[发明专利]示功图识别方法及装置

说明书

本发明公开了一种示功图识别方法及装置，涉及油气开采技术领域。所述方法包括：获取用于识别示功图的深度学习网络模型；将待识别的示功图转成计算机图像格式文件；对所述计算机图像格式文件进行预处理，以得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像；使用所述深度学习网络模型对所述待识别图像进行识别，得到识别结果。本发明能够减少人工处理的工作量，有效减少操作人员主观因素对示功图分析的影响，提高示功图识别效率，减小识别误差。

技术领域

本发明涉及油气开采技术领域，特别涉及一种示功图识别方法及装置。

背景技术

在油田开采技术领域，及时掌握抽油机井生产过程中的工况，是当前值得科研工作者们深入研究的一个重大课题。抽油机井示功图是表述抽油机在一个工作周期内悬点载荷与位移变化规律的图形，反映了油井井下生产设备的运行状况，可以作为故障诊断的一个重要数据来源。目前，利用示功图曲线进行抽油机的故障诊断是最有效、最常用的方法。在应用需求的驱动下，大量抽油机井示功图需要处理。

对于大量示功图的识别及处理，通常仍是采用人工处理的方式进行。

人工处理耗时多，效率低，存在操作人员主观因素影响，示功图识别的准确率也相对较低。

发明内容

本发明实施例提供了一种示功图识别方法、装置、图像处理设备及存储介质，以解决相关技术中人工处理工作量大，耗时多，效率低的问题。所述技术方案如下：

根据本公开实施例的一方面，提供一种示功图识别方法，所述方法包括：

获取用于识别示功图的深度学习网络模型；

将待识别的示功图转成计算机图像格式文件；

对所述计算机图像格式文件进行预处理，以得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像；

使用所述深度学习网络模型对所述待识别图像进行识别，得到识别结果。

可选地，所述获取用于识别示功图的深度学习网络模型，包括：

获取预设数量的示功图训练样本，得到样本集；

对于所述样本集中任一样本S_i(X,Y)，将所述X输入深度学习网络模型，通过所述深度学习网络模型计算X的实际输出O，计算实际输出O与Y的差，其中，所述X为所述样本S_i的全部像素值的集合，Y为所述样本S_i的类型值；

若实际输出O与Y的差的绝对值大于等于预设阈值，按极小化误差的方法反向传播调整所述深度学习网络模型的权矩阵，得到训练好的用于识别示功图的深度学习网络模型。

可选地，所述对所述计算机图像格式文件进行预处理，包括：

对所述计算机图像格式文件进行前处理，得到处理后的图像，所述前处理包括去噪处理和/或平移处理；

根据所述处理后的图像中的最大和最小载荷数据点计算全部已知点的坐标和载荷值；

根据所述已知点的坐标和载荷值形成闭合曲线；

将形成的所述闭合曲线的图像缩放至预设分辨率，得到与所述深度学习网络模型相匹配的具有预设分辨率的待识别图像。

可选地，所述使用所述深度学习网络模型对所述待识别图像进行识别，包括：

将所述待识别图像的像素内存输入所述深度学习网络模型中，对所述待识别图像进行分类，得出所述待识别图像的全部的候选结果以及每个所述候选结果的分数；

从待识别图像的全部的候选结果中选取第一候选结果和第二候选结果，将第一候选结果的分数与第二候选结果的分数之间的距离作为置信度。