本发明属于油气田开发技术和人工智能应用领域，具体涉及基于改进yolov8+deepsort的气驱实验视频实时分析方法及装置。
背景技术：
1、在致密储层等非常规储层的石油开采中，气体驱油可以提高原油的采收率。将气体注入储层中，可以增加油藏压力，提高石油的流动性。微观下的气驱实验可以模拟油藏条件下，气体在孔隙中的运动、气泡大小的变化及孔隙结构对气体流动的影响，可以优化气驱策略，理解岩石孔隙中的流体动力学，因此对气驱实验中气体的流动行为和分布进行动态分析是必要且重要的。
2、现有的技术手段主要关注于对实验中静态图像进行分割，以识别和分析气泡，专利cn115937228a提供了一种孔隙渗流中弱对比度气/水区域的图像分割方法，该方法可以捕捉静态图像中的气体分布。针对气驱实验过程中气泡行为的实时可视化分析方法尚未发现专利公开。随着计算机视觉和人工智能技术的发展，特别是深度学习在视频处理领域的应用，为动态追踪和实时可视化分析提供了新的机遇。
3、本发明采用微流控芯片驱替实验装置，利用高清摄像机采集岩心驱替实验视频数据，创建视频缓冲池，使用改进的yolov8深度学习算法实时对视频中的气泡区域进行分割，并进行气泡动态追踪，提出基于改进yolov8+deepsort的气驱实验视频实时分析方法及装置来解决现有技术中存在的问题。
技术实现思路
1、本发明的目的是在于提供了基于改进yolov8+deepsort的气驱实验视频实时分析方法，特别是针对气体在油藏岩石孔隙中的动态行为进行实时监测和分析问题，为油气田开发提供更加准确的数据分析工具。
2、为实现上述目的，本发明采用如下技术方案：
3、基于改进yolov8+deepsort的气驱实验视频实时分析方法，该方法采用视频缓冲池、改进的yolov8模型、视频图像逐帧识别与deepsort进行气泡追踪的合作策略，包括：
4、视频缓冲池建立方法、视频预处理方法、图像增强方法、图像标注与模型训练方法、逐帧气泡特征提取、deepsort追踪算法应用、结果可视化方法：
5、所述视频缓冲池建立方法：
6、由于高清摄像机所拍摄的视频分辨率较高，实时视频分析对计算机的性能要求较高，为满足在不同计算性能设备上进行视频分析的能力，所述视频缓冲池用于在计算机系统中临时存储由高清摄像机捕获的视频流数据，避免影响后续处理算法对模型已读取视频数据的分析；
7、在计算机内存中划定一个动态分配的存储区域作为视频缓冲池，并根据视频流的数据动态调整大小，优化内存使用，视频流数据被实时写入缓冲池的同时，分析算法从缓冲池中读取数据进行处理，使用多线程管理，确保写入和读取操作的同步性和连续性；
8、当缓冲池达到其容量上限时，自动扩展缓冲池容量，防止数据丢失；
9、所述视频预处理方法包括：
10、针对由高清摄像机拍摄的微观实验视频，首先进行画面裁剪，去除视频周围的非实验区域，特别是视频画面边缘的黑边。这一步骤确保实验主体位于视频画面的中央，优化视觉焦点，避免非实验区域对识别与分割过程的影响，同时减小模型的计算量；
11、从视频中按固定时间间隔提取图像，以反映气体在实验过程中的动态变化，这一步骤旨在捕捉关键时刻的气泡状态，在控制标注图像数据量的同时，保留足够的信息用于训练深度学习模型；
12、所述图像增强方法包括：
13、对提取的图片进行空间变换数据增强，对图像进行水平、垂直方向的位移，模拟气泡在不同位置的场景，这一步骤利用pil库创建一个空白图像，将原图像粘贴到指定的偏移位置，实现图像的平移；
14、对提取的图片以不同角度进行旋转，生成不同视角观察气泡分布的图像，增加样本多样性，这一步骤使用pil库的rotate方法对图像进行旋转；
15、对提取的图像进行亮度调整，生成不同光线条件下的图像，模拟实验环境中光照的变化或拍摄设备的不同，增加训练数据集的多样性，这一步骤使用pil库的brightness方法调整图像的亮度；
16、所述图像标注与模型训练方法：
17、对提取的图像以及数据增强后的图像，标注图像中气泡的轮廓，生成与图像相关联的标注文件，并划分为训练集和测试集，本实施例使用labelimg工具进标注；
18、对yolov8模型的改进步骤包括：
19、步骤d001：在颈部网络中添加stem层以解决输入特征图空间信息损失的问题，提高推理速度；
20、步骤d002：对stem层使用一个1*1大小的卷积层和一个3*3大小的卷积层，stem层接收来自主干网络的多尺度特征图，输入特征图经过一个1x1卷积核处理，调整通道数，使其与后续的3x3卷积核匹配；
21、步骤d003：对步骤d002的1*1卷积核的输出，使用一个3x3的卷积核进行处理，提取空间特征并增加非线性；stem层中两个卷积核的输入都是四维张量，形状为[b,c,h,w]，其中：b是批次大小，c是通道数，h是特征图的高度，w是特征图的宽度，stem层的输出是一个四维张量，形状与输入相同；
22、步骤d004：使用cv2层接收stem层的输出，对cv2和cv3模块的改进，卷积核的大小设置为1*1,在保持提取重要特征的情况下，减少计算量，提高模型推理速度和模型的效率；
23、步骤d005：使用cv2层输出预测的边界框信息，cv3层输出预测的目标类别概率信息；
24、使用改进的yolov8网络进行训练，输入信息为原始图像及对应的标注数据，训练过程包括多次迭代，每轮迭代根据模型的性能调整参数，优化模型，提高准确度；
25、所述逐帧气泡特征提取：
26、采用训练好的深度学习网络对视频图像进行逐帧处理，待分割的图像与训练模型的输入图像大小一致，分割后的图像包含模型识别出的气泡区域及其轮廓，模型的输出还包含气泡的坐标位置、边界框尺寸信息；
27、所述的deepsort追踪算法应用：
28、在逐帧气泡特征提取过程中集成deepsort算法，该算法利用气泡的位置、大小以及外观描述子来匹配连续帧中的同一气泡，在视频序列中保持气泡的唯一标识符；
29、在每一帧的处理中，deepsort算法计算每个检测到的气泡的位置和运动轨迹，将其与前一帧中的气泡数据进行比较和关联，通过分析气泡在连续帧中的运动模式和外观变化，准确维持气泡的标识，实现对视频中每个气泡的连续跟踪；
30、使用字典存储当前帧所有气泡的相关数据，对于deepsort返回的每个气泡，记录其边界框、唯一标识符、类别id以及面积，并绘制每个目标的边界框；
31、所述结果可视化方法：
32、使用watchdog库监控数据文件的变化，当文件中有新的数据增加时，读取更新的数据，将存储的气泡动态追踪数据实时转换为直观的动态图表示，同时读取实验过程中注入压力的变化，用以展现气泡在实验过程中的动态行为和特征，主要包括：
33、气泡数量随时间变化的曲线图：
34、该图表展示整个视频序列中气泡数量的变化趋势，通过曲线图的形式，展示气泡数量随着时间的增加或减少，理解实验中气泡在岩石孔隙中的总体动态；
35、每个气泡随时间变化的大小变化图：
36、该图表专注于单个气泡的大小变化，通过追踪每个气泡在不同时间点的大小，生成相应的图表，展示各气泡在实验过程中的面积变化，分析特定气泡的行为模式；
37、每个气泡的位移变化图：
38、该图表追踪并展示每个气泡在视频中的位移变化，绘制气泡的运动轨迹，直观展现出气泡在空间中的移动规律，包括其移动速度和方向，分析气泡在岩石孔隙的流动特性；
39、气泡数量随压力变化的曲线图：
40、该图表展示实验过程中气泡总数随注入压力变化而变化的情况，通过对不同注入压力下气泡数量的追踪和记录，揭示压力变化对气泡生成和消散的影响。
41、本发明还提供基于改进yolov8+deepsort的气驱实验视频实时分析装置，包括基于改进yolov8+deepsort的气驱实验视频实时分析方法；还包括视频缓冲池模块、视频预处理模块、图像增强模块、模型训练模块、逐帧气泡特征提取模块、deepsort追踪算法应用模块、结果可视化模块。
42、所述的图像增强模块分别与实验拍摄装置、视频缓冲池模块、视频预处理模块、模型训练模块相连，deepsort追踪算法应用模块分别与逐帧气泡特征提取模块、结果可视化模块相连，所述的逐帧气泡特征提取模块是将逐帧提取的图片输入到模型训练后的模型中进行识别，然后将结果输送到deepsort追踪算法应用模块进行气泡唯一标识符标注，结果可视化模块将deepsort追踪算法应用模块返回的数据绘制成动态的可视化图表显示出来。
43、本发明采用视频缓冲池、改进的yolov8模型、视频图像逐帧识别与deepsort进行气泡追踪的合作策略，解决了传统的气驱实验气泡分割方法只能对单一时刻的静态图片进行处理，无法对气泡进行动态追踪的问题。该方法能够实时追踪视频序列中的每个气泡，捕捉其在时间序列上的运动路径和状态变化，并实时绘制出动态的可视化图表。
44、本发明的技术效果和优点：
45、本发明面对气驱实验视频中气泡实时分割与动态追踪的挑战，采用视频缓冲池、改进的yolov8模型、视频图像逐帧识别与deepsort进行气泡追踪的合作策略，有效实现了视频中气泡的实时分割和连续跟踪、分析。本发明克服了传统方法仅能对静态图像进行分析的局限，不仅提高了气泡追踪的准确性，也为实验过程中气泡行为的动态分析提供了可靠基础；
46、(1).本发明的合作策略提高了追踪效率，降低了对大量样本标注的依赖，与完全依赖深度学习的方法相比，本发明减少了预先样本标注的工作量，简化了前期准备工作。
47、(2).通过对yolov8模型进行改进，降低计算量，提高了模型识别的效率；
48、(3).通过逐帧识别结合deepsort算法，本发明实现了对气泡在时间序列上的连续监测和分析，包括气泡的数量、大小和轨迹等关键特征的追踪，这种方法可以更精确地评估和分析气泡在特定实验条件下的行为，为岩心分析和油气提取过程中的决策提供更详尽的数据支持。
49、(4).本发明通过集成视频缓冲池和动态图表功能，提高实验视频数据处理的实时性，视频缓冲池有效管理高清视频流，确保即使在计算资源有限的环境下也能进行视频数据的分析；同时结合动态监测机制，能够及时捕捉到新的气泡追踪数据，动态更新图表，实时反映气泡的动态行为和特征，为实验监控和数据分析提供了更高效的方法和工具。
50、本发明的其他特性和优点将在后续的说明书中进一步阐述，并且，部分将直接从说明书的描述中显现，或者在实施本发明的过程中得以体现。本发明的目标及其它优点将通过说明书中描述的具体结构及附图来实现和获得。
1.基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，该方法采用视频缓冲池、改进的yolov8模型、视频图像逐帧识别与deepsort进行气泡追踪的合作策略，包括：
2.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述视频缓冲池建立方法：
3.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述视频预处理方法包括：
4.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述图像增强方法包括：
5.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述图像标注与模型训练方法：
6.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述逐帧气泡特征提取：
7.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述的deepsort追踪算法应用：
8.根据权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析方法，其特征在于，所述结果可视化方法：
9.权利要求1所述的基于改进yolov8+deepsort的气驱实验视频实时分析装置，其特征在于，包括基于改进yolov8+deepsort的气驱实验视频实时分析方法；还包括视频缓冲池模块、视频预处理模块、图像增强模块、模型训练模块、逐帧气泡特征提取模块、deepsort追踪算法应用模块、结果可视化模块。
10.根据权利要求8所述的基于改进yolov8+deepsort的气驱实验视频实时分析装置，其特征在于，图像增强模块分别与实验拍摄装置、视频缓冲池模块、视频预处理模块、模型训练模块相连，deepsort追踪算法应用模块分别与逐帧气泡特征提取模块、结果可视化模块相连，所述的逐帧气泡特征提取模块是将逐帧提取的图片输入到模型训练后的模型中进行识别，然后将结果输送到deepsort追踪算法应用模块进行气泡唯一标识符标注，结果可视化模块将deepsort追踪算法应用模块返回的数据绘制成动态的可视化图表显示出来。
