[发明专利]基于深度学习的油井示功图位移测量方法及装置

权利要求书

1.基于深度学习的油井示功图位移测量方法，其特征在于，具体包括如下步骤：

步骤1：井场摄像机自动捕捉抽油机上的轨迹追踪模块，并以附近的时间同步模块为参照调节观测角度，主动向时间同步模块发出同步请求信号；

步骤2：所述时间同步模块在接收到信号后，自动根据抽油机上载荷传感器的动态信息进行计算和生成时间同步指令进行下发，井场摄像机根据指令开始对轨迹追踪模块的上、下行状态进行追踪记录，获取其在固定周期内的图像或视频数据；

步骤3：根据所述图像或视频，在智慧计算大脑中使用基于深度学习网络的多变量数据提取模型，自动进行包括时间、角度、运行轨迹特征数据提取与处理，形成综合测量数据；

步骤4：利用智慧计算大脑中预置的角度位移计算模型对所获取的综合测量数据进行并行计算与误差校验，并最终输出时间、位移数据至用户的应用系统。

2.根据权利要求1所述的基于深度学习的油井示功图位移测量方法，其特征在于，步骤2中，根据轨迹追踪模块的上、下行状态图像或视频进行时间、角度及运行轨迹综合测量数据提取的具体操作为：

对轨迹追踪模块的图像或视频，进行多尺度特征图检测、融合及比对测量、得到对应时间周期内抽油机驴头的角度变化与运行轨迹监测数据；多尺度检测包括32倍降采样、16倍降采样和8倍降采样。

3.根据权利要求1所述的基于深度学习的油井示功图位移测量方法，其特征在于，步骤2中，轨迹追踪模块图像或视频由一台井场智能摄像机对同一场景、不同时段的运行轨迹进行多镜头组合联动拍摄得到；油井示功图位移测量方法还包括：

在获取的同一场景、不同时段的图像或视频过程中井场摄像机的通过使用现实增强功能对轨迹追踪模块角度变化情况进行实时扫描测定。

4.根据权利要求1所述的基于深度学习的油井示功图位移测量方法，其特征在于，步骤3中，多变量数据提取与角度位移计算模型基于YOLOv3网络训练得到。

5.根据权利要求1所述的基于深度学习的油井示功图位移测量方法，其特征在于，步骤4中，多变量数据提取模型与角度位移计算模型的训练预期效果判断标准包括：测角分辨力、测量误差、同步响应效率、PR曲线、mIOU指标和F1分数。

6.基于深度学习的油井示功图测量装置，包括轨迹追踪模块、高清智能摄像机、时间同步模块、智慧计算大脑；

所述轨迹追踪模块，安装于抽油机驴头，用于为高清智能摄像机进行轨迹追踪与时间同步模块提供特征参照；

所述高清智能摄像机，采用具有现实增强功能的摄像机，用于在捕捉到轨迹追踪模块后，自动向时间同步模块发送同步请求至，并根据反馈指令对轨迹追踪模块的上、下行状态进行定时抓拍、记录，然后将获取到的图像或视频数据发送给多变量数据提取模型进行提取操作；

所述时间同步模块，安装于油井附近的固定立杆之上，通过无线信号与高清智能摄像机、载荷传感器的控制模块进行数据交换，用于在接收到高清智能摄像机的时间同步请求后，自动根据抽油机上载荷传感器和轨迹追踪模块上传的动态信息计算时间节点，并将生成时间同步指令推送给高清智能摄像机进行操作执行；

所述智慧计算大脑，用于对所接收到图像或视频数据进行多变量数据提取与综合计算，并将输出时间与位移数据。

7.根据权利要求6所述的基于深度学习的油井示功图测量装置，所述智慧计算大脑包括多变量数据提取模型和角度位移计算模型；其中，

所述多变量数据提取模型，用于按照时间序列对图像或视频数据进行时间、角度、运行轨迹多变量数据提取与处理，生成的综合测量数据，并发送给角度位移计算模型进行处理；

所述角度位移计算模型，用于在接收到多变量数据提取模型上传的综合测量数据后，自动进行数据的加工清洗、关联计算与误差校正操作，并最终输出时间与位移数据。

8.根据权利要求6所述的基于深度学习的油井示功图测量装置，所述智慧计算大脑还包括训练模块和经验数据库；其中，

所述训练模块，用于使用抽油机轨迹追踪模块的上、下行图像或视频对多变量数据提取模型和角度位移计算模型进行训练，得到最优模型后存储至经验数据库中；

所述经验数据库，用于对接收到图像、视频、综合测量数据及经验模型进行存储。