一种油田的管杆接箍的自动识别方法与流程

1.本发明属于油田自动化检测识别技术领域，具体涉及一种油田的管杆接箍的自动识别方法。


背景技术：

2.当前，随着石油钻井、修井作业和地质勘探行业自动化、电气化程度越来越高，钻井、修井设备和井口自动化作业设备对于各类管柱、套管、油管、抽油杆、井筒、工具等连接处的管杆接箍自动、精准识别的要求越来越高。
3.管杆接箍是管杆之间互相连接的部位，位于管杆的一端，与其它管杆的另一端一般是通过螺纹方式连接，钻井、修井作业中，要不断的上紧或者卸开管杆接箍螺纹，才能完成一根根管杆的井口下放或者提升工作。
4.因此，只有实现了管杆接箍自动、精准识别，才能够在钻井、修井自动化作业过程中告知控制系统当前的管杆接箍高度、位置、移动速度、管杆规格等信息，进而实现真正的钻井、修井自动化作业。
5.以往，管杆接箍识别主要依赖人工判断，操作人员观察到管杆接箍以后，再向控制系统手动发出信号，通知或直接操作控制系统进行下一步动作，这样做，要求操作人员必须在起、下管杆的全程聚精会神的观察管杆接箍，一方面增加了人员的劳动负担、降低了作业效率，另一方面，一旦发生疲劳、疏忽而导致的误判或者漏判，很容易造成安全事故。


技术实现要素：

6.本发明的目的是提供一种油田的管杆接箍的自动识别方法。
7.为了实现上述目的，本发明的技术方案如下：一种油田的管杆接箍的自动识别方法，采用摄像机进行拍摄，通过识别管杆接箍的形状、轮廓、颜色中的至少一个外形特征，将管杆接箍与周围物体区分开；利用管杆接箍比管杆本体宽的特征，定位管杆接箍的像素坐标；识别到管杆接箍后，系统通过算法，自动计算出管杆接箍的坐标位置，进而计算出管杆接箍的高度、移动速度的数据信号和信息，并通过连接线传输至控制系统。
8.优选的，在识别管杆接箍并计算其坐标位置时，使用计算机视觉中的图像处理和机器学习算法，算法流程具体为：1) 图像预处理：首先对图像进行预处理，包括去噪、图像增强与边缘检测，以提高管杆接箍的边缘清晰度和对比度；2) 特征提取：通过图像处理技术提取管杆接箍的特征，包括形状、颜色与纹理，使用的特征描述子为sift尺度不变特征变换、surf加速稳健特征或cnn卷积神经网络方法；3) 特征匹配：将提取到的管杆接箍特征与已知管杆接箍模板进行匹配，使用特征匹配算法，包括利用sift或surf特征描述子的匹配算法或使用卷积神经网络进行特征匹配；
4) 坐标位置计算：通过匹配结果，确定管杆接箍在图像中的位置信息，通过几何计算方法，根据匹配点的坐标进行三角测量或使用透视变换来获得管杆接箍的准确位置坐标。
9.优选的，步骤4)中的视觉定位管杆接箍的坐标位置的计算公式：(3.1) 像素坐标转换为相机坐标：首先，进行相机标定，获取相机的内参矩阵，包括焦距、主点坐标和像素尺度因子参数；使用相机内参矩阵，将像素坐标转换为相机坐标系下的坐标，此处步骤是通过将像素坐标乘以相机的逆内参矩阵来实现的；(3.2) 相机坐标转换为世界坐标：已知相机的外参矩阵，包括摄像机的旋转矩阵和平移矩阵，将相机坐标转换为世界坐标；使用相机的外参矩阵，通过将相机坐标与旋转矩阵和平移矩阵进行乘法运算来实现坐标转换；(3.3) 世界坐标修正和误差校正：包括基于参考物体或场景的对齐、坐标系变换、尺度因子的确定和误差校正，以获得更准确的管杆接箍坐标位置，并且结合摄像机的标定参数、坐标系的定义、视觉算法进行调整和优化。
10.优选的，在得到管杆接箍的坐标位置后，通过以下算法流程计算出管杆接箍的高度与移动速度：(4.1) 特征提取和测量：使用计算机视觉技术，通过提取管杆接箍的特征点、边缘或轮廓，并结合已知的镜头与管杆接箍间距离、视角、视场与焦距，计算管杆接箍的高度；使用图像处理中的边缘检测、阈值分割或形态学操作，通过测量管杆接箍的高度特征，得到管杆接箍的高度值；(4.2) 运动分析：使用图像序列或视频数据，分析管杆接箍的运动并计算移动速度，通过跟踪管杆接箍在连续帧之间的位置变化来实现该步骤，跟踪算法包括基于特征点的光流方法、基于模型的跟踪方法或基于深度学习的目标跟踪方法；(4.3) 算法和规则推理：通过结合已知的管杆规格和物理规则，推导出管杆接箍的管杆规格，涉及到计算管杆的直径与长度的信息，以及通过管杆规格和移动速度推断的其它参数；结合传感器数据、实时监测和反馈机制，需要进行算法的优化和调整，并对数据进行校准和验证，以确保计算结果的准确性和可靠性。
11.优选的，管杆接箍的高度计算：管杆接箍高度=实际高度
×
图像中的像素高度/图像中的像素数；实际高度：已知的管杆接箍实际高度或长度，单位与图像中的像素高度相对应；图像中的像素高度：管杆接箍在图像中的像素高度；图像中的像素数：图像中包含管杆接箍的像素数。
12.优选的，管杆接箍的移动速度计算：移动速度=距离/时间；
距离：管杆接箍在单位时间内移动的距离，是实际距离或像素距离；时间：管杆接箍移动所用的时间。
13.优选的，通过ai学习与工业视觉训练，将摄像机拍到的不同环境背景下的管杆接箍的画面输入到视觉训练系统中进行训练，通过将众多不同场景下的管杆接箍图像进行标记、比对，优化算法，提高管杆接箍识别的准确率，降低误判、漏判概率。
14.优选的，识别管杆接箍的算法和公式：sobel算子是边缘检测算子，它通过计算图像灰度值的梯度来检测边缘，sobel算子包括水平和垂直两个方向的卷积核，分别对应x和y方向的梯度计算；水平方向的sobel算子卷积核：垂直方向的sobel算子卷积核：sobel算子通过在图像上应用两个卷积核，一个用于检测水平边缘，另一个用于检测垂直边缘，计算每个像素点的梯度强度和梯度方向；具体来说，sobel算子对于每个像素点计算其水平方向上的梯度值和垂直方向上的梯度值，然后通过组合这两个梯度值，得到该像素点的梯度强度和梯度方向，梯度强度表示图像中的边缘强度，而梯度方向表示边缘的方向；在管杆接箍识别中，使用sobel算子计算出的数据用于进一步的图像处理和分析，通过设置阈值来提取出管杆接箍的边缘信息或者利用梯度方向信息来判断管杆接箍的方向；在管杆接箍识别中，对于输入图像i(x, y)，水平方向梯度gx和垂直方向梯度gy的计算公式是用来计算每个像素点的梯度值，以进行边缘检测；下面是sobel算子计算梯度的公式：水平方向梯度gx = (i(x+1, y-1) + 2i(x+1, y) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x-1, y) + i(x-1, y+1))；垂直方向梯度gy = (i(x-1, y+1) + 2i(x, y+1) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x, y-1) + i(x+1, y-1))；其中，i(x, y)表示图像在坐标(x, y)处的灰度值，这两个公式分别计算了每个像素点在水平方向和垂直方向上的灰度变化程度，从而得到对应的梯度值；通过计算水平方向和垂直方向的梯度值，得到每个像素点的梯度强度和梯度方向；梯度强度表示了图像中的边缘强度，而梯度方向表示了边缘的方向，这些信息用于后续的边缘提取、特征提取和边缘匹配任务，帮助进行管杆接箍的识别和分析。
15.优选的，计算物体的hu矩：
首先，从物体的轮廓中提取特征，计算出物体的hu矩，hu矩是具有旋转、平移和缩放不变性的图像矩，用于描述物体的形状特征，hu矩通过归一化中心矩计算得到；计算两个物体的相似性指标：通过比较两个物体的hu矩，计算它们之间的相似性指标，这里用的指标是hu矩的差异距离，距离度量是欧氏距离，计算公式如下：d = sqrt(sum((m1
ꢀ‑ꢀ
m2)^2))；其中，d是两个物体之间的距离，m1和m2分别是两个物体的hu矩；还用到物体相对矩匹配方法，计算公式如下：r = sum((log(m1)
ꢀ‑ꢀ
log(m2))^2)；其中，r是相对矩匹配的结果，m1和m2分别是两个物体的hu矩；通过计算相似性指标，判断提取到的管杆接箍特征与已知管杆接箍模板是否相似或匹配程度的高低，更小的距离或更小的相对矩匹配结果表示提取到的管杆接箍特征与已知管杆接箍模板形状相似性更高；在管杆接箍识别中，通过比较两个物体的hu矩并计算它们之间的差异距离，用于度量两个物体的相似性，通过比较管杆接箍的形状相似性，以辅助识别和分类油田的管杆接箍。本技术取得了如下的有益的技术效果：(1).该方法主要依靠图像识别技术实现自动、精准的识别管杆接箍，具有识别精准、快速、实时且可靠。
16.(2).本技术可实时给出管杆接箍的高度、位置、移动速度、管杆规格、是否完全上紧或者卸开、自动化作业设备的运行状态等数据信号和信息，并发送给相关控制系统，用于自动化控制系统的程序逻辑关联、互锁等。
17.(3).本技术中的传感器结构简单、免维护。
18.(4).本技术中，数据可用于自动化与电控系统控制、天车防碰、报警、记录、远传和事故分析判断。
19.(5).功能可扩展，可进行钻井、修井系统设备各个部位的识别与监测。
附图说明
20.图1是本技术中摄像机对管杆接箍进行拍摄和识别示例图(其中右侧图中的黑线圈所圈住的即为管杆接箍)；图2是本技术提供的一种油田的管杆接箍的自动识别方法的自动识别程序流程图。
具体实施方式
21.下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，所描述的实施例仅是本发明一部分实施例，而不是全部。因此，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
22.本技术提供了一种油田的管杆接箍的自动识别方法，采用摄像机对管杆进行拍
摄，通过识别管杆接箍的形状、轮廓、颜色中的一个或多个外形特征，将管杆接箍与周围物体区分开；利用管杆接箍比管杆本体宽的特征，定位管杆接箍的像素坐标；识别到管杆接箍后，系统通过算法，自动计算出管杆接箍的坐标位置，进而计算出管杆接箍的高度、移动速度的数据信号和信息，并通过连接线传输至控制系统。
23.本技术中，为了自动、精准的识别管杆接箍，本发明采用摄像机对管杆进行拍摄，通过识别管杆接箍的形状、轮廓、颜色等一个或多个外形特征，将管杆接箍与周围其它物体区分开。
24.本技术中，利用管杆接箍比管杆本体略宽的特征，定位管杆接箍的像素坐标；根据外形等特征，定位管杆接箍公扣、管杆接箍母扣、管杆本体、管杆吊卡等相关物体的像素坐标，并通过事先标定好的标定信息把像素坐标转化成物理坐标。
25.本技术中，由于油田钻井、修井作业都在野外进行，管杆接箍所处环境不固定，摄像机拍到的管杆接箍的背景也不固定，管杆上和管杆接箍的周围还附着有不同程度、各种质地和颜色的污染物，会对管杆接箍准确识别造成直接干扰，提高误判、漏判的概率；为了解决以上技术问题，本方法通过ai学习与工业视觉训练，将摄像机拍到的不同环境背景下的管杆接箍的画面输入到视觉训练系统中进行训练，通过将众多不同场景下的管杆接箍图像进行标记、比对，不断优化算法，不断提高管杆接箍识别的准确率，降低误判、漏判概率。
26.本技术中，由于油田钻井、修井作业都在野外进行，摄像机面临白天与夜晚各个时段和不同地点的光线强弱、光照角度变化，也会对管杆接箍的准确识别造成直接干扰；为了解决此技术问题，本方法为摄像机专门安装了滤光镜，将干扰光线过滤掉，保持所拍摄的管杆接箍图像清晰，本方法还专门配备了照明光源，用于光线不足或光照角度不适宜情况下的补光。
27.本技术中，由于油田钻井、修井作业环境复杂，各种设备多，井口污染物多，影响本方法特别是摄像机的安装和图像的清洁；为了解决此问题，本方法为不同位置上的摄像机配备了不同类型和焦距的镜头，距离管杆接箍较近处使用广角镜头，距离管杆接箍较远处使用普通或者长焦镜头，以保证所拍摄图像的清晰；本方法还设计了专门的摄像机外壳，为摄像机提供防护和相对洁净、温湿度适宜的空间，对于离井口较近的摄像机，根据油气行业防爆标准，配置了专门的防爆摄像机壳体；本方法还设计了专门的摄像机安装支架，用于井场不同位置上摄像机的安装与固定，目的是尽量做到摄像机镜头与管杆接箍平齐，并与管杆接箍保持固定距离，以便清晰的拍摄图像和输出精确的管杆接箍位置坐标。
28.本技术的一种油田的管杆接箍的自动识别方法的工作原理：采用摄像机对管杆进行拍摄，通过识别管杆接箍的形状、轮廓、颜色等一个或多个外形特征，将管杆接箍与周围其它物体区分开；利用管杆接箍比管杆本体略宽的特征，定位管杆接箍的像素坐标；根据外形等特征，定位管杆接箍公扣、管杆接箍母扣、管杆本体、管杆吊卡等相关物体的像素坐标，并通过事先标定好的标定信息把像素坐标转化成物理坐标；
通过ai学习与工业视觉训练，不断提高管杆接箍识别的准确率，降低误判概率；识别到管杆接箍后，系统通过算法，自动计算出管杆接箍的坐标位置，进而计算出管杆接箍的高度、移动速度、管杆规格等数据信号和信息，并通过连接线传输至控制系统。
29.在本技术的一个实施例中，进一步的，在识别管杆接箍并计算其坐标位置时，使用计算机视觉中的图像处理和机器学习算法，以下是算法流程：1) 图像预处理：首先对图像进行预处理，包括去噪、图像增强、边缘检测等步骤，以提高管杆接箍的边缘清晰度和对比度；2) 特征提取：通过图像处理技术，提取管杆接箍的特征，如形状、颜色、纹理等，使用特征描述子如sift(尺度不变特征变换)、surf(加速稳健特征)或cnn(卷积神经网络)等方法；3) 特征匹配：将提取到的管杆接箍特征与已知管杆接箍模板进行匹配，使用特征匹配算法，如基于特征描述子的匹配方法(例如，利用sift或surf特征描述子的匹配算法)或基于神经网络的匹配方法(例如，使用卷积神经网络进行特征匹配)；4) 坐标位置计算：通过匹配结果，确定管杆接箍在图像中的位置信息，通过几何计算方法，根据匹配点的坐标进行三角测量或使用透视变换来获得管杆接箍的准确位置坐标；此外，算法的性能还受到图像质量、光照条件、管杆接箍形状和尺寸变化等因素的影响，因此，在实际应用中，需要进行算法参数的调优和实时反馈机制的设计，以提高准确性和鲁棒性。
30.在本技术的一个实施例中，进一步的，视觉定位管杆接箍的坐标位置的计算公式：(3.1) 像素坐标转换为相机坐标：首先，进行相机标定，获取相机的内参矩阵，包括焦距、主点坐标和像素尺度因子等参数；使用相机内参矩阵，将像素坐标转换为相机坐标系下的坐标，通过将像素坐标乘以相机的逆内参矩阵来实现；(3.2) 相机坐标转换为世界坐标：已知了相机的外参矩阵，包括摄像机的旋转矩阵和平移矩阵，将相机坐标转换为世界坐标；使用相机的外参矩阵，通过将相机坐标与旋转矩阵和平移矩阵进行乘法运算来实现坐标转换；(3.3) 世界坐标修正和误差校正：需要进行世界坐标的修正和误差校正，这包括基于参考物体或场景的对齐、坐标系变换、尺度因子的确定和误差校正等步骤，以获得更准确的管杆接箍坐标位置，需要结合摄像机的标定参数、坐标系的定义、视觉算法和方法的选择等因素进行调整和优化；此外，还需要考虑图像畸变、摄像机姿态变化、噪声和误差来源等因素，并进行相应的校正和精度分析，以提高管杆接箍坐标位置识别的准确性和可靠性。
31.在本技术的一个实施例中，进一步的，在得到管杆接箍的坐标位置后，通过以下算法流程来计算出管杆接箍高度、移动速度、管杆规格等数据信号和信息：(4.1) 特征提取和测量：使用计算机视觉技术，通过提取管杆接箍的特征点、边缘
或轮廓，并结合已知的镜头与管杆接箍间距离、视角、视场、焦距等信息，计算管杆接箍的高度；使用图像处理中的边缘检测、阈值分割或形态学操作等方法，通过测量管杆接箍的高度特征，得到管杆接箍的高度值；(4.2) 运动分析：使用图像序列或视频数据，分析管杆接箍的运动并计算移动速度，通过跟踪管杆接箍在连续帧之间的位置变化来实现，跟踪算法包括基于特征点的光流方法(如lucas-kanade光流法)、基于模型的跟踪方法(如卡尔曼滤波器)或基于深度学习的目标跟踪方法；(4.3) 算法和规则推理：通过结合已知的管杆规格和物理规则，推导出管杆接箍的管杆规格，涉及到计算管杆的直径、长度等信息，以及通过管杆规格和移动速度推断的其它参数；此外，为了提高计算的准确性和可靠性，需要结合传感器数据、实时监测和反馈机制等，需要进行算法的优化和调整，并对数据进行校准和验证，以确保计算结果的准确性和可靠性；此外，管杆接箍的高度、移动速度和管杆规格等数据的计算还可能受到环境条件、传感器精度和噪声等因素的影响，因此需要进行合理的误差分析和校正。
32.本技术中，管杆接箍的高度计算：管杆接箍的高度=实际高度(或长度)
×
图像中的像素高度/图像中的像素数；实际高度(或长度)：已知的管杆接箍实际高度或长度，单位与图像中的像素高度相对应；图像中的像素高度：管杆接箍在图像中的像素高度；图像中的像素数：图像中包含管杆接箍的像素数。
33.本技术中，管杆接箍的移动速度计算：移动速度=距离/时间；距离：管杆接箍在单位时间内移动的距离，是实际距离或像素距离；时间：管杆接箍移动所用的时间。
34.本技术中，管杆管杆规格计算：管杆管杆规格=推导或匹配算法得到的结果，可能涉及管杆的直径、长度等信息。
35.在本技术的一个实施例中，识别管杆接箍的算法和公式：sobel算子是边缘检测算子，它通过计算图像灰度值的梯度来检测边缘，sobel算子包括水平和垂直两个方向的卷积核，分别对应x和y方向的梯度计算；水平方向的sobel算子卷积核：垂直方向的sobel算子卷积核：
sobel算子用于边缘检测，边缘检测是图像处理中的一项基本任务，它有助于提取图像中的轮廓和边界信息，在管杆接箍识别中，边缘检测帮助定位和提取出管杆接箍的边缘；sobel算子是一种常用的边缘检测算子，它基于图像的灰度值变化来检测边缘，sobel算子通过在图像上应用两个卷积核，一个用于检测水平边缘，另一个用于检测垂直边缘，计算每个像素点的梯度强度和梯度方向；具体来说，sobel算子对于每个像素点会计算其水平方向上的梯度值和垂直方向上的梯度值，然后通过组合这两个梯度值，得到该像素点的梯度强度和梯度方向，梯度强度表示图像中的边缘强度，而梯度方向表示边缘的方向；在管杆接箍识别中，使用sobel算子计算出的数据用于进一步的图像处理和分析，通过设置适当的阈值来提取出管杆接箍的边缘信息，或者利用梯度方向信息来判断管杆接箍的方向；在管杆接箍识别中，对于输入图像i(x, y)，水平方向梯度gx和垂直方向梯度gy的计算公式是用来计算每个像素点的梯度值，以进行边缘检测；下面是sobel算子计算梯度的公式：水平方向梯度gx = (i(x+1, y-1) + 2i(x+1, y) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x-1, y) + i(x-1, y+1))；垂直方向梯度gy = (i(x-1, y+1) + 2i(x, y+1) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x, y-1) + i(x+1, y-1))；其中，i(x, y)表示图像在坐标(x, y)处的灰度值，这两个公式分别计算了每个像素点在水平方向和垂直方向上的灰度变化程度，从而得到对应的梯度值；通过计算水平方向和垂直方向的梯度值，得到每个像素点的梯度强度和梯度方向，梯度强度表示了图像中的边缘强度，而梯度方向表示了边缘的方向，这些信息用于后续的边缘提取、特征提取和边缘匹配等任务，帮助进行管杆接箍的识别和分析。
36.在本技术的一个实施例中，计算物体的hu矩：首先，从物体的轮廓中提取特征，计算出物体的hu矩，hu矩是具有旋转、平移和缩放不变性的图像矩，用于描述物体的形状特征，hu矩通过归一化中心矩计算得到；计算两个物体的相似性指标：通过比较两个物体的hu矩，计算它们之间的相似性指标，这里用的指标是hu矩的差异距离，距离度量是欧氏距离，计算公式如下：d = sqrt(sum((m1
ꢀ‑ꢀ
m2)^2))；其中，d是两个物体之间的距离，m1和m2分别是两个物体的hu矩；还用到物体相对矩匹配方法，计算公式如下：r = sum((log(m1)
ꢀ‑ꢀ
log(m2))^2)；其中，r是相对矩匹配的结果，m1和m2分别是两个物体的hu矩；
通过计算相似性指标，判断提取到的管杆接箍特征与已知管杆接箍模板是否相似或匹配程度的高低，更小的距离或更小的相对矩匹配结果表示提取到的管杆接箍特征与已知管杆接箍模板形状相似性更高；在管杆接箍识别中，通过比较两个物体的hu矩并计算它们之间的差异距离，用于度量它们的相似性；hu矩是一种基于图像的形状描述符，它具有旋转、缩放和平移不变性，因此在物体形状识别和匹配方面具有广泛应用；在管杆接箍识别中，通过计算两个管杆接箍图像的hu矩并计算它们之间的差异距离，衡量它们在形状上的相似性；如果两个管杆接箍之间的差异距离较小，则它们的形状特征相似，可能属于同一类型的管杆接箍；反之，如果差异距离较大，则它们的形状特征不相似，可能属于不同类型的管杆接箍；通过比较管杆接箍的形状相似性，辅助识别和分类油田管杆接箍。
37.本发明未详尽描述的方法和装置均为现有技术，不再赘述。
38.为更好地理解本发明，下面通过以下实施例对本发明作进一步具体的阐述，但不可理解为对本发明的限定，对于本领域的技术人员根据上述发明内容所作的一些非本质的改进与调整，也视为落在本发明的保护范围内。
39.实施例1实施例1是一个结合轮廓检测算法的自动管杆接箍识别实施例：假设实施例1有一幅管杆接箍的图像，实施例1希望通过检测算法自动识别管杆接箍的位置和高度；(1) 图像预处理：首先载入油田管杆图像；然后对图像进行灰度化处理，将其转换为灰度图像；然后对灰度图像进行二值化处理，将管杆和背景分离；(2) 轮廓检测：使用轮廓检测算法(sobel算子卷积核opencv中的`findcontours`函数)提取图像中管杆接箍的轮廓信息；然后根据设定的参数和阈值，筛选出可能代表管杆接箍的轮廓；对于输入图像i(x, y)，计算出水平方向梯度gx和垂直方向梯度gy的值；(3) 管杆接箍定位：对筛选出的轮廓进行进一步处理，提取管杆接箍的位置信息；然后使用轮廓的外接矩形或最小外接矩形来估计管杆接箍的位置和边界框；然后获取管杆接箍的上边缘和下边缘的像素坐标，表示为 y1 和 y2；(4) 高度计算：计算管杆接箍的高度(以像素为单位)：高度 = y2
ꢀ‑ꢀ
y1；根据摄像机的标定信息或已知的尺寸参考，确定像素到实际尺寸的比例因子，假设比例因子为 0.1 厘米/像素；计算管杆接箍的实际高度(以厘米为单位)：实际高度 = 高度
ꢀ×ꢀ
0.1。
40.在这个实施例1中，使用了轮廓检测算法来提取图像中的管杆接箍轮廓，并结合像素坐标计算出管杆接箍的高度；具体的计算数据和参数根据实际情况进行调整，例如阈值选择、比例因子、灰度化和二值化处理的方法等；这些参数和计算数据的选择会根据具体的应用需求和图像特点进行调整和优化。
41.实施例2实施例2是一个自动识别实施例，其中包括计算物体的hu矩的数学公式应用：假设实施例2有一幅管杆接箍的图像，希望通过形状匹配算法自动识别物体并计算其hu矩；(1) 图像预处理：首先载入待处理图像；然后对图像进行必要的预处理操作，如灰度化、二值化等；(2) 物体识别与轮廓提取：使用图像处理算法(阈值分割、边缘检测)对图像进行处理，得到管杆的二值化图像；然后通过轮廓检测算法(sobel算子卷积核opencv中的`findcontours`函数)提取管杆接箍的轮廓；(3) 计算hu矩：对提取到的管杆接箍轮廓进行形状匹配计算；然后计算管杆接箍的hu矩，表示为hu1、hu2、hu3、hu4、hu5、hu6、hu7；hu1 = (η20 + η02) ^ 2；hu2 = (η20
ꢀ‑ꢀ
η02) ^ 2 + 4
ꢀ×ꢀ
η11 ^ 2；hu3 = (η30
ꢀ‑ꢀ3ꢀ×ꢀ
η12) ^ 2 + (3
ꢀ×ꢀ
η21
ꢀ‑ꢀ
η03) ^ 2；hu4 = (η30 + η12) ^ 2 + (η21 + η03) ^ 2；hu5 = (η30
ꢀ‑ꢀ3ꢀ×ꢀ
η12)
ꢀ×ꢀ
(η30 + η12)
ꢀ×ꢀ
[(η30 + η12) ^ 2
ꢀ‑ꢀ3ꢀ×ꢀ
(η21 + η03) ^ 2] + (3
ꢀ×ꢀ
η21
ꢀ‑ꢀ
η03)
ꢀ×ꢀ
(η21 + η03)
ꢀ×ꢀ
[3
ꢀ×ꢀ
(η30 + η12) ^ 2
ꢀ‑ꢀ
(η21 + η03) ^ 2]；hu6 = (η20
ꢀ‑ꢀ
η02)
ꢀ×ꢀ
[(η30 + η12) ^ 2
ꢀ‑ꢀ
(η21 + η03) ^ 2] + 4
ꢀ×ꢀ
η11
ꢀ×ꢀ
(η30 + η12)
ꢀ×ꢀ
(η21 + η03)；hu7 = (3
ꢀ×ꢀ
η21
ꢀ‑ꢀ
η03)
ꢀ×ꢀ
(η30 + η12)
ꢀ×ꢀ
[(η30 + η12) ^ 2
ꢀ‑ꢀ3ꢀ×ꢀ
(η21 + η03) ^ 2]
ꢀ‑ꢀ
(η30
ꢀ‑ꢀ3ꢀ×ꢀ
η12)
ꢀ×ꢀ
(η21 + η03)
ꢀ×ꢀ
[3
ꢀ×ꢀ
(η30 + η12) ^ 2
ꢀ‑ꢀ
(η21 + η03) ^ 2]；其中，ηpq 表示管杆接箍的归一化中心矩，计算公式为：ηpq = μpq / (μ00 ^ (1 + (p + q) / 2))；其中，μpq 表示中心矩，计算公式为：μpq = ∑((x
ꢀ‑ꢀ
x)^p
ꢀ×ꢀ
(y
ꢀ‑ꢀ
ȳ
)^q)；其中，(x
̄
, ȳ
) 表示管杆接箍的质心坐标，x 和 y 分别表示管杆接箍轮廓上的像素坐标；(4) 特征匹配：将计算得到的hu矩与预先存储的已知管杆接箍模板的hu矩进行比较，使用匹配算
法(欧氏距离、相关性)进行相似度度量；根据相似度度量结果确定管杆接箍的匹配程度。
[0042]
在这个实施例2中，使用了形状匹配算法和hu矩来描述物体的形状特征，并进行管杆接箍识别和已知管杆接箍模板的特征匹配，涉及到的相关计算数据的选择会根据图像特点进行调整和优化。
[0043]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种油田的管杆接箍的自动识别方法，其特征在于，采用摄像机进行拍摄，通过识别管杆接箍的形状、轮廓、颜色中的至少一个外形特征，将管杆接箍与周围物体区分开；利用管杆接箍比管杆本体宽的特征，定位管杆接箍的像素坐标；识别到管杆接箍后，系统通过算法，自动计算出管杆接箍的坐标位置，进而计算出管杆接箍的高度、移动速度的数据信号和信息，并通过连接线传输至控制系统。2.根据权利要求1所述的一种油田的管杆接箍的自动识别方法，其特征在于，在识别管杆接箍并计算其坐标位置时，使用计算机视觉中的图像处理和机器学习算法，算法流程具体为：1) 图像预处理：首先对图像进行预处理，包括去噪、图像增强与边缘检测，以提高管杆接箍的边缘清晰度和对比度；2) 特征提取：通过图像处理技术提取管杆接箍的特征，包括形状、颜色与纹理，使用的特征描述子为sift尺度不变特征变换、surf加速稳健特征或cnn卷积神经网络方法；3) 特征匹配：将提取到的管杆接箍特征与已知管杆接箍模板进行匹配，使用特征匹配算法，包括利用sift或surf特征描述子的匹配算法或使用卷积神经网络进行特征匹配；4) 坐标位置计算：通过匹配结果，确定管杆接箍在图像中的位置信息，通过几何计算方法，根据匹配点的坐标进行三角测量或使用透视变换来获得管杆接箍的准确位置坐标。3.根据权利要求2所述的一种油田的管杆接箍的自动识别方法，其特征在于，步骤4)中的视觉定位管杆接箍的坐标位置的计算公式：(3.1) 像素坐标转换为相机坐标：首先，进行相机标定，获取相机的内参矩阵，包括焦距、主点坐标和像素尺度因子参数；使用相机内参矩阵，将像素坐标转换为相机坐标系下的坐标，此处步骤是通过将像素坐标乘以相机的逆内参矩阵来实现的；(3.2) 相机坐标转换为世界坐标：已知相机的外参矩阵，包括摄像机的旋转矩阵和平移矩阵，将相机坐标转换为世界坐标；使用相机的外参矩阵，通过将相机坐标与旋转矩阵和平移矩阵进行乘法运算来实现坐标转换；(3.3) 世界坐标修正和误差校正：包括基于参考物体或场景的对齐、坐标系变换、尺度因子的确定和误差校正，以获得更准确的管杆接箍坐标位置，并且结合摄像机的标定参数、坐标系的定义、视觉算法进行调整和优化。4.根据权利要求3所述的一种油田的管杆接箍的自动识别方法，其特征在于，在得到管杆接箍的坐标位置后，通过以下算法流程计算出管杆接箍的高度与移动速度：(4.1) 特征提取和测量：使用计算机视觉技术，通过提取管杆接箍的特征点、边缘或轮廓，并结合已知的镜头与管杆接箍间距离、视角、视场与焦距，计算管杆接箍的高度；使用图像处理中的边缘检测、阈值分割或形态学操作，通过测量管杆接箍的高度特征，得到管杆接箍的高度值；(4.2) 运动分析：使用图像序列或视频数据，分析管杆接箍的运动并计算移动速度，通过跟踪管杆接箍在连续帧之间的位置变化来实现该步骤，跟踪算法包括基于特征点的光流
方法、基于模型的跟踪方法或基于深度学习的目标跟踪方法；(4.3) 算法和规则推理：通过结合已知的管杆规格和物理规则，推导出管杆接箍的管杆规格，涉及到计算管杆的直径与长度的信息，以及通过管杆规格和移动速度推断的其它参数；结合传感器数据、实时监测和反馈机制，需要进行算法的优化和调整，并对数据进行校准和验证，以确保计算结果的准确性和可靠性。5.根据权利要求4所述的一种油田的管杆接箍的自动识别方法，其特征在于，管杆接箍的高度计算：管杆接箍高度=实际高度
×
图像中的像素高度/图像中的像素数；实际高度：已知的管杆接箍实际高度或长度，单位与图像中的像素高度相对应；图像中的像素高度：管杆接箍在图像中的像素高度；图像中的像素数：图像中包含管杆接箍的像素数。6.根据权利要求4所述的一种油田的管杆接箍的自动识别方法，其特征在于，管杆接箍的移动速度计算：移动速度=距离/时间；距离：管杆接箍在单位时间内移动的距离，是实际距离或像素距离；时间：管杆接箍移动所用的时间。7.根据权利要求1所述的一种油田的管杆接箍的自动识别方法，其特征在于，通过ai学习与工业视觉训练，将摄像机拍到的不同环境背景下的管杆接箍的画面输入到视觉训练系统中进行训练，通过将众多不同场景下的管杆接箍图像进行标记、比对，优化算法，提高管杆接箍识别的准确率，降低误判、漏判概率。8.根据权利要求1所述的一种油田的管杆接箍的自动识别方法，其特征在于，识别管杆接箍的算法和公式：sobel算子是边缘检测算子，它通过计算图像灰度值的梯度来检测边缘，sobel算子包括水平和垂直两个方向的卷积核，分别对应x和y方向的梯度计算；水平方向的sobel算子卷积核：垂直方向的sobel算子卷积核：sobel算子通过在图像上应用两个卷积核，一个用于检测水平边缘，另一个用于检测垂直边缘，计算每个像素点的梯度强度和梯度方向；具体来说，sobel算子对于每个像素点计算其水平方向上的梯度值和垂直方向上的梯度值，然后通过组合这两个梯度值，得到该像素点的梯度强度和梯度方向，梯度强度表示图像中的边缘强度，而梯度方向表示边缘的方
向；在管杆接箍识别中，使用sobel算子计算出的数据用于进一步的图像处理和分析，通过设置阈值来提取出管杆接箍的边缘信息或者利用梯度方向信息来判断管杆接箍的方向；在管杆接箍识别中，对于输入图像i(x, y)，水平方向梯度gx和垂直方向梯度gy的计算公式是用来计算每个像素点的梯度值，以进行边缘检测；下面是sobel算子计算梯度的公式：水平方向梯度gx = (i(x+1, y-1) + 2i(x+1, y) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x-1, y) + i(x-1, y+1))；垂直方向梯度gy = (i(x-1, y+1) + 2i(x, y+1) + i(x+1, y+1))
ꢀ‑ꢀ
(i(x-1, y-1) + 2i(x, y-1) + i(x+1, y-1))；其中，i(x, y)表示图像在坐标(x, y)处的灰度值，这两个公式分别计算了每个像素点在水平方向和垂直方向上的灰度变化程度，从而得到对应的梯度值；通过计算水平方向和垂直方向的梯度值，得到每个像素点的梯度强度和梯度方向；梯度强度表示了图像中的边缘强度，而梯度方向表示了边缘的方向，这些信息用于后续的边缘提取、特征提取和边缘匹配任务，帮助进行管杆接箍的识别和分析。9.根据权利要求1所述的一种油田的管杆接箍的自动识别方法，其特征在于，计算物体的hu矩：首先，从物体的轮廓中提取特征，计算出物体的hu矩，hu矩是具有旋转、平移和缩放不变性的图像矩，用于描述物体的形状特征，hu矩通过归一化中心矩计算得到；计算两个物体的相似性指标：通过比较两个物体的hu矩，计算它们之间的相似性指标，这里用的指标是hu矩的差异距离，距离度量是欧氏距离，计算公式如下：d = sqrt(sum((m1
ꢀ‑ꢀ
m2)^2))；其中，d是两个物体之间的距离，m1和m2分别是两个物体的hu矩；还用到物体相对矩匹配方法，计算公式如下：r = sum((log(m1)
ꢀ‑ꢀ
log(m2))^2)；其中，r是相对矩匹配的结果，m1和m2分别是两个物体的hu矩；通过计算相似性指标，判断提取到的管杆接箍特征与已知管杆接箍模板是否相似或匹配程度的高低，更小的距离或更小的相对矩匹配结果表示提取到的管杆接箍特征与已知管杆接箍模板形状相似性更高；在管杆接箍识别中，通过比较两个物体的hu矩并计算它们之间的差异距离，用于度量两个物体的相似性，通过比较管杆接箍的形状相似性，以辅助识别和分类油田的管杆接箍。

技术总结
本申请提供了一种油田的管杆接箍的自动识别方法，采用摄像机对管杆进行拍摄，通过识别管杆接箍的形状、轮廓、颜色等外形特征，将管杆接箍与周围其它物体区分开；利用管杆接箍比管杆本体略宽的特征，定位管杆接箍的像素坐标；识别到管杆接箍后，系统通过算法，自动计算出管杆接箍的坐标位置，进而计算出管杆接箍的高度、移动速度、管杆规格等数据信号和信息，并通过连接线传输至控制系统；通过AI学习与工业视觉训练，不断提高管杆接箍识别的准确率，降低误判概率；可实时给出管杆接箍的高度、位置、移动速度、管杆规格等数据，具有识别精准、快速、实时且可靠等优点。实时且可靠等优点。实时且可靠等优点。


技术研发人员：高俊
受保护的技术使用者：青岛北海俊惠电子仪表有限公司
技术研发日：2023.07.17
技术公布日：2023/9/16