近日，张凯团队在井场修井作业智能化视频分析领域取得新进展，相关研究成果在SPE Journal上发表，论文题目为《Enhancing Safety and Workover Efficiency Through Real-Time Scale Adaptive Video Detection of Critical Objects at the Wellsite》（利用井场实时尺度自适应关键目标视频检测方法增强作业安全性与修井效率）

创新性：我们提出了一种实时尺度自适应的视频检测模型来对井场关键目标进行智能化监测。文章借鉴了注意力机制对图像识别的经验，采用无参数的注意力机制改进图像特征提取网络，增强了模型对小尺度的准确特征学习，实现对井场视频图像中不同尺度的设备及人员的精准识别，同时引入Focal策略优化模型定位损失函数，提升了模型对不均衡类别的鲁棒性，基于识别模型和视频安全决策模型，论文对区域监测、设备运行状态分析、施工规范性监测三个应用场景进行分析，结果表明该方法能够显著反应场景情况，让无人智能化监测成为可能。

中文摘要：油气田开发中的井场作为基本单位，是生产活动的中心，修井作业是确保生产连续性的关键手段，部署在井场的各种机械设备对于油气提取和井修作业等任务至关重要，在油气田开发中占据着关键位置。智能井场实施需要主要关注机械设备的监测，视频作为井场的重要多源信息形式而出现。虽然现有的井场视频监控研究主要涉及系统和数据传输问题，但在智能井场运营中实时评估和预警的挑战方面还存在不足。本研究介绍了一种基于尺度自适应网络识别井场关键目标的方法。该模型采用多尺度融合网络提取不同尺度的图像特征和语义特征，促进它们的融合。井场视频图像的处理分为多个阶段，输出预测框位置和类别信息，实现井场关键对象的定位和识别。与传统的深度卷积目标检测方法不同，该模型融合了一个无参数的注意力机制，在特征提取过程中增强了小目标的准确特征学习，解决了多尺度不平衡的问题。实验结果验证了该方法的稳健性能，超越了最新的单阶段目标检测模型和主流损失函数方法。对比实验表明，与YOLOv8相比，平均精度（mAP）提升了9.22%，将该模型确定为损失函数优化实验中的佼佼者。此外，我们提出了一个视频安全决策模型，其结果与识别模型相结合，适用于井场场景的视频检测。该模型在场景区域划分和行为监控方面展现了强大的整合能力。

SPE Journal（1086-055X）涵盖了石油和天然气勘探和生产工程的各个方面的新理论和新概念，包括钻井和完井、地质力学、生产和设施、油田化学、CO2封存和注入、储层评估和工程、数值模拟、数据分析，经济和外部性，包括健康、安全、环境和可持续性。该期刊2023年影响因子3.602，JCR分区为Q1区，中科院工程技术大类3区。

文章链接：https://doi.org/10.2118/219771-PA

引用格式：ZHANG, K., SONG, Z., XIA, X., ZHANG, L., YANG, Y., SUN, H., YAO, J., ZHANG, H., ZHANG, Y., FENG, G. & LIU, C. 2024. Enhancing Safety and Workover Efficiency Through Real-Time Scale-Adaptive Video Detection of Critical Objects at the Wellsite. SPE Journal, 1-18. https://doi.org/10.2118/219771-PA