CN116824513A - 基于深度学习的钻探过程自动识别监管方法及*** - Google Patents
基于深度学习的钻探过程自动识别监管方法及*** Download PDFInfo
- Publication number
- CN116824513A CN116824513A CN202311098165.2A CN202311098165A CN116824513A CN 116824513 A CN116824513 A CN 116824513A CN 202311098165 A CN202311098165 A CN 202311098165A CN 116824513 A CN116824513 A CN 116824513A
- Authority
- CN
- China
- Prior art keywords
- drilling
- region
- information
- depth
- interest
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 422
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 230000009471 action Effects 0.000 claims abstract description 109
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 238000011835 investigation Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 238000003900 soil pollution Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004380 ashing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002680 soil gas Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的钻探过程自动识别监管方法及***，包括，通过机器视觉获取目标污染场地钻探过程的监控视频流，提取关键帧图像数据进行预处理；获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据型号信息提取钻进设备的钻进动作数据集，将钻进动作数据与单次钻进深度结合；构建钻探识别监管模型，导入感兴趣区域序列，识别单次钻进动作读取对应的单次钻进深度，输出钻探过程的最终钻进深度；与预设钻进深度进行对比生成钻进深度异常信息。本方法通过对单次钻进动作的准确识别实现对钻探过程进行有效监管，保证了污染场地调查的数据精准度，提高钻探效率的同时减少人力监管成本。
Description
技术领域
本发明涉及地质勘探技术领域，更具体的，涉及一种基于深度学习的钻探过程自动识别监管方法及***。
背景技术
土地资源具有数量有限性、空间位置固定性以及价值增值性等特性。随着文明进程的推进，以及城镇化、工业化步伐的加快，部分工业企业在搬迁、倒闭等过程发生后会造成严重的场地土壤污染问题，而土壤污染具有隐蔽滞后性、累积叠加性及不可逆转性，使人们的行动感知能力较弱，无法及时发现并针对土壤污染问题进行修复与优化，导致污染场地的土壤污染问题日益严峻，不仅影响了生态***动态平衡，甚至威胁人类的健康安全。因此，场地污染调查项目实践中,迅速、准确地明确污染物的分布特征是调查工作的重点。
其中最为常见的一项污染场地的调查技术是采用直接推进钻探技术对土壤、地下水和土壤气样品进行采集,探明土壤地层中污染物的构成,该技术具有快速、准确、不引起交叉污染的特点,而且施工成本很低,可为污染场地调查工作提供高质量的样本信息。但是在污染场地调查过程中，有的钻探队伍偷工减料而减少钻进深度，从而导致实际采样深度及检测结果出现误差，进而使整个场地污染范围及风险评估结果计算错误。针对上述情况实际都会安排专人现场监督钻探过程，十分耗人耗时耗钱。因此，如何利用机器视觉方法进行钻探过程的自动化、高精度监管是当前亟需解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于深度学习的钻探过程自动识别监管方法及***。
本发明第一方面提供了一种基于深度学习的钻探过程自动识别监管方法，包括：
通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
本方案中，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理，具体为：
获取目标污染场钻探过程的监控视频流，根据所述监控视频流生成监控图像时序序列，利用感知哈希算法计算监控图像中邻域信息的差异值，根据所述差异值获取每张监控图像的特征信息；
根据所述特征信息将存在差异的局部区域进行裁剪，获取每张监控图像的局部变化区域，判断相邻两帧监控图像中局部变化区域像素的曼哈顿距离是否大于预设阈值，若大于则将相邻两监控图像进行标记；
获取标记监控图像之间的变化像素点，根据所述变化像素点获取与总像素的比值，当所述比值大于预设比值阈值时，则标记为关键帧图像数据；
将所述关键帧图像数据进行滤波去噪，获取去噪后关键帧图像数据进行几何校正，获取预处理后的关键帧图像数据。
本方案中，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，具体为：
将不同型号类别的钻进设备的图像信息进行聚类，获取聚类结果，根据所述聚类结果生成模板图像信息，通过预处理后的关键帧图像数据提取其中的局部变化区域；
根据局部变化区域进行定位模板图像信息定位，通过边缘算子获取边缘信息，将所述边缘信息结合模板图像信息获取感兴趣区域；
将所述感兴趣区域利用特征金字塔网络获取多尺度图像特征，根据所述多尺度图像特征与不同型号类别的钻进设备的图像信息进行相似度计算；
获取相似度计算获取相似度排序，根据最高相似度获取钻进设备的型号信息，根据所述钻进设备的型号信息通过大数据方获取钻进动作图像，根据所述钻进动作图像生成钻进动作数据集，以型号信息生成数据标签。
本方案中，基于深度学习方法构建钻探识别监管模型，具体为：
基于自编码器网络构建钻探识别模型，通过钻进动作数据集对所述钻探识别模型进行训练，在钻进动作数据集中选取图像样本数据，将所述图像样本数据划分为若干图像子块；
将所述图像子块导入自编码器网络进行特征编码，引入多头注意力机制，计算多个图像子块的自注意力权重，将自注意力权重小于预设权重的图像子块进行掩码；
结合自注意力权重提取未掩码图像子块的特征，获取局部特征表示，根据所述局部特征表示将掩码图像子块进行特征重构，获取图像样本数据的全局特征，将所述全局特征输入解码器获取钻进动作特征表示；
根据所述钻进动作特征表示建立与钻进动作的映射关系，通过迭代训练调准模型参数，输出训练好的钻探识别监管模型。
本方案中，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，具体为：
获取感兴趣区域序列，作为钻探识别监管模型的输入，提取各帧感兴趣区域中的钻进动作变化特征，根据所述钻进动作变化特征识别单次钻进动作；
将感兴趣区域序列中识别出的单次钻进动作进行统计获取总次数，并将所述单次钻进动作匹配对应的单次钻进深度，将所述总次数与单次钻进深度结合获取最终钻进深度。
本方案中，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息，具体为：
根据目标污染场地的当前场地污染调查任务获取预设钻进深度，将最终钻进深度与所述预设钻进深度进行对比，计算钻进深度偏差率，当所述钻进深度偏差率大于预设阈值时，则生成钻进深度异常信息；
通过钻进深度异常信息进行钻进深度复核，根据钻进深度复核结果与对应的感兴趣区域序列对当前型号钻进设备的钻进动作数据集进行更新，根据更新后的钻进动作数据集对钻探识别监管模型进行优化；
获取当前场地污染调查任务的钻探施工单位信息，建立施工单位诚信数据库，将所述钻进深度异常信息与所述钻探施工单位信息进行结合，存入所述施工单位诚信数据库；
根据所述施工单位诚信数据库进行预设时间范围内钻进深度异常信息的次数进行统计，当钻探施工单位对应的统计次数大于预设次数阈值时，则对所述钻探施工单位发送警示信息。
本发明第二方面还提供了一种基于深度学习的钻探过程自动识别监管***，该***包括：存储器、处理器，所述存储器中包括基于深度学习的钻探过程自动识别监管方法程序，所述基于深度学习的钻探过程自动识别监管方法程序被所述处理器执行时实现如下步骤：
通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
本发明公开了一种基于深度学习的钻探过程自动识别监管方法及***，包括，通过机器视觉获取目标污染场地钻探过程的监控视频流，提取关键帧图像数据进行预处理；获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据型号信息提取钻进设备的钻进动作数据集，将钻进动作数据与单次钻进深度结合；构建钻探识别监管模型，导入感兴趣区域序列，识别单次钻进动作读取对应的单次钻进深度，输出钻探过程的最终钻进深度；与预设钻进深度进行对比生成钻进深度异常信息。本方法通过对单次钻进动作的准确识别实现对钻探过程进行有效监管，保证了污染场地调查的数据精准度，提高钻探效率的同时减少人力监管成本。
附图说明
图1示出了本发明一种基于深度学习的钻探过程自动识别监管方法的流程图；
图2示出了本发明构建钻探识别监管模型的流程图；
图3示出了本发明获取钻进深度异常信息的流程图；
图4示出了本发明一种基于深度学习的钻探过程自动识别监管***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于深度学习的钻探过程自动识别监管方法的流程图。
如图1所示，本发明第一方面提供了一种基于深度学习的钻探过程自动识别监管方法，包括：
S102，通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
S104，根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
S106，基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
S108，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
需要说明的是，在目标污染场地现场架设无线图传摄像头，获取目标污染场钻探过程的监控视频流，根据所述监控视频流生成监控图像时序序列，利用感知哈希算法将监控图像进行缩小，经过灰化及离散余弦变换处理后计算监控图像中邻域信息的差异值，获取相邻像素之间的差异值，若第i个像素值大于第i+1个像素值，则赋予差异值为1，否则为0，实现监控图像的二值化，根据所述差异值获取每张监控图像的特征信息；根据所述特征信息将存在差异的局部区域（即差异值赋1的区域）进行裁剪，获取每张监控图像的局部变化区域，判断相邻两帧监控图像中局部变化区域像素的曼哈顿距离是否大于预设阈值，若大于则将相邻两监控图像进行标记；获取标记监控图像之间的变化像素点，根据所述变化像素点获取与总像素的比值，当所述比值大于预设比值阈值时，则标记为关键帧图像数据；将所述关键帧图像数据进行滤波去噪，获取去噪后关键帧图像数据进行几何校正，获取预处理后的关键帧图像数据。
图2示出了本发明构建钻探识别监管模型的流程图。
根据本发明实施例，基于深度学习方法构建钻探识别监管模型，具体为：
S202，基于自编码器网络构建钻探识别模型，通过钻进动作数据集对所述钻探识别模型进行训练，在钻进动作数据集中选取图像样本数据，将所述图像样本数据划分为若干图像子块；
S204，将所述图像子块导入自编码器网络进行特征编码，引入多头注意力机制，计算多个图像子块的自注意力权重，将自注意力权重小于预设权重的图像子块进行掩码；
S206，结合自注意力权重提取未掩码图像子块的特征，获取局部特征表示，根据所述局部特征表示将掩码图像子块进行特征重构，获取图像样本数据的全局特征，将所述全局特征输入解码器获取钻进动作特征表示；
S208，根据所述钻进动作特征表示建立与钻进动作的映射关系，通过迭代训练调准模型参数，输出训练好的钻探识别监管模型。
需要说明的是，钻探识别模型通过设置多头注意力机制对自注意力权重小，对钻进动作识别贡献少的图像子块，降低自编码器网络的复杂度，提升模型的性能，其中，自注意力权重的计算获取查询矩阵、键矩阵和值矩阵，通过查询矩阵和键矩阵进行点积运算后通过SOFTMAX函数获取每个图像子块的注意力概率分布，再与值矩阵相乘，获取图像子块的注自意力权重。另外通过未掩码图像子块的局部特征表示对掩码图像子块在原始位置进行特征重构，实现掩码图像子块的图像增强，根据图像增强后的图像样本数据获取全局特征，用于钻进动作的识别。
需要说明的是，将不同型号类别的钻进设备的图像信息进行聚类，获取聚类结果，根据所述聚类结果进行取并集操作生成模板图像信息，通过预处理后的关键帧图像数据提取其中的局部变化区域；根据局部变化区域进行定位模板图像信息定位，通过边缘算子获取边缘信息，将所述边缘信息结合模板图像信息，对模板图像信息的预设区域进行进一步的限定，获取感兴趣区域；将所述感兴趣区域利用特征金字塔网络获取多尺度图像特征，根据所述多尺度图像特征与不同型号类别的钻进设备的图像信息进行相似度计算；获取相似度计算获取相似度排序，根据最高相似度获取钻进设备的型号信息，根据所述钻进设备的型号信息通过大数据方获取钻进动作图像，根据所述钻进动作图像生成钻进动作数据集，以型号信息生成数据标签。
图3示出了本发明获取钻进深度异常信息的流程图。
根据本发明实施例，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息，具体为：
S302，根据目标污染场地的当前场地污染调查任务获取预设钻进深度，将最终钻进深度与所述预设钻进深度进行对比，计算钻进深度偏差率，当所述钻进深度偏差率大于预设阈值时，则生成钻进深度异常信息；
S304，通过钻进深度异常信息进行钻进深度复核，根据钻进深度复核结果与对应的感兴趣区域序列对当前型号钻进设备的钻进动作数据集进行更新，根据更新后的钻进动作数据集对钻探识别监管模型进行优化；
S306，获取当前场地污染调查任务的钻探施工单位信息，建立施工单位诚信数据库，将所述钻进深度异常信息与所述钻探施工单位信息进行结合，存入所述施工单位诚信数据库；
S308，根据所述施工单位诚信数据库进行预设时间范围内钻进深度异常信息的次数进行统计，当钻探施工单位对应的统计次数大于预设次数阈值时，则对所述钻探施工单位发送警示信息。
需要说明的是，获取感兴趣区域序列，作为钻探识别监管模型的输入，提取各帧感兴趣区域中的钻进动作变化特征，根据所述钻进动作变化特征识别单次钻进动作；将感兴趣区域序列中识别出的单次钻进动作进行统计获取总次数，并将所述单次钻进动作匹配对应的单次钻进深度，将所述总次数与单次钻进深度结合获取最终钻进深度。
根据本发明实施例，在目标污染场地设置污染高风险区域进行监控，具体为：
根据钻探评估获取目标污染场地的污染调查结果，根据所述污染调查结果获取钻探点的污染分布，通过所述污染分布获取空间分布特征；
基于所述空间分布特征结合目标污染场地的地理水文特征获取目标污染场地的污染预测分布，根据所述污染预测分布获取污染浓度大于预设浓度阈值的区域，并进行可视化标记；
根据标记区域设置污染高风险区域，并利用机器视觉进行监控，获取工作人员的轨迹信息，根据所述轨迹信息判断是否进入污染高风险区域，若存在交集，则生成预警信息；
当工作人员进入污染高风险区域时，根据监控图像信息判断是否穿着防护设备，根据判断结果设置不同的停留时间阈值，当工作人员停留时间大于对应的停留时间阈值时，则生成报警信息，并将所述报警信息按照预设方式进行发送。
图4示出了本发明一种基于深度学习的钻探过程自动识别监管***的框图。
本发明第二方面还提供了一种基于深度学习的钻探过程自动识别监管***4，该***包括：存储器41、处理器42，所述存储器中包括基于深度学习的钻探过程自动识别监管方法程序，所述基于深度学习的钻探过程自动识别监管方法程序被所述处理器执行时实现如下步骤：
通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
需要说明的是，在目标污染场地现场架设无线图传摄像头，获取目标污染场钻探过程的监控视频流，根据所述监控视频流生成监控图像时序序列，利用感知哈希算法将监控图像进行缩小，经过灰化及离散余弦变换处理后计算监控图像中邻域信息的差异值，获取相邻像素之间的差异值，若第i个像素值大于第i+1个像素值，则赋予差异值为1，否则为0，实现监控图像的二值化，根据所述差异值获取每张监控图像的特征信息；根据所述特征信息将存在差异的局部区域（即差异值赋1的区域）进行裁剪，获取每张监控图像的局部变化区域，判断相邻两帧监控图像中局部变化区域像素的曼哈顿距离是否大于预设阈值，若大于则将相邻两监控图像进行标记；获取标记监控图像之间的变化像素点，根据所述变化像素点获取与总像素的比值，当所述比值大于预设比值阈值时，则标记为关键帧图像数据；将所述关键帧图像数据进行滤波去噪，获取去噪后关键帧图像数据进行几何校正，获取预处理后的关键帧图像数据。
根据本发明实施例，基于深度学习方法构建钻探识别监管模型，具体为：
基于自编码器网络构建钻探识别模型，通过钻进动作数据集对所述钻探识别模型进行训练，在钻进动作数据集中选取图像样本数据，将所述图像样本数据划分为若干图像子块；
将所述图像子块导入自编码器网络进行特征编码，引入多头注意力机制，计算多个图像子块的自注意力权重，将自注意力权重小于预设权重的图像子块进行掩码；
结合自注意力权重提取未掩码图像子块的特征，获取局部特征表示，根据所述局部特征表示将掩码图像子块进行特征重构，获取图像样本数据的全局特征，将所述全局特征输入解码器获取钻进动作特征表示；
根据所述钻进动作特征表示建立与钻进动作的映射关系，通过迭代训练调准模型参数，输出训练好的钻探识别监管模型。
需要说明的是，钻探识别模型通过设置多头注意力机制对自注意力权重小，对钻进动作识别贡献少的图像子块，降低自编码器网络的复杂度，提升模型的性能，另外通过未掩码图像子块的局部特征表示对掩码图像子块在原始位置进行特征重构，实现掩码图像子块的图像增强，根据图像增强后的图像样本数据获取全局特征，用于钻进动作的识别。
需要说明的是，将不同型号类别的钻进设备的图像信息进行聚类，获取聚类结果，根据所述聚类结果进行取并集操作生成模板图像信息，通过预处理后的关键帧图像数据提取其中的局部变化区域；根据局部变化区域进行定位模板图像信息定位，通过边缘算子获取边缘信息，将所述边缘信息结合模板图像信息获取感兴趣区域；将所述感兴趣区域利用特征金字塔网络获取多尺度图像特征，根据所述多尺度图像特征与不同型号类别的钻进设备的图像信息进行相似度计算；获取相似度计算获取相似度排序，根据最高相似度获取钻进设备的型号信息，根据所述钻进设备的型号信息通过大数据方获取钻进动作图像，根据所述钻进动作图像生成钻进动作数据集，以型号信息生成数据标签。
根据本发明实施例，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息，具体为：
根据目标污染场地的当前场地污染调查任务获取预设钻进深度，将最终钻进深度与所述预设钻进深度进行对比，计算钻进深度偏差率，当所述钻进深度偏差率大于预设阈值时，则生成钻进深度异常信息；
通过钻进深度异常信息进行钻进深度复核，根据钻进深度复核结果与对应的感兴趣区域序列对当前型号钻进设备的钻进动作数据集进行更新，根据更新后的钻进动作数据集对钻探识别监管模型进行优化；
获取当前场地污染调查任务的钻探施工单位信息，建立施工单位诚信数据库，将所述钻进深度异常信息与所述钻探施工单位信息进行结合，存入所述施工单位诚信数据库；
根据所述施工单位诚信数据库进行预设时间范围内钻进深度异常信息的次数进行统计，当钻探施工单位对应的统计次数大于预设次数阈值时，则对所述钻探施工单位发送警示信息。
需要说明的是，获取感兴趣区域序列，作为钻探识别监管模型的输入，提取各帧感兴趣区域中的钻进动作变化特征，根据所述钻进动作变化特征识别单次钻进动作；将感兴趣区域序列中识别出的单次钻进动作进行统计获取总次数，并将所述单次钻进动作匹配对应的单次钻进深度，将所述总次数与单次钻进深度结合获取最终钻进深度。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于深度学习的钻探过程自动识别监管方法程序，所述基于深度学习的钻探过程自动识别监管方法程序被处理器执行时，实现如上述任一项所述的基于深度学习的钻探过程自动识别监管方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，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以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的钻探过程自动识别监管方法，其特征在于，包括以下步骤：
通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
2.根据权利要求1所述的一种基于深度学习的钻探过程自动识别监管方法，其特征在于，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理，具体为：
获取目标污染场钻探过程的监控视频流，根据所述监控视频流生成监控图像时序序列，利用感知哈希算法计算监控图像中邻域信息的差异值，根据所述差异值获取每张监控图像的特征信息；
根据所述特征信息将存在差异的局部区域进行裁剪，获取每张监控图像的局部变化区域，判断相邻两帧监控图像中局部变化区域像素的曼哈顿距离是否大于预设阈值，若大于则将相邻两监控图像进行标记；
获取标记监控图像之间的变化像素点，根据所述变化像素点获取与总像素的比值，当所述比值大于预设比值阈值时，则标记为关键帧图像数据；
将所述关键帧图像数据进行滤波去噪，获取去噪后关键帧图像数据进行几何校正，获取预处理后的关键帧图像数据。
3.根据权利要求1所述的一种基于深度学习的钻探过程自动识别监管方法，其特征在于，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，具体为：
将不同型号类别的钻进设备的图像信息进行聚类，获取聚类结果，根据所述聚类结果生成模板图像信息，通过预处理后的关键帧图像数据提取其中的局部变化区域；
根据局部变化区域进行定位模板图像信息定位，通过边缘算子获取边缘信息，将所述边缘信息结合模板图像信息获取感兴趣区域；
将所述感兴趣区域利用特征金字塔网络获取多尺度图像特征，根据所述多尺度图像特征与不同型号类别的钻进设备的图像信息进行相似度计算；
获取相似度计算获取相似度排序，根据最高相似度获取钻进设备的型号信息，根据所述钻进设备的型号信息通过大数据方获取钻进动作图像，根据所述钻进动作图像生成钻进动作数据集，以型号信息生成数据标签。
4.根据权利要求1所述的一种基于深度学习的钻探过程自动识别监管方法，其特征在于，基于深度学习方法构建钻探识别监管模型，具体为：
基于自编码器网络构建钻探识别模型，通过钻进动作数据集对所述钻探识别模型进行训练，在钻进动作数据集中选取图像样本数据，将所述图像样本数据划分为若干图像子块；
将所述图像子块导入自编码器网络进行特征编码，引入多头注意力机制，计算多个图像子块的自注意力权重，将自注意力权重小于预设权重的图像子块进行掩码；
结合自注意力权重提取未掩码图像子块的特征，获取局部特征表示，根据所述局部特征表示将掩码图像子块进行特征重构，获取图像样本数据的全局特征，将所述全局特征输入解码器获取钻进动作特征表示；
根据所述钻进动作特征表示建立与钻进动作的映射关系，通过迭代训练调准模型参数，输出训练好的钻探识别监管模型。
5.根据权利要求1所述的一种基于深度学习的钻探过程自动识别监管方法，其特征在于，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，具体为：
获取感兴趣区域序列，作为钻探识别监管模型的输入，提取各帧感兴趣区域中的钻进动作变化特征，根据所述钻进动作变化特征识别单次钻进动作；
将感兴趣区域序列中识别出的单次钻进动作进行统计获取总次数，并将所述单次钻进动作匹配对应的单次钻进深度，将所述总次数与单次钻进深度结合获取最终钻进深度。
6.根据权利要求1所述的一种基于深度学习的钻探过程自动识别监管方法，其特征在于，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息，具体为：
根据目标污染场地的当前场地污染调查任务获取预设钻进深度，将最终钻进深度与所述预设钻进深度进行对比，计算钻进深度偏差率，当所述钻进深度偏差率大于预设阈值时，则生成钻进深度异常信息；
通过钻进深度异常信息进行钻进深度复核，根据钻进深度复核结果与对应的感兴趣区域序列对当前型号钻进设备的钻进动作数据集进行更新，根据更新后的钻进动作数据集对钻探识别监管模型进行优化；
获取当前场地污染调查任务的钻探施工单位信息，建立施工单位诚信数据库，将所述钻进深度异常信息与所述钻探施工单位信息进行结合，存入所述施工单位诚信数据库；
根据所述施工单位诚信数据库进行预设时间范围内钻进深度异常信息的次数进行统计，当钻探施工单位对应的统计次数大于预设次数阈值时，则对所述钻探施工单位发送警示信息。
7.一种基于深度学习的钻探过程自动识别监管***，其特征在于，该***包括：存储器、处理器，所述存储器中包括基于深度学习的钻探过程自动识别监管方法程序，所述基于深度学习的钻探过程自动识别监管方法程序被所述处理器执行时实现如下步骤：
通过机器视觉获取目标污染场地钻探过程的监控视频流，根据所述监控视频流提取关键帧图像数据，对所述关键帧图像数据进行预处理；
根据预处理后的关键帧图像数据获取感兴趣区域，利用感兴趣区域识别钻进设备的型号信息，根据所述型号信息提取钻进设备的钻进动作数据集，并将钻进动作数据与单次钻进深度结合；
基于深度学习方法构建钻探识别监管模型，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，读取对应的单次钻进深度，输出钻探过程的最终钻进深度；
根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息。
8.根据权利要求7所述的一种基于深度学习的钻探过程自动识别监管***，其特征在于，基于深度学习方法构建钻探识别监管模型，具体为：
基于自编码器网络构建钻探识别模型，通过钻进动作数据集对所述钻探识别模型进行训练，在钻进动作数据集中选取图像样本数据，将所述图像样本数据划分为若干图像子块；
将所述图像子块导入自编码器网络进行特征编码，引入多头注意力机制，计算多个图像子块的自注意力权重，将自注意力权重小于预设权重的图像子块进行掩码；
结合自注意力权重提取未掩码图像子块的特征，获取局部特征表示，根据所述局部特征表示将掩码图像子块进行特征重构，获取图像样本数据的全局特征，将所述全局特征输入解码器获取钻进动作特征表示；
根据所述钻进动作特征表示建立与钻进动作的映射关系，通过迭代训练调准模型参数，输出训练好的钻探识别监管模型。
9.根据权利要求7所述的一种基于深度学习的钻探过程自动识别监管***，其特征在于，将关键帧图像数据中的感兴趣区域结合时间戳生成感兴趣区域序列，导入所述钻探识别监管模型，识别单次钻进动作，具体为：
获取感兴趣区域序列，作为钻探识别监管模型的输入，提取各帧感兴趣区域中的钻进动作变化特征，根据所述钻进动作变化特征识别单次钻进动作；
将感兴趣区域序列中识别出的单次钻进动作进行统计获取总次数，并将所述单次钻进动作匹配对应的单次钻进深度，将所述总次数与单次钻进深度结合获取最终钻进深度。
10.根据权利要求7所述的一种基于深度学习的钻探过程自动识别监管***，其特征在于，根据所述最终钻进深度与预设钻进深度进行对比，通过对比结果生成钻进深度异常信息，具体为：
根据目标污染场地的当前场地污染调查任务获取预设钻进深度，将最终钻进深度与所述预设钻进深度进行对比，计算钻进深度偏差率，当所述钻进深度偏差率大于预设阈值时，则生成钻进深度异常信息；
通过钻进深度异常信息进行钻进深度复核，根据钻进深度复核结果与对应的感兴趣区域序列对当前型号钻进设备的钻进动作数据集进行更新，根据更新后的钻进动作数据集对钻探识别监管模型进行优化；
获取当前场地污染调查任务的钻探施工单位信息，建立施工单位诚信数据库，将所述钻进深度异常信息与所述钻探施工单位信息进行结合，存入所述施工单位诚信数据库；
根据所述施工单位诚信数据库进行预设时间范围内钻进深度异常信息的次数进行统计，当钻探施工单位对应的统计次数大于预设次数阈值时，则对所述钻探施工单位发送警示信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098165.2A CN116824513B (zh) | 2023-08-29 | 2023-08-29 | 基于深度学习的钻探过程自动识别监管方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098165.2A CN116824513B (zh) | 2023-08-29 | 2023-08-29 | 基于深度学习的钻探过程自动识别监管方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824513A true CN116824513A (zh) | 2023-09-29 |
| CN116824513B CN116824513B (zh) | 2024-03-08 |
Family
ID=88143209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311098165.2A Active CN116824513B (zh) | 2023-08-29 | 2023-08-29 | 基于深度学习的钻探过程自动识别监管方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824513B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012978A (zh) * | 2024-04-10 | 2024-05-10 | 江苏国创环保科技有限公司 | 基于bim-gis技术的污染场地数据处理方法及*** |
| CN118167196A (zh) * | 2024-05-14 | 2024-06-11 | 邹城市宇光煤矿机械有限公司 | 一种钻探设备及钻探方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190063211A1 (en) * | 2017-08-05 | 2019-02-28 | Alfred Theophilus Aird | System for detecting and alerting drill depth based on designated elevation, strata and other parameters |
| CN110259438A (zh) * | 2019-06-21 | 2019-09-20 | 精英数智科技股份有限公司 | 一种煤矿探放水智能监控方法、装置及终端设备 |
| CN111771041A (zh) * | 2018-01-30 | 2020-10-13 | 贝克休斯控股有限责任公司 | 从图像日志计算裂缝密度的方法 |
| CN111852439A (zh) * | 2020-08-05 | 2020-10-30 | 杨昭俊 | 一种坑道钻机钻孔深度综合监测*** |
| US20200370409A1 (en) * | 2019-05-21 | 2020-11-26 | Schlumberger Technology Corporation | Drilling Control |
| CN113570575A (zh) * | 2021-07-28 | 2021-10-29 | 精英数智科技股份有限公司 | 一种基于目标检测的钻探深度统计方法及*** |
| US20210355806A1 (en) * | 2019-03-05 | 2021-11-18 | Halliburton Energy Services, Inc. | Real-time calibration of excitation ranging for tracking wellbore drilling |
| WO2022037507A1 (zh) * | 2020-08-18 | 2022-02-24 | 谈斯聪 | 一种水陆两用的勘探、考查装置，***及方法 |
| WO2023049138A1 (en) * | 2021-09-23 | 2023-03-30 | Schlumberger Technology Corporation | Automatic sensor data validation on a drilling rig site |
| CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、***及存储介质 |
| CN116245838A (zh) * | 2023-02-28 | 2023-06-09 | 福建汇川物联网技术科技股份有限公司 | 一种岩土勘探行为的监测方法、监测装置、设备及介质 |
| CN116403092A (zh) * | 2023-06-02 | 2023-07-07 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
-
2023
- 2023-08-29 CN CN202311098165.2A patent/CN116824513B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190063211A1 (en) * | 2017-08-05 | 2019-02-28 | Alfred Theophilus Aird | System for detecting and alerting drill depth based on designated elevation, strata and other parameters |
| CN111771041A (zh) * | 2018-01-30 | 2020-10-13 | 贝克休斯控股有限责任公司 | 从图像日志计算裂缝密度的方法 |
| US20210355806A1 (en) * | 2019-03-05 | 2021-11-18 | Halliburton Energy Services, Inc. | Real-time calibration of excitation ranging for tracking wellbore drilling |
| US20200370409A1 (en) * | 2019-05-21 | 2020-11-26 | Schlumberger Technology Corporation | Drilling Control |
| CN110259438A (zh) * | 2019-06-21 | 2019-09-20 | 精英数智科技股份有限公司 | 一种煤矿探放水智能监控方法、装置及终端设备 |
| CN111852439A (zh) * | 2020-08-05 | 2020-10-30 | 杨昭俊 | 一种坑道钻机钻孔深度综合监测*** |
| WO2022037507A1 (zh) * | 2020-08-18 | 2022-02-24 | 谈斯聪 | 一种水陆两用的勘探、考查装置，***及方法 |
| CN113570575A (zh) * | 2021-07-28 | 2021-10-29 | 精英数智科技股份有限公司 | 一种基于目标检测的钻探深度统计方法及*** |
| WO2023049138A1 (en) * | 2021-09-23 | 2023-03-30 | Schlumberger Technology Corporation | Automatic sensor data validation on a drilling rig site |
| CN116245838A (zh) * | 2023-02-28 | 2023-06-09 | 福建汇川物联网技术科技股份有限公司 | 一种岩土勘探行为的监测方法、监测装置、设备及介质 |
| CN116091883A (zh) * | 2023-04-10 | 2023-05-09 | 深圳市普雷德科技有限公司 | 基于多源信息融合的目标检测识别方法、***及存储介质 |
| CN116403092A (zh) * | 2023-06-02 | 2023-07-07 | 北京建工环境修复股份有限公司 | 一种基于图像学习的地下水napl污染程度判定方法及*** |
Non-Patent Citations (4)
| Title |
|---|
| MAGANA-MORA A, ET AL: "Well control space out: A deep-learning approach for the optimization of drilling safety operations", IEEE ACCESS, pages 76479 - 76492 * |
| YU Y, ET AL: "Drill-Rep: Repetition counting for automatic shot hole depth recognition based on combined deep learning-based model", ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE, pages 1 - 18 * |
| 刘昊: "一种基于强化学习的井下全闭环智能导钻方法研究", 中国石油大学(北京), pages 1 - 71 * |
| 梁春苗: "煤矿用钻孔机器人自动加杆识别与钻臂定位误差补偿研究", 煤炭科学研究总院, pages 1 - 178 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118012978A (zh) * | 2024-04-10 | 2024-05-10 | 江苏国创环保科技有限公司 | 基于bim-gis技术的污染场地数据处理方法及*** |
| CN118167196A (zh) * | 2024-05-14 | 2024-06-11 | 邹城市宇光煤矿机械有限公司 | 一种钻探设备及钻探方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824513B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116824513B (zh) | 基于深度学习的钻探过程自动识别监管方法及*** | |
| CN116385689B (zh) | 一种场地污染数据的可视化信息管理方法、***及介质 | |
| CN105844238A (zh) | 视频鉴别方法及*** | |
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及*** | |
| CN116359218B (zh) | 一种工业聚集区大气污染移动监测*** | |
| CN116311214B (zh) | 车牌识别方法和装置 | |
| CN116028499B (zh) | 检测信息生成方法、电子设备和计算机可读介质 | |
| CN117058446B (zh) | 一种钻探岩芯特征的智能识别描述方法、***及存储介质 | |
| CN115296933B (zh) | 一种工业生产数据风险等级评估方法及*** | |
| CN116881749B (zh) | 一种污染场地施工监测方法及*** | |
| CN110598959A (zh) | 一种资产风险评估方法、装置、电子设备及存储介质 | |
| CN112802307B (zh) | 一种用于地质勘察的地质监测预警方法及*** | |
| CN112016542A (zh) | 城市积涝智能检测方法及*** | |
| CN115687460B (zh) | 利用轨迹数据挖掘重点人群的关联对象的方法及*** | |
| CN117172984A (zh) | 基于设备检修数字孪生场景的安全风险识别方法及*** | |
| CN109344705B (zh) | 一种行人行为检测方法和*** | |
| CN115134159B (zh) | 一种安全告警分析优化方法 | |
| Kumar et al. | The Real Time Vehicle License Plate Identification System | |
| CN115563652A (zh) | 轨迹嵌入预防泄露方法及*** | |
| CN116822929A (zh) | 一种告警方法、装置、电子设备及存储介质 | |
| CN116935253A (zh) | 基于结合时空注意力机制的残差网络的人脸篡改检测方法 | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
| CN117274564B (zh) | 基于图文语义差异的机场跑道异物检测方法及*** | |
| CN116385414B (zh) | 零部件多尺度缺陷特征提取方法、计算设备及存储介质 | |
| CN115082865B (zh) | 基于视觉图像识别的桥机入侵危险行为预警方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |