本发明是关于一种海上钻井平台通道占用识别方法、装置、设备及介质，涉及海上钻井平台领域。
背景技术：
1、海上钻井平台的通道结构设计复杂，包括通往钻台、散料仓、泥浆泵、司钻房及管甲板等区域的通道，如图1所示。确保各个通道整洁畅通，禁止物品堆放堵塞通道，可以保证发生事故时人员的快速疏散逃生，同时确保物料传送效率，有效防范化解安全风险。因此，海上钻井平台上进行通道占用识别预警对于安全管理、应急响应、运营效率和资源管理都具有重要的意义。近年来，基于人工智能的深度学习技术已经应用到计算机视觉各个领域，例如图像分类、目标检测、图像分割及超分辨率重建等，在视频监控、图像处理及图像分析等场景中具有广阔的研究前景。
2、现有的通道占用识别方法通常是对固定场景下的消防通道图像进行目标检测或者目标分类。目前通道占用识别算法大部分利用深度学习网络，可以分为以下三种：(1)对输入的图像数据直接进行图像二分类的方法，输出消防通道被占用或未被占用；(2)对输入的图像数据使用目标检测方法，检测是否有预设的占用物体类别出现在画面内指定区域，来判断消防通道是否被占用；(3)使用图像特征提取比对的方法，对输入的图像数据进行基于深度学习网络的特征提取，输出图像的特征值向量，人工设定占用和未占用图像特征值向量的相似度阈值，来判断消防通道是否被占用。其中，基于直接图像分类的方法通过深度神经网络提取图像特征，将图片分成被占用以及未被占用，深度学习网络整体深度加深，感受野逐渐变大，可能会大于占用通道的物体所在的图像区域，提取不到物体的显著特征，从而导致网络效果变差。基于目标检测的方法需要准确知道通道的具体区域，才能判断被检测物体是否在该区域内；如果不知道通道在图片中的准确位置，输出结果会受背景区域的物体干扰。基于图像特征提取与比对方法的缺点与图像分类一致，对于较大物体的占用反馈效果较好，对于小物体类的占用反馈较差。
3、现有方法在面对海上钻井平台复杂多变的通道场景时不具备普适性，无法准确分割出通道区域，容易将背景中的物体误认为占用状态，存在错误识别的问题。除此之外，海上钻井平台环境复杂，不同场景的通道区域可能具有不同的形状位置、光照变化、遮挡物和背景干扰。海上钻井平台的不同场景在光照变化、占用物体的类别等方面都有所不同，导致传统的通道占用识别方法应用到海上钻井平台时性能低下，无法准确地识别通道占用，针对这种特定复杂场景的通道占用识别研究较少。另外，海上钻井平台的通道占用情况可能呈现不平衡的分布，即占用和非占用样本数量存在巨大差异。这导致深度学习网络在训练和预测过程中存在偏差，可能会更倾向于预测数量较多的类别，这种不平衡性也会降低通道占用识别的准确性。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够对海上钻井平台各类光照下的通道图片均具有良好识别效果的海上钻井平台通道占用识别方法、装置、设备及介质。
2、为了实现上述发明目的，本发明采用的技术方案为：
3、第一方面，本发明提供一种海上钻井平台通道占用识别方法，该方法包括：
4、对输入的不同场景图像采用分割网络定位通道区域并进行分割，识别出通道区域；
5、将识别出的通道区域通过通道占用分类模型进行分类，输出通道区域的占用情况。
6、进一步地，分割网络采用deeplabv3网络，deeplabv3网络的训练过程，包括：
7、训练前：根据图像标签的json文件，定位图像中预先手动标注的标注区域，并生成相应的掩码图像作为图像分割的标签；将准备好的训练数据和标签转化为voc数据集，基于voc数据集预训练骨干网络；
8、训练时：将输入的图像和标签进行缩放；利用预训练的骨干网络提取图像的高维特征；使用空洞空间金字塔池化对不同尺度的高维特征图进行重采样，实现高维特征图的多尺度特征融合，并经过decoder处理，高维特征图生成通道识别的掩码预测结果；使用交叉熵损失对掩码预测结果进行优化获得分割网络。
9、进一步地，还包括将不同场景的原始图像和分割结果相乘后再输入到通道占用分类模型中进行分类的步骤。
10、进一步地，将识别出的通道区域通过通道占用分类模型进行分类，输出通道区域的占用情况，包括：
11、将通道区域输入到通道占用分类模型中进行分类，如果通道区域被划分到正类的一侧，那么被认为该场景是通道未占用情况；如果通道区域被划分到负类的一侧，那么被认为该场景是被占用的情况。
12、进一步地，通道占用分类模型用于通过训练分类器学习正类的特征和分布，并建立一个决策函数来将正类样本与负类样本分开，通道占用分类模型采用mobilenetv3，mobilenetv3的训练过程包括：
13、首先，对于训练图像使用一个卷积结合pwconv调整通道数，得到第一设定尺寸的特征图；
14、然后，将特征图展开为第二设定尺寸的tokens，并输入到transformer中提取全局信息，并将输出重新折叠复原为第一设定尺寸的特征图；
15、最后，使用pwconv将特征图复原，并与原始特征图进行拼接，得到输出特征，将输出特征进行全局平均池化得到分类logits，并通过softmax得到最终分类，经过多轮迭代训练，获得训练好的通道占用分类模型。
16、进一步地，负样本生成的过程，包括：
17、通过对海油钻井平台不同场景中易占用通道的物体进行剪切且结合已有数据集获得物体集；
18、通过设计的随机遮挡方法将其中的物体粘贴到未占用的通道上，模拟还原通道被占用的情况，获得通道被占用的负样本。
19、进一步地，随机遮挡方法根据通道掩码图像在掩码区域内随机选择一点作为种子点；随后在对象列表中随机选取一个物体对象，并根据种子点在图像中的位置对物体进行随机缩放与随机旋转；以种子点为中心，将物体粘贴到原图中，并通过指定粘贴规则确保粘贴的物体不超过原图像边界。
20、第二方面，本发明还提供一种海上钻井平台通道占用识别装置，该装置包括：
21、通道分割模块，被配置为从输入图像中准确定位通道区域并进行分割，识别出通道区域；
22、通道分类模块，被配置为通过建立的模型对通道区域进行分类，输出通道区域是否被未占用情况。
23、第三方面，本发明还提供一种电子设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法中的任一方法的指令。
24、第四方面，本发明还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法中的任一方法。
25、本发明由于采取以上技术方案，其具有以下特点：
26、1、本发明将通道占用识别分为两个阶段，第一个阶段先对不同场景下的通道进行分割识别出通道区域；第二阶段使用分类网络对通道占用情况进行分类。因此，本发明在海上平台不同的通道场景下均能分割出通道区域。
27、2、本发明包括通道分割模块、负样本生成模块和通道分类模块，通道分割模块通过将通道进行分割能够针对复杂的海上钻井平台环境进行通道占用识别，并能够排除遮挡物和背景的干扰，具有较强的鲁棒性，负样本生成模块中粘贴了多个类型的遮挡物，大部分为从海上钻井平台通过目标分割提取的常见物体，不仅解决了通道占用任务中的正负样本不平衡的问题，同时提升了模型的鲁棒性，还解决了通道占用识别任务中负样本的稀缺问题。
28、3、本发明针对海上平台的特点，在不同的光照、遮挡、背景的海上钻井平台通道场景下都有较高的识别率，具有出色的泛化能力。
29、综上，本发明为海上钻井平台的通道占用识别提供了新的解决思路，可以广泛应用于海上钻井平台的通道结构识别中。
1.一种海上钻井平台通道占用识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的海上钻井平台通道占用识别方法，其特征在于，分割网络采用deeplabv3网络，deeplabv3网络的训练过程，包括：
3.根据权利要求1所述的海上钻井平台通道占用识别方法，其特征在于，还包括将不同场景的原始图像和分割结果相乘后再输入到通道占用分类模型中进行分类的步骤。
4.根据权利要求1所述的海上钻井平台通道占用识别方法，其特征在于，将识别出的通道区域通过通道占用分类模型进行分类，输出通道区域的占用情况，包括：
5.根据权利要求4所述的海上钻井平台通道占用识别方法，其特征在于，通道占用分类模型用于通过训练分类器学习正类的特征和分布，并建立一个决策函数来将正类样本与负类样本分开，通道占用分类模型采用mobilenetv3，mobilenetv3的训练过程包括：
6.根据权利要求5所述的海上钻井平台通道占用识别方法，其特征在于，负样本生成的过程，包括：
7.根据权利要求6所述的海上钻井平台通道占用识别方法，其特征在于，随机遮挡方法根据通道掩码图像在掩码区域内随机选择一点作为种子点；随后在对象列表中随机选取一个物体对象，并根据种子点在图像中的位置对物体进行随机缩放与随机旋转；以种子点为中心，将物体粘贴到原图中，并通过指定粘贴规则确保粘贴的物体不超过原图像边界。
8.一种海上钻井平台通道占用识别装置，其特征在于，该装置包括：
9.一种电子设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
