一种用于油田作业现场的无参考图像质量评估方法与流程

本发明属于计算机视觉领域，尤其涉及一种用于油田作业现场的无参考图像质量评估方法。

背景技术：

1、“安全是发展的基石”，石油领域场景复杂，人员作业风险较高。通过监控进行全天候盯审的方式，人力物力成本高，效率低下。因此，使用一些自动化的智能技术对作业现场可能存在的安全隐患进行智能分析具有重要意义。

2、近年来，随着计算机硬件的发展，其处理数据的能力显著提升，机器学习、深度学习等人工智能技术变得越来越普及，同时神经网络发展等软设施的发展以及采油作业现场摄像头的全覆盖部署，使得利用计算机进行大规模自动化处理实时监控视频变得可行。深度神经网络是机器学习领域的前沿，能够自动地学习得到深层次的特征信息。因此，利用深度学习模型自动地实时处理采油作业现场监控视频并将结果返回，可以提升采油现场管理效率并且极大减少人工物力，优化采油作业现场生产管理的成本和质量。

技术实现思路

1、本发明的目的是在于使用图像质量评估模型实现对油田作业现场视频质量的监督，方便后续一系列以油田作业图片为数据来源的工作，例如作业现场违章行为识别、违章预警等，以及减少作业现场监控管理人力巡检成本。

2、为了实现上述目的，本发明采用下述技术方案：

3、(1)制作油田作业现场数据集；

4、(2)在pytorch框架下构建用于油田作业现场的无参考图像质量评估模型；

5、(3)选取训练样本对油田图像质量评估模型进行训练及优化；

6、(4)将待评估的视频流进行抽帧处理后的大批的图像输入至训练好的油田图像质量评估模型，输出对应的图像质量评分分数；

7、(5)存储评估后的图像质量数据，为后续视频通道选取提供参考；

8、本发明进一步的改进在于，步骤(1)的具体实现步骤为：

9、(101)选取多通道摄像头，对油田现场失真视频数据流进行抽帧处理得到图像；

10、(102)对其做数据增强，可添加高斯噪声、coarse dropout噪声，然后对其进行主观评分，将原图像以及增强后图片与对应评分标签进行配对处理；

11、(103)将数据集按照8：2的比例随机划分为训练集与测试集。

12、本发明进一步的改进在于，步骤(2)的具体实现步骤为：

13、(201)编码网络，将对视频流抽帧得到的图片以及数据增强后的图片处理成特定尺寸，之后进行patch partition得到固定大小的图像块，输入由resnet全连接层构成的编码模块，得到图像token序列；

14、(202)特征提取网络，利用swin transformer block和patch merging进行多尺度特征提取，实现对token之间的信息交互，得到图像最终的特征表示；

15、(203)图像质量回归网络，利用mlp全连接层将上述特征提取网络输出作为最终特征表示输入到回归网络中预测图像质量得分。

16、本发明进一步的改进在于，步骤(3)的具体实现步骤包括：

17、(301)设置网络的训练参数；

18、(302)利用经过预处理后的油田作业现场图像训练用于油田作业现场的无参考图像质量评估方法。

19、本发明进一步的改进在于，步骤301)中：

20、训练epoch设为300，batch size为4096；余弦学习率初始化为0.001；动量设置为0.9，权重衰减为0.1；预训练模型使用imagenet-1k.pt。

21、本发明至少具有如下有益的技术效果：

22、首先，在时间效率上，采用本发明可以通过计算机以及采油作业现场的摄像头自动实时判断当前视频图像画面质量是否合格，比人工查看摄像头确认再反馈的流程更加准确快速，降低大量的人力物力成本。

23、在生产效率上，采用本发明不仅降低了时间成本，而且人员可以快速方便地查看各个视频通道情况。通过对多个作业现场视频画面进行质量评估，对于画面不能达到要求的摄像头相关人员能够及时进行修理和维护，有利于后续一系列需要油田现场清晰视频的工作，提高生产效率。

24、在应用成本上，无需额外加装传感器等硬件设备，降低了硬件成本，本发明使用计算机视觉与深度学习技术，通过生产作业现场现有的摄像头，在服务端增加服务器并安装相应软件即可，方便对采油作业现场视频质量进行快速实现智能化判断。

25、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。

技术特征：

1.一种用于油田作业现场的无参考图像质量评估方法，其特征在于，包括：

2.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，所述制作油田作业现场失真图片数据集包括：

3.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，所述用于油田作业现场的无参考图像质量评估模型包括：

4.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，所述选取训练样本对油田作业现场的无参考图像质量评估模型进行训练及优化包括：

5.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，步骤401)中，训练epoch设为300，batch size为4096；余弦学习率初始化为0.001；动量设置为0.9，权重衰减为0.1；预训练模型使用imagenet-1k.pt。

6.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，所述油田作业现场数据为多个作业场景视频的抽帧图像以及对应的主观质量评分标签。

7.根据权利要求1所述的一种用于油田作业现场的无参考图像质量评估方法，其特征在于，所述用于油田作业现场的无参考图像质量评估模型具体实现为：

技术总结
本发明公开了一种用于油田作业现场的无参考图像质量评估方法，包括：选取多通道摄像头，对油田现场失真视频数据流进行抽帧处理得到图像，接着对图像进行数据增强,并对其进行主观评分，之后将数据集按照固定比例随机划分为训练集与测试集；搭建基于PyTorch框架下用于油田作业现场的无参考图像质量评估模型；在油田现场图像质量评估模型上进行训练并优化；将待评估的视频流进行抽帧处理后的大批的图像输入至训练好的油田图像质量评估模型，输出对应的图像质量评分分数；存储评估后的图像质量数据，为后续视频通道选取提供参考。本发明具有预测图像质量准确、模型智能化等优点，旨在解决油田作业现场视频通道画面是否清晰问题，对于质量分数较低的通道技术人员或现场管理者需进行维护，为后续需要油田现场作业视频的工作提高效率。

技术研发人员：陶茜茜,赵静,梁鸿,宋贞耀
受保护的技术使用者：山东鼎鸿安全科技有限公司
技术研发日：
技术公布日：2024/1/15