(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
专利 一种基于高分辨率表征学习的抽油机运行轨迹模拟方法
安全报告 >
其他 >
文档预览
中文文档
23 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共23页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 07:34:22上传分享