铝合金加速腐蚀形貌灰度特征提取方法

穆志韬，苏维国，叶 彬

（1.海军航空工程学院青岛分院，山东 青岛 266041；2.洪都航空工业股份有限公司650 所，南昌 330024）

腐蚀图像中蕴涵着大量的腐蚀信息，是腐蚀数据的重要来源之一。腐蚀图像直观地记录着腐蚀发生的区域、蚀坑的分布情况、蚀坑形状，以及腐蚀的严重程度等丰富的腐蚀信息，对腐蚀图像进行深入分析，可以从中获取有用的腐蚀信息，提取出腐蚀形貌的特征参数，有助于进行腐蚀知识的挖掘加工[1-5]。D.Itzhak 等用图像方法研究了AISI304 不锈钢在50°C时10%的FeCl3溶液中浸泡20 min 产生的腐蚀图像[6]。图像是用扫描仪直接扫描腐蚀材料照片得到的，然后将所得的图像进行二值化处理，统计整个试样表面不同大小的蚀坑数，定义并定量计算试样的点蚀率为9.73%。M.J.Quin 等将图像分析技术用于研究局部腐蚀过程，采用金相分析和图像分析相结合的方法得到了确定点蚀深度和几何形状的方法，通过对蚀孔深度分布与腐蚀区域之间关系的定量分析得到了蚀坑的三维分布图[7]。孔德英等采用图像扫描方法获取碳钢、低合金钢实海试片的腐蚀形貌图像并进行图像分析，用灰度关联及典型相关技术分析了图像灰度值分布与试样单位面积平均失重及局部腐蚀平均深度的关系[3]。宋诗哲、王守琰等运用小波图像变换的方法建立了基于图像识别技术研究有色金属大气腐蚀早期行为的研究方法，用扫描仪获取试样的大气腐蚀形貌图像，采用连续小波变换对图像进行分解并提取能量值作为特征信息，研究了图像特征值和试样腐蚀失重数据之间的相关性[8-9]。苏润西、宋诗哲[9]建立了基于恒电位的原位图像采集系统和测试方法，对304 不锈钢恒电位过程图像进行分析后发现，在蚀坑出现过程中图像的灰度变化与蚀坑的产生和发展有着直接关系[10]。

研究者的工作表明，腐蚀形貌图像可以用来表征和分析腐蚀损伤行为，图像中灰度值的分布和变化与腐蚀损伤的形式和程度有着密切关系，而用腐蚀图像的灰度统计特征值来描述金属材料腐蚀形貌特征的研究在国内外鲜见报道。本文结合LY12CZ航空铝合金材料在EXCO溶液中加速腐蚀试验，利用现代数字图像处理技术，对图像进行一系列预处理，还原材料的本来腐蚀形貌，以试验件表面平均亮度、平均对比度、平滑度、第3阶矩、一致性、熵6个典型的灰度矩阵统计特征值为参数，研究铝合金材料加速腐蚀形貌演化的规律。

1 实验方法

1.1 试验试件准备

试验件材料为LY12CZ，属Cu-Mg-Mn 系铝合金，成分见表1。试验件尺寸为75 mm×40 mm×3 mm板材，试件在试验前进行如下预处理：

1)除包铝层：按HB 5455-90 标准，去除厚度为理论包铝层厚度的两倍；

2)表面清洁：用3%金属清洗剂除油，用150#、360#水砂纸进行打磨；

3)封样：采用可剥性氯丁橡胶密封非实验面。为确保封样质量，应涂2～3 遍胶，封样前应贴上试件标号。

表1 LY12CZ 化学成分 %

1.2 试验要求及程序

1)试验采用HB 5455-90 标准对试件全浸试验，试验溶液为EXCO 标准溶液；

2)试验流程：试样预处理→浸泡试验→表面形貌采集；

3)浸泡周期分别为：24 h，48 h，72 h，120 h，168 h，240 h；

4)浸泡试验参照HB 5455-90 进行，EXCO溶液配方：NaCl为234 g/L，KNO3为50 g/L，HNO3为6.5 g/L。

试件在腐蚀溶液中不同浸泡周期的典型表面腐蚀形貌如图1所示。

图1 LY12CZ铝合金在EXCO溶液中的表面腐蚀形貌

2 腐蚀图像处理及灰度特征提取

2.1 腐蚀图像预处理

腐蚀图像的质量严重影响腐蚀信息的完整和准确。因此，腐蚀图像采集完毕后，需要对图像进行图像数字化、中值滤波、灰度变换、模糊增强一系列预处理，才能进行图像灰度统计特征值提取。试验结果表明，针对LY12CZ铝合金材料腐蚀图像，5×5像素点大小窗口的中值滤波可以有效地滤除图像采集过程中产生的噪声信号，线性灰度变化能显示图像中需要的图像细节，而二次简单模糊增强则是一种有效的使图像腐蚀特征明显显现的方法。

2.2 腐蚀灰度图像

LY12CZ铝合金材料在EXCO溶液加速腐蚀不同时间的图像经过预处理后，以灰度图像形式存储在计算机中。在灰度图像的数字矩阵中，每个像素点所对应的灰度值为0～255，即共256个灰度级。其中，0代表黑色，255代表白色，1～254分别代表黑色到白色之间的各级过渡色(灰色)。如图2所示为加速腐蚀72 h时预处理后的灰度图像及对应的数字矩阵。

图2 铝合金腐蚀灰度图像及对应的数字矩阵

观察分析发现，铝合金材料基体呈浅色，表面分布许多灰黑色蚀坑，数字矩阵中每个像素点的灰度值都在0～255之间，灰度的最小值为22，属于蚀坑区域，最大值为155，为基体材料。因此，对腐蚀灰度图像而言，图像中的某一像素点的灰度值的大小反映了该点的腐蚀程度，灰度值越小，表明试样上该点的腐蚀越严重，说明产生的蚀坑的深度越大；而灰度值越大，则表明该点的腐蚀越轻微，或者没有腐蚀。腐蚀图像灰度值的大小分布不仅是灰度级的体现，而且也反映了铝合金材料表面腐蚀的基本状况。因此，可以通过灰度的变化特点和统计特征来分析腐蚀形貌和腐蚀损伤的程度。

2.3 腐蚀图像灰度特征值提取

数字化的腐蚀图像中蕴含的腐蚀信息是以数据的形式存在的，其实质是一个连续的二维函数f (x,y)，该函数被离散为M×N的矩阵。其灰度统计值是一个一维离散函数，表示为：

式(1)中：zi为腐蚀图像f (x,y)的第i级灰度值；ni为腐蚀图像f (x,y)中具有灰度值zi的像素点的个数；n为腐蚀图像f (x,y)中像素点总个数；p (zi)为第i级灰度值出现的概率统计。

因此，腐蚀图像f (x,y)的平均亮度采用灰度均值m 来度量：

腐蚀图像f (x,y)的平均对比度采用灰度标准偏差σ 来度量：

腐蚀图像f (x,y)的平滑度为区域中亮度的相对平滑度。对于常量区域，R 等于0；对于灰度级的值有较大偏差的区域，R 等于1。腐蚀图像f (x,y)的平滑度表达式为：

腐蚀图像f (x,y)的第3阶矩为直方图的对称性的度量。若直方图是对称的，则度量为0；若度量值为正值，则直方图向右偏斜。若度量值为负值，则直方图向左偏斜。腐蚀图像f (x,y)的三阶矩表达式为：

腐蚀图像f (x,y)的一致性为：

当腐蚀图像f (x,y)的灰度值相等时，一致性取最大值。

腐蚀图像f (x,y)的熵为：

腐蚀图像f (x,y)的熵为腐蚀图像灰度值的随机性度量。

3 分析与讨论

腐蚀区域中像素灰度值及其局部变化的空间分布属性可以用灰度图像的数字矩阵来表示，而用图像的局部统计特征能较好地刻画不同腐蚀图像的差异。以6个典型的灰度矩阵特征值为参数：平均亮度、平均对比度、平滑度、第3阶矩、一致性、熵，表征腐蚀损伤的特征。利用式(2)～(7)计算出不同加速腐蚀时间的腐蚀灰度图像的统计特征值，如表2所示。

表2 不同加速腐蚀时间腐蚀图像灰度矩阵特征提取

图3所示为各浸泡周期的典型断面腐蚀形貌。

试验过程中观察发现，试件大约浸泡2.5 h时表面开始出现点蚀，由于蚀坑数目较少，蚀坑面积较小，溶液中腐蚀性离子不容易进入蚀坑，试验件表面仍比较光滑，腐蚀相对比较缓慢；20 h 之后，新的蚀坑不断出现，并且蚀坑面积不断增加，大量的腐蚀介质进入蚀坑，腐蚀坑外的氯离子等阴性离子不断向蚀坑内迁移、富集，使得蚀坑内溶液的腐蚀性增强腐蚀速率加快，腐蚀加剧。48 h后试样表面有明显鼓泡，裂开并出现剥蚀；之后，随浸泡时间的延长，鼓泡增大、破裂增多，并出现大量腐蚀产物，表层金属呈片状剥落；浸泡72 h后，晶间腐蚀深度明显增大，沿晶裂纹增多，蚀坑周围出现晶粒剥落；120 h后，大量的腐蚀产物阻碍了腐蚀介质扩散和溶液对流，形成闭塞电池，腐蚀向金属内部纵深发展，腐蚀又变得相对平缓。在试件断面上，可以见到明显的层状开裂，在蚀坑周围，还出现拱桥形的层状翘起，腐蚀形貌变得越来越复杂。

图3 不同浸泡时间的典型断面腐蚀形貌

图4显示了平均亮度随加速腐蚀时间的变化规律，图5显示了第3阶矩随加速腐蚀时间的变化规律。分析发现，平均亮度即腐蚀图像灰度均值随着腐蚀时间的增加逐渐变小，第3阶矩由负变正，说明灰度直方图由左偏斜变为向右偏斜，且偏斜更大，说明试件表面的颜色逐渐加深，腐蚀越来越严重。

图4 平均亮度随腐蚀时间变化图

图5 第3阶矩随腐蚀时间变化图

图6显示了平均对比度随加速腐蚀时间的变化规律，说明腐蚀图像灰度标准偏差随加速腐蚀时间逐渐变大。

图6 平均对比度随腐蚀时间变化图

图7显示了平滑度随加速腐蚀时间的变化规律，分析发现，随着腐蚀时间的增加，腐蚀图像灰度值偏差越来越大。因为随着加速腐蚀时间的增加，蚀坑逐渐变大变深，腐蚀图像的视觉对比度越来越大。图8和图9分别显示了一致性和熵值随加速腐蚀时间的变化规律，变化趋势说明腐蚀图像灰度值渐渐趋于分散，熵值的增加也证明灰度值的随机性在逐渐增加，腐蚀形貌越来越复杂。

图8 一致性随腐蚀时间变化图

图9 熵值随腐蚀时间变化图

4 结论

1)对于金属材料腐蚀形貌图像而言，灰度值的大小分布不仅是灰度级的体现，而且也反映了金属材料表面腐蚀的基本状况，灰度值越小，表明试样上该点的腐蚀越严重。

2)铝合金加速腐蚀灰度统计特征值随着腐蚀时间的增加呈现规律性变化，平均亮度、一致性随腐蚀时间的增加而减少，而平均对比度、相对平滑度、第3阶矩、熵随腐蚀时间的增加而增加，腐蚀图像灰度值逐渐变小并趋于分散，随机性在逐渐增加，偏差越来越大，这也证明随着腐蚀时间的增加，试件表面蚀坑逐渐变大变深，腐蚀越来越严重，腐蚀形貌越来越复杂。

[1]FRANTZISKONIS G N,SIMON L B,WOO J,et al.Multiscale characterization of pitting corrosion and application to an aluminum alloy[J].European Journal of Mechanics,A/Solids,2000,19(2)∶309-318.

[2]COSTA J M,SAGUES F,VILARRASA M.Fractal patterns from corrosion pitting[J].Corrosion Science,1991,32(516)∶665-668

[3]孔德英,王守琰,宋诗哲.金属材料腐蚀形貌图像与实海挂片数据相关性研究[J].中国腐蚀与防护学报,2001,21(6)∶352-356.

[4]王守琰,孔德英,宋诗哲.基于模糊模式识别的金属材料海水腐蚀形貌诊断系统[J].金属学报,2001,37(5)∶517-521

[5]朱做涛,穆志韬,苏维国,等.基于图像处理技术的腐蚀等级评定研究[J].南京航空航天大学学报,2010,42(4)∶383-386.

[6]ITZHAK D,DINSTEIN I,ZILBERBERG T.Pitting corrosion evaluation by computer image processing[J].Corrosion Science,1981,21(1)∶17-22.

[7]QUIN M J,BAILEY M G,IKEDA B M,et al.Imageanalysis techniques for investigating localized corrosion processes[R].Ontario∶Atomic Energy of Canada Limited,1993∶1-51.

[8]宋诗哲,王守琰,高志明,等.图像识别技术研究有色金属大气腐蚀早期行为[J].金属学报,2002,38(8)∶896-896.

[9]WANG SHOUYAN,SONG SHIZHE.Image analysis of atmospheric corrosion exposure of zinc[J].Materials Science and Engineering,2004,(1-2)∶377-381.

[10]苏润西,宋诗哲.304 不锈钢孔蚀过程原位图象采集与分析[J].金属学报,1998,34(9)∶966-970.