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(xué)機械科學(xué)與工程學(xué)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(qū)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(shè)施造成破壞性極大、隱蔽性極強的點腐蝕。因此，準(zhǔn)確識別CO2腐蝕類型，判斷是否發(fā)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(jù)腐蝕數(shù)據(jù)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(yōu)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(xùn)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(chǔ)。

1 實驗方法

以N80級油套管鋼為實驗材料，制備5個規(guī)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(tài)反應(yīng)釜中，以大慶油田采出水為介質(zhì)，通氮排氧后，合釜并持續(xù)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(chǎn)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(shù)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(jīng)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(qū)域，1～254分別代表不同程度的CO2腐蝕區(qū)域[3]。CO2點腐蝕灰度圖像如圖2所示，該圖像數(shù)據(jù)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(qū)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(shù)g(x，y)，增強后的離散函數(shù)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(jù)灰度調(diào)整函數(shù)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(dá)到清晰辨別腐蝕特征區(qū)與基底的目的。

圖3為經(jīng)灰度增強的點腐蝕圖像。相比圖2，圖3中代表點蝕區(qū)的亮色部分明顯區(qū)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(qū)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(zhì)的區(qū)域并提取特征目標(biāo)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(xì)節(jié)特征的小波系數(shù)。小波分解后的子圖像中各像素點值與相應(yīng)的小波系數(shù)構(gòu)成腐蝕圖像的特征向量，更能體現(xiàn)出不同腐蝕區(qū)域和腐蝕區(qū)與基底間的細(xì)微差別。應(yīng)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(jīng)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(shù)子圖像，即L/L、L/H、H/L、H/H，相應(yīng)的小波系數(shù)分別為近似系數(shù)矩陣Aj+1、水平細(xì)節(jié)系數(shù)矩陣Hj+1、垂直細(xì)節(jié)系數(shù)矩陣Vj+1和對角細(xì)節(jié)系數(shù)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(gòu)成輸入因子，分別計算出近似系數(shù)矩陣、水平細(xì)節(jié)系數(shù)矩陣、垂直細(xì)節(jié)系數(shù)矩陣和對角細(xì)節(jié)系數(shù)矩陣對應(yīng)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(tǒng)計學(xué)習(xí)理論的模式識別方法，并已被推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中[7]。臺灣林智仁副教授開發(fā)的SVM工具包LibSVM集成了參數(shù)尋優(yōu)、模型訓(xùn)練和結(jié)果測試等功能。

核參數(shù)和誤差懲罰參數(shù)C是影響SVM性能的主要因素。筆者所應(yīng)用的徑向基核函數(shù)具體形式為：K(x,xi)=exp{-γ‖x-xi‖2}，其中，核參數(shù)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(jīng)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(xùn)練樣本，30組特征向量作為測試樣本，設(shè)未腐蝕、點腐蝕和均勻腐蝕的輸出目標(biāo)分別為1、2、3，應(yīng)用LibSVM的遺傳算法對參數(shù)進行優(yōu)化并建立支持向量機，優(yōu)化結(jié)果為差懲罰參數(shù)C取1.91，核參數(shù)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(shè)計了6-7-1結(jié)構(gòu)的BP網(wǎng)絡(luò)，選取δ=0.01訓(xùn)練誤差，構(gòu)建了神經(jīng)網(wǎng)絡(luò)模式識別器，識別結(jié)果見表2。通過比較兩種分類器的分類結(jié)果可知，對于相同有限數(shù)量的樣本，SVM的分類效果要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，具有更高的準(zhǔn)確性，更適合于CO2腐蝕識別。

表2 腐蝕類型識別準(zhǔn)確率比較

4 結(jié)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(shù)矩陣、水平細(xì)節(jié)系數(shù)矩陣、垂直細(xì)節(jié)系數(shù)矩陣和對角細(xì)節(jié)系數(shù)矩陣對應(yīng)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(yīng)用未腐蝕、點腐蝕和均勻腐蝕3種類型樣本集構(gòu)建支持向量機分類器，準(zhǔn)確識別了CO2腐蝕類型，并通過與神經(jīng)網(wǎng)絡(luò)分類器的識別效果對比，驗證了該方法的優(yōu)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(yù)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(xué)報，2013，26(5)：764～770．

[3] 郭建斌，王楠，王澤民.水工鋼結(jié)構(gòu)腐蝕的圖像識別技術(shù)[J].河海大學(xué)學(xué)報(自然科學(xué)版)，2012，40(5)：539～543.

[4] 章毓晉.圖像分割[M].北京：科學(xué)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(xué)，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.