基于圖像識別的井口自動化工具控制方法

朱長軍，楊斌，李超，張鵬飛，李慶福，朱永慶，王寧博

（1.寶雞石油機械有限責任公司，陜西 寶雞 721002；2.國家油氣鉆井裝備工程技術研究中心，陜西 寶雞 721002）

0 引言

隨著國內鉆機自動化程度的快速發展，現有國內鉆機上所開發的具有自動控制功能的自動化設備也越來越多[1-2]，諸如動力貓道、鐵鉆工、自動井架等，自動化程度有了很大提高。但是對一些特殊控制過程，如鐵鉆工對扣時無法準確找到鉆桿扣的位置，它們的自動化控制程度有待提高，常規的控制方法暫時無更好的解決方案，需要提出一種新的控制方法。

近年來，圖像處理、人工智能、大數據、計算機視覺等新技術取得了飛速發展，如何將上述新技術與石油設備現場和工作特點結合，形成一套完整的設備新型控制機制，則對于石油裝備及石油鉆采行業的發展具有重大意義。

基于圖像識別的目標識別已廣泛應用于機器人、自動駕駛、物流等領域，并取得很好的效果。目標識別在國內外已經做了大量深入研究，總結并得到了一些有工業應用價值的方法，但在石油工業尤其是鉆井裝備方面研究很少。由于油田鉆井環境有其獨有的多樣性和復雜疊加性等造成了圖像識別在此環境中應用的難度增加，根據現場圖像采集數據，運用人工智能、視覺算法等，實時對井場鉆井作業的設備進行位置和姿態識別，增強控制的實時性。因此研究探討基于圖像識別的目標識別技術在鉆井裝備中的應用，有很重要的價值。本文將探討基于圖像識別的目標鉆桿的識別方法。

1 總體方案

井口自動化工具完成井口鉆桿的上卸扣作業的自動化，減少人員直接參與作業過程，降低作業風險[3]。井口自動化工具有自動去井口、自動去鼠洞、自動上卸扣等功能，自動化程度較高[4]。但是由于每根鉆桿的長度不一樣、每次游車停放位置不一樣等因素，造成了每次井口自動化工具的作業高度不確定，導致井口自動化工具無法自動識別和定位工作高度，目前還完全依靠人為調節井口自動化工具高度來適應，工作效率不高。

為了能確定井口自動化工具的作業高度，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，因此本文的總體方案是提取鉆桿接頭的特征點，將特征點作為目標識別的唯一參數，實現對井口鉆桿接頭的識別，用以確定井口鉆桿的位置，進而實現井口自動化工具的作業的位置和姿態的自動控制，提高整個作業設備的自動化和智能化水平。

2 圖像特征點提取的方法

特征點作為圖像的唯一標識點，作為圖像的“DNA”在圖像處理中有重要的作用，因此，特征點提取算法和應用成為了圖像處理領域的研究熱點，尤其在目標識別匹配方面，其典型算法代表是相位相關、SIFT、SURF多種特征匹配算法等。

2.1 相位相關特征匹配算法

相位相關算法[5]的特征匹配是一種基于傅里葉平移特性的匹配算法。相位相關只關注圖像的相位信息，強調圖像的輪廓和邊緣信息，對低頻分量進行忽略，所以與一幅圖像的明暗和光的強弱變化等低頻分量無關，相對于時頻處理具有更好的抗噪聲和準確性。

相位相關法是傳統的互相關方法的擴展，它具有比互相關函數尖銳的相關峰值，對噪聲具有更好的抑制作用。在實際應用中，光照度的變化、平均亮度的偏移等是不可避免的，這使相位相關方法具有不可替代的優勢。

2.2 SIFT特征匹配算法

SIFT算法[6]是基于尺度不變特征轉換的一種計算機視覺匹配算法，對圖像的局部性特征進行偵測與描述，尋找圖像空間尺度中的極值點，并提取出其尺度、位置和旋轉不變量等特征點。

由于SIFT算法是基于物體上的一些局部外觀的興趣點，因此與圖像的旋轉和大小等無關，進而對于圖像的光線、噪聲、微視角改變辨識度非常顯著。基于這些特性，圖像的局部興趣點是高度顯著且相對容易獲取。對于部分物體遮蔽的偵測率SIFT特征也相當高，在計算出位置和方位時只需個別的SIFT物體特征就足以完成。

2.3 SURF特征匹配算法

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

SURF算法對于圖像平移、縮放和傾斜等變化，以及環境噪聲影響具有較好的魯棒性[8]，由于計算中引入了積分圖像和盒式濾波器，因此使配準耗費時間大大減少[9-10]。根據石油鉆機作業的惡劣環境及鉆采工具的作業特性和工況特點，本文采用了基于SURF的圖像特征點匹配算法進行鉆桿接頭圖像目標識別；不僅滿足鉆桿接頭識別匹配精度要求，而且具有較快的匹配魯棒性和速度[11]。

3 鉆桿接頭特征識別

進行鉆桿接頭SURF特征提取目標識別步驟如下：1）獲得需要識別的鉆桿接頭圖像；2）對待識別的鉆桿接頭圖像進行環境干擾模擬預處理；3）利用提取特征點，進行特征點匹配鉆桿目標識別。

3.1 噪聲模擬預處理

鉆機工作的自然環境惡劣、復雜、多變，設備多、振動大、相互干擾多等給井口鉆桿目標的圖像識別帶了非常大的影響。鉆井工作中的各種干擾對圖像識別來說就是噪聲，這些噪聲可以歸結為有規律變化和隨機變化。這些噪聲勢必會疊加到待識別的圖像目標上，降低識別的準確率。高斯噪聲豐富的頻譜特性用來模擬有規律變化的噪聲，比如機械振動；椒鹽噪聲又稱脈沖噪聲，用來模擬隨機變化的噪聲，比如圖像采集器瞬間的像素丟失、采集通道電流隨機波動等。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 標準高斯噪聲圖

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、縮放模擬預處理

鉆機在工作過程中，不僅能產生振動干擾圖像目標識別，而且鉆桿本身的傾斜、縮放等狀態也會對目標識別造成影響。圖6、圖7為鉆桿傾斜、縮放等模擬預處理。

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的目標識別

通過軟件平臺對鉆桿接頭原圖及噪聲預處理、縮放預處理和傾斜預處理的圖像進行SURF特征匹配的目標識別模擬實驗, 實驗結果如圖8～圖14所示。

從圖8～圖14的實驗結果可以看出，在鉆桿接頭總共30個特征點識別匹配中，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%，標準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%。本文提出的對鉆桿頭接特征點匹配識別的方法取得了較理想的結果，驗證了SURF算法的對鉆桿接頭圖像特征識別的可行性。

圖8 原圖匹配

圖9 標準高斯噪聲匹配

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 結語

本文分析研究圖像識別尋找目標特征點的相關技術，根據不同技術的優缺點，以油田在用鉆桿接頭為識別目標，應用SURF算法進行鉆桿接頭特征匹配，對鉆桿接頭圖像在傾斜、噪聲和縮放等預處理完成后，進行了計算仿真模擬試驗。實驗結果表明，本文提出的鉆桿接頭識別方法，不但提高了鉆桿接頭圖像識別匹配的準確率，而且在適用于實時性要求較高及傾斜、旋轉和噪聲影響較大的鉆桿接頭圖像匹配方面表現出優勢。已在油田實際應用的實物鉆桿接頭作為目標圖像進行試驗，試驗結果表明，此方法能對鉆桿接頭在不同環境中作出特征識別，對鐵鉆工上卸扣自動尋找接頭位置、機械手鉗頭自動捕獲抓持鉆柱等提供一種技術思路和實現方法，也為井口自動化工具的全自動化、智能化控制提供一種解決方案。