Underground personnel detection and tracking based on improved YOLOv5s and DeepSORT
-
摘要:
矿井移动目标的实时监测及跟踪系统是建设智慧矿山必不可少的内容，井下巡检机器人的出现可以实现对作业人员的实时监测，但是井下光照不均、煤尘干扰等因素的存在导致传统图像检测算法无法准确检测出作业人员。基于此提出一种可部署于井下巡检机器人的改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法。首先利用监控摄像头与巡检机器人所录视频制作数据集，然后使用改进YOLOv5s网络对井下人员进行识别：考虑到井下人员检测及跟踪算法包含复杂的网络结构和庞大的参数体量，限制了检测模型的响应速度，使用改进轻量化网络ShuffleNetV2替代原YOLOv5s主干网络CSP-Darknet53。同时，为减少图像中复杂背景的干扰，提升作业人员的关注度，将Transformer自注意力模块融入改进ShuffleNetV2。其次，为了使多尺度特征能够有效融合且使得推理信息能够有效传输，将Neck 中FPN+PAN结构替换为BiFPN结构。接着利用改进DeepSORT对人员进行编码追踪：考虑到井下环境黑暗，照度低，无纹理性，DeepSORT难以有效提取到人员的外观信息，于是采用更深层卷积替换DeepSORT中小型残差网络来强化DeepSORT的外观信息提取能力。最后通过公开行人数据集及自建井下人员检测及跟踪数据集对本文改进算法进行验证，结果表明：改进的检测模型相比于原YOLOv5s模型平均检测精度提高了5.2%，参数量减少了41%，速度提升了21%；改进YOLOv5s-DeepSORT的井下人员跟踪方法精度达到了89.17%，速度达到了67FPS，可以有效部署于井下巡检机器人实现作业人员的实时检测及跟踪。
Abstract:The real-time monitoring and tracking system of mine moving targets is an essential part of the construction of smart mines. The appearance of downhole inspection robots can realize the real-time monitoring of operators, but the existence of uneven lighting, coal dust interference and other factors lead to the traditional image detection algorithm can not accurately detect operators. Based on this, this paper proposes an improved YOLOv5s and DeepSORT algorithm for downhole personnel detection and tracking that can be deployed in downhole inspection robots. Firstly, the data set was made by using the video recorded by the surveillance camera and inspection robot, and then the improved YOLOv5s network was used to identify the underground personnel: Considering that the detection and tracking algorithm for downhole personnel contains complex network structure and huge parameter volume, which limits the response speed of the detection model, this paper uses an improved lightweight network ShuffleNetV2 to replace the original YOLOv5s backbone network CSP-Darknet53. Meanwhile, in order to reduce the interference of complex image background and improve the attention of operators, Transformer self-attention module is integrated into the ShuffleNetV2. Secondly, the FPN+PAN structure in Neck is replaced by BiFPN structure in order to effectively fuse multi-scale features and effectively transmit inference information. Then, improved DeepSORT was used to encode and track personnel: considering that the underground environment was dark, with low illumination and no texture, it was difficult for DeepSORT to effectively extract personnel's appearance information, so DeepSORT's small and medium residual network was replaced by deeper convolution to enhance DeepSORT's appearance information extraction ability. Finally, the improved algorithm is verified by open pedestrian data set and self-built underground personnel detection and tracking data set. The results show that compared with the original YOLOv5s model, the average detection accuracy of the improved detection model is increased by 5.2%, the number of parameters is reduced by 41%, and the speed is increased by 21%. The improved YOLOv5s-DeepSORT downhole personnel tracking method has a precision of 89.17% and a speed of 67FPS, which can be effectively deployed in downhole inspection robots to realize real-time detection and tracking of operators.
-
Keywords:
- downhole inspection robot /
- YOLOv5s /
- Lightweight /
- DeepSORT /
- Real-time detection and tracking
-
0. 引 言
水平井完井与增产技术逐渐成为煤层气高效开发的关键技术，并面临更加复杂的煤层条件[1]。在各种地质作用下，煤体内部受破坏变形程度差异导致煤储层垂直方向煤体结构呈现显著差异性，例如沁水盆地南部山西组3号煤层上部煤体结构以原生结构为主，中、下部主要为碎裂与碎粒结构[2-3]。鄂东盆地东南缘的韩城区块山西组5号煤的煤体结构自上而下依次呈现原生、碎裂和碎粒结构，区块平面内三种煤体结构呈现分区、分带特征[4]。同时，煤层水平井钻进过程中地层起伏变化，导致实钻井眼轨迹在不同煤体结构的煤岩之间交互穿行。在碎软煤层顶板钻水平井的成功率明显高于碎软煤层[5-7]，配合定向射孔与压裂技术进行煤层改造增产，但是受地质构造及导向仪器精度等因素影响，煤层顶板水平钻进中也经常钻遇碎软煤层。
原生结构或以原生结构为主的碎裂煤体内部破坏变形程度相对较低[8]，可通过水平井分段压裂技术进行增产改造，产气过程中煤粉产出量少，在沁水盆地南部、鄂东盆地东缘与阜康地区等煤层水平井分段密集压裂后，平均日产气量超过1×104 m3[2,9]。碎粒和糜棱结构的煤层由于煤体内部结构破碎变形程度较高，水力压裂过程中难以形成有效人工裂缝，压裂后煤粉产出严重，影响单井煤层气产量和采收率 [10-12]。常规油气井针对储层非均质性、含水及出砂问题，相关人员提出了水平井筛管分段完井工艺技术，水平井内完井筛管外安装有管外封隔器，后续下入作业管柱进行管外封隔器胀封作业 [13]。碎裂与碎粒结构的煤体内部裂缝发育、含气量与渗透率相对较高，水平井双管柱筛管完井技术能够提高煤体结构破碎的煤层水平井完井筛管下入成功率，有效支撑井壁、控制煤粉并消除井壁煤岩钻井液伤害 [14-17]。煤层气水平井注氮技术可解除筛管外环空与近井煤层的堵塞，沟通煤层内部裂缝与孔隙，提高煤层渗透性与甲烷采收率[18-19]。但是，研究与实践表明笼统注气方式对水平井段整体增产与提采效率很低[20-22]；同时，多种煤体结构交互分布使煤层呈现力学与物性特征的强非均质性，笼统注氮方式无法满足复杂煤体结构煤层水平井增产及提采需求。连续油管带双封隔器拖动压裂技术是油气井增产的成熟工艺技术[23-24]，对碎软煤层分段筛管完井后进行注氮，可解决笼统注氮方式无法有效改造强非均质煤层的问题。水平井下入套管（不固井）后水力喷射分段压裂技术被应用于软硬交互煤层增产，原生结构的煤层井段人工压裂形成的裂缝扩展延伸至软煤层，以提高软硬煤的压裂增产效果[3]，但是该技术未封隔套管与井壁之间环空，未能消除煤层强非均质性对煤储层改造的影响。
复杂煤体结构煤储层是指同煤层中煤体结构破坏变形差异性强，呈现原生、碎裂、碎粒和糜棱结构交互分布，导致煤储层力学与物性特征呈现强非均质性。现场工程实践表明，复杂媒体结构煤储层中水平井实钻井筒剖面多呈现不同的煤体结构相见分布，单一的完井与增产技术无法适应复杂煤体结构煤层水平井高效开发需求。因此，笔者开展复杂煤体结构煤储层水平井复合管柱完井方法研究，根据煤层的煤体结构、力学及物性特征选择筛管完井或套管射孔完井，并采用管外封隔器分段封隔完井管柱与井壁之间的环空，可为水力喷射、可控冲击波、注氮气和水力压裂等适应性增产作业提供有利条件，为煤层气稳定产出与煤粉控制提供保障。
1. 复合管柱完井技术机理
1.1 复合管柱完井工艺机理
煤层水平井复合管柱完井技术主要包括采用筛管完井与套管完井，根据水平井段煤层煤体结构差异性，首先优化设计完井筛管与套管组合方式，进而确定管外封隔器的数量和安装位置，如图1所示。管外封隔器用于封隔井眼与完井管柱的环空，以实现复杂煤体结构煤层水平井眼分段完井。完井管柱内部为作业油管柱，两层管柱通过悬挂器与上部钻杆连接并延伸至井口。内层管柱在外层复合完井管柱（筛管柱+套管柱）下入过程中可建立井筒水力循环，清除井底堆积的煤屑，保障完井管柱下入安全。完井管柱下至设计位置后，通过内层管柱向煤层井筒注入破胶液，降解滞留的钻井液，清除井壁泥饼，恢复近井煤储层的渗透性。最后，通过内层管柱管底部组合逐个对完井管柱外封隔器进行液压胀封，完成水平井段煤层的分段完井作业。
![]()
图 1 煤层水平井复合管柱完井结构示意Figure 1. Schematic diagram of horizontal completion with composite liner in coal seam煤层水平井眼的分段与封隔是复合管柱完井与增产的前提，水平井复合管柱完井工艺采用双管柱结构与滑套式注液装置。如图1所示，双管柱外层为筛管、套管、裸眼封隔器、定位套管、密封筒与引鞋（带侧向水眼）组成的完井管柱，简称外层管柱；内层为油管、2个管内封隔器、滑套式注液装置、单向阀与旋转喷头组成的作业管柱，简称内层管柱，双管柱通过悬挂器与上部钻杆连接，并延伸至井口。在双管柱下入过程中，旋转喷头位于密封筒与引鞋之间的套管内，钻井液流经钻杆、膨胀式悬挂器与内管柱后，由引鞋喷射冲洗井底堆积的煤屑，钻井液携带煤屑流经外管柱与井壁之间环空、钻杆与技术套管之间环空后上返至地面。双管柱下至设计位置后，通过悬挂器将外管柱悬挂于技术套管内壁，进而完成双层管柱之间的分离。拖动内层管柱使两个管内封隔器移动至管外封隔器两端定位套管位置，投球后液压剪切滑套式注液装置销钉，一级压力下流体经1号进液孔进入管内封隔器并完成其胀封；继续加压至二级压力，打开注液装置的侧孔，流体经2号、3号进液孔进入管外封隔器。管外封隔器注液压力达到预设值后其内部保压装置关闭3号进液孔，完成管外封隔器胀封后卸载内管柱的压力，注液装置的弹簧推动滑套上行并关闭侧孔，管内封隔器收缩复位，拖动内管柱逐个完成管外封隔器胀封后起出钻杆与内层管柱。
1.2 复合管柱完井技术关键装置及工艺流程
滑套式注液装置是液压式管内封隔器与管外封隔器胀封的关键装置，两个液压式管内封隔器连接于滑套式注液装置两端，其间距不超过液压式裸眼封隔器两端定位套管的长度。双管柱下入过程中，底部组合如图2a所示，进入引鞋与密封筒之间套管内的作业油管（带喷头）长度可补偿双层管柱长度差值。双管柱遇阻或下至设计井深时，由内层管柱建立井筒钻井液循环，清除水平井底堆积煤屑，解除遇阻或完成洗井作业，如图2b所示。完成洗井作业后上提内层管柱，使2个管内封隔器横跨于管外封隔器两侧，向内层管柱投入金属球，并开泵注入洗井液驱动金属球到达滑套式注液装置前端的弧面球座，封闭内层管柱过液通道，如图2c所示。继续向内管柱内泵入洗井液，滑套在一级液压作用下剪断销钉并下行，1号进液孔与内管柱连通，洗井液由1号进液孔进入两个液压式管内封隔器，使其封隔内管柱与外管柱之间环空，如图2d所示。继续向内管柱内泵入洗井液，滑套在二级液压作用下压缩弹簧下行，2号进液孔与侧孔连通，洗井液流经侧孔、2号和3号进液孔进入液压式管外封隔器，其胶筒在液压下膨胀，并封隔外管柱与井壁之间环空，如图2e所示。停泵后卸载内管压力，弹簧推动滑套上行，并关闭2号进液孔，液压式管内封隔器胶筒内液体进入内管柱并回缩，管外封隔器在其内部保压装置下保持胀封状态，如图2f所示。完成单个管外封隔器胀封后，拖动内层管柱，重复上述步骤，逐个完成所有管外封隔器胀封，完成水平段井筒的分段完井。
2. 工程计算模型
软杆模型[25]与刚性模型[26]是井下管柱力学经典计算模型，高德利[27-28]采用有限差分法进一步完善井下管柱力学计算模型，并提出大位移井延伸极限量化计算模型，包括机械延伸极限、裸眼延伸极限和水力延伸极限。基于上述管柱受力模型与水力计算模型，以管柱螺旋屈曲和井下管柱水力损耗为约束条件，优化水平井双管柱受力与水力计算模型，对试验井的双管柱进行管柱力学与水力计算，为煤层水平井复合管柱完井工艺设计与控制提供理论依据。
2.1 假设条件
①完井管柱采用软杆模型；②采用三维井眼轨迹计算模型；③外管柱与井壁完全接触，管柱与井眼曲率相同；④忽略管柱上的剪力；⑤内管柱与外管柱完全接触，忽略管柱接头与刚性井下工具影响；⑥未考虑管柱动载荷的影响；⑦不计流体黏滞阻力对管柱力学与水力学计算影响。
2.2 井下管柱受力计算模型
采用迭代法计算水平井三维井筒的管柱轴向力，将井下管柱自下而上进行均匀离散，管柱微元下端轴向力为Ti+1，侧向力Fn，上端轴向力Ti，管柱微元轴向力计算公式如下[29]：
$$ {T_i} = {T_{i + 1}} + \dfrac{{{L_{\rm{s}}}}}{{\cos \left( {\dfrac{\theta }{2}} \right)}}\left[ {q\cos \overline \alpha \pm \mu \left( {{F_{\rm{E}}} + {F_{\rm{n}}}} \right)} \right] $$ (1) 式中：i为管柱微元编号。
管柱弯曲变形引起的侧向力为
${F_{\rm{E}}}$ ，计算公式如下：$$ {F_{\rm{E}}} = \left\{ {\begin{array}{*{20}{l}} {0 ,T\left( i \right)<{\rm{ }}{F_{{\rm{cr}}}}}\\ {\dfrac{{{r_{\rm{c}}}T{{\left( i \right)}^2}}}{{8EI}},\;\;{F_{{\rm{cr}}}}< T\left( i \right){\rm{ }}<{F_{{\rm{hel}}}}}\\ {\dfrac{{{r_{\rm{c}}}T{{(i)}^2}}}{{4EI}},\;\;T\left( i \right)> {F_{{\rm{hel}}}}} \end{array}} \right.$$ (2) 单位长度管柱侧向力
${F_{\rm{n}}}$ 为计算公式：$$ {F_{\rm{n}}} = \frac{{\sqrt {F_{{\rm{ndp}}}^2 + F_{{\rm{np}}}^2} }}{{{L_{\rm{s}}}}} $$ (3) $$ \left\{ {\begin{array}{*{20}{l}} {q = {q_2} + {q_3},\;\; L \gt {L_{{\rm{dp}}}}} \\ {q = {q_1},\;\; L \leqslant {L_{{\rm{dp}}}}} \end{array}} \right. $$ (4) 式中：
$\overline \alpha $ 为管柱微元长度内井眼轨迹平均井斜角，（°）；$\mu $ 为外管柱与井壁之间摩擦因数，无量纲，下钻时取“+”，起钻时取“−”；$\theta $ 为管柱微元全角变化，(°)；Ls为管柱微元长度，m；q为完井管柱微元在井筒液体中的重力，N/m；${q_1}$ 为单位长度钻杆在井筒液体中的重力，N/m；${q_2}$ 为单位长度的内管柱在井筒液体中的重力，N/m；${q_3}$ 为单位长度的外管柱在井筒液体中的重力，N/m；L为管柱长度（从上往下），m；${L_{{\rm{dp}}}}$ 为钻杆长度（从上往下）；E为钢材的弹性模量，Pa；I为管柱横截面的惯性矩，m4；${r_{\rm{c}}}$ 为内外管柱或管柱与井壁之间的间隙，m；${F_{{\rm{ndp}}}}$ 为全角平面的侧向力，N；${F_{{\rm{np}}}}$ 为垂直于全角平面的侧向力，N。2.3 井下管柱水力计算模型
忽略接头与短接造成的局部压力损失，井下管柱水力损耗为
$P_{{\rm{sum}}}$ ，主要包括钻杆内外、内管柱内部、外管柱与井壁环空的循环压耗和喷嘴压降，计算公式如下：$$ {P_{{\rm{sum}}}} = {P_1}{\text{ + }}{P_{\text{2}}}{\text{ + }}{P_3} $$ (5) 井下管柱管内压力损耗为
${P_1}$ ，计算公式为$$ {P_1} = \sum {\frac{\rho }{g}v_{\rm{p}}^2\left( i \right){f_{\rm{p}}}{L_{\rm{s}}}\left( {\frac{2}{{{d_{\rm{I}}}\left( i \right)}}} \right)} ,\qquad i = 1,2 $$ (6) 井下管柱与井壁之间环空的压力损耗为
${P_2}$ ，计算公式为$$ {P_2} = \sum {v_{{\rm{a}}}^2\left( i \right)\rho {f_{\rm{a}}}{L_{\rm{s}}}\left[ {\frac{2}{{{d_{\rm{h}}} - {d_{\rm{O}}}\left( i \right)}}} \right]} ,\;\; i = 1,3 $$ (7) 喷嘴处的压降为
${P_3}$ ，计算公式为$$ {P_3} = \frac{{\rho v_{\rm{f}}^2}}{{2C_{\rm{d}}^2}} $$ (8) 式中：
$\rho $ 为井筒液体密度，kg/m3；g为重力加速度，m/s2；${v_{\rm{p}}}\left( i \right)$ 为管内液体流速（i=1为钻杆，i=2时为内管柱）；${f_{\rm{p}}}$ 为管内流动摩擦因数，无量纲；${d_{\rm{I}}}\left( i \right)$ 为管柱内径（i=1为钻杆，i=2时为内管柱），m；${v_{\rm{a}}}\left( i \right)$ 为环空液体流速（i=1为钻杆与套管环空，i=3时为外管柱与井壁环空）；${f_{\rm{a}}}$ 为环空流动摩擦因数，m/s；${d_{\rm{O}}}\left( i \right)$ 为管柱外径（i=1为钻杆，i=3时为外管柱），m；${d_{\rm{h}}}$ 为井眼直径，m；${v_{\rm{f}}}$ 为喷嘴处流体流速，m/s；${C_{\rm{d}}}$ 为喷嘴系数，无量纲。2.4 约束条件
忽略井下管柱正弦屈曲对管柱摩阻影响，仅考虑管柱螺旋屈曲对井内管柱运动摩阻的影响，计算公式[30-32]如下：
$$ {F_{{\text{hel}}}}{\text{ = }}\left\{ {\begin{array}{*{20}{l}} {5.55{{\left( {EI{q^2}} \right)}^{\frac{1}{3}}},L \subset {L_{\rm{V}}}} \\ {\dfrac{{12EI}}{{{r_{\text{c}}}R}}\left( {1 + \sqrt {1 + \dfrac{{{r_{\text{c}}}{R^2}q\sin \, \theta }}{{8EI}}} } \right),L \subset {L_{\rm{B}}}} \\ {2\left( {2\sqrt 2 - 1} \right)\sqrt {\dfrac{{EIq\sin \, \theta }}{{{r_{\text{c}}}}}} ,L \subset {L_{\rm{H}}}} \end{array}} \right. $$ (9) 式中：
${F_{{\rm{hel}}}}$ 为管柱螺旋屈曲临界载荷，N；R为曲率半径，m；L为管柱长度，m；LV为直井段长度区间，m；LB为弯曲段长度区间，m；LH为水平井段长度区间，m。3. 现场试验
3.1 工程计算
3.1.1 井下管柱受力计算
试验井为一口停产水平井，其二开采用177.8 mm套管下至947.25 m，三开采用152.4 mm钻头侧钻至1600 m完钻。完井外管柱组合为ø127 mm 引鞋+ø114.3 mm 套管/筛管+ø146 mm 裸眼封隔器；内管柱组合为ø94 mm引鞋+ø60.3 mm油管+ø94 mm单流阀短节+ø60.3 mm 油管短节+ø94 mm管内封隔器+ø60.3 mm 油管+ø94 mm滑套式注液器+ø94 mm管内封隔器+ø94 mm安全接头；作业管柱为ø88.9 mm 钻杆延伸至地面。
针对该井实钻井眼轨迹与井身结构，基于双管柱结构与井下管柱力学计算模型，采用软件进行编程，并计算该井双管柱受力，完井管柱与技术套管之间摩擦因数设为0.25，完井管柱与井壁之间摩擦因数设为0.35。双管柱与单层管柱的力学数值计算结果进行对比，如图3a所示，双管柱与单层管柱（套管或筛管）下至设计井深时，井口的轴向力分别为64443.98、70086.73 N；如图3b所示，双管柱与单层管柱（套管或筛管）上部作业管柱为相同钻杆，在井斜角较小时管柱受到的侧向力相差较小，随着井斜角与方位角增加，双管柱受到的侧向力大于单层管柱（套管或筛管），在水平段管柱受到的侧向力平均增幅超过34 N/m。因此，相比单层管柱（套管或筛管），双管柱在弯曲段与水平段承受更大侧向力，其下入过程中管柱受到更大的摩阻。同时，数值计算结果显示，该井双管柱下入过程中未发生螺旋屈曲，现场施工过程中双管柱发生遇阻，经过活动管柱与水力循环后，解除遇阻并下至井底。
3.1.2 井下管柱水力计算
该井钻井液为幂律流体，密度ρ=1.05 g/cm3，流性指数n=0.5，稠度系数k=0.47 Pa·sn。基于双管柱结构与水力计算模型，采用软件编程并计算井下管柱水力损耗，进行井下管柱压耗分布及影响因素分析，如图4所示。
如图4a所示,在泵排量20 L/s条件下，双管柱及作业管柱下至1592 m时，井下管柱内、管柱外环空、喷头压降与总压耗分别为3956.30、1010.62、8302.13、12258.43 kPa，喷头较高的压降以提供喷嘴高压水射流，冲击管柱前端堆积煤屑，以保障完井管柱顺利通过遇阻段。井下管柱的外环空包括钻杆与技术套管之间环空、管外环空双管柱与井壁组成的两个环空（即外管柱与井壁之间环空、内外管柱之间环空），如图4b、4c所示，管内与管外环空的水力压耗随着井深与排量增加而增大。如图4d所示，在双管柱下至井底时，井下管柱循环总压耗随着排量增加显著上升，其中喷头压降为主要因素，内管柱水力压耗为次要因素，管外环空水力压耗最小。根据该井煤层条件，双管柱下入过程中遇阻时的水力循环排量控制在16～20 L/s，防止煤层漏失与维持井壁稳定；在洗井作业时排量提升至20～24 L/s，增加环空排量以消除井壁泥饼与近井煤储层钻井液伤害。
3.2 试验概况
该试验井位于沁水盆地东北缘的阳泉地区，该区太原组15号煤层平均厚度为3.27 m，前期钻井取心显示本区太原组15号煤层的煤体结构破碎变形严重，以碎粒煤为主，部分层段含有碎裂煤和糜棱煤，如图5所示。煤储层非均质性显著，煤心气测渗透率最小值0.0339×10−3 μm2，最大值15.3375×10−3 μm2，主要集中在0.1×10−3～0.5×10−3 μm2，其中渗透率值较大的岩心都是由于含有贯穿整个岩心的裂缝，完整煤岩岩心的渗透率峰值主要集中在0.05×10−3～0.2×10−3 μm2之间。针对该区15号煤体结构破碎与强非均质性的特征，开展水平井复合管柱完井增产技术现场试验，该井煤层进尺和钻遇率分别为544 m、83.5%，水平井段实钻井眼轨迹与地层情况如图6所示（蓝色方框内为非煤地层）。该井水平段下入套管与筛管共计659.54 m，采用悬挂器固定于上层技术套挂内壁，通过4个裸眼封隔器将水平段分为4段，其分段长度分别为160.47、152.07、155.24、154.42 m，为后期储层分段增产改造提供封隔条件，裸眼封隔器与管内封隔器如表1、表2和图7所示。该井在试验前处于停产状态，煤层水平井眼分段完井后采用可控冲击波增透，投产后产气量达到1200 m3/d。
![]()
图 6 实钻水平井眼轨迹与随钻实测地层伽马值曲线Figure 6. Horizontal wellbore trajectory and formation gamma curves表 1 管外封隔器规格参数Table 1. Specification parameters of ECP序号 参数 取值 1 最大外径/mm 146 2 工具总长/mm 1500 3 膨胀系数 1.4～1.6 4 内通径/mm 100 5 密封面长度/mm 1100 6 启动压力/MPa 1～2 7 工作压力/MPa 20 8 适应井径/mm 152.4 9 工作直径/mm 155~241 表 2 管内封隔器规格参数Table 2. Specification parameters of tubing packer序号 参数 取值 1 最大外径/mm 94 2 内通径/mm 42 3 总长/mm 850 4 适用套管内径/mm 100-110 5 密封压差/MPa 20 6 工作温度/℃ 120 7 扣型 23/8TBG 4. 结 论
1）采用煤层水平井复合管柱完井方法，可以实现水平井段碎软煤筛管完井及原生煤层套管射孔完井，为后期差异性、多样化和适应性的煤储层增产改造提供了可靠的分段与封隔条件。
2）对双管柱受力和水力损耗的数值计算与分析结果，可为煤层气水平井复合管柱完井设计控制提供理论指导；通过优化设计双管柱结构与配套完井工具，可以实现双管柱入井、洗井及胀封裸眼封隔器等一趟完井作业，从而提高了作业效率减少了储层伤害。
3）通过现场试验表明，提出的煤层水平井复合管柱完井方法，可为复杂煤体结构煤层水平井适应性增产工程提供新技术支撑，具有良好的推广应用前景。
-
![]()
图 5 自建井下人员检测及跟踪数据集
Figure 5. Self-built downhole personnel detection and tracking data sets
表 1 改进ShuffleNetV2结构
Table 1 Improve the structural ShuffleNetV2
层数 输出大小 核大小 步长 重复使用次数 通道数 Image 224×224 — — — 3 Conv1 112×112 3×3 2 1 24 DW conv 56×56 3×3 2 1 24 Stage2 28×28 — 2 1 116 Stage2 28×28 — 1 3 116 Stage3 14×14 — 2 1 232 Stage3 14×14 — 1 7 232 Stage4 7×7 — 2 1 464 Stage4 7×7 — 1 3 464 Conv5 7×7 1×1 1 1 1024 Global pooling 1×1 7×7 — — — 
下载: 导出CSV
配置 参数 操作系统 Windows 10 内存容量 32 GB GPU NVIDIA GeForce RTX 3070Ti CPU Intel 酷睿i7 12700H 模型框架 PyTorch1.7.1 编程语言 Python3.6
下载: 导出CSV
表 2 消融试验结果
Table 2 Ablation results
模型 ShuffleNetv2 Transformer BiFPN 准确率 漏检率 召回率 误检率 时间/ms 参数量/MB 1 — — — 0.871 0.314 0.783 0.027 18.9 13.09 2 √ — — 0.859 0.322 0.794 0.030 12.4 3.45 3 √ √ — 0.883 0.235 0.831 0.021 13.3 4.17 4 √ — √ 0.877 0.249 0.831 0.019 13.7 4.34 5 √ √ √ 0.923 0.190 0.861 0.013 14.9 5.33 注：“√”表示对应部分已改进。
下载: 导出CSV
表 3 多数据集性能指标对比
Table 3 Comparison of performance indicators of multiple data sets
数据集 性能指标 YOLOv5s 本文算法 精确率 0.781 0.849 Caltech行人数据集 召回率 0.691 0.733 mAP 0.742 0.792 精确率 0.861 0.881 INRIA行人数据集 召回率 0.788 0.791 mAP 0.856 0.890 精确率 0.871 0.923 自建数据集 召回率 0.783 0.861 mAP 0.864 0.902
下载: 导出CSV
表 4 多目标跟踪结果对比
Table 4 Comparison of multi-target tracking results
算法 AMOT/% PMOT/% IDS FPS 参数量/MB YOLOv5s-DeepSORT 83.32 81.55 16 41 25.6 改YOLOv5s-DeepSORT 87.47 86.32 13 71 11.19 YOLOv5s-改DeepSORT 82.31 82.44 7 39 19.34 本文算法 89.17 87.91 4 67 5.91
下载: 导出CSV
-
[1] 龚 云,颉昕宇. 基于同态滤波方法的煤矿井下图像增强技术研究[J]. 煤炭科学技术,2023,51(3):241−250. doi: 10.13199/j.cnki.cst.2021-0774 GONG Yun,XIE Xinyu. Research on coal mine underground image recognition technology based on homomorphic filtering method[J]. Coal Science and Technology,2023,51(3):241−250. doi: 10.13199/j.cnki.cst.2021-0774
[2] 厉 丹. 视频目标检测与跟踪算法及其在煤矿中应用的研究[D]. 徐州: 中国矿业大学, 2011. LI Dan. Research on object detection and tracking algorithm and its application in coal mine[D]. Xuzhou: China University of Mining and Technology, 2011.
[3] 刘 丽,赵凌君,郭承玉,等. 图像纹理分类方法研究进展和展望[J]. 自动化学报,2018,44(4):584−607. doi: 10.16383/j.aas.2018.c160452 LIU Li,ZHAO Lingjun,GUO Chengyu,et al. Texture classification: state-of-the-art methods and prospects[J]. Acta Automatica Sinica,2018,44(4):584−607. doi: 10.16383/j.aas.2018.c160452
[4] ZHU H G. An efficient lane line detection method based on computer vision[J]. Journal of Physics:Conference Series,2021,1802(3):032006. doi: 10.1088/1742-6596/1802/3/032006
[5] ABBAS Q,LI Y. Cricket video events recognition using HOG, LBP and Multi-class SVM[J]. Journal of Physics:Conference Series,2021,1732(1):012036. doi: 10.1088/1742-6596/1732/1/012036
[6] 阮顺领,李少博,顾清华,等. 基于双向特征融合的露天矿区道路障碍检测[J]. 煤炭学报,2023,48(3):1425−1438. doi: 10.13225/j.cnki.jccs.2022.0198 RUAN Shunling,LI Shaobo,GU Qinghua,et al. Road obstacle detection in open-pit mines based on bidirectional feature fusion[J]. Journal of China Coal Society,2023,48(3):1425−1438. doi: 10.13225/j.cnki.jccs.2022.0198
[7] 李若熙,吕 潇,张元生,等. 改进YOLOv4算法井下人员检测的研究[J]. 矿业研究与开发,2021,41(11):179−185. doi: 10.13827/j.cnki.kyyk.2021.11.029 LI Ruoxi,LYU Xiao,ZHANG Yuansheng,et al. Reserch on Underground Personnel Detection Based on Improved YOLOv4 Algorithm[J]. Mining Research and Development,2021,41(11):179−185. doi: 10.13827/j.cnki.kyyk.2021.11.029
[8] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimalspeed and accuracy of object detection [J/OL]. arXiv: 2004.109342020[cs. CV]. (2020-04-23).https://arxiv.org/abs /2004.10934.
[9] 杨世超. 基于Faster-Rcnn的矿井人员识别检测[J]. 信息记录材料,2020,21(12):236−238. doi: 10.16009/j.cnki.cn13-1295/tq.2020.12.154 YANG Shichao. Mine personnel identification and detection based on Faster-RCNN[J]. Information Recording Materials,2020,21(12):236−238. doi: 10.16009/j.cnki.cn13-1295/tq.2020.12.154
[10] REN S, HE K, GIRSHICK R, et al. Faster RCNN: Towards real-time object detection with region proposal networks[C]//Advances in neural information processing systems, 2015: 91−99.
[11] 董昕宇,师 杰,张国英. 基于参数轻量化的井下人体实时检测算法[J]. 工矿自动化,2021,47(6):71−78. doi: 10.13272/j.issn.1671-251x.2021010035 DONG Xinyu,SHI Jie,ZHANG Guoying. Real-time detection algorithm of underground human body based on lightweight parameters[J]. Industry and Mine Automation,2021,47(6):71−78. doi: 10.13272/j.issn.1671-251x.2021010035
[12] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single shot multibox detector[C]//European conference on computer vision. Springer, Cham, 2016: 21 – 37.
[13] 陈 伟,任 鹏,田子建,等. 基于注意力机制的无监督矿井人员跟踪[J]. 煤炭学报,2021,46(S1):601−608. doi: 10.13225/j.cnki.jccs.2020.1348 CHEN Wei,REN Peng,TIAN Zijian,et al. Unsupervised mine personnel tracking based on attention mechanism[J]. Journal of China Coal Society,2021,46(S1):601−608. doi: 10.13225/j.cnki.jccs.2020.1348
[14] 任志玲,朱彦存. 改进CenterNet算法的煤矿皮带运输异物识别研究[J]. 控制工程,2023(4):703−711. doi: 10.14107/j.cnki.kzgc.2020.0792 REN Zhiling,ZHU Yancun. Research on foreign body recognition in coal mine belt transportation based on improved centernet algorithm[J]. Control engineering,2023(4):703−711. doi: 10.14107/j.cnki.kzgc.2020.0792
[15] 葛俏,梁桥康,邹坤霖,等. 基于轻量化网络与嵌入式系统的喷码检测[J]. 控制工程,2022(12):2349−2356. doi: 10.14107/j.cnki.kzgc.2020.0903 GE Qiao,LIANG Qiaokang,ZOU Kunlin,et al. Inkjet quality detection method based on lightweight network and embedded[J]. Control engineering,2022(12):2349−2356. doi: 10.14107/j.cnki.kzgc.2020.0903
[16] BEWLEY A, GE Z, OTT L, et al. Simple online and realtime tracking[C] //2016 IEEE International Conference on Image Processing(ICIP), 2016: 3464−3468.
[17] MA NN, ZHANG XY, ZHENG HT, et al. ShuffleNetV2: Practical guidelines for efficient CNN architecture design[C]//Proceedings of the 15th European Conference on Computer Vision (ECCV). Munich: Springer, 2018. : 122–138.
[18] WANG C Y, LIAO H Y M, WU Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Seattle: IEEE, 2020: 1571–1580.
[19] XIA Z, PAN X, SONG S, et al. Vision transformer with deformable attention[J]. ArXiv preprint arXiv: 2201.00520, 2022.
[20] TAN M, PANG R, LE Q V. EfficientDet: Scalable and efficient object detection[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2020: 10778−10787.
[21] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 779−788.
[22] REDMON J, FARHADI A. YOLO9000: Better, Faster, Stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), July 21-26, 2017, Honolulu, HI, USA. New York: IEEE, 2017: 6517−6525.
[23] REDMON J, FARHADI A. YOLOv3: an incremental improvement [EB/OL]. (2018-09-30).https://arxiv.org/abs/1804. 02767.
[24] 张麒麟,林清平,肖 蕾. 改进YOLOv5的航拍图像识别算法[J]. 长江信息通信,2021,34(3):73−76. doi: 10.3969/j.issn.1673-1131.2021.03.021 ZHANG Qilin,LIN Qingping,XIAO Lei. Improved algorithm for aerial image recognition based on yolov5[J]. Changjiang information communication,2021,34(3):73−76. doi: 10.3969/j.issn.1673-1131.2021.03.021
[25] WANG C Y, LIAO H Y M, WU Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. New York: IEEE Press, 2020: 390–391.
[26] HE K M,ZHANG X Y,REN S Q,et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2015,37(9):1904−1916. doi: 10.1109/TPAMI.2015.2389824
[27] ZHANG X, ZHOU X, LIN M, et al. Shufflenet: An extremely efficient convolutional neural network for mobile devices[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Salt Lake City: IEEE Press, 2018: 6848-6856.
[28] ZAMIR S W,ARORA A,KHAN S,et al. Restormer: efficient transformer for high-resolution image restoration[J]. ArXiv preprint arXiv: 2111.09881,2022
[29] PETIT O, Thome N, RAMBOU C, et al. U-net transformer: Self and cross attention for medical image segmentation[C]//International Workshop on Machine Learning in Medical Imaging. Springer, Cham, 2021: 267-276.
[30] CHU X, TIAN Z, ZHANG B, et al. Conditional positional encodings for vision transformers[J]. arXiv preprint arXiv: 2102.10882, 2021.
-
期刊类型引用(1)
1. 鲜保安，高德利，徐凤银，毕延森，李贵川，王京光，张洋，韩金良. 中国煤层气水平井钻完井技术研究进展. 石油学报. 2023(11): 1974-1992 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 282
- HTML全文浏览量: 26
- PDF下载量: 101
- 被引次数: 1
