基于腐蚀图像与支持向量机的CO2腐蚀类型识别方法研究*

陈桂娟 贾春雨 邹龙庆 付海龙

(1.东北石油大学机械科学与工程学院；2.大庆石化公司)

油气开采过程中为提高采收率并解决伴生CO2出路的问题，目前多用CO2作为驱油溶剂。然而CO2在有水分的情况下，除具有弱酸腐蚀，还会对容器、管道等设施造成破坏性极大、隐蔽性极强的点腐蚀。因此，准确识别CO2腐蚀类型，判断是否发生点蚀是油田安全开采的必要前提[1]。

影响CO2腐蚀过程的因素繁多，依据腐蚀数据识别腐蚀类型存在一定的局限性。而表面形貌图像含有更丰富的腐蚀信息，是反映腐蚀类型的直观有效途径。SVM在解决非线性、小样本、高维模式识别及局部极小等问题时具有许多特有优势，是理想的模式识别方法[2]。笔者以N80钢的CO2腐蚀表面形貌图像为研究对象，利用小波分析方法，提取子图像能量值作为特征向量训练支持向量机，对CO2腐蚀类型进行有效地诊断与识别，为有针对性地研究CO2腐蚀机理奠定了基础。

1 实验方法

以N80级油套管钢为实验材料，制备5个规格为60mm×20mm×2mm的试件，用800#水磨砂纸分别打磨试件，用去离子水冲洗后再用丙酮脱脂。将试件放入高温高压动态反应釜中，以大庆油田采出水为介质，通氮排氧后，合釜并持续通入高纯的CO2，在温度200℃、压力1MPa条件下保温保压92h。取出腐蚀试样，清除腐蚀产物，利用S-3400NⅡ型扫描电镜分别摄取各试件未腐蚀、点腐蚀和均匀腐蚀部位的表面形貌特征图，如图1所示。

a. 未腐蚀部位b. 点腐蚀部位c. 均匀腐蚀部位

2 CO2腐蚀图像特征提取

2.1图像灰度处理

灰度数字图像是每个像素只有一个采样颜色的图像，显示为从最暗的黑色到最亮的白色，用每个采样像素8位的非线性尺度来保存，共有256(0～255)级灰度。

将放大50倍的N80钢CO2腐蚀图像经灰度处理后以256级灰度图像形式存储，0代表黑色为未腐蚀基体，255代表白色为CO2腐蚀区域，1～254分别代表不同程度的CO2腐蚀区域[3]。CO2点腐蚀灰度图像如图2所示，该图像数据矩阵大小为330×530。从灰度图像中可观察到试件表面分布了许多灰白色的蚀坑，而基体呈深色，反映了表面CO2腐蚀的基本状况。

图2 N80钢CO2腐蚀灰度图像(×50)

2.2图像灰度增强

由于实验条件等因素影响，摄取的形貌特征图中腐蚀区与基体难以清晰辨别，不利于图像的分割，无法有效提取腐蚀特征，因此对CO2腐蚀图像进行灰度变换增强处理变得十分重要。

采用线性变换方式，将原始腐蚀图像离散为函数g(x，y)，增强后的离散函数为f(x，y)，灰度增强变换为[4]：

(1)

首先确定原始CO2腐蚀图像中各像素点的灰度范围[a，b]，依据灰度调整函数对各像素点进行灰度变换，获得变换后的图像灰度范围[c，d]。在保证图像不失真的前提下，达到清晰辨别腐蚀特征区与基底的目的。

图3为经灰度增强的点腐蚀图像。相比图2，图3中代表点蚀区的亮色部分明显区别于暗色的基体，点蚀特征更加突出，易于辨别。

图3 N80钢CO2腐蚀灰度增强图像(×50)

2.3图像小波变换分割

在CO2腐蚀图像中，为了将腐蚀区与基底分离开，便于进一步的诊断和分析，需对腐蚀图像进行分割，即把图像分成若干特定的、具有独特性质的区域并提取特征目标的过程[5]。

借由小波变换将二维信号的CO2腐蚀图像分解为不同频带的子图，使腐蚀图像通过不同带宽的滤波器低通(L)和高通(H)滤波，得到具备图像总体和细节特征的小波系数。小波分解后的子图像中各像素点值与相应的小波系数构成腐蚀图像的特征向量，更能体现出不同腐蚀区域和腐蚀区与基底间的细微差别。应用Daubechies小波将已增强的腐蚀图像进行二级小波分解，分解后的腐蚀图像如图4所示。

2.4特征值计算

首先输入需要进行小波分割的腐蚀图像Aj，经低通(L)和高通滤波器(H)在水平和垂直方向作用后进行二取一采样，分别生成4个一级分解小波系数子图像，即L/L、L/H、H/L、H/H，相应的小波系数分别为近似系数矩阵Aj+1、水平细节系数矩阵Hj+1、垂直细节系数矩阵Vj+1和对角细节系数矩阵Dj+1。对Aj+1再进行二级小波分解得出Aj+2、Hj+2、Vj+2和Dj+2，构成输入因子，分别计算出近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵和对角细节系数矩阵对应的能量值EA2、EH2、EV2和ED2，再求出能量和Etotal、各向异性能量Eorientation一并作为模式识别的6维能量特征向量[6]：

Etotal=EH2+EV2+ED2

图4 二级小波分解后的N80钢腐蚀图像

其中，未腐蚀、点腐蚀和均匀腐蚀3种情况的典型特征向量值见表1。

表1 3种腐蚀类型的典型能量特征向量值

3 基于支持向量机的腐蚀类型识别

SVM是一种基于统计学习理论的模式识别方法，并已被推广应用到函数拟合等其他机器学习问题中[7]。台湾林智仁副教授开发的SVM工具包LibSVM集成了参数寻优、模型训练和结果测试等功能。

核参数和误差惩罚参数C是影响SVM性能的主要因素。笔者所应用的径向基核函数具体形式为：K(x,xi)=exp{-γ‖x-xi‖2}，其中，核参数为γ。分别采集未腐蚀、点腐蚀及均匀腐蚀的N8钢样本形貌图像各100幅，经上述方法提取能量特征向量。分别以每种腐蚀类型的70组特征向量作为训练样本，30组特征向量作为测试样本，设未腐蚀、点腐蚀和均匀腐蚀的输出目标分别为1、2、3，应用LibSVM的遗传算法对参数进行优化并建立支持向量机，优化结果为差惩罚参数C取1.91，核参数γ取3.67。

为检验该方法的有效性，同样选取上述3种腐蚀工况样本各100组，设计了6-7-1结构的BP网络，选取δ=0.01训练误差，构建了神经网络模式识别器，识别结果见表2。通过比较两种分类器的分类结果可知，对于相同有限数量的样本，SVM的分类效果要优于BP神经网络，具有更高的准确性，更适合于CO2腐蚀识别。

表2 腐蚀类型识别准确率比较

4 结论

4.1对N80钢的CO2腐蚀表面形貌图像进行灰度处理、灰度增强及小波分割，形成腐蚀信息突出的子图像。

4.2提取子图像的近似系数矩阵、水平细节系数矩阵、垂直细节系数矩阵和对角细节系数矩阵对应的能量值EA2、EH2、EV2和ED2，并与能量和Etotal及各向异性能量Eorientation共同作为模式识别的6维特征向量。

4.3应用未腐蚀、点腐蚀和均匀腐蚀3种类型样本集构建支持向量机分类器，准确识别了CO2腐蚀类型，并通过与神经网络分类器的识别效果对比，验证了该方法的优越性。

[1] 张旭昀，贾蕊，孙丽丽，等.基于CO2腐蚀形貌特征的腐蚀预测方法研究[J].化工机械，2012，39(3)：347～350.

[2] 赵海洋，徐敏强，王金东.改进二叉树支持向量机及其故障诊断方法研究[J].振动工程学报，2013，26(5)：764～770．

[3] 郭建斌，王楠，王泽民.水工钢结构腐蚀的图像识别技术[J].河海大学学报(自然科学版)，2012，40(5)：539～543.

[4] 章毓晋.图像分割[M].北京：科学出版社，2011：10～62.

[5] 张玮.金属腐蚀形貌特征提取用于腐蚀诊断的研究[D].大连：大连理工大学，2004.

[6] Livens S，Scheunders P，Wouwer G V，et al.A Texture Analysis Approach to Corrosion Image Classification[J]. Microscopy，Microanalysis，Microstruchture，1996，7(2)：1～10.

[7] 章云锋，王景成，史元浩.基于偏最小二乘支持向量机的燃煤电站锅炉效率模型[J].化工自动化及仪表，2012，39(11)：1432～1436.