基于机器视觉的连续管排管状态识别及调节方法、装置

技术领域

本申请涉及计算机视觉领域，具体涉及一种基于机器视觉的连续管排管状态识别及调节方法、装置。

背景技术

传统液控连续管作业机主要由注入头、控制室、滚筒和连续油管等关键部件组成，其中滚筒装置作为连续管作业装置核心控制单元之一，主要用于运输连续管及作业过程排管。连续管作业机起管作业状态时，连续油管在注入头和滚筒共同作用下经导向器缠入到滚筒；下管作业状态时，滚筒马达对滚筒提供一个反向扭矩使油管拉直，注入头牵引油管从滚筒中拉出。传统液控连续管作业机滚筒上的排管器位置出现偏差时，滚筒上缠绕换层过渡时，导致卷入的偏角过大或过小，偏角大小将直接影响后续排管作业是否整齐。连续管一旦缠绕紊乱，会导致管体外部磨损、滚筒盘管容量减少，会降低管子的使用寿命、引起连续管重复排管。

当前，国内外常见滚筒的连续管排管系统，大多使用机械式丝杠传动方式，即卷筒旋转带动丝杠旋转，排管小车随丝杠左右滑动，完成排管工作。在实际作业过程中，丝杠滑舌容易磨损卡顿，连续管靠近滚筒轮辐边缘过渡时，卷入角度极易使出现偏差，造成后续排管紊乱现象，此时就需要人及时预判排管潜在风险并强制手动排管操作。后续有厂家陆续开发了机械式、液压式、电控式滚筒排管装置，虽然这些排管装置传动精度、可靠性都较好，对排管问题也有较好缓解。但在实际作业时均未能完全摆脱需要人工干预的桎梏，难以实现真正的自动化。

目前现有技术仍然要依靠现场人工去识别判断并手动强制排管。现有技术的缺点主要表现在：

①对操作人员的技能要求高，存在误操作风险；

②复杂工艺单井作业时间长，监控点多，操作流程复杂，劳动强度高；

③排管等异常工况识别依赖操作人员经验，易出现预判不准确、处置不当或不及时等情况；

④自动化程度低，设备操作控制均依靠人工完成，要求人员多，劳动强度大。

因此，随着作业工艺日益复杂，作业精细化程度要求越来越高，研制更稳定、更高效的新型自动化作业机的重要性也愈加凸显。所以探索新技术，自动识别排管状态并及时预警，将对连续管装备自动化、科学高效作业具有重要的现实意义。

发明内容

针对现有技术中的问题，本申请提供一种基于机器视觉的连续管排管状态识别及调节方法、装置，能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

为了解决上述问题中的至少一个，本申请提供以下技术方案：

第一方面，本申请提供一种基于机器视觉的连续管排管状态识别及调节方法，包括：

实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理；

确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态；

根据所述排管当前状态执行对应的滚筒排管调节操作。

进一步地，所述对所述排管作业图像进行图像预处理，包括：

根据预设图像分割算法对所述排管作业图像进行区域分割，得到对应的前景区域图像；

对所述前景区域图像进行滤波降噪和图像增强处理；

对经过滤波降噪和图像增强处理后的前景区域图像进行二值化转换，得到所述排管作业图像的二值化图像。

进一步地，在所述得到所述排管作业图像的二值化图像之后，还包括：

对所述排管作业图像的二值化图像进行图像形态学闭运算操作；

根据预设边缘检测算子对经过图像形态学闭运算操作后的二值化图像进行边缘检测，得到边缘检测结果。

进一步地，所述确定经过图像预处理后的排管作业图像的图像特征，包括：

提取经过图像预处理后的排管作业图像中丝杠、油管、排管臂以及滚筒的形状特征；

根据所述丝杠、油管、排管臂以及滚筒的形状特征确定所述丝杠与所述排管臂、所述油管与所述滚筒以及所述丝杠与所述油管之间的相对位置，并将所述相对位置确定为所述排管作业图像的图像特征。

进一步地，在所述根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态之前，包括：

对预设历史图像数据进行分类和标注，得到训练样本数据；

将所述训练样本数据导入预设建议学习模型和预设过拟合优化神经网络中进行迭代训练，得到排管状态识别模型。

进一步地，所述根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态，包括：

将所述图像特征输入预设排管状态识别模型，得到所述排管状态识别模型输出的排管控制参数期望卷入偏角；

根据所述排管控制参数期望卷入偏角与预设阈值的数值比较关系，确定对应的排管当前状态。

进一步地，所述根据所述排管当前状态执行对应的滚筒排管调节操作，包括：

根据所述排管当前状态驱动滚筒排管执行机构对滚筒排管小车进行对应调节操作。

第二方面，本申请提供一种基于机器视觉的连续管排管状态识别及调节装置，包括：

图像采集模块，用于实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理；

图像识别模块，用于确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态；

自动调节模块，用于根据所述排管当前状态执行对应的滚筒排管调节操作。

进一步地，所述图像采集模块包括：

区域分割单元，用于根据预设图像分割算法对所述排管作业图像进行区域分割，得到对应的前景区域图像；

降噪增强单元，用于对所述前景区域图像进行滤波降噪和图像增强处理；

二值转化单元，用于对经过滤波降噪和图像增强处理后的前景区域图像进行二值化转换，得到所述排管作业图像的二值化图像。

进一步地，所述图像采集模块还包括：

形态学运算单元，用于对所述排管作业图像的二值化图像进行图像形态学闭运算操作；

边缘检测单元，用于根据预设边缘检测算子对经过图像形态学闭运算操作后的二值化图像进行边缘检测，得到边缘检测结果。

进一步地，所述图像识别模块包括：

形状特征提取单元，用于提取经过图像预处理后的排管作业图像中丝杠、油管、排管臂以及滚筒的形状特征；

位置特征确定单元，用于根据所述丝杠、油管、排管臂以及滚筒的形状特征确定所述丝杠与所述排管臂、所述油管与所述滚筒以及所述丝杠与所述油管之间的相对位置，并将所述相对位置确定为所述排管作业图像的图像特征。

进一步地，所述图像识别模块还包括：

样本数据构建单元，用于对预设历史图像数据进行分类和标注，得到训练样本数据；

识别模块训练单元，用于将所述训练样本数据导入预设建议学习模型和预设过拟合优化神经网络中进行迭代训练，得到排管状态识别模型。

进一步地，所述图像识别模块还包括：

排管控制参数确定单元，用于将所述图像特征输入预设排管状态识别模型，得到所述排管状态识别模型输出的排管控制参数期望卷入偏角；

排管当前状态确定单元，用于根据所述排管控制参数期望卷入偏角与预设阈值的数值比较关系，确定对应的排管当前状态。

进一步地，所述自动调节模块包括：

系统驱动调节单元，用于根据所述排管当前状态驱动滚筒排管执行机构对滚筒排管小车进行对应调节操作。

第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于机器视觉的连续管排管状态识别及调节方法的步骤。

第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于机器视觉的连续管排管状态识别及调节方法的步骤。

第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的基于机器视觉的连续管排管状态识别及调节方法的步骤。

由上述技术方案可知，本申请提供一种基于机器视觉的连续管排管状态识别及调节方法、装置，通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之一；

图2为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之二；

图3为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之三；

图4为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之四；

图5为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之五；

图6为本申请实施例中的基于机器视觉的连续管排管状态识别及调节方法的流程示意图之六；

图7为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之一；

图8为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之二；

图9为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之三；

图10为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之四；

图11为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之五；

图12为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之六；

图13为本申请实施例中的基于机器视觉的连续管排管状态识别及调节装置的结构图之七；

图14为本申请一具体实施例中的基于机器视觉的连续管排管状态识别及调节方法的整体结构示意图；

图15为本申请一具体实施例中的基于机器视觉的连续管排管状态识别及调节方法的整体流程示意图；

图16为本申请一具体实施例中的图像特征识别示意图；

图17为本申请实施例中的电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。

考虑到现有技术中存在的问题，本申请提供一种基于机器视觉的连续管排管状态识别及调节方法、装置，通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

为了能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险，本申请提供一种基于机器视觉的连续管排管状态识别及调节方法的实施例，参见图1，所述基于机器视觉的连续管排管状态识别及调节方法具体包含有如下内容：

步骤S101：实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理。

可选的，本申请可以在滚筒排管作业区域，布置多个广角的工业摄像头实时采集排管作业图像，并将采集的图像数据存储在采集卡中，最终传输至识别系统PC主机。

可选的，本申请在采集到排管作业图像后，可以先对其进行图像预处理，此处预处理操作可以运用现有的相关图像处理算法。

步骤S102：确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态。

可选的，本申请可以对预处理好的排管作业图像进行图像特征提取，并将提取到的图像特征作为预设排管状态识别模型的输入，同时根据预设排管状态识别模型的输出(例如输出排管控制参数期望卷入偏角α)确定对应的排管当前状态。

步骤S103：根据所述排管当前状态执行对应的滚筒排管调节操作。

可选的，本申请在明确了排管当前状态后可以通过系统驱动滚筒排管执行机构实时调整滚筒排管小车，实现滚筒排管闭环自动调节。

从上述描述可知，本申请实施例提供的基于机器视觉的连续管排管状态识别及调节方法，能够通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

为了能够准确对排管作业图像进行图像预处理，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，参见图2，上述步骤S101还可以具体包含如下内容：

步骤S201：根据预设图像分割算法对所述排管作业图像进行区域分割，得到对应的前景区域图像。

步骤S202：对所述前景区域图像进行滤波降噪和图像增强处理。

步骤S203：对经过滤波降噪和图像增强处理后的前景区域图像进行二值化转换，得到所述排管作业图像的二值化图像。

可选的，本申请可以利用grabcut算法分割、提取图像前景区域，然后针对提取的ROI前景区域，依次进行滤波处理、自适应CLAHE图像增强算法，以降低噪声因素的影响，最后，对增强后的图像进行OTSU二值处理，分割图像并返回图像阈值。

为了能够便于后续计算，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，参见图3，在上述步骤S203之后，还可以具体包含如下内容：

步骤S301：对所述排管作业图像的二值化图像进行图像形态学闭运算操作。

步骤S302：根据预设边缘检测算子对经过图像形态学闭运算操作后的二值化图像进行边缘检测，得到边缘检测结果。

可选的，本申请可以对二值化处理后图像进行图像形态学的闭运算操作，针对分割后的二值化图像进行前景物体中未连接部分“小洞”的填充。

可选的，本申请还可以采用多种算法(基于一阶差分的sobel算子、robert算子、prewitt算子、scharr算子等，基于二阶差分的laplance算子等)对经过形态学操作的图像进行边缘检测，例如建立一种基于非极大值抑制迭代法的改进的canny算子，该算法能够很好的避免人工选取阈值的缺陷。

为了能够准确提取图像特征，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，参见图4，上述步骤S102还可以具体包含如下内容：

步骤S401：提取经过图像预处理后的排管作业图像中丝杠、油管、排管臂以及滚筒的形状特征。

步骤S402：根据所述丝杠、油管、排管臂以及滚筒的形状特征确定所述丝杠与所述排管臂、所述油管与所述滚筒以及所述丝杠与所述油管之间的相对位置，并将所述相对位置确定为所述排管作业图像的图像特征。

可选的，参见图16，本申请可以对预处理好的图像进行特征提取。提取丝杠、油管、排管臂以及滚筒的形状特征，基于这些特征提取丝杠与排管臂的特征点1、2，油管与滚筒切入特征点3以及丝杠与油管的特征点4相对位置，最终提取出所需的特征数据作为输入数据。

为了能够准确识别排管状态，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，参见图5，在上述步骤S102之前，还可以具体包含如下内容：

步骤S501：对预设历史图像数据进行分类和标注，得到训练样本数据。

步骤S502：将所述训练样本数据导入预设建议学习模型和预设过拟合优化神经网络中进行迭代训练，得到排管状态识别模型。

可选的，在实现滚筒排管自动过程前，本申请可以先建立排管机器学习识别模型，为了解决传统神经网络模型、VGG16模型以及ResNet模型训练过程中出现的难收敛、梯度消失或爆炸问题，本申请可以加入Droupout网络和BatchNormalization网络来优化网络模型，并采用迁移学习模式实现跨领域学习目标，提高学习的性能，改善模型过拟合问题。将历史图像数据与现场人工经验结合并标注、分类，作为训练样本数据，导入到建立好的“迁移学习ResNet50模型”+“Droupout优化网络”的神经网络模型，进行大量的迭代训练，最终得到优化的机器学习识别模型。

为了能够准确识别排管状态，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，参见图6，上述步骤S102还可以具体包含如下内容：

步骤S601：将所述图像特征输入预设排管状态识别模型，得到所述排管状态识别模型输出的排管控制参数期望卷入偏角。

步骤S602：根据所述排管控制参数期望卷入偏角与预设阈值的数值比较关系，确定对应的排管当前状态。

可选的，本申请可以将提取出所需的特征数据作为输入数据，导入排管状态识别模型，经过训练优化的模型根据输入数据对图像特征进行识别，输出当前状态下排管控制参数期望卷入偏角α，依据排管控制参数期望卷入偏角α与预设阈值的数值比较关系，可以确定对应的排管当前状态。

为了能够实时调整，在本申请的基于机器视觉的连续管排管状态识别及调节方法的一实施例中，上述步骤S103还可以具体包含如下内容：

根据所述排管当前状态驱动滚筒排管执行机构对滚筒排管小车进行对应调节操作。

可选的，本申请可以通过系统驱动滚筒排管执行机构实时调整滚筒排管小车，实现滚筒排管闭环自动调节。

为了能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险，本申请提供一种用于实现所述基于机器视觉的连续管排管状态识别及调节方法的全部或部分内容的基于机器视觉的连续管排管状态识别及调节装置的实施例，参见图7，所述基于机器视觉的连续管排管状态识别及调节装置具体包含有如下内容：

图像采集模块10，用于实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理。

图像识别模块20，用于确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态。

自动调节模块30，用于根据所述排管当前状态执行对应的滚筒排管调节操作。

从上述描述可知，本申请实施例提供的基于机器视觉的连续管排管状态识别及调节装置，能够通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

为了能够准确对排管作业图像进行图像预处理，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图8，所述图像采集模块10包括：

区域分割单元11，用于根据预设图像分割算法对所述排管作业图像进行区域分割，得到对应的前景区域图像。

降噪增强单元12，用于对所述前景区域图像进行滤波降噪和图像增强处理。

二值转化单元13，用于对经过滤波降噪和图像增强处理后的前景区域图像进行二值化转换，得到所述排管作业图像的二值化图像。

为了能够便于后续计算，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图9，所述图像采集模块10还包括：

形态学运算单元14，用于对所述排管作业图像的二值化图像进行图像形态学闭运算操作。

边缘检测单元15，用于根据预设边缘检测算子对经过图像形态学闭运算操作后的二值化图像进行边缘检测，得到边缘检测结果。

为了能够准确提取图像特征，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图10，所述图像识别模块20包括：

形状特征提取单元21，用于提取经过图像预处理后的排管作业图像中丝杠、油管、排管臂以及滚筒的形状特征。

位置特征确定单元22，用于根据所述丝杠、油管、排管臂以及滚筒的形状特征确定所述丝杠与所述排管臂、所述油管与所述滚筒以及所述丝杠与所述油管之间的相对位置，并将所述相对位置确定为所述排管作业图像的图像特征。

为了能够准确识别排管状态，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图11，所述图像识别模块20还包括：

样本数据构建单元23，用于对预设历史图像数据进行分类和标注，得到训练样本数据。

识别模块训练单元24，用于将所述训练样本数据导入预设建议学习模型和预设过拟合优化神经网络中进行迭代训练，得到排管状态识别模型。

为了能够准确识别排管状态，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图12，所述图像识别模块20还包括：

排管控制参数确定单元25，用于将所述图像特征输入预设排管状态识别模型，得到所述排管状态识别模型输出的排管控制参数期望卷入偏角。

排管当前状态确定单元26，用于根据所述排管控制参数期望卷入偏角与预设阈值的数值比较关系，确定对应的排管当前状态。

为了能够实时调整，在本申请的基于机器视觉的连续管排管状态识别及调节装置的一实施例中，参见图13，所述自动调节模块30包括：

系统驱动调节单元31，用于根据所述排管当前状态驱动滚筒排管执行机构对滚筒排管小车进行对应调节操作。

为了更进一步说明本方案，本申请还提供一种应用上述基于机器视觉的连续管排管状态识别及调节装置实现基于机器视觉的连续管排管状态识别及调节方法的具体应用实例，参见图14，具体包含系统采集硬件、系统软件、系统驱动硬件三部分组成。

其中，所述系统采集硬件主要包括：工业摄像头，数据采集卡，所述系统软件运行在PC主机上，是排管系统的核心部分，主要包括图像处理算法、机器学习识别算法，所述系统驱动硬件主要包括液压系统、机械机构。

为了更清楚地说明本发明实现连续管自动排管的方法，假定实现某一特定滚筒、一种规格的连续管排管状态识别与调节，则连续管自动排管方法流程如图15所示：

步骤01：结合现场人工经验，将历史图像数据标注并分类，作为训练样本数据。

步骤02：将训练数据导入到建立好的机器学习模型进行大量迭代训练，最终得到优化的机器学习识别模型。

步骤03：利用摄像头、采集卡等硬件设备，实时采集滚筒排管图像数据，并传至排管系统主机。

步骤04：基于图像处理技术，对采集的图像数据进行滤波降噪、增强、图像分割、形态学处理、边缘检测等方法提取二值化图像。

步骤05：参见图16，对预处理后的二值化图像快速提取丝杠与排管臂的特征点1、2，油管与滚筒切入特征点3以及丝杠与油管特征点4相对位置。

步骤06：将提取出所需的特征数据作为输入数据，导入步骤1机器学习识别模型，经过训练优化的模型根据输入数据对进行识别，输出当前状态下排管控制参数期望卷入偏角α；

步骤07：依据排管控制参数α，预判当前排管状态并系统驱动滚筒排管执行机构实时调整滚筒排管小车，实现滚筒排管闭环自动调节。

由上述内容可知，本申请至少还可以实现以下技术效果：

1、连续管卷入滚筒过程中，本排管识别系统利用摄像头实时快速获取滚筒排管图像，采用机器视觉技术对图像进行预处理快速提取滚筒边缘轮廓、导管器位置、连续管卷入滚筒切入点等特征，对特征进行识别，评估连续管卷入时排管状态。

2、本申请可以及时预测避免排管紊乱状态，能有效降低连续管作业无效起下时间，减少连续油管疲劳损耗，降低人员劳动强度的同时，提升连续油管使用效率。

3、本申请可以根据不同规格的连续管、不同型号的滚筒属性，自动修正内部模型参数，确保了排管识别系统的兼容性和实用性。

4、本申请可实现排管状态精确识别调节，实现连续管排管过程“识别—预测分析—自动调整”控制闭环，为后续高精准无人化自动排管技术提供了基础。

从硬件层面来说，为了能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险，本申请提供一种用于实现所述基于机器视觉的连续管排管状态识别及调节方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：

处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现基于机器视觉的连续管排管状态识别及调节装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的基于机器视觉的连续管排管状态识别及调节方法的实施例，以及基于机器视觉的连续管排管状态识别及调节装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。

可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。

在实际应用中，基于机器视觉的连续管排管状态识别及调节方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。

上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

图17为本申请实施例的电子设备9600的系统构成的示意框图。如图17所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图17是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

一实施例中，基于机器视觉的连续管排管状态识别及调节方法功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：

步骤S101：实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理。

步骤S102：确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态。

步骤S103：根据所述排管当前状态执行对应的滚筒排管调节操作。

从上述描述可知，本申请实施例提供的电子设备，通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

在另一个实施方式中，基于机器视觉的连续管排管状态识别及调节装置可以与中央处理器9100分开配置，例如可以将基于机器视觉的连续管排管状态识别及调节装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于机器视觉的连续管排管状态识别及调节方法功能。

如图17所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图17中所示的所有部件；此外，电子设备9600还可以包括图17中没有示出的部件，可以参考现有技术。

如图17所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。

其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。

输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。

该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。

存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。

通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。

基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于机器视觉的连续管排管状态识别及调节方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于机器视觉的连续管排管状态识别及调节方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

步骤S101：实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理。

步骤S102：确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态。

步骤S103：根据所述排管当前状态执行对应的滚筒排管调节操作。

从上述描述可知，本申请实施例提供的计算机可读存储介质，通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于机器视觉的连续管排管状态识别及调节方法中全部步骤的一种计算机程序产品，该计算机程序/指令被处理器执行时实现所述的基于机器视觉的连续管排管状态识别及调节方法的步骤，例如，所述计算机程序/指令实现下述步骤：

步骤S101：实时采集滚筒排管作业区域的排管作业图像，并对所述排管作业图像进行图像预处理。

步骤S102：确定经过图像预处理后的排管作业图像的图像特征，并根据所述图像特征和预设排管状态识别模型，确定对应的排管当前状态。

步骤S103：根据所述排管当前状态执行对应的滚筒排管调节操作。

从上述描述可知，本申请实施例提供的计算机程序产品，通过排管状态识别模型对滚筒排管作业区域的排管作业图像进行准确识别，由此能够准确识别排管状态并自动调节，降低因人为因素造成的连续管作业风险。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。