本发明专利技术涉及石油钻采技术领域，尤其涉及一种基于深度学习的铁钻工接箍检测方法和系统，识别装置将第一原始图像输入接箍检测模型，获得接箍在像素坐标系的坐标；接箍检测模型的主干网络用于提取原始图像的图像特征，包括分别在主干网络两个下采样模块之后增加的联合注意力模块；联合注意力模块用于对第一原始特征图像分别沿通道维度和空间维度进行注意力权重赋值后进行特征融合，获得特征融合图像；识别装置根据接箍在像素坐标系下的坐标，生成控制指令并发送至铁钻工中控装置，以使铁钻工中控装置控制铁钻工进行上/卸扣操作。其有益效果是，通过高精度的接箍检测模型实现了铁钻工控制的全智能化和自动化。
【技术实现步骤摘要】
本专利技术涉及石油钻采，尤其涉及一种深度学习的铁钻工接箍检测方法和系统。
技术介绍
1、随着自动化技术的飞速发展，石油钻采领域的工作效率有了很大提升。在钻井作业过程中，随着钻进深度的逐渐增加，起下钻操作占据了绝大部分时间。
2、铁钻工作为关注操作系统的主要设备之一，目前被广泛应用。现阶段，铁钻工虽然可以自动上扣和卸扣操作，但在使用过程中仍然需要操作人员控制铁钻工对准接箍的位置，进而实现上/卸扣操作。这对于操作人员的操作规范有了很高的要求，一旦出现错误操作，会造成巨大的财产损失。近年来，随着机器视觉技术日渐成熟，该技术已被应用于自动驾驶、视觉辅助夹手等诸多领域。计算机视觉辅助铁钻工接箍高度定位成为最为有效的解决方案之一。
3、yolo系列算法能够较好的平衡速度与精度，收到各领域广泛应用。但由于石油钻采过程中，任务场景较于其它领域更为复杂，现场环境更加恶劣，原版yolo系列模型不能满足铁钻工上/卸扣过程中对精度的要求。
技术实现思路
1、(一)要解决的技术问题
2、鉴于现有技术的上述缺点、不足，本专利技术提供一种深度学习的铁钻工接箍检测方法和系统，其解决了人工对准接箍位置时，对人员的操作规范有很高的要求的同时，风险较大的技术问题，以及因现场任务场景复杂，环境恶劣，而导致的原版yolo系列模型不能满足铁钻工上/卸扣过程中对精度的要求的技术问题。
3、(二)技术方案
4、为了达到上述目的，本专利技术采用的主要技术方案包括：
5、第一方面，本专利技术实施例提供一种基于深度学习的铁钻工接箍检测方法，包括：
6、s10、识别装置将接收到的钻台面的第一原始图像输入训练好的接箍检测模型中，获得第一原始图像中接箍在像素坐标系的坐标；所述第一原始图像为井口和/或鼠洞位置的图像；
7、所述接箍检测模型包括主干网络、颈部网络和头部网络；
8、所述主干网络用于提取原始图像的图像特征，包括分别在主干网络两个下采样模块之后增加的联合注意力模块；
9、任一所述联合注意力模块用于对接收到的第一原始特征图像分别沿通道维度和空间维度进行注意力权重赋值，并将经通道维度和空间维度进行注意力权重赋值后的第一原始特征图像进行特征融合，获得聚焦于井口和/或鼠洞位置接箍的特征融合图像，即联合注意力模块的输出结果；
10、所述第一原始特征图像为第一原始图像经过初步特征提取和下采样后的语义信息，且所述第一原始特征图像包括井口和/或鼠洞位置接箍的特征，以及背景的特征；所述特征融合图像用于后续的主干网络、颈部网络和头部网络基于特征融合图像获得第一原始图像中接箍在像素坐标系的坐标；
11、s20、识别装置根据接箍在像素坐标系下的坐标，生成控制指令并发送至铁钻工中控装置，以使铁钻工中控装置控制铁钻工进行上/卸扣操作。
12、根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，任一所述联合注意力模块包括空间注意力单元、通道注意力单元和特征融合单元；
13、通道注意力单元用于，根据第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，按照输入特征通道方向采用全局平均池化进行空间方向的特征压缩后，通过1×1的卷积层进行特征提取，随后通过sigmoid层进行归一化处理，获得通道注意力权重矩阵，最后基于通道注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得通道注意力图；所述通道注意力权重矩阵包括井口和/或鼠洞位置接箍的通道权重，以及背景的通道权重；
14、空间注意力单元用于，基于第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，通过1×1的卷积层进行特征提取，获得该第一原始特征图对应的空间上下文权重，随后对空间上下文权重进行重塑，并将重塑后的空间上下文权重通过softmax层进行归一化处理，获得空间注意力权重矩阵；最后基于空间注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得空间注意力图；所述空间注意力权重矩阵包括井口和/或鼠洞位置接箍的空间权重，以及背景的空间权重；
15、特征融合单元用于，基于预先设置的通道注意力权重和空间注意力权重，将通道注意力图和空间注意力图进行特征融合，获得聚焦于井口和/或鼠洞位置接箍的特征融合图像；通道注意力权重和空间注意力权重均通过预先训练接箍检测模型获得。
16、可选地，所述通道注意力单元，根据第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，按照输入特征通道方向采用全局平均池化进行空间方向的特征压缩后，通过1×1的卷积层进行特征提取，随后通过sigmoid层进行归一化处理，获得通道注意力权重矩阵，最后基于通道注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得通道注意力图，包括：
17、将接收到的第一原始特征图按照其输入特征通道方向，以及预先设置的公式一，进行全局平均池化，将空间方向的特征压缩；所述公式一为：
18、
19、其中，xc为输入特征通道方向的矩阵，i和j分别表示输入特征通道方向的矩阵对应元素的位置索引，gapc为全局平均池化的输出，h为第一原始特征图的高度，w为第一原始特征图的宽度；
20、随后将全局平均池化后的第一原始特征图输入1×1的卷积层进行特征提取；
21、x1＝conv1×1(gapc)；
22、其中，conv1×1为1×1的分组卷积，gapc为全局平均池化的输出，x1为经过1×1的卷积层的输出特征；
23、之后通过sigmoid层进行归一化处理，获得通道注意力权重矩阵；
24、out＝σ(x1)；
25、其中，out为通道注意力权重矩阵，σ为sigmoid激活函数，x1为经过1×1的卷积层的输出特征；
26、最后，将通道注意力权重矩阵与第一原始特征图的各个通道维度相乘，获得通道注意力图。
27、可选地，所述空间注意力单元用于，基于第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，通过1×1的卷积层进行特征提取，获得该第一原始特征图对应的空间上下文权重，随后对空间上下文权重进行重塑，并将重塑后的空间上下文权重通过softmax层进行归一化处理，获得空间注意力权重矩阵；最后基于空间注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得空间注意力图；所述空间注意力权重矩阵包括井口和/或鼠洞位置接箍的空间权重，以及背景的空间权重，包括：
28、将接收到c×h×w的第一原始特征图输入1×1的卷积层，生成第一原始特征图对应的空间上下文权重；
29、随后将空间上下文权重重塑为hw×1×1；
30、并将重塑后的空间上下文权重通过softmax层进行归一化处理，获得空间注意力权重矩阵；
31、随后将c×h×w的第一原始特征图重塑为c×hw后，将重塑的第一原始特征与注意力权重矩阵相乘后，再与第一原始特征图拼接，获得空间注本文档来自技高网
...
【技术保护点】
1.一种基于深度学习的铁钻工接箍检测方法，其特征在于，包括：
2.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，任一所述联合注意力模块包括空间注意力单元、通道注意力单元和特征融合单元；
3.根据权利要求2所述的深度学习的铁钻工接箍检测方法，其特征在于，所述通道注意力单元，根据第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，按照输入特征通道方向采用全局平均池化进行空间方向的特征压缩后，通过1×1的卷积层进行特征提取，随后通过Sigmoid层进行归一化处理，获得通道注意力权重矩阵，最后基于通道注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得通道注意力图，包括：
4.根据权利要求2所述的深度学习的铁钻工接箍检测方法，其特征在于，所述空间注意力单元用于，基于第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，通过1×1的卷积层进行特征提取，获得该第一原始特征图对应的空间上下文权重，随后对空间上下文权重进行重塑，并将重塑后的空间上下文权重通过Softmax层进行归一化处理，获得空间注意力权重矩阵；最后基于空间注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得空间注意力图；所述空间注意力权重矩阵包括井口和/或鼠洞位置接箍的空间权重，以及背景的空间权重，包括：
5.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，所述接箍检测模型的颈部网络中的所有上采样模块均为DUpsampling模块；
6.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，所述S10之前还包括：
7.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，所述S10之前还包括：
8.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，所述S10之前还包括：
9.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，所述颈部网络用于对主干网络提取到的图像特征进行特征融合，所述头部网络用于根据颈部网络融合后的特征进行接箍坐标检测；
10.一种深度学习的铁钻工接箍检测系统，其特征在于，包括工业相机、识别装置和铁钻工中控装置；
...
【技术特征摘要】
1.一种基于深度学习的铁钻工接箍检测方法，其特征在于，包括：
2.根据权利要求1所述的深度学习的铁钻工接箍检测方法，其特征在于，任一所述联合注意力模块包括空间注意力单元、通道注意力单元和特征融合单元；
3.根据权利要求2所述的深度学习的铁钻工接箍检测方法，其特征在于，所述通道注意力单元，根据第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，按照输入特征通道方向采用全局平均池化进行空间方向的特征压缩后，通过1×1的卷积层进行特征提取，随后通过sigmoid层进行归一化处理，获得通道注意力权重矩阵，最后基于通道注意力权重矩阵对第一原始特征图进行注意力权重赋值，获得通道注意力图，包括：
4.根据权利要求2所述的深度学习的铁钻工接箍检测方法，其特征在于，所述空间注意力单元用于，基于第一原始特征图中井口和/或鼠洞位置接箍的特征，以及背景的特征，通过1×1的卷积层进行特征提取，获得该第一原始特征图对应的空间上下文权重，随后对空间上下文权重进行重塑，并将重塑后的空间上下文权重通过softmax层进行归一化处理...
【专利技术属性】
技术研发人员：任克营，黄朝晖，刘秀奇，周明君，
申请(专利权)人：北京捷杰西科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。