基于改进ResNet网络的井下钻杆计数方法

• 作者: 刘宝 文静怡 郝乐 陈宇航 高瑞
• 来源期刊: 工矿自动化
• 学科: 工学
• 关键词: 钻孔深度 钻杆计数 图像分类 卷积神经网络 学习率更新 ResNet-50
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: “智能瓦斯抽采技术与装备”专题
• 页码范围: 32-37
• 页数: 6页
• 分类号: TD713.3
• 语种: 中文
• DOI: 10.13272/j.issn.1671-251x.2020040054

摘要

针对现有井下钻杆数量统计方式精度较低、受环境变化影响大等问题,结合卷积神经网络、信号滤波等技术,提出了一种基于改进ResNet网络的井下钻杆计数方法.根据视频图像中卸杆动作与非卸杆动作的差异,采用ResNet-50网络模型对样本集进行分类训练,判断视频中每一帧图像是否包含卸杆动作;结合线性学习率预热和基于Logistic曲线的学习率衰减策略进行学习率更新,以提高模型分类准确率;通过积分法对视频分类置信度进行滤波,并统计置信度曲线下降沿数量,实现钻杆计数.实验结果表明,预热+衰减的学习率更新策略能够有效提高图像分类模型的分类精度,模型分类检测准确率为89％.实际应用结果表明,基于改进ResNet网络的井下钻杆计数方法可以高效识别视频中的卸杆图像,平均钻杆计数精度为97％,满足实际应用需求.