朱長(zhǎng)軍，楊斌，李超，張鵬飛，李慶福，朱永慶，王寧博

（1.寶雞石油機(jī)械有限責(zé)任公司，陜西 寶雞 721002；2.國(guó)家油氣鉆井裝備工程技術(shù)研究中心，陜西 寶雞 721002）

0 引言

隨著國(guó)內(nèi)鉆機(jī)自動(dòng)化程度的快速發(fā)展，現(xiàn)有國(guó)內(nèi)鉆機(jī)上所開(kāi)發(fā)的具有自動(dòng)控制功能的自動(dòng)化設(shè)備也越來(lái)越多[1-2]，諸如動(dòng)力貓道、鐵鉆工、自動(dòng)井架等，自動(dòng)化程度有了很大提高。但是對(duì)一些特殊控制過(guò)程，如鐵鉆工對(duì)扣時(shí)無(wú)法準(zhǔn)確找到鉆桿扣的位置，它們的自動(dòng)化控制程度有待提高，常規(guī)的控制方法暫時(shí)無(wú)更好的解決方案，需要提出一種新的控制方法。

近年來(lái)，圖像處理、人工智能、大數(shù)據(jù)、計(jì)算機(jī)視覺(jué)等新技術(shù)取得了飛速發(fā)展，如何將上述新技術(shù)與石油設(shè)備現(xiàn)場(chǎng)和工作特點(diǎn)結(jié)合，形成一套完整的設(shè)備新型控制機(jī)制，則對(duì)于石油裝備及石油鉆采行業(yè)的發(fā)展具有重大意義。

基于圖像識(shí)別的目標(biāo)識(shí)別已廣泛應(yīng)用于機(jī)器人、自動(dòng)駕駛、物流等領(lǐng)域，并取得很好的效果。目標(biāo)識(shí)別在國(guó)內(nèi)外已經(jīng)做了大量深入研究，總結(jié)并得到了一些有工業(yè)應(yīng)用價(jià)值的方法，但在石油工業(yè)尤其是鉆井裝備方面研究很少。由于油田鉆井環(huán)境有其獨(dú)有的多樣性和復(fù)雜疊加性等造成了圖像識(shí)別在此環(huán)境中應(yīng)用的難度增加，根據(jù)現(xiàn)場(chǎng)圖像采集數(shù)據(jù)，運(yùn)用人工智能、視覺(jué)算法等，實(shí)時(shí)對(duì)井場(chǎng)鉆井作業(yè)的設(shè)備進(jìn)行位置和姿態(tài)識(shí)別，增強(qiáng)控制的實(shí)時(shí)性。因此研究探討基于圖像識(shí)別的目標(biāo)識(shí)別技術(shù)在鉆井裝備中的應(yīng)用，有很重要的價(jià)值。本文將探討基于圖像識(shí)別的目標(biāo)鉆桿的識(shí)別方法。

1 總體方案

井口自動(dòng)化工具完成井口鉆桿的上卸扣作業(yè)的自動(dòng)化，減少人員直接參與作業(yè)過(guò)程，降低作業(yè)風(fēng)險(xiǎn)[3]。井口自動(dòng)化工具有自動(dòng)去井口、自動(dòng)去鼠洞、自動(dòng)上卸扣等功能，自動(dòng)化程度較高[4]。但是由于每根鉆桿的長(zhǎng)度不一樣、每次游車停放位置不一樣等因素，造成了每次井口自動(dòng)化工具的作業(yè)高度不確定，導(dǎo)致井口自動(dòng)化工具無(wú)法自動(dòng)識(shí)別和定位工作高度，目前還完全依靠人為調(diào)節(jié)井口自動(dòng)化工具高度來(lái)適應(yīng)，工作效率不高。

為了能確定井口自動(dòng)化工具的作業(yè)高度，只要能確定井口鉆桿伸出的位置即可，即只要確定鉆桿接頭的位置。鉆桿接頭特征比較明顯，輪廓清晰，便于提取特征點(diǎn)，因此本文的總體方案是提取鉆桿接頭的特征點(diǎn)，將特征點(diǎn)作為目標(biāo)識(shí)別的唯一參數(shù)，實(shí)現(xiàn)對(duì)井口鉆桿接頭的識(shí)別，用以確定井口鉆桿的位置，進(jìn)而實(shí)現(xiàn)井口自動(dòng)化工具的作業(yè)的位置和姿態(tài)的自動(dòng)控制，提高整個(gè)作業(yè)設(shè)備的自動(dòng)化和智能化水平。

2 圖像特征點(diǎn)提取的方法

特征點(diǎn)作為圖像的唯一標(biāo)識(shí)點(diǎn)，作為圖像的“DNA”在圖像處理中有重要的作用，因此，特征點(diǎn)提取算法和應(yīng)用成為了圖像處理領(lǐng)域的研究熱點(diǎn)，尤其在目標(biāo)識(shí)別匹配方面，其典型算法代表是相位相關(guān)、SIFT、SURF多種特征匹配算法等。

2.1 相位相關(guān)特征匹配算法

相位相關(guān)算法[5]的特征匹配是一種基于傅里葉平移特性的匹配算法。相位相關(guān)只關(guān)注圖像的相位信息，強(qiáng)調(diào)圖像的輪廓和邊緣信息，對(duì)低頻分量進(jìn)行忽略，所以與一幅圖像的明暗和光的強(qiáng)弱變化等低頻分量無(wú)關(guān)，相對(duì)于時(shí)頻處理具有更好的抗噪聲和準(zhǔn)確性。

相位相關(guān)法是傳統(tǒng)的互相關(guān)方法的擴(kuò)展，它具有比互相關(guān)函數(shù)尖銳的相關(guān)峰值，對(duì)噪聲具有更好的抑制作用。在實(shí)際應(yīng)用中，光照度的變化、平均亮度的偏移等是不可避免的，這使相位相關(guān)方法具有不可替代的優(yōu)勢(shì)。

2.2 SIFT特征匹配算法

SIFT算法[6]是基于尺度不變特征轉(zhuǎn)換的一種計(jì)算機(jī)視覺(jué)匹配算法，對(duì)圖像的局部性特征進(jìn)行偵測(cè)與描述，尋找圖像空間尺度中的極值點(diǎn)，并提取出其尺度、位置和旋轉(zhuǎn)不變量等特征點(diǎn)。

由于SIFT算法是基于物體上的一些局部外觀的興趣點(diǎn)，因此與圖像的旋轉(zhuǎn)和大小等無(wú)關(guān)，進(jìn)而對(duì)于圖像的光線、噪聲、微視角改變辨識(shí)度非常顯著。基于這些特性，圖像的局部興趣點(diǎn)是高度顯著且相對(duì)容易獲取。對(duì)于部分物體遮蔽的偵測(cè)率SIFT特征也相當(dāng)高，在計(jì)算出位置和方位時(shí)只需個(gè)別的SIFT物體特征就足以完成。

2.3 SURF特征匹配算法

在SIFT算法的基礎(chǔ)上，2006年Bay等[7]受Lowe啟發(fā)，根據(jù)SIFT中簡(jiǎn)化近似的思想，對(duì)DOH(Determinant of Hessian)中的高斯二階微分模板進(jìn)行簡(jiǎn)化近似，提出了SURF（Speeded Up Robust Features，加速魯棒特性）算法，它在提取配準(zhǔn)算法方面具有快速魯棒特性。其特征點(diǎn)的檢測(cè)分為3個(gè)步驟：建立積分圖像，盒式濾波器建立尺度空間和特征點(diǎn)定位。

SURF算法對(duì)于圖像平移、縮放和傾斜等變化，以及環(huán)境噪聲影響具有較好的魯棒性[8]，由于計(jì)算中引入了積分圖像和盒式濾波器，因此使配準(zhǔn)耗費(fèi)時(shí)間大大減少[9-10]。根據(jù)石油鉆機(jī)作業(yè)的惡劣環(huán)境及鉆采工具的作業(yè)特性和工況特點(diǎn)，本文采用了基于SURF的圖像特征點(diǎn)匹配算法進(jìn)行鉆桿接頭圖像目標(biāo)識(shí)別；不僅滿足鉆桿接頭識(shí)別匹配精度要求，而且具有較快的匹配魯棒性和速度[11]。

3 鉆桿接頭特征識(shí)別

進(jìn)行鉆桿接頭SURF特征提取目標(biāo)識(shí)別步驟如下：1）獲得需要識(shí)別的鉆桿接頭圖像；2）對(duì)待識(shí)別的鉆桿接頭圖像進(jìn)行環(huán)境干擾模擬預(yù)處理；3）利用提取特征點(diǎn)，進(jìn)行特征點(diǎn)匹配鉆桿目標(biāo)識(shí)別。

3.1 噪聲模擬預(yù)處理

鉆機(jī)工作的自然環(huán)境惡劣、復(fù)雜、多變，設(shè)備多、振動(dòng)大、相互干擾多等給井口鉆桿目標(biāo)的圖像識(shí)別帶了非常大的影響。鉆井工作中的各種干擾對(duì)圖像識(shí)別來(lái)說(shuō)就是噪聲，這些噪聲可以歸結(jié)為有規(guī)律變化和隨機(jī)變化。這些噪聲勢(shì)必會(huì)疊加到待識(shí)別的圖像目標(biāo)上，降低識(shí)別的準(zhǔn)確率。高斯噪聲豐富的頻譜特性用來(lái)模擬有規(guī)律變化的噪聲，比如機(jī)械振動(dòng)；椒鹽噪聲又稱脈沖噪聲，用來(lái)模擬隨機(jī)變化的噪聲，比如圖像采集器瞬間的像素丟失、采集通道電流隨機(jī)波動(dòng)等。圖1所示為鉆桿接頭原圖，圖2～圖5為添加噪聲后的圖像。

圖1 原圖

圖2 標(biāo)準(zhǔn)高斯噪聲圖

圖3 方差0.05高斯噪聲圖

圖4 密度0.02的椒鹽噪聲圖

圖5 密度0.05的椒鹽噪聲圖

3.2 旋轉(zhuǎn)、縮放模擬預(yù)處理

鉆機(jī)在工作過(guò)程中，不僅能產(chǎn)生振動(dòng)干擾圖像目標(biāo)識(shí)別，而且鉆桿本身的傾斜、縮放等狀態(tài)也會(huì)對(duì)目標(biāo)識(shí)別造成影響。圖6、圖7為鉆桿傾斜、縮放等模擬預(yù)處理。

圖6 傾斜90°并縮小3倍圖

圖7 傾斜20°圖

3.3 鉆桿接頭基于SURF的目標(biāo)識(shí)別

通過(guò)軟件平臺(tái)對(duì)鉆桿接頭原圖及噪聲預(yù)處理、縮放預(yù)處理和傾斜預(yù)處理的圖像進(jìn)行SURF特征匹配的目標(biāo)識(shí)別模擬實(shí)驗(yàn), 實(shí)驗(yàn)結(jié)果如圖8～圖14所示。

從圖8～圖14的實(shí)驗(yàn)結(jié)果可以看出，在鉆桿接頭總共30個(gè)特征點(diǎn)識(shí)別匹配中，原圖的匹配率為100%，傾斜20°的圖像匹配率為90%，傾斜90°并縮小3倍圖像的匹配率為80%，密度0.02椒鹽噪聲圖像的匹配率為96.7%，密度0.05椒鹽噪聲圖像的匹配率為90%，標(biāo)準(zhǔn)高斯噪聲圖像的匹配率為96.7%，方差0.05高斯噪聲的匹配率為80%。本文提出的對(duì)鉆桿頭接特征點(diǎn)匹配識(shí)別的方法取得了較理想的結(jié)果，驗(yàn)證了SURF算法的對(duì)鉆桿接頭圖像特征識(shí)別的可行性。

圖8 原圖匹配

圖9 標(biāo)準(zhǔn)高斯噪聲匹配

圖10 方差0.05高斯噪聲匹配

圖11 密度0.02椒鹽噪聲匹配

圖12 密度0.05椒鹽噪聲匹配

圖13 傾斜90°并縮小3倍匹配

圖14 傾斜20°匹配

4 結(jié)語(yǔ)

本文分析研究圖像識(shí)別尋找目標(biāo)特征點(diǎn)的相關(guān)技術(shù)，根據(jù)不同技術(shù)的優(yōu)缺點(diǎn)，以油田在用鉆桿接頭為識(shí)別目標(biāo)，應(yīng)用SURF算法進(jìn)行鉆桿接頭特征匹配，對(duì)鉆桿接頭圖像在傾斜、噪聲和縮放等預(yù)處理完成后，進(jìn)行了計(jì)算仿真模擬試驗(yàn)。實(shí)驗(yàn)結(jié)果表明，本文提出的鉆桿接頭識(shí)別方法，不但提高了鉆桿接頭圖像識(shí)別匹配的準(zhǔn)確率，而且在適用于實(shí)時(shí)性要求較高及傾斜、旋轉(zhuǎn)和噪聲影響較大的鉆桿接頭圖像匹配方面表現(xiàn)出優(yōu)勢(shì)。已在油田實(shí)際應(yīng)用的實(shí)物鉆桿接頭作為目標(biāo)圖像進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果表明，此方法能對(duì)鉆桿接頭在不同環(huán)境中作出特征識(shí)別，對(duì)鐵鉆工上卸扣自動(dòng)尋找接頭位置、機(jī)械手鉗頭自動(dòng)捕獲抓持鉆柱等提供一種技術(shù)思路和實(shí)現(xiàn)方法，也為井口自動(dòng)化工具的全自動(dòng)化、智能化控制提供一種解決方案。