一种轻量化油田危险区域入侵检测算法

被引：12

作者：

田枫

白欣宇

刘芳

姜文文

机构：

[1] 东北石油大学计算机与信息技术学院

来源：

智能系统学报 | 2022年 / 17卷 / 03期

基金：

黑龙江省自然科学基金;

关键词：

油田危险区域入侵; 目标检测; 深度可分离卷积; 轻量化; 通道注意力; 深度学习; 特征融合; 特征提取;

D O I：

暂无

中图分类号：

TE48 [生产技术安全与卫生]; TP391.41 [];

学科分类号：

082002 [油气田开发工程];

摘要：

油田危险区域入侵是油田安防领域的核心问题,以目标检测的方式捕获实时发生的危险是区域入侵任务的重点。为了提高模型的实时性,本文提出结合跨阶段线性瓶颈模块和通道注意力机制的轻量化YOLO检测算法。首先以轻量化卷积模块与跨阶段局部残差模块级联的跨阶段线性瓶颈模块搭建特征提取网络,大大减少了模型的参数量。在特征金字塔的特征融合模块前使用改进的通道注意力机制,增强特征的表达能力与特征的全局的关联性。在特征推理模块,使用中心归一化非极大值抑制方法进行输出优化,避免了对邻近目标的错误抑制。本算法在VOC2007数据集实验,精确率可达74.9%,优于大多轻量化检测算法,已在冀东油田部署应用,有效保证了油田作业人员的生命财产安全。

引用

页码：634 / 642

页数：9

共 12 条

[1]

A Wheat Spike Detection Method in UAV Images Based on Improved YOLOv5 [J].

Zhao, Jianqing ;

Zhang, Xiaohu ;

Yan, Jiawei ;

Qiu, Xiaolei ;

Yao, Xia ;

Tian, Yongchao ;

Zhu, Yan ;

Cao, Weixing .

REMOTE SENSING, 2021, 13 (16)

[2]

An Improved Aggregated-Mosaic Method for the Sparse Object Detection of Remote Sensing Imagery [J].

Zhao, Boya ;

Wu, Yuanfeng ;

Guan, Xinran ;

Gao, Lianru ;

Zhang, Bing .

REMOTE SENSING, 2021, 13 (13)

[3]

A real-time detection approach for bridge cracks based on YOLOv4-FPM [J].

Yu, Zhenwei ;

Shen, Yonggang ;

Shen, Chenkai .

AUTOMATION IN CONSTRUCTION, 2021, 122

[4]

A Robust Fabric Defect Detection Method Based on Improved RefineDet [J].

Xie, Huosheng ;

Wu, Zesen .

SENSORS, 2020, 20 (15) :1-24

[5]

Overview of deep-learning based methods for salient object detection in videos [J].

Wang, Qiong ;

Zhang, Lu ;

Li, Yan ;

Kpalma, Kidiyo .

PATTERN RECOGNITION, 2020, 104

[6]

Mask R-CNN [J].

He, Kaiming ;

Gkioxari, Georgia ;

Dollar, Piotr ;

Girshick, Ross .

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2020, 42 (02) :386-397

[7]

Squeeze-and-Excitation Networks.[J].Hu Jie;Shen Li;Albanie Samuel;Sun Gang;Wu Enhua.IEEE Transactions on Pattern Analysis and Machine Intelligence.2019, 8

[8]

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks [J].