一种基于人工智能的油田污水检测方法及设备与流程

1.本说明书涉及油田污水检测技术领域，尤其涉及一种基于人工智能的油田污水检测方法及设备。


背景技术：

2.石油作为一种不可再生资源，在对其进行开采时，应保证资源的合理利用，石油在开采过程中，易产生污水严重影响生态环境，为确保其污水回注或排放质量达标，应对油田污水进行质量检测。
3.现有技术中，对油田污水多次采样，对样品通过化学方法或物理方法进行检测，检测结果依赖于取样区域和检测速度，导致无法及时判断油田污水的质量是否达标，影响油田污水检测的高效性和有效性。


技术实现要素：

4.本说明书一个或多个实施例提供了一种基于人工智能的油田污水检测方法及设备，用于解决如下技术问题：现有的检测方法无法及时判断油田污水质量是否达标，影响检测的高效性和有效性。
5.本说明书一个或多个实施例采用下述技术方案：
6.本说明书一个或多个实施例提供一种基于人工智能的油田污水检测方法，所述方法包括：通过图像采集装置定时采集油田污水的原始图像，确定出待检测的污水区域图像，其中，所述图像采集装置设置于所述油田污水对应的不同位置处；对所述污水区域图像进行灰度处理和归一化处理，确定出污水区域灰度图像，计算所述污水区域灰度图像的亮度值；计算所述待检测的污水区域图像的暗通道值，并根据所述亮度值和暗通道值确定指定像素点，所述指定像素点为所述油田污水中指标成分对应的像素点；根据所述指定像素点的像素值和预设算法，计算所述指定像素点对应的衰减系数，根据所述指定像素点在所述污水区域图像中的位置，将所述衰减系数转换为对应的分布图；将所述分布图输入至预先训练的第一检测模型中，检测所述油田污水中的指标成分等级，以用于确定所述油田污水的初检结果；判断所述初检结果是否符合预先设置的检测阈值，若所述初检结果不符合预设的检测阈值，则发送给计算机终端以便进行复检。
7.本说明书一个或多个实施例提供一种基于人工智能的油田污水检测设备，包括：
8.至少一个处理器；以及，
9.与所述至少一个处理器通信连接的存储器；其中，
10.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行时，触发该设备执行上述方法。
11.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：通过图像采集装置采集油田污水图像数据，对图像数据加以处理，确定出衰减系数分布图，并根据检测模型确定出油田污水的初检结果，根据初检结果确定是否需要进行复验等更准确的检测
方法，节省了符合要求的油田污水的检测时间，可以及时检测出油田污水是否达标，有助于提高检测的高效性和及时性。
附图说明
12.为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
13.图1为本说明书实施例提供的一种基于人工智能的油田污水检测方法流程示意图；
14.图2为本说明书实施例提供的一种确定最小窗口的示意图；
15.图3为本说明书实施例提供的一种基于人工智能的油田污水检测设备的结构示意图。
具体实施方式
16.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
17.石油作为一种不可再生资源，在对其进行开采时，应保证资源的合理利用，石油在开采过程中，易产生污水严重影响生态环境，为确保其污水回注或排放质量达标，应对油田污水进行质量检测。
18.油田污水主要包括油田采出水、钻井污水及其他类型的含油污水，含有较多的危害物质。当油田需要注水时，油田污水经过处理后回注底层，需要对油田污水中的悬浮物、油分等多项指标进行控制，如未能进行正确控制，将对回注地层造成伤害或对土壤和水资源造成危害；若作为蒸汽发生器或者是锅炉的给水，那么需要严格控制其中的铁离子、镁离子等结垢离子的含量以及油分含量。从各方面来看，需要对污水水质进行检测，依据检测数据使污水中有害物质的含量在可控范围内，进而使油田污水回注或排放处于达标状态。
19.现有技术中，对油田污水多次采样，对样品通过化学方法或物理方法进行检测，在对油田污水进行检测的过程中，需要先对油田污水进行取样，之后对取样结果进行物理方法或化学方法的检测。当油田污水中的成分在可控范围内时，取样检测会浪费检测时间，另外由于化学检测以及物理检测方法的操作过程比较复杂，导致无法及时判断油田污水的质量是否达标，因此，现有技术中使用化学法或物理法进行油田污水检测的方法缺乏高效性和及时性。
20.本说明书实施例提供的一种基于人工智能的油田污水处理方法及设备可以应用于油田污水处理之前，也可以应用于油田污水处理之后，当应用于油田污水处理之前时，可以根据检测结果确定处理方法，当应用于油田污水处理之后时，可以检测处理后的油田污水是否达标。通过图像采集装置采集油田污水图像数据，对图像数据加以处理，确定出衰减
系数分布图，并根据检测模型确定出油田污水的初检结果，根据初检结果确定是否需要进行复验等更准确的检测方法，节省了符合要求的油田污水的检测时间，可以及时检测出油田污水是否达标，有助于提高检测的高效性和及时性。
21.本说明书实施例提供一种基于人工智能的油田污水检测方法，需要说明的是，本说明书实施例中的执行主体可以是处理器，也可以是具备处理功能的任意一种处理装置，本说明书对此不做具体限定。图1为一种基于人工智能的油田污水检测方法的流程示意图，如图1所示，方法主要包括如下步骤：
22.步骤s101，通过图像采集装置定时采集油田污水的原始图像，确定出待检测的污水区域图像。
23.具体地，步骤s101包括：在待检测的油田污水的不同位置设置图像采集装置，并设置图像采集装置的采集时刻，采集不同位置油田污水的原始图像，其中，油田污水的不同位置处包括：油田污水底部、油田污水顶部以及中间位置处；确定不同位置油田污水的原始图像的亮度值，筛选出亮度值低于预设阈值的污水区域部分，裁剪亮度值高于预设阈值的干扰区域部分，确定出待检测的污水区域图像。
24.在本说明书的一个实施例中，在待检测的油田污水的容器中设置数据采集装置，定时采集油田污水的原始图像。图像采集装置可以是拍照装置，也可以是摄像装置。当图像采集装置为拍照装置时，采集时刻为第一时刻和第二时刻，其中第一时刻在第二时刻之前，且第一时刻与第二时刻之间存在时间间隔。由于污水的流动性的特点，图像采集装置也可以为摄像装置。当图像采集装置为摄像装置时，采集时刻为第三时刻到第四时刻的时间段，第三时刻在第四时刻之前，选取第三时刻到第四时刻之间的任意时刻，将任意时刻对应的图像作为油田污水的原始图像；也可以对采集到的视频进行分解，获取每一帧的图像数据作为油田污水的原始图像。以油田污水的容器为水池为例，在水池的底部、四周的中间位置处以及容器与油田污水表面的交界处设置图像采集装置，采集油田污水的原始图像数据，其中容器与油田污水表面的交界处也就是油田污水的顶部。在油田污水中各类指标成分的性质不同，例如，当含有悬浮物时，由于颗粒粒径较小，在自然重力作用下会缓缓下降，通过在油田污水的各个位置处采集图像，避免采集图像单一，影响检测结果。
25.采集到油田污水的原始图像之后，采集到的图像中会有一些干扰物体，例如，在油田污水顶部采集到的图像中，可能会出现只有图片的一部分是油田污水区域，另一部分为外界建筑物的图片。为了使得检测结果更加准确，需要对原始图像进行处理，确定精确的污水区域图像，裁剪掉干扰区域的图像部分。
26.在本说明书的一个实施例中，计算原始图像的亮度值，筛选出亮度值低于预设阈值的污水区域部分，裁剪亮度值高于预设阈值的干扰区域部分，确定出待检测的污水区域图像，其中，预设阈值可以根据油田区域的亮度值确定。计算原始图像的亮度值时，可以使用python语言完成，减少人工计算的误差，使用程序编程还可以提高计算速度和计算的准确度。
27.步骤s102，对污水区域图像进行灰度处理和归一化处理，确定出污水区域灰度图像，计算污水区域灰度图像的亮度值。
28.在确定出污水区域图像后，计算污水区域的亮度值，本说明书实施例提供两种计算污水区域图像亮度值的方法。一种是将灰度值定义为亮度值，一种是根据三通道图像的
性质计算污水区域图像的亮度值。
29.首先是第一种方法，具体地，步骤s102包括：将污水区域图像分解为三通道图像，得到第一通道污水区域图像、第二通道污水区域图像以及第三通道污水区域图像第一通道污水区域图像、第二通道污水区域图像以及第三通道污水区域图像的图像颜色不同；对第一通道污水区域图像、第二通道污水区域图像以及第三通道污水区域图像分别进行灰度处理，转换为对应的灰度图像；将三个对应的灰度图像进行归一化处理，确定出污水区域灰度图像；计算污水区域灰度图像中各个像素点的灰度值，将灰度值作为污水区域图像中各个像素点的亮度值。
30.在本说明书的一个实施例中，将灰度值定义为亮度值，由于污水区域图像为水下采集，采集环境中有很多不确定因素导致图像不清晰，通常会有“雾化”和色偏现象，其原因是因为水中的杂质会使光发生散射从而产生“雾化”现象，而水体对于不同波长光的吸收能力的不同导致水下图像产生了颜色失真的现象，采集环境对图像的影响让水下图像的应用变得困难。因此，在计算灰度值之前，需要对图片进行处理以避免由于图像不清晰产生的计算误差。
31.将污水区域图像分解为三通道图像，在本说明书的实施例中，三通道图像可以是rgb图像，本说明书实施例以rgb图像进行阐述。将污水区域图像分解，得到r通道污水区域图像、g通道污水区域图像以及b通道污水区域图像，分别对r通道污水区域图像、g通道污水区域图像以及b通道污水区域图像进行灰度处理，得到对应的灰度图，即r通道污水区域灰度图像、g通道污水区域灰度图像以及b通道污水区域灰度图像，此时，灰度图像的灰度值均分布在0-255之间。
32.将r通道污水区域灰度图像、g通道污水区域灰度图像以及b通道污水区域灰度图像进行归一化处理，得到污水区域灰度图像。需要说明的是，图像归一化常被用于医学图像增强领域，油田污水的图像存在模糊和对比度低等问题和医学图像类似，可以通过提高图像对比度使图像中的特征对比明显，使图像变得清晰，可以使图像像素亮度分布平衡，减少光照不均匀造成的影响。之后，计算污水区域灰度图像中各个像素点的灰度值，并将灰度值定义为亮度值。
33.其次是第二种计算亮度值的方法，具体地，步骤s102包括：计算污水区域灰度图像各个像素点处在三个通道的像素值；根据污水区域灰度图像各个像素点处在三个通道的像素值，计算污水区域灰度图像中各个像素点的亮度值，公式如下：d＝p1x1 p2x2 p3x3，其中，d为像素点处的亮度值，x1为像素点在第一个通道处的像素值，x2为像素点在第二个通道处的像素值，x3为像素点在第三个通道处的像素值，p1、p2和p3为固有参数。
34.在本说明书的一个实施例中，根据各个像素点在三个通道的像素值计算对应像素点的亮度值。需要说明的是，此处像素点在三个通道的像素值可以用三个通道的亮度值表示，也就是说，根据像素点三个通道处的亮度值计算此像素点的亮度值，进一步提高计算亮度值的准确度。例如，测量a像素点的亮度值时，确定a像素点在三个通道中对应的像素值，也就是说，确定像素点a在r通道的像素值x1，确定像素点a在g通道的像素值x2，确定像素点a在b通道的像素值x3，将x1、x2以及x3带入公式d＝p1x1 p2x2 p3x3中，其中p1、p2和p3分别为0.3、0.6以及0.1，也可以分别为0.299、0.587以及0.114，最后计算得到像素点a处的亮度值。
35.步骤s103，计算待检测的污水区域图像的暗通道值，并根据亮度值和暗通道值确定指定像素点，指定像素点为油田污水中指标成分对应的像素点。
36.具体地，步骤s103具体包括：将污水区域图像转换为对应的暗通道图像，并将暗通道图像平均分为多个区域，计算每一个区域内像素点的亮度值的平均值，确定出平均值最大的第一区域图像，并计算第一区域图像内的像素个数；将第一区域图像平均分为多个区域，计算每个区域内像素点亮度的平均值，确定出平均值最大的第二区域图像，并计算第二区域内的像素个数；若第二区域图像内的像素点个数在预设阈值内，则将第二区域图像确定为最小窗口ω(y)；在最小窗口ω(y)中计算各个像素点在三个通道内的光强度值，得到对应像素点的第一通道光强度值、第二通道光强度值以及第三通道光强度值；对第一通道光强度值、第二通道光强度值以及第三通道光强度值进行比较，确定最小数值对应的通道为暗通道，对应像素点在暗通道的光强度值为对应像素点的暗通道值。
37.暗通道是基于对大量室外无雾图像的观测，在大多数非天空局部区域，一些像素总是至少有一个值很低的颜色通道。在本说明书实施例中，由于油田污水含有指标成分的独特性，将暗通道应用于油田污水的指标成分检测中。
38.在计算污水区域图像各个像素点的暗通道值时，首先将污水区域图像转换为暗通道图像。计算污水区域图像中的每个像素点对应三个通道的像素值，选择像素值最小的通道作为该像素点的暗通道，得到一副由r、g和b三个通道最低像素值组成的暗通道图像。
39.在确定出暗通道图像之后，先设定一个像素宽度最小值，记录该范围内的像素个数作为预设阈值。将暗通道图像平均分为多个区域，本说明书实施例以四块区域为例进行说明。如图2所示，把暗通道图像平均分成四块区域，计算每一块区域像素强度的平均值，选取平均值最大的一个区域再次进行四分均值比较操作，以此类推，直到该窗口像素个数最小值小于预先设定的个数后停止四分操作，确定该像素个数最小值为最小窗口ω(y)。如图2所示，区域a即为符合要求的区域。通过将暗通道图像分为四块，并确定最小窗口，保证了所选区域为指标成分所属区域，避免选取图像中干扰像素点，影响检测结果。
40.在本说明书的一个实施例中，可以根据公式
41.a(y)＝ic(x)，{x∈ω(y)，c∈min(x1，x2，x3)}
·
计算污水区域图像中像素点的暗通道值，其中，ic(x)表示像素点x在c通道的光强度值，c通道为三个通道内亮度值最低的通道且像素点x在最小窗口ω(y)的范围内。
42.在本说明书的一个实施例中，也可以在最小窗口ω(y)中计算所有像素点分别在三个通道内的光强度值，得到对应像素点的第一通道光强度值、第二通道光强度值以及第三通道光强度值；对第一通道光强度值、第二通道光强度值以及第三通道光强度值进行比较，确定最小数值对应的通道为暗通道，对应像素点在暗通道的光强度值为对应像素点的暗通道值。例如，分别计算图中的像素点a在r通道的光强度值为1，在g通道的光强度值为2，在b通道的光强度值为3，光强度值最小的通道为r通道，选取像素点a在r通道处的像素值为暗通道值。
43.步骤s103中，根据亮度值和暗通道值确定指定像素点，具体包括：计算污水区域图像中的所有像素点的亮度值和暗通道值的差值，当存在差值在预设阈值内时，确定差值对应的像素点为油田污水中指标成分对应的像素点；其中，预设阈值的确定方法包括：采集预先检测的已知含有指标成分的油田污水的图像，对图像进行灰度处理和归一化处理，确定
出对应的灰度图像，计算灰度图像中指标成分对应像素点的亮度值，并计算图像中所述指标成分对应像素点的暗通道值，计算亮度值和暗通道值的差值，根据差值确定预设阈值。
44.在本说明书的一个实施例中，确定污水区域图像中的所有像素点，并计算每个像素点的亮度值和暗通道值。对每个像素点的亮度值和暗通道值进行差值计算，当差值在预设阈值内时，确定像素点为油田污水中指标成分的像素点。其中，预设阈值可以根据实际情况设定，例如可以是含有指标成分的图像对应像素点的亮度值和暗通道值的差值。另外，指标成分可以是悬浮物，也可以是油分，还可以是其他油田污水中与光学性质有关的成分，本技术在此不做具体限定。
45.在本说明书的一个实施例中，预先设置预设阈值。采集已经检测过的油田污水样本，该样本中确定含有指标成分，采集对应样本的原始样本图像，对样本图像进行灰度处理和归一化处理，需要说明的是，此处的灰度处理和归一化处理可以参考本说明书中对污水区域图像的处理方法。在对样本图像进行灰度处理和归一化处理后，获取对应的样本灰度图像，计算灰度图像中指标成分对应像素点的亮度值以及样本图像中的暗通道值，将亮度值与暗通道值之间的差值的绝对值设置为预设阈值。
46.步骤s104，将指定像素点处的亮度值作为指定像素点的像素值，并将非指定像素点处的亮度值作为非指定像素点的像素值；将指定像素点处的像素值与非指定像素点处的像素值进行对比，确定出指定像素点对应的衰减系数，根据指定像素点在污水区域图像中的位置关系，将指定像素点的衰减系数转换为对应的衰减系数分布图。
47.在本说明书的一个实施例中，根据确定出的与油田污水中指标成分有关的指定像素点的像素值非指定像素点处的像素值进行对比，计算出油田污水中指标成分引起的衰减系数。需要说明的是，由于油田污水中存在指标成分，指标成分会使得光照发生散射，造成图像的成像质量下降，因此，通过指标成分对应像素点的像素值可以反映图像的成像质量。
48.另外，在采集到的污水图像数据中，会存在一张图像数据包括多个指标成分的情况，因此在污水区域灰度图像以及污水区域图像中包含了与多个指标成分对应的指定像素点，在计算衰减系数前，需要确定出同一张图像中不包括指标成分的像素点，也就是非指定像素点。衰减系数为指定像素点与非指定像素点的像素值变化情况，将同一张图像中的指定像素点与非指定像素点对比计算得到衰减系数，得到的衰减系数更加准确，更能代表在此油田污水环境中有指标成分相比于无指标成分来说引起的图像质量的变化。若不采用同一张图像中非指定像素点，而采用已知符合要求的油田污水图像中的像素点作为非指定像素点，会出现由于采集时间、采集区域、采集装置的不同而导致的图像质量不同，使得衰减系数的测量产生较大误差。
49.步骤s104中，将非指定像素点处的亮度值作为非指定像素点的像素值，具体包括：确定污水区域图像中的指定像素点数量n，将污水区域灰度图像平均划分为n*n个区域；确定指定像素点所处区域的多个相邻区域，在多个相邻区域中，选取特定区域中的像素点作为非指定像素点，其中，特定区域中不包括任意一个指定像素点；计算特征区域中的所有像素点的亮度值，将亮度值的平均值作为非指定像素点的像素值。
50.在本说明书的一个实施例中，确定出污水区域图像中所有符合要求的指定像素点，由于污水区域灰度图像是污水区域图像进行灰度处理后的图像，两者中符合要求的指定像素点是相同的，此处也可以确定出污水区域灰度图像中所有符合要求的指定像素点。
根据所有指定像素点的数量，将污水区域灰度图像平均划分为多个区域。举例说明，若污水区域图像中所有符合要求的指定像素点数量为5个，则将污水区域图像划分为25个相同的区域。具体地划分方法可以是，将图像的长和宽分别分为5等份，并进行连接，此时，污水区域图像被划分为25个相同的区域。此时5个像素点与25个区域之间的关系有如下几种情况：第一种是5个像素点分别位于不同的区域内；第二种是5个像素点位于同一个区域内；第三种情况是5个像素点位于2-4个区域内，也就是存在一个区域有多个像素点的情况。以第一种情况为例，确定像素点1所处的区域，在其相邻区域中选取不包括像素点2-4任意一个像素点的区域，计算该区域内所有像素点的亮度值的平均值，将该平均值作为非指定像素点的像素值。当像素点1所处的区域在图像的四个角区域时，其相邻区域包括3个；当像素点1所处区域为靠近边长的非角区域时，其相邻区域包括5个；当像素点1位于中间区域时，其相邻区域包括8个。通过选取同一图像中的不存在指定像素点的区域作为对比，与直接选取指定像素点相邻的像素点相比，可以避免由于指标成分对周围产生的辐射影响，进一步提高了数据准确性。
51.将非指定像素点处的像素值与指定像素点的像素值进行对比，并根据两者的差值与非指定像素点的比值，确定出指定像素点相比于非指定像素点的变化情况，将该变化情况作为指标成分引起的衰减系数。仅凭借亮度值等图像信息无法对指标成分进行精准的测定，将指标成分引起的图像参数的变化通过衰减系数进行展示，也就是说，对指标成分所引起的图像数据的变化进行了定量展示。
52.确定出油田污水中指标成分对应像素点的衰减系数后，将衰减系数转换为衰减系数分布图。由于在一张图片中，拍摄的油田污水中的指标成分有多个，因此，确定出的指定像素点有多个，也就是说，在污水区域图像中的不同位置处有多个衰减系数，根据衰减系数的像素点位置将衰减系数转换为衰减系数分布图，衰减系数分布图用于表示污水区域图像中存在的指定像素点对应衰减系数的分布情况。设置衰减系数分布图后，将图像中所有指标成分对应的衰减系数在对应的位置处进行展示，可以根据衰减系数分布图的分布情况确定出采集位置处的指标成分等级，仅凭任意一个指定像素点处的衰减系数无法确定采集区域内所有的指标成分。
53.步骤s105，将衰减系数分布图输入至预先训练的第一检测模型中，检测所述油田污水中的指标成分等级，以用于确定油田污水的初检结果。
54.在得到衰减系数分布图后，根据衰减系数分布图检测油田污水中指标成分等级。由于油田污水中的指标成分会造成图像的成像质量下降，不同含量的指标成分会使得衰减系数不同，水对光在水中传输时会产生吸收和散射等作用，因此，会给光的传输造成一定程度的衰减。虽然吸收和散射均是两种不同的物理作用，但是都会导致光在水中传输时出现一定程度的衰减。当在比较浑浊的水中时，水中的悬浮颗粒物质增多，水对光线的散射作用明显增强，在这种情况下，散射粒子的数量大大增加，还会进一步增加散射导致的光衰减程度。因此，可以根据衰减系数分布图检测油田污水中的指标成分等级。
55.具体地，步骤s105包括：构建初始的第一检测模型，其中第一检测模型为基于vgg-16的改进卷积神经网络模型，基于vgg-16的改进卷积神经网络模型在vgg-16模型的基础上，添加预设模块，并使用卷积池化并行结构，其中预设模块用于增加神经网络模型的深度和宽度，减小训练参数；基于网络爬虫技术采集大量历史数据，并对历史数据进行处理，构
建指标成分样本数据集，其中，历史数据包括油田污水的衰减系数分布图和对应的油田污水中指标成分的浓度等级；对历史数据进行处理，具体包括：确定衰减系数分布图中大于预设衰减系数阈值的所述衰减系数，并对所述减系数使用鼠标框进行标记，确定识别位置；根据衰减系数分布图对应的指标成分的浓度等级和识别位置生成标记文件；将标记后的所述指标成分样本数据集划分为训练集和测试集；对基于vgg-16的改进卷积神经网络模型进行第一次训练和第二次训练，确定出符合要求的第一检测模型。
56.具体地，步骤s105还包括：选取预设数据集对所述基于vgg-16的改进卷积神经网络模型进行第一次训练，确定第一次训练后模型的模型参数值，其中，模型参数值包括：第一次训练后模型的学习率为1e-4，第一次训练后模型的随机梯度下降权重为5e-4，第一次训练后模型的模型加速动量值为4；使用标记后的指标成分样本数据集对第一次训练后的模型进行第二次训练，具体包括：将标记后的衰减系数分布图输入至第一次训练后的模型中，获取到不同大小的特征映射；抽取conv4_3、conv7、conv8_2、conv9_2、conv10_2以及conv11_2层的特征图，在特征图的图层上的每一个像素点构造不同尺度大小的预测框，基于预测框输出分类结果；根据输出分类结果和指标成分样本数据集中的分类结果计算交叉熵，加入正则化项组成总损失，计算损失函数的梯度，再乘以学习率以用于更新每一层的参数；损失函数的公式为
57.其中，m代表每次迭代样本个数，n代表种类数，y
pq
表示类别标签，表示类别标签对应的概率；根据损失函数调整模型的参数值，确定出符合要求的第一检测模型。
58.在本说明书的一个实施例中，构建初始的第一检测模型，第一检测模型的类型为基于vgg-16的改进卷积神经网络模型，通过对基于vgg-16的改进卷积神经网络模型进行训练，使第一检测模型可以根据衰减系数分布图确定油田污水中的指标成分等级。卷积神经网络使用同样大小的卷积核尺寸(3
×
3)和最大池化(2
×
2)，卷积核小，特征提取效果较好，拓展性能较突出，结构较简洁，迁移性能好，迁移到其他数据集的时候泛化性较好。但模型中3个全连接层导致内存占用量巨大、耗费更多的计算资源且收敛速度慢。采用批量处理的方式进行训练时，每训练一个批次数据就会更新一次参数，每个隐层的参数变化使后一层的输入发生变化，从而每一批训练数据的分布也随之改变，致使网络在每次迭代中都需要拟合不同的数据分布，增大了训练的复杂度以及过拟合的风险。
59.本说明书实施例在保留传统vgg16网络模型对于浅层特征的识别的基础上，添加inception模块，减少参数量，提高模型的非线性表达能力和训练能力，大大减少了模型的参数量，每个样本数据与特征图之间的联系更加直观，因此被转化为分类概率更加容易。通过增强特征映射和类别之间的对应关系，汇总了空间信息，从而对输入的空间平移具有更强的鲁棒性。
60.基于网络爬虫技术采集油田污水的衰减系数分布图和对应的油田污水中指标成分的浓度数据，确定出衰减系数分布图中大于预设衰减系数阈值的衰减系数，对确定出的衰减系数使用鼠标框进行标记，确定识别位置，根据衰减系数分布图对应的指标成分的浓度等级和识别位置生成标记文件，构建指标成分样本数据集。将指标成分样本数据集中的
数据按照比例分为训练集和测试集。
61.在本说明书的一个实施例中，对基于vgg-16的改进卷积神经网络模型进行两次训练。由于神经网络的训练过程需要时间，对计算机的内存要求高，由于指标成分样本数据集中的数据量不如开源数据集多，训练效果不会达到最佳，所以在使用指标成分样本数据集训练前，选择标准数据集对模型进行首次训练，以使得后续训练效果达到最佳。需要说明的是，标准数据集可以是pascal voc2007，也可以是其他标准数据集，本说明书在此不做具体限定。
62.选取pascal voc2007数据集对基于vgg-16的改进卷积神经网络模型进行第一次训练，pascal voc2007是许多常用算法的演示样例，具备一定的权威性。其中包含大量训练集和测试集，且标注清晰，位置及分类信息全面，便于后续的检测展开。在进行第一次训练之后，确定第一次训练后模型的模型参数值，其中，模型参数值包括：学习率为1e-4，随机梯度下降权重为5e-4，模型加速动量值为4。
63.将训练集中标记后的衰减系数分布图输入至第一次训练后的模型中，获取到不同大小的特征映射；抽取conv4_3、conv7、conv8_2、conv9_2、conv10_2以及conv11_2层的特征图，在特征图的图层上的每一个像素点构造不同尺度大小的预测框，基于预测框输出分类结果；根据输出分类结果和指标成分样本数据集中的分类结果计算交叉熵，加入正则化项组成总损失，计算损失函数的梯度，再乘以学习率以用于更新每一层的参数；损失函数的公式为
64.其中，m代表每次迭代样本个数，n代表种类数，y
pq
表示类别标签，表示类别标签对应的概率；根据损失函数调整所述模型的参数值。将测试集中的数据输入至第一检测模型中，根据模型输出值与测试集中的数据进一步调整模型参数，确定出符合要求的第一检测模型。
65.将衰减系数分布图输入至符合要求的第一检测模型中，确定油田污水中的指标成分等级用于确定油田污水的初检结果。根据模型输出的指标成分等级，确定油田污水中指标成分的初检结果。油田污水中的指标成分等级可以是一级、二级以及三级，当指标成分等级为一级时，对应的油田污水中指标成分的初检结果为1％-10％，当指标成分等级为二级时，对应的油田污水中指标成分的初检结果为10％-30％，当指标成分等级为三级时，对应的油田污水中指标成分的初检结果大于30％。油田污水中的指标成分等级还可以是其他分类方式，本说明书在此不做具体限定。
66.步骤s106，判断初检结果是否符合预先设置的检测阈值，若初检结果不符合预设的检测阈值，则发送给计算机终端以便进行复检。
67.在本说明书的一个实施例中，根据油田污水的使用场景预设指标成分的检测阈值，其中预设的检测阈值可以为数值，例如，当油田污水为经过处理后需要回注地层时，预设指标成分的检测阈值为5％，若油田污水中指标成分的初检结果为1％-10％，符合检测阈值，则对应的油田污水中的指标成分在可控范围内，若油田污水中指标成分的初检结果为大于30％，则不符合指标成分的检测阈值，需要进行复检。当初检结果不符合预设的检测阈值时，发送给计算机终端以便工作人员进行复检，可以使用化学方法或物理方法等较为准
确的检测方法对油田污水进行复检。需要说明的是，指标成分的检测阈值可以根据油田污水使用场景的要求确定。
68.本说明书实施例还提供一种基于人工智能的油田污水检测设备，如图3所示，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行时，触发该设备执行本说明书中任意一个方法实施例中的方法。
69.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
70.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
71.以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。