本发明涉及地震勘探中施工，尤其涉及一种基于深度学习的地震勘探震源井深度测量方法。
背景技术：
1、在石油勘探中，经常需要人工打震源井，以用来人工激发震源爆炸，来获取数据。震源的深度有严格的规范与要求，为了防止工人施工时所打震源井的深度不规范，导致采集到不能使用的数据，因此在野外施工时往往会佩戴施工记录仪用来记录整个施工过程。然后根据录制的施工视频人工计数钻杆数量，用钻杆数量乘以钻杆长度来计算震源井深度，以确定震源深度是否符合规范。对于该任务的简单描述为，地震勘探震源井深度测量是指：根据施工视频准确计数钻杆的数量，然后用数量乘以杆长得出震源井的深度。随着勘探数量逐渐增加，记录的施工视频日益骤增。面对海量的施工视频，由人工进行观看对钻杆计数以对震源井深度进行测量，人力资源消耗大、处理耗时长、效率低、处理精度差。暂时还没有一种好的处理方法能进行地震勘探震源井深度的自动测量。
技术实现思路
1、本发明的目的是要提供一种基于深度学习的地震勘探震源井深度测量方法。该方法可以解决实际工程中海量施工视频人工计数处理耗时长、效率低下等问题，同时结合深度学习领域的方法有效提高了震源井深度测量的精度。
2、为达到上述目的，本发明是按照以下技术方案实施的：
3、本发明包括以下步骤：
4、s101：获取地震勘探工程中实际震源井施工视频；
5、s102：将所述实际震源井施工视频逐帧划分为拔插行为帧和非拔插行为帧两类视频；
6、s103：对于分好的两类视频帧制作图像判别数据集，以及对拔插行为帧里钻杆进行标注，制作目标检测数据集；
7、s104：将图像判别数据集输入至图像识别神经网络中进行训练，将目标检测数据集输入至目标检测网络中进行训练，对两个神经网络进行调参使其拟合；
8、s105：将步骤s101中的实际震源井施工视频输入至图像识别神经网络中进行推理，若当前视频帧判断为正在拔插钻杆作业，则将视频帧输入目标检测网络中检测钻杆位置，否则将视频下一帧输入图像识别神经网络中进行推理判断；
9、s106：使用目标检测网络检测得到视频中正在拔插钻杆部分画面中钻杆检测框的位置和大小，然后若视频结束则记录下整个视频钻杆顶点曲线，否则将视频下一帧输入图像识别神经网络中进行推理判断；
10、s107：记录钻杆顶点变化曲线；
11、s108：对步骤s107得到的钻杆顶点变化曲线进行分析，首先对钻杆顶点变化曲线进行高斯滤波，对滤波后的曲线执行窗口挑选算法，得到拔钻杆的数量和插钻杆的数量，以二者最大值乘以杆长得到震源井深度。
12、所述步骤s103中图像判别数据集制作方法为：根据是否正在施工将视频帧分为两类，分别放入两个文件夹；所述目标检测数据集制作方法为：使用标注工具对拔插钻杆视频帧里的钻杆打上标注框，再将标注好的视频帧保存为yolo格式(redmon j et al.，2016)。
13、所述步骤s104具体为：首先，搭建图像识别神经网络，将图像识别数据集输入图像识别神经网络进行训练，对图像识别神经网络进行调参，使其达到拟合即测试集损失在一定范围波动；而后，搭建目标检测神经网络，将目标检测数据集输入目标检测神经网络进行训练，对目标检测神经网络进行调参，使其达到拟合即测试集损失在一定范围波动。
14、所述步骤s107中记录钻杆顶点变化曲线为：根据目标检测神经网络输出得到钻杆检测框的位置和大小，根据坐标原点以及检测框的位置和大小换算出钻杆顶点坐标，并记录。
15、所述步骤s108中高斯滤波公式为：
16、
17、其中x′为滤波后的曲线,x为滤波前曲线,σ为高斯核的标准差，μ是曲线均值。
18、所述步骤s108中窗口挑选算法包括以下步骤：
19、s1081：设定窗口阈值σt以及合并阈值σi；
20、s1082：遍历曲线，如果曲线值大于窗口阈值σt则窗口开始，记录窗口开始点在曲线的坐标数据；
21、s1083：从步骤s1082记录位置开始遍历曲线，当曲线值小于窗口阈值σt则窗口结束，记录窗口结束点在曲线的坐标数据；
22、s1084：若没有遍历到曲线末尾，则从s1083记录的结束点开始再次执行s1082和s1083，若曲线结束则跳转到s1085；
23、s1085：遍历所有窗口所有挑选出的窗口，如果两个窗口距离小于合并阈值σi则将两个窗口合并，即将左窗口的开始点作为合并后窗口的开始点，将右窗口的结束点作为合并后窗口的结束点；
24、s1086：找出所有窗口内的最大值，以及最大值在曲线上的坐标数据；
25、s1087：遍历所有窗口，如果最大值离窗口开始较近则计数为插钻杆，如果最大值离窗口结束较近则计数为拔钻杆。
26、本发明的有益效果是：
27、本发明是一种基于深度学习的地震勘探震源井深度测量方法，与现有技术相比，本发明具有如下技术效果：
28、(1)本发明结合深度学习中图象识别以及目标检测思想来实现钻杆的精确计数，利用深度学习网络强大的数据分析以及表征能力检测出钻杆大小和位置，以图像识别的方式提高了整体施工视频的处理精确度和效率。
29、(2)本发明设计了一个多阶段多尺度的神经网络，能根据深度学习目标检测任务和图像识别任务特点，准确的判断当前视频帧是否在拔插钻杆作业，以及在拔插钻杆时准确定位钻杆的位置和大小。有效解决了非拔插钻杆帧对最终曲线的干扰，提高了最终曲线分析时计数的准确性。
30、(3)本发明在进行曲线分析进行计数时，所使用的窗口计数法能准确的抓住钻杆变化信号，准确的捕捉拔插钻杆特征，进行精确计数。
31、(4)本发明中所使用的神经网络的模型以及训练环境并不局限于某一具体框架，可根据实际应用场景自主选择。因而，该发明可拓展至不同操作系统、不同编译环境下的平台中部署。
1.一种基于深度学习的地震勘探震源井深度测量方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的地震勘探震源井深度测量方法，其特征在于：所述步骤s103中图像判别数据集制作方法为：根据是否正在施工将视频帧分为两类，分别放入两个文件夹；所述目标检测数据集制作方法为：使用标注工具对拔插钻杆视频帧里的钻杆打上标注框，再将标注好的视频帧保存为yolo格式。
3.根据权利要求2所述的基于深度学习的地震勘探震源井深度测量方法，其特征在于：所述步骤s104具体为：首先，搭建图像识别神经网络，将图像识别数据集输入图像识别神经网络进行训练，对图像识别神经网络进行调参，使其达到拟合即测试集损失在一定范围波动；而后，搭建目标检测神经网络，将目标检测数据集输入目标检测神经网络进行训练，对目标检测神经网络进行调参，使其达到拟合即测试集损失在一定范围波动。
4.根据权利要求3所述的基于深度学习的地震勘探震源井深度测量方法，其特征在于：所述步骤s107中记录钻杆顶点变化曲线为：根据目标检测神经网络输出得到钻杆检测框的位置和大小，根据坐标原点以及检测框的位置和大小换算出钻杆顶点坐标，并记录。
5.根据权利要求4所述的基于深度学习的地震勘探震源井深度测量方法，其特征在于：所述步骤s108中高斯滤波公式为：
6.根据权利要求5所述的基于深度学习的地震勘探震源井深度测量方法，其特征在于：所述步骤s108中窗口挑选算法包括以下步骤：
