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。但傳統方法需要人工連續觀察振動篩上的巖屑，并需要應用復雜的數理模型，該方法已成為一種工作瓶頸，因為人力難以實現連續監測，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，由于原始數據通常雜亂無序，因此需要進行預處理并對數據進行擴充。相反，深度學習功能能夠自動從原始數據中發現關鍵特征，并建立分類所需的表示形式，可以幫助克服在惡劣環境下設置監控設備的困難，并且可以放寬對巖屑量監視系統的數據采集要求。采用深度神經網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緩沖區。對巖屑運輸到振動篩時捕獲的視頻進行自動處理分析，結果將被實時傳輸并呈現在辦公室的監視器上，使鉆井工程師可以迅速獲得巖屑量信息。
振動篩關注區域確定：為了獲得準確的結果，工程師或開發人員需要從振動篩上巖屑流過的區域中確定重點的視頻關注區域，關注區域確定后，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域。為了使該過程自動化，建立了一種更快的基于區域的卷積神經網絡關注區域檢測方法，可以自動檢測到包含巖屑流的區域。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網絡中，分類整理后區分為背景類或關注區域類。如果將區域確定為需要關注，則區域回歸器將進一步調整其坐標、寬度和高度，實現自動關注。
關注區域內部隨機抽樣：在更快的卷積神經網絡框架的基礎上，用戶可以在視頻流的開始通過手動選擇關注區域，也可以由插播區域自動選擇。 但是振動或吹風可能會導致相機的位置和角度發生輕微變化，在沒有運動補償的情況下訓練系統，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。
主成分分析增白轉換：主成分的增白轉換將立即應用于視頻幀，然后再將其饋入神經網絡， 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。測試結果表明，該系統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。與傳統的工程師手動標記分析的結果相比，該方法能夠實時分類、處理速度快而且精度更高。
微信公眾號
微信視頻號
京公網安備11010502053156號