李婷玉,姜文文,邢金臺(tái),徐 震,張 蕾,田 楓,劉 芳

1(中國(guó)石油天然氣股份有限公司冀東油田分公司,唐山 063004)

2(東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,大慶 163318)

油田作業(yè)現(xiàn)場(chǎng)近海周界危險(xiǎn)區(qū)域入侵檢測(cè)是油田作業(yè)現(xiàn)場(chǎng)安全監(jiān)管最基礎(chǔ)的環(huán)節(jié)之一,但對(duì)其的管控目前仍停留在傳統(tǒng)人工監(jiān)控方式上,負(fù)責(zé)監(jiān)管的安全人員同一時(shí)間要將注意力集中在多個(gè)視頻事件上極其困難,視覺疲勞會(huì)導(dǎo)致其注意力不能高度集中,且將注意力同時(shí)分散到幾臺(tái)監(jiān)控器畫面上時(shí),極有可能不能完全正確地分析每臺(tái)監(jiān)控畫面內(nèi)容.同時(shí),油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域危險(xiǎn)性高,當(dāng)作業(yè)人員發(fā)生區(qū)域入侵時(shí),需要及時(shí)快速報(bào)警.這些問(wèn)題都會(huì)導(dǎo)致當(dāng)作業(yè)人員在油田作業(yè)現(xiàn)場(chǎng)闖入近海周界危險(xiǎn)區(qū)域時(shí),傳統(tǒng)的監(jiān)控手段不能在作業(yè)人員闖入時(shí)進(jìn)行檢測(cè)和發(fā)出報(bào)警,監(jiān)管防護(hù)效果差.

智能監(jiān)控對(duì)油田作業(yè)現(xiàn)場(chǎng)工作人員的實(shí)時(shí)檢測(cè)與警報(bào)主要依托于計(jì)算機(jī)視覺相關(guān)領(lǐng)域技術(shù).2019年,向翼凌等人提出基于時(shí)空聯(lián)合約束的視頻區(qū)域入侵檢測(cè)算法,聯(lián)合實(shí)際人員活動(dòng)時(shí)效性和圖像提供的空間信息進(jìn)行區(qū)域入侵檢測(cè),獲得了較高的檢測(cè)效率[1].同年,占超對(duì)FasterRCNN 進(jìn)行適用于實(shí)際應(yīng)用的優(yōu)化,使該算法模型可實(shí)現(xiàn)區(qū)域入侵檢測(cè)功能[2].2020年,張晗基于YOLOv3 研發(fā)了兼具準(zhǔn)確率與實(shí)時(shí)性的行人檢測(cè)算法,實(shí)現(xiàn)了監(jiān)所的區(qū)域入侵檢測(cè)[3].

圖像分割方面[4],2015年,Long 等人提出全卷積網(wǎng)絡(luò)(FCN)[5],確立了圖像語(yǔ)義分割的通用網(wǎng)絡(luò)模型框架.2017年,Zhao 等人提出金字塔場(chǎng)景解析網(wǎng)絡(luò)(PSPNet)[6],通過(guò)整理歸納上下文信息,充分利用全局特征先驗(yàn)知識(shí)解析不同場(chǎng)景,最終實(shí)現(xiàn)對(duì)場(chǎng)景目標(biāo)的語(yǔ)義分割[7].2018年,Ren 等人提出基于FasterRCNN的深度卷積網(wǎng)絡(luò)MaskRCNN[8],該卷積網(wǎng)絡(luò)可以在進(jìn)行目標(biāo)檢測(cè)的同時(shí)實(shí)現(xiàn)高質(zhì)量的圖像分割.2020年,Wang 等人提出了基于位置來(lái)分割對(duì)象的簡(jiǎn)單靈活的實(shí)例分割框架SOLOv1[9].同年,Wang 等人在SOLOv1的基礎(chǔ)上,提出加入動(dòng)態(tài)學(xué)習(xí)對(duì)象分段器的m a s k 頭和矩陣NMS的SOLOv2 實(shí)例分割模型,該模型具有較高的準(zhǔn)確率和較好的實(shí)時(shí)性[10].

目標(biāo)檢測(cè)方面[11],2014年,Girshick 等人提出了典型的雙階段目標(biāo)檢測(cè)算法RCNN,其將AlexNet 與選擇性搜索算法相結(jié)合,性能相對(duì)于傳統(tǒng)的目標(biāo)檢測(cè)算法,得到了顯著提升.2015年,Ren 等人提出了FasterRCNN,引入了區(qū)域建議網(wǎng)絡(luò)(region proposal network,RPN)實(shí)現(xiàn)了目標(biāo)檢測(cè)端到端的訓(xùn)練,一定程度上加快了計(jì)算速度[12].2016年,Redmon 等人為解決雙階段目標(biāo)檢測(cè)算法的時(shí)效性低的問(wèn)題提出了一種單階段目標(biāo)檢測(cè)器YOLO,其在簡(jiǎn)化網(wǎng)絡(luò)的同時(shí)提高了檢測(cè)精度[13],但對(duì)小尺度目標(biāo)的檢測(cè)效果不佳,被檢測(cè)目標(biāo)發(fā)生重疊遮擋時(shí),容易出現(xiàn)漏檢誤檢的情況.2018年,Law 等人提出了CornerNet[14],該模型取消了錨框而將目標(biāo)檢測(cè)邊界框定義為檢測(cè)目標(biāo)的左上角和右下角的關(guān)鍵點(diǎn),采用角池法定位角,但其檢測(cè)準(zhǔn)確率略低于YOLOv4.為了進(jìn)一步改進(jìn)CornerNet,2019年,Duan 等人提出了CenterNet[15],通過(guò)在被檢測(cè)目標(biāo)的邊界框的中心再引入一個(gè)關(guān)鍵點(diǎn)作為一個(gè)關(guān)鍵點(diǎn)的三元組來(lái)檢測(cè)每個(gè)目標(biāo),該方法大幅度提高了準(zhǔn)確率.

油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域形狀不規(guī)則且區(qū)域分布復(fù)雜多樣,因此簡(jiǎn)單地在攝像頭內(nèi)劃分固定且規(guī)則的區(qū)域無(wú)法滿足實(shí)際要求;同時(shí)由于近海區(qū)域危險(xiǎn)性高,作業(yè)人員目標(biāo)小,其闖入近海區(qū)域需要及時(shí)報(bào)警,目前的區(qū)域入侵檢測(cè)方法由于無(wú)法準(zhǔn)確計(jì)算不規(guī)則區(qū)域形狀且實(shí)時(shí)性差,無(wú)法檢測(cè)小目標(biāo),無(wú)法有效檢測(cè)作業(yè)現(xiàn)場(chǎng)近海區(qū)域是否發(fā)生入侵,所以本文提出將圖像識(shí)別與分割技術(shù)和目標(biāo)檢測(cè)技術(shù)結(jié)合,首先利用圖像分割技術(shù)對(duì)油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域進(jìn)行檢測(cè)與分割,精確地分割出近海周界區(qū)域.再使用無(wú)錨框的目標(biāo)檢測(cè)技術(shù)對(duì)作業(yè)人員進(jìn)行檢測(cè),使其達(dá)到實(shí)時(shí)性與準(zhǔn)確性.

在現(xiàn)有的區(qū)域識(shí)別與分割技術(shù)中,SOLOv2 可以進(jìn)行高精度的區(qū)域檢測(cè)識(shí)別與分割,同時(shí)還具有良好的實(shí)時(shí)性.比起普通語(yǔ)義分割算法,實(shí)例分割應(yīng)對(duì)油田作業(yè)現(xiàn)場(chǎng)復(fù)雜的環(huán)境背景性能更佳,可準(zhǔn)確區(qū)別并分割出同類區(qū)域,為后續(xù)區(qū)域入侵判別提供可靠依據(jù),且由于SOLOv2 本身的優(yōu)越性,其檢測(cè)精度與速度并不低于普通的語(yǔ)義分割算法.使用SOLOv2 識(shí)別并分割出危險(xiǎn)區(qū)域,然后使用實(shí)時(shí)性良好的無(wú)錨框目標(biāo)檢測(cè)算法CenterNet 進(jìn)行油田作業(yè)現(xiàn)場(chǎng)的小目標(biāo)檢測(cè).最后,為了能實(shí)際應(yīng)用于油田作業(yè)現(xiàn)場(chǎng),還開發(fā)了專屬的CS 應(yīng)用端.

本文的研究主要包括3 個(gè)部分:(1)油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域識(shí)別與分割部分:采用SOLOv2 作為基礎(chǔ)網(wǎng)絡(luò),進(jìn)行適用于作業(yè)現(xiàn)場(chǎng)的參數(shù)優(yōu)化,實(shí)現(xiàn)兼具準(zhǔn)確性與實(shí)效性的近海周界區(qū)域與背景的識(shí)別與分割.(2)目標(biāo)檢測(cè)部分:使用CenterNet 進(jìn)行目標(biāo)檢測(cè),然后通過(guò)計(jì)算檢測(cè)到的目標(biāo)與危險(xiǎn)區(qū)域的相對(duì)位置判斷油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域是否發(fā)生作業(yè)人員區(qū)域入侵.(3)CS 應(yīng)用端部分:將設(shè)計(jì)實(shí)現(xiàn)的算法部署到油田作業(yè)現(xiàn)場(chǎng)CS 端,實(shí)現(xiàn)檢測(cè)應(yīng)用.

利用高效的圖像分割SOLOv2 技術(shù)進(jìn)行近海周界區(qū)域與背景的分割,可以精準(zhǔn)定位危險(xiǎn)區(qū)域,減少目標(biāo)跟蹤復(fù)雜度,然后采用CenterNet 進(jìn)行適用于小目標(biāo)的高精度目標(biāo)檢測(cè),實(shí)現(xiàn)了跟蹤準(zhǔn)確性和實(shí)時(shí)性的平衡.

1 檢測(cè)系統(tǒng)流程

油田作業(yè)現(xiàn)場(chǎng)近海周界監(jiān)控為了能夠最大范圍掌控情況,一般選擇高處監(jiān)控視角,因此導(dǎo)致了背景復(fù)雜,被檢測(cè)目標(biāo)小等問(wèn)題.對(duì)于這種情況,本文方法的具體框架如圖1所示.首先對(duì)油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域進(jìn)行檢測(cè),提取出攝像頭所監(jiān)控的近海周界區(qū)域,去除周界外的其他環(huán)境和物體的影響.在識(shí)別出近海周界區(qū)域后,以近海區(qū)域輪廓為邊界,提取內(nèi)部海域部分.

圖1 本文方法的框架示意

由于油田作業(yè)現(xiàn)場(chǎng)的近海區(qū)域?yàn)楦呶^(qū)域,所以需要高精度的入侵檢測(cè)同時(shí)又需要當(dāng)入侵發(fā)生時(shí)快速報(bào)警,因此需要一種精度高實(shí)時(shí)性好的算法模型.SOLOv2 算法可以對(duì)油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域進(jìn)行高精度檢測(cè)并準(zhǔn)確提取出近海周界區(qū)域,同時(shí)該算法提出矩陣NMS (non maximum suppression),其可以顯著減少由于掩碼的NMS 造成推理時(shí)間長(zhǎng)的問(wèn)題.再對(duì)SOLOv2 算法模型進(jìn)行適用于油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域的參數(shù)調(diào)整,以此獲取兼具準(zhǔn)確性和實(shí)時(shí)性的近海周界區(qū)域分割結(jié)果.

CenterNet 目標(biāo)檢測(cè)方法與RCNN和YOLO 系列不同[16],其采用的是基于關(guān)鍵點(diǎn)估計(jì)來(lái)找到中心點(diǎn),再回歸到其他目標(biāo)屬性,例如尺寸,位置等.相較于基于BoundingBox的檢測(cè)器,CenterNet的模型是端到端的,更簡(jiǎn)單,運(yùn)算速度更快,精確度更高.該方法一般是由輸入圖片計(jì)算關(guān)鍵點(diǎn)熱圖heatmap 進(jìn)而判斷目標(biāo)種類,完成目標(biāo)檢測(cè).

由上述檢測(cè)提取出的油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域與檢測(cè)到的作業(yè)人員小目標(biāo),計(jì)算出兩者相對(duì)位置,且由于油田作業(yè)現(xiàn)場(chǎng)近海區(qū)域的特殊性,通過(guò)計(jì)算兩者位置即可判定作業(yè)人員是否發(fā)生油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域入侵.

2 基于SOLOv2的近海周界區(qū)域識(shí)別與分割

本文采用SOLO 系列中實(shí)時(shí)性更好準(zhǔn)確率更高的SOLOv2 深度學(xué)習(xí)實(shí)例分割框架,對(duì)其進(jìn)行深入理解并做出適用于油田作業(yè)現(xiàn)場(chǎng)的參數(shù)調(diào)整.

SOLOv2的網(wǎng)絡(luò)結(jié)構(gòu)在遵循SOLOv1 原則的基礎(chǔ)上,通過(guò)動(dòng)態(tài)學(xué)習(xí)目標(biāo)分段器的mask 頭,使mask 頭受位置的約束,獲得更好的檢測(cè)性能;同時(shí)SOLOv2 提出矩陣NMS (非最大抑制),以此減少NMS of masks 引起的推理時(shí)間開銷.具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 SOLOv2 網(wǎng)絡(luò)結(jié)構(gòu)圖

SOLO 網(wǎng)絡(luò)首先輸入圖片,通過(guò)FCN 進(jìn)行多尺度的特征提取,得到相應(yīng)的feature map.然后分別進(jìn)入兩個(gè)分支,包括類別預(yù)測(cè)分支和實(shí)例掩膜分支.類別預(yù)測(cè)分支用于預(yù)測(cè)各個(gè)位置目標(biāo)的類別,實(shí)例掩膜分支用于生成目標(biāo)的全圖位置預(yù)測(cè)的feature map.

SOLOv2 動(dòng)態(tài)學(xué)習(xí)對(duì)象分類器的mask 頭,將掩膜分支分為掩膜核分支和掩膜特征分支,掩膜核分支位于由FPN 生成的特征地圖金字塔的預(yù)測(cè)頭中,預(yù)測(cè)頭包括四個(gè)提取特征的卷積網(wǎng)絡(luò)和一個(gè)預(yù)測(cè)的卷積網(wǎng)絡(luò).掩膜特征分支引入特征金字塔融合,再經(jīng)過(guò)3×3 卷積,群范數(shù),ReLU 等重復(fù)階段,預(yù)測(cè)所有FPN 級(jí)別的單一掩模特征表示,可有效提供準(zhǔn)確的位置信息.

矩陣NMS 部分,首先計(jì)算類別置信度,通過(guò)設(shè)置閾值,過(guò)濾掉置信度低的預(yù)測(cè)結(jié)果,然后使用學(xué)習(xí)到的卷積核對(duì)mask 特征進(jìn)行卷積操作,經(jīng)過(guò)Sigmoid 函數(shù)后,使用更高的閾值將預(yù)測(cè)的soft mask 轉(zhuǎn)變?yōu)槎祱D.最后進(jìn)行Matrix NMS,先選取按照置信度排列的前N個(gè)個(gè)結(jié)果,使用轉(zhuǎn)換后的二值圖,通過(guò)矩陣運(yùn)算,高效形成IoU 矩陣.在IoU 矩陣列上,找到最大的IoU,再計(jì)算decay.最后通過(guò)decay 更新預(yù)測(cè)得分.

SOLOv2 網(wǎng)絡(luò)的損失函數(shù)如式(1)所示:

其中,Lcate采用Focal Loss,Lmask如式(2)所示,

其中,D計(jì)算公式如(4)所示,p,q表示坐標(biāo)(x,y)像素預(yù)測(cè)和真實(shí)值的概率.

3 基于CenterNet的作業(yè)人員區(qū)域入侵檢測(cè)

目前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)可分為兩階段檢測(cè)與單階段檢測(cè)兩類[18].兩階段檢測(cè)首先生成稀疏建議,并從每個(gè)建議區(qū)域中提取特征,再預(yù)測(cè)建議區(qū)域的類別.而單階段檢測(cè)直接對(duì)特征圖上每個(gè)位置的目標(biāo)進(jìn)行分類預(yù)測(cè).雖然兩階段檢測(cè)具有更高的準(zhǔn)確性,但單階段檢測(cè)具有更好的實(shí)時(shí)性,對(duì)實(shí)時(shí)對(duì)象檢測(cè)具有更大的適用性,更加適用于工業(yè)生產(chǎn).

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

CenterNet是單階段檢測(cè)模型,使用目標(biāo)的中心點(diǎn)代替錨框,極大程度上解決了傳統(tǒng)目標(biāo)檢測(cè)因?yàn)殄^框?qū)е掠?jì)算量大的問(wèn)題.CenterNet 網(wǎng)絡(luò)結(jié)構(gòu)可分為從邊界框到點(diǎn)與從點(diǎn)到邊界框兩部分,其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示.首先輸入圖像,經(jīng)過(guò)DLA-SE 特征提取網(wǎng)絡(luò)得到特征圖,然后分別訓(xùn)練目標(biāo)中心點(diǎn)Y、中心點(diǎn)偏移O、目標(biāo)尺寸S三個(gè)分支,之后將訓(xùn)練得到的Y、O、S三個(gè)分支的結(jié)果,進(jìn)行融合輸出圖像.

圖3 CenterNet 網(wǎng)絡(luò)結(jié)構(gòu)圖

從邊界框到點(diǎn)的過(guò)程,首先將帶有標(biāo)簽的圖像輸入特征提取網(wǎng)絡(luò)DLA-SE,得到輸出特征圖.然后關(guān)鍵點(diǎn)預(yù)測(cè)Y分支、中心點(diǎn)偏移量O分支與對(duì)象尺寸S分支使用同一個(gè)特征提取網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練.關(guān)鍵點(diǎn)預(yù)測(cè)Y分支中,將圖像I∈RW×H×3輸入CenterNet的特征提取網(wǎng)絡(luò),生成關(guān)鍵點(diǎn)熱圖,即高斯分布圖,其中,4 指輸出尺寸縮放比例,80 指輸出特征圖的通道數(shù).當(dāng)=1 時(shí),表示檢測(cè)到的關(guān)鍵點(diǎn).其中高斯核計(jì)算如式(5)所示:

然后使用focal loss 進(jìn)行像素級(jí)的邏輯回歸[19],focal loss 計(jì)算如式(6)所示:

中心點(diǎn)偏移量O分支中,每個(gè)中心點(diǎn)的局部偏移量為使用相應(yīng)的損失函數(shù)進(jìn)行所有對(duì)象中心點(diǎn)偏移值的訓(xùn)練,其損失函數(shù)如式(7)所示:

尺寸S分支中,在目標(biāo)中心位置回歸對(duì)象的寬高,其損失函數(shù)如式(8)所示:

最后整個(gè)網(wǎng)絡(luò)預(yù)測(cè)出每個(gè)目標(biāo)中心點(diǎn)位置的相關(guān)值,包括關(guān)鍵點(diǎn)預(yù)測(cè)Y分支的80 個(gè)關(guān)鍵點(diǎn)、中心點(diǎn)偏離量O分支的x和y、對(duì)象尺寸分支的w和h.

從點(diǎn)到邊界框的過(guò)程,對(duì)于檢測(cè)到類別的n個(gè)中心點(diǎn)的集合,通過(guò)提取熱力圖上每個(gè)類別的100 個(gè)峰值點(diǎn)來(lái)獲取邊界框.邊界框由預(yù)測(cè)得到的關(guān)鍵點(diǎn)、偏移量、尺寸生成,具體的邊界框生成公式如式(9)所示,不需要NMS 處理,因此可以大幅度提升模型性能.

3.2 區(qū)域入侵檢測(cè)算法

判定油田現(xiàn)場(chǎng)作業(yè)人員區(qū)域入侵的發(fā)生是研究非常重要的一部分,結(jié)合作業(yè)現(xiàn)場(chǎng)背景復(fù)雜,被檢測(cè)目標(biāo)小的實(shí)際情況,本文采用計(jì)算SOLOv2 檢測(cè)提取出的近海周界區(qū)域與CenterNet 檢測(cè)到的作業(yè)人員目標(biāo)的相對(duì)位置判斷作業(yè)人員是否近海周界區(qū)域入侵.

首先在被檢測(cè)的圖片幀中設(shè)置完整的坐標(biāo)系,將由SOLOv2 檢測(cè)并提取出的近海周界區(qū)域?qū)?yīng)于坐標(biāo)系,獲取其相應(yīng)的位置坐標(biāo);然后將由CenterNet 檢測(cè)出的作業(yè)人員對(duì)應(yīng)于坐標(biāo)系,獲取被檢測(cè)目標(biāo)相應(yīng)的位置坐標(biāo),同時(shí)獲取其目標(biāo)邊界框的坐標(biāo)并計(jì)算出作業(yè)人員相對(duì)于圖片幀的面積.由于提取出的近海周界區(qū)域是閉合的曲線,坐標(biāo)點(diǎn)繁多,所以抽取合適數(shù)量的坐標(biāo)點(diǎn)圍成近似形狀的邊界.抽取坐標(biāo)點(diǎn)規(guī)則是周界坐標(biāo)兩點(diǎn)之間的最小距離等于被檢測(cè)作業(yè)人員目標(biāo)邊界框的寬,以此保證被檢測(cè)目標(biāo)接觸近海周界區(qū)域時(shí)可認(rèn)定邊界為直線,有助于減小計(jì)算復(fù)雜度,提高實(shí)時(shí)性.最后當(dāng)被檢測(cè)作業(yè)人員目標(biāo)開始接觸區(qū)域周界時(shí),即開始計(jì)算被檢測(cè)作業(yè)人員目標(biāo)的邊界框面積與區(qū)域重疊面積比.若重疊面積大于被檢測(cè)邊界框面積的80%即可判定油田現(xiàn)場(chǎng)作業(yè)人員闖入近海區(qū)域,重復(fù)此過(guò)程直到被檢測(cè)目標(biāo)作業(yè)人員完全離開墻體區(qū)域?yàn)橹?

本文結(jié)合油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域的實(shí)際情況,考慮被檢測(cè)人員目標(biāo)小與近海周界區(qū)域高危且不規(guī)則的研究背景,設(shè)計(jì)并實(shí)現(xiàn)適用于現(xiàn)場(chǎng)的近海周界區(qū)域入侵檢測(cè)算法,解決了油田現(xiàn)場(chǎng)作業(yè)人員區(qū)域入侵檢測(cè)問(wèn)題.

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)過(guò)程

本文實(shí)驗(yàn)使用PyTorch 學(xué)習(xí)框架,Python 語(yǔ)言編程實(shí)現(xiàn)算法網(wǎng)絡(luò),硬件環(huán)境為聯(lián)想ThinkStationP900 工作站,NVIDIA GeForce RTX3080 顯卡(10 GB)、64 位Ubuntu 18.04 操作系統(tǒng).

本文采用SOLO 與CenterNet 結(jié)合的算法.油田作業(yè)現(xiàn)場(chǎng)監(jiān)控視頻流經(jīng)預(yù)處理后傳入SOLO 神經(jīng)網(wǎng)絡(luò),由SOLO 檢測(cè)并提取油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域,本節(jié)使用近海周界監(jiān)控圖片作為自制數(shù)據(jù)集進(jìn)行訓(xùn)練,得到本文用于檢測(cè)并提取近海周界區(qū)域的權(quán)重模型.訓(xùn)練過(guò)程中,設(shè)置epoch 值為5,batch size 值為8,每個(gè)epoch 步數(shù)為300,學(xué)習(xí)率設(shè)置為0.000 1,所有參數(shù)根據(jù)正太分布進(jìn)行初始化.

本文使用CenterNet 檢測(cè)油田作業(yè)現(xiàn)場(chǎng)近海周界作業(yè)人員,使用CenterNet 官方提供的檢測(cè)模型ctdet_coco_dla_2x 作為權(quán)重模型,獲取權(quán)重模型后即可檢測(cè)近海周界作業(yè)人員.

判斷油田作業(yè)現(xiàn)場(chǎng)作業(yè)人員是否近海周界區(qū)域入侵時(shí),設(shè)置坐標(biāo)系,獲取近海周界區(qū)域坐標(biāo)與被檢測(cè)作業(yè)人員坐標(biāo)和其邊界框坐標(biāo).均勻選取合適的80 個(gè)近海區(qū)域區(qū)域坐標(biāo)點(diǎn)圍成近似的邊界,由被檢測(cè)作業(yè)人員邊界框的坐標(biāo)計(jì)算目標(biāo)面積.當(dāng)被檢測(cè)目標(biāo)接觸邊界時(shí),開始計(jì)算被檢測(cè)作業(yè)人員邊界框與邊界的重疊區(qū)域是否大于邊界框總面積的80%,即可判定作業(yè)人員是否闖入近海區(qū)域.

4.2 實(shí)驗(yàn)分析

實(shí)驗(yàn)將CenterNet 與YOLOv3、FasterRCNN 對(duì)油田作業(yè)現(xiàn)場(chǎng)人員小目標(biāo)檢測(cè)進(jìn)行對(duì)比;并使用本文方法與MaskRCNN 結(jié)合CenterNet 對(duì)油田作業(yè)現(xiàn)場(chǎng)實(shí)際檢測(cè)效果進(jìn)行對(duì)比實(shí)驗(yàn).

第1 組實(shí)驗(yàn)(表1),使用CenterNet 與YOLOv3、FasterRCNN 在油田作業(yè)現(xiàn)場(chǎng)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn).

表1 作業(yè)現(xiàn)場(chǎng)小目標(biāo)檢測(cè)算法比較

第2 組實(shí)驗(yàn)(表2),使用本文方法SOLOv2 結(jié)合CenterNet的算法與MaskRCNN、SOLOv2 算法分別在油田作業(yè)現(xiàn)場(chǎng)數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn).

表2 本文算法

對(duì)于油田作業(yè)現(xiàn)場(chǎng)真實(shí)數(shù)據(jù)小目標(biāo)檢測(cè),CenterNet比YOLOv3、FasterRCNN 具有更好的檢測(cè)準(zhǔn)確性與實(shí)時(shí)性.本文方法針對(duì)油田作業(yè)現(xiàn)場(chǎng)近海周界區(qū)域入侵檢測(cè)比MaskRCNN、SOLOv2 在準(zhǔn)確率上分別提升了30%和14%,在實(shí)時(shí)性上比MaskRCNN 提升了27.4%.

5 結(jié)束語(yǔ)

本文提出SOLOv2 與CenterNet 結(jié)合的深度卷積網(wǎng)絡(luò)近海周界區(qū)域入侵檢測(cè)模型,可以檢測(cè)油田作業(yè)現(xiàn)場(chǎng)高精度小目標(biāo)作業(yè)人員是否發(fā)生近海周界區(qū)域入侵,不同于普遍的檢測(cè)模型,該方法首先使用SOLOv2高效地檢測(cè)并提取出準(zhǔn)確的近海周界區(qū)域,同時(shí)還可以避免復(fù)雜背景的干擾,提高檢測(cè)精度;再使用CenterNet進(jìn)行小目標(biāo)作業(yè)人員檢測(cè),最后計(jì)算檢測(cè)到的作業(yè)人員目標(biāo)與墻體區(qū)域的相對(duì)位置判斷作業(yè)人員是否發(fā)生近海周界區(qū)域入侵.實(shí)驗(yàn)結(jié)果表明,使用該方法能夠有效地提升油田作業(yè)現(xiàn)場(chǎng)作業(yè)人員近海周界區(qū)域入侵的檢測(cè)精度,對(duì)油田數(shù)字化進(jìn)程有重要參考價(jià)值.