基于改进MobileNetV2的钻杆计数方法

摘要

针对现有基于人工及仪器的钻杆计数法存在精度较低、耗时耗力,现有基于图像处理的钻杆计数方法难以提取图像特征,网络模型复杂度高、计算量大等问题,提出了一种基于改进MobileNetV2的钻杆计数方法。通过摄像头采集钻机工作状态图像,采用数据增强对采集的图像进行预处理,在MobileNetV2的基础上,添加卷积注意力模块增强特征的细化能力,优化目标函数提升识别精度,通过迁移学习获取初始参数。将改进后的MobileNetV2作为钻机工作状态识别模型,提取钻机工作状态特征,通过识别钻杆钻进完整过程中装钻杆、打钻杆、卸钻杆、停机4种钻机工作状态生成置信度数据,通过滑动窗口对置信度数据进行滤波,统计钻杆数量,明确钻孔深度。实验结果表明:改进后的MobileNetV2模型识别准确率达99.95%,与经典分类模型ResNet50,Xception,InceptionV3,InceptionResNetV2,MobileNetV2相比,准确率分别提升了1.35%,1.28%,1.43%,0.85%,1.25%,参数量比MobileNetV2模型减少了38.9%,模型收敛速度更快,综合性能更好。将基于改进MobileNetV2的钻杆计数方法应用于煤矿综采工作面的钻杆计数中,平均钻杆计数精度为98.4%,实现了钻杆精确计数,验证了该方法在复杂环境下应用的可行性和实用性。