低滲透油氣區(qū)視頻智能分析技術(shù)研究

［摘" " 要］ 文章提出在不改變現(xiàn)有鄂爾多斯盆地低滲透油氣區(qū)視頻監(jiān)控平臺架構(gòu)情況下，利用視頻流整合、集存、切片、圖像優(yōu)化、ResNet殘差網(wǎng)絡(luò)等當(dāng)下主流AI技術(shù)，構(gòu)建油田視頻大數(shù)據(jù)機(jī)器學(xué)習(xí)環(huán)境和智能分析后臺開發(fā)，形成按照不同事件、優(yōu)先級自動識別分析，按類自動推送預(yù)警告警信息的智能管理系統(tǒng)優(yōu)化方案，并進(jìn)行現(xiàn)場試點(diǎn)驗(yàn)證。該智能管理系統(tǒng)優(yōu)化方案解決了油區(qū)現(xiàn)有視頻監(jiān)控缺陷，油區(qū)視頻智能化識別分析準(zhǔn)確率達(dá)到95%以上，監(jiān)控?zé)o效告警消減率達(dá)到98%以上，實(shí)現(xiàn)了油田生產(chǎn)現(xiàn)場全流程可視化的智能化管控，降低了人工盯防勞作強(qiáng)度，監(jiān)控效率得到顯著提升。

［關(guān)鍵詞］ 視頻整合；切片預(yù)處理；ResNet；Meta-learning；深度學(xué)習(xí)；大數(shù)據(jù)智能分析

doi ： 10 . 3969 / j . issn . 1673 - 0194. 2023. 03. 042

［中圖分類號］ TP315；F272.7" " ［文獻(xiàn)標(biāo)識碼］" A" " " ［文章編號］" 1673 - 0194（2023）03- 0151- 04

０" " " 引" " 言

鄂爾多斯盆地低滲透油氣區(qū)遠(yuǎn)離城鎮(zhèn)，工作區(qū)域分散，油氣井站分布在荒原大漠、梁峁溝壑、老少邊窮地區(qū)，點(diǎn)多、線長、面廣，交通不便，日常生產(chǎn)中，不同區(qū)域的視頻監(jiān)控、監(jiān)管成為日常生產(chǎn)運(yùn)行管理的重要手段之一。

低滲透油氣區(qū)視頻監(jiān)控平臺經(jīng)歷了大規(guī)模建設(shè)、需求多元化及平臺整合三個階段，初步形成了中心站、廠部至公司生產(chǎn)指揮與應(yīng)急管理系統(tǒng)集中監(jiān)控的運(yùn)行模式，目前視頻監(jiān)控平臺管理油氣區(qū)視頻監(jiān)控設(shè)備數(shù)量約３萬余臺。

但是，現(xiàn)有的視頻監(jiān)控平臺存在碼流不統(tǒng)一、安全風(fēng)險無法自動識別、無效告警數(shù)量多、重復(fù)告警頻繁等諸多問題。而且，隨著低滲透油氣區(qū)降本增效舉措落實(shí)，高質(zhì)量效益發(fā)展理念的不斷深化，以及無人值守站、中心站建設(shè)的快速推進(jìn)，作業(yè)區(qū)直至廠部“大監(jiān)控”的新模式探索創(chuàng)新，對監(jiān)控崗位要求更高，對監(jiān)控質(zhì)量要求更為嚴(yán)格，因此構(gòu)建一套實(shí)用高效的視頻智能分析系統(tǒng)顯得尤為重要。

１" " " 視頻監(jiān)控平臺存在問題分析

１．１" "視頻數(shù)據(jù)格式不統(tǒng)一

當(dāng)前，監(jiān)控平臺接入的視頻服務(wù)器的生產(chǎn)廠家主要有華信慧業(yè)、海康威視、浙江大華、上海冰智、先進(jìn)視訊等。由于各廠商硬件設(shè)備均有其獨(dú)特的視頻采集方式，導(dǎo)致采集的視頻圖像碼流多、格式多，壓縮方式及解碼方式存在差異，視頻數(shù)據(jù)不規(guī)范、不統(tǒng)一。

１．２" "視頻圖像模糊

低滲透油氣區(qū)建產(chǎn)規(guī)模不斷擴(kuò)大，連年滾動開發(fā)，部分早期建設(shè)井站視頻監(jiān)控圖像分辨率低，視頻圖像不夠清晰，導(dǎo)致特殊天氣及夜間監(jiān)控效果下降，部分重點(diǎn)監(jiān)控區(qū)域安全隱患難以及時發(fā)現(xiàn)。

１．３" "人工分析效率低

油氣區(qū)現(xiàn)有視頻監(jiān)控設(shè)備數(shù)量已增至３萬余臺，并隨著建產(chǎn)區(qū)域擴(kuò)大而不斷增加。生產(chǎn)現(xiàn)場視頻監(jiān)管依靠人工盯防識別普通人、勞保人員、小汽車、卡車、工程車、明火、煙霧、動物等目標(biāo)，篩選異常信息并分類上報，工作強(qiáng)度極大，效率非常低。

１．４" "軟件智能化程度低

在用設(shè)備廠家均配有專用的視頻監(jiān)控客戶端軟件，各客戶端軟件或多或少存在兼容性差，客戶端功能單一，不會進(jìn)行自學(xué)習(xí)等問題，導(dǎo)致采集的視頻監(jiān)控數(shù)據(jù)碎片化，利用率低，現(xiàn)場生產(chǎn)事件無法自動識別，安全風(fēng)險無法及時智能預(yù)警。目前各項工作依賴人工巡檢，費(fèi)時費(fèi)力。

現(xiàn)有平臺告警預(yù)警信息存在誤報多、信息單一、無分類、無優(yōu)先等級、重復(fù)數(shù)量多、無法按業(yè)務(wù)需求進(jìn)行統(tǒng)計等缺點(diǎn)。據(jù)統(tǒng)計，某油氣區(qū)單個中心站每小時報警約１ ０００次，單個作業(yè)區(qū)每小時報警約５ ５００次，百萬噸采油單位廠全年視頻報警數(shù)量達(dá)２億余次，無效告警信息過多，有用信息被埋沒其中，無法及時發(fā)現(xiàn)并進(jìn)行處理。

１．５" "缺少統(tǒng)一的智能化管理系統(tǒng)

在極為復(fù)雜的油氣現(xiàn)場生產(chǎn)條件下，生產(chǎn)現(xiàn)場存在各類風(fēng)險信息需要加以管控，然而，在現(xiàn)有多個客戶端同時監(jiān)控的條件下，ＡＩ診斷、全局連鎖互動、聯(lián)合分析、預(yù)警分類匹配篩查等機(jī)器取代人工的能力還不能滿足工作需要，因此急需開發(fā)一套智能化管理系統(tǒng)實(shí)現(xiàn)現(xiàn)場視頻的智能化監(jiān)管。

２" " " 視頻流整合及智能分析對策

機(jī)器學(xué)習(xí)已在人工智能領(lǐng)域具有舉足輕重的地位，一套真正的智能化系統(tǒng)，必須具備學(xué)習(xí)能力。機(jī)器學(xué)習(xí)是讓機(jī)器從外界輸入的大量的數(shù)據(jù)中學(xué)習(xí)到規(guī)律，從而進(jìn)行特征識別。機(jī)器學(xué)習(xí)包含了淺層和深度兩個學(xué)習(xí)階段，深度學(xué)習(xí)是對人腦或生物神經(jīng)網(wǎng)絡(luò)基本特征進(jìn)行抽象和建模，并給予與生物類似的交互方式，使之自外界環(huán)境中得到學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)是智能學(xué)科的重要部分，為解決復(fù)雜問題和智能控制提供了有效的途徑［１］。２００６年，機(jī)器學(xué)習(xí)領(lǐng)域的領(lǐng)軍人物 Ｈｉｎｔｏｎ和他的學(xué)生 Ｓａｌａｋｈｕｔｄｉｎｏｖ在著名學(xué)術(shù)刊物《科學(xué)》上發(fā)表的文章中提出了深度網(wǎng)絡(luò)和深度學(xué)習(xí)概念，開啟了深度學(xué)習(xí)的研究熱潮［２］。本文通過對機(jī)器學(xué)習(xí)、智能分析相關(guān)技術(shù)研究，結(jié)合低滲透油田視頻監(jiān)控現(xiàn)狀，研發(fā)構(gòu)建了視頻智能分析系統(tǒng)，將人工智能技術(shù)引進(jìn)油田生產(chǎn)領(lǐng)域，依靠智能化視頻監(jiān)控分析手段提高視頻分析效率，降低生產(chǎn)成本，實(shí)現(xiàn)油田生產(chǎn)場站的智能化管理。

近年來，按照油田智能化發(fā)展頂層設(shè)計與統(tǒng)一規(guī)劃，針對油田視頻監(jiān)控運(yùn)行體系現(xiàn)狀，結(jié)合所屬二級單位生產(chǎn)運(yùn)行實(shí)際，系統(tǒng)研究人員提出運(yùn)用目前主流視頻智能ＡＩ技術(shù)，通過視頻流整合、切片預(yù)處理，將視頻數(shù)據(jù)處理為圖像資源，以識別視頻幀中所需的對象和事件，構(gòu)建大數(shù)據(jù)智能分析后臺，搭建深度學(xué)習(xí)分析環(huán)境，不斷訓(xùn)練智能ＡＩ算法模型。隨著時間的推移，智能ＡＩ算法引擎會隨著訓(xùn)練環(huán)境繼續(xù)自我學(xué)習(xí)，適應(yīng)從視頻流中接收到的數(shù)據(jù)和變化，最終實(shí)現(xiàn)智能管理系統(tǒng)對人、車、物、行為及生產(chǎn)過程中的跑、冒、滴、漏等安全隱患進(jìn)行智能主動判斷，從而解決油田生產(chǎn)監(jiān)控體系所面臨的諸多難點(diǎn)問題。

２．１" "視頻流整合

視頻流整合主要是對油田內(nèi)各視頻系統(tǒng)的視頻信號進(jìn)行解碼并按標(biāo)準(zhǔn)格式編碼， 形成統(tǒng)一的視頻流， 實(shí)現(xiàn)一個平臺接入運(yùn)行管理。運(yùn)行管理功能包括視頻資源導(dǎo)航、實(shí)時監(jiān)控、云鏡控制、錄像回放、截屏等。在視頻流整合過程中，對符合國標(biāo)的視頻信號直接集成，不符合標(biāo)準(zhǔn)的通過視頻網(wǎng)關(guān)對信號進(jìn)行解碼，再重新編碼，通過 ＳＤＫ 二次開發(fā)等方式形成統(tǒng)一的視頻流，為其他各類應(yīng)用提供視頻信號源，達(dá)到實(shí)現(xiàn)視頻資源共享的目的。

通過對現(xiàn)有視頻采集設(shè)備的ＩＰＣ／ＮＶＲ接口研究，系統(tǒng)研究人員開發(fā)ＳＤＫ接口程序，統(tǒng)一數(shù)據(jù)格式規(guī)范，將標(biāo)準(zhǔn)的視頻數(shù)據(jù)統(tǒng)一部署到智能ＡＩ視頻服務(wù)器，利用其ＡＩ模型訓(xùn)練的高性能、ＡＩ推理計算的高效能以及ＡＩ多場景適配的高可靠性［３］，為視頻的智能分析奠定基礎(chǔ)，同時保證現(xiàn)有監(jiān)控體系架構(gòu)不變，將智能分析結(jié)果通過終端進(jìn)行推送，實(shí)現(xiàn)作業(yè)區(qū)、廠部、公司三級智能分析結(jié)果數(shù)據(jù)的匯總分級展示。

２．２" "切片預(yù)處理

在視頻 ＡＩ 分析及識別中，視頻幀在輸入算法處理前的質(zhì)量直接影響后續(xù)高級圖像處理任務(wù)的精度和效果。而預(yù)處理則是通過數(shù)字圖像處理技術(shù)消除圖像中的干擾甚至無關(guān)信息，恢復(fù)、增強(qiáng)或者重建相關(guān)的有用信息，從而最大限度地提取特征顯著、魯棒、簡潔的信息。

對進(jìn)入ＡＩ視頻服務(wù)器的視頻流進(jìn)行５秒輪詢切圖分析，每次切圖２４０張，切圖傳入切片后臺進(jìn)行處理。由于前端采集設(shè)備受設(shè)備、網(wǎng)絡(luò)、環(huán)境、光照等多種因素的影響，采集的視頻存在先天不足，造成許多切片無法滿足智能分析的需求，需要對切片進(jìn)行融合、均衡、去霧、增強(qiáng)等算法處理，強(qiáng)化圖像識別目標(biāo)，使識別分析目標(biāo)的規(guī)則更容易提?。郏矗?。

對于某些細(xì)節(jié)失真的切片，將２張或２張以上的圖像信息融合到１張圖像上，使得融合的圖像含有更多的信息，能夠更方便計算機(jī)處理。

通過均衡算法，對于某些強(qiáng)光直射采集的圖片，使亮度更好地在直方圖上分布，用于增強(qiáng)局部對比度而不影響整體對比度，增強(qiáng)圖片可識別性。

通過圖像去霧算法，消除霧、霾影響，使圖像特征更加清晰。

對于室外光照度不均勻［５］造成圖像灰度過于集中，前端攝像頭獲取圖像經(jīng)過“數(shù)／?！鞭D(zhuǎn)換或線路傳輸時產(chǎn)生噪聲污染造成圖像質(zhì)量低等問題，可應(yīng)用圖像增強(qiáng)算法，使圖像質(zhì)量得到加強(qiáng)，變得更好。

２．３" "視頻ＡＩ檢測

由于顏色信息的運(yùn)動目標(biāo)識別經(jīng)常受到非均勻照明、相似顏色干擾、區(qū)分度低等多重因素的影響，且單一顏色特征不能很好地描述和識別運(yùn)動目標(biāo)。為此，就需要使用Ｐｙｔｏｒｃｈ框架構(gòu)建深度學(xué)習(xí)算法，使用深度學(xué)習(xí)算法對預(yù)處理的圖片進(jìn)行樣本特征提?。郏叮?。

該算法采用５２層的ＲｅｓＮｅｔ殘差網(wǎng)絡(luò)［７－１２］進(jìn)行特征提取，增強(qiáng)對細(xì)節(jié)信息的特征提取能力，并構(gòu)造多尺度金字塔，在圖像金字塔的每一層提出不同特征進(jìn)行相應(yīng)的預(yù)測，使用ＦＣＮ子網(wǎng)進(jìn)行分類和位置定位，采用反卷積層對最后一個卷基層的特征圖進(jìn)行上采樣，使它恢復(fù)到輸入圖像相同的尺寸，從而對每一個像素都產(chǎn)生一個預(yù)測，同時保留原始輸入圖像中的空間信息，最后奇偶在上采樣特征圖中進(jìn)行目標(biāo)分類［１３］，實(shí)現(xiàn)對視頻中普通人、勞保人員、小汽車、卡車、工程車、明火、煙霧、動物等目標(biāo)的檢測功能。

２．４" "智能分析后臺

在機(jī)器學(xué)習(xí)中，一般通過數(shù)據(jù)來對模型進(jìn)行優(yōu)化。數(shù)據(jù)可以分為訓(xùn)練集、測試集、驗(yàn)證集，并通過智能分類算法對樣本特征進(jìn)行分類，優(yōu)化元學(xué)習(xí)（Ｍｅｔａ－ｌｅａｒｎｉｎｇ）［１４－１５］算法模型。在元學(xué)習(xí)中，對訓(xùn)練單位分層級，一層訓(xùn)練單位是任務(wù)，元學(xué)習(xí)中要準(zhǔn)備許多任務(wù)來進(jìn)行學(xué)習(xí)；二層訓(xùn)練單位是每個任務(wù)對應(yīng)的數(shù)據(jù)，這樣訓(xùn)練就得到樣本分類模型。通過重復(fù)上述技術(shù)方案手段，不斷對油田新增場景目標(biāo)進(jìn)行學(xué)習(xí)入庫，更新匹配模型，構(gòu)建自學(xué)習(xí)型模型數(shù)據(jù)庫，為應(yīng)用端的數(shù)據(jù)檢索和數(shù)據(jù)預(yù)測奠定基礎(chǔ)。

首先通過將算法檢測后的結(jié)果推送到后臺數(shù)據(jù)庫，建立普通人、勞保人員、卡車、小汽車、工程車、明火、煙霧、動物等的分類數(shù)據(jù)庫，通過ＥＴＬ工具對ＯＤＳ層數(shù)據(jù)［１４］進(jìn)行抽取、轉(zhuǎn)換和處理工作，將數(shù)據(jù)規(guī)整化存儲。

然后將后臺數(shù)據(jù)和模型數(shù)據(jù)進(jìn)行對比分析，篩選出目標(biāo)物［１６］。通過對目標(biāo)物圖像分割輪廓，使圖像的前景和后景（雨霧冰雪、山川、河流等自然環(huán)境）分離，根據(jù)物狀特性分析房屋、抽油機(jī)、儲罐等建筑物，根據(jù)顏色、特定模型對比分析人員是否穿戴勞保護(hù)具，根據(jù)特定模型、行動軌跡分析動物闖入，根據(jù)煙霧、顏色、火態(tài)特征分析是否有火情發(fā)生，根據(jù)顏色、反光度、位置信息等對比分析是否存在油污和發(fā)生泄漏。

最后按照分析結(jié)果的不同將事件類型智能分類為：生產(chǎn)事件、安全事件、常規(guī)事件，按照危險程度將事件級別智能分級為：一級（高危）、二級（低危）、三級（普通），最終實(shí)現(xiàn)告警信息的分類分級自動推送。

２．５" "智能管理系統(tǒng)

為保障在多客戶端監(jiān)控條件下的多維度報警監(jiān)控能做到ＡＩ準(zhǔn)確針對、全局連鎖互動，需要建立一個完善的智能管理系統(tǒng)，將視頻的切片、建模、分析都在系統(tǒng)后端自動完成，員工通過智能管理系統(tǒng)實(shí)現(xiàn)對前端生產(chǎn)現(xiàn)場的管理。

該系統(tǒng)共設(shè)計了六項功能：告警警報、告警信息、ＧＩＳ地圖、視頻預(yù)覽、狀態(tài)監(jiān)測及用戶設(shè)置。告警警報實(shí)現(xiàn)了油田生產(chǎn)現(xiàn)場異常監(jiān)控圖像、視頻數(shù)據(jù)的自動檢測分析與分類推送。告警信息實(shí)現(xiàn)了告警信息時間、事件、等級多維度查詢、事件追溯。ＧＩＳ地圖實(shí)現(xiàn)了告警信息的地理位置定位與監(jiān)控點(diǎn)的連鎖互動。視頻預(yù)覽實(shí)現(xiàn)了實(shí)時視頻查看、云臺控制、自動巡檢。狀態(tài)監(jiān)測實(shí)現(xiàn)了設(shè)備運(yùn)行狀態(tài)、通信情況的實(shí)時監(jiān)測，對離線、通信異常設(shè)備及時發(fā)出預(yù)警。用戶設(shè)置實(shí)現(xiàn)了對前端采集點(diǎn)、用戶、權(quán)限、機(jī)構(gòu)的增、改、刪設(shè)置管理功能。

３" " " 應(yīng)用成果評價

切片預(yù)處理技術(shù)增強(qiáng)了原有視頻圖像清晰度，使圖像細(xì)節(jié)更容易被識別。深度學(xué)習(xí)網(wǎng)層的搭建，讓各類采樣特征圖，更容易進(jìn)行目標(biāo)分類。大數(shù)據(jù)后臺構(gòu)建，提高機(jī)器自主學(xué)習(xí)能力，智能化識別能力不斷得到迭代升級。智能分析后臺建設(shè)，替代人工分析，預(yù)警報警信息分類明確，提高了監(jiān)控效率，防范了安全事件的發(fā)生。智能管理系統(tǒng)開發(fā)，實(shí)現(xiàn)全局視頻統(tǒng)一監(jiān)管，提高對異常信息的全面智能診斷、分析、預(yù)警、連鎖互動能力。

視頻ＡＩ技術(shù)在沒有圍墻的油區(qū)生產(chǎn)環(huán)境下得到逐步推廣應(yīng)用，隨著時間的推移，ＡＩ模型也不斷強(qiáng)化，油區(qū)生產(chǎn)現(xiàn)場預(yù)警告警信息定位具體，所呈現(xiàn)的內(nèi)容一目了然，信息聯(lián)動處理能力不斷提高。在作業(yè)區(qū)推行大監(jiān)控模式后，預(yù)警告警信息由人工查找變?yōu)樽詣油扑?，智能化視頻預(yù)警分析平臺在承接繁重枯燥的監(jiān)控任務(wù)的同時，促進(jìn)了可視化監(jiān)控崗位人員的精簡，按單個作業(yè)區(qū)精簡６人計算，油田范圍內(nèi)可以盤活監(jiān)控崗位用工５００余人，產(chǎn)生效益達(dá)到億元以上。在降低監(jiān)控人員勞動強(qiáng)度的同時，也對油田的智能化建設(shè)與應(yīng)用方向起到了示范作用。證實(shí)了視頻ＡＩ技術(shù)、大數(shù)據(jù)分析技術(shù)等前沿科技在油田可視化監(jiān)控升級方面具有重要的技術(shù)引領(lǐng)作用，極大地推進(jìn)人工監(jiān)控向智能監(jiān)控的模式轉(zhuǎn)變，為油田智能化建設(shè)積累了視頻分析相關(guān)ＡＩ識別算法、多維度數(shù)據(jù)分析算法等前沿科技應(yīng)用經(jīng)驗(yàn)。

４" " " 總" " 結(jié)

ＡＩ視頻監(jiān)控是油田生產(chǎn)現(xiàn)場無人值守的重要管理環(huán)節(jié)，隨著油田勘探開發(fā)、生產(chǎn)組織方式的不斷變化，視頻監(jiān)管的智能化需求也在不斷升級，智能管理系統(tǒng)也將不斷升級完善。尤其是告警條數(shù)的過濾消減、告警內(nèi)容的分類分級推送管理、油田復(fù)雜生產(chǎn)場景下機(jī)器學(xué)習(xí)技術(shù)的不斷迭代升級，機(jī)器診斷模型的精確化、高效化、智能化程度將進(jìn)一步提升，所形成的更加復(fù)雜、更加強(qiáng)大的深度模型，將在深度挖潛大數(shù)據(jù)所承載信息領(lǐng)域，對未來和未知事件作更為精準(zhǔn)的預(yù)測方面發(fā)揮重要作用。

隨著社會的不斷進(jìn)步，各行各業(yè)智能化領(lǐng)域新技術(shù)不斷發(fā)展，智能化所面臨的難題、壁壘也將逐漸被攻破，視頻智能分析技術(shù)在未來的幾年一定會更加成熟，也將為企業(yè)安全生產(chǎn)管理帶來更大的便利。

主要參考文獻(xiàn)

［１］郭麗麗，丁世飛．深度學(xué)習(xí)研究進(jìn)展［Ｊ］．計算機(jī)科學(xué)，２０１５，４２（５）：２８－３３．

［２］Ｈｉｎｔｏｎ Ｇ E，Ｓａｌａｋｈｕｔｄｉｎｏｖ Ｒ R． Ｒｅｄｕｃｉｎｇ ｔｈｅ Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｏｆ Ｄａｔａ ｗｉｔｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００６，３１３（５７８６）：５０４－５０７．

［３］李曉波．基于Ｈａｄｏｏｐ的海量視頻數(shù)據(jù)存儲及轉(zhuǎn)碼系統(tǒng)的研究與設(shè)計［Ｄ］．杭州：浙江工業(yè)大學(xué)，２０１３．

［４］曾標(biāo)．復(fù)雜背景下視頻智能分析技術(shù)的研究及實(shí)現(xiàn)［Ｄ］．廣州：華南理工大學(xué)，２０１２．

［５］梁琳，何衛(wèi)平，雷蕾，等．光照不均圖像增強(qiáng)方法綜述［Ｊ］．計算機(jī)應(yīng)用研究，２０１０（５）：１６２５－１６２８．

［６］趙巍，毛士藝．一種像素級多傳感器圖像融合算法的研究［Ｊ］．電子與信息學(xué)報，２００３（８）：１００９－１０１３．

［７］郭雨薇．基于超像素表征和模糊特征學(xué)習(xí)的圖像分類與識別［Ｄ］．西安：西安電子科技大學(xué)，２０１７．

［８］Ｈｅ Ｋ，Ｚｈａｎｇ Ｘ，Ｒｅｎ Ｓ，ｅｔ ａｌ．Ｄｅｅｐ Ｒｅｓｉｄｕａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｉｍａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ［C］//2016.ＩＥＥＥ Coｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｔtｉｏｎ（ＣＶＰＲ），２０１６．

［９］李彥枝，陳昌紅，謝曉芳．基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類算法研究［Ｊ］．南京郵電大學(xué)學(xué)報：自然科學(xué)版，２０１９，３９（６）：８６－９３．

［１０］趙志成，羅澤，王鵬彥，等．基于深度殘差網(wǎng)絡(luò)圖像分類算法研究綜述［Ｊ］．計算機(jī)系統(tǒng)應(yīng)用，２０２０，２９（１）：１４-２１．

［１１］洪偉，李朝鋒．基于區(qū)域全卷積網(wǎng)絡(luò)結(jié)合殘差網(wǎng)絡(luò)的火焰檢測方法［Ｊ］．激光與光電子學(xué)進(jìn)展，２０１８，５５（４）：１６８－１７３．

［１２］許先斌，胡婧，吳玉芹．基于神經(jīng)網(wǎng)絡(luò)的視頻壓縮的ＦＰＧＡ實(shí)現(xiàn)［Ｊ］．計算機(jī)工程與設(shè)計，２００９（１３）：３０８２－３０８４，３１３２．

［１３］薛陳．復(fù)雜環(huán)境下視頻目標(biāo)跟蹤技術(shù)的算法和應(yīng)用研究［Ｄ］．長春：中國科學(xué)院研究生院長春光學(xué)精密機(jī)械與物理研究所，２０１０．

［１４］王琦煜．模板匹配技術(shù)在圖像識別中的應(yīng)用［Ｊ］．科學(xué)家，２０１７，５（４）：９３－９４．

［１５］任義，遲翠容，單菁，等．基于元學(xué)習(xí)的推薦算法選擇優(yōu)化框架實(shí)證［Ｊ］．計算機(jī)工程與設(shè)計，２０２０，４１（６）：１６１０－１６１６．

［１６］鄭欣悅．基于深度學(xué)習(xí)的少樣本圖像分類方法［Ｄ］．北京：中國科學(xué)院大學(xué)中國科學(xué)院國家空間科學(xué)中心，２０１９．

［作者簡介］李秋實(shí)（1973—" "），男，陜西西鄉(xiāng)人，高級工程師，博士后，主要研究方向：油氣勘探與開發(fā)、油田智能化建設(shè)、大數(shù)據(jù)應(yīng)用及兩化融合。