(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211186386.0 (22)申请日 2022.09.28 (65)同一申请的已公布的文献号 申请公布号 CN 115294556 A (43)申请公布日 2022.11.04 (73)专利权人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 王国荣　陈帅羽　胡刚　庞东晓　 王志敏　 (74)专利代理 机构 成都云纵知识产权代理事务 所(普通合伙) 51316 专利代理师 伍星　刘沙粒 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 114240885 A,202 2.03.25 CN 114694090 A,202 2.07.01 CN 114821032 A,202 2.07.29 CN 114973002 A,202 2.08.30 CN 112396035 A,2021.02.23 CN 114898470 A,202 2.08.12 CN 114821278 A,202 2.07.29 US 2022292311 A1,202 2.09.15 谢团结等.基 于改进YOLOv5算法的织物 疵点 检测系统. 《棉纺织 技术》 .2020, 林森等.采用注意力机制与改进YOLOv5的水 下珍品检测. 《农业工程学报》 .2021,第37 卷(第 18期), 王玲敏等.引入注意力机制的YOLOv5安全帽 佩戴检测方法. 《计算机 工程与应用》 .202 2,(续) 审查员 刘利 (54)发明名称 基于改进YOLOv5的密闭振动筛上异常流态 流体检测方法 (57)摘要 本发明公开了基于改进YOLOv5的密闭振动 筛上异常流态 流体检测方法， 采集密闭振动筛内 筛网上的图像信息； 将所述图像信息输入至改进 的YOLOv5网络模型； 所述改进的YOLOv5网络模型 中， 在骨干部分使用自适应分配权重的卷积核； 由改进的YOLOv5网络模型识别筛网上的异常流 态流体； 输出识别结果。 本发明提供基于改进 YOLOv5的密闭振动筛 上异常流态流体检测方法， 以解决现有技术中无法对密闭振动筛内部的钻 井液流动状态进行检测、 严重制约密闭振动筛的 实际工程运用的问题， 实现自动化检测密闭振动 筛内部的钻井液异常流态、 使密闭振动筛的工程 实际运用成为可能的目的。 [转续页] 权利要求书2页 说明书11页 附图4页 CN 115294556 B 2022.12.13 CN 115294556 B (56)对比文件 Lize Miao 等.CBAM-Yolov5:improved Yolov5 based o n attention model for infrared ship detecti on. 《Proce edings of SPIE》 .202 2, 徐诚极等.A ttention-YOLO： 引入注意力机制的YOLO检测算法. 《计算机 工程与应用》 .2019, 第55卷(第6期), Duo Li等.Involution: Inverting the Inherence of Co nvolution for Visual Recognition. 《Arxiv》 .2021,2/2 页 2[接上页] CN 115294556 B1.基于改进YOLOv5的密闭振动筛上异常流态流体 检测方法， 其特 征在于， 包括： 采集密闭振动筛内筛网上的图像信息； 将所述图像信息输入至改进的YOLOv5网络模型； 所述改进的YOLOv5网络模型中， 在骨 干部分使用自适应分配权 重的卷积核； 由改进的YOLOv5网络模型识别筛网上的异常流态流体； 输出识别结果； 所述自适应分配权 重的卷积核采用如下 卷积方法： 取出图像中的某一个 像素点， 将该像素点代入下式计算， 得到第一特 征图： Hi,j=W1σ(W0Xi,j)； 式中， Hi,j为该像素点经过计算后得到的值； W1、 W0均代表线性变换； σ 代表批量归一化非 线性激活函数； Xi,j代表该像素点的大小； i，j为该像素点的坐标； 对第一特征图进行通道维度到空间维度的转换， 再将转换结果与该像素点相乘得到第 二特征图； 对第二特 征图进行聚合并相加， 得到第三特 征图， 完成对该像素点的计算； 完成对图像中所有像素点的计算， 完成卷积； 所述改进的YOLOv5网络模型通过如下 方法建立： 获取包含异常流态流体的振动筛 筛网图像作为数据集； 对数据集中的检验框进行 聚类， 以聚类后得到的检验框替换YOLOv5网络中的初始检验 框； 添加注意力模块； 确定边界框损失函数； 将数据集输入YOLOv5网络进行训练， 以训练好的模型作为改进的YOLOv5网络模型； 所述添加注意力模块的方法包括： 引入CBAM注意力机制， 所述CBAM注意力机制包括 通道注意力模块、 空间注意力模块； 得到通道 注意力模块中每 个通道的权 重值； 基于权重值对所有通道进行加权计算， 得到合并池化结果； 基于合并池化结果计算 通道注意力； 由空间注意力模块计算空间注意力； 确定的边界框损失函数为 α‑DEIoUloss： ； 式中，α‑EIoU为惩罚项； r为真实框和预测框的高度差与中心点之间的欧氏距离的比 值；β'为用于平衡 r的参数项； 参数项β'通过如下公式计算： ； 式中，IoU为真实框和预测框的交并比； 真实框和预测框的高度差与中心点之间 的欧氏距离的比值 r通过如下公式计算： 权　利　要　求　书 1/2 页 2 CN 115294556 B 3