編譯 廖莎 / 中石化江鉆石油機械有限公司
 
Taurex公司采用機器學習的方式，對鈍鉆頭切削齒的損壞模式進行分類，這是該公司鉆頭圖像識別系統（BitVision™）和產品線發展的眾多項目之一。此工作范圍包括：用來標記、訓練和設置機器學習模型的基礎設施；開發機器學習模型，能通過拍攝的單顆切削齒圖像，對損壞模式進行分類；通過鉆頭圖像識別系統，對每只鈍鉆頭上每顆切削齒的損壞模式自動分類；機器學習輸出的存儲及后續處理。
 
機器學習
 
Taurex公司成功讓機器進行了學習，對切削齒的失效模式進行分類，并自動使用鉆頭圖像自動化識別系統拍攝的每顆切削齒圖片。基于高質量的圖像和數據，機器學習模型以非常高的精度對損壞模式進行分類，且該公司仍致力于持續改進模型。
機器學習的基礎設施建立在開源機器學習技術的基礎上，通過這些技術可實現以下功能：標記達成共識的圖像；訓練模型；已訓練模型的版本及存儲；設置在線端點和本地可執行模型。
 
模型標記
Taurex公司的主題專家標記了幾千幅具有以下損壞模式的切削齒圖片：倒角損壞、崩齒、切削齒磨損、切削齒剝落、斷齒、切向破裂、完全剝落、主切削面裂紋、不確定的損壞、掉齒。在數千幅標記的切削齒圖片中，僅使用多名主題專家達成共識的圖片來訓練模型。使用顯示標記界面來標注每顆切削齒圖片，見圖1。

訓練模型
 
迄今使用帶共識標記的圖片訓練多個模型，作為Taurex公司持續改進模型理念的一部分，目前該公司正在進行更多的實驗且已將模型及相關的訓練物品序列化，并使用開源機器學習生命周期平臺，在模型注冊中心注冊。
自動調節：自動調節超參數及模型配置來發現表現最好的模型。準確性：測量有多少預測標記可匹配實際標記。IoU（并集交集）：測量預測標記和實際標記之間的重疊。ViT（視覺自注意力模型）：為計算機視覺設計的一種深度學習架構。
表現最佳的模型是視覺自注意力模型，可自動調節6.58個小時，準確率可達到85.514%，并集交集可達到91.005%。
 
自動化
使用表現最佳的模型，自動捕捉鉆頭圖像識別系統拍攝的每顆切削齒圖片的界面。
ONNX（開源神經網絡交換）：創建代表機器學習模型的開源格式。API（應用程序編程接口）：允許不同的軟件應用程序在互聯網上相互通信的一組規則和協議。SDK（軟件開發工具包）：開發人員用來構建軟件應用程序的一組工具、庫和文檔。鉆頭圖像識別期間，使用ONNX打包模型供離線使用;鉆頭圖像識別期間，使用API端點供在線使用。
因ONNX是目前最有效的選項，Taurex公司最終優先選擇使用ONNX。隨著鉆頭圖像視覺識別流程的擴展，使用在線API端點可能會成為首選。
Taurex公司建立了Python SDK編程語言和事件驅動工作流程，用于鉆頭圖像識別期間，實時使用模型拍攝的每顆切削齒圖像。該公司還建立了應用程序編程接口，用于模型輸出的交互和存儲。
Taurex公司成功使用機器學習，對切削齒的損壞模式進行分類，并在其鉆頭圖像識別系統中實現了此過程的自動化。基于優質的圖像和數據輸入質量，機器學習模型顯示的準確性極高，但該公司仍致力于不斷改進模型，確保未來獲得更精確的結果。