[发明专利]一种基于YOLOv5的磕头机停抽检测方法

说明书

本发明公开了一种基于YOLOv5的磕头机停抽检测方法，包括：提取固定摄像头下拍摄的磕头机工作的视频流的图像信息，利用LabelImg对数据一构建磕头机目标检测的数据集，随机划分成训练集:测试集＝8:2；搭建基于PyTorch框架下的YOLOv5目标检测模型；在YOLOv5目标检测模型上进行训练并优化；提取固定摄像头拍摄的视频流的图像信息作为输入到已训练好的YOLOv5网络中进行磕头机识别得到磕头机检测数据；对磕头机检测数据进行高斯模糊处理，对间隔帧数为m的前后两个样本中存在磕头机的目标区域进行帧差法计算，依据判断结果生成磕头机工作状态判定并存储检测及判定信息。本发明具有检测目标区域准确、可以智能化判断磕头机是否停抽等优点，旨在解决油田作业现场磕头机工作状态的实时检测问题，为油田作业现场的生产管理提供智能化的解决方案。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于YOLOv5的磕头机停抽检测方法。

背景技术

在石油工业中采油作业现场的磕头机是采油的关键设备，现有的采油作业现场的监管机制主要是通过摄像头远程查看，虽然可以建立远程查看能够降低一部分人力物力，但是仍然需要大量人力资源通过时刻查看摄像头来确保生产作业现场正常运行。

近年来，随着计算机硬件的发展，其处理数据的能力显著提升，同时随着卷积神经网络发展等软设施的发展以及采油作业现场的摄像头的普及，使得利用计算机进行大规模自动化处理实时监控视频，使得作业现场的智能检测得以实现。深度神经网络是机器学习领域的前沿，能够自动地学习得到深层次的特征信息。卷积神经网络是其中最突出的模型，目前广泛应用于目标分类、检测和分割任务中。因此，利用深度学习模型自动地实时处理采油作业现场监控视频分析磕头机工作状态并将可视化结果返回，可以提升采油现场管理效率并且极大减少人工物力，优化采油作业现场生产管理的成本和质量。

发明内容

本发明的目的是在于提高现有采油作业现场磕头机停抽检测的效率，提供了一种基于 YOLOv5的磕头机停抽检测方法，自动的提取特征，提高检测效率，减少人力物力成本。

为了实现上述目的，本发明采用下述技术方案：

(1)制作磕头机目标检测数据集；

(2)在PyTorch框架下构建基于YOLOv5的磕头机目标检测模型；

(3)选取训练样本对磕头机检测模型进行训练及优化；

(4)将待检测的视频流进行分帧处理后输入至训练好的磕头机检测模型，得到磕头机检测数据；

(5)根据得到的连续帧的磕头机检测数据进行高斯模糊处理后利用帧差法判断；

(6)依据判断结果生成磕头机工作状态判定并存储检测及判定信息。

本发明进一步的改进在于，步骤(1)的具体实现步骤为：

(101)将油田作业现场的视频流数据转换为帧数据；

(102)利用LabelImg对帧数据中的磕头机进行标定，将磕头机的标签包括磕头机整体、磕头机底部(平衡块)、磕头机头部(驴头部分)以及磕头机臂(游梁)，得到图像及对应的标签文件；

本发明进一步的改进在于，步骤(2)的具体实现步骤为：

(201)主干网络，用以提取磕头机的多尺度特征；

(202)输出网络，利用损失函数分析所述多尺度特征计算磕头机的位置偏差，同时再次进行边框回归获得检测框最终的精确位置。

本发明进一步的改进在于，步骤(3)的具体实现步骤包括：

(301)设置网络的训练参数；

(302)利用磕头机数据集训练YOLOv5目标检测模型。