一种用于评估钻头磨损特征的方法、装置及系统

技术领域

本发明涉及石油天然气勘探开发技术领域，尤其是涉及一种用于评估钻头磨损特征的方法、装置及系统。

背景技术

石油钻井过程中，主要采用聚晶金刚石复合片(PDC)钻头通过旋转切削地层实现破岩和钻进，PDC钻头性能直接影响钻井速度，进而影响钻井周期和成本。

抗磨损能力是PDC钻头的重要性能指标。目前，在钻井现场对钻头磨损的评估时，主要依据国际钻井承包商协会(IADC)关于钻头磨损的评价标准，在现场通过人工测量获取，即采用1个1-8之间的整数描述整只钻头内排齿的磨损情况，用1个1-8之间的整数描述钻头外排齿的磨损情况。然而，由于常规PDC钻头有数十个切削齿，用1个整数分别描述内排齿和外排齿的磨损程度，难以真实反映钻头磨损情况，采用人工方法对单只齿磨损情况进行描述工作量大且标准难以统一。

由此，由于钻头磨损程度度量方法的不规范，直接影响钻头性能评价的准确性和科学性，不利于井场数字化建设和数据驱动优化方法的实施。

因此，现有技术需要提供一种能够快速对钻头中每个切削齿的磨损程度进行识别的方案。

发明内容

为了解决上述技术问题，本发明首先提供了一种用于评估钻头磨损特征的方法，包括：获取待检测的钻头图像，所述钻头图像包括至少一个切削齿区域；根据所述待检测的钻头图像，对图像中的每个切削齿的磨损程度进行识别。

优选地，在根据所述钻头图像，对图像中的每个切削齿的磨损程度进行识别步骤中，包括：利用磨损程度识别模型来对所述钻头图像中的各切削齿的磨损程度进行识别，其中，所述磨损程度识别模型是基于CNN模型架构并利用钻头图像数据集而构建的，所述钻头图像数据集包括多幅在不同钻头使用阶段下所拍摄的不同角度的钻头部位的图像。

优选地，所述磨损程度识别模型包括切削齿磨损级别识别模型，其中，在进行磨损程度识别时，包括：利用切削齿磨损级别识别模型，对所述钻头图像中所指示的各个切削齿区域对应的磨损程度分别进行识别。

优选地，所述磨损程度识别模型还包括钻头目标识别模型、刀翼目标识别模型和切削齿目标识别模型，其中，在进行磨损程度识别时，还包括：分别利用所述钻头目标识别模型、所述刀翼目标识别模型和所述切削齿目标识别模型，依次识别所述钻头图像中是否含有钻头、是否含有刀翼和是否含有切削齿，以标记钻头图像中的各个切削齿区域。

优选地，在构建所述钻头目标识别模型过程中，包括：将所述钻头图像数据集中的各钻头图像作为预设CNN模型的输入，得到相应的钻头特征图；对所述钻头特征图中的真实钻头周围区域进行采样，形成钻头图像碎片并为每幅所述钻头图像碎片标记相应的样本类型，所述样本类型包括正样本或负样本；利用含有正负样本的钻头图像碎片集对所述预设CNN模型进行训练，得到所述钻头目标识别模型。

优选地，在构建所述刀翼目标识别模型过程中，包括：利用所述钻头目标识别模型，对所述钻头图像数据集中的各钻头图像进行钻头识别，并根据所识别到的钻头区域中含有刀翼的区域，形成相应的刀翼图像；将刀翼图像数据集中的各刀翼图像作为预设CNN模型的输入，得到相应的刀翼特征图；对所述刀翼特征图中的真实刀翼周围区域进行采样，形成刀翼图像碎片并为每幅所述刀翼图像碎片标记相应的样本类型；利用含有正负样本的刀翼图像碎片集对所述预设CNN模型进行训练，得到所述刀翼目标识别模型。

优选地，在构建所述切削齿目标识别模型过程中，包括：利用所述刀翼目标识别模型，对所述刀翼图像数据集中的各刀翼图像进行刀翼识别，并根据所识别到的刀翼区域中含有切削齿的区域，形成相应的第一类切削齿图像；将第一类切削齿图像数据集中的各第一类切削齿图像作为预设CNN模型的输入，得到相应的第一类切削齿特征图；对所述第一类切削齿特征图中的真实切削齿周围区域进行采样，形成第一类切削齿图像碎片并为每幅所述第一类切削齿图像碎片标记相应的样本类型；利用含有正负样本的第一类切削齿图像碎片集对所述预设CNN模型进行训练，得到所述切削齿目标识别模型。

优选地，在构建所述切削齿磨损级别识别模型过程中，包括：利用所述切削齿目标识别模型，对所述第一类切削齿图像数据集中的各第一类切削齿图像进行切削齿识别，并根据所识别到的切削齿区域中含有切削齿标记的区域，形成相应的第二类切削齿图像；将第二类切削齿图像数据集中的各第二类切削齿图像作为预设CNN模型的输入，得到相应的第二类切削齿特征图；对所述第二类切削齿特征图中的真实切削齿周围区域进行采样，形成第二类切削齿图像碎片并为每幅所述第二类切削齿图像碎片标记相应的样本类型；利用含有正负样本的第二类切削齿图像碎片集、以及各碎片图像中所标注的切削齿磨损等级，对所述预设CNN模型进行训练，得到所述切削齿磨损级别识别模型。

优选地，在构建所述钻头图像数据集过程中，包括：获得在不同阶段下所拍摄的不同角度的含有钻头区域的图像，形成多张原始钻头图像；对每幅原始钻头图像进行目标位置标注，并标注每个切削齿的磨损级别，其中，所标注的内容至少包括：钻头、刀翼、切削齿、水眼和泥土。

优选地，对完成标注处理的原始钻头图像进行图像增广处理，其中，所述图像增广处理包括：增光处理、和/或水平翻转、和/或垂直翻转、和/或亮度变换、和/或饱和度变换、和/或色调变换、和/或随机裁剪。

优选地，所述方法还包括：根据每个切削齿的磨损程度得到钻头的综合磨损指标。

其次，本发明还提供了一种用于评估钻头磨损特征的系统，所述系统包括多个终端和服务器，其中，所述服务器用来实现如上述所述的方法。

优选地，所述多个终端用于收集钻井现场所采集的待检测钻头图像。

再次，本发明提供了一种用于评估钻头磨损特征的装置，所述装置包括：待检测图像获取模块，其配置为获取待检测的钻头图像，所述钻头图像包括至少一个切削齿区域；钻头磨损特征识别模块，其配置为根据所述待检测的钻头图像，对图像中的每个切削齿的磨损程度进行识别。

另外，本发明还提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上述所述的方法。

最后，本发明提供了一种计算机可读存储介质，所述可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如上述所述的方法。

与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：

本发明公开了一种用于评估钻头磨损特征的方法、装置及系统。该方案基于图像识别技术，利用大量新旧钻头数据进行人工标注，基于Faster RCNN架构结合多尺度检测方法分别建立钻头目标识别模型、刀翼目标识别模型、切削齿目标识别模型和切削齿磨损级别识别模型，能够通过图像识别关键目标(钻头、刀翼和切削齿)，并精确识别每个齿的磨损程度，实现钻头磨损程度的高维度和高精度描述，极大提高了石油钻井现场工程师工作效率，并提高了数据录入的准确性和维度，有效提高了井场信息数字化水平，为钻头性能评估、钻头选型、钻头个性化设计和钻井提速技术优化提供有用信息。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本申请实施例的用于评估钻头磨损特征的方法的步骤图。

图2是本申请实施例的用于评估钻头磨损特征的方法的流程示意图。

图3是本申请实施例的用于评估钻头磨损特征的方法中磨损程度识别模型的构建流程示意图。

图4是本申请实施例的用于评估钻头磨损特征的方法中的完成目标位置标注的原始钻头图像的效果示意图。

图5是本申请实施例的用于评估钻头磨损特征的方法中的完成切削齿磨损级别标注的原始钻头图像的效果示意图。

图6是本申请实施例的用于评估钻头磨损特征的装置的内部结构框图。

图7是本申请实施例的用于评估钻头磨损特征的系统的结构示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

另外，附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

石油钻井过程中，主要采用聚晶金刚石复合片(PDC)钻头通过旋转切削地层实现破岩和钻进，PDC钻头性能直接影响钻井速度，进而影响钻井周期和成本。

抗磨损能力是PDC钻头的重要性能指标。目前，在钻井现场对钻头磨损的评估时，主要依据国际钻井承包商协会(IADC)关于钻头磨损的评价标准，在现场通过人工测量获取，即采用1个1-8之间的整数描述整只钻头内排齿的磨损情况，用1个1-8之间的整数描述钻头外排齿的磨损情况。然而，由于常规PDC钻头有数十个切削齿，用1个整数分别描述内排齿和外排齿的磨损程度，难以真实反映钻头磨损情况，采用人工方法对单只齿磨损情况进行描述工作量大且标准难以统一。

由此，由于钻头磨损程度度量方法的不规范，直接影响钻头性能评价的准确性和科学性，不利于井场数字化建设和数据驱动优化方法的实施。随着深度学习算法的突破和硬件计算能力的发展，计算机视觉和图像识别技术得到了快速发展，有能力在复杂的环境状态下实现高精度的图像目标检测和分类。

为了解决上述现有石油钻井现场钻头磨损评估技术所涉及一种或几种问题，本申请提出了一种基于图像识别的钻头磨损特征评估方法、装置及系统。该方案能够对现场采集的钻头图像中的关键目标(钻头、刀翼和切削齿)进行识别，并精确识别每个切削齿的磨损程度。这样，本发明能够实现钻头磨损程度的高维度、高精度描述，极大提高现场工程师工作效率，提高现场信息数字化水平，为钻头的个性化设计、钻井提速技术优化提供有用信息，有效解决现有钻井现场钻头磨损评估技术中所面临的效率低、精度差、准确度低和维度低等一系列问题。

图1是本申请实施例的用于评估钻头磨损特征的方法的整体结构示意图。如图1所示，本发明实施例所述的用于评估钻头磨损特征的方法(以下简称“钻头磨损特征评估方法”)包括如下步骤：

步骤S110获取待检测的钻头图像。在步骤S110中，获取钻井现场实时采集的需要检测的钻头图像。其中，在所述钻头图像中，包括至少一个切削齿区域。在获得待检测的钻头图像后，进入到步骤S120中。所获取的待检测钻头图像数据，可以是全局或局部单视图数据，也可以是全局或局部多视图数据。

步骤S120根据步骤S110所获得的待检测的钻头图像，对图像中的每个切削齿的磨损程度进行识别。

在一个实施例中，步骤S120会利用预先构建的磨损程度识别模型，对当前待检测钻头图像中的各切削齿的磨损程度进行识别，生成钻头识别结果。其中，钻头识别结果优选为钻头磨损特征评价报告。所述磨损程度识别模型是用来识别钻头图像中的所有切削齿部分，并且识别每个切削齿的磨损程度信息。进一步，在最终生成的钻头磨损特征评价报告中，标记出每个切削齿区域所对应的磨损程度信息。其中，磨损程度信息优选为磨损级别。

另外，在本发明实施例中，磨损程度识别模型是基于CNN模型架构并利用钻头图像数据集而构建的。其中，钻头图像数据集具有多幅(原始)钻头图像，钻头图像数据集中的这些原始钻头图像，是在不同钻头使用阶段下所拍摄的不同角度的钻头部位的图像。

进一步，在本发明实施例中，磨损程度识别模型包括切削齿磨损级别识别模型。在进行磨损程度识别时，步骤S120会利用预先构建的切削齿磨损级别识别模型，对步骤S110所获得的待检测钻头图像中所指示的各个切削齿区域对应的磨损程度分别进行识别。

为了对待检测图像中的切削齿区域进行指示标记，在本例中，所述磨损程度识别模型还包括：钻头目标识别模型、刀翼目标识别模型和切削齿目标识别模型。进一步，在对待检测钻头图像中所指示的各个切削齿区域对应的磨损程度进行识别之前，本发明实施例还在步骤S120中分别利用钻头目标识别模型、刀翼目标识别模型和切削齿目标识别模型，依次识别待检测钻头图像中是否含有钻头、是否含有刀翼和是否含有切削齿，以标记钻头图像中的各个切削齿区域，从而在待检测图像中指示出所包含的所有切削齿所在区域。

图2是本申请实施例的用于评估钻头磨损特征的方法的流程示意图。如图2所示，首先，步骤S201在不同钻头使用阶段下所拍摄的不同角度的钻头部位的图像，基于此，生成钻头图像数据集。在步骤S201中，在获得多幅原始钻头图像后，需要对每幅图像先进行关键目标标注，标记出每幅图像中所包含的PDC钻头、每个刀翼、每个切削齿、每个切削齿的磨损级别、水眼和泥土等信息；而后，针对每幅完成关键目标标注的钻头图像进行图像增广处理得到相应的初始钻头图像，从而将每幅原始钻头图像依次经过关键目标标注和图像增广处理后，形成为相应的初始钻头图像，继而利用这些初始钻头图像来构建钻头图像数据集。

在完成钻头图像数据集构建后，步骤S202根据步骤S201所构建的钻头图像数据集，对预先构建的CNN模型架构进行训练，完成训练后生成磨损程度识别模型。其中，所述磨损程度识别模型包括：钻头目标识别模型、刀翼目标识别模型、切削齿目标识别模型和切削齿磨损级别识别模型。

接下来，在完成磨损程度识别模型构建后进入到步骤S203，以将所构建的磨损程度识别模型投入到实际检测过程中应用。步骤S203获取待检测的钻头图像。在钻井现场采集到待检测的钻头图像后，可以将该图像直接上传至下述钻头特征识别服务器，并利用步骤S203由钻头特征识别服务器将获取到的待检测图像数据转换为Pascal VOC数据集格式，以利用所存储的磨损程度识别模型来对图像中各个切削齿的磨损级别分别进行预测。

步骤S204利用所构建的磨损程度识别模型，检测待检测图像中的关键特征，并对每个刀翼部位、每个刀翼内的各切削齿进行编号，从而直接输出钻头磨损特征评价报告。

具体地，第一步，将待检测的钻头图像输入至训练好的磨损程度识别模型中的钻头目标识别模型，先进行钻头识别，若图像中包含钻头区域，则提取包含钻头区域的图像数据，反之，则提示无钻头并返回到第一步中，以获取下一幅待检测钻头图像；

第二步，将包含钻头区域的图像数据，输入至刀翼目标识别模型中，识别各个刀翼并进行编号，并逐个提取当前钻头区域图像中所包含刀翼区域的图像数据，若无刀翼，则提示无刀翼并返回到第一步中，以获取下一幅待检测钻头图像；

第三步，将所提取的一幅或多幅包含刀翼区域的图像数据，依次输入至切削齿目标识别模型中，识别每幅刀翼区域图像中所包含的各个切削齿并进行编号，并逐个提取每幅刀翼区域图像中所包含切削齿区域的图像数据，若无切削齿，则提示无切削齿并返回到第一步中，以获取下一幅待检测钻头图像；

第四步，将所提取的一幅或多幅包含切削齿区域的图像数据，依次输入至切削齿磨损级别识别模型中，判断各个切削齿的磨损级别，若无切削齿数据，则提示无法识别并返回到第一步中，以获取下一幅待检测钻头图像；

第五步，将每个切削齿区域的磨损级别识别结果按照刀翼和切削齿编号排列，输出钻头磨损特征评价报告(参见表1)。

另外，在识别出每个切削齿对应的磨损级别后，步骤S204还会根据每个切削齿的磨损程度(磨损级别)，计算出待评价钻头在当前阶段下对应的综合磨损指标。在本发明实施例中，表1展示了钻头磨损特征评价报告的一个具体示例，该报告中列出了当前钻头图像中所识别出的每个刀翼的编号、和在相应刀翼内的每个切削齿的编号及其对应的磨损级别。

表1钻头磨损特征评价报告的一个示例

其中，利用如下表达式根据每个切削齿的磨损等级来计算综合磨损指标：

式(1)中，DG

这样，本发明实施例利用基于神经网络结构而构建的磨损程度识别模型，能够自动将含有钻头部位的图像中的钻头区域、所包含的一个或多个刀翼区域、所包含的一个或多个切削齿区域进行识别并标记，并能够对所识别出的每个切削齿的磨损级别进行主动预测，直接输出磨损特征评价报告。由此，大幅提高传统人工识别钻头切削齿磨损程度的技术的准确性和效率，有效提高了井场信息数字化水平。

进一步，图3是本申请实施例的用于评估钻头磨损特征的方法中磨损程度识别模型的构建流程示意图。下面结合图3，对本发明实施例中磨损程度识别模型的构建过程进行说明。

在构建磨损程度识别模型之前，需要先生成钻头图像数据集。在构建钻头图像数据集时，首先，步骤S301获取在不同钻头使用阶段下，从不同角度所拍摄的含有钻头部位区域的图像，形成多张原始钻头图像。而后，步骤S302对每幅原始钻头图像进行目标位置标注，并标注每个切削齿的磨损级别。在进行关键目标标注(即目标位置标注)时，所需标注的内容至少包括：钻头区域、刀翼区域、切削齿区域、水眼和泥土等。另外，在进行磨损级别标注时，需要在每个已标注的切削齿上标注出相对应的磨损级别。

图4是本申请实施例的用于评估钻头磨损特征的方法中的完成目标位置标注的原始钻头图像的效果示意图。图5是本申请实施例的用于评估钻头磨损特征的方法中的完成切削齿磨损级别标注的原始钻头图像的效果示意图。在从石油钻井现场获取不同钻头使用阶段所拍摄的多角度原始钻头图像时，具体包括入井前钻头的多角度原始钻头图像、不同使用时长下的出井后的多角度原始钻头图像，并对每幅原始钻头图像进行目标标注，标注内容包括PDC钻头轮廓、刀翼、切削齿、切削齿磨损级别、水眼、泥土等，并且用矩形框标注目标物体的位置，矩形方框的位置坐标为[(x

在对每幅原始钻头图像分别完成了关键目标标注处理后，本发明实施例还需要利用步骤S303对每幅已完成标注处理的原始钻头图像进行图像增广处理，从而将每幅完成关键目标标注处理的原始钻头图像转换为相应的初始钻头图像。由此，本发明会将每幅原始钻头图像依次经过关键目标标注和图像增广处理后，形成为相应的初始钻头图像，进一步利用这些初始钻头图像形成为用来构建磨损程度识别模型所需的钻头图像数据集。

在本发明实施例中，所述图像增广处理包括：增光处理、和/或水平翻转、和/或垂直翻转、和/或亮度变换、和/或饱和度变换、和/或色调变换、和/或随机裁剪的组合。在对同一幅完成标注处理的原始钻头图像进行增广处理时，本领域技术人员一方面可以任意选择上述增光处理所包含的一项或多项处理的组合来形成当前图像增广处理的指定流程。另外，若两幅钻头图像的指定流程相同，本领域技术人员还可以为流程中各处理步骤配置所需使用的不同参数(例如，当前两幅钻头图像对应的指定流程均包括依次执行水平翻转步骤和亮度变换步骤，可以为这两种流程中的亮度变换步骤分别配置不同的亮度参数)，以区分这两幅钻头图像的增广处理结果。

这样，通过对原始图像的增广处理，使得本发明实施例所形成的钻头图像数据集，不仅对原始钻头图像的数量进行了大幅扩大，还在所获得的初始钻头图像中从图像角度、拍摄环境、图像色调、钻头部位的全局或部分区域等方面展现了钻头多方面细节性特征，从而提高了对模型训练所需数据集的数量和各种特征情况复杂度，对训练高准确度的磨损程度识别模型打下了良好的基础。

接下来，对磨损程度识别模型的构建过程进行说明。首先，先说明钻头目标识别模型的构建过程。

步骤S304按照预设的第一分配比例，将所构建的钻头图像数据集中各初始钻头图像进行随机切分处理，分为训练集、验证集和测试集。其中，第一分配比例分别为P

而后，步骤S305将所述钻头图像数据集中训练集内的各初始钻头图像作为预设CNN模型的输入，从而针对每幅初始钻头图像均得到相应的钻头特征图。在本发明实施例中，预设CNN模型优选为Faster RCNN网络。在步骤S305中，将当前钻头图像数据集中训练集内的各初始钻头图像送入Faster RCNN网络中，输出为多个尺度的特征图。

步骤S306对每幅初始钻头图像所生成的若干张钻头特征图中的真实钻头周围区域进行采样，从而针对每幅钻头特征图均生成相应的钻头图像碎片，并为每张钻头图像碎片标记相应的样本类型。在本发明实施例中，样本类型包括正样本或负样本。

进一步，在本发明实施例中，会对每幅初始钻头图像所生成的若干张钻头特征图中的真实钻头区域的周围来采样一些图片，这些图片称为图像碎片。具体过程为：根据每幅初始钻头图像所形成的若干张钻头特征图，生成针对当前初始钻头图像的图像金字塔；在每个图像金字塔的每一层中，都设定相应的层范围，在每层特征图中属于该层大小范围内的钻头区域便作为真实钻头，然后对当前图像金字塔中各层钻头特征图像中的真实钻头所在区域进行剪切，由此，每层钻头特征图所得到的裁剪后的图片就是钻头图像碎片。其中，钻头图像碎片分为正样本碎片和负样本碎片两种样本类型。进一步，对于一幅初始钻头图像来说，在其所生成的多张图像碎片中，选取至少覆盖一个真实钻头的图像碎片作为正样本碎片；从Faster-RCNN中的锚定区域和真实钻头区重合度大于0.3选取的图像碎片作为负样本碎片。

而后，步骤S307利用含有正负样本类型标记的钻头图像碎片集对上述预设CNN模型进行训练，得到钻头目标识别模型。在钻头目标识别模型过程中：先根据所有含有正样本类型标记的钻头图像碎片和所有含有负样本类型标记的钻头图像碎片，生成钻头图像碎片(数据)集；然后利用当前钻头图像碎片数据集中的钻头图像碎片去训练Faster-RCNN得到钻头识别模型；接着，利用上述钻头图像数据集中验证集内的初始钻头图像数据通过网格搜索、随机搜索或贝叶斯方法优化钻头识别模型的网络超参数，并利用上述钻头图像数据集中测试集内的初始钻头图像数据，测试优化后的钻头识别模型的分类准确性，从而在测试合格后，生成当前完成训练、验证和测试的钻头目标识别模型。其中，网络超参数包括每批次样本数量、迭代次数和学习速率等。

继续参考图3，说明刀翼目标识别模型的构建过程。

步骤S308利用步骤S307所训练好的钻头目标识别模型，对钻头图像数据集中的各初始钻头图像进行钻头识别，并根据所识别到的钻头区域中含有刀翼的区域，形成相应的刀翼图像。在步骤S308中，利用步骤S307所训练好的钻头目标识别模型，对钻头图像数据集中的所有初始钻头图像分别进行钻头区域识别，并提取所识别到的钻头区域中标记有刀翼区域，从而将每个标记有刀翼区域的图片形成相应的刀翼图像。由此，便根据所有刀翼图像生成刀翼图像数据集。

进一步，按照预设第二分配比例，将所构建的刀翼图像数据集中各刀翼图像进行随机切分处理，分为训练集、验证集和测试集。其中，第二分配比例分别为P

而后，步骤S309将刀翼图像数据集中训练集内的各刀翼图像作为预设CNN模型的输入，从而针对每幅刀翼图像均得到相应的刀翼特征图。在本发明实施例中，预设CNN模型优选为Faster RCNN网络。在步骤S309中，将当前刀翼图像数据集中训练集内的各刀翼图像送入Faster RCNN网络中，输出为多个尺度的刀翼特征图。

步骤S310对每幅刀翼图像所生成的若干张刀翼特征图中的真实刀翼周围区域进行采样，从而针对每幅刀翼特征图均生成相应的刀翼图像碎片，并为每张刀翼图像碎片标记相应的样本类型。

进一步，在本发明实施例中，会对每幅刀翼图像所生成的若干张刀翼特征图中的真实钻头区域的周围来采样一些图片，这些图片称为图像碎片。具体过程为：根据每幅刀翼图像所形成的若干张刀翼特征图，生成针对当前刀翼图像的图像金字塔；在每个图像金字塔的每一层中，都设定相应的层范围，在每层特征图中属于该层大小范围内的刀翼区域便作为真实刀翼，然后对当前图像金字塔中各层刀翼特征图像中的真实刀翼所在区域进行剪切，由此，每层刀翼特征图所得到的裁剪后的图片就是刀翼图像碎片。其中，刀翼图像碎片分为正样本碎片和负样本碎片两种样本类型。进一步，对于一幅刀翼图像来说，在其所生成的多张图像碎片中，选取至少覆盖一个真实刀翼的图像碎片作为正样本碎片；从Faster-RCNN中的锚定区域和真实钻头区重合度大于0.3选取的图像碎片作为负样本碎片。

而后，步骤S311利用含有正负样本类型标记的刀翼图像碎片集对上述预设CNN模型进行训练，得到刀翼目标识别模型。在刀翼目标识别模型过程中：先根据所有含有正样本类型标记的刀翼图像碎片和所有含有负样本类型标记的刀翼图像碎片，生成刀翼图像碎片(数据)集；然后利用当前刀翼图像碎片数据集中的刀翼图像碎片去训练Faster-RCNN得到刀翼识别模型；接着，利用上述刀翼图像数据集中验证集内的刀翼图像数据通过网格搜索、随机搜索或贝叶斯方法优化刀翼识别模型的网络超参数，并利用上述刀翼图像数据集中测试集内的刀翼图像数据，测试优化后的刀翼识别模型的分类准确性，从而在测试合格后，生成当前完成训练、验证和测试的刀翼目标识别模型。其中，网络超参数包括每批次样本数量、迭代次数和学习速率等。

再次参考图3，说明切削齿目标识别模型的构建过程。

步骤S312利用步骤S311所训练好的切削齿目标识别模型，对刀翼图像数据集中的各刀翼图像进行刀翼识别，并根据所识别到的各刀翼区域中含有切削齿的区域，形成相应的第一类切削齿图像。在步骤S312中，利用步骤S311所训练好的刀翼目标识别模型，对钻头图像数据集中的所有初始钻头图像分别进行刀翼区域识别，并提取所识别到的刀翼区域中标记有切削齿区域，从而将每个标记有切削齿区域的图片形成相应的第一类切削齿图像。由此，便根据所有第一类切削齿图像生成第一类切削齿图像数据集。

进一步，按照预设第三分配比例，将所构建的第一类切削齿图像数据集中各第一类切削齿图像进行随机切分处理，分为训练集、验证集和测试集。其中，第三分配比例分别为P

而后，步骤S313将所述第一类切削齿图像数据集中训练集内的各第一类切削齿图像作为预设CNN模型的输入，从而针对每幅第一类切削齿图像均得到相应的第一类切削齿特征图。在本发明实施例中，预设CNN模型优选为Faster RCNN网络。在步骤S313中，将当前第一类切削齿图像数据集中训练集内的各第一类切削齿图像送入Faster RCNN网络中，输出为多个尺度的第一类切削齿特征图。

步骤S314对每幅第一类切削齿图像所生成的若干张第一类切削齿特征图中的真实切削齿周围区域进行采样，从而针对每幅第一类切削齿特征图生成相应的第一类切削齿图像碎片，并为每张第一类切削齿图像碎片标记相应的样本类型。

进一步，在本发明实施例中，会对每幅第一类切削齿图像所生成的若干张第一类切削齿特征图中的真实切削齿区域的周围来采样一些图片，这些图片称为图像碎片。具体过程为：根据每幅第一类切削齿图像所形成的若干张第一类切削齿特征图，生成针对当前第一类切削齿图像的图像金字塔；在每个图像金字塔的每一层中，都设定相应的层范围，在每层特征图中属于该层大小范围内的切削齿区域便作为真实切削齿，然后对当前图像金字塔中各层第一类切削齿特征图像中的真实切削齿所在区域进行剪切，由此，每层第一类切削齿特征图所得到的裁剪后的图片就是第一类切削齿图像碎片。其中，第一类切削齿图像碎片分为正样本碎片和负样本碎片两种样本类型。进一步，对于一幅第一类切削齿图像来说，在其所生成的多张图像碎片中，选取至少覆盖一个真实切削齿的图像碎片作为正样本碎片；从Faster-RCNN中的锚定区域和真实钻头区重合度大于0.3选取的图像碎片作为负样本碎片。

而后，步骤S315利用含有正负样本类型标记的第一类切削齿图像碎片集对上述预设CNN模型进行训练，得到切削齿目标识别模型。在切削齿目标识别模型过程中：先根据所有含有正样本类型标记的第一类切削齿图像碎片和所有含有负样本类型标记的第一类切削齿图像碎片，生成第一类切削齿图像碎片(数据)集；然后利用当前第一类切削齿图像碎片数据集中的第一类切削齿图像碎片去训练Faster-RCNN得到切削齿识别模型；接着，利用上述第一类切削齿图像数据集中验证集内的第一类切削齿图像数据通过网格搜索、随机搜索或贝叶斯方法优化切削齿识别模型的网络超参数，并利用上述第一类切削齿图像数据集中测试集内的第一类切削齿图像数据，测试优化后的切削齿识别模型的分类准确性，从而在测试合格后，生成当前完成训练、验证和测试的切削齿目标识别模型。其中，网络超参数包括每批次样本数量、迭代次数和学习速率等。

最后参考图3，说明切削齿磨损级别识别模型的构建过程。

步骤S316利用步骤S312所训练好的切削齿目标识别模型，对第一类切削齿图像数据集中的各第一类切削齿图像进行切削齿识别，并根据所识别到的切削齿区域中含有切削齿框选标记的区域，形成相应的第二类切削齿图像。在步骤S316中，利用步骤S315所训练好的切削齿目标识别模型，对第一类切削齿图像数据集中的所有第一类切削齿图像分别进行切削齿区域识别，并提取所识别到的各切削齿区域中具有切削齿框选标记的区域，从而将每个标记有切削齿区域的图片形成相应的第二类切削齿图像。由此，便根据所有第二类切削齿图像生成第二类切削齿图像数据集。

进一步，按照预设第四分配比例，将所构建的第二类切削齿图像数据集中各第二类切削齿图像进行随机切分处理，分为训练集、验证集和测试集。其中，第四分配比例分别为P

而后，步骤S317将所述第二类切削齿图像数据集中训练集内的各第二类切削齿图像作为预设CNN模型的输入，从而针对每幅第二类切削齿图像均得到相应的第二类切削齿特征图。在本发明实施例中，预设CNN模型优选为Faster RCNN网络。在步骤S317中，将当前第二类切削齿图像数据集中训练集内的各第二类切削齿图像送入Faster RCNN网络中，输出为多个尺度的第二类切削齿特征图。

步骤S318对每幅第二类切削齿图像所生成的若干张第二类切削齿特征图中的真实切削齿周围区域进行采样，从而针对每幅第二类切削齿特征图生成相应的第二类切削齿图像碎片，并为每张第二类切削齿图像碎片标记相应的样本类型。

进一步，在本发明实施例中，会对每幅第二类切削齿图像所生成的若干张第二类切削齿特征图中的真实切削齿区域的周围来采样一些图片，这些图片称为图像碎片。具体过程为：根据每幅第二类切削齿图像所形成的若干张第二类切削齿特征图，生成针对当前第二类切削齿图像的图像金字塔；在每个图像金字塔的每一层中，都设定相应的层范围，在每层特征图中属于该层大小范围内的切削齿区域便作为真实切削齿，然后对当前图像金字塔中各层第二类切削齿特征图像中的真实切削齿所在区域进行剪切，由此，每层第二类切削齿特征图所得到的裁剪后的图片就是第二类切削齿图像碎片。其中，第二类切削齿图像碎片分为正样本碎片和负样本碎片两种样本类型。进一步，对于一幅第二类切削齿图像来说，在其所生成的多张图像碎片中，选取至少覆盖一个真实切削齿的图像碎片作为正样本碎片；从Faster-RCNN中的锚定区域和真实钻头区重合度大于0.3选取的图像碎片作为负样本碎片。

而后，步骤S319利用含有正负样本类型标记的第二类切削齿图像碎片集对上述预设CNN模型进行训练，得到切削齿目标识别模型。在切削齿目标识别模型过程中：先根据所有含有正样本类型标记的第二类切削齿图像碎片和所有含有负样本类型标记的第二类切削齿图像碎片，生成第二类切削齿图像碎片(数据)集；然后利用当前第二类切削齿图像碎片数据集中的第二类切削齿图像碎片去训练Faster-RCNN得到切削齿磨损模型；接着，利用上述第二类切削齿图像数据集中验证集内的第二类切削齿图像数据通过网格搜索、随机搜索或贝叶斯方法优化所述切削齿磨损模型的网络超参数，并利用上述第二类切削齿图像数据集中测试集内的第二类切削齿图像数据，测试优化后的切削齿磨损模型的分类准确性，从而在测试合格后，生成当前完成训练、验证和测试的切削齿磨损级别识别模型。其中，网络超参数包括每批次样本数量、迭代次数和学习速率等。

由此，通过上述步骤S301～步骤S319完成了磨损程度识别模型中所包含的钻头目标识别(子)模型、刀翼目标识别(子)模型、切削齿目标识别(子)模型和切削齿磨损级别识别(子)模型的构建，每个子模型均基于预设CNN模型(Faster RCNN网络)训练而成。

其次，基于上述钻头磨损特征评估方法，本发明还提供了一种用于评估钻头磨损特征的装置(以下简称“钻头磨损特征评估装置”)。图6是本申请实施例的用于评估钻头磨损特征的装置的内部结构框图。如图6所示，钻头磨损特征评估装置至少包括：待检测图像获取模块61和钻头磨损特征识别模块62。

具体地，待检测图像获取模块61按照上述步骤S110所述的方法实施，配置为获取待检测的钻头图像。其中，所述钻头图像包括至少一个切削齿区域。钻头磨损特征识别模块62按照上述步骤S120所述的方法实施，配置为根据从待检测图像获取模块61获得的待检测的钻头图像，对图像中的每个切削齿的磨损程度进行识别。

再次，基于上述钻头磨损特征评估方法，本发明还提供了一种计算机设备。该计算机设备包括处理器和存储器，其中，所述存储器存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行，以实现如上述所述的钻头磨损特征评估方法。

另外，基于上述钻头磨损特征评估方法，本发明还提供了一种计算机可读存储介质。该可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行，以实现如上述所述的钻头磨损特征评估方法。

最后，本发明还提供了一种用于评估钻头磨损特征的系统(以下简称“钻头磨损特征评估系统”)。图7是本申请实施例的用于评估钻头磨损特征的系统的结构示意图。如图7所示，钻头磨损特征评估系统包括多个终端(钻头特征识别终端)71和服务器(即上述钻头特征识别服务器)72。其中，钻头特征识别服务器用来实现如上述所述的钻头磨损特征评估方法。

在本发明实施例中，多个终端71用于收集钻井现场所采集的待检测钻头图像。从终端设备71获取待检测钻头的图像数据，可以是全局或局部单视图数据，也可以是全局或局部多视图数据，将待检测图像上传至钻头特征识别服务器72，并由钻头特征识别服务器72将图像数据转换为Pascal VOC数据集格式。另外，在本发明实施例中，多个终端71还用于在不同钻头使用阶段下拍摄(或采集)不同角度的含有钻头区域的图像，以辅助形成上述钻头图像数据集。

进一步，钻头特征识别服务器72能够与多个终端71以无线方式进行通讯。服务器72能够在从一个或多个终端71处获得待检测钻头图像后迅速输出针对每幅待检测钻头图像的磨损程度识别结果(钻头磨损特征评价报告)。另外，钻头特征识别服务器72还能够用于完成钻头图像数据集的构建任务和对磨损程度识别模型的训练任务。

本发明为解决石油钻井现场钻头磨损评估效率低、精度差和维度低的问题，公开了一种用于评估钻头磨损特征的方法、装置及系统。该方案基于图像识别技术，利用大量新旧钻头数据进行人工标注，基于Faster RCNN架构结合多尺度检测方法分别建立钻头目标识别模型、刀翼目标识别模型、切削齿目标识别模型和切削齿磨损级别识别模型，能够通过图像识别关键目标(钻头、刀翼和切削齿)，并精确识别每个齿的磨损程度，实现钻头磨损程度的高维度和高精度描述，极大提高了石油钻井现场工程师工作效率，并提高了数据录入的准确性和维度，有效提高了井场信息数字化水平，为钻头性能评估、钻头选型、钻头个性化设计和钻井提速技术优化提供有用信息。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然本发明所披露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。