基于腐蝕圖像與支持向量機的CO2腐蝕類型識別方法研究*

陳桂娟 賈春雨 鄒龍慶 付海龍

(1.東北石油大學機械科學與工程學院；2.大慶石化公司)

油氣開采過程中為提高采收率并解決伴生CO2出路的問題，目前多用CO2作為驅油溶劑。然而CO2在有水分的情況下，除具有弱酸腐蝕，還會對容器、管道等設施造成破壞性極大、隱蔽性極強的點腐蝕。因此，準確識別CO2腐蝕類型，判斷是否發生點蝕是油田安全開采的必要前提[1]。

影響CO2腐蝕過程的因素繁多，依據腐蝕數據識別腐蝕類型存在一定的局限性。而表面形貌圖像含有更豐富的腐蝕信息，是反映腐蝕類型的直觀有效途徑。SVM在解決非線性、小樣本、高維模式識別及局部極小等問題時具有許多特有優勢，是理想的模式識別方法[2]。筆者以N80鋼的CO2腐蝕表面形貌圖像為研究對象，利用小波分析方法，提取子圖像能量值作為特征向量訓練支持向量機，對CO2腐蝕類型進行有效地診斷與識別，為有針對性地研究CO2腐蝕機理奠定了基礎。

1 實驗方法

以N80級油套管鋼為實驗材料，制備5個規格為60mm×20mm×2mm的試件，用800#水磨砂紙分別打磨試件，用去離子水沖洗后再用丙酮脫脂。將試件放入高溫高壓動態反應釜中，以大慶油田采出水為介質，通氮排氧后，合釜并持續通入高純的CO2，在溫度200℃、壓力1MPa條件下保溫保壓92h。取出腐蝕試樣，清除腐蝕產物，利用S-3400NⅡ型掃描電鏡分別攝取各試件未腐蝕、點腐蝕和均勻腐蝕部位的表面形貌特征圖，如圖1所示。

a. 未腐蝕部位b. 點腐蝕部位c. 均勻腐蝕部位

2 CO2腐蝕圖像特征提取

2.1圖像灰度處理

灰度數字圖像是每個像素只有一個采樣顏色的圖像，顯示為從最暗的黑色到最亮的白色，用每個采樣像素8位的非線性尺度來保存，共有256(0～255)級灰度。

將放大50倍的N80鋼CO2腐蝕圖像經灰度處理后以256級灰度圖像形式存儲，0代表黑色為未腐蝕基體，255代表白色為CO2腐蝕區域，1～254分別代表不同程度的CO2腐蝕區域[3]。CO2點腐蝕灰度圖像如圖2所示，該圖像數據矩陣大小為330×530。從灰度圖像中可觀察到試件表面分布了許多灰白色的蝕坑，而基體呈深色，反映了表面CO2腐蝕的基本狀況。

圖2 N80鋼CO2腐蝕灰度圖像(×50)

2.2圖像灰度增強

由于實驗條件等因素影響，攝取的形貌特征圖中腐蝕區與基體難以清晰辨別，不利于圖像的分割，無法有效提取腐蝕特征，因此對CO2腐蝕圖像進行灰度變換增強處理變得十分重要。

采用線性變換方式，將原始腐蝕圖像離散為函數g(x，y)，增強后的離散函數為f(x，y)，灰度增強變換為[4]：

(1)

首先確定原始CO2腐蝕圖像中各像素點的灰度范圍[a，b]，依據灰度調整函數對各像素點進行灰度變換，獲得變換后的圖像灰度范圍[c，d]。在保證圖像不失真的前提下，達到清晰辨別腐蝕特征區與基底的目的。

圖3為經灰度增強的點腐蝕圖像。相比圖2，圖3中代表點蝕區的亮色部分明顯區別于暗色的基體，點蝕特征更加突出，易于辨別。

圖3 N80鋼CO2腐蝕灰度增強圖像(×50)

2.3圖像小波變換分割

在CO2腐蝕圖像中，為了將腐蝕區與基底分離開，便于進一步的診斷和分析，需對腐蝕圖像進行分割，即把圖像分成若干特定的、具有獨特性質的區域并提取特征目標的過程[5]。

借由小波變換將二維信號的CO2腐蝕圖像分解為不同頻帶的子圖，使腐蝕圖像通過不同帶寬的濾波器低通(L)和高通(H)濾波，得到具備圖像總體和細節特征的小波系數。小波分解后的子圖像中各像素點值與相應的小波系數構成腐蝕圖像的特征向量，更能體現出不同腐蝕區域和腐蝕區與基底間的細微差別。應用Daubechies小波將已增強的腐蝕圖像進行二級小波分解，分解后的腐蝕圖像如圖4所示。

2.4特征值計算

首先輸入需要進行小波分割的腐蝕圖像Aj，經低通(L)和高通濾波器(H)在水平和垂直方向作用后進行二取一采樣，分別生成4個一級分解小波系數子圖像，即L/L、L/H、H/L、H/H，相應的小波系數分別為近似系數矩陣Aj+1、水平細節系數矩陣Hj+1、垂直細節系數矩陣Vj+1和對角細節系數矩陣Dj+1。對Aj+1再進行二級小波分解得出Aj+2、Hj+2、Vj+2和Dj+2，構成輸入因子，分別計算出近似系數矩陣、水平細節系數矩陣、垂直細節系數矩陣和對角細節系數矩陣對應的能量值EA2、EH2、EV2和ED2，再求出能量和Etotal、各向異性能量Eorientation一并作為模式識別的6維能量特征向量[6]：

Etotal=EH2+EV2+ED2

圖4 二級小波分解后的N80鋼腐蝕圖像

其中，未腐蝕、點腐蝕和均勻腐蝕3種情況的典型特征向量值見表1。

表1 3種腐蝕類型的典型能量特征向量值

3 基于支持向量機的腐蝕類型識別

SVM是一種基于統計學習理論的模式識別方法，并已被推廣應用到函數擬合等其他機器學習問題中[7]。臺灣林智仁副教授開發的SVM工具包LibSVM集成了參數尋優、模型訓練和結果測試等功能。

核參數和誤差懲罰參數C是影響SVM性能的主要因素。筆者所應用的徑向基核函數具體形式為：K(x,xi)=exp{-γ‖x-xi‖2}，其中，核參數為γ。分別采集未腐蝕、點腐蝕及均勻腐蝕的N8鋼樣本形貌圖像各100幅，經上述方法提取能量特征向量。分別以每種腐蝕類型的70組特征向量作為訓練樣本，30組特征向量作為測試樣本，設未腐蝕、點腐蝕和均勻腐蝕的輸出目標分別為1、2、3，應用LibSVM的遺傳算法對參數進行優化并建立支持向量機，優化結果為差懲罰參數C取1.91，核參數γ取3.67。

為檢驗該方法的有效性，同樣選取上述3種腐蝕工況樣本各100組，設計了6-7-1結構的BP網絡，選取δ=0.01訓練誤差，構建了神經網絡模式識別器，識別結果見表2。通過比較兩種分類器的分類結果可知，對于相同有限數量的樣本，SVM的分類效果要優于BP神經網絡，具有更高的準確性，更適合于CO2腐蝕識別。

表2 腐蝕類型識別準確率比較

4 結論

4.1對N80鋼的CO2腐蝕表面形貌圖像進行灰度處理、灰度增強及小波分割，形成腐蝕信息突出的子圖像。

4.2提取子圖像的近似系數矩陣、水平細節系數矩陣、垂直細節系數矩陣和對角細節系數矩陣對應的能量值EA2、EH2、EV2和ED2，并與能量和Etotal及各向異性能量Eorientation共同作為模式識別的6維特征向量。

4.3應用未腐蝕、點腐蝕和均勻腐蝕3種類型樣本集構建支持向量機分類器，準確識別了CO2腐蝕類型，并通過與神經網絡分類器的識別效果對比，驗證了該方法的優越性。

[1] 張旭昀，賈蕊，孫麗麗，等.基于CO2腐蝕形貌特征的腐蝕預測方法研究[J].化工機械，2012，39(3)：347～350.

[2] 趙海洋，徐敏強，王金東.改進二叉樹支持向量機及其故障診斷方法研究[J].振動工程學報，2013，26(5)：764～770．

[3] 郭建斌，王楠，王澤民.水工鋼結構腐蝕的圖像識別技術[J].河海大學學報(自然科學版)，2012，40(5)：539～543.

[4] 章毓晉.圖像分割[M].北京：科學出版社，2011：10～62.

[5] 張瑋.金屬腐蝕形貌特征提取用于腐蝕診斷的研究[D].大連：大連理工大學，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] 章云鋒，王景成，史元浩.基于偏最小二乘支持向量機的燃煤電站鍋爐效率模型[J].化工自動化及儀表，2012，39(11)：1432～1436.