[0001] 本发明涉及石油天然气钻探技术领域，具体涉及一种基于深度相机的井下掉块自动检测和识别方法。

[0002] 在钻井过程中，井眼的形成会改变周围岩土的应力场，导致井壁应力集中。如果井内钻井液柱压力无法与地层的地应力达到平衡，就会发生井壁失稳，造成大型岩块掉落(掉块)。掉块发生后，井壁形状不规则，且脱落的岩块尺寸大，不及时发现并清理，易引发卡钻、摩擦过大、机械钻速低、BHA损坏等问题。

[0003] 目前，对井下掉块的检测和识别技术主要是泥浆录井人员连续监测振动筛上的岩屑，记录岩屑特征，通过分析收集的岩屑和掉块物理外观，判断井下是否发生掉块，这种方式的判断过程受人为主观因素较大，容易出现误判和错判，导致很多时候难以及时发现井壁失稳情况从而采取针对性防治措施。

[0035] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0036] 请参阅图1，图1为本发明一实施例中基于深度相机的井下掉块自动检测和识别方法的流程示意图，基于深度相机的井下掉块自动检测和识别方法包括如下步骤：

[0037] S1、获取深度相机拍摄的井下返排泥浆岩屑深度图像，其中，深度相机设置于振动筛上方(如图2所示)，井下返排泥浆岩屑通入到振动筛上；

[0038] 深度相机，也被称为三维相机或RGBD相机，是一种能够同时获取场景的颜色信息和深度信息的相机技术。与传统的RGB相机相比，深度相机不仅不受光线影响，，还能获取场景中物体和环境的三维结构信息。深度相机的工作原理是通过特定波长的不可见激光作为光源，投射在物体上，通过计算返回的编码图案的畸变来得到物体的位置和深度信息。利用测量光飞行时间来取得距离，通过发出调制光并捕捉其反射回来的时间，来计算到物体的距离。

[0039] 本实施例中，深度相机拍摄的井下返排泥浆岩屑深度图像如图3所示，可以看出，深度相机拍摄的井下返排泥浆岩屑深度图像中，并不容易识别掉块，这是因为虽然掉块的尺寸大于常规的岩屑，但是掉块与岩屑的尺寸相对于深度相机的采样深度而言，掉块与岩屑的尺寸差异在深度相机的采样深度的尺度上并不明显。

[0040] S2、通过深度图像目标增强算法对井下返排泥浆岩屑深度图像进行处理，得到处理后的井下返排泥浆岩屑深度图像；

[0041] 请参照图4，所述步骤S2中，通过深度图像目标增强算法对井下返排泥浆岩屑深度图像进行处理，得到处理后的井下返排泥浆岩屑深度图像，具体包括：

[0042] S21、由于掉块属于小尺寸目标，使用原始深度相机捕获深度差值大，映射出的掉块轮廓非常不明显，因此，设定一最大深度值及一最小深度值，对井下返排泥浆岩屑深度图像的各个像素点，若像素点的深度值介于最大深度值与最小深度值之间，则保留其深度值，若像素点的深度值大于最大深度值，则将该像素点的深度值重置为最大深度值，若像素点的深度值小于最小深度值，则将该像素点的深度值重置为最小深度值，得到深度值调整后的井下返排泥浆岩屑深度图像；

[0043] 本实施例中，在设定最大深度值及一最小深度值时，可以不断调小捕获深度范围从而找到最大深度值及最小深度值。

[0044] S22、对深度值调整后的井下返排泥浆岩屑深度图像的各个像素点的深度值进行归一化处理；

[0045] 所述步骤S22中，对深度值调整后的井下返排泥浆岩屑深度图像的各个像素点的深度值进行归一化处理的具体公式是：

[0046]

[0047] 其中，x`为归一化后的深度值，x为深度值调整后的井下返排泥浆岩屑深度图像的各个像素点的深度值，min(x)为设定的最大深度值，max(x)为设定的最小深度值。

[0048] S23、将归一化处理后的井下返排泥浆岩屑深度图像通过颜色映射模块映射到颜色表中，得到处理后的井下返排泥浆岩屑深度图像。

[0049] 所述步骤S23中，将归一化处理后的井下返排泥浆岩屑深度图像通过颜色映射模块映射到颜色表中，得到处理后的井下返排泥浆岩屑深度图像，具体为：

[0050] 将归一化处理后的井下返排泥浆岩屑深度图像的每个像素点的深度值乘以255作为该像素点的像素值，得到处理后的井下返排泥浆岩屑深度图像。

[0051] 本实施例中，处理后的井下返排泥浆岩屑深度图像如图5所示，可以看出，经过步骤S2处理后，掉块特征清晰明显，从而可以用于掉块识别。步骤S2的处理过程如图6所示。

[0052] S3、对处理后的井下返排泥浆岩屑深度图像进行掉块标注，然后构建掉块目标检测网络模型，再将标注后的处理后的井下返排泥浆岩屑深度图像作为训练集，对掉块目标检测网络模型进行训练、验证和测试，从而得到已训练的掉块目标检测网络模型；

[0053] 所述步骤S3中，对处理后的井下返排泥浆岩屑深度图像进行掉块标注的方法是：

[0054] 在Labelimg标注软件中，通过人工识别处理后的井下返排泥浆岩屑深度图像中的掉块，并标注掉块的坐标位置及标签名称。

[0055] 本实施例中，如图7所示，标注掉块的坐标位置，标注图像中所有掉块的标签和xmin、xmax、ymin、ymax坐标信息。

[0056] 具体地，如图8所示，所述掉块目标检测网络模型包括图像预处理模块、主干特征提取模块、特征加强模块及检测模块，所述图像预处理模块用于对处理后的井下返排泥浆岩屑深度图像进行预处理操作，所述主干特征提取模块用于对预处理后的井下返排泥浆岩屑深度图像进行主干特征提取，所述特征加强模块用于对提取的主干特征进行加强操作，所述检测模块用于根据加强操作后的主干特征，检测和识别井下返排泥浆岩屑深度图像中的掉块。

[0057] 本实施例中，在掉块目标检测网络模型的训练阶段，将标注后的处理后的井下返排泥浆岩屑深度图像作为模型训练的输入，其过程为对数据进行预处理操作，包括图像尺寸调整、标准化和格式转换；然后通过主干特征提取模块对数据进行特征提取，提取掉块的形状、大小、轮廓等特征；再利用特征加强模块对提取的特征进行特征加强操作，经过多次迭代训练，最终得到训练完备的掉块目标检测网络模型。

[0058] 在具体操作时，将处理后的井下返排泥浆岩屑深度图像作为输入，并将深度图像中的掉块带有预测框(识别出掉块的边界框)和准确率(识别出是掉块的正确率)作为输出。深度图像输入到目标检测网络模型后需要进行预处理，包括图像缩放、填充等操作，然后提取掉块的形状、大小和轮廓等特征，最后识别出掉块，对所述目标检测网络模型进行训练、验证和测试，从而得到已训练的掉块目标检测网络模型

[0059] S4、将已训练的掉块目标检测网络模型用于处理后的井下返排泥浆岩屑深度图像中的掉块自动检测和识别。

[0060] 本实施例中，启动深度相机后，对现场连续拍摄24小时的井下返排泥浆岩屑，深度相机在振动筛上方实时进行捕获，获取到的每一帧深度图像都将自动输入到掉块目标检测网络模型中，对掉块深度图像进行识别，识别后的图像中带有掉块预测框(识别出掉块的边界框)和准确率(识别出是掉块的正确率)，最后以视频的形式对识别结果保存。

[0061] S5、根据预设模型阈值，在固定时间内统计掉块数量，依据掉块出现次数，确定警报级别。

[0062] 本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的基于深度相机的井下掉块自动检测和识别方法的步骤。

[0063] 本发明提供的技术方案的有益效果是：通过深度相机在振动筛上方获取未清洗的井下返排泥浆岩屑深度图像，再对井下返排泥浆岩屑深度图像进行一系列预处理操作，从而获取处理后的井下返排泥浆岩屑深度图像，与普通相机拍摄的颜色图相比，深度图像具有不受光线影响，且掉块图像形状、大小和轮廓更加清晰等优势，再利用掉块目标检测网络模型对掉块进行检测和识别，可以实现对掉块的准确的、实时的识别检测，为井壁稳定性和井眼是否清洁作为重要参考。

[0064] 以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。