确定管输原油的净油重量的方法及装置

摘要

本申请公开了一种确定管输原油的净油重量的方法及装置，属于石油开发技术领域。方法包括：获取在预设时间段内按预设拍摄周期拍摄的输油管道流量计机械表头仪表图像，基于经过训练的特征提取模型和仪表读数模型，确定每个仪表图像对应的原油流量值，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值，基于每个仪表图像对应的原油流量值、多种预设状态参数的参数值和经过训练的净油重量预测模型，确定的原油净油重量。本申请通过构建经过训练的净油重量预测模型，得到输油管道的原油的净油重量，而不是通过大量的人工读数、查表和计算得到输油管道的原油的净油重量，以提高获得输油管道的原油的净油重量的效率和准确性。

说明书

技术领域

本申请涉及石油开发技术领域，特别涉及一种确定管输原油的净油重量的方法及装置。

背景技术

石油是国家重要的战略资源，对石油的勘探力度也在不断加大。将油气井生产的原油收集起来，通过输油管道运输到油气计量站，对原油净油重量进行计算。因此，有必要提供一种确定管输原油的净油重量的方法。其中，原油的净油重量是指输油管道中扣除掉水分的所有原油的重量。

相关技术中，技术人员采用流量计测量出输油管道中的原油体积，并记录此时的温度值、压力值。然后对原油取样并在实验室中化验分析，记录原油样品的密度值、含水率及实验室温度值，查询原油标准密度表，在密度栏中查找原油样品的密度值，在温度栏中查找原油样品的实验室温度值，二者交叉处的数值即为原油样品的标准密度值。根据标准密度值和测量输油管道中的原油体积时所记录的温度值、压力值，通过公式计算得到原油体积的温度修正系数和压力修正系数后，对测量得到的输油管道中的原油体积的数值进行修正，再乘以标准密度值，并通过含水率扣除原油中的水量，最终可得到原油的净油重量。

发明人发现相关技术中至少存在以下技术问题：

上述方法中，需要大量的人工经过读数、查表和计算才能够得到原油净油重量，人工计算处理的效率低，且每个人的经验不同，处理过程容易出现失误，因此，上述方法的效率较低且准确性较差。

发明内容

本申请实施例提供了一种确定管输原油的净油重量的方法及装置，可以解决相关技术中获得输油管道的原油的净油重量的效率较低且准确性较差的问题。所述技术方案如下：

一方面，提供了一种确定管输原油的净油重量的方法，所述方法包括：

获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像；

基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息；

基于所述每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值；

获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值；

基于所述每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述基于所述每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量，包括：

根据所述每个仪表图像对应的原油流量值，确定在所述预设时间段内的目标输油管道内的原油流量值；

基于检测到的多种预设状态参数的参数值，确定每种预设状态参数的参数值的平均值；

将在所述预设时间段内的目标输油管道内的原油流量值和所述每种预设状态参数的参数值的平均值，输入经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述预设拍摄周期等于所述预设检测周期，所述基于所述每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量，包括：

将所述每个仪表图像对应的原油流量值和检测到的多种预设状态参数的参数值，输入经过训练的净油重量预测模型，得到所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息，包括：

对于拍摄的每个仪表图像，将所述仪表图像输入读数位置识别模型，得到每一位读数在所述仪表图像中的位置信息，基于所述每一位读数在所述仪表图像中的位置信息，在所述仪表图像中确定每一位读数对应的子图像；

基于每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息；

所述基于所述每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值，包括：

将每个仪表图像中包含的每一位读数对应的特征信息，分别输入经过训练的仪表读数模型，得到每个仪表图像中包含的每一位读数的值；

基于每个仪表图像中包含的每一位读数的值，确定每个仪表图像对应的原油流量值。

在一种可能的实现方式中，所述基于每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息，包括：

将每个仪表图像中包含的每一位读数对应的子图像转换为灰度图像；

将每个灰度图像转换为二值图像，得到每个仪表图像中包含的每一位读数对应的二值图像；

分别将每个仪表图像中包含的每一位读数对应的二值图像输入经过训练的特征提取模型，得到每个仪表图像中包含的每一位读数对应的特征信息。

一方面，提供了一种输油管道原油净油重量的预测装置，所述装置包括：

第一获取模块，用于获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像；

第一确定模块，用于基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息；

第二确定模块，用于基于所述每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值；

第二获取模块，用于获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值；

第三确定模块，用于基于所述每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述第三确定模块用于：

根据所述每个仪表图像对应的原油流量值，确定在所述预设时间段内的目标输油管道内的原油流量值；

基于检测到的多种预设状态参数的参数值，确定每种预设状态参数的参数值的平均值；

将在所述预设时间段内的目标输油管道内的原油流量值和所述每种预设状态参数的参数值的平均值，输入经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述预设拍摄周期等于所述预设检测周期，所述第三确定模块用于：

将所述每个仪表图像对应的原油流量值和检测到的多种预设状态参数的参数值，输入经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。

在一种可能的实现方式中，所述第一确定模块，包括：

第一确定子单元，用于对于拍摄的每个仪表图像，将所述仪表图像输入读数位置识别模型，得到每一位读数在所述仪表图像中的位置信息，基于所述每一位读数在所述仪表图像中的位置信息，在所述仪表图像中确定每一位读数对应的子图像；

第二确定子单元，用于基于每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息；

所述第二确定模块用于：

将每个仪表图像中包含的每一位读数对应的特征信息，分别输入经过训练的仪表读数模型，得到每个仪表图像中包含的每一位读数的值；

基于每个仪表图像中包含的每一位读数的值，确定每个仪表图像对应的原油流量值。

在一种可能的实现方式中，所述第二确定子单元用于：

将每个仪表图像中包含的每一位读数对应的子图像转换为灰度图像；

将每个灰度图像转换为二值图像，得到每个仪表图像中包含的每一位读数对应的二值图像；

分别将每个仪表图像中包含的每一位读数对应的二值图像输入经过训练的特征提取模型，得到每个仪表图像中包含的每一位读数对应的特征信息。

本申请实施例提供的技术方案带来的有益效果是：

获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息，基于所述每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值，基于所述每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定所述目标输油管道的原油的净油重量。本申请通过构建经过训练的净油重量预测模型得到输油管道的原油的净油重量，而不是通过大量的人工读数、查表和计算得到输油管道的原油的净油重量，以提高获得输油管道的原油的净油重量的效率和准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种确定管输原油的净油重量的方法的实施环境示意图；

图2是本申请实施例提供的一种确定管输原油的净油重量的方法的流程图；

图3是是本申请实施例提供的一种基于BP神经网络的净油重量预测模型的示意图；

图4是本申请实施例提供的一种确定管输原油的净油重量的方法的相对误差示意图；

图5是本申请实施例提供的一种确定管输原油的净油重量的装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

图1是本申请实施例提供的一种确定管输原油的净油重量的方法的实施环境示意图。参见图1，该实施环境包括：净油量预测装置和预设状态参数测量装置。具体地，净油量预测装置包括：数据采集模块、图像识别模块、净油重量预测模块。预设状态参数测量装置包括：温度变送器、刮板流量计、压力变送器、原油样品密度分析仪、原油样品含水率分析仪以及输油管道的流量计机械表头。

本申请实施例提供的方法，可以应用在石油开发技术领域，具体的应用于确定管输原油的净油重量。通过输油管道将原油运输到油气计量站后，需要明确输油管道的原油的净油重量是多少，以便更好的与下一阶段的油气处理站进行交接。因此技术人员需要一种确定管输原油的净油重量的方法，以更加高效的、准确的获得输油管道的原油的净油重量。

技术人员可以采用本申请实施例提供的一种确定管输原油的净油重量的方法，通过构建用于图像识别模块中的特征提取模型和仪表读数模型，以识别输油管道的流量计机械表头的读数，获取输油管道内的原油流量值。使用温度变送器获取输油管道的原油所处的温度，即计量温度。使用压力变送器获取输油管道的原油所处的压力，即计量压力。然后，对输油管道内的原油取样，送入实验室中进行化验分析，并记录此时实验室的温度，即视温度，使用原油样品密度分析仪可获得该原油样品在视温度下的密度，即视密度。使用原油样品含水率分析仪可获得该原油样品的含水率。构建净油重量预测模型，通过数据采集模块将采集到的计量温度、计量压力、视温度、视密度以及含水率进行数据处理，然后与输油管道内的原油流量值一起输入到净油重量预测模块中，最终得到输油管道的原油的净油重量。而不是通过大量的人工读数、查表和计算来确定管输原油的净油重量，从而可以提高获得输油管道的原油的净油重量的效率和准确性。

图2是本申请实施例提供的一种确定管输原油的净油重量的方法的流程图，参见图2，该实施例包括：

在步骤201中，获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像。

在步骤202中，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息。

在步骤203中，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值。

在步骤204中，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值。

在步骤205中，基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

本申请实施例提供的技术方案带来的有益效果至少包括：

获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值，基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。本申请通过构建经过训练的净油重量预测模型得到输油管道的原油的净油重量，而不是通过大量的人工读数、查表和计算得到输油管道的原油的净油重量，从而可以提高获得输油管道的原油的净油重量的效率和准确性。

图2是本申请实施例提供的一种确定管输原油的净油重量的方法的流程图，参见图2，该实施例包括：

在步骤201中，获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像。

其中，预设时间段可以指一天24小时内，本申请实施例对此不做限制。预设拍摄周期可以指每隔两小时拍摄一次，例如，在10:00、12:00、14:00等对目标输油管道的流量计机械表头进行拍摄，如此，在预设时间段内可以分成12个预设拍摄周期。输油管道的流量计机械表头可用来显示当前输油管道内的原油流量值读数，此处设置有拍摄装置，可以将显示的读数进行拍摄，从而获取流量计机械表头的仪表图像，该仪表图像由流量计机械表头的仪表读数的数字组成。

需要特别说明的是，流量计机械表头的读数具有一位小数，由于在预设时间段内，该小数几乎没有变化，对输油管道的流量计机械表头原油流量值的读数几乎不产生影响，因此，可以忽略不计，仅对读数前面的整数进行拍摄和读数即可。由于不同厂家生产的流量计机械表头的规格不同，使得机械表头读数所组成的数字位数也会不同，本申请实施例以四位机械表头读数为例进行说明。

在步骤202中，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息。

其中，特征提取模型是指基于仪表图像对仪表图像的特征信息进行提取的模型，特征提取模型可以是机器学习模型，基于大量的样本训练，可以实现将仪表图像中的特征信息提取出来。

在实施中，对于拍摄的每个仪表图像，将该仪表图像输入读数位置识别模型，得到每一位读数在该仪表图像中的位置信息，基于这每一位读数在该仪表图像中的位置信息，在该仪表图像中确定每一位读数对应的子图像，基于每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息。

其中，读数位置识别模型是指基于仪表图像对仪表图像的每位读数进行位置识别的模型，读数位置识别模型可以是一种读数位置识别的规则，以实现将每一位读数在仪表图像中的位置信息识别出来。子图像是指从仪表图像中经过图像处理后得到的每一位读数对应的图像。

在实施中，由于仪表图像中包括含有读数对应的图像和不含有读数对应的图像，在进行读数位置识别时，可以通过人工标定的方式获取。

其中，读数位置信息的形式可以多种多样，例如，可以是读数的最小外接矩形的四个顶点的位置信息，例如，可以是位置标定图像，位置标定图像是一个二值图像，属于读数的像素点的像素值为第一数值，如255，即为白色，不属于读数的像素点的像素值为第二数值，如0，即为黑色。

例如，首先需要准备大量的样本图像。通过设置在流量计机械表头的拍摄装置，可拍摄大量的流量计机械表头的仪表图像，拍摄的仪表图像不少于4000个，且每个仪表图像的尺寸须一致。对拍摄得到的每个仪表图像进行图像裁剪处理，可得到每一位读数对应的子图像，并分别对每一位读数对应的子图像以真实的读数命名，即分别命名为7、9、4和1。将得到的每一位读数对应的子图像存储下来，可得到不少于16000个子图像，将这些子图像作为样本图像。在该样本图像中有包含读数的图像也有不包含读数的图像。然后，可以人工标出图片中属于读数的像素点和不属于读数的像素点，其中，可以将属于读数的像素点的像素值设置为255，将不属于读数的像素点的像素值设置为0，这样就得到了读数的位置标定图像，进而得到每一位读数在该仪表图像中的位置信息。

此外，还可以将拍摄得到的仪表图像作为样本图像，处理过程与上述类似，此处不再赘述。最终在该样本图像上可以得到四个读数的位置标定图像，进而得到这四位读数在该仪表图像中的位置信息。

在实施中，根据每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息的过程可以为：将每个仪表图像中包含的每一位读数对应的子图像转换为灰度图像，将每个灰度图像转换为二值图像，得到每个仪表图像中包含的每一位读数对应的二值图像，分别将每个仪表图像中包含的每一位读数对应的二值图像输入经过训练的特征提取模型，得到每个仪表图像中包含的每一位读数对应的特征信息。

其中，每一位读数对应的子图像均由RGB(Red：红，Green:绿，Blue：蓝，一种颜色标准)构成，该子图像的像素点的像素值构成一个三维矩阵，且像素值在0-255之间。每一位读数对应的子图像转换得到的灰度图由单色构成，该灰度图的像素点的像素值构成一个二维矩阵，该二维矩阵中的元素为该灰度图的像素点的像素值，且像素值在0-255之间。为便于区分读数，可以将该灰度图在0-115范围内的像素点的像素值全部取值为0，将该灰度图在115-255范围内的像素点的像素值全部取值为255，即由灰度图可以转换得到二值图像。该二值图的像素点的像素值构成一个二维矩阵，该二维矩阵中的元素为该二值图的像素点的像素值，且像素值全部由0和255组成，属于读数的像素点的像素值为第一数值，如255，不属于读数的像素点的像素值为第二数值，如0。

例如，将每个仪表图像中包含的每一位读数对应的子图像最终转换为对应的二值图像，分别将该二值图像按照从左至右的顺序依次输入经过训练的特征提取模型，根据每一位读数在仪表图像中的位置信息通过特征提取模型进行读数提取，确定读数的像素点，将属于读数的像素点的像素值设为255，不属于读数像素点的像素值设为0，这样就得到了读数的标定图像，进而得到每个仪表图像中包含的每一位读数对应的特征信息。

在步骤203中，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值。

其中，仪表读数模型是指基于仪表图像对仪表图像的特征信息进行提取的模型，仪表读数模型可以是机器学习模型，例如，卷积神经网络模型等。基于大量的样本训练，可以实现将仪表图像对应的原油流量值读取出来。

在实施中，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值的过程可以为：将每个仪表图像中包含的每一位读数对应的特征信息，分别输入经过训练的仪表读数模型，得到每个仪表图像中包含的每一位读数的值，基于每个仪表图像中包含的每一位读数的值，确定每个仪表图像对应的原油流量值。

本申请实施例还提供了上述步骤202中特征提取模型和本步骤203中仪表读数模型的训练方法，具体训练过程为：获取多个样本仪表图像和每个样本仪表图像对应的基准原油流量值，基于该多个样本仪表图像和每个样本仪表图像对应的基准原油流量值，对初始的特征提取模型和仪表读数模型进行训练，得到经过训练的特征提取模型和经过训练的仪表读数模型。

在实施中，技术人员可以采集到大量的样本仪表图像作为样本数据。针对每个样本数据，技术人员可以通过计算机分析，确定该样本数据对应的基准原油流量值。然后，可以获取一个样本数据输入初始的特征提取模型和初始的仪表读数模型中，在初始的特征提取模型和初始的仪表读数模型中，待调整的模型参数的取值可以为预设的初值。此时，获取仪表读数模型输出的每个样本仪表图像对应的原油流量值，确定仪表读数模型输出的每个样本仪表图像对应的原油流量值与每个样本仪表图像对应的基准原油流量值的差异信息。基于差异信息和预设的训练算法，确定每个模型参数的调整值，进而对每个模型参数进行数值调整，从而完成一次训练。然后再获取其它样本数据，重复上述过程。这样，通过大量样本的训练，得到最终的特征提取模型和仪表读数模型。

例如，将每个仪表图像中包含的每一位读数对应的特征信息，按照从左至右的顺序分别输入经过训练的仪表读数模型，可以得到每个仪表图像中包含的每一位读数的值，将得到的每一位读数的值四个为一组组合成数字，最终可得到每个仪表图像对应的原油流量值。

在步骤204中，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值。

其中，预设状态参数包括：计量压力、计量温度、视密度、视温度以及含水率。

需要说明的是，多种预设状态参数的检测周期有的相同，有的不同。例如，以一天24小时为预设时间段，计量压力和计量温度的检测周期可以是2小时，视密度、视温度和含水率的检测周期可以是4小时。

在实施中，可以使用检测装置获取多种预设状态参数的参数值。

例如，技术人员可以使用压力变送器获取输油管道的原油计量压力。使用温度变送器获取输油管道的原油计量温度。通过对输油管道内的原油取样，送入实验室中进行化验分析，可以获取到视温度。使用原油样品密度分析仪可获得该原油样品在视温度下的视密度，并使用原油样品含水率分析仪可以获得该原油样品的含水率。具体的，技术人员可以在一天24小时内，获取到12个计量压力数据，12个计量温度数据、6个视密度数据、6个视温度以及6个含水率数据。

在步骤205中，基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

其中，每个仪表图像对应的原油流量值可以用分输量来表示。分输量是指在输油管道内的原油流量的过程中，每两小时读取流量计机械表头的读数，相邻两次读取的机械表头读数之差为分输量。例如：在上午8:00的读数是7941m

本申请实施例还提供了净油重量预测模型的训练方法，具体训练过程为：获取多个样本，该样本包括多种预设状态参数的样本第一参数值、样本原油流量值和对应的基准原油净油重量，基于该多个样本，对初始的净油重量预测模型进行训练，得到经过训练的净油重量预测模型。

在实施中，技术人员可以采集到大量的多种预设状态参数的样本第一参数值和样本原油流量值作为样本数据。针对每个样本数据，技术人员可以通过计算机分析，确定该样本数据对应的基准原油净油重量。然后，可以获取一个样本数据输入初始的净油重量预测模型中，开始进行样本数据的正向传播训练。在初始的净油重量预测模型中，待调整的模型的权值可以为预设的初值。此时，获取净油重量预测模型输出的每个样本数据对应的原油净油重量，确定每个样本数据对应的原油净油重量与每个样本数据对应的基准原油净油重量的差异信息。当每个样本数据对应的原油净油重量与每个样本数据对应的基准原油净油重量不符或者相差较大时，开始进入误差反向传播阶段，基于差异信息和预设的误差梯度下降训练算法，对净油重量预测模型各层的权值进行更新调整，确定净油重量预测模型权值的调整值，从而完成一次训练。然后再获取其它样本数据，重复上述过程。通过反复的信息正向传播和误差反向传播过程,不断调整净油重量预测模型各层的权值,直至净油重量预测模型的实际输出的原油净油重量与基准原油净油重量之间的误差在允许范围之内为止，此时净油重量预测模型的权值即为最终权值。这样，通过大量样本的训练，得到最终的净油重量预测模型。

在一种可能实现方式中，根据该每个仪表图像对应的原油流量值，确定在该预设时间段内的目标输油管道内的原油流量值，基于检测到的多种预设状态参数的参数值，确定每种预设状态参数的参数值的平均值，将在该预设时间段内的目标输油管道内的原油流量值和该每种预设状态参数的参数值的平均值，输入经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

其中，目标输油管道内的原油流量值是指在预设时间段内的目标输油管道内的累计原油流量值。具体地，可以将预设时间段内的得到的12个分输量求取累计和，从而得到在该预设时间段内的目标输油管道内的原油流量值。

在实施中，确定在该预设时间段内的目标输油管道内的原油流量值和每种预设状态参数的参数值的平均值的具体过程可以如下表1所示。

表1

在实施中，利用经过训练的净油重量预测模型确定目标输油管道的原油的净油重量之前，需要构建好预测模型的BP神经网络，具体构建过程如下：构建BP神经网络模型的拓扑结构，可以采用具有输入层、第一隐含层、第二隐含层以及输出层的BP神经网络。以检测得到的平均计量温度、平均视密度、平均视温度、平均含水率以及累计流量共5组样本数据作为BP神经网络模型的输入，将目标原油净油重量作为神经网络的输出，因此，可以确定BP神经网络模型的输入层含有5个节点，输出层含有1个节点。遍历BP神经网络模型的每个中间隐含层所含有的节点数，确定第一隐含层含有8个节点，第二隐含层含有4个节点，从而建立净油重量预测模型的BP神经网络。

需要特别说明的是，由于在人工计量中，测得的计量压力小于0.05MPa(单位：兆帕)，该计量压力值较小，对最终输油管道的原油的净油重量的确定几乎不产生影响，未进行计量压力的修正且未记录该计量压力，因此本实施例也不考虑计量压力的修正情况，在对BP神经网络模型进行输入时，计量压力可以不用考虑。

例如，基于构建好的净油重量预测模型的BP神经网络，技术人员可以收集历史计量温度、分输量、视密度、视温度以及含水率共2400组数据，利用表1中的处理方法对历史计量温度、分输量、视密度、视温度以及含水率进行处理，得到2400组样本数据，其中的5组样本数据如表2所示。

表2

将上述2400组样本数据进行划分，选取其中2100组作为训练样本，其余300组作为测试样本。将这2100组训练样本输入已构建好的BP神经网络并进行训练，通过不断迭代更新神经网络的权值，得到训练好的净油重量预测模型。将24小时内的输油管道内的原油累计流量、平均计量温度、平均视密度、平均视温度、平均含水率输入经过训练的净油重量预测模型，得到输油管道的原油的净油重量。

在实施中，如图3所示，图3是基于BP神经网络的净油重量预测模型的示意图。可以将上述经过训练的净油重量预测模型的输入数据和输出数据组合成新的训练样本，与已有的2100组训练样本，对已经过训练的净油重量预测模型继续训练，进一步迭代更新神经网络的权值，以完善该净油重量预测模型，以提高获得输油管道的原油的净油重量的效率和准确性。

在另一种可能实现方式中，该预设拍摄周期等于该预设检测周期，将该每个仪表图像对应的原油流量值和检测到的多种预设状态参数的参数值，输入经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

需要特别说明的是，步骤201中的拍摄周期可以为2小时，计量压力和计量温度的预设检测周期可以为2小时，即该预设拍摄周期等于该预设检测周期。视密度、视温度和含水率的预设检测周期可以为4小时，此时该预设拍摄周期与该预设检测周期有重合的时间点。因此，可以认为预设拍摄周期等于该预设检测周期。

在实施中，将分输量和检测到的计量温度、视密度、视温度和含水率，直接输入经过训练的净油重量预测模型，也可以确定该目标输油管道的原油的净油重量。

例如，可以将10：00、14:00、18：00、22:00、2:00和6:00分别记录的分输量、计量温度、视密度、视温度和含水率输入到经过训练的净油重量预测模型，得到输油管道的原油的净油重量。

在实施中，可以对本申请实施例提供的净油重量预测模型进行校验。具体过程可以为：将净油重量预测模型的输出的原油净油重量值与实际的原油净油重量值进行比较，计算二者的相对误差。校验结果如图4所示，图4是本申请实施例提供的一种输油管道原油净油重量的预测方法的相对误差示意图。由图4可知，二者的相对误差均在±0.1％以内，其中误差在±0.05％内的样本数据有272组，占所有样本数据的91％。因此，通过本申请实施例提供的方法确定的输油管道的原油的净油重量较为准确。

通过本申请实施例提供的方法，通过获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值，基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。本申请通过构建经过训练的净油重量预测模型得到输油管道的原油的净油重量，而不是通过大量的人工读数、查表和计算得到输油管道的原油的净油重量，以提高获得输油管道的原油的净油重量的效率和准确性。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

图5是本申请实施例提供的一种确定管输原油的净油重量的装置的结构示意图。参见图5，该装置包括：

第一获取模块501，用于获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像；

第一确定模块502，用于基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息；

第二确定模块503，用于基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值；

第二获取模块504，用于获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值；

第三确定模块505，用于基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

在一种可能的实现方式中，该第三确定模块505用于：

根据该每个仪表图像对应的原油流量值，确定在该预设时间段内的目标输油管道内的原油流量值；

基于检测到的多种预设状态参数的参数值，确定每种预设状态参数的参数值的平均值；

将在该预设时间段内的目标输油管道内的原油流量值和该每种预设状态参数的参数值的平均值，输入经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

在一种可能的实现方式中，该预设拍摄周期等于该预设检测周期，该第三确定模块505用于：

将该每个仪表图像对应的原油流量值和检测到的多种预设状态参数的参数值，输入经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。

在一种可能的实现方式中，该第一确定模块501，包括：

第一确定子单元，用于对于拍摄的每个仪表图像，将该仪表图像输入读数位置识别模型，得到每一位读数在该仪表图像中的位置信息，基于该每一位读数在该仪表图像中的位置信息，在该仪表图像中确定每一位读数对应的子图像；

第二确定子单元，用于基于每个仪表图像中包含的每一位读数对应的子图像和经过训练的特征提取模型，确定每个仪表图像中包含的每一位读数对应的特征信息；

该第二确定模块502用于：

将每个仪表图像中包含的每一位读数对应的特征信息，分别输入经过训练的仪表读数模型，得到每个仪表图像中包含的每一位读数的值；

基于每个仪表图像中包含的每一位读数的值，确定每个仪表图像对应的原油流量值。

在一种可能的实现方式中，该第二确定子单元用于：

将每个仪表图像中包含的每一位读数对应的子图像转换为灰度图像；

将每个灰度图像转换为二值图像，得到每个仪表图像中包含的每一位读数对应的二值图像；

分别将每个仪表图像中包含的每一位读数对应的二值图像输入经过训练的特征提取模型，得到每个仪表图像中包含的每一位读数对应的特征信息。

通过本申请实施例提供的装置，通过获取在预设时间段内按预设拍摄周期拍摄的目标输油管道的流量计机械表头的仪表图像，基于经过训练的特征提取模型，确定拍摄的每个仪表图像对应的特征信息，基于该每个仪表图像对应的特征信息和经过训练的仪表读数模型，确定每个仪表图像对应的原油流量值，获取在预设时间段内按预设检测周期检测的多种预设状态参数的参数值，基于该每个仪表图像对应的原油流量值、检测到的多种预设状态参数的参数值和经过训练的净油重量预测模型，确定该目标输油管道的原油的净油重量。本申请通过构建经过训练的净油重量预测模型得到输油管道的原油的净油重量，而不是通过大量的人工读数、查表和计算得到输油管道的原油的净油重量，以提高获得输油管道的原油的净油重量的效率和准确性。

需要说明的是：上述实施例提供的确定管输原油的净油重量的装置在确定管输原油的净油重量时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定管输原油的净油重量的装置与确定管输原油的净油重量的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。