基于图像识别的井口自动化工具控制方法

朱长军，杨斌，李超，张鹏飞，李庆福，朱永庆，王宁博

（1.宝鸡石油机械有限责任公司，陕西 宝鸡 721002；2.国家油气钻井装备工程技术研究中心，陕西 宝鸡 721002）

0 引言

随着国内钻机自动化程度的快速发展，现有国内钻机上所开发的具有自动控制功能的自动化设备也越来越多[1-2]，诸如动力猫道、铁钻工、自动井架等，自动化程度有了很大提高。但是对一些特殊控制过程，如铁钻工对扣时无法准确找到钻杆扣的位置，它们的自动化控制程度有待提高，常规的控制方法暂时无更好的解决方案，需要提出一种新的控制方法。

近年来，图像处理、人工智能、大数据、计算机视觉等新技术取得了飞速发展，如何将上述新技术与石油设备现场和工作特点结合，形成一套完整的设备新型控制机制，则对于石油装备及石油钻采行业的发展具有重大意义。

基于图像识别的目标识别已广泛应用于机器人、自动驾驶、物流等领域，并取得很好的效果。目标识别在国内外已经做了大量深入研究，总结并得到了一些有工业应用价值的方法，但在石油工业尤其是钻井装备方面研究很少。由于油田钻井环境有其独有的多样性和复杂叠加性等造成了图像识别在此环境中应用的难度增加，根据现场图像采集数据，运用人工智能、视觉算法等，实时对井场钻井作业的设备进行位置和姿态识别，增强控制的实时性。因此研究探讨基于图像识别的目标识别技术在钻井装备中的应用，有很重要的价值。本文将探讨基于图像识别的目标钻杆的识别方法。

1 总体方案

井口自动化工具完成井口钻杆的上卸扣作业的自动化，减少人员直接参与作业过程，降低作业风险[3]。井口自动化工具有自动去井口、自动去鼠洞、自动上卸扣等功能，自动化程度较高[4]。但是由于每根钻杆的长度不一样、每次游车停放位置不一样等因素，造成了每次井口自动化工具的作业高度不确定，导致井口自动化工具无法自动识别和定位工作高度，目前还完全依靠人为调节井口自动化工具高度来适应，工作效率不高。

为了能确定井口自动化工具的作业高度，只要能确定井口钻杆伸出的位置即可，即只要确定钻杆接头的位置。钻杆接头特征比较明显，轮廓清晰，便于提取特征点，因此本文的总体方案是提取钻杆接头的特征点，将特征点作为目标识别的唯一参数，实现对井口钻杆接头的识别，用以确定井口钻杆的位置，进而实现井口自动化工具的作业的位置和姿态的自动控制，提高整个作业设备的自动化和智能化水平。

2 图像特征点提取的方法

特征点作为图像的唯一标识点，作为图像的“DNA”在图像处理中有重要的作用，因此，特征点提取算法和应用成为了图像处理领域的研究热点，尤其在目标识别匹配方面，其典型算法代表是相位相关、SIFT、SURF多种特征匹配算法等。

2.1 相位相关特征匹配算法

相位相关算法[5]的特征匹配是一种基于傅里叶平移特性的匹配算法。相位相关只关注图像的相位信息，强调图像的轮廓和边缘信息，对低频分量进行忽略，所以与一幅图像的明暗和光的强弱变化等低频分量无关，相对于时频处理具有更好的抗噪声和准确性。

相位相关法是传统的互相关方法的扩展，它具有比互相关函数尖锐的相关峰值，对噪声具有更好的抑制作用。在实际应用中，光照度的变化、平均亮度的偏移等是不可避免的，这使相位相关方法具有不可替代的优势。

2.2 SIFT特征匹配算法

SIFT算法[6]是基于尺度不变特征转换的一种计算机视觉匹配算法，对图像的局部性特征进行侦测与描述，寻找图像空间尺度中的极值点，并提取出其尺度、位置和旋转不变量等特征点。

由于SIFT算法是基于物体上的一些局部外观的兴趣点，因此与图像的旋转和大小等无关，进而对于图像的光线、噪声、微视角改变辨识度非常显著。基于这些特性，图像的局部兴趣点是高度显著且相对容易获取。对于部分物体遮蔽的侦测率SIFT特征也相当高，在计算出位置和方位时只需个别的SIFT物体特征就足以完成。

2.3 SURF特征匹配算法

在SIFT算法的基础上，2006年Bay等[7]受Lowe启发，根据SIFT中简化近似的思想，对DOH(Determinant of Hessian)中的高斯二阶微分模板进行简化近似，提出了SURF（Speeded Up Robust Features，加速鲁棒特性）算法，它在提取配准算法方面具有快速鲁棒特性。其特征点的检测分为3个步骤：建立积分图像，盒式滤波器建立尺度空间和特征点定位。

SURF算法对于图像平移、缩放和倾斜等变化，以及环境噪声影响具有较好的鲁棒性[8]，由于计算中引入了积分图像和盒式滤波器，因此使配准耗费时间大大减少[9-10]。根据石油钻机作业的恶劣环境及钻采工具的作业特性和工况特点，本文采用了基于SURF的图像特征点匹配算法进行钻杆接头图像目标识别；不仅满足钻杆接头识别匹配精度要求，而且具有较快的匹配鲁棒性和速度[11]。

3 钻杆接头特征识别

进行钻杆接头SURF特征提取目标识别步骤如下：1）获得需要识别的钻杆接头图像；2）对待识别的钻杆接头图像进行环境干扰模拟预处理；3）利用提取特征点，进行特征点匹配钻杆目标识别。

3.1 噪声模拟预处理

钻机工作的自然环境恶劣、复杂、多变，设备多、振动大、相互干扰多等给井口钻杆目标的图像识别带了非常大的影响。钻井工作中的各种干扰对图像识别来说就是噪声，这些噪声可以归结为有规律变化和随机变化。这些噪声势必会叠加到待识别的图像目标上，降低识别的准确率。高斯噪声丰富的频谱特性用来模拟有规律变化的噪声，比如机械振动；椒盐噪声又称脉冲噪声，用来模拟随机变化的噪声，比如图像采集器瞬间的像素丢失、采集通道电流随机波动等。图1所示为钻杆接头原图，图2～图5为添加噪声后的图像。

图1 原图

图2 标准高斯噪声图

图3 方差0.05高斯噪声图

图4 密度0.02的椒盐噪声图

图5 密度0.05的椒盐噪声图

3.2 旋转、缩放模拟预处理

钻机在工作过程中，不仅能产生振动干扰图像目标识别，而且钻杆本身的倾斜、缩放等状态也会对目标识别造成影响。图6、图7为钻杆倾斜、缩放等模拟预处理。

图6 倾斜90°并缩小3倍图

图7 倾斜20°图

3.3 钻杆接头基于SURF的目标识别

通过软件平台对钻杆接头原图及噪声预处理、缩放预处理和倾斜预处理的图像进行SURF特征匹配的目标识别模拟实验, 实验结果如图8～图14所示。

从图8～图14的实验结果可以看出，在钻杆接头总共30个特征点识别匹配中，原图的匹配率为100%，倾斜20°的图像匹配率为90%，倾斜90°并缩小3倍图像的匹配率为80%，密度0.02椒盐噪声图像的匹配率为96.7%，密度0.05椒盐噪声图像的匹配率为90%，标准高斯噪声图像的匹配率为96.7%，方差0.05高斯噪声的匹配率为80%。本文提出的对钻杆头接特征点匹配识别的方法取得了较理想的结果，验证了SURF算法的对钻杆接头图像特征识别的可行性。

图8 原图匹配

图9 标准高斯噪声匹配

图10 方差0.05高斯噪声匹配

图11 密度0.02椒盐噪声匹配

图12 密度0.05椒盐噪声匹配

图13 倾斜90°并缩小3倍匹配

图14 倾斜20°匹配

4 结语

本文分析研究图像识别寻找目标特征点的相关技术，根据不同技术的优缺点，以油田在用钻杆接头为识别目标，应用SURF算法进行钻杆接头特征匹配，对钻杆接头图像在倾斜、噪声和缩放等预处理完成后，进行了计算仿真模拟试验。实验结果表明，本文提出的钻杆接头识别方法，不但提高了钻杆接头图像识别匹配的准确率，而且在适用于实时性要求较高及倾斜、旋转和噪声影响较大的钻杆接头图像匹配方面表现出优势。已在油田实际应用的实物钻杆接头作为目标图像进行试验，试验结果表明，此方法能对钻杆接头在不同环境中作出特征识别，对铁钻工上卸扣自动寻找接头位置、机械手钳头自动捕获抓持钻柱等提供一种技术思路和实现方法，也为井口自动化工具的全自动化、智能化控制提供一种解决方案。