隨著近年來對石油需求量的不斷增大，水平井技術和側轉井技術不斷發展，割縫篩管作為油井機械防砂完井最重要的工具之一，其加工方式和制造方法也多種多樣［1］。防砂是出砂油氣藏開采中不可缺少的環節。機械防砂是當今油田最常用的一種油井防砂方法，目前全世界約有80％的出砂油氣井采用這種防砂方法。

而防砂篩管是機械防砂技術的核心部件之一，對防砂的效果、成本和油井的產量等都有很大的影響。目前在勝利油田機械防砂工藝中篩管防砂規模占93.4%，其中燒絲與割縫篩管防砂工作量占88.9%。篩管縫寬度對石油的提取量影響很大，傳統的縫隙檢測方法［2-3］，一般是由檢驗人員憑經驗目測以后用塞尺抽檢篩管縫隙寬度，但這種方式在實際應用中存在許多問題，無法保證精度。因此，本文基于這些問題，與天津帥超激光工程技術有限公司合作，研發出一套切縫自動檢測系統，極大地提高了篩管的生產和檢測水平。

1 系統簡介

激光切縫機床的在線檢測示意圖如圖1所示。

割縫通過相機鏡頭成像到CCD上，其實際寬度W和L分別對應圖像中的像素寬度為h和d，對相機進行標定（像素尺寸的標定）之后，對應關系為：W/h=L/d=N，其中N為像素的標定值，即每個像素對應的實際尺寸。根據如上關系式，可以通過視覺圖像處理得到割縫的實際寬度值。測量原理如圖2所示。

硬件系統包括1臺工業相機MTV-1881CB、1個PCI采集卡MV-600、相機固定機械裝置、PC和其他輔助設備。將相機通過一個機械固定結構安裝在切頭主軸上方，通過PCI采集卡與PC建立數據的傳輸。工業相機采集圖像數據，經過采集卡傳輸到PC進行圖像處理，提取切縫的寬度特征，主要步驟為：圖像預處理，即圖像濾波除噪聲；特征提取算法，包括割縫的邊緣檢測和圖像像素尺寸的亞像素級標定；上位機軟件設計，包括圖像的顯示、存儲和相關計算等。

2 割縫篩管的指標

目前篩管的割縫布置形式有：平行縫、插花縫和螺旋縫，工業上采用最多的是平行縫。割縫篩管篩縫寬度選擇的原則是縫隙必須擋住充填的所有砂礫，而且縫型斷面多為矩形或者梯形。外窄內寬的梯形縫具有更強的自潔作用，沙礫進入縫腔之后很容易被油沖走，不易形成砂堵，具有更好的防砂效果［4］。本文中檢測的篩管縫寬為0.45 mm，機床切割誤差為50 μm。

3 圖像處理算法

3.1圖像的預處理以及邊緣檢測

由于相機拍攝或者數據傳輸等原因，最終獲取的圖像會包含各種各樣的噪聲及干擾，圖像濾波的本質就是在保證圖像目標特征區域完整保留的情況下，對其他噪聲和污染進行抑制，其處理結果會直接影響后續特征提取過程的準確性和可靠性［5-6］。常用的有平滑濾波、高斯濾波及中值濾波等。

由于割縫邊緣特征具有一定寬度的灰度漸變區域，因此直接對割縫采集圖像進行二值化會對邊緣提取的精度帶來很大誤差。本文采用高斯濾波，形態學腐蝕結合Sobel邊緣檢測以及Canny邊緣提取算法來提取割縫的寬度特征。圖3所示為采集到的篩管割縫的原始圖。

由于相機的拍攝角度以及光照的反射問題［7］，可以看出割縫的周圍有很多噪聲干擾。因此圖像處理算法實現步驟為：

（1） 為了凸顯出割縫寬度特征，通過Sobel邊緣檢測對圖像進行二值化處理，得到比較清晰的割縫特征圖像，如圖4所示。

（2）從圖4中可以看出割縫的邊緣有一定的灰度相似范圍，若直接對圖像作二值化會對邊緣精確提取帶來很大誤差［8］，所以針對Sobel處理后圖像進行濾波腐蝕處理，提取出割縫邊緣的兩條精確位置，如圖5所示。

（3）通過高斯濾波以及腐蝕算法對特征圖像中的噪聲進行去噪處理。可以看出割縫的整體邊界輪廓比較明顯，但是目標特征周圍有很多干擾噪聲，經過濾波腐蝕處理之后效果如圖6所示。可以看出割縫的邊緣特征被精確地提取，圖中兩條直線就是割縫的兩個邊界的位置。

（4） 從上一步處理的圖像可以看出邊緣雖然提取出來但是其特征不明顯，因此需再對其進行Canny邊緣提取算法來獲得邊緣信息，如圖7所示。采用Canny邊緣算法能有效地抑制噪聲，并精確確定邊緣的位置，再對信噪比與定位乘積進行測度，得到最優化逼近算子。

實現步驟為：①用高斯濾波器平滑圖象；②用一階偏導的有限差分來計算梯度的幅值和方向；③對梯度幅值進行非極大值抑制；④用雙閾值算法檢測和連接邊緣。

（5） 對Canny提取的邊緣圖像進行直線擬合，可以看出，雖然邊緣特征被精確提取，但是特征不連續。由此采用動態閾值法來分別獲取兩條邊緣上的點集，進而擬合出兩條邊緣的所在直線，如圖8所示。通過計算兩條直線之間的距離得到割縫的像素寬度值。

3.2 圖像像素尺寸的亞像素級標定

本文分別計算出割縫寬度的像素寬度和圖像像素尺寸，然后相乘得到割縫寬度。由于在邊緣檢測提取出的割縫像素寬度較為確定，因此要想提高檢測的精確度，需提高圖像像素尺寸的標定精度。采取亞像素級的像素標定方法，該方法使用標志圓來實現。

首先用灰度重心法初步確定標定圓的圓心和半徑；其次基于初步確定的圓心和半徑，用圓邊緣檢測法在提取的待測圓邊緣上以60°角間隔，以確定6組待測圓邊緣點坐標；最后基于待測圓的邊緣點，利用最小二乘法擬合圓邊緣，求圓心的位置和半徑，算法的理論精度可達0.01像素。通過這種亞像素級尺寸標定得到圓半徑像素個數，結合標定圓的實際尺寸，計算出圖像中每個像素的實際尺寸。

4 實驗數據以及分析

提取出的割縫像素寬度數據如表1所示。可以看出針對圖像邊緣檢測的像素寬度提取較為精確，每次測量的個數誤差不超過一個像素大小，平均割縫寬度為12.75像素。亞像素級像素尺寸的標定數據如表2所示。 由6個標定點坐標擬合得到圓的半徑為132.62像素，由此可以計算出每個像素對應的實際尺寸為37.7 μm。

結合以上數據可以得到割縫的測量寬度為0.467 mm，參考理論割縫寬度0.45 mm，絕對誤差為17μm，具有較高的精度。

石油篩管的割縫寬度在線自動檢測系統具有廣闊的應用前景，可以有效地減少生產工人的工作量，提高產品判定的精確度，極大地優化生產效率。

系統具有安裝方便、穩定性好以及數據可靠的優點。應用本系統實現針對篩管割縫的在線自動檢測，提高了工業中的加工效率和加工精度。

采用邊緣檢測結合圖像亞像素級像素尺寸標定的方法進行檢測，能夠實現較高的精度，適用于工業及其他在線尺寸檢測的領域。

編輯：jq