一种基于图像的钻井液气泡识别方法

1.本发明涉及计算机视觉图像分析技术领域，尤其涉及一种基于图像的钻井液气泡识别方法。


背景技术：

2.计数相关工作不仅在公共安全领域应用广泛，在农林牧医交通等诸多领域都有重要研究价值。计数工作在动物计数、植物计数、细胞计数以及车辆计数等各个方面，对濒危动植物的保护、异常细胞增殖的预防、车流高峰的统计等发挥着重要的作用。钻井液是钻井过程中为满足钻井作业多方面功能需求而使用的各种循环流体的总称。钻井液是钻井的血液也是录井技术获得资料的重要载体。在钻井作业中，钻井液通常经过地面高压管道输入地下，从钻头水眼高速喷出清洗井底并携带岩屑返回地面，进入泥浆池中。此时的钻井液往往携带了大量的地层物质，如地层岩屑、气体、油滴等，对钻井液使用物理方法进一步地处理后得到相关数据，对数据进行分析即可得知井下的大致情况。但是，钻采过程中往往需要考虑地质、工程、井眼质量和环保等各方面的因素，针对实际情况选择不同的钻井液，甚至同一口井的不同井段都可能采用不同的钻井液。这样就导致钻井液处理方式众多，处理流程繁琐。在人工进行分时，也可能存在耗时较高，主观因素干扰，误差导致不准确等情况。
3.钻井液中气泡分析对于优化钻井工艺、提高钻井效率和保障钻井安全至关重要。通过对气泡的分析，可以确定气泡的来源、数量和大小分布，分析气泡对钻井液性质和流动性的影响，为优化钻井液配方和调整钻井参数提供依据。
4.气泡大小：钻井液中气泡的大小通常是以直径或等效直径来表示的。气泡大小可以反映钻井液的流动性和稠度，气泡越小，钻井液的粘度越大，流动性越差。另外，气泡大小还可以用来判断井深，通常随着井深的增加，气泡的大小也会增加。
5.气泡形状：气泡的形状对于评估钻井液的稳定性和性能有重要影响。通常，气泡形状分为圆形、椭圆形、不规则形等，圆形气泡对钻井液的性能影响最小，而不规则形气泡则会导致钻井液的黏度变化，影响钻井作业。
6.密度：气泡的密度也可以用来评估钻井液的密度，从而对钻井液的性能进行初步评估。
7.分散度：气泡的分散度是指气泡在钻井液中的分布情况，即气泡的间距和密度。
8.分散度越高，气泡间距越小，说明气泡在钻井液中分布均匀，不容易聚集，钻井液的性能更加稳定。
9.综上所述，钻井液中气泡大小、形状、密度和分散度等特征参数可以提供关于钻井液性能、稳定性、密度、分散性和钻井操作等方面的重要信息，气泡的数量和大小可以反映井深的深度。随着井深的增加，钻井液中的气泡数量和大小也会相应增加，气泡的存在对钻井液的状态有着重要的影响。通过对钻井液中气泡的数量和大小进行分析，可以初步判断钻井液的状态，如气相、液相或两相共存状态等，为后续的钻井作业提供指导。


技术实现要素：

10.本发明的目的是提供一种基于图像的钻井液气泡识别方法，以解决如何在保证钻井液气泡识别精度的情况下，减少计算量的技术问题。
11.本发明是采用以下技术方案实现的：一种基于图像的钻井液气泡识别方法，包括如下步骤：
12.s1：对输入气泡图像进行多尺度特征提取，并结合上下文信息提取特征图；
13.s2：使用端到端架构将输入气泡图像转换为气泡密度图；
14.s3：使用多层知识蒸馏对端到端架构进行训练；
15.s4：使用轮廓查找进行高精度的气泡识别。
16.进一步的，步骤s1包括如下步骤：
17.s11：通过锚框对气泡图像进行滑动提取，得到多个候选框；
18.s12：对候选框进行气泡检测，在检测气泡部分，使用卷积生成中心点的特征热图和尺度预测图，并根据中心点和尺度进行检测框的生成；
19.s13：提取不同尺度的上下文信息来加强遮挡检测。
20.进一步的，步骤s12具体为：在检测气泡部分，使用3
×
3卷积将通道缩小，通过两个1
×
1卷积分别来生成中心点的特征热图和尺度预测图，额外增加一个1
×
1卷积来进行偏移量的预测，来调整中心点的位置，并根据中心点和尺度进行检测框的生成。
21.进一步的，步骤s13具体为：提取不同尺度的上下文信息用来加强遮挡检测，引入扩张卷积来进行上下文信息的提取，采用级联连接的方法来进行扩张卷积，在扩张卷积之间引入跳跃连接来使之共享不同尺度的特征信息。
22.进一步的，所述端到端架构为编码器架构和解码器结构。
23.进一步的，步骤s2包括如下步骤：
24.s21：利用编码器架构减少内存占用，提高分类精度；
25.s22：利用解码器架构来生成与原始输入相同大小的高质量密度图；
26.s23：将特征图通过预测层，在每个像素处的d维特征向量嵌入到密度值；
27.s24：通过双线性插值将高质量密度图上采样到原始图像大小，得到气泡密度图。
28.进一步的，所述编码器架构为移动端视觉神经网络v2架构，所述移动端视觉神经网络v2架构为基于具有线性瓶颈的反向残余结构，瓶颈的结构由以下两种卷积运算组成：1x1点卷积和3x3深度卷积。
29.进一步的，步骤s3具体为：使用resnet50作为教师模型训练编码器架构，以生成训练数据的标签；并对解码器架构进行卷积和上采样操作，以生成四个热图，用于分别使用教师模型生成的标签计算损失，将输入图像转换为气泡密度图的误差损失。
30.进一步的，步骤s4包括如下步骤：
31.s41：预设比率来测量每个输入气泡图像的像素；
32.s42：使用参考对象执行校准；
33.s43：对输入气泡图像进行预处理；
34.s44：对获取的物体轮廓进行遍历，并输出结果。
35.进一步的，所述参考对象具有两个属性，第一，大小可知；第二，可识别。
36.本发明的有益效果在于：本发明实现了更好的计数性能，并使用知识蒸馏来提高
推理过程中的准确性，可以显著减少浮点运算的数量，而精度没有显著下降，以更小的计算实现与现有技术相当的性能。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的架构获得其他的附图。
38.图1为本发明流程图；
39.图2为端到端架构图；
40.图3为链式残差池化结构图；
41.图4为融合结构图。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
43.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
44.下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
45.实施例1
46.参见图1至图4，一种基于图像的钻井液气泡识别方法，包括如下步骤：
47.s1：结合多个尺度的上下文信息来处理不同的气泡大小；
48.s2：然后使用端到端架构将输入图像转换为实值密度图；
49.s3：利用知识蒸馏进行训练；
50.s4：使用轮廓查找进行高精度的气泡识别。
51.具体的，步骤s1包括如下子步骤：
52.s11：在进行预测之前先设定好一组锚框，然后在推理过程中会在特征图上使这些锚框进行滑动提取n个候选框，再做进一步的分类。
53.s12：在检测气泡部分，在最终的特征图上使用3
×
3卷积将其通道缩小到256，并且通过两个1
×
1卷积分别来生成中心点的特征热图和尺度预测图，并且额外增加了一个1
×
1卷积来进行偏移量的预测，用来调整中心点的位置。并根据中心点和尺度进行检测框的生成。基于中心和规模预测检测器的目标损失函数表示为l，由三个损失函数加权相加组成：
54.l＝λcl
center
+λsl
scale
+λ0l
offset
；
55.式中，λc代表中心点分类；λs代表尺度回归；λ0代表偏移量回归的权重；l
center
为中心点分类损失函数；l
scale
为尺度回归损失函数；l
offset
为位置偏移损失函数。
56.s13：为了增强感受野的大小，提取不同尺度的上下文信息用来加强遮挡检测，引
入扩张卷积来进行上下文信息的提取，采用级联连接的方法来进行扩张卷积，采用较小的扩张率，在扩张卷积层之间引入跳跃连接来使之共享不同尺度的特征信息。
57.具体的，步骤s2包括如下子步骤：
58.s21：编码器采用移动端视觉神经网络v2架构，大大减少了内存占用，提高了分类精度，移动端视觉神经网络v2架构基于具有线性瓶颈的反向残余结构，瓶颈的结构主要由以下两种卷积运算组成：1x1点卷积和3x3深度卷积。针对气泡计数进行调整，使用4个瓶颈而不是7个可以在较低flop的情况下获得更好的性能，消除最后三个瓶颈，既节省了计算量又提高了准确性，通过改变移动端视觉神经网络v2特征通道的数量来实验不同的模型大小，在精度和性能之间找到最佳平衡。
59.s22：利用解码器架构来生成与原始输入相同大小的高质量密度图，设计解码器时，使用几层上采用卷积来部署扩展卷积层作为后端，以提高架构在气泡计数等方面的性能。
60.s23：使用轻量级多路径优化网络解码器，以实现实时性能，与多尺度特征图的任何编码器相结合。
61.s24：解码过程始于骨干网的最后一个输出通过链式剩余池块的传播，然后将其与倒数第二个特征图一起送入融合块。在融合块内，每条路径与1x1卷积和低分辨率特征图被上采样到路径中的高分辨率。然后将两条路径相加，并类似地通过几个链式残差池化和融合块进一步传播，直到达到所需的分辨率。之后，生成的特征图被馈送到预测层以产生最终密度图。密度图是通过在每个带注释的气泡位置应用高斯模糊核来生成的。计算公式如下：
[0062][0063]
式中，δ(.)代表一个δ函数；xi，i＝1，
…
m表示第i个注释头的位置；σi表示位置i处应用的高斯核的方差；是到k个最近邻居的平均距离。
[0064]
s25：预测层基于回归的预测层应用1x1卷积，将输入特征图的每个像素处的d维特征向量嵌入到密度值。然后，通过双线性插值将生成的密度图上采样到原始图像大小。
[0065]
具体的，步骤s3具体为：使用多层知识蒸馏来传递联合置信图的更丰富的结构化信息，首先使用resnet50作为教师模型来训练轻量级多路径优化网络，以生成训练数据的标签。然后在每个链式残差池化单元之后进行1次卷积和上采样操作，以生成四个热图，用于分别使用教师模型生成的标签计算损失，总损失是四个损失的总和。将输入图像转换为实值密度图的误差损失，计算公式如下：
[0066][0067]
式中，n是训练样本的数量；表示预测密度图；d
gt
(i)表示真实密度；i表示第i个训练样本；表示欧几里得距离。
[0068]
具体的，步骤s4包括如下子步骤：
[0069]
s41：定义一个比率来测量每个计算对象的像素数。
[0070]
s42：为了确定图像中对象的大小，首先需要使用参考对象执行“校准”，引用对象应该有两个重要的属性：
[0071]
属性1：应该知道物体的尺寸(以宽度或高度表示)，单位是可测量的(如毫米、英寸
等)。
[0072]
属性2：能够轻松地找到这个引用对象在一个图像,要么基于对象的位置(如引用对象总是被放置在一个图像的左上角)或通过表象(像一个独特的颜色或形状,独特和不同图像中所有其他对象)。在任何一种情况下，引用都应该以某种方式是唯一可识别的。
[0073]
s43：对图像进行预处理操作，加载图像将其转换为灰度，然后使用高斯滤波器平滑它。然后通过膨胀+侵蚀来进行边缘检测，以缩小边缘图中边缘之间的任何缝隙。
[0074]
s44：对获取的物体轮廓进行遍历，遍历每一个物体轮廓，输出相应的结果，计算各个轮廓的中心点坐标以绘制结果，设置参考物后计算中心点集合之间的欧氏距离，将欧氏距离除以物体的像素值即获得物体的实际尺寸大小，并显示结果。欧式距离计算公式如下：
[0075]
d＝sqrt((x
1-x2)2+(y
1-y2)2)。
[0076]
以某气泡图像为例，进一步说明本发明的步骤：
[0077]
初始化参数learning rate＝0.0001；
[0078]
输入：气泡图像作为输入：
[0079]
步骤1：对气泡图像进行多尺度特征提取；
[0080]
步骤2：对1中得到特征后，进一步结合上下文信息提取到特征图；
[0081]
步骤3：利用编码器移动端视觉神经网络v2架构大大减少内存占用，提高了分类精度；
[0082]
步骤4：利用解码器架构来生成与原始输入相同大小的高质量密度图；
[0083]
步骤5：将步骤2得到特征图通过预测层在每个像素处的d维特征向量嵌入到密度值；
[0084]
步骤6：通过双线性插值将生成的密度图上采样到原始图像大小；
[0085]
通过实验调整学习率参数最终为learning rate＝0.0002；
[0086]
步骤7：通过轮廓查找气泡，并结合定义的像素对步骤2中图像的气泡大小估计；
[0087]
步骤8：结合5和7得到输入的精确识别图像；
[0088]
输出：钻井液气泡精确识别图像。
[0089]
基于上述实施例，本发明至少具有以下技术效果：本发明实现了更好的计数性能，并使用知识蒸馏来提高推理过程中的准确性，可以显著减少浮点运算的数量，而精度没有显著下降，以更小的计算实现与现有技术相当的性能。
[0090]
对于前述的实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某一些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例属于优选实施例，所涉及的动作并不一定是本技术所必须的。
[0091]
上述实施例中，描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

技术特征：
1.一种基于图像的钻井液气泡识别方法，其特征在于，包括如下步骤：s1：对输入气泡图像进行多尺度特征提取，并结合上下文信息提取特征图；s2：使用端到端架构将输入气泡图像转换为气泡密度图；s3：使用多层知识蒸馏对端到端架构进行训练；s4：使用轮廓查找进行高精度的气泡识别。2.如权利要求1所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s1包括如下步骤：s11：通过锚框对气泡图像进行滑动提取，得到多个候选框；s12：对候选框进行气泡检测，在检测气泡部分，使用卷积生成中心点的特征热图和尺度预测图，并根据中心点和尺度进行检测框的生成；s13：提取不同尺度的上下文信息来加强遮挡检测。3.如权利要求2所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s12具体为：在检测气泡部分，使用3
×
3卷积将通道缩小，通过两个1
×
1卷积分别来生成中心点的特征热图和尺度预测图，额外增加一个1
×
1卷积来进行偏移量的预测，来调整中心点的位置，并根据中心点和尺度进行检测框的生成。4.如权利要求2所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s13具体为：提取不同尺度的上下文信息用来加强遮挡检测，引入扩张卷积来进行上下文信息的提取，采用级联连接的方法来进行扩张卷积，在扩张卷积之间引入跳跃连接来使之共享不同尺度的特征信息。5.如权利要求1所述的一种基于图像的钻井液气泡识别方法，其特征在于，所述端到端架构为编码器架构和解码器结构。6.如权利要求5所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s2包括如下步骤：s21：利用编码器架构减少内存占用，提高分类精度；s22：利用解码器架构来生成与原始输入相同大小的高质量密度图；s23：将特征图通过预测层，在每个像素处的d维特征向量嵌入到密度值；s24：通过双线性插值将高质量密度图上采样到原始图像大小，得到气泡密度图。7.如权利要求5所述的一种基于图像的钻井液气泡识别方法，其特征在于，所述编码器架构为移动端视觉神经网络v2架构，所述移动端视觉神经网络v2架构为基于具有线性瓶颈的反向残余结构，瓶颈的结构由以下两种卷积运算组成：1x1点卷积和3x3深度卷积。8.如权利要求5所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s3具体为：使用resnet50作为教师模型训练编码器架构，以生成训练数据的标签；并对解码器架构进行卷积和上采样操作，以生成四个热图，用于分别使用教师模型生成的标签计算损失，将输入图像转换为气泡密度图的误差损失。9.如权利要求1所述的一种基于图像的钻井液气泡识别方法，其特征在于，步骤s4包括如下步骤：s41：预设比率来测量每个输入气泡图像的像素；s42：使用参考对象执行校准；s43：对输入气泡图像进行预处理；
s44：对获取的物体轮廓进行遍历，并输出结果。10.如权利要求9所述的一种基于图像的钻井液气泡识别方法，其特征在于，所述参考对象具有两个属性，第一，大小可知；第二，可识别。

技术总结
本发明公开了一种基于图像的钻井液气泡识别方法，包括如下步骤：S1：对输入气泡图像进行多尺度特征提取，并结合上下文信息提取特征图；S2：使用端到端架构将输入气泡图像转换为气泡密度图；S3：使用多层知识蒸馏对端到端架构进行训练；S4：使用轮廓查找进行高精度的气泡识别。本发明实现了更好的计数性能，并使用知识蒸馏来提高推理过程中的准确性，可以显著减少浮点运算的数量，而精度没有显著下降，以更小的计算实现与现有技术相当的性能。更小的计算实现与现有技术相当的性能。更小的计算实现与现有技术相当的性能。


技术研发人员：蒋俊 曾俊霞 李皋 肖东 夏文鹤 李红涛 刘厚彬 方潘 杨旭 王怀钊
受保护的技术使用者：西南石油大学
技术研发日：2023.04.18
技术公布日：2023/7/21