一种基于YOLOv5m的油田现场违规小目标检测方法及系统

一种基于yolov5m的油田现场违规小目标检测方法及系统
技术领域
1.本发明属于计算机视觉领域，尤其涉及一种基于yolov5m的油田现场违规小目标检测方法及系统。


背景技术：

2.石油化工行业是我国支柱型产业，在国民经济中占据重要的地位。钻井作业是石油开采过程中的重要工序，其施工过程相当复杂，油田作业现场中工作人员违规行为经常出现，例如未戴安全帽、生产区域内吸烟、违禁使用手机等，从而导致一些不安全的事件时常发生，因此，规范化安全生产行为在推进企业智能化安全管理、保障人员生命财产安全等方面起着至关重要的作用。对于规范化安全生产行为的任务，由于油田作业现场的监控摄像头覆盖范围广、拍摄距离远，画面中人员目标的尺寸较小，导致目标所占的像素数较少、携带的特征信息很弱，提高了检测难度。因此，提高小目标检测精度是规范化安全生产行为的关键。
3.提高小目标检测精度的方法主要是添加更多的上下文信息和多尺度融合。更多的上下文信息：通过添加更多的上下文信息能够在目标检测中额外引入大规模的上下文信息，来提升小目标的检测效果。多尺度特征融合：当检测不同尺度的对象，特别是小目标时，需要更多的结合低、中高分辨率信息和深层强语义信息。


技术实现要素：

4.本发明的目的是针对现有小目标检测方法存在的检测效果差的问题，提供了一种基于yolov5m的油田现场违规小目标检测方法及系统，自动地提取特征，并提高检测模型对小目标的检测效果，最终应用于钻井作业现场。
5.为了实现上述目的，本发明采用下述技术方案：
6.一方面，本发明提供一种基于yolov5m的油田现场违规小目标检测方法，改方法包括：
7.采用图像处理技术对油田现场图像进行预处理；
8.构建基于yolov5m的违规行为检测模型并选取训练样本对小目标检测模型进行训练及优化；
9.通过图像利用训练好的小目标检测模型进行油田现场的违规行为检测；
10.将待检测图像输入至训练好的小目标检测模型，得到小目标检测信息；
11.根据所述小目标检测信息生成预警信号并存储检测及判定信息。
12.优选的，采用图像处理技术对油田现场图像进行预处理具体为：
13.采用自适应直方图均衡化以增强油田现场图像的对比度，然后利用lee滤波抑制图像的斑点噪声，同时保留图像的细节，有利于图像特征的提取。
14.所述lee滤波为：
15.乘性噪声经过对数变换可以近似为线性模型，根据最小均方误差准则，可得到lee
滤波器的公式：
[0016][0017]
其中，为i(t)的均值，w(t)＝1-c
u2
/c
t2
是权函数，cu,c
t
分别为u(t),i(t) 的标准方差。
[0018]
优选地，所述基于yolov5m的油田现场违规小目标检测模型包含：
[0019]
主干网，用于提取图像的特征；
[0020]
颈部网络，将不同层次的语义特征进行融合，提高目标检测算法的性能；
[0021]
检测头，采用了基于ciou及diou-nms的检测头优化方法，通过改进算法的回归损失函数及非极大值抑制算法，提高目标检测模型的回归效果。
[0022]
第二方面，本发明提供一种基于yolov5m的油田现场小目标检测系统，该系统包括：
[0023]
图像处理模块，用于增强油田现场图像的对比度和抑制斑点噪声和生成训练数据集；
[0024]
检测模块，用于使用小目标检测模型对所述油田现场图像进行分析和处理，提取图像的特征和疑似目标，输出现场图像的预测信息；
[0025]
判定存储模块，根据所述检测信息判断是否存在违规行为，并存储检测和判定信息。
[0026]
优选地，所述图像处理模块主要实现油田现场图像的去噪和增强功能。
[0027]
优选地，所述检测模块包括特征提取单元，特征融合单元，分类回归单元以及训练优化单元。
[0028]
优选地，所述特征提取单元,用于利用预先构建的小目标检测模型中的主干网提取多尺度图像特征；
[0029]
所述特征融合单元，用于利用所述预先构建的小目标检测模型中的颈部网络进行更多的、有区分的特征融合；
[0030]
所述分类回归单元，用于利用所述预先构建的小目标检测模型中的头部网络进行分类和回归，得到预测信息；
[0031]
所述训练优化单元，用于利用所述训练数据集对所述预先构建的检测模型进行训练和优化得到所述小目标检测模型。
[0032]
优选地，所述判定存储模块，在小目标检测模型输出检测信息后，根据检测信息判定是否属于违规目标，并存储目标的类别、大小、位置信息以及判定信息。
[0033]
本发明提出的基于yolov5m的油田现场违规小目标检测方法有益效果：任务同意、易于训练及便于优化等特点；考虑了传统小目标检测的局限性导致难以准确获取和识别所述违规目标，yolov5m网络结构可以自动提取特征，其中检测头部分可以获取所述疑似违规目标，进一步可以准确的识别违规目标的类别和具体位置，并可以部署到违规行为检测系统中，实现违规行为的自动检测和判定，提高违规行为检测的精度和效率。
[0034]
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0035]
为了更清楚地说明本发明实施例的技术方案，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。
[0036]
图1为本发明实施例1所述的yolov5m的油田现场违规小目标检测方法原理框图。
[0037]
图2为本发明实施例2所述的yolov5m的油田现场违规小目标检测方法流程图。
[0038]
图3为本发明实施例3所述的yolov5m的油田现场小目标检测网络的网络结构示意图。
具体实施方式
[0039]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0040]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0041]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0042]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和 /或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0043]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0044]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0045]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0046]
实施例1
[0047]
如图1所示，本发明实施例1提供一种基于yolov5m的油田现场小目标检测框架图，包括：
[0048]
图像处理模块，用于增强油田现场图像对比度和抑制斑点噪声和生成训练数据集；
[0049]
检测模块，用于使用小目标检测模型对所述油田现场图像进行分析和处理，提取
小目标的特征，输出小目标的预测信息；
[0050]
判定存储模块，根据所述检测信息判定是否属于违规目标，并存储检测和判定信息。
[0051]
在本实例1中，所述图像处理模块主要用于对油田现场图像进行去噪和增强。
[0052]
在本实例1中，所述检测模块包含特征提取单元，特征融合单元，分类回归单元以及训练优化单元。
[0053]
所述特征提取单元，用于利用预先构建的小目标检测模型中的主干网提取多尺度图像特征；
[0054]
所述特征融合单元，用于利用所述预先构建的小目标检测模型中的颈部网络进行更多的、有区分的特征融合；
[0055]
所述分类回归单元，用于利用所述预先构建的小目标检测模型中的头部网络进行分类和回归，得到预测信息；
[0056]
所述训练优化单元，用于利用所述训练数据集对所述预先构建的检测模型进行训练和优化得到所述小目标检测模型。
[0057]
在本实例1中，所述判定存储模块，在小目标检测模型输出监测信息后，判定小目标是否违规，并存储小目标的类别、大小、位置信息及判定信息。
[0058]
实施例2
[0059]
图2为本发明所提供的基于yolov5m的油田现场违规小目标检测方法，该方法具体操作步骤如下：
[0060]
步骤s01：采用图像处理技术对油田现场图像进行预处理；
[0061]
步骤s02：构建基于yolov5m的小目标检测模型；
[0062]
步骤s03：检测头用于生成疑似违规小目标并进行判定；
[0063]
步骤s04：选取训练样本对小目标检测模型进行训练及优化；
[0064]
步骤s05：将待检测图像输入至已训练好的小目标检测模型，得到小目标检测信息；
[0065]
步骤s06：根据小目标检测信息判定是否属于违规小目标，并依据判定结果生成预警信号并存储检测及判定信息。
[0066]
在本实例2中，所述图像处理技术对油田现场图像进行预处理具体为：
[0067]
采用自适应直方图均衡化以增强油田现场图像的对比度，然后利用lee滤波抑制图像的斑点噪声，同时保留图像的细节，有利于图像特征的提取。
[0068]
所述lee滤波为：
[0069]
乘性噪声经过对数变换可以近似为线性模型，根据最小均方误差准则，可得到lee滤波器的公式：
[0070][0071]
其中，为i(t)的均值，w(t)＝1-c
u2
/c
t2
是权函数，cu,c
t
分别为u(t),i(t) 的标准方差。
[0072]
在本实例2中，如图3所示，所述基于yolov5m的油田现场违规小目标检测模型包含：
[0073]
主干网，用于提取图像的特征；
[0074]
颈部网络，将不同层次的语义特征进行融合，提高目标检测算法的性能；
[0075]
检测头，采用了基于ciou及diou-nms的检测头优化方法，通过改进算法的回归损失函数及非极大值抑制算法，提高目标检测模型的回归效果。
[0076]
实施例3
[0077]
本发明实施例3提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现基于yolov5m的油田现场违规小目标检测方法，该方法包括如下流程步骤：
[0078]
采用图像处理技术对油田现场图像进行预处理；
[0079]
使用基于yolov5m的油田现场违规小目标检测模型对待检测图像进行分析，确定所述待检测图像中是否有违规小目标；其中，所述基于yolov5m的油田现场违规小目标检测模型为使用多组数据通过机器学习训练得出；所述多组数据包括：包含小目标的图像和标识该图像中小目标的类别、位置的标签。
[0080]
在所述待检测图像存在小目标的情况下，则判定现场存在小目标，并根据检测信息判定小目标是否违规，并存储检测和判定信息。
[0081]
综上所述，本发明实施例所述的基于yolov5m的油田现场违规小目标检测方法，将待检测图像输入至检测网络，输出所述待检测图像的小目标检测信息。根据所述小目标检测信息可判断现场是否存在违规小目标，根据判断结果生成预警信号并存储检测及判定信息。
[0082]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0083]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0084]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
[0085]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0086]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本公开的保护范围之内。