的油管进行第二次甄别,提取有效油管和争议油管。
在步骤S003中,对图像中提取的有效油管和争议油管以不同颜色进行标定,再输出图像,通过人工核定图像中标定的争议油管的数量。
在步骤S003中,图像中的油管总量=有效油管数量+核定的争议油管数量。
本发明的基于机器视觉和深度学习的油管物资统计方法能够克服图像拍摄角度、图像尺度等因素的影响,准确度高,鲁棒性强,并对极少数的争议油管进行人工确认,极大地提高了统计的准确率。
附图说明
图1是待识别统计的图像示例;
图2是检测网络模型识别和标示后的图像示例。
具体实施方式
下面通过一个具体的实施例,进一步对本发明进行说明。
实施例1
本发明提出一种基于机器视觉和深度学习的油管物资统计方法,包括以下步骤:
S001:对油管图像进行数据采集和标注;
S002:采用检测网络模型对采集到的油管图像进行识别的训练,再验证模型的识别的准确性;
S003:将待识别统计的图像输入训练好的检测网络模型进行识别,提取并统计图像中的有效油管和争议油管,并对有效油管和争议油管进行区别标示;
S004:通过人工核定图像中的争议油管数量,最终确定图像中的油管总量。
实施例2
S001:对油管图像进行数据采集和标注;
在步骤S001中,拍摄含背景的油管图像,对该图像中的油管端面进行标注,并按一定比例随机划分训练集和验证集,并使用数据增广方法,对训练集进行扩充。
拍摄一些堆叠放置的油管图像,对油管图像中的油管端面进行标注,再对油管图像进行:水平翻转、垂直翻转、旋转、缩放、剪裁、平移、对比度调节、亮度调节、色彩抖动、噪声处理等改变,并将以上改变后的油管图像作为训练集。
实施例3
S002:采用检测网络模型对采集到的油管图像进行识别的训练,再验证模型的识别的准确性;
在步骤S002中,构建Yolo网络模型对油管图像的训练集进行油管目标的识别与检测,直到网络模型对油管图像训练集中的油管端面的识别和检测的准确率达到要求。
基本的网络结构使用了DarkNet-53网络结构,损失函数使用交叉熵函数:
实施例4
S003:将待识别统计的图像输入训练好的检测网络模型进行识别,提取并统计图像中的有效油管和争议油管,并对有效油管和争议油管进行区别标示;
在步骤S003中,先将待识别统计的图像输入训练好的检测网络模型进行初识别,再对初识别后的油管进行第二次甄别,提取有效油管和争议油管。
如图1和图2所示,图中为堆叠在地面上的若干油管的油管图像,将该图像输入到检测网络模型进行油管端面的初识别和第二次甄别,检测网络模型给出有效油管和争议油管结果。
实施例5
在步骤S003中,对图像中提取的有效油管和争议油管以不同颜色进行标定,再输出图像,通过人工核定图像中标定的争议油管的数量。
如图2所示,检测网络模型可在图像上油管的端部采用绿点标记出有效油管,在图像上用红点标记处争议油管,并给出绿点的数量95和红点的数量4,后输出标记的图像,其中,绿点的数量即是有效油管数量95,红点的数量即是争议油管数量4,工作人员会直接注意到图像上红点标记的位置,直接辨认几处红点标记位置是否是油管的端部。
实施例6
在步骤S003中,图像中的油管总量=有效油管数量+核定的争议油管数量。
如图2所示,由于网络模型已经进行训练过,所以绿点标记处的数量占绝大多数,为95个,红点标记处的数量很少,为4个,工作人员一般能很快核定这4个红点处有 3个是油管,并将核定的争议油管数量3加到有效油管数量95中,得到图像中的油管总量为98个。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于机器视觉和深度学习的油管物资统计方法,其特征在于,包括以下步骤:
S001:对油管图像进行数据采集和标注;
S002:采用检测网络模型对采集到的油管图像进行识别的训练,再验证模型的识别的准确性;
S003:将待识别统计的图像输入训练好的检测网络模型进行识别,提取并统计图像中的有效油管和争议油管,并对有效油管和争议油管进行区别标示;
S004:通过人工核定图像中的争议油管数量,最终确定图像中的油管总量。
2.根据权利要求1所述的基于机器视觉和深度学习的油管物资统计方法,其特征在于,在步骤S001中,拍摄含背景的油管图像,对该图像中的端面进行标注,并按一定比例随机划分训练集和验证集,并使用数据增广方法,对训练集进行扩充。
3.根据权利要求1所述的基于机器视觉和深度学习的油管物资统计方法,其特征在于,在步骤S002中,构建Yolo网络模型对油管图像进行油管目标的识别与检测。
4.根据权利要求1所述的基于机器视觉和深度学习的油管物资统计方法,其特征在于,在步骤S003中,先将待识别统计的图像输入训练好的检测网络模型进行初识别,再对初识别后的油管进行第二次甄别,提取有效油管和争议油管。
5.根据权利要求4所述的基于机器视觉和深度学习的油管物资统计方法,其特征在于,在步骤S003中,对图像中提取的有效油管和争议油管以不同颜色进行标定,再输出图像,通过人工核定图像中标定的争议油管的数量。
6.根据权利要求5所述的基于机器视觉和深度学习的油管物资统计方法,其特征在于,在步骤S003中,图像中的油管总量=有效油管数量+核定的争议油管数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460465.7A CN112991256A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉和深度学习的油管物资统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011460465.7A CN112991256A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉和深度学习的油管物资统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991256A true CN112991256A (zh) | 2021-06-18 |
Family
ID=76344950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011460465.7A Pending CN112991256A (zh) | 2020-12-11 | 2020-12-11 | 一种基于机器视觉和深度学习的油管物资统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991256A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
CN111127457A (zh) * | 2019-12-25 | 2020-05-08 | 上海找钢网信息科技股份有限公司 | 钢筋数目统计模型训练方法、统计方法、装置及设备 |
WO2020172386A1 (en) * | 2019-02-20 | 2020-08-27 | International Electronic Machines Corp. | Machine vision based inspection |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检***及方法 |
-
2020
- 2020-12-11 CN CN202011460465.7A patent/CN112991256A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341538A (zh) * | 2017-06-30 | 2017-11-10 | 上海上大海润信息***有限公司 | 一种基于视觉的统计数量方法 |
WO2020172386A1 (en) * | 2019-02-20 | 2020-08-27 | International Electronic Machines Corp. | Machine vision based inspection |
WO2020187077A1 (zh) * | 2019-03-21 | 2020-09-24 | 长安大学 | 一种基于深度神经网络的安检***及方法 |
CN111127457A (zh) * | 2019-12-25 | 2020-05-08 | 上海找钢网信息科技股份有限公司 | 钢筋数目统计模型训练方法、统计方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101937509B (zh) | 基于图像处理技术的自动识靶方法 | |
CN108074231A (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN102555443B (zh) | 产生和检查具有静态和可变的内容的印刷品的***和方法 | |
CN111950330A (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN107818322A (zh) | 一种用于车辆年检的车辆vin码篡改检测***及方法 | |
CN106446882A (zh) | 一种基于8字码的智能留痕阅卷方法 | |
CN102236788A (zh) | 电力电能表图像自动识别方法 | |
CN112926563B (zh) | 一种钢卷喷印标记故障诊断*** | |
JP2002312762A (ja) | ニューラルネットワークを利用した穀粒選別装置 | |
CN108596115A (zh) | 一种基于卷积神经网络的车辆检测方法、装置及*** | |
CN117636185A (zh) | 基于图像处理的松材线虫病检测*** | |
CN112183438A (zh) | 基于小样本学习神经网络的违规行为的图像识别方法 | |
CN112734702A (zh) | 基于大数据分析和机器视觉的桥梁安全监测方法及云平台 | |
CN112883847A (zh) | 基于大数据与图像分析技术的市政道路工程建设项目智慧监理方法 | |
CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
CN113538385B (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN109584208B (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
CN117197112B (zh) | 一种基于样本比对的工业丝印缺陷检测方法及*** | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN112991256A (zh) | 一种基于机器视觉和深度学习的油管物资统计方法 | |
CN107239743B (zh) | 一种基于投影法的刻度线读数自动检测方法 | |
CN105138984B (zh) | 基于多分辨率过冲效应度量的锐化图像识别方法 | |
CN111460198B (zh) | 一种图片时间戳的审核方法及装置 | |
AU2021106502A4 (en) | A Blasting Pile Measurement And Statistics Method For Open-pit Mines Based On UAV Technology |
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 |