【技术实现步骤摘要】
本专利技术涉及油井生产中抽油机盘根漏油故障检测领域，采用人工智能完成抽油机盘根漏油故障的实时检测。
技术介绍
1、抽油机是油井生产中的重要设备，由于所处环境恶劣，需要频繁维护，因位置分散，其人工维护成本高，工作效率低。
2、针对抽油机地下故障问题，当前主要基于示功图进行分析和判别；而针对井上常见故障问题，如盘根漏油，往往只能靠人工现场勘察，严重影响生产安全。
3、随着人工智能的快速发展，深度学习目标检测技术开始广泛应用于工业场景。当前的yolo目标检测算法由于性能优势受到广泛关注，版本经过多次迭代，yolov8版本具有检测精度高和速度快的优势，已能够对抽油机关键部位盘根进行实时检测。
4、然而，在实际运行中，由于抽油机所处环境恶劣，容易出现光照不足、阴影遮挡等特殊情况，导致检测过程中出现漏检和误检等问题。因此，需要在原目标检测算法基础上进行改进，提高特殊情况下抽油机盘根部位的故障检测与诊断能力。
技术实现思路
1、本专利技术针对
技术介绍
中存在的问题，在yolov8目标检测算法的基础上进行改进，该方法具有以下步骤：
2、1、采集处于工作过程中的抽油机图片，利用数据增强方法进行预处理，构建采油机工作图像数据集s，按照7:2:1的比例进行划分，构建训练集、验证集和测试集。
3、2、在yolov8前端模块引入retinexformer，能够有效增强暗光图像的亮度和对比度，同时减少图像增强导致的噪声失真。retinexformer是
4、3、对yolov8网络进行改进，mobilenet v3网络替换原主干网络，其使用神经网络架构搜索技术nas，并结合了mobilenet v1和mobilenet v2的深度可分离卷积和线性瓶颈反转残差结构融合，实现更高的准确度和更低的延迟。主要由卷积激活cbh模块、bneck模块、池化操作pool组成，同时引入了se轻量化通道注意力机制提升特征提取能力，新的主干网络更加轻量化，可以为特定的硬件平台找到优化的模型，在移动端部署效果好、延迟低。
5、4、将抽油机工作图像训练集输入至改进后的yolov8检测模型中进行训练，在主干中经过轻量化的mobilenet v3网络，其中的卷积操作为深度可分离卷积，深度可分离卷积包括逐通道卷积(dwc)和逐点卷积(pwc)两个卷积过程。dwc是对m层特征图进行逐通道单核卷积，而pwc更加关注多尺度特征图之间的关系，经过加权融合，得到新的特征图，相比于传统固定卷积核减小了参数量，节约了计算成本，经空间金字塔池化spff等过程提取到3种不同层次的特征f1、f2、f3。
6、5、将f1、f2、f3输入neck颈部模块，经过上采样upsample过程及拼接concat操作，实现不同尺度融合，引入c2f获取更丰富的梯度流信息，在neck网络中引入高效多尺度注意力ema模块，以增强多尺度特征提取能力，ema模块主要是通过重新组织通道维度和批次维度，以提高模型处理特征的能力。将其添加在neck网络中c2f模块和检测头之间，利用跨维度交互捕捉像素级别的关系，最终得到新的三层特征f4、f5、f6。
7、6、将f4、f5、f6三层特征输入到检测模块，通过解耦头进行解耦，得到两个分支，分别是分类损失和边框回归损失。对于分类问题采用二元交叉熵bce损失，对于检测边框回归损失，采用边界框损失wise-iou loss与分布焦点损失dfl结合的方式，提高模型的收敛速度和检测框的准确度。yolov8算法采用task-aligned assigner动态样本分配策略，根据预测类别分数和iou交并比加权分数进行排序后得到最优的top k个正样本，k通常取10，采用下式进行样本筛选：
8、t＝sα×uβ
9、其中α和β是权重超参数，s是每个像素点预测的类别分数，u是像素点预测框与所有目标框的回归分数，t为加权分数。
10、7、经过训练得到改进的神经网络模型，输入抽油机盘根部位图像信息至改进yolov8网络，实时预警抽油机盘根漏油故障工况。
11、有益效果：
12、本专利技术提出了一种抽油机盘根漏油故障检测方法，采用改进后的yolov8模型，在前端引入retinexformer暗光增强模块，为后续主干网络提供更清晰的图像特征；利用轻量化模型mobilenet v3对yolov8主干网络进行替换，保证检测高精度的同时节省计算量，在颈部网络中添加ema高效多尺度注意力机制，通过重新组织通道维度和批次维度，提高模型处理特征的能力，利用跨维度交互捕捉像素级别的关系；在检测头部分损失函数用wise-iou替换边框回归损失中的ciou，提升模型的收敛速度。改进yolov8模型对于及时准确发现抽油机盘根漏油故障，保障生产安全具有重要价值。
本文档来自技高网...【技术保护点】
1.一种抽油机盘根漏油故障检测方法，其特征在于对YOLOv8目标检测算法进行改进，完成抽油机盘根漏油故障检测，具体步骤包括：
2.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤1)所述采油机工作图像数据集S，按照7:2:1的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤2)中Retinexfomer基于Retinex和Transformer结合实现暗光图像增强，首先估计照明信息，增强暗光图像质量，再利用损失恢复器消除增强过程引起的噪声和伪影。
4.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤3)所述的轻量化主干网络MobileNet v3，其使用神经网络架构搜索技术NAS，结合了MobileNet v1和MobileNet v2的深度可分离卷积和线性瓶颈反转残差结构融合，并引入SE通道注意力机制。
5.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤4)所述的深度可分离卷积，卷积过程分为逐通道卷积Depth-Wis
6.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤5)所述的EMA模块，通过重新组织通道维度和批次维度，提高模型处理特征的能力。
7.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤6)所述的原模型检测回归损失，采用Wise-IOU替换CIOU损失，动态非单调聚焦机制使用离群度替代IOU改进对锚框的质量评估，平衡高质量锚框和低质量锚框的奖惩关系，增加聚焦普通锚框的数量。
...【技术特征摘要】
1.一种抽油机盘根漏油故障检测方法，其特征在于对yolov8目标检测算法进行改进，完成抽油机盘根漏油故障检测，具体步骤包括：
2.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤1)所述采油机工作图像数据集s，按照7:2:1的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤2)中retinexfomer基于retinex和transformer结合实现暗光图像增强，首先估计照明信息，增强暗光图像质量，再利用损失恢复器消除增强过程引起的噪声和伪影。
4.根据权利要求1所述的一种抽油机盘根漏油故障检测方法，其特征在于步骤3)所述的轻量化主干网络mobilenet v3，其使用神经网络架构搜索技术nas，结合了mobi...
【专利技术属性】
技术研发人员：陈夕松，曹兴广，张恒，姜磊，
申请(专利权)人：南京富岛油气智控科技有限公司，
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。