本發(fā)明涉及一種油田無人機(jī)巡檢方法及系統(tǒng)。

背景技術(shù)：

1、隨著油田開發(fā)的不斷深入，巡檢任務(wù)對油田設(shè)備的安全運(yùn)行和故障診斷越來越重要。傳統(tǒng)的人工巡檢方式耗時、耗力，且對巡檢人員的技能要求較高。隨著無人機(jī)技術(shù)的發(fā)展，無人機(jī)在油田巡檢中具有很大的應(yīng)用潛力。

技術(shù)實(shí)現(xiàn)思路

1、為了豐富現(xiàn)有技術(shù)中的油田無人機(jī)巡檢方法的類型，實(shí)現(xiàn)油田設(shè)備和環(huán)境的實(shí)時遠(yuǎn)程監(jiān)測，本發(fā)明提出一種油田無人機(jī)巡檢方法及系統(tǒng)。本發(fā)明提出的技術(shù)方案如下：

2、第一方面，本發(fā)明提供一種油田無人機(jī)巡檢方法，包括：

3、利用dijkstra算法規(guī)劃得到無人機(jī)在巡檢區(qū)域內(nèi)各油田設(shè)備之間的初始巡檢路徑以及所述初始巡檢路徑的目標(biāo)點(diǎn)；

4、基于所述初始巡檢路徑進(jìn)行巡檢，并在巡檢過程中，使用預(yù)先建立的異常識別模型對實(shí)時捕獲的油田設(shè)備圖像進(jìn)行識別，判斷是否存在出現(xiàn)異常狀況的油田設(shè)備；

5、若是，使用a算法規(guī)劃從當(dāng)前位置到出現(xiàn)異常狀況的油田設(shè)備的巡檢子路徑，并利用a*算法重新規(guī)劃所述出現(xiàn)異常狀況的油田設(shè)備到所述目標(biāo)點(diǎn)的巡檢子路徑，得到更新后的巡檢路徑；

6、按照所述更新后的巡檢路徑進(jìn)行巡檢，重復(fù)上述識別過程和重新規(guī)劃巡檢路徑的過程，直至所有的油田設(shè)備巡檢完畢。

7、在一些實(shí)施例中，所述利用dijkstra算法規(guī)劃得到無人機(jī)在巡檢區(qū)域內(nèi)各油田設(shè)備之間的初始巡檢路徑以及所述初始巡檢路徑的目標(biāo)點(diǎn)，包括：

8、將巡檢區(qū)域劃分為多個網(wǎng)格單元，根據(jù)油田設(shè)備之間的距離和預(yù)先確定的地形等級，確定每個網(wǎng)格單元的權(quán)重；

9、根據(jù)每個網(wǎng)格單元的權(quán)重，計算起點(diǎn)到各油田設(shè)備的第一距離以及各油田設(shè)備之間的第二距離；

10、根據(jù)所述起點(diǎn)到各油田設(shè)備的第一距離和所述各油田設(shè)備之間的第二距離，利用dijkstra算法確定所述初始巡檢路徑。

11、在一些實(shí)施例中，所述根據(jù)所述起點(diǎn)到各油田設(shè)備的第一距離和所述各油田設(shè)備之間的第二距離，利用dijkstra算法確定所述初始巡檢路徑，包括：

12、將所述起點(diǎn)的距離設(shè)為0，創(chuàng)建集合s和集合q，將所有油田設(shè)備加入所述集合q中；

13、從所述集合q中選取第一距離最小的油田設(shè)備得到油田設(shè)備u，將所述油田設(shè)備u加入所述集合s；

14、若集合q中的油田設(shè)備v滿足式1，則基于式2更新dist[v]，生成油田設(shè)備u到油田設(shè)備v的子路徑；

15、dist[u]+dist_between(u,v)<dist[v]，式1；

16、dist[v]＝dist[u]+dist_between(u,v)，式2；

17、其中，dist[u]表示從起點(diǎn)到油田設(shè)備u的最短路徑長度，dist_between(u,v)表示油田設(shè)備u到油田設(shè)備v的最短路徑長度，dist[v]表示從起點(diǎn)到油田設(shè)備v的最短路徑長度；

18、若所述集合q不為空，則以油田設(shè)備v作為新的起點(diǎn)，則從集合q中獲取與所述新的起點(diǎn)的第二距離最小的油田設(shè)備，將油田設(shè)備v加入集合s，重復(fù)上述更新的過程和從集合q中獲取油田設(shè)備的過程，直至所述集合q為空，得到所述初始巡檢路徑。

19、在一些實(shí)施例中，所述利用a*算法重新規(guī)劃所述出現(xiàn)異常狀況的油田設(shè)備到所述目標(biāo)點(diǎn)的巡檢子路徑，包括：

20、將出現(xiàn)異常狀況的油田設(shè)備以及所有的油田設(shè)備加入開放列表，將所述出現(xiàn)異常狀況的油田設(shè)備作為起點(diǎn)，將所述目標(biāo)點(diǎn)作為目標(biāo)節(jié)點(diǎn)；

21、基于式3確定每一油田設(shè)備的評估函數(shù)值f(n)，從開放列表中篩選評估函數(shù)值最小的油田設(shè)備，得到當(dāng)前節(jié)點(diǎn)；

22、f(n)＝g(n)+h(n)，式3；

23、其中，g(n)表示從起點(diǎn)到油田設(shè)備n的實(shí)際距離，h(n)表示油田設(shè)備n到目標(biāo)節(jié)點(diǎn)的啟發(fā)式估計距離；

24、判斷所述當(dāng)前節(jié)點(diǎn)是否為目標(biāo)節(jié)點(diǎn)；

25、若否，則以所述當(dāng)前節(jié)點(diǎn)為新的起點(diǎn)，遍歷所有的油田設(shè)備，通過式3計算所述每個油田設(shè)備的新的評估函數(shù)值f(n)，并基于所述新的評估函數(shù)值f(n)更新所述開放列表中的油田設(shè)備，得到更新后的開放列表；

26、將所述當(dāng)前節(jié)點(diǎn)加入關(guān)閉列表，重復(fù)上述從開放列表中篩選評估函數(shù)值最小的油田設(shè)備的過程和上述判斷的過程，直到找到目標(biāo)節(jié)點(diǎn)或所述開放列表為空，得到從當(dāng)前位置到出現(xiàn)異常狀況的油田設(shè)備的巡檢子路徑。

27、在一些實(shí)施例中，所述異常識別模型通過下述方式訓(xùn)練得到：

28、對收集的包括正常設(shè)備和異常設(shè)備的圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到處理后的數(shù)據(jù)集；

29、將所述處理后的數(shù)據(jù)集劃分為第一訓(xùn)練集和第一驗證集，使用第一訓(xùn)練集對預(yù)先建立的cnn模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的模型；其中，所述cnn模型包括多個卷積層、池化層和全連接層；

30、使用第一驗證集評估所述訓(xùn)練后的模型的性能，根據(jù)包括準(zhǔn)確率、召回率和f1分?jǐn)?shù)的指標(biāo)調(diào)整所述訓(xùn)練后的模型的模型參數(shù)或改變模型結(jié)構(gòu)，直至模型性能達(dá)到預(yù)設(shè)要求，得到所述異常識別模型。

31、在一些實(shí)施例中，所述使用第一訓(xùn)練集對預(yù)先建立的cnn模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的模型，包括：

32、將所述第一訓(xùn)練集按照批次大小分成若干批次的子訓(xùn)練集，將每個批次的子訓(xùn)練集分批次輸入所述的cnn模型得到預(yù)測結(jié)果，根據(jù)所述預(yù)測結(jié)果與真實(shí)標(biāo)簽確定損失函數(shù)值，并計算所述損失函數(shù)值關(guān)于模型參數(shù)的梯度；

33、基于所述損失函數(shù)關(guān)于模型參數(shù)的梯度，使用優(yōu)化器根據(jù)預(yù)設(shè)的學(xué)習(xí)率和平滑項更新所述cnn模型的模型參數(shù)，得到訓(xùn)練后的模型。

34、在一些實(shí)施例中，所述基于所述損失函數(shù)關(guān)于模型參數(shù)的梯度，使用優(yōu)化器根據(jù)預(yù)設(shè)的學(xué)習(xí)率和平滑項更新所述cnn模型的模型參數(shù)，得到訓(xùn)練后的模型，包括：

35、通過式4和式5分別更新模型參數(shù)的兩個累積變量m_t和v_t；其中，m_t用于估計梯度的一階矩，v_t用于估計梯度的二階矩，m_t和v_t分別更新為：

36、m_t＝β_1*m_t-1+(1-β_1)*g_t，式4；

37、v_t＝β_2*v_t-1+(1-β_2)*(g_t)^2，式5；

38、其中，β_1和β_2是超參數(shù)，m_t-1和v_t-1是上一次迭代的累積變量，g_t是損失函數(shù)關(guān)于模型參數(shù)的梯度；

39、通過式6和式7分別修正一階矩和二階矩的偏差，得到修正后的一階矩和二階矩：

40、m_t_hat＝m_t/(1-(β_1)^t)，式6；

41、v_t_hat＝v_t/(1-(β_2)^t)，式7；

42、其中，t是當(dāng)前迭代次數(shù)，m_t_hat和v_t_hat分別是修正后的一階矩和二階矩；

43、利用所述修正后的一階矩和二階矩，結(jié)合學(xué)習(xí)率α和平滑項ε通過式8更新模型參數(shù)θ，得到訓(xùn)練后的模型：

44、θ＝θ-α*m_t_hat/(sqrt(v_t_hat)+ε)，式8。

45、在一些實(shí)施例中，所述異常識別模型通過下述方式訓(xùn)練得到：

46、使用imagenet數(shù)據(jù)集對resnet-50模型進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練的resnet-50模型，并部署到無人機(jī)巡檢系統(tǒng)中；

47、使用多張油田設(shè)備圖像對預(yù)訓(xùn)練的resnet-50模型進(jìn)行遷移學(xué)習(xí)，得到所述異常識別模型。

48、在一些實(shí)施例中，所述使用imagenet數(shù)據(jù)集對resnet-50模型進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練的resnet-50模型，包括：

49、對所述imagenet數(shù)據(jù)集進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集；

50、使用所述預(yù)處理后的數(shù)據(jù)集對resnet-50模型進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練的resnet-50模型。

51、在一些實(shí)施例中，所述使用多張油田設(shè)備圖像對預(yù)訓(xùn)練的resnet-50模型進(jìn)行遷移學(xué)習(xí)，得到所述異常識別模型，包括：

52、導(dǎo)入預(yù)訓(xùn)練的resnet-50模型，并移除所述預(yù)訓(xùn)練的resnet-50模型的最后一層全連接層；

53、根據(jù)油田設(shè)備的類別數(shù)量，為所述預(yù)訓(xùn)練的resnet-50模型添加一個新的全連接層；其中，所述新的全連接層的輸出單元數(shù)量與所述類別數(shù)量相對應(yīng)；

54、將所述預(yù)訓(xùn)練的resnet-50模型的卷積層的權(quán)重保持不變，更新新添加的全連接層的權(quán)重，得到更新后的resnet-50模型；

55、使用多張油田設(shè)備圖像對所述更新后的resnet-50模型進(jìn)行訓(xùn)練，得到所述異常識別模型。

56、在一些實(shí)施例中，所述使用多張油田設(shè)備圖像對所述更新后的resnet-50模型進(jìn)行訓(xùn)練，得到所述異常識別模型，包括：

57、將所述多張油田設(shè)備圖像按照預(yù)設(shè)比例劃分為訓(xùn)練集和驗證集；

58、根據(jù)預(yù)設(shè)的學(xué)習(xí)率、批量大小和訓(xùn)練周期，使用訓(xùn)練集對所述更新后的resnet-50模型進(jìn)行訓(xùn)練，使用驗證集進(jìn)行模型性能評估，得到所述異常識別模型。

59、在一些實(shí)施例中，所述方法還包括：

60、根據(jù)實(shí)時收集到的傳感器數(shù)據(jù)，將傳感器數(shù)據(jù)更新到地圖上，得到更新后的地圖信息；其中，所述傳感器數(shù)據(jù)包括障礙物的位置和大?。?/p>

61、若遇到新的障礙物，使用所述更新后的地圖信息，利用預(yù)先構(gòu)建的避障模型重新規(guī)劃避障路徑，得到繞過障礙物的最優(yōu)避障路徑；其中，所述避障模型是基于a*算法構(gòu)建的；

62、將所述更新后的巡檢路徑與所述最優(yōu)避障路徑進(jìn)行整合，生成新的巡檢路徑，并按照所述新的巡檢路徑進(jìn)行巡檢。

63、在一些實(shí)施例中，所述若遇到新的障礙物，使用所述更新后的地圖信息，利用預(yù)先構(gòu)建的避障模型重新規(guī)劃避障路徑，得到繞過障礙物的最優(yōu)避障路徑，包括：

64、若遇到新的障礙物，獲取所述新的障礙物在所述更新后地圖信息所處的當(dāng)前節(jié)點(diǎn)，訪問所述當(dāng)前節(jié)點(diǎn)的多個鄰近節(jié)點(diǎn)，并通過式9確定每個鄰近節(jié)點(diǎn)的總代價f’(next_node)：

65、f’(next_node)＝g’(next_node)+h’(next_node)，式9；

66、其中，g’(next_node)表示從起點(diǎn)到鄰近節(jié)點(diǎn)n的累積代價，h’(n)表示從鄰近節(jié)點(diǎn)n到目標(biāo)位置的預(yù)估代價；

67、篩選總代價最小的鄰近節(jié)點(diǎn)得到最優(yōu)鄰近節(jié)點(diǎn)，以所述最優(yōu)鄰近節(jié)點(diǎn)作為新的起點(diǎn)，訪問新節(jié)點(diǎn)，重復(fù)上述確定總代價的過程和篩選過程，直至繞過所述障礙物，得到最優(yōu)避障路徑。

68、在一些實(shí)施例中，所述方法還包括：

69、在巡檢過程中，實(shí)時獲取天氣狀況，根據(jù)天氣狀況對所述更新后的巡檢路徑進(jìn)行實(shí)時調(diào)整得到調(diào)整后的巡檢路徑，并按照所述調(diào)整后的巡檢路徑進(jìn)行巡檢。

70、在一些實(shí)施例中，所述方法還包括：

71、使用預(yù)先建立的多任務(wù)模型對識別出的異常狀況進(jìn)行實(shí)時異常檢測和結(jié)構(gòu)化信息提取，得到結(jié)構(gòu)化異常數(shù)據(jù)。

72、在一些實(shí)施例中，所述方法還包括：在巡檢任務(wù)完成后，根據(jù)所述結(jié)構(gòu)化異常數(shù)據(jù)，生成巡檢報告；其中，所述巡檢報告包括設(shè)備異常分類統(tǒng)計、異常設(shè)備詳細(xì)信息、巡檢路線圖和無人機(jī)飛行數(shù)據(jù)。

73、第二方面，本發(fā)明提供一種油田無人機(jī)巡檢系統(tǒng)，包括：

74、靜態(tài)路徑規(guī)劃模塊，用于利用dijkstra算法規(guī)劃得到無人機(jī)在巡檢區(qū)域內(nèi)各油田設(shè)備之間的初始巡檢路徑以及所述初始巡檢路徑的目標(biāo)點(diǎn)；

75、識別模塊，用于基于所述初始巡檢路徑進(jìn)行巡檢，并在巡檢過程中，使用預(yù)先建立的異常識別模型對實(shí)時捕獲的油田設(shè)備圖像進(jìn)行識別，判斷是否存在出現(xiàn)異常狀況的油田設(shè)備；

76、動態(tài)路徑規(guī)劃模塊，用于使用a算法規(guī)劃從當(dāng)前位置到出現(xiàn)異常狀況的油田設(shè)備的巡檢子路徑，并利用a*算法重新規(guī)劃所述出現(xiàn)異常狀況的油田設(shè)備到所述目標(biāo)點(diǎn)的巡檢子路徑，得到更新后的巡檢路徑；以及，按照所述更新后的巡檢路徑進(jìn)行巡檢，重復(fù)上述識別過程和重新規(guī)劃巡檢路徑的過程，直至所有的油田設(shè)備巡檢完畢。

77、在一些實(shí)施例中，所述的油田無人機(jī)巡檢系統(tǒng)，還包括：

78、智能避障模塊，用于根據(jù)實(shí)時收集到的傳感器數(shù)據(jù)，將傳感器數(shù)據(jù)更新到地圖上，得到更新后的地圖信息；其中，所述傳感器數(shù)據(jù)包括障礙物的位置和大??；若遇到新的障礙物，使用所述更新后的地圖信息，利用預(yù)先構(gòu)建的避障模型重新規(guī)劃避障路徑，得到繞過障礙物的最優(yōu)避障路徑；其中，所述避障模型是基于a*算法構(gòu)建的；將所述更新后的巡檢路徑與所述最優(yōu)避障路徑進(jìn)行整合，生成新的巡檢路徑，并按照所述新的巡檢路徑進(jìn)行巡檢。

79、在一些實(shí)施例中，所述的油田無人機(jī)巡檢系統(tǒng)，還包括：

80、調(diào)整模塊，用于在巡檢過程中，實(shí)時獲取天氣狀況，根據(jù)天氣狀況對所述更新后的巡檢路徑進(jìn)行實(shí)時調(diào)整得到調(diào)整后的巡檢路徑，并按照所述調(diào)整后的巡檢路徑進(jìn)行巡檢。

81、在一些實(shí)施例中，所述的油田無人機(jī)巡檢系統(tǒng)，還包括：

82、結(jié)構(gòu)化模塊，用于使用預(yù)先建立的多任務(wù)模型對識別出的異常狀況進(jìn)行結(jié)構(gòu)化處理，得到結(jié)構(gòu)化異常數(shù)據(jù)。

83、在一些實(shí)施例中，所述的油田無人機(jī)巡檢系統(tǒng)，還包括：

84、巡檢報告生成模塊，用于在巡檢任務(wù)完成后，根據(jù)所述結(jié)構(gòu)化異常數(shù)據(jù)，生成巡檢報告；其中，所述巡檢報告包括設(shè)備異常分類統(tǒng)計、異常設(shè)備詳細(xì)信息、巡檢路線圖和無人機(jī)飛行數(shù)據(jù)。

85、第三方面，本發(fā)明提供一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行時實(shí)現(xiàn)如第一方面所述的油田無人機(jī)巡檢方法。

86、第四方面，本發(fā)明提供一種電子設(shè)備，包括處理器、通信接口、存儲器和通信總線，其中，處理器、通信接口和存儲器通過通信總線完成相互間的通信；

87、存儲器，用于存放計算機(jī)程序；

88、處理器，用于執(zhí)行存儲器上所存放的程序時，實(shí)現(xiàn)如第一方面所述的油田無人機(jī)巡檢方法。

89、基于上述技術(shù)方案，本發(fā)明較現(xiàn)有技術(shù)而言的有益效果為：

90、本發(fā)明提供的油田無人機(jī)巡檢方法，利用dijkstra算法規(guī)劃無人機(jī)在巡檢區(qū)域內(nèi)各油田設(shè)備之間的巡檢路徑，得到初始巡檢路徑；基于初始巡檢路徑進(jìn)行巡檢，并在巡檢過程中，使用基于resnet-50的異常識別模型對油田設(shè)備進(jìn)行實(shí)時識別，判斷是否存在出現(xiàn)異常狀況的油田設(shè)備；通過異常識別模型能夠?qū)?shí)時捕獲的油田設(shè)備圖像進(jìn)行識別，實(shí)時識別油田設(shè)備及環(huán)境中的異常狀況，通過智能圖像識別技術(shù)提高設(shè)備異常狀況的識別準(zhǔn)確性，降低漏檢和誤判的風(fēng)險。并在油田設(shè)備出現(xiàn)異常狀況時，引入動態(tài)路徑規(guī)劃，使用a算法規(guī)劃從當(dāng)前位置到出現(xiàn)異常狀況的油田設(shè)備的巡檢路徑，并在異常處理完后，以出現(xiàn)異常狀況的油田設(shè)備為新的起點(diǎn)，利用dijkstra算法重新規(guī)劃新的起點(diǎn)到目標(biāo)點(diǎn)的巡檢路徑，得到更新后的巡檢路徑，實(shí)現(xiàn)自動化巡檢路線規(guī)劃，提高巡檢效率；通過動態(tài)路徑規(guī)劃，實(shí)現(xiàn)無人機(jī)在巡檢過程中實(shí)時調(diào)整巡檢路徑，提高巡檢適應(yīng)性和靈活性；而且，按照更新后的巡檢路徑進(jìn)行巡檢，重復(fù)上述識別過程和重新規(guī)劃巡檢路徑的過程，直至所有的油田設(shè)備巡檢完畢。本發(fā)明可以在無人機(jī)巡檢過程中遇到突發(fā)事件時，實(shí)時快速調(diào)整巡檢路徑，降低人員在現(xiàn)場巡檢過程中的安全風(fēng)險，保證巡檢任務(wù)的順利進(jìn)行。

91、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說明書、權(quán)利要求書以及附圖中所特別指出的結(jié)構(gòu)來實(shí)現(xiàn)和獲得。

92、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合所附附圖，作詳細(xì)說明如下。