[发明专利]基于深度卷积神经网络的液位式表计读数方法

说明书

本发明将深度卷积神经网络和液位式表计的检测技术结合在一起，公开了一种基于深度卷积神经网络的液位式表计读数方法，包括以下步骤：第一步骤，基于第一特征金字塔（FPN）模型处理第一图像以输出液位式表计在第一图像中的表计位置；第二步骤，对第一图像进行截取以获得第二图像，并将截取获得的第二图像输入到第二全卷积神经网络（FCN）模型处理，以输出液位式表计在第二图像中的指针位置；第三步骤，输出液位式表计的读数。本发明充分融合了CNN、多种尺度缩放、FPN、拼接和全连接层技术，以及在此基础上配合全卷积神经网络FCN，实现了对液位式表计进行读数识别的新方法。

技术领域

本发明属于融合神经网络和液位表检测的技术领域，特别是一种基于深度卷积神经网络的液位式表计读数方法。

背景技术

油气勘探过程中，坐岗观察溢流是油气勘探现场井控工作的重点，液位表的监测是重要工作内容，人工监测耗费人力，而采用机器人识别，让存在采集的数据容易产生各种干扰噪声，造成识别效果差，甚至无法识别的情况等问题，严重影响了液位监测。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于深度卷积神经网络液位式表计读数方法，其特征在于，所述方法包括以下步骤：

第一步骤，拍摄液位式表计以获得第一图像，基于第一特征金字塔（FPN）模型处理第一图像以输出所述液位式表计在第一图像中的表计位置；

第二步骤，基于所述表计位置的坐标信息，将所述坐标信息映射到第一图像中，对所述第一图像进行截取以获得第二图像，使得所述第二图像相比第一图像去除掉并非表计区域的图像数据，并将截取获得的第二图像输入到第二全卷积神经网络（FCN）模型处理，以输出所述液位式表计在第二图像中的指针位置；

第三步骤，基于所述表计位置和指针位置，输出液位式表计的读数。

优选的，所述第一特征金字塔（FPN）模型包括：卷积神经网络(CNN)模块、特征金字塔网络(FPN)模块和全连接层模块；其中，

所述卷积神经网络模块包括级联的PNet深度学习卷积模型、RNet深度学习卷积模型和ONet深度学习卷积模型，并用于根据所述第一图像抽象提取特征以获得第一特征图；

所述特征金字塔网络模块包括：三种尺度缩放单元，和对应于三种尺度缩放单元的第一卷积单元(CNN1)、第二卷积单元(CNN2)、第三卷积单元(CNN3)，以及拼接单元；其中，

三种尺度缩放单元包括第一、第二、第三尺度缩放单元，三种尺度缩放单元用于对第一特征图依次进行三次尺度缩放以得到第一、第二、第三尺度的特征图；

第一、第二、第三卷积单元，分别用于对第一、第二、第三尺度的特征图的特征进行解析；

拼接单元，用于将第一、第二、第三卷积单元的输出进行拼接处理以获得特征向量；

全连接层模块，用于根据所述特征向量计算并输出所述液位式表计的表计位置。

优选的，第二全卷积神经网络（FCN）模型为级联Cascade FCN模型。

优选的，所述卷积神经网络(CNN)模块包括n+1层卷积层，第n+1层的输出out=k_n+1⊙(k_n⊙x),其中，k_n代表第n层的卷积层的卷积核，k_n+1代表第n+1层的卷积层的卷积核，x代表来自上一层卷积层的输入，⊙运算符表示卷积运算。

优选的，所述全连接层模块的激励函数采用ReLU函数。

优选的，所述第一特征金字塔（FPN）模型的训练步骤包括: