基于改进ResNet网络的井下钻杆计数方法
高瑞1
郝乐1
刘宝1
文静怡2
陈宇航1
1.西安科技大学电气与控制工程学院,陕西西安 7100542.西北大学公共管理学院,陕西西安 710127
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
分类号：TD713.3(矿山安全与劳动保护)
资助基金：国家自然科学基金(2018JQ5197)陕西省重点研发计划项目(2019GY-097)
论文发表日期：2020-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 32-37 )
英文信息