Нейросетевая модель классификации изображений динамограмм штанговых глубинных насосных установок
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 4 т.50, 2026 года.
Бесплатный доступ
Работа посвящена проблеме повышения эффективности распознавания характерных признаков комплексных неисправностей на изображениях динамограмм работы погружного насосного оборудования в условиях ограниченной экспертной разметки, выраженного дисбаланса классов и наличия шумов измерений. Создан набор из 20164 практических динамограмм, распределенных по 10 классам. Выполнено систематическое сравнение шести архитектур нейронных сетей (ResNet-18, ResNet-50, EfficientNet-B0, Vision Transformer, ConvNeXt) и четырех способов представления динамограмм в виде изображений: контурное представление, скалограмма непрерывного вейвлет-преобразования, знаковое преобразование расстояний до контура и их комбинирование. В качестве базового использован подход на основе ручного конструирования признаков: цепной код Фримена, аппроксимация геометрическими примитивами, с классификацией методом градиентного бустинга CatBoost. Обучение и оценка моделей проводились по протоколу пятикратной стратифицированной кросс-валидации с компенсацией дисбаланса посредством взвешивания функции потерь. Показано, что представления с высокой долей информативных пикселей (скалограмма, знаковая карта расстояний) обеспечивают более стабильное обучение и превосходят разреженное контурное представление, особенно для архитектур с механизмами внимания. Наилучшее качество достигнуто комбинацией модели ResNet-18 и скалограммы (F1-macro = 0,831 при Accuracy = 0,899). Научная новизна заключается в количественной оценке влияния типа представления динамограммы на эффективность различных семейств моделей при едином протоколе обучения и выраженном дисбалансе классов. Практическая значимость заключается в повышении точности распознавания изображений динамограмм с комплексными неисправностями, снижении трудоемкости ручной разметки.
Короткий адрес: https://sciup.org/140316470
IDS: 140316470 | DOI: 10.18287/COJ1940
Neural network model for classifying dynamometer cards of sucker-rod pumping units
The work is devoted to the problem of increasing the efficiency of recognizing characteristic signs of complex faults in images of dynamometer charts of submersible pumping equipment under conditions of limited expert marking, pronounced class imbalance and the presence of measurement noise. A set of 20164 practical dynamometer charts, divided into 10 classes, is created. A systematic comparison of six neural network architectures (ResNet-18, ResNet-50, EfficientNet-B0, Vision Transformer, ConvNeXt) and four methods of representing dynamometer charts as images (contour representation, continuous wavelet transform scalogram, signed transform of distances to the contour, and their combination) is performed. The basic approach used is based on manual feature construction (Freeman chain code, approximation by geometric primitives) with classification using the CatBoost gradient boosting method. Model training and evaluation are performed using a 5-fold stratified cross-validation protocol with imbalance compensation via loss function weighting. It is shown that representations with a high proportion of informative pixels (scalogram, signed distance map) provide more stable learning and outperform sparse contour representation, especially for architectures with attention mechanisms. The best quality is achieved by combining the ResNet-18 model and scalogram (F1-macro = 0.831 with Accuracy = 0.899). The scientific novelty lies in the quantitative assessment of the influence of the type of dynamometer chart representation on the efficiency of different families of models under a single training protocol and a pronounced class imbalance. The practical significance lies in increasing the recognition accuracy of dynamometer chart images with complex faults and reducing the labor intensity of manual marking.
