油气设施智能识别与矢量点标注研究

油气设施智能识别与矢量点标注研究

ISSN：3080-4272(P)3105-0972(O)
DOI：https://doi.org/10.64090/3105-0972.20250306
出版频率：月刊
语言：中文
收录数据库：Crossref

刘松 1 钱宇雯（通讯作者）申晋利 1 胡钰乾 2 陈玉华 2

1.中石油勘探开发研究院北京 100083；2. 中国矿业大学资源与地球科学学院江苏徐州 221008

摘要：随着全球能源需求的增长，油气设施的高效检测与管理成为资源开发的重要课题。传统的人工检测方法效率低且成本高昂，难以满足大规模油气田的监控需求。近年来，遥感技术与深度学习的结合为目标检测提供了新的解决方案。本研究基于高分辨率遥感影像与深度学习技术，提出了一种改进的 YOLOv5 模型，用于油气设施的智能识别与标注。通过融合 Focal Loss 损失函数，解决了类别不均衡问题，优化了模型对井场、场站及疑似油气设施的检测性能。实验结果表明，模型在测试集上的平均精度（AP）分别为井场 0.872、场站0.9、疑似油气设施 0.808，综合识别准确率达 90% 以上。塔里木盆地研究区构建的 21 万张影像切片影像集及3850 个地理矢量点成果，为油气设施管理提供了高精度、低成本的解决方案，显著提升了监测效率。

关键词：遥感技术；高分辨率；深度学习；YOLOv5；目标检测

参考文献

[3]Lin T Y , Dollar P , Girshick R ,et al. Feature Pyramid Networks for ObjectDetection[C]// 2017 IEEE Conference on ComputerVision and Pattern Recognition (CVPR). IEEE

[2] 张永梅 , 季艳 , 马礼 , 等 . 遥感图像建筑物识别及变化检测方法 [J]. 电子学报 ,2014,42(04):653-657.Computer Society, 2017.

[4]Liu W , Ma L , Chen H . ArbitraryOriented Ship Detection Framework in OpticalRemote Sensing Images[J]. IEEE Geoence and

Remote Sensing Letters, 2018:1-5.[1]Redmon J, Divvala S, Girshick R, et cumt.edu.cnal. You Only Look Once: Unified, real-time

object detection[C]//Proceedings of the IEEEconference on computer vision andpattern

[5]Yang J , Zhu Y , Jiang B , et al.Aircraft detection in remote sensing imagesbased on a deep residual network and SuperVector coding[J]. Remote Sensing Letters, 2018,recognition. 2016: 779-788.

9(3):229-237.