[发明专利]基于水流分割的石油钻井污染气体自动监测方法

权利要求书

1.一种基于水流分割的石油钻井污染气体自动监测方法，其特征在于，所述基于水流分割的石油钻井污染气体自动监测方法包括以下步骤：

第一步，将mask与原始图像做与运算，将图像映射到HSV颜色表示空间，手动调整阈值获得批量的标注数据；

第二步，将标注好的数据进行预处理，调整图像的长和宽为32的倍数，将图像转化为张量格式，做数据的归一化，将像素值从0到255归一化到0到1；

第三步，通过神经网络训练数据，神经网络采用编码器-解码器的结构，神经网络输入为原始图像，输出为分割图像；

第四步，提取分割后的图像的轮廓，并将计算轮廓的周长和面积；

第五步，利用标注数据中的不含异常数据帧部分提取到的周长和面积两个量，建立多元高斯模型；

第六步，将获取到的分割图像的周长和面积输入多元高斯模型，判定数据帧是否异常；所述基于水流分割的石油钻井污染气体自动监测方法的水流数据标注通过制作mask图像和HSV颜色空间分析建模，同时标注同一场景下的100到1000张数据；HSV用于通过颜色空间的阈值分割出水流，而mask则是用消除颜色空间阈值与水流在同一范围内的噪声点，通过对水流样本数据的观察和分析，得出在固定的场景下一定的时间范围内，相机不移动时图像中的光照条件和背景不变；

HSV模型将RGB颜色空间映射到一个圆锥空间，从0到255表示颜色从黑到白的变化；在制作数据集标签的过程中通过mask和HSV结合的方式通过代码对被分为一类的图片进行标注和处理；mask是根据背景图片建模得的一张图像，每个类别和场景下都有对应的mask，通过mask与原始图像直接做与运算；HSV通过颜色空间的阈值调整将mask处理后结果进行处理，以获得对水流形态的精准刻画；

所述基于水流分割的石油钻井污染气体自动监测方法的异常监测方法，采用多元高斯建模的方式，帧为异常数据帧时，帧的面积和周长会发生变化；通过正常数据得到的高斯模型在测试异常数据时会偏离该高斯模型；该高斯模型根据正常分割得到的水流的周长和面积计算得到；将水流监控视频的一帧数据判别为异常，直接通过水流的形态和变化情况确定；周长和面积是对物体的形态表示最直观的两个量，在实际中通过周长和面积两个量建立多元高斯模型发掘两个量之间的联系，多元高斯的计算公式：

其中，∑：代表根据周长和面积计算的协方差矩阵，u：代表均值，x:代表输入，∈：代表判定的阈值；公式用于判定输入x是否属于建立的多元高斯分布，当输出的概率值低于∈时判定为不属于该多元高斯分布，∈是根据对于正常数据的和异常数据的统计值确定的；

所述基于水流分割的石油钻井污染气体自动监测方法的水流分割算法采用U-net网络结构，U-net网络实现像素级的分割，获得对水流变化情况的精准刻画；U-net网络由一个收缩路径和一个扩张路径组成；

收缩路径遵循典型的卷积网络结构，其由两个重复的3x3卷积核组成，且均使用修正线性单元激活函数和一个用于下采样的步长为2的2x2最大池化操作，以及在每一个下采样的步骤中，特征通道数量都加倍；

在扩张路径中，每一步都包含对特征图进行上采样；用2x2的卷积核进行卷积运算，用于减少一半的特征通道数量；接着级联收缩路径中相应的裁剪后的特征图；再用两个3x3的卷积核进行卷积运算，且均使用ReLU激活函数；在最后一层，利用1*1的卷积核进行卷积运算，将每个64维的特征向量映射网络的输出层。

2.如权利要求1所述的基于水流分割的石油钻井污染气体自动监测方法，其特征在于，所述基于水流分割的石油钻井污染气体自动监测方法在预处理时计算得出所有训练数据的均值和方差，每一张图片在减去均值，与方差相比；将数据归一化到0到1，使得像素点变为零；

神经网络的损失函数定义如下：

Pre＝∑_i，jP_r(i，j) (1)

Pte＝∑_i，jP_t(i，j) (2)

公式中Pre，训练过程中神经网络的输出的图像，Pte表示对应的标签，loss表示损失；i,j表示像素点的坐标位置；式(3)中i＝0，n表示参与计算的图像数量，const表示一个非0常数，为保证标签全黑的时候分母不是0；从式(3)看出当标签和实际的预测值越接近时损失越小。