深度學習技術對振動篩巖屑進行精準分類
時間：2020-08-10 11:29
來源：
作者:編譯/胡大梁
目前，全球多數(shù)石油和天然氣公司的井眼維護和清潔均有完整的工作流程，每項工作都有規(guī)可循，有助于保障井筒完整性并降低鉆井風險和成本。但傳統(tǒng)方法需要人工連續(xù)觀察振動篩上的巖屑，并需要應用復雜的數(shù)理模型，該方法已成為一種工作瓶頸，因為人力難以實現(xiàn)連續(xù)監(jiān)測，因此無法提供對井眼清潔狀況進行準確評估。為此，休斯敦大學研究人員近期提出了一種實時深度學習模型，該方法由三個模塊組成，通過分析實時監(jiān)控視頻流，對來自鉆井平臺振動篩的巖屑量進行分類。
以前的大多數(shù)工作都使用圖像分析技術對巖屑體積進行定量分析，但傳統(tǒng)的圖像處理方法需要在圖形特征上進行大量工作，由于原始數(shù)據(jù)通常雜亂無序，因此需要進行預處理并對數(shù)據(jù)進行擴充。相反，深度學習功能能夠自動從原始數(shù)據(jù)中發(fā)現(xiàn)關鍵特征，并建立分類所需的表示形式，可以幫助克服在惡劣環(huán)境下設置監(jiān)控設備的困難，并且可以放寬對巖屑量監(jiān)視系統(tǒng)的數(shù)據(jù)采集要求。采用深度神經(jīng)網(wǎng)絡方法對來自遠程鉆井平臺振動篩的巖屑進行圖像處理和分類，主要包括以下工作流程：
視頻幀提取：在鉆井過程中，帶有泥漿的巖屑會傳輸至振動篩，研究人員開發(fā)了一種智能視頻處理引擎，采用雙線程機制，用于實時讀寫源流，以自適應方式進行解碼，如果解碼過程無法跟上視頻流的速度，則可能會丟失同步幀和丟失幀。為克服此問題，設置了提高快速線程安全的循環(huán)緩沖區(qū)。對巖屑運輸?shù)秸駝雍Y時捕獲的視頻進行自動處理分析，結(jié)果將被實時傳輸并呈現(xiàn)在辦公室的監(jiān)視器上，使鉆井工程師可以迅速獲得巖屑量信息。
振動篩關注區(qū)域確定：為了獲得準確的結(jié)果，工程師或開發(fā)人員需要從振動篩上巖屑流過的區(qū)域中確定重點的視頻關注區(qū)域，關注區(qū)域確定后，相機將不會更改其位置或角度，并濾除影響分類準確性的噪聲等外界干擾因素，用戶也可以使用手動或自動方法來完成關注區(qū)域的選擇。在視頻流的解碼開始之前，通過交互式圖形用戶界面將向用戶呈現(xiàn)指示振動篩的位置，用戶只需從界面演示的第一幀中選擇四個角點即可突出顯示關注區(qū)域。對于某些振動篩，在鉆井施工過程中，工人可能故意或意外地稍微改變攝像機角度，此時就需要重復選擇關注區(qū)域。為了使該過程自動化，建立了一種更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡關注區(qū)域檢測方法，可以自動檢測到包含巖屑流的區(qū)域。將原始視頻幀作為輸入信息，每個原始幀都被送入特征提取器，后者會生成特征圖，特征圖被輸入到一個更小的卷積神經(jīng)網(wǎng)絡中，分類整理后區(qū)分為背景類或關注區(qū)域類。如果將區(qū)域確定為需要關注，則區(qū)域回歸器將進一步調(diào)整其坐標、寬度和高度，實現(xiàn)自動關注。
關注區(qū)域內(nèi)部隨機抽樣：在更快的卷積神經(jīng)網(wǎng)絡框架的基礎上，用戶可以在視頻流的開始通過手動選擇關注區(qū)域，也可以由插播區(qū)域自動選擇。 但是振動或吹風可能會導致相機的位置和角度發(fā)生輕微變化，在沒有運動補償?shù)那闆r下訓練系統(tǒng)，則會降低準確性，為此研究人員提出了一種隨機化的子采樣策略來克服這個問題。
主成分分析增白轉(zhuǎn)換：主成分的增白轉(zhuǎn)換將立即應用于視頻幀，然后再將其饋入神經(jīng)網(wǎng)絡， 目標是減少輸入的冗余度，消除了相鄰幀之間的潛在相關性，并有可能改善模型的收斂性。
為了評估方法的準確性，在實時視頻流上測試了所提出的方法，并將模型軟件的實時分類結(jié)果與工程師手動分析進行了比較，將巖屑體積分為四個離散級別：超重、重、輕和無，每個視頻都由四位專家標記。測試結(jié)果表明，該系統(tǒng)可以在不丟幀的情況下實時處理流視頻，并對所有巖屑類別進行了成功分類。與傳統(tǒng)的工程師手動標記分析的結(jié)果相比，該方法能夠?qū)崟r分類、處理速度快而且精度更高。
微信公眾號
微信視頻號
京公網(wǎng)安備11010502053156號