基于改进ResNet网络的井下钻杆计数方法
来源期刊:工矿自动化2020年第10期
论文作者:高瑞 郝乐 刘宝 文静怡 陈宇航
文章页码:32 - 37
关键词:钻孔深度;钻杆计数;图像分类;卷积神经网络;学习率更新;ResNet-50;
摘 要:针对现有井下钻杆数量统计方式精度较低、受环境变化影响大等问题,结合卷积神经网络、信号滤波等技术,提出了一种基于改进ResNet网络的井下钻杆计数方法。根据视频图像中卸杆动作与非卸杆动作的差异,采用ResNet-50网络模型对样本集进行分类训练,判断视频中每一帧图像是否包含卸杆动作;结合线性学习率预热和基于Logistic曲线的学习率衰减策略进行学习率更新,以提高模型分类准确率;通过积分法对视频分类置信度进行滤波,并统计置信度曲线下降沿数量,实现钻杆计数。实验结果表明,预热+衰减的学习率更新策略能够有效提高图像分类模型的分类精度,模型分类检测准确率为89%。实际应用结果表明,基于改进ResNet网络的井下钻杆计数方法可以高效识别视频中的卸杆图像,平均钻杆计数精度为97%,满足实际应用需求。
高瑞1,郝乐1,刘宝1,文静怡2,陈宇航1
1. 西安科技大学电气与控制工程学院2. 西北大学公共管理学院
摘 要:针对现有井下钻杆数量统计方式精度较低、受环境变化影响大等问题,结合卷积神经网络、信号滤波等技术,提出了一种基于改进ResNet网络的井下钻杆计数方法。根据视频图像中卸杆动作与非卸杆动作的差异,采用ResNet-50网络模型对样本集进行分类训练,判断视频中每一帧图像是否包含卸杆动作;结合线性学习率预热和基于Logistic曲线的学习率衰减策略进行学习率更新,以提高模型分类准确率;通过积分法对视频分类置信度进行滤波,并统计置信度曲线下降沿数量,实现钻杆计数。实验结果表明,预热+衰减的学习率更新策略能够有效提高图像分类模型的分类精度,模型分类检测准确率为89%。实际应用结果表明,基于改进ResNet网络的井下钻杆计数方法可以高效识别视频中的卸杆图像,平均钻杆计数精度为97%,满足实际应用需求。
关键词:钻孔深度;钻杆计数;图像分类;卷积神经网络;学习率更新;ResNet-50;