Количественное обнаружение минералов коррозии в углеродистой стали с помощью SWIR гиперспектральной визуализации
Перед прочтением данной статьи напоминаем Вам, что наши специалисты могут продемонстрировать Вам принцип работы лабораторного сканера Specim в нашем офисе по адресу: г. Москва, ул. Шаболовка, д. 10, корп. 1 (м. Шаболовка).
В данном исследовании представлен новый метод обнаружения и количественной оценки продуктов атмосферной коррозии на углеродистой стали. Используя гиперспектральную визуализацию (HSI) в коротковолновом инфракрасном диапазоне (SWIR) (900-1700 нм), мы можем идентифицировать наиболее распространенные минералы коррозии, такие как: a-FeO(OH) (гетит), g-FeO(OH) (лепидокроцит) и g-Fe O23 (маггемит). Шесть образцов углеродистой стали были подвергнуты искусственной коррозии в камере соляного тумана, каждый образец с различной продолжительностью (от 1 ч до 120 ч). Эти образцы были проанализированы методом сканирующей рентгеновской дифракции (XRD), а также с помощью системы SWIR HSI. Данные рентгеновской дифракции используются в качестве исходных данных. Алгоритм регрессии случайного леса используется для обучения на комбинированном наборе данных XRD и HSI. Используя обученную модель, мы можем предсказать карту изобилия на основе одних только изображений HSI. Несколько показателей корреляции изображений используются для оценки сходства между оригинальными изображениями XRD и изображениями HSI. Также рассчитывается и сравнивается общее изобилие для изображений XRD и HSI. Результаты анализа показывают, что нам удается получить визуально похожие изображения, с коэффициентами ошибок от 3.27 до 13.37%. Это говорит о том, что гиперспектральная визуализация может стать эффективным инструментом для изучения коррозионных минералов.
1 Введение
Точное и эффективное обнаружение коррозии имеет решающее значение для поддержания прочности металлических конструкций и снижения стоимости цикла промышленной инфраструктуры. Человеко-часы, потраченные на выявление проблемы, а затем на ее устранение путем капитального ремонта или замены критически важных деталей, составляют значительную часть стоимости жизненного цикла всех платформ и инфраструктуры. Поэтому раннее обнаружение проблем коррозии снижает общую стоимость. Существует несколько подходов к исследованию атмосферной коррозии в образцах из углеродистой стали, которые можно разделить на две основные категории: обнаружение коррозии на основе изменений материала и обнаружение коррозии на основе определения характеристик продуктов коррозии. Обзор этих методов приведен на рис. 1.
Рисунок 1 – Обзор широко используемых методов обнаружения коррозии
Что касается первой категории, то методы можно разделить на две подкатегории: методы физических измерений, которые оценивают повреждения, вызванные коррозией, и электрохимические методы, которые оценивают химические изменения, вызванные процессом коррозии. Проверенные методы физических измерений включают в себя боны, электрическое сопротивление (ER), ультразвуковой контроль (UT) и акустическую эмиссию (AE). Эти методы непосредственно измеряют различными способами повреждения, вызванные процессом коррозии исследуемой конструкции или образца. В целом, эти методы измерения позволяют предсказать скорость коррозии в мм в год для данного места. Затем этот анализ может быть экстраполирован на всю конструкцию. При использовании ER, AE и UT обследование всей конструкции занимает много времени из-за ограниченной зоны обследования.
Электрохимические методы измерения включают линейное поляризационное сопротивление (LPR), спектроскопию электрического сопротивления (EIS), электрохимический шум (EN) и метод сканирующего вибрирующего электрода (SVET). Эти методы измеряют изменения электрохимического сигнала в материале, вызванные процессом коррозии. Они хороши для определения общей скорости коррозии конструкции, но не подходят для локализации коррозии на более крупной конструкции.
Другой подход к обнаружению коррозии заключается в определении, локализации и количественной оценке продуктов коррозии. Правильная идентификация и количественная оценка минералов коррозии была соотнесена со скоростью коррозии в нескольких исследовательских статьях. Индекс защитной способности (PAI) предложен в качестве метрики для оценки защитных свойств коррозионного слоя. В идентификации минералов также можно выделить две категории: химический анализ, с одной стороны, и оптическая визуализация, с другой. К распространенным методам химического анализа относятся инфракрасная спектроскопия с преобразованием Фурье (FTIR), рамановская спектроскопия, рентгеновская дифракция (XRD), сканирующая электронная микроскопия (SEM), и атомно-силовая микроскопия (AFM). Предыдущие исследования показали, что каждый из этих методов способен идентифицировать различные коррозионные минералы, образующиеся при атмосферной коррозии, такие как a-FeO(OH) (гетит), g-FeO(OH) (лепидокрокит), g-Fe2O3 (маггемит). Это очень точные методы, которые хорошо подходят для лабораторных условий с небольшими образцами. Однако применение этих методов вне лаборатории опять же потребует много времени и будет практически недостижимым.
Оптические методы измерения, с другой стороны, могут использовать большие массивы датчиков для измерения или получения изображений больших площадей. В качестве примера можно привести камеры со стандартным визуальным спектром (RGB), мультиспектральные камеры (MSI) и гиперспектральные камеры (HSI). Использование RGB-камер для исследования минералов, подвергшихся коррозии, является сложной задачей, поскольку все конкретные минералы имеют одинаковый красно-коричневый оттенок.
Компромисс между оптической визуализацией и химическим обнаружением может быть найден в гиперспектральной и мультиспектральной визуализации. С помощью этих камер мы получаем больше спектральной информации (обычно 3-10 длин волн для мультиспектральных и более 10 длин волн для гиперспектральных изображений), чем при использовании RGB-камеры. Эти камеры могут работать в различных спектрах, от ультрафиолетового до длинноволнового инфракрасного. Гиперспектральная визуализация используется в различных областях: дистанционное зондирование, анализ продуктов питания, биомедицинские исследования, разделение отходов, сельское хозяйство. Что касается обнаружения коррозии с помощью ГСИ, исследования ограничены. Хэлфорд и др. использовали HSI для изучения коррозии на бронзовых статуях. Энтони и др. использовали HSI с прикрепленным зондом с пучком волокон для обнаружения коррозии на стальных образцах. Аль Кташ и др. предложили решение с использованием УФ HSI для определения характеристик оксидных слоев на меди.
Предыдущее исследование тех же авторов было посвящено сравнению между FTIR-анализом и измерениями HSI. Однако данные FTIR были получены с использованием соскобленных продуктов коррозии, поэтому пространственная информация о том, где присутствуют продукты коррозии, не рассматривалась. Данная статья восполняет этот пробел. Мы не только получаем данные о количестве минералов в отдельных продуктах коррозии, но и собираем пространственную информацию, которую можно соотнести с результатами измерений HSI.
2 Материалы и методы
2.1 Подготовка пробы
Образцы холоднокатаной углеродистой стали со следующими размерами: 150 × 50 × 1 мм (длина × ширина × толщина). Образцы имели качество DC01, как описано в DIN EN 10130: 2006. Затем поверхность была отшлифована наждачной бумагой с зернистостью 400, а затем 800. После шлифовки детали сначала промывались деминерализованной водой, а затем очищающим раствором изопропилового спирта. Одновременно образцы были помещены в камеру соляного тумана. Ускоренное испытание на коррозию проводилось в соответствии с DIN ISO 9227,26 при температуре камеры 35 °C и температуре распыления 45 °C. pH измерялся с интервалом в один день и оставался в пределах от 6.8 до 7.1. Каждый образец вынимался из камеры в разное время, общая продолжительность солевого тумана составила один час для первого образца и 120 часов для шестого образца. Длительность ускоренной коррозии для всех образцов приведена в таблице 1. На рис. 2 показаны различные образцы с четкой разницей в степени коррозии.
Таблица 1 – Продолжительность (в часах) ускоренного испытания в соляном тумане для каждого образца
|
Образец (№) |
1 |
2 |
3 |
4 |
5 |
6 |
|
Длительность (ч) |
1 |
2 |
24 |
48 |
72 |
120 |
Рисунок 2 – RGB-изображения образцов, подвергшихся искусственной коррозии
2.2 Измерения методом рентгеноструктурного анализа
Измерения MA-XRD проводились с помощью мобильного сканера собственной разработки (AXIS, Университет Антверпена, Бельгия). Прибор оснащен маломощным рентгеновским микроисточником (50 Вт, Im S-Cu, Incoatec GmbH, Германия), который производит монохроматический и сфокусированный рентгеновский пучок (Cu-Ka; 8,04 кэВ). Из-за геометрических ограничений был использован угол падения первичного пучка 10° по отношению к образцам из корродированной стали. Это привело к удлинению следа пучка в горизонтальном направлении до 0.8 мм в горизонтальном и 0.2 мм в вертикальном направлении. Для записи 2D дифракционных картин для каждого облучаемого положения использовался детектор PILATUS 200 K area detector. Чтобы уменьшить влияние локальной топографии стальных образцов на дифракционные данные, расстояние между изделием и сканером автоматически регулировалось с помощью лазерного датчика расстояния (Baumer GmbH, Германия) в каждой точке измерения. Все компоненты размещены на моторизованной платформе, способной перемещаться в направлениях XYZ (30 × 30 × 10 см3). Для обработки всех данных XRD использовался пакет программного обеспечения XRDUA собственной разработки. XRDUA предоставляет необходимые инструменты для извлечения распределений кристаллических особенностей из большого количества двумерных дифракционных картин, полученных в ходе экспериментов по визуализации XRPD.28 Схематический обзор установки представлен на рис. 3, а реальная установка - на рис. 4. Пространственное разрешение этой установки составляет 1.3 мм на пиксель.
Рисунок 3 – Схематический обзор сканирующей рентгеноструктурной установки. С (1) источником рентгеновского излучения и оптикой, (2) детектором XRD, (3) лазером и (4) моторизованной платформой
Рисунок 4 – Сканирующая рентгеноструктурная установка
2.3 Измерения HSI
Гиперспектральные изображения были получены с помощью коротковолновой системы гиперспектральной визуализации push-broom. Изображение установки показано на рис. 5. Установка состоит из моторизованного столика (лабораторный сканер SPECIM), который перемещает образец, в то время как камера удерживается на месте. Во время процесса сканирования образцы освещаются 6 галогенными лампами мощностью 25 Вт. Камера (SPECIM FX17) снимает 224 полосы для каждого из 640 пикселей в диапазоне 900-1700 нм. Объектив, используемый для измерений, имеет FOV 12° и диафрагму F/1.7. Расстояние между объективом и образцами составляло 200 мм, в результате чего пространственное разрешение составляло 0.17 мм на пиксель. Спектральный биннинг не применялся, что дает FWHM (полную ширину на половине высоты) 8 нм. Для преобразования измеренных значений в значение отражательной способности была проведена калибровка с использованием темного и белого эталона. Темный эталон был получен путем закрытия затвора и усреднения по 100 полученным изображениям. Для белого эталона была взята плитка Spectralon с отражательной способностью 99% и также усреднена по 100 изображениям. Затем отсканированное изображение корректировалось для каждой длины волны с помощью уравнения (1)
где Icorr - скорректированное изображение, Sr - отражательная способность спектральной плитки, Io - некалиброванное изображение, Dref - усредненный темный эталон и Wref - белый эталон. Одновременное управление столиком и камерой осуществлялось с помощью программного обеспечения Specim Labscanner. Для сканирования всех образцов использовалась частота кадров камеры 50 Гц и скорость сканирования 6.26 мм·с-1. Для сканирования всего образца потребовалось около 25 секунд. Постобработка и калибровка белого были выполнены в Python.
К калиброванным гиперспектральным изображениям применяется несколько этапов постобработки. Поскольку первая и последняя полосы имеют высокое отношение шум/данные из-за более низкой квантовой эффективности на этих длинах волн, эти полосы (первые и последние 5 полос) удаляются из спектров. К каждому спектру также применяется фильтр Савицкого-Голая для сглаживания спектров и удаления нежелательных неоднородностей, которые могут повлиять на точность классификации. На последнем этапе спектры нормируются между 0 и 1, чтобы устранить разницу в масштабе, которая может повлиять на алгоритмы машинного обучения.
Рисунок 5 – Камера Specim FX17 и лабораторный сканер Specim
2.4 FTIR измерения
Для сбора спектров для каждого образца используется макроскопический отражательный FTIR (MA-rFTIR). Прибор состоит из портативного FTIR спектрометра Bruker Alpha, установленного на поворотном столике. Это позволяет проводить точечное сканирование больших двумерных поверхностей. Спектральное разрешение составляет 4 см-1, а спектральный диапазон простирается от 375-7500 4 см-1. Пространственное разрешение сохраняется таким же, как и у XRD, поэтому интерполяция спектров не требуется. Спектры сглаживаются с помощью фильтра Савицкого-Голая с размером окна 25 и полиномиальной подгонкой третьей степени. Постобработка спектров была выполнена с помощью программного обеспечения Spectragryph.
2.5 Анализ данных
Пространственное разрешение измерений XRD (1.3 мм на пиксель) и измерений HSI (0.17 мм на пиксель) не одинаково, поэтому для выравнивания этих данных необходимо предпринять несколько шагов. Методика выравнивания двух наборов данных показана на рис. 6, а более подробно эти шаги описаны в следующем параграфе. Важно отметить, что эти шаги повторяются для каждого минерала, т.е. каждый минерал обрабатывается и оценивается отдельно.
Рисунок 6 – Блок-схема шагов по сравнению измерений методом рентгенографии и HSI. Это делается для каждого исследуемого минерала. С m и n в качестве горизонтального и n - горизонтальный размер, s - количество образцов, b - количество спектральных полос.
2.5.1 XRD
Для каждого образца данные о содержании минералов загружаются в двумерную матрицу и используются в качестве опорных значений. Все образцы объединяются в трехмерную матрицу (mxnxs), где m и n - количество пикселей в x- и y-направлении, соответственно, а s - количество образцов.Данные HSI подвергаются нескольким этапам предварительной обработки, таким как калибровка, удаление зашумленных областей и сглаживание, как упоминалось в разделе 2.3. После этих шагов размер куба данных HSI подгоняется под размер изображения XRD. Для уменьшения размера изображений используется метод бикубической интерполяции. Затем уменьшенные кубы данных объединяются в четырехмерную матрицу (mxnxsxb), где b - количество спектральных полос. Следующим шагом является объединение и сглаживание кубов данных XRD и HSI. Для обоих кубов данных первые три измерения транспонируются в вектор размера (mxnxs). В итоге мы получаем вектор Y, содержащий данные XRD, и двумерную матрицу для гиперспектральных данных. Таким образом, для каждого гиперспектрального пикселя (спектра) существует соответствующее значение обилия, измеренное рентгеновским спектром для данного конкретного минерала. Это сглаживание необходимо для использования алгоритма машинного обучения. Полученный набор данных делится на обучающую и тестовую части в соотношении 30/70. Небольшой набор данных для обучения выбран намеренно, чтобы предотвратить перебор модели.
На этих данных обучается регрессия случайного леса. Этот алгоритм использует несколько параллельных древ решений, результаты которых усредняются для достижения более высокой общей точности предсказания. Для создания каждого древа решений используется случайное подмножество набора данных. Методы усреднения или ансамбля обычно используются в машинном обучении для достижения более высокой точности по сравнению с методами без ансамбля. Как и в большинстве алгоритмов машинного обучения, существует ряд гиперпараметров, которые могут быть определены и точно настроены. Для определения наиболее удачного набора гиперпараметров для модели используется алгоритм оптимизации параметров. Для расчета средней точности модели используется пятикратная перекрестная валидация.
После настройки алгоритма можно использовать лучшие параметры для прогнозирования карты изобилия на основе тестового набора данных. Подмножество набора данных, на котором обучалась модель, не опускается при расчете корреляционных метрик. Более подробно используемые корреляционные метрики описаны в следующем разделе. Все расчеты проводились на компьютере под управлением Windows 10 с процессором Intel Core i7-9750H с 12 ядрами и частотой 2.6 ГГц, 32 ГБ оперативной памяти и видеокартой Nvidia GTX 1650. Для реализации этих алгоритмов использовался пакет sci-kit learn из Python с открытым исходным кодом.
2.6 Корреляционные метрики
Четыре различных корреляционных метрики используются для оценки предсказанных изображений HSI с измерениями XRD. Использование различных корреляционных метрик необходимо, поскольку каждая из них по-разному оценивает сходство. В данной статье используются следующие метрики: R2, RMSE, SSID и SRE. Первые две можно отнести к статистическим мерам, в то время как последние две больше подходят для поиска визуальных или признаковых корреляций между изображениями.
Коэффициент корреляции или R2 измеряет корреляцию между значениями пикселей изображения XRD и изображения HSI.
Среднеквадратичная ошибка (RMSE) – это мера разницы в значениях на уровне пикселей между двумя изображениями. RMSE является часто используемой метрикой сравнения сходства, однако, когда значения немного смещены, это сильно влияет на значение RMSE. Хотя в целом изображение все равно будет иметь схожий вид. RMSE рассчитывается с помощью уравнения (2)
где N - общее количество пикселей, I - изображение XRD, а K - изображение HSI.
Измерение индекса структурного сходства (SSIM) сосредоточено на перцептивной разнице между изображениями. Этот алгоритм традиционно используется для оценки качества изображения после применения сжатия. SSIM рассчитывается с помощью уравнения (3). На выходе получается значение от -1 до 1, причем 1 означает полную идентичность изображения.
При этом µx - среднее значение x, µy - среднее значение y, σx2 - дисперсия x, σy2 - дисперсия y, σxy - ковариация x и y, c1 = (k1L)2, c2 = (k2L)2 - две переменные для стабилизации деления со слабым знаменателем, L - динамический диапазон значений пикселей (обычно это 2#бит на пиксель - 1, k1 = 0.01 и k2 = 0.03 по умолчанию.
Отношение ошибки сигнала к ошибке реконструкции (SRE) измеряет ошибку относительно мощности сигнала. Авторы показывают, что использование SRE лучше подходит для того, чтобы сделать ошибки сравнимыми между изображениями разной яркости. SRE выражается в децибелах (дБ) и рассчитывается с помощью уравнения (4).
При этом x - карта обилия XRD, y - предсказанная карта обилия HSI, µx - среднее значение x и n - количество пикселей в карте обилия XRD или HSI.
3 Результаты
3.1 FTIR-анализ
Для подтверждения результатов XRD-анализа используется FTIR для оценки минералов, присутствующих в образце. Образец шесть был измерен с помощью FTIR сканера для получения пространственной и спектральной информации. На рис. 7 показаны спектры из четырех различных мест. Эти места обозначены кружками на RGB-изображении на рис. 8. Анализ XRD показал, что самая высокая концентрация для каждой из категорий была измерена в этих четырех местах. Различные спектры показывают, что при высоком содержании определенного минерала отчетливые спектральные особенности обнаруживаются и в FTIR спектрах. Измерения XRD для позиции 1 показывают обилие 73.44% лепидокрокита, что подтверждается выраженными спектральными особенностями при 1023-750 см-1. Также в этой позиции присутствует 22.54% гетита, который так же виден в спектре с пиками в диапазоне 790-900 см-1. Для позиции 2 измерения XRD указывают на присутствие 54.22% гетита и 24.43% лепидокрокита. Глядя на FTIR спектры, видно, что присутствуют спектры как гетита, так и лепидокроцита. По сравнению с позицией 1, признаки гетита более выражены, что указывает на более высокую концентрацию гетита. Позиция 3, как и ожидалось, не имеет значительных особенностей, соответствующих спектрам коррозии, и идентифицируется как железо в анализе XRD. Позиция 4 имеет широкую особенность в диапазоне 620-660 см-1, указывающую на присутствие маггемита. Измерения XRD показывают, что маггемит действительно является наиболее распространенным минерал в этой позиции.
Рисунок 7 – Спектры отражения FTIR для четырех различных позиций в образце шесть. Вертикальные линии обозначают отличительные признаки, описанные в литературе для каждого минерала. (G = гетит, M = маггемит, L = лепидокрокит).
Рисунок 8 – RGB-изображение шестого образца. Зеленые круги указывают на место измерения FTIR.
3.2 Визуальное сравнение
Сравнение измеренных XRD-карт обилия и предсказанных карт обилия по результатам измерений HSI для образца шесть представлено на рис. 9. Из этого сравнения видно, что с визуальной точки зрения они выглядят довольно похоже. Общая интенсивность изображений одинакова, и они также имеют одинаковые особенности (светлые и темные пятна). При ближайшем рассмотрении видно, что есть некоторые различия в расположении вышеупомянутых особенностей. Например, пятно железа в нижней левой области явно имеет размер 4 пикселя, в то время как предсказание от HIS предсказывает только 2 пикселя как большую концентрацию железа. Это, очевидно, оказывает очень большое влияние на метрики сравнения, а также на общую ошибку между XRD и HSI по площади изобилия. Из сравнения видно, что двумя наиболее важными коррозионными минералами являются лепидокроцит и гетит, а также меньшей концентрации также маггемит, в то время как присутствие железа практически незначительно.
Рисунок 9 – Боковое сравнение индивидуальных карт обилия XRD и предсказанных карт обилия, рассчитанных алгоритмом машинного обучения (регрессор случайного леса) для шестого образца. Зеленые кружки представляют места с наибольшим содержанием данного конкретного минерала. FTIR спектры этих мест показаны на Рис. 7.
3.3 Аналитическое сравнение
Результаты сравнения HSI и XRD показаны в таблице 2. Для образца 1 по результатам измерений XRD обнаружено только железо. Однако RGB-изображения на рис. 2 показывают, что коррозия присутствует, но это очень ранняя стадия коррозии (после одного часа). Сигналы железа присутствуют в большом количестве на полученной дифрактограмме, что делает невозможным отличить эту раннюю стадию коррозии от фона с помощью XRD. Поэтому образец 1 не включен в обзорную таблицу. Для каждого образца и минерала были рассчитаны значения R2, RMSE, SSIM и SRE. При рассмотрении корреляционного значения R2 в таблице 2 заметно, что существуют большие различия между разными минералами и образцами. В частности, значения R2 для железа удивительно низкие. Это может быть объясняется небольшим количеством данных о содержании железа, доступных для этого образца. Другим возможным источником ошибки является то, что железо трудно предсказать из-за разницы в глубине отбора проб разными методами. Железо будет слоем, который находится на самой большой глубине зондирования. Таким образом, его обилие зависит от коррозионных слоев сверху.
Таблица 2 Результаты прогнозирования карт гиперспектрального изобилия, оцененные с помощью четырех различных корреляционных метрик. Значения, выделенные жирным шрифтом, показывают аномальные значения и свидетельствуют о плохой работе регрессионного анализа. В последнем столбце отрицательные проценты указывают на недооценку общего обилия, в то время как положительные значения демонстрируют переоценку.
|
|
Алгоритм случайного леса |
Общая численность | |||||
|
|
R2 |
RMSE |
SRE |
SSIM |
Численность XRD (%) |
Различие между XRD и HSI (%) | |
|
Образец 1 |
Железо |
0.74 |
0.07 |
43.68 |
0.81 |
100 |
-25.23 |
|
Лепидокроцит |
– |
– |
– |
– |
– |
– | |
|
Гетит |
– |
– |
– |
– |
– |
– | |
|
Маггемит |
– |
– |
– |
– |
– |
– | |
|
Образец 2 |
Железо |
0.54 |
0.05 |
44.95 |
0.83 |
66.26 |
1.97 |
|
Лепидокроцит |
0.62 |
0.07 |
51.18 |
0.83 |
33.74 |
-1.25 | |
|
Гетит |
– |
– |
– |
– |
– |
– | |
|
Маггемит |
– |
– |
– |
– |
– |
– | |
|
Образец 3 |
Железо |
0.13 |
0.10 |
31.72 |
0.73 |
12.32 |
-3.27 |
|
Лепидокроцит |
0.55 |
0.06 |
44.31 |
0.83 |
40.67 |
4.79 | |
|
Гетит |
0.62 |
0.08 |
44.19 |
0.87 |
31.45 |
1.21 | |
|
Маггемит |
0.57 |
0.05 |
40.41 |
0.82 |
15.56 |
-10.80 | |
|
Образец 4 |
Железо |
-1.1 |
0.14 |
26.45 |
0.73 |
5.21 |
-3.85 |
|
Лепидокроцит |
0.41 |
0.09 |
44.91 |
0.80 |
49.26 |
-0.19 | |
|
Гетит |
0.53 |
0.08 |
43.20 |
0.83 |
32.43 |
0.40 | |
|
Маггемит |
0.36 |
0.09 |
31.85 |
0.73 |
13.10 |
3.28 | |
|
Образец 5 |
Железо |
0.29 |
0.09 |
24.30 |
0.87 |
2.39 |
13.37 |
|
Лепидокроцит |
0.67 |
0.06 |
39.92 |
0.88 |
31.59 |
-2.70 | |
|
Гетит |
0.70 |
0.08 |
42.20 |
0.89 |
35.73 |
0.19 | |
|
Маггемит |
0.67 |
0.05 |
39.97 |
0.89 |
30.28 |
1.72 | |
|
Образец 6 |
Железо |
0.59 |
0.08 |
32.05 |
0.89 |
2.35 |
13.86 |
|
Лепидокроцит |
0.69 |
0.06 |
45.04 |
0.91 |
32.82 |
-0.63 | |
|
Гетит |
0.72 |
0.05 |
42.28 |
0.88 |
34.80 |
-1.25 | |
|
Маггемит |
0.69 |
0.07 |
35.59 |
0.89 |
30.03 |
5.41 | |
На рис. 10, показаны значения обилия для XRD (ось y) и HSI (ось x). Заметно, что категория железа в основном расположена в левом нижнем углу и достаточно распределена, что оказывает большое влияние на метрику R2. При расчете метрики RMSE используются нормированные значения от 0 до 1. Это объясняет общие небольшие значения. Наибольшие значения наблюдаются на картах обилия железа, что объясняется ограниченной дисперсией точек данных для железа. Эта метрика не наказывает отдельные кластеры, которые неправильно классифицированы, поскольку редкие крупные ошибки компенсируются частыми мелкими ошибками. Это подчеркивает недостаток использования RMSE для данного типа корреляционной метрики. При рассмотрении оценок SRE различия больше по сравнению с RMSE. SRE корректирует сдвиг в интенсивности, таким образом, эффект посредничества больших оценок нивелируется. Оценка SRE показывает, что железо снова трудно предсказать, о чем свидетельствует тот факт, что оно постоянно получает самые низкие оценки. При сравнении трех минералов, вызывающих коррозию, маггемит имеет самый низкий, хотя и приемлемый балл. Наконец, метрика SSIM показывает, что различия очень малы при рассмотрении основных характеристик на картине. Этот вывод также можно сделать, взглянув на сравнительное изображение на рис. 9, где основные черты одинаковы между изображениями XRD и HSI.
Рисунок 10 – Корреляционная диаграмма между значениями обилия, полученными в результате XRD измерениями и предсказанными измерениями HSI.
3.4 Сравнение общей численности
Помимо визуального сравнения прогнозов с истинными значениями XRD, можно также выразить обилие каждого минерала в процентах от общего обилие. Это значение показывает, сколько минералов в образце идентифицировано с помощью XRD. Мы можем сравнить эти значения общего изобилия, полученные с помощью рентгеноструктурных измерений, со значениями общего изобилия на изображениях, предсказанных с помощью HSI, и вычислить процентную ошибку между ними. Эти значения представлены в последних двух колонках таблицы 2.
Как видно из таблицы, количество железа неуклонно уменьшается, в то время как общее количество минералов коррозии увеличивается. Порядок образования этих минералов (лепидокрокит / гетит / маггемит) показан в литературе, и этот порядок также очевиден из измерений XRD и HSI. Как упоминалось ранее, измерения XRD для первого образца содержали только железо. Других минералов обнаружено не было. Очень ранняя стадия коррозии не была обнаружена с помощью XRD, что объясняет очень большую ошибку между XRD и HSI.
Следует отметить, что если обилие XRD велико, то разница между XRD и HSI будет меньше. Единственным исключением является маггемит в третьем образце с разницей между XRD и HSI в 10.8% при общем обилии XRD в 15.56%. Возможное объяснение больших ошибок для железа и маггемита заключается в том, что эти категории не имеют четко выраженных спектральные особенности в SWIR диапазоне. Это делает очень трудным различить эти две категории. Когда общее XRD больше 20%, мы видим, что общие различия между XRD и HSI невелики и составляют от -2.7 до 5.41%. Эти низкие показатели погрешности показывают, что HSI может быть точной заменой для обнаружения соединений железа в коррозионных образцах.
4 Выводы
В данном исследовании было оценено использование гиперспектральной визуализации для количественного определения минералов коррозии в образцах углеродистой стали. Используя данные измерений сканирующей рентгенографии, возможно создать модель машинного обучения на основе гиперспектральных измерений. Результаты показывают, что эта модель способна обеспечить хорошую корреляцию между предсказанными гиперспектральными картами обилия и данными рентгеноструктурных измерений для каждого из минералов коррозии. Самое большое расхождение между XRD и HSI заключается в том, что XRD не в состоянии определить очень раннюю стадию коррозии. В первом образце, после одного часа непрерывного солевого тумана, мы визуально видим, что имеется большой очаг коррозии, и это также очевидно в гиперспектральных прогнозах.
Это исследование было ограничено отсутствием длинной стадии многослойной атмосферной коррозии. Когда процесс коррозии становится более зрелым, возникает многослойная коррозионная структура. Эта многослойная структура коррозии не была учтена в данном исследовании, и возможно, что эффективность предложенного метода гиперспектральной визуализации снизится при измерении минеральных составов подповерхностной коррозии. Несмотря на эти ограничения, результаты исследования позволяют предположить, что гиперспектральная съемка может быть использована для количественной оценки ранней стадии атмосферной коррозии углеродистой стали. Учитывая большую площадь сканирования гиперспектральной камеры, простоту использования и портативность, ее можно использовать в нелабораторных условиях. Можно провести дополнительные исследования с использованием более продвинутых методов искусственного интеллекта такие как архитектуры глубокого обучения, однако эти методы обычно требуют большего количества данных, чтобы обеспечить преимущество перед более традиционными методов машинного обучения, которые были реализованы в данной статье.
