石油套管作为油田大量使用的必须设备(广泛应用于油田作业的固井、完井中) , 它的寿命直接影响着油气井的寿命, 其重要的作用和功能是不言而喻的[ 1 ]。而在长期使用过程中, 外界各种因素对套管产生着不同程度上的损坏。其中最主要的破坏因素是化学腐蚀, 它使得套管壁(特别是内壁) 出现孔洞、裂缝、腐蚀坑等缺陷[ 2, 3 ]。这些缺陷的进一步发展, 无疑会导致各种油井质量事故的发生。而且, 近年来,我国许多油气田的套管已进入老化阶段, 其损坏呈急剧增长势头。目前, 由腐蚀等因素造成的套管失效已经成为影响油田安全生产的重大隐患, 严重妨碍了正常生产, 在某些油气田或区块, 套管失效已成了制约生产的关键因素。因此, 定期检测石油管道, 早发现、快定位, 预测和防止各种油气井质量事故及质量事故的发生, 已成为目前石油工业界急需解决的关键问题之一[ 4, 6 ]。

        近年来, 国内外专家学者为有效地检测出套管的缺陷开展了大量的研究开发工作[ 5 ]。目前采用的检测方法主要有: 超声波检测法、磁粉检测法、漏磁检测法和涡流检测法[ 7, 8 ]。这些方法各有优、缺点。但总的来说, 它们都是通过检测到的物理信号来间接地判断管内的腐蚀情况, 故漏检和误检率比较高; 另外, 测量速度、易操作性、测试仪器对外界环境的要求、测试过程的直观性等方面也存在很多问题。石油套管的高效、方便、直观检测是仍未得到满意地解决而又急需解决的问题。本文在结合现代光电子技术及计算机图像处理
和模式识别技术的基础上, 提出一种全新的检测方法。下面将详细介绍系统组成、识别原理、特征提取
和分类器的设计等。

         系统组成
　　系统硬件原理、组成示意图如图1 所示。首先将一个带有光源、CCD 摄像头、CCD 成像透镜的封装
体安装在探头端部, 此探头通过视频线与插在计算机扩展槽上的图像采集卡相连, 视频线由一个被计算机控制的马达控制视频线的延伸。CCD 把光学信息转换成电信号, 形成一系列套管内壁表面的图像,当探头端部向套管内延伸到某一位置时(此位置可以是以步进的方式到达, 或直接由人工干预的方式到达, 这是通过计算机图像的实时监视来完成的) ,把所需图像输入计算机, 进行图像和数据处理, 再利用计算机模式识别理论, 对图像中套管表面缺陷进行分类识别, 从而可自动地对在役套管的目前状况作出准确高效率的检测。

        各模块关系说明如下: 系统由计算机实时控制MV 2N 2A 微视图形图像卡, 图像卡驱动CCD 摄像机。通过系统初始化及实时显示模块, 观察被采集部位的图像。并可用图像采集及存储模块实现采集和存储井下套管图像。图像预处理模块主要实现去噪、图像增强等功能。特征提取模块的功能是针对套管的特征, 提取所处理图像中的缺陷信息, 主要利用图像分割等技术。特征识别模块根据所提取的特征参数, 采用合适的识别准则判定缺陷的类型、位置等。本系统的试验检测结果可通过显示器直观显示, 亦可方便地存储, 并能通过打印机输出图像及报表。

        套管缺陷识别原理

         用计算机识别图像, 首先要把图像数字化, 再作预处理(去除干扰、噪声等) , 然后再抽取特征进行分
类。为了进行分类, 还必须有图像样本, 进行特征选择。并且, 为了得到最佳分类, 还必须学习。一般的
图像识别系统框图如图3 所示。它由识别及分析两大部分组成; 图的上半部是识别部分, 由数字化、预
处理、特征抽取及分类所组成; 下半部是分析部分,它由特征选择及学习两部分组成, 它是为分类的需
要而设置的。最后输出即为人们所需要识别的类别Xi, 其特征向量为X 。

根据以上理论, 套管缺陷的识别过程如图4 所示。首先由CCD 摄像机对被检测的套管进行摄像,将光学信息转换成电信号, 形成一系列套管内壁表面的电信号, 再进行预处理(主要利用图像处理技术对所得到的图像进行滤波去噪) , 作特征提取, 然后送分类器依据判别函数进行分类。

对于套管缺陷检测系统的分析部分可以通过下面步骤来完成。

1. 建立一个样本图像空间　它是由若干幅含有各类缺陷的被测套管图像组成的。
2. 特征提取　对样本空间中的所有套管图像进行分析, 找出各类缺陷的主要特征及它们之间的内在联系, 最后提取出若干最好的特征组成特征向量。一个良好的特征向量应具有4 个特点: 可区别性、可靠性、独立性、数量少。3. 设计分类器　根据所提取的特征建立分类规则。大多数分类规则都转换成阈值规则, 将测量空
间划分成互不重叠的区域, 每一个类对应一个(或多个) 区域。如果特征值落在某一个区域中, 就将该对
象归入对应的类别中。4. 分类器的学习　利用套管缺陷图像图样和图解检验分类器的准确性。如果被测套管图像中的缺陷没有被准确地识别出来, 就需要适当地修改特征参数的阈值。

特征提取及分类器设计
　　为了实现套管缺陷的在线检测, 我们研究了各类缺陷的主要特征和它们之间的内在联系, 采用最
少的特征量建立了基于决策理论的树状分类器, 以最快的速度实现了套管缺陷的在线准确识别。
1. 套管缺陷的特征分析
我们对图像样本中的套管图像进行了分析, 得到了各类缺陷的主要特征。现将它们详述如下:
孔洞: 其灰度与套管的背景灰度有明显的差别,形状、位置、大小均不固定, 边界较光滑。
裂纹: 其灰度与套管的背景灰度无明显的差别,走向、位置、大小不规则, 形状呈细长, 一端或两端呈尖状。
腐蚀坑: 其灰度与套管的背景灰度无明显的差别, 走向、位置、大小、形状均不规则。
2. 特征参数的确定
缺陷灰度(G) : 图像的明亮程度。此特征参数可以唯一地识别出孔洞缺陷。根据图像上孔洞的灰度值, 选定一个合适的范围(Gm in , Gmax )。当某一区域的灰度值落在这个范围内, 即Gm in< G< Gmax , 则该区域为孔洞缺陷。
缺陷周长(L ) : 最简单的计算是统计缺陷边界上的像素点个数。
缺陷面积(S ) : 同缺陷周长类似, 是缺陷边界内的像素点个数。
周长平方与面积比(L 2öS ) : 这一特征参数能够很好地反映缺陷的边缘特征。当缺陷为圆形时, 其值最小为12. 56。缺陷越长, 边界越不规则, 其值越大。但大量的实验结果表明: L 2öS 是一个对缺陷边界形状非常敏感的参数, 很难找出一个合适的阈值对套管缺陷进行分类。因此, 此参数仅作参考。
面积与周长比(F ) : 反映了单位边界长度所围缺陷面积的大小。此特征参数可以有效地识别出裂纹缺陷。通过样本空间中的图像找出一个合适的阈值F th。若F < F th , 则该缺陷为裂纹。

3. 缺陷树分类器的设计

套管缺陷的在线检测要求快速、准确地识别出缺陷的类型。因此, 需要识别算法简单可靠。在这里,我们就采用2 个最主要的特征参数(灰度和面积与周长比) 来设计一个树分类器(见图5)。

结　语
　　1. 本文根据石油套管缺陷的特点, 有效地提取了若干个特征参数, 建立了识别函数和树分类器, 实现了套管的在线检测。
2. 经过识别实例的验证, 本系统能够快速、准确地确定缺陷的位置、形状和大小。
3. 本系统提供了一种中文方式下的集成工作环境, 人机界面友善, 结构完整, 功能齐全, 具有图像采集、预处理、识别和报表输出等多种功能, 自动化程度高, 操作方便, 可大大减轻操作者的劳动强度,提高工作效率, 便于推广应用。

参考文献
1. 张鸿博, 吉玲康. 石油套管生产中无损检测的优化配置.无损检测, 1999, 69 (5) : 217～ 219
2. 舒干, 李现东, 赵志超等. 套管损坏机理研究. 江汉石油学院学报, 1999, 21 (1) : 60～ 63
3. Yudovich A. Casing deformation in Ekofisk. J. Pet. Tech.1998, 41 (7) : 729～ 734
4. 张效羽, 赵国珍, 张先普. 国内外套管损坏研究概况及发展动向. 石油机械, 1996, 24 (9) : 52～ 54
5. 张百龙, 王振华, 张系斌等. 石油套管研究情况概述. 石油机械, 1987, 15 (4) : 38～ 42
6. 赵有芳. 国外油田油水井套管损坏综述. 大庆石油地质与开发, 1989, 8 (2) : 71～ 78
7. Read JA de. Comparison betw een ultrasonic and magneticflux p igs for p ipeline inspection. P ipes & P ipelines Internation2al, 1987 (1) : 7～ 15
8. 周明, 何凤歧, 麻百勇. 在役石油管道无损检测方法. 无损检测, 1999, 21 (1) : 8～ 10
9. 李月景. 图像识别技术及其应用. 机械工业出版社, 1985

The App lication of U sing Image Processing and Pattern Recognition Technique to Detect Casing Xi’an Science and Technology U niversity　W ang Haiyan　Zhang Q unhui　Zhang Yikuan Abstract　Th is paper p roposes a new method of casing disfigurement detecting based on image p rocessing and pattern recognition. The p rincip le and imp lentation p rocedure of th ismethod is described in detail. Th ismethod is quick, accurate and credibility, and recognize the disfigurement of casing automatically. Key words　casing disfigurement, image p rocessing, pattern recognition, feature extraction