(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210406824.3 (22)申请日 2022.04.19 (65)同一申请的已公布的文献号 申请公布号 CN 114492216 A (43)申请公布日 2022.05.13 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 张凯　王强　赵捍军　张庆杰　 罗有刚　张华清　张黎明　严侠　 刘丕养　杨勇飞　孙海　姚军　 樊灵　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 种艳丽(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) (56)对比文件 CN 113076891 A,2021.07.0 6 AU 2021103509 A4,2021.08.12 K Chaitanya Pavan Tanay et al.Heterogeneous paral lel implementati on of single ima ge super reso lution using transformed self-exemplars o n multicore & TitanX GPU. 《IE EE》 .2017, 申小凤等.基于ASPP的高分辨 率卷积神经网 络2D人体姿态估计 研究. 《现代计算机》 .2020, (第13期), 审查员 李思彤 (54)发明名称 一种基于高分辨率表征学习的抽油机运行 轨迹模拟方法 (57)摘要 本发明公开了一种基于高分辨率表征学习 的抽油机运行轨迹模拟方法， 属于石油工程技术 领域， 包括如下步骤： 构建并联多分辨率网络模 型； 设定模型参数； 收集抽油机图像数据集， 标注 关键点并制作样本集； 增强数据集； 输入并联多 分辨率网络模 型进行多分辨率并行卷积； 多分辨 率融合； 输出预测关键点位置热点图； 误差反向 传播， 优化学习器参数； 输出抽油机关键点预测 热图； 模型评价； 输出模 型在线应用。 本发明方法 学习到的抽油机关键点高分辨率表示不仅在语 义上很强， 而且在空间上也很精确。 本发明借助 多分辨率并联网络， 实现关键点热图预测， 模拟 抽油机运行轨 迹， 节省油田成本 。 权利要求书3页 说明书10页 附图9页 CN 114492216 B 2022.07.19 CN 114492216 B 1.一种基于高分辨率表征学习的抽油机运行轨迹模拟方法， 其特征在于， 包括以下步 骤： 步骤1、 构建并联多分辨 率网络模型， 确定网络分支数和高分辨 率主干网络层； 步骤2、 设定模型参数， 包括随机初始化网络参数、 设定信息交互函数、 循环迭代次数和 热点图的大小； 网络参数 又包括卷积参数权 重w和偏置b、 特征融合层参数 、 学习率； 步骤3、 收集抽油机图像数据集， 标注关键点并制作样本集， 并设定批次大小； 具体过程 为： 步骤3.1、 通过现场拍摄和网络爬虫， 收集抽油机图像和视频数据集， 初步筛选得到满 足要求的样本集； 步骤3.2、 选用labelme工具作为处理程序， 将抽油机样本集文件放入单独新建的文件 夹中， 导入数据文件； 步骤3.3、 设定控油机关键点数目和位置； 步骤3.4、 标注并连接控油机关键点， 关键点相连表示出抽油机的运行轨 迹； 步骤3.5、 待全部样本的关键点位置标注完成， 将结果保存为.json格式的控油机标注 文件并导出； 步骤3.6、 对导出文件进行规范化处理， 调整为标准数据集的标注样式， 作为样本的真 实输出和预测目标以进行后续热点图估算； 步骤4、 采用多种方式来增强数据集， 增强后再进行 数据预处 理； 步骤5、 样本数据处理完成后， 输入并联多分辨率网络模型进行多分辨率并行卷积， 进 入预训练阶段， 将训练所 得权值的参数用做学习器的微调起始； 具体过程 为： 将样本文件输入并联多分辨率网络架构进行多分辨率并行卷积， 提取空间信息； 多分 辨率并行卷积， 将输入通道划分为几个通道子集， 并分别在不同的空间分辨率上对每个子 集执行规则卷积， 而在组卷积中， 各层分辨 率相同； 并联多分辨率网络从一个高分辨率卷积层开始， 逐渐将高分辨率和低分辨率流相组 合， 组成新的级层， 并将它 们并联连接， 对于一个四级并联网络流， 逻辑如下： (1) 其中，Nsr代表第s阶段网络的子流， r是分辨率索引号， 例如第一个网络流的分辨率索引 r=1， 索引为 r的子流的分辨 率为 ；s=1,2,3,4； r=1,2,3,4； 具体原理为： 通过遵循残差网络的设计规则， 将层数深度分配到每个阶段， 并将通道数 分配到每 个分辨率， 从而实例化关键点热图估计网络； 步骤6、 进行多分辨 率融合， 进入训练阶段； 具体过程 为： 该阶段输入通道被划分为几个子集， 输出通道也被划分为数个子集； 输入和输出子集权　利　要　求　书 1/3 页 2 CN 114492216 B 2以全连接的方式连接， 其中每个连接都是规则卷积； 输出通道的子集是每个输入通道子集 上卷积输出的总和， 多分辨 率融合处 理分辨率的变化； 计算3个分辨率层融合的计算方法， 假设输入由三种表示形式组成： ， 其中r是分辨率索引号， 而对应的输出表示形式为： ； 每个输出是三个输 入的转换表示的总和， 公式如下：   (2) 其中，R表示通道表征； 用 i和o来表示通道是输出还是输入， i表示R是输入表征， o表示R 是输出表征； 对于跨阶段融合 步骤， 从阶段三到阶段四的过程会有额外 输出；  (3) 对于信息交互函数 fzr(.)， 它的选择取决于输入分辨率索引值 z和输出分辨率索引号 r； 如果z=r， 则fzr(R)=R； 如果z＜r，fzr(R)对输入表征 R进行(r‑z)次步长为2的3 ×3卷积下采 样， 比如， 进行2 倍下采样， 则需要1次跨步3 ×3卷积， 而如果进 行4倍下采样， 则需要2次跨步 3×3卷积处理； 如果 z＞r，fzr(R)则采用双线性 上采样处理输入表征 R， 然后进行1 ×1卷积以 对齐通道数； 高分辨率并联网络模型在并行子网中引入交换单元， 使得每个子网重复地从其他并行 子网接收信息； 假设第一阶段包含4个残差单元， 其中每个单元由宽度为64的模块形成， 然 后是一个3 ×3卷积， 将特征映射的宽度减小到指定大小； 第二、 第三、 第四阶段分别包含1、 4、 3个交换块； 一个交换块包含4个残差单元， 其中每个单元在每个分辨率中包含两个3 ×3 卷积， 在每个分辨率中包含一个交换单元； 综上所述， 共有8个交换单元， 进行了8次多尺度 融合； 将第三级层划分为几个交换块， 每个块由3个并行卷积单元组成， 每个并行单元之间有 一个交换 单元， 如下所示：  (4) 其中， 表示第s阶段里第 b模块的第 r个分辨率的卷积单元， 而 则是相应的交换 单元， 用来进行信息交换； 式 （4） 中， s=3；r=1,2,3；b=1,2,3； 该阶段将模型放在GPU上加速训练； 步骤7、 训练网络末端输出预测关键点位置热点图， 并与实际热点图点位计算误差， 进 入测试阶段； 步骤8、 误差反向传播， 优化高分辨 率并联网络的学习器权 重层参数； 步骤9、 判断是否满足停止准则中规定的循环迭代次数， 如果循环迭代次数达到了设定 的次数则停止迭代， 并输出抽油机关键点预测热图， 并将相关点位连接完成最终轨迹模拟 任务， 否则， 返回步骤5；权　利　要　求　书 2/3 页 3 CN 114492216 B 3