一种基于深度学习的油套管热处理组织检验方法

摘要

本发明提供一种基于深度学习的油套管热处理组织检验方法，包括以下步骤，步骤1，对待测油套管外表面进行磨光；步骤2，获取待测油套管外表面磨光部位金相组织照片；步骤3，根据不同油套管热处理后的组织特征确定训练数据集，并将训练数据集输入卷积神经网络模型进行训练；步骤4，训练后的卷积神经网络模型对待测油套管外表面金相组织照片进行识别分类，根据分类结果对待测油套管的热处理状态进行检验。通过深度学习方法对油套管热处理组织图片进行处理，能够有效对热处理组织进行分类，方法操作简单快速，基于图像识别技术，对油套管外表面进行了打磨和金相组织智能分析。

说明书

技术领域

本发明属于热处理及金相微观分析领域，具体属于一种基于深度学习的油套管热处理组织检验方法。

背景技术

油套管是石油工业用量最大、花费最多的石油物资，在石油安全开采中起着关键性作用。近些年，随着我国油气井的开采逐渐向纵深发展，石油管材将承受更复杂的受力载荷、更恶劣的服役环境，因此对油套管微观组织、强韧性能、耐蚀性能等提出了更高要求。

油套管产品从炼钢到出厂的关键生产工序有：炼钢、轧管、热处理、无损探伤、水压试验、螺纹加工等。其中，精细化调制热处理是改善油套管组织性能的重要工序。钢管淬火后进行高温回火，既可以得到回火索氏体组织，又可使得基体发生回复和再结晶，并能基本消除钢的内应力，最终获得较高的强韧性能匹配。在油套管制造时，不同钢级的热处理工艺参数存在不同；此外，不同制造企业在实际生产过程中，热处理工艺也存在一定差距。因此需要对油套管产品热处理组织进行准确检测。

目前，传统的检测油套管热处理组织状态的方法主要为：对钢管进行理化性能取样，检测分析钢管的力学性能、金相组织等。该方法首先需要破坏钢管本体，加工成标准试样后进行检验分析。试验周期长，费用代价高，并且需要配备专业的试验技术人员。

综上所述，现有技术在检测油套管热处理组织时，存在费时费力、检验代价与费用高、需要配备专业的试验技术人员，检验结果不客观等缺点。

发明内容

为了解决现有技术中存在的问题，本发明提供一种基于深度学习的油套管热处理组织检验方法，步骤简单，对油套管外表面进行了打磨和金相组织智能分析，避免了管件破坏和浪费，实现了经济、高效、客观、准确检验高钢级后壁管件热处理状态检验目的。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的油套管热处理组织检验方法，包括以下步骤，

步骤1，对待测油套管外表面进行磨光；

步骤2，获取待测油套管外表面磨光部位金相组织照片；

步骤3，根据不同油套管热处理后的组织特征确定训练数据集，并将训练数据集输入卷积神经网络模型进行训练；

步骤4，训练后的卷积神经网络模型对待测油套管外表面金相组织照片进行识别分类，根据分类结果对待测油套管的热处理状态进行检验。

优选的，步骤1中，使用电动金相打磨机对待测油套管外表面进行粗磨、细磨和抛光处理，直至打磨待测油套管外表面成镜面。

优选的，步骤1中，在打磨过程中采用水作为冷却液。

优选的，步骤1中，采用脱脂棉蘸4-8％的硝酸酒精溶液对待测油套管的磨光表面进行擦拭，直至金属表面颜色变为浅灰色。

优选的，步骤2中，采用金相显微镜在200倍～500倍镜头观察待测油套管外表面微观组织形貌，并获取金相组织照片。

优选的，步骤3中，选取100～500张不同油套管热处理后的金相组织照片对进行裁切形成若干个图块，将若干个图块作为卷积神经网络模型的输入，得到训练数据集。

优选的，步骤3中，所述训练数据集中的组织类别包括回火索氏体、回火索氏体+铁素体、回火索氏体+贝氏体、回火索氏体+贝氏体+铁素体、回火索氏体+铁素体+贝氏体、铁素体+回火索氏体、贝氏体+回火索氏体、铁素体+贝氏体+回火索氏体、贝氏体+铁素体+回火索氏体、铁素体+珠光体、珠光体+铁素体。

优选的，步骤3中，所述卷积神经网络模型采用ResNet-50模型对待测油套管外表面金相组织照片进行训练分类。

进一步的，所述ResNet-50模型采用Adam优化器和全局学习率0.001的参数进行训练。

优选的，步骤4中，将待测油套管的金相组织照片裁切为若干个图块，训练后的卷积神经网络模型对若干个图块进行分类，选取分类数量多的图块作为待测油套管的热处理状态进行检验。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供一种基于深度学习的油套管热处理组织检验方法，通过深度学习方法对油套管热处理组织图片进行处理，能够有效对热处理组织进行分类，方法操作简单快速，基于图像识别技术，对油套管外表面进行了打磨和金相组织智能分析。全步骤操作只需要少量的技术操作人员，同时避免了管件破坏和浪费，实现了经济、高效、客观、准确检验高钢级后壁管件热处理状态检验目的。

进一步的，通过在过程需要不间断保持一定流量的水作为冷却液，防止钢管表面受热影响而导致组织变化。

进一步的，通过深度残差网络模型采用Adam优化器以和全局学习率0.001的参数进行训练，根据深度残差网络模型的训练结果，再调节训练模型中的L2正则化系数及和dropout概率，能够提高模型泛化能力，最终使其在测试集上实现最高的准确率。

附图说明

图1为本发明油套管热处理组织检测方法流程图；

图2为本发明油套管金相组织图像数据集的文件存储示意图；

图3为本发明实施例获取的N80Q套管外表面金相组织。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

油套管在经过不同的热处理工艺后，钢管外表面处的金相组织主要有以下几类：1)回火索氏体、2)回火索氏体+铁素体、3)回火索氏体+贝氏体、4)回火索氏体+贝氏体+铁素体、5)回火索氏体+铁素体+贝氏体、6)铁素体+回火索氏体、7)贝氏体+回火索氏体、8)铁素体+贝氏体+回火索氏体、9)贝氏体+铁素体+回火索氏体、10)铁素体+珠光体、11)珠光体+铁素体。

在以上十一类金相组织中：1)～5)类组织表明钢管进行了充分的调制热处理工艺，综合力学性能较优异；6)～9)类组织表明钢管热处理工艺不充分或不合适；10)～11)类组织表明钢管未进行调制热处理。引用深度学习技术，对油套管外表面进行打磨和金相组织智能分析，可以实现经济、高效、客观、准确的热处理组织检验目的。金相组织图像是以金属学和金相学为基础的特殊显微图像，空间形貌和组织形状非常复杂，包含了大量的专业性信息，给金相图像的处理和智能识别带来了极大的困难和问题。对油套管热处理状态进行智能分析，需要结合金属热处理、金相组织数据分类与管理、数字图像处理、特征提取及模式识别等技术。

一种基于深度学习的油套管热处理组织检验方法，具体包括以下步骤：

步骤一、钢管外表面的磨光、抛光与浸蚀；

使用便携式电动金相打磨机对待测油套管外表面进行粗磨、细磨和抛光。直至打磨处成镜面。以上过程需要不间断保持一定流量的水作为冷却液，防止待测油套管表面受热影响而导致组织变化。然后使用脱脂棉蘸4-8％的硝酸酒精溶液对上述操作得到的抛光表面进行擦拭3-10S，直至金属表面原镜面颜色变为浅灰色。

步骤二、获取待测油套管外表面金相组织；

使用便携式金相显微镜在200倍～500倍镜头下观察待测油套管外表面微观组织形貌，获取待测油套管外表面典型金相组织照片。

步骤三、建立油套管金相组织图像训练样本集；

根据不同钢级的油套管在热处理后的组织特征可确定训练数据集的总组织类别，对组织类别进行one-hot编码后得到相应的label，得到的相应的label表将多个图像进行分类，将相同类别的图像存入同一文件夹，得到训练集，如表1所示。

根据表1将label相同的训练图片存入同一文件夹，数据集的文件存储形式如图2所示。表1中的标签同时包括充分调质、不充分调质和未经调质样品的组织特征，训练时需要将所有类别的图片一并输入模型。预测时的判据将在下面的步骤中单独讨论。

表1数据集的类别及其label值

根据表1的标签建立训练数据集。将不同钢级的油套管金相组织图片按照(128～512)×(128～512)像素的尺寸进行裁切，将每一个图块作为卷积神经网络的输入。将100～500张不同钢级油套管的金相组织照片按照上述方法进行裁切与归类，不同钢级的油套管金相组织图片包括表1中所有的组织类别图片，得到含有上述表1中组织类别的训练数据集。随机提取训练数据集中的一部分样本作为测试集用于在训练中测试模型的预测效果。

步骤四、钢管外表面金相组织智能识别

构建卷积神经网络，并通过得到的训练集对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；利用得到的测试集对训练好的卷积神经网络进行预测，并将预测结果进行分类，得到分类结果图；

采用深度卷积神经网络模型实现对管件外表面金相组织的分类。对于所使用的卷积神经网络模型的具体结构本发明不做进一步限制。利用步骤三中构建的训练数据集对深度卷积神经网络模型进行训练，深度卷积神经网络采用Adam优化器以全局学习率0.001的参数进行训练。

根据深度卷积神经网络训练过程中在测试集上的准确率，调节训练模型中的L2正则化系数和dropout概率，当其在测试集上达到90％以上准确率。将训练后的模型保存后用于组织类别预测。

预测时，将待测图片裁切为(128～512)×(128～512)像素的图块，调用训练后的模型依次对图块进行分类，将分类结果按图块的原始位置进行合成，得到分类结果图。取分类结果图中数量最多的分类结果作为最终分类结果。

步骤五、油套管热处理组织最终检测判定

根据步骤四分别得到管件外表面金相组织的分类结果，按照表2中的判据判定该管件是否经过了充分的调质热处理工艺。

表2管件热处理状态判据表

操作简单快速，基于图像识别技术，对油套管外表面进行了打磨和金相组织智能分析。全步骤操作只需要少量的技术操作人员，同时避免了管件破坏和浪费，实现了经济、高效、客观、准确检验高钢级后壁管件热处理状态检验目的。

实施例

应用本发明技术对某批次规格为Φ139.7×7.72mm N80Q套管进行热处理状态检验，具体步骤为：

步骤一、钢管外表面的磨光、抛光与浸蚀

使用便携式电动金相打磨机对三通内外表面进行粗磨、细磨和抛光。直至打磨处成镜面。以上过程需要不间断保持一定流量的水作为冷却液。然后使用脱脂棉蘸6％的硝酸酒精溶液对上述操作得到的抛光表面进行擦拭10S，直至金属表面原镜面颜色变为浅灰色。

步骤二、获取三通内外表面金相组织

使用便携式金相显微镜在500倍镜头下观察钢管外表面微观组织形貌，获取外表面典型金相组织照片。

步骤三、建立高钢级厚壁管件金相组织图像训练样本集

根据N80Q油管在热处理后的组织特征可确定训练数据集的总组织类别，对其进行one-hot编码后得到相应的label，如表1所示。根据表1将label相同的训练图片存入同一文件夹，数据集的文件存储形式如图2所示。表1中的标签同时包括充分调质、不充分调质和未经调质样品的组织特征，训练时需要将所有类别的图片一并输入模型。预测时的判据将在下面的步骤中单独讨论。

将原始组织图片按照224×224像素的尺寸进行裁切，将每一个图块作为卷积神经网络的输入。将100～500张组织照片按照上述方法进行裁切与归类，得到训练数据集。随机提取数据集中的一部分样本作为测试集用于在训练中测试模型的预测效果。

步骤四、三通内外表面金相组织智能识别

采用ResNet-50(50层改进残差网络)模型实现对管件外表面金相组织的分类。利用步骤三中构建的数据集对模型进行训练，训练采用Adam优化器以全局学习率0.001进行。根据训练结果调节L2正则化系数及dropout概率提高模型泛化能力，最终使其在测试集上实现最高的准确率(≥90％)。将训练后的模型保存后用于组织类别预测。

ResNet-50网络模型的具体结构

预测时，将待测图片裁切为224×224像素的图块，调用训练后的模型依次对图块进行分类，将分类结果按图块的原始位置进行合成，得到分类结果图。取分类结果图中数量最多的分类结果作为最终分类结果。

步骤五、管理热处理状态最终检测判定

其中一件N80Q油管外表面金相照片如图3所示。对其外表面金相组织进行智能分析，结果如下：

N80Q油管外表面金相组织：回火索氏体+贝氏体；

该油管外表面组织为表2所列的组织范围回火索氏体+贝氏体(序号3)，因此判定该N80Q油管的热处理状态为：充分调制。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。