深度学习技术对振动筛岩屑进行精准分类
时间：2020-08-10 11:29
来源：
作者:编译/胡大梁
目前，全球多数石油和天然气公司的井眼维护和清洁均有完整的工作流程，每项工作都有规可循，有助于保障井筒完整性并降低钻井风险和成本。但传统方法需要人工连续观察振动筛上的岩屑，并需要应用复杂的数理模型，该方法已成为一种工作瓶颈，因为人力难以实现连续监测，因此无法提供对井眼清洁状况进行准确评估。为此，休斯敦大学研究人员近期提出了一种实时深度学习模型，该方法由三个模块组成，通过分析实时监控视频流，对来自钻井平台振动筛的岩屑量进行分类。
以前的大多数工作都使用图像分析技术对岩屑体积进行定量分析，但传统的图像处理方法需要在图形特征上进行大量工作，由于原始数据通常杂乱无序，因此需要进行预处理并对数据进行扩充。相反，深度学习功能能够自动从原始数据中发现关键特征，并建立分类所需的表示形式，可以帮助克服在恶劣环境下设置监控设备的困难，并且可以放宽对岩屑量监视系统的数据采集要求。采用深度神经网络方法对来自远程钻井平台振动筛的岩屑进行图像处理和分类，主要包括以下工作流程：
视频帧提取：在钻井过程中，带有泥浆的岩屑会传输至振动筛，研究人员开发了一种智能视频处理引擎，采用双线程机制，用于实时读写源流，以自适应方式进行解码，如果解码过程无法跟上视频流的速度，则可能会丢失同步帧和丢失帧。为克服此问题，设置了提高快速线程安全的循环缓冲区。对岩屑运输到振动筛时捕获的视频进行自动处理分析，结果将被实时传输并呈现在办公室的监视器上，使钻井工程师可以迅速获得岩屑量信息。
振动筛关注区域确定：为了获得准确的结果，工程师或开发人员需要从振动筛上岩屑流过的区域中确定重点的视频关注区域，关注区域确定后，相机将不会更改其位置或角度，并滤除影响分类准确性的噪声等外界干扰因素，用户也可以使用手动或自动方法来完成关注区域的选择。在视频流的解码开始之前，通过交互式图形用户界面将向用户呈现指示振动筛的位置，用户只需从界面演示的第一帧中选择四个角点即可突出显示关注区域。对于某些振动筛，在钻井施工过程中，工人可能故意或意外地稍微改变摄像机角度，此时就需要重复选择关注区域。为了使该过程自动化，建立了一种更快的基于区域的卷积神经网络关注区域检测方法，可以自动检测到包含岩屑流的区域。将原始视频帧作为输入信息，每个原始帧都被送入特征提取器，后者会生成特征图，特征图被输入到一个更小的卷积神经网络中，分类整理后区分为背景类或关注区域类。如果将区域确定为需要关注，则区域回归器将进一步调整其坐标、宽度和高度，实现自动关注。
关注区域内部随机抽样：在更快的卷积神经网络框架的基础上，用户可以在视频流的开始通过手动选择关注区域，也可以由插播区域自动选择。 但是振动或吹风可能会导致相机的位置和角度发生轻微变化，在没有运动补偿的情况下训练系统，则会降低准确性，为此研究人员提出了一种随机化的子采样策略来克服这个问题。
主成分分析增白转换：主成分的增白转换将立即应用于视频帧，然后再将其馈入神经网络， 目标是减少输入的冗余度，消除了相邻帧之间的潜在相关性，并有可能改善模型的收敛性。
为了评估方法的准确性，在实时视频流上测试了所提出的方法，并将模型软件的实时分类结果与工程师手动分析进行了比较，将岩屑体积分为四个离散级别：超重、重、轻和无，每个视频都由四位专家标记。测试结果表明，该系统可以在不丢帧的情况下实时处理流视频，并对所有岩屑类别进行了成功分类。与传统的工程师手动标记分析的结果相比，该方法能够实时分类、处理速度快而且精度更高。
微信公众号
微信视频号
京公网安备11010502053156号