[发明专利]一种基于自监督+目标追踪的油田生产区域安全距离判断

说明书

本发明提出了一种基于自监督+目标追踪的油田生产区域安全距离判断，基于自监督学习框架和目标追踪的思想，设计了一种油田作业现场危险作业场景预警的神经网络SDNet(Self‑supervised Learning+Deepsort)。SD‑Net首先基于了自监督图像学习的框架，学习作业现场高风险作业场景标识物，该框架免去了大量的人工标注数据集任务，省去了人力物力，提高了开发效率，再通过Deepsort目标追踪模型判断作业人员的行动轨迹，与此同时，该网络会将检测到的图像根据摄像头内参进行投影重建，在重建出来的鸟瞰图上计算作业人员是否离开危险区域，是否与作业器具保持了安全距离等。作业现场环境复杂，该网络可以通过作业现场的单目摄像头进行安全距离的判断，省去了盯审人员的大量工作，提高了监管效率。

技术领域

本发明涉及工业互联网领域、深度学习领域、具体涉及到一种基于自监督+目标追踪的油田生产区域安全距离判断。

背景技术

SD-Net基于自监督学习和目标追踪的思想，首先通过自监督学习学习图像特征，免去大量的人力标注。同时使用目标追踪技术对油田现场的作业人员进行追踪，如若发生危险作业行为，可以输出是对应人员的ID，而是否离开危险区域，如出现在吊臂旋转半径，站在起重机吊臂下等等，则需要依靠摄像头内参矩阵及相应投影变换并输入网络进行判断。现有技术需要人员在监控室长期盯审，未实现自动判断，该网络通过三部分结合可以实现单目摄像头中距离的判别。

发明内容

为解决现有技术中的缺点和不足，本发明提出了一种基于自监督+目标追踪的油田生产区域安全距离判断，对油田现场高风险作业人员是否保持安全距离进行判断。本发明的技术方案为：

一种基于自监督学习+目标追踪+相机矩阵的工业安全距离预测方法，包括以下部分：自监督方式学习特征、目标轨迹追踪、相机矩阵参数自标定。

(1)自监督学习的任务是为了免去大量人力的标注，它与有监督学习的区别在于不需要认为的给定GT值，而是通过预先设定的数据集中的正负样本自己进行学习，且在完成某一任务后，可以较容易地迁移至另一任务，省去了机器地重复学习。其主要原理为将特征图中正样本之间的特征最大化，正样本与负样本的特征最小化，采用一种对比学习的自监督方法去学习特征，首先训练一个编码器，然后在一个字典中确保和对应特征的键是相似的，和其他是不相似的，为了减轻显卡算力，采用队列的数据结构存储字典，在训练时，新的batch完成编码后入队，老的batch的编码出队，保证了字典大小和batch大小解耦，损失函数上采用InfoNCE，当q和它的正向键值k相似或负向不相似，损失减小，公式为:另一方面采用动量对比下降算法，核心是将字典作为队列，另外一个字典就是动量更新。这样做主要是为了能将字典的大小和mini-batch分离开来。而动量更新主要是为了解决字典这部分数据在反向传播的时候更新参数的问题，因为反向传播需要在队列中所有的样本中进行传播。公式为:mθ_k+(1-m)θ_q→θ_k，m是动量系数，θ_k和θ_q代表了key encoder向量和query encode向量。通过不断的对比学习去学习图像的特征。