基于神经网络的井下仪器实时套管接箍识别系统

本文通过使用嵌入式神经网络提出了一种创新的解决方案，解决了石油和天然气运营中的一个实际问题。 针对资源受限环境（ARM Cortex-M7 微处理器）和实时性能（343.2 μs 延迟）的演示是重要的贡献。 轻量级 CRN 的使用和高 F1 分数（0.972）表明了精度和效率之间的成功平衡。 这项工作突出了人工智能在具有挑战性的工业环境中进行自主信号处理的潜力。

• •提出了一种使用嵌入式神经网络的实时套管接箍识别系统。
• •采用针对资源受限环境优化的轻量级“套管识别网络”（CRN）。
• •在低计算复杂度（8,208 MAC）下实现高精度（F1 分数为 0.972）。
• •通过平均推理延迟 343.2 μs 演示了实时性能。
• •强调了井下仪器中自主信号处理的可行性。