基于目标检测与模糊度判断的油藏注水悬浮颗粒物在线检测方法及其应用

doi:10.12422/j.issn.1006-396X.2026.05.008

摘要/Abstract

摘要：

随着环保生产技术的不断升级，悬浮颗粒物的精准监测已成为提升地质生态环境质量的关键环节。提出一种面向石油生产水微小颗粒的实时检测范式：在YOLOv8框架内，将GSConv与上下文锚点注意力（CAA）进行轻量化⁃注意力耦合，形成GSConv⁃CAA联合单元。首先，以改进YOLOv8定位颗粒并裁剪感兴趣区域；继而设计频域⁃梯度混合模糊度指标，自适应筛除低质量子图；最后，结合形态学算法快速拟合颗粒等效直径。为了确保模型在实现轻量化的同时保持特征表达能力，将CBS模块中的标准卷积替换为GSConv，并在检测头嵌入CAA，以显式建模像素级长程依赖，从而进一步强化中心区域特征。在自建油田水样数据集上的实验表明，所提方法的精确率达81.6%，AP50（交并比为0.5时计算得到的平均精度）达到82.2%、F1分数达到77.6%，推理速度为214 FPS，为石油生产水悬浮颗粒的实时、高精度监测提供了可行方案。

关键词: 颗粒物检测, 目标检测, 图像处理, 深度学习, YOLO

Abstract:

With the continuous upgrading of environmentally friendly production technologies, accurate monitoring of suspended particulates has become a pivotal step toward improving geological and ecological environmental quality. A real⁃time detection paradigm for micro⁃particles in petroleum produced water is proposed.Within the YOLOv8 framework, GSConv is lightweightly coupled with Contextual Anchor Attention (CAA) to form a GSConv⁃CAA joint module. First, an improved YOLOv8 localizes particles and crops the corresponding regions of interest. Next, a frequency⁃domain⁃gradient hybrid blur metric is designed to automatically discard low⁃quality sub⁃images. Finally, a morphological algorithm is employed to rapidly fit the equivalent diameters of the particles. To maintain representational capacity while reducing computational burden, we replace the standard convolutions in the CBS modules with GSConv and embed a CAA module into the detection head, explicitly modeling long⁃range pixel⁃wise dependencies and further enhancing central⁃region features. Experiments on a self⁃built oilfield water sample dataset show that the proposed method achieves a precision of 81.6%, AP50 (average precision calculated at an intersection over union of 0.5) of 82.2%, and an F1 score of 77.6%, with an inference speed of 214 FPS. This provides a feasible solution for real⁃time, high⁃precision monitoring of suspended particles in petroleum produced water.

Key words: Particulate matter detection, Object detection, Image processing, Deep learning, YOLO

中图分类号:

TE973

林晨, 刘铭辉, 王新乐, 王妮, 毛邓添. 基于目标检测与模糊度判断的油藏注水悬浮颗粒物在线检测方法及其应用[J]. 石油化工高等学校学报, 2026, 39(5): 65-73.

Chen LIN, Minghui LIU, Xinle WANG, Ni WANG, Dengtian MAO. A Suspended Particle Detection Method for Petroleum Produced Water Reservoir Water Injection Based on Object Detection and Blur Assessment and Its Application[J]. Journal of Petrochemical Universities, 2026, 39(5): 65-73.

图/表 9

图1 改进后的YOLOv8模型结构

Fig.1 Improving the structure of the YOLOv8 model

图2 GSConv模块结构

Fig.2 GSConv module structure

图3 CAA模块结构

Fig.3 Structure of CAA module

图4 本文模型在训练集与测试集上的损失收敛曲线

Fig.4 Loss convergence curves of the proposed model on the training and test sets

表1 模型的检测效果对比结果

Table 1 Model detection effect comparison experiment

模型	PR/%	AP50/%	F1分数/%	参数量/M	推理速度/FPS
Efficientnetv2	72.4	74.1	70.2	24.5	120
SSD	68.7	70.3	66.1	41.5	95
Faster-RCNN	75.9	77.5	72.8	45.9	20
YOLOv5	79.2	80.5	75.3	7.5	150
YOLOv8	80.4	81.7	76.5	6.2	183
本文	81.6	82.2	77.6	5.8	214

表2 模块消融实验结果

Table 2 Results of module ablation experiment

模型	PR/%	AP50/%	F1分数/%	参数量/M	推理速度/FPS
YOLOv8n	79.8	80.9	75.9	6.2	183
YOLOv8n+GSConv	80.5	81.5	76.8	5.6	230
YOLOv8n+CAA	80.9	81.8	77.1	6.4	172
本文	81.6	82.2	77.6	5.8	214

图5 初始YOLOv8和改进模型的热力响应图对比

Fig.5 Comparison of thermal response maps between the initial YOLOv8 and improved models

表3 相对光照对模型检测效果的影响

Table 3 The influence of relative illumination on model detection effect

相对光照	PR/%	AP50/%	F1分数/%
0.4	75.2	76.8	72.4
0.6	78.4	79.5	75.0
0.8	80.1	81.0	76.8
1.0	81.6	82.2	77.6
1.2	79.6	80.5	76.2
1.4	78.8	79.3	75.5
1.6	77.9	78.1	74.8

表4 样品D50对比实验

Table 4 D50 comparison experiment of samples

样品编号	D₅₀		绝对误差
样品编号	本文方法	激光粒度法	绝对误差
A平台	2.71	3.01	-0.30
B平台	3.22	4.02	-0.80
C平台	4.61	4.98	-0.37
D平台	5.34	5.13	+0.21
E平台	3.58	3.25	+0.33

参考文献 17

[1]	段世航，崔若然，江荣风，等. 激光衍射法测定土壤粒径分布的研究进展［J］. 土壤， 2020， 52（2）： 247⁃253.
	DUAN S H， CUI R R， JIANG R F， et al. Research advance in determing soil particle size distribution by laser diffraction method［J］. Soils， 2020， 52（2）： 247⁃253.
[2]	赵蓉，潘科玮，杨斌，等. 跨微米尺度混合颗粒粒径的同步测量方法［J］. 光学学报， 2020， 40（7）： 102⁃108.
	ZHAO R， PAN K W， YANG B， et al. Synchronous measurement method of trans⁃micron scale mixed particle size［J］. Acta Optica Sinica， 2020， 40（7）： 102⁃108.
[3]	潘新，王章军，孟祥谦，等. 基于成像极化浊度计的颗粒粒径检测技术［J］. 激光与光电子学进展， 2020， 57（9）： 209⁃215.
	PAN X， WANG Z J， MENG X Q， et al. Particle size detection technology based on imaging polarization nephelometer［J］. Laser & Optoelectronics Progress， 2020， 57（9）： 209⁃215.
[4]	谢莉，粟立，肖瑶，等. 激光衍射法测定吸入用布地奈德混悬液的粒度分布［J］. 药物分析杂志， 2024， 44（11）： 2004⁃2010.
	XIE L， SU L， XIAO Y， et al. Determination of particle size distribution of budesonide suspension for inhalation by laser diffraction method［J］. Chinese Journal of Pharmaceutical Analysis， 2024， 44（11）： 2004⁃2010.
[5]	王克强，李德文，王有鹏. 基于图像法和激光法的山东半岛黄岛海滩沉积物粒度特征对比［J］. 第四纪研究， 2020， 40（1）： 229⁃237.
	WANG K Q， LI D W， WANG Y P. Comparisons of grain⁃size analysis results of beach sediments in the Huangdao District， Qingdao， based on imaging and laser methods［J］. Quaternary Sciences， 2020， 40（1）： 229⁃237.
[6]	王征，马宪民. 基于边界剥离分水岭算法的重叠颗粒分离研究［J］. 科学技术与工程， 2015， 35（4）： 131⁃134.
	WANG Z， MA X M. Boundary stripping watershed algorithm based overlaping particles separation［J］. Science Technology and Engineering， 2015， 35（4）： 131⁃134.
[7]	唐小娅，童思陈，王亮，等. 图像处理技术在泥沙粒径分析中的应用［J］. 水利水电技术， 2017， 48（6）： 85⁃90.
	TANG X Y， TONG S C， WANG L， et al. Study on application of digital image processing technique to analysis of sediment particle size［J］. Water Resources and Hydropower Engineering， 2017， 48（6）： 85⁃90.
[8]	许琳娟，曹文洪，刘春晶，等. 图像处理技术在推移质运动颗粒参数提取中的应用［J］. 长江科学院院报， 2017， 34（1）： 1⁃5.
	XU L J， CAO W H， LIU C J， et al. Application of image processing technology to extracting parameters of bedload motion particles［J］. Journal of Yangtze River Scientific Research Institute， 2017， 34（1）： 1⁃5.
[9]	张翔云，周鹜，姜友新，等. 基于卷积神经网络的离焦颗粒粒径与位置测量［J］. 光学学报， 2022， 42（19）： 92⁃98.
	ZHANG X Y， ZHOU W， JIANG Y X， et al. Particle size and position measurement of defocused particle based on convolutional neural network［J］. Acta Optica Sinica， 2022， 42（19）： 92⁃98.
[10]	LI J W， JIANG C S， HU Y W， et al. Recognition of suspended particles based on mueller matrix microscopic imaging and deep learning［J］. Marine Pollution Bulletin， 2025， 219： 118330.
[11]	刘淑慧，姚丽英，张仲圆，等. 基于深度学习的TEM纳米材料图像识别与粒径统计［J］. 电子测量技术， 2021， 44（10）： 109⁃113.
	LIU S H， YAO L Y， ZHANG Z Y， et al. Detection and particle size statistics of the TEM nanomaterial images based on deep learning［J］. Electronic Measurement Technology， 2021， 44（10）： 109⁃113.
[12]	赵立杰，王良娟，路星奎，等. 基于DeepLabV3+的污泥显微图像分块分割方法［J］. 计算机应用与软件， 2025， 42（2）： 256⁃263.
	ZHAO L J， WANG L J， LU X K， et al. Sludge microscopic image chunking based on DeepLabV3+ method［J］. Computer Applications and Software， 2025， 42（2）： 256⁃263.
[13]	LI H L， LI J， WEI H B， et al. Slim⁃neck by GSConv： A lightweight⁃design for real⁃time detector architectures［J］. Journal of Real⁃Time Image Processing， 2024， 21（3）： 62.
[14]	CAI X H， LAI Q X， WANG Y W， et al. Poly kernel inception network for remote sensing detection［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle： IEEE， 2024： 27706⁃27716.
[15]	TAN M X， LE Q. EfficientNetV2： Smaller models and faster training［C］//Proceedings of the 38th International Conference on Machine Learning. Online： PMLR， 2021： 10096⁃10106.
[16]	CHEN Z C， GUO H Q， YANG J， et al. Fast vehicle detection algorithm in traffic scene based on improved SSD［J］. Measurement， 2022， 201： 111655.
[17]	CAI J H， ZHANG L， DONG J， et al. Automatic identification of active landslides over wide areas from time⁃series InSAR measurements using faster RCNN［J］. International Journal of Applied Earth Observation and Geoinformation， 2023， 124： 103516.