编译 廖莎 / 中石化江钻石油机械有限公司
 
Taurex公司采用机器学习的方式，对钝钻头切削齿的损坏模式进行分类，这是该公司钻头图像识别系统（BitVision™）和产品线发展的众多项目之一。此工作范围包括：用来标记、训练和设置机器学习模型的基础设施；开发机器学习模型，能通过拍摄的单颗切削齿图像，对损坏模式进行分类；通过钻头图像识别系统，对每只钝钻头上每颗切削齿的损坏模式自动分类；机器学习输出的存储及后续处理。
 
机器学习
 
Taurex公司成功让机器进行了学习，对切削齿的失效模式进行分类，并自动使用钻头图像自动化识别系统拍摄的每颗切削齿图片。基于高质量的图像和数据，机器学习模型以非常高的精度对损坏模式进行分类，且该公司仍致力于持续改进模型。
机器学习的基础设施建立在开源机器学习技术的基础上，通过这些技术可实现以下功能：标记达成共识的图像；训练模型；已训练模型的版本及存储；设置在线端点和本地可执行模型。
 
模型标记
Taurex公司的主题专家标记了几千幅具有以下损坏模式的切削齿图片：倒角损坏、崩齿、切削齿磨损、切削齿剥落、断齿、切向破裂、完全剥落、主切削面裂纹、不确定的损坏、掉齿。在数千幅标记的切削齿图片中，仅使用多名主题专家达成共识的图片来训练模型。使用显示标记界面来标注每颗切削齿图片，见图1。

训练模型
 
迄今使用带共识标记的图片训练多个模型，作为Taurex公司持续改进模型理念的一部分，目前该公司正在进行更多的实验且已将模型及相关的训练物品序列化，并使用开源机器学习生命周期平台，在模型注册中心注册。
自动调节：自动调节超参数及模型配置来发现表现最好的模型。准确性：测量有多少预测标记可匹配实际标记。IoU（并集交集）：测量预测标记和实际标记之间的重叠。ViT（视觉自注意力模型）：为计算机视觉设计的一种深度学习架构。
表现最佳的模型是视觉自注意力模型，可自动调节6.58个小时，准确率可达到85.514%，并集交集可达到91.005%。
 
自动化
使用表现最佳的模型，自动捕捉钻头图像识别系统拍摄的每颗切削齿图片的界面。
ONNX（开源神经网络交换）：创建代表机器学习模型的开源格式。API（应用程序编程接口）：允许不同的软件应用程序在互联网上相互通信的一组规则和协议。SDK（软件开发工具包）：开发人员用来构建软件应用程序的一组工具、库和文档。钻头图像识别期间，使用ONNX打包模型供离线使用;钻头图像识别期间，使用API端点供在线使用。
因ONNX是目前最有效的选项，Taurex公司最终优先选择使用ONNX。随着钻头图像视觉识别流程的扩展，使用在线API端点可能会成为首选。
Taurex公司建立了Python SDK编程语言和事件驱动工作流程，用于钻头图像识别期间，实时使用模型拍摄的每颗切削齿图像。该公司还建立了应用程序编程接口，用于模型输出的交互和存储。
Taurex公司成功使用机器学习，对切削齿的损坏模式进行分类，并在其钻头图像识别系统中实现了此过程的自动化。基于优质的图像和数据输入质量，机器学习模型显示的准确性极高，但该公司仍致力于不断改进模型，确保未来获得更精确的结果。