示功图识别方法及装置与流程

本发明涉及油气开采技术领域，特别涉及一种示功图识别方法及装置。

背景技术：

在油田开采技术领域，及时掌握抽油机井生产过程中的工况，是当前值得科研工作者们深入研究的一个重大课题。抽油机井示功图是表述抽油机在一个工作周期内悬点载荷与位移变化规律的图形，反映了油井井下生产设备的运行状况，可以作为故障诊断的一个重要数据来源。目前，利用示功图曲线进行抽油机的故障诊断是最有效、最常用的方法。在应用需求的驱动下，大量抽油机井示功图需要处理。

对于大量示功图的识别及处理，通常仍是采用人工处理的方式进行。

人工处理耗时多，效率低，存在操作人员主观因素影响，示功图识别的准确率也相对较低。

技术实现要素：

本发明实施例提供了一种示功图识别方法、装置、图像处理设备及存储介质，以解决相关技术中人工处理工作量大，耗时多，效率低的问题。所述技术方案如下：

根据本公开实施例的一方面，提供一种示功图识别方法，所述方法包括：

获取用于识别示功图的深度学习网络模型；

将待识别的示功图转成计算机图像格式文件；

对所述计算机图像格式文件进行预处理，以得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像；

使用所述深度学习网络模型对所述待识别图像进行识别，得到识别结果。

可选地，所述获取用于识别示功图的深度学习网络模型，包括：

获取预设数量的示功图训练样本，得到样本集；

对于所述样本集中任一样本si(x,y)，将所述x输入深度学习网络模型，通过所述深度学习网络模型计算x的实际输出o，计算实际输出o与y的差，其中，所述x为所述样本si的全部像素值的集合，y为所述样本si的类型值；

若实际输出o与y的差的绝对值大于等于预设阈值，按极小化误差的方法反向传播调整所述深度学习网络模型的权矩阵，得到训练好的用于识别示功图的深度学习网络模型。

可选地，所述对所述计算机图像格式文件进行预处理，包括：

对所述计算机图像格式文件进行前处理，得到处理后的图像，所述前处理包括去噪处理和/或平移处理；

根据所述处理后的图像中的最大和最小载荷数据点计算全部已知点的坐标和载荷值；

根据所述已知点的坐标和载荷值形成闭合曲线；

将形成的所述闭合曲线的图像缩放至预设分辨率，得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像。

可选地，所述使用所述深度学习网络模型对所述待识别图像进行识别，包括：

将所述待识别图像的像素内存输入所述深度学习网络模型中，对所述待识别图像进行分类，得出所述待识别图像的全部的候选结果以及每个所述候选结果的分数；

从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果，将第一候选结果的分数与第二候选结果的分数之间的距离作为置信度。

可选地，所述方法还包括：

当所述置信度小于等于预设可信度时，进行二次识别处理。

一方面，还提供了一种示功图识别装置，所述装置包括：

获取单元，用于获取用于识别示功图的深度学习网络模型；

转换单元，用于将待识别的示功图转成计算机图像格式文件；

预处理单元，用于对所述计算机图像格式文件进行预处理，以得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像；

识别单元，用于使用所述深度学习网络模型对所述待识别图像进行识别，得到识别结果。

可选地，所述获取单元包括：

获取模块，用于获取预设数量的示功图训练样本，得到样本集；

第一计算模块，用于对于所述样本集中任一样本si(x,y)，将所述x输入深度学习网络模型，通过所述深度学习网络模型计算x的实际输出o，计算实际输出o与y的差，其中，所述x为所述样本si的全部像素值的集合，y为所述样本si的类型值；

调整模块，用于当实际输出o与y的差的绝对值大于等于预设阈值时，按极小化误差的方法反向传播调整所述深度学习网络模型的权矩阵，得到训练好的用于识别示功图的深度学习网络模型。

可选地，所述预处理单元包括：

前处理模块，用于对所述计算机图像格式文件进行前处理，得到处理后的图像，所述前处理包括去噪处理和/或平移处理；

第二计算模块，用于根据所述处理后的图像中的最大和最小载荷数据点计算全部已知点的坐标和载荷值；

形成模块，用于根据所述已知点的坐标和载荷值形成闭合曲线；

分辨率调整模块，用于将形成的所述闭合曲线的图像缩放至预设分辨率，得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像。

可选地，所述识别单元包括：

处理模块，用于将所述待识别图像的像素内存输入所述深度学习网络模型中，对所述待识别图像进行分类，得出所述待识别图像的全部的候选结果以及每个所述候选结果的分数；

置信度计算模块，用于从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果，将第一候选结果的分数与第二候选结果的分数之间的距离作为置信度。

可选地，所述识别单元，还用于当所述置信度小于等于预设可信度时，进行二次识别处理。

还提供了一种图像处理设备，所述图像处理设备包括上述任一种示功图识别装置。

还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一条指令，所述指令被执行时用于实现如上述任一种的示功图识别方法。

本公开的实施例提供的技术方案至少包括以下有益效果：

本公开实施例中，通过对待识别的示功图进行预处理，以得到具有预设分辨率的待识别图像，使用深度学习网络模型对该待识别图像进行识别，从而在抽油机井示功图的数字化处理基础上，通过结合深度学习技术实现识别，使得操作人员在无需特征提取的情况下，能够实现不同运行状态下示功图的区分；此外，随着数据量的增大，可以继续进行学习训练，从而使得示功图识别性能进一步提高。该方法大大减少了人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差，从而达到对抽油机快速、准确的智能化故障诊断，具有广泛应用价值。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种示功图识别方法流程图；

图2是本发明实施例提供的获取深度学习网络模型的方法流程图；

图3是本发明实施例提供的深度学习网络模型结构示意图；

图4是本发明实施例提供的对计算机图像格式文件进行预处理的方法流程图；

图5是本发明实施例提供的一种对待识别图像进行识别的方法流程图；

图6是本发明实施例提供的一种对待识别图像进行识别的方法流程图；

图7是本发明实施例提供的一种示功图识别装置的结构示意图；

图8是本发明实施例提供的一种示功图识别装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开一示例性实施例提供了一种示功图识别方法，如图1所示，该方法包括以下步骤：

步骤101，获取用于识别示功图的深度学习网络模型。

步骤102，将待识别的示功图转成计算机图像格式文件。

步骤103，对计算机图像格式文件进行预处理，以得到与深度学习网络模型相匹配的具有预设分辨率的待识别图像。

步骤104，使用深度学习网络模型对待识别图像进行识别，得到识别结果。

本公开实施例中，通过对待识别的示功图进行预处理，以得到具有预设分辨率的待识别图像，使用深度学习网络模型对该待识别图像进行识别，从而在抽油机井示功图的数字化处理基础上，通过结合深度学习技术实现识别，使得操作人员在无需特征提取的情况下，能够实现不同运行状态下示功图的区分；此外，随着数据量的增大，可以继续进行学习训练，从而使得示功图识别性能进一步提高。该方法大大减少了人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差，从而达到对抽油机快速、准确的智能化故障诊断，具有广泛应用价值。

以下结合具体的实施方式，对图1所示的处理流程进行详细的说明。

在步骤101中，以获取用于识别示功图的深度学习网络模型的步骤如图2所示为例，包括：

步骤200，获取预设数量的示功图训练样本，得到样本集。

为了后续能够训练出具有良好识别性能的深度学习网络模型，本发明实施例提供的方法预先获取预设数量的示功图训练样本，得到样本集。其中，该示功图训练样本为识别完的示功图训练样本，由此得到的样本集用于后续的深度学习网络模型的训练，以使深度学习网络模型通过自动学习用于后续的示功图识别。其中，本发明实施例不对预设数量的具体数值进行限定，为保证深度学习模型的性能，预设数量的值越大越好。

步骤201，对于样本集中任一样本si(x,y)，将x输入深度学习网络模型，通过深度学习网络模型计算x的实际输出o。

其中，x为样本si的全部像素值的集合，y为样本si的类型值。

本发明实施例提供的方法中，每个示功图训练样本均可以(x，y)的形式表示，得到样本集后，从样本集中的所有样本中随机选取其中一个样本。其中，由于x是当前样本的全部像素值的集合，例如，x可以代表32*32的一个图。y是当前样本所代表的类型值，例如，可以采用1，2，3等表示类型值，不同类型值代表不同类型。

步骤202，计算实际输出o与y的差。

步骤203，若实际输出o与y的差的绝对值大于等于预设阈值，按极小化误差的方法反向传播调整深度学习网络模型的权矩阵，得到训练好的用于识别示功图的深度学习网络模型。

其中，预设阈值可以根据实际需要进行选取，例如，为了提高深度学习网络模型的识别精度，可以减小该预设阈值，大于等于该阈值的输出将被视作误差而反向传播以调整权矩阵，从而使得该深度学习网络模型的输出误差尽可能地向着减小的趋势而被修正。其中，极小化误差的方法为深度学习中的算法，通过根据该极小化误差的方法来调整深度学习网络模型的权矩阵，可以确定深度学习网络模型的网络参数，得到训练好的用于识别示功图的深度学习网络模型。

通过以上方法步骤可以得到训练好的深度学习网络模型。作为优选地，在本申请所公开的实施例中，深度学习网络模型可以选择为具有7层网络结构，如图3所示，其中，不包含输入层，每层都包含可训练参数。

以预设分辨率为32*32为例，则输入该深度学习网络模型的图像为32*32大小，该深度学习网络模型的第一层可以是一个卷积层，该层由6个特征图构成。这些特征图中每个神经元与输入中5*5的卷积核进行卷积，其中，特征图的大小为28*28。

第二层可以是一个下采样层，有6个14*14的特征图。这些特征图中的每个单元与第一层中相对应特征图的2*2邻域相连接。第二层每个单元的4个输入相加，乘以一个可训练参数，再加上一个可训练偏置，结果通过sigmoid函数计算。其中，可训练系数和偏置控制着sigmoid函数的非线性程度，如果系数比较小，那么运算近似于线性运算，亚采样相当于模糊图像；如果系数比较大，根据偏置的大小，亚采样可以被看成是有噪声的“或”运算或者有噪声的“与”运算。

第三层也可以是一个卷积层，该层同样通过5*5的卷积核去卷积第二层，然后得到的特征图就只有10*10个神经元。第三层中每个特征图是连接到第二层中的几个特征图的，这表示本层的特征图是上一层提取到的特征图的不同组合。

第四层可以是一个下采样层，由16个5*5大小的特征图构成。特征图中的每个单元与第三层中相应的特征图的2*2邻域相连接，跟第一层和第二层之间的连接一样。

第五层可以是一个卷积层，有120个特征图。其中的每个单元与第四层的全部单元的5*5邻域相连。由于第四层特征图的大小也是5*5，故第五层的特征图的大小为1*1，这就构成了第四层和第五层之间的全连接。

第六层与第五层全相连。如同经典神经网络，第六层用于计算输入向量和权重向量之间的点积，再加上一个偏置，然后将其传递给sigmoid函数产生单元的一个状态。

第七层为输出层，由欧式径向基函数单元组成，每类一个单元，每个输出rbf单元计算输入向量和参数向量之间的欧式距离。输入离参数向量越远，rbf输出越大。其中，一个rbf输出可以被理解为衡量输入模式和与rbf相关联类的一个模型的匹配程度的惩罚项。

应当理解的是，以上所述的这样一种深度学习网络模型仅仅为一种举例说明，其他为本领域一般技术人员所熟知的用于实现图像识别的深度学习网络模型同样可以考虑被使用在本申请实施方式中，本发明实施例对此并不做限制。

在步骤102中，将待识别的示功图转化成计算机图像格式文件时，计算机图像格式文件包括但不限于jpg、bmp等各种常规的图像格式。

由于使用训练好的深度学习网络模型对于待识别的图像有一定的分辨率要求，因而有必要对待识别的示功图进行预处理。因此，在步骤103中，对计算机图像格式文件进行预处理的步骤如图4所示，包括：

步骤401，对计算机图像格式文件进行前处理，得到处理后的图像。其中，前处理包括但不限于去噪处理和/或平移处理。

例如，可以查找示功图中的噪声集合n{n1,n2,n3...nn}，从而将图像中的干扰点集合去除以实现去噪。进一步可以将数字化后的示功图图像平移至原点。

步骤402，根据处理后的图像中的最大和最小载荷数据点计算全部已知点的坐标和载荷值。

该步骤在具体实现时，解析处理后的图像的图像信息，得到解析后的图像信息，根据解析后的图像信息获取每个像素点的坐标(x，y)，根据每个像素点的坐标计算每个像素点的冲程s和载荷w，该s和w用于后续的识别处理。

具体地，可以根据以下公式可计算出全部已知点的载荷值。

s＝smin+(x-xmin)δs

w＝wmin+(y-ymin)δw

式中，w表示载荷，wmin、wmax分别表示载荷的最小值和最大值；s表示冲程，smin、smax分别表示载荷最小点和最大点的位移；x、y分别表示示功图图形中像素点的横坐标、纵坐标。δs和δw分别表示冲程的增量和载荷的增量。

步骤403，根据已知点的坐标和载荷值形成闭合曲线。

例如，采用bresenham算法根据已知点的坐标和载荷值形成闭合曲线。

步骤404，将形成的闭合曲线的图像缩放至预设分辨率，得到与深度学习网络模型相匹配的具有预设分辨率的待识别图像。

例如，以预设分辨率为32*32分辨率为例，则将形成的闭合曲线的图像缩放至32*32分辨率。这样一来，该待识别图像的分辨率与深度学习网络模型支持的分辨率保持一致，从而使得该待识别图像能够输入前述的7层结构的深度学习网络模型中，实现图像识别。

需要说明的是，虽然在本公开的上述实施例中是以步骤101-步骤103的顺序分别表述深度学习网络模型训练的步骤以及对待识别示功图进行预处理的步骤，但应当注意的是，在实际应用当中，以上步骤的顺序可以有所不同，即获取深度学习网络模型的步骤101还可以在步骤102和步骤103之后执行，执行顺序的变更本质上并不影响本申请所述方法的实施，因而并没有明显的先后顺序限制，以上也仅仅是以先执行步骤101，再执行步骤102和步骤103进行的举例说明，而并非对本申请方案所作的限定。

进一步地，参照图5，使用训练好的深度学习网络模型对待识别图像进行识别的步骤包括：

步骤501，将待识别图像的像素内存输入深度学习网络模型中，对待识别图像进行分类，得出待识别图像的全部的候选结果以及每个候选结果的分数。

其中，待识别图像的候选结果与每个候选结果的分数一一对应，每个候选结果的分数用于指示该候选结果的类别。候选结果的类别用于说明待识别图像的识别结果，即示功图的识别结果。

步骤502，从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果，将第一候选结果的分数与第二候选结果的分数之间的距离作为置信度。

从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果时，可以对待识别图像的全部的候选结果按照候选结果的分数按照由大到小或者由小到大的顺序进行排序，可以从中选取分数大的前两个候选结果，并将其作为第一候选结果和第二候选结果。之后再比较第一候选结果的分数和第二候选结果的分数，由于不同候选结果的分数代表不同类别的分数，如果两个分数接近说明识别结果不好区分，相反，如果两个分数相差较大，则说明识别结果好区分。因此，如果这两个分数之间的距离较大，则说明识别结果更可信。如果这两个分数之间的距离较小，则说明识别结果不一定可信，需要进一步通过后续步骤来进行判断。

其中，第一候选结果的分数与第二候选结果的分数之间的距离可以通过两个分数的差值的绝对值来表示。

可选地，参见图6，在上述步骤501和步骤502基础上，该方法还可以包括：

步骤503，判断是否存在易混淆结果。

具体地，判断是否存在易混淆结果，包括但不限于判断置信度是否大于预设可信度。可选的，当步骤502得到的置信度小于等于预设可信度时，则确定为当前存在易混淆结果，执行步骤504。当置信度大于预设可信度时，则确定为当前未存在易混淆结果，执行步骤505。

步骤504，进行二次识别处理。

本发明实施例不对进行二次识别处理的方式进行限定，例如可以使用几何信息作为规则进行二次识别处理。此外，由于提供的样本不同，使用的训练出的模型会有所差异，通过模型识别出的结果可能会有不同的识别易混淆情况，因而当判断存在易混淆结果时，使用几何信息作为规则进行二次识别处理的过程，可根据训练出的模型来确定。

例如，在已知最小载荷点(s，n)，识别出最小的位移值smin，最大位移值smax，给定一个反转系数ε(需要根据实际情况确定)。

当出现s1＞smin+ε(smax-smin)，且在(smin，s1)区间内δwmin不在smin附近时(δwmin为相同s的差值)，可判定该井可能存在碰泵或者油粘稠情况，这种情况也得根据当地油情况判定是否存在问题。

步骤505，输出识别结果。

通过对待识别的示功图进行预处理，以得到具有预设分辨率的待识别图像，使用深度学习网络模型对该待识别图像进行识别，从而在抽油机井示功图的数字化处理基础上，通过结合深度学习技术实现识别，使得操作人员在无需特征提取的情况下，能够实现不同运行状态下示功图的区分；此外，随着数据量的增大，可以继续进行学习训练，从而使得示功图识别性能进一步提高。该方法大大减少了人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差，从而达到对抽油机快速、准确的智能化故障诊断，具有广泛应用价值。

本公开另一示例性实施例提供了一种示功图识别装置70，如图7所示，该装置70包括：

获取单元701，用于获取用于识别示功图的深度学习网络模型。

转换单元702，用于将待识别的示功图转成计算机图像格式文件。

预处理单元703，用于对计算机图像格式文件进行预处理，以得到与深度学习网络模型相匹配的具有预设分辨率的待识别图像。

识别单元704，用于使用训练好的深度学习网络模型对待识别图像进行识别，得到识别结果。

本公开实施例中，通过对待识别的示功图进行预处理，以得到具有预设分辨率的待识别图像，使用深度学习网络模型对该待识别图像进行识别，从而在抽油机井示功图的数字化处理基础上，通过结合深度学习技术实现识别，使得操作人员在无需特征提取的情况下，能够实现不同运行状态下示功图的区分；此外，随着数据量的增大，可以继续进行学习训练，从而使得示功图识别性能进一步提高。该方法大大减少了人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差，从而达到对抽油机快速、准确的智能化故障诊断，具有广泛应用价值。

进一步地，如图8所示，获取单元701包括：

获取模块7011，用于获取预设数量的示功图训练样本，得到样本集。

第一计算模块7012，用于对于样本集中任一样本si(x,y)，将x输入深度学习网络模型，通过深度学习网络模型计算x的实际输出o，计算实际输出o与y的差。其中，x为样本si的全部像素值的集合，y为样本si的类型值。

调整模块7013，用于当实际输出o与y的差的绝对值大于等于预设阈值时，按极小化误差的方法反向传播调整所述深度学习网络模型的权矩阵，得到训练好的用于识别示功图的深度学习网络模型。

可选地，预处理单元703包括：

前处理模块7031，用于对计算机图像格式文件进行前处理，得到处理后的图像。其中，前处理包括去噪处理和/或平移处理。

第二计算模块7032，用于根据处理后的图像中的最大和最小载荷数据点计算全部已知点的坐标和载荷值。

形成模块7033，用于根据已知点的坐标和载荷值形成闭合曲线。

分辨率调整模块7034，用于将形成的该闭合曲线的图像缩放至预设分辨率，得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像。

进一步地，识别单元704包括：

处理模块7041，用于将待识别图像的像素内存输入深度学习网络模型中，对待识别图像进行分类，得出待识别图像的全部的候选结果以及每个候选结果的分数。

置信度计算模块7042，用于从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果，将第一候选结果的分数与第二候选结果的分数之间的距离作为置信度。

可选地，该识别单元704，还用于当置信度小于等于预设可信度时，进行二次识别处理。

具体地，以上本申请所公开的示功图识别装置中的各个功能单元及模块，其各自的用途及使用方法均已在前述实施例中做了详细的描述，此处不再赘述。

本公开另一示例性实施例提供了一种图像处理设备，该图像处理设备包括如上所述的示功图识别装置。

其中，示功图识别装置具体可以是具有特定物理构造的功能单元、模块或多个单元模块的组合。或者，该示功图识别装置可以包括处理器及存储单元，该存储单元中存储有能够实现上述图像识别功能的计算机程序或软件。本发明实施例对此并不做限制。

本公开另一示例性实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有至少一条指令，该指令被执行时用于实现上面所述的任一示功图识别方法。

本公开实施例中，通过对待识别的示功图进行预处理，以得到具有预设分辨率的待识别图像，使用深度学习网络模型对该待识别图像进行识别，从而在抽油机井示功图的数字化处理基础上，通过结合深度学习技术实现识别，使得操作人员在无需特征提取的情况下，能够实现不同运行状态下示功图的区分；此外，随着数据量的增大，可以继续进行学习训练，从而使得示功图识别性能进一步提高。该方法大大减少了人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差，从而达到对抽油机快速、准确的智能化故障诊断，具有广泛应用价值。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。