孕镶金刚石工具的工作效率和使用寿命与其磨损状况密切相关，其中金属胎体的不同磨损模式起着至关重要的作用。针对传统定性描述方法不能满足定量分析的要求，提出了一种基于扫描电镜（SEM）图像的利用深度学习处理胎体磨损定量检测的方法——Mask R-CNN。首先通过粉末冶金热压烧结方法制备了一系列WC-Cu基胎体试样，然后进行销盘磨损试验，获得了磨损表面图像，并根据磨损分类原则建立了数据集，其中磨损分类为四种基本类型：磨粒磨损、粘着磨损、疲劳磨损和腐蚀磨损（本研究不涉及腐蚀磨损）。基于SEM磨损图像数据集进行训练、验证和测试后，得到磨损检测模型，其磨损分割结果表明，Mask R-CNN能有效、准确地自动识别金属基体的磨损，且与手工标注的结果吻合良好。通过修改算法代码，提取磨粒磨损、粘着磨损和疲劳磨损的掩模，并对其进行像素级面积统计，用于模型有效性评价。此外，从提取的掩模中获得的磨损状态值（即磨损区域面积）也可以方便地应用于今后关于钻具性能与钻进效果之间的相关性分析。在与人工识别的结果对比验证中，三种磨损类型掩膜的平均交并比（mask IoU）大于70%、平均面积损失(area loss)小于3%。在对类似的已发表的磨损图像进行磨损检测验证过程中，Mask R-CNN模型仍然表现出优异的效果。

暂无