基于改进ResNet网络的井下钻杆计数方法

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.

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

所属期刊栏目：46

分类号：TD713.3(矿山安全与劳动保护)

资助基金：陕西省科技厅自然科学基金项目;陕西省重点研发计划项目

在线出版日期：2020-11-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：32-37