钻杆识别方法及系统、电子设备与流程

本申请涉及地震野外采集项目的视频识别，尤其涉及一种钻杆识别方法及系统、电子设备。

背景技术：

1、在地震野外采集项目中，往往需要通过视频实时监控野外作业，在地震野外采集作业的数字化转型中，视频识别技术虽然是提升勘探效率与安全性的关键手段，但其实际应用仍面临多重技术挑战。首先，视频质量的参差不齐，尤其是视频清晰度和稳定性较差，直接削弱了视频识别的数据可靠性和有效性。其次，钻杆作为核心作业设备，其形态随作业阶段动态变化(如直立、平放、半掩埋等)，且运动轨迹受机械操作影响呈现非线性特征，传统图像处理算法难以精准捕捉其数量变化与空间位置。此外，现有技术依赖人工校验钻杆状态，存在效率低、实时性差、主观误差率高等缺陷，无法满足高强度勘探作业的质控需求，然而若是定制识别钻杆的解决方案，则需从数据标注到模型训练全链路定制开发，其技术实现复杂度高、周期长且成本难以控制。因此，如何自动、准确识别钻杆及其位置变化成为一个亟待解决的问题。

技术实现思路

1、本申请提供了一种钻杆识别方法及系统，以解决如何在复杂多变的自然环境下实现针对特定对象，如钻杆，准确无误地识别该对象及其动态变化的问题。

2、第一方面，本申请提供了一种钻杆识别方法，该方法包括：获取地震野外采集项目中采集的原始视频数据；其中，所述原始视频记录了野外作业场景中钻杆的动态操作过程，包含所述钻杆的实时运动画面和操作人员与所述钻杆的交互信息；对所述原始视频进行预处理；其中，所述预处理包括防抖处理；基于所述预处理后的视频数据，分析所述视频数据的图像变化率，根据所述图像变化率确定稳定区间；保留所述稳定区间所属时间段落对应的视频数据，剔除所述稳定区间之外所属时间段落对应的视频数据；通过预训练的深度学习模型，在所述稳定区间内的视频数据中对所述钻杆进行识别和位置追踪。

3、作为一种可选的实施方式，所述防抖处理包括使用orb技术对所述原始视频进行防抖处理。

4、作为一种可选的实施方式，所述基于所述预处理后的视频数据，分析所述视频数据的图像变化率，根据所述图像变化率确定稳定区间包括：基于所述预处理后的视频数据，将所述视频划分为多个区域，按时间顺序统计所述多个区域的图像变化率，生成所述多个区域的变化率曲线；使用无监督机器学习算法对所述变化率曲线进行分析；按照所述曲线的波动率分类，将低波动率的分组，作为稳定区间。

5、作为一种可选的实施方式，所述通过预训练的深度学习模型，在所述稳定区间内的视频数据中对所述钻杆进行识别和位置追踪包括：通过预训练的深度学习模型，在所述稳定区间内的视频数据中，框出所述钻杆的边界，对所述钻杆进行识别和位置追踪。

6、作为一种可选的实施方式，所述方法还包括：识别所述视频数据中所述操作人员的姿态。

7、作为一种可选的实施方式，所述方法还包括：提取所述钻杆的长度、角度变化时序数据和所述操作人员的姿态动作时序数据；通过傅里叶变换将所述时序数据对应的时域信号转换为频域信号，分析所述钻杆的长度、角度和所述操作人员的姿态动作的周期性特征；基于所述周期性特征，关联所述钻杆的长度、角度变化与所述操作人员的姿态动作的同步性，确定所述钻杆的数量与位置。

8、作为一种可选的实施方式，所述深度学习模型在训练阶段采用数据增强技术，其中，所述数据增强技术包括随机裁剪、旋转和颜色变化。

9、作为一种可选的实施方式，所述方法还包括对所述原始视频进行亮度均衡处理，所述亮度均衡处理包括调整所述原始视频中视频帧的亮度分布，增强所述钻杆与背景环境的对比度，以突出所述钻杆的形态特征。

10、作为一种可选的实施方式，所述方法还包括识别并去除所述原始视频的无用片段。

11、第二方面，本申请提供了一种钻杆识别系统，该系统包括：第一模块，用于获取地震野外采集项目中采集的原始视频数据；其中，所述原始视频记录了野外作业场景中钻杆的动态操作过程，包含所述钻杆的实时运动画面和操作人员与所述钻杆的交互信息；第二模块，用于对所述原始视频进行预处理；其中，所述预处理包括防抖处理；第三模块，用于基于所述预处理后的视频数据，分析所述视频数据的图像变化率，根据所述图像变化率确定稳定区间；第四模块，用于保留所述稳定区间所属时间段落对应的视频数据，剔除所述稳定区间之外所属时间段落对应的视频数据；第五模块，用于通过预训练的深度学习模型，在所述稳定区间内的视频数据中对所述钻杆进行识别和位置追踪。

12、第三方面，申请提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现如上所述的钻杆识别方法。

13、本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

14、本申请实施例提供的钻杆识别方法及系统，通过防抖处理等预处理，消除因相机抖动、光照不均导致的视频模糊和噪声，为后续分析提供清晰的输入数据，通过变化率分析和稳定区间筛选，实现了仅保留高质量视频段落，从而得到高质量的视频数据，保证了视频清晰度和稳定性，进而保证后续分析的可靠性和有效性，本申请实施例提供的方法实现了针对特定对象如钻杆的精准识别，极大地提升了野外作业效率，尤其是在复杂多变的自然环境下，能够准确无误地识别钻杆及其动态变化，自动且准确地统计钻杆的数量和位置，提高工作效率并减少人为错误，对于指导作业流程、预防事故具有重大意义。

1.一种钻杆识别方法，其特征在于，包括：

2.根据权利要求1所述的钻杆识别方法，其特征在于，所述防抖处理包括使用orb技术对所述原始视频进行防抖处理。

3.根据权利要求1所述的钻杆识别方法，其特征在于，所述基于所述预处理后的视频数据，分析所述视频数据的图像变化率，根据所述图像变化率确定稳定区间包括：

4.根据权利要求1所述的钻杆识别方法，其特征在于，所述通过预训练的深度学习模型，在所述稳定区间内的视频数据中对所述钻杆进行识别和位置追踪包括：

5.根据权利要求4所述的钻杆识别方法，其特征在于，所述方法还包括：识别所述视频数据中所述操作人员的姿态。

6.根据权利要求5所述的钻杆识别方法，其特征在于，所述方法还包括：

7.根据权利要求1-6中任一项所述的钻杆识别方法，其特征在于，所述深度学习模型在训练阶段采用数据增强技术，其中，所述数据增强技术包括随机裁剪、旋转和颜色变化。

8.根据权利要求1-6中任一项所述的钻杆识别方法，其特征在于，所述方法还包括：通过调整结构或参数优化所述深度学习模型的性能。

9.一种钻杆识别系统，其特征在于，包括：

10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；