Содержание к диссертации
Введение
ГЛАВА 1. Анализ методов автоматизации контроля качества сплавов 14
1.1 Показатели качества сплавов 14
1.1.1 Свойства, структура, химический и фазовый состав сплавов 14
1.1.2 Анализ и классификация элементов структуры сплавов 18
1.1.3 Основные принципы формирования структуры и фазового состава сплавов 23
1.1.4 Принципы количественного металлографического анализа 26
1.1.5 Прогноз свойств и химического состава сплавов на основе анализа их структуры 28
1.2 Модели и методы обработки изображений структур сплавов 30
1.2.1 Схема системы анализа структуры сплавов 30
1.2.2 Цветовые модели представления изображений 33
1.2.3 Частотно-пространственное представление изображения 34
1.2.4 Предварительная обработка 37
1.2.4.1 Коррекция градационных характеристик 38
1.2.4.2 Препарирование изображения 39
1.2.4.3 Подавление шумов и фильтрация помех 42
1.2.5 Сегментация изображения 45
1.2.5.1 Сегментация элементов изображений по яркости и цвету 46
1.2.5.2 Текстурная сегментация элементов изображений 47
1.2.5.3 Контурная сегментация и сегментация по форме 48
1.2.6 Выделение признаков 49
1.2.6.1 Гистограммные признаки 50
1.2.6.2 Текстурные признаки 51
1.2.6.3 Пространственно-спектральные признаки 52
1.2.7 Понимание изображения 53
1.3 Технические средства контроля структуры 55
Выводы 61
Постановка задачи исследования 63
ГЛАВА 2. Разработка и оценка алгоритмов предварительной обработки изображений 64
2.1 Модель представления изображений шлифов 64
2.2 Разработка алгоритмов предварительной обработки изображений шлифов 70
2.2.1 Алгоритм компенсации неоднородности освещения на изображениях шлифов 70
2.2.2 Алгоритм восстановления сфокусированного изображения по серии снимков 75
2.2.3 Алгоритм автоматизированной идентификации и разделения дефектов на изображении структуры шлифа 79
2.3 Выявление признаков статистического описания изображений 85
Выводы 89
ГЛАВА 3. Исследование алгоритмов обработки изображений микроструктур и методов контроля качества сплавов 91
3.1 Разработка алгоритмов выделения объектов на изображениях шлифов 91
3.1.1 Яркостно-цветовой алгоритм сегментации изображений 91
3.1.2 Яркостно-текстурный алгоритм сегментации изображений 94
3.1.3 Контурно-структурный алгоритм сегментации изображений 103
3.1.4 Комплексный подход к сегментации изображений 111
3.2 Методы расчета параметров микроструктуры 112
3.2.1 Структурный (фазовый) объемный состав сплава 113
3.2.2 Площадь граничных поверхностей в единице объема сплава 114
3.2.3 Определение размера зерна 117
3.2.4 Сравнение изображения шлифа с эталоном 119
3.2.5 Критерии определения перегрева жаропрочного сплава 122
3.3 Прогноз свойств и химического состава сплава 123
Выводы 126
ГЛАВА 4. Разработка и исследование системы автоматизированного металлографического анализа и контроля сплавов 128
4.1 Структура вычислительной системы автоматизированного контроля сплавов 128
4.2 Подсистема ввода изображений 132
4.3 Архитектура программной среды 134
4.4 Результаты решения задач автоматизированного анализа с применением разработанной системы 144
Выводы 152
Заключение 154
Список использованных источников
- Основные принципы формирования структуры и фазового состава сплавов
- Разработка алгоритмов предварительной обработки изображений шлифов
- Яркостно-цветовой алгоритм сегментации изображений
- Подсистема ввода изображений
Введение к работе
Машиностроение - это базовая отрасль экономики, определяющая развитие таких комплексов, как топливно-энергетический, транспортный, строительный, химический, нефтехимический и ряда других. От уровня развития машиностроения зависят важнейшие удельные показатели валового внутреннего продукта страны (материалоемкость, энергоемкость) и, как следствие, конкурентоспособность выпускаемой продукции. В экономически развитых странах доля машиностроительной продукции в общем промышленном выпуске составляет 35 - 50 %, в то время как в России она пока лишь достигла рубежа в 19 %.
Одной из актуальных проблем машиностроения является моральный и физический износ технологического оборудования, достигающий в подотраслях 60 - 80%. Значительная часть оборудования не обновлялась 15 - 20 и более лет. При этом инвестиционные вложения предприятий крайне малы, а темпы выбывания оборудования в 3 - 5 раз превышают темпы ввода новой техники. Данная ситуация связана с недостаточной развитостью внутреннего рынка машиностроительной продукции и недостаточной конкурентоспособностью продукции на мировых рынках. Недостаточный уровень конкурентоспособности металлургической промышленности, являющийся следствием низкого уровня производства, существенно ограничивает развитие экспортной политики продукции как металлургической промышленности, так и всего машиностроения. А экспорт продукции на данный момент является ключевым фактором выживания как для предприятий и отрасли в целом, так и для всей страны.
Важнейшим показателем уровня машиностроительного производства является степень его автоматизации. Повышение степени автоматизации производства позволяет увеличить производительность труда, снизить затраты и повысить качество выпускаемой продукции. Повышение качества (т. е. увеличение долговечности и повышение надежности) выпускаемой продукции в значительной степени определяется применением высококачественных материалов, что требует проведения их достоверного контроля.
Следовательно, одной из важных и острых проблем машиностроения в условиях современной рыночной экономики является проблема совершенствования методов и средств контроля качества материалов. Постоянный рост требований к качеству материала увеличивает трудоемкость его контроля. В результате появляется потребность в автоматизации этого процесса. Стремительное развитие средств вычислительной техники в последние годы привело к их широкому применению в решении задач контроля качества материалов, в том числе контроля качества сплавов.
Так как поведение материалов (сплавов) в условиях эксплуатации определяется соотношением и количеством структурных и фазовых составляющих, их морфологией и стабильностью, то выражение соотношений, связывающих микроструктуру материала (сплава) с его физическими и механическими свойствами в количественной форме, позволяет получить простой и легко воспроизводимый метод контроля качества продукции и прогноза ее свойств. Привлечение вычислительной техники для проведения количественного металлографического анализа позволяет получить более достоверную численную оценку взаимосвязи «химический состав - структура - свойства». Установление этой взаимосвязи дает возможность выявить ту оптимальную структуру сплава, которая в наибольшей мере соответствует условиям его эксплуатации и помогает определить оптимальные режимы термической обработки для формирования этой структуры. Это позволит создавать новые сплавы, обладающие заранее заданным комплексом свойств после соответствующей обработки.
Основной задачей автоматизации контроля сплавов является разработка эффективно и надежно работающего программно-аппаратного комплекса (системы автоматизированного контроля), производящего анализ структуры, фазового состава, а также прогноз химического состава и свойств сплавов.
Структура и фазовый состав сплава в значительной степени определяют его физико-механические и эксплуатационные свойства, а в итоге работоспособность изделия. Так как исследование структуры сплавов целиком сводится к анализу и интерпретации их изображений, представляется актуальным создание
7 автоматизированной системы обработки этих изображений с применением основных принципов стереометрии и теории распознавания образов.
Разработка системы автоматизированного контроля структуры и свойств сплавов тесно связана с целым рядом теоретических и практических вопросов, удовлетворительное решение которых до настоящего времени не найдено. На сегодняшний день открытой проблемой является отсутствие эффективных методик автоматизированного прогнозирования свойств сплавов на основе количественного металлографического анализа их структуры. Это прежде всего связано с тем, что существующие в настоящее время методики анализа структуры не являются комплексными (т. к. они пригодны только для анализа некоторых структурных характеристик конкретных сплавов). Они не рассматривают взаимосвязи между химическим составом, структурой и свойствами сплавов, а базируются лишь на проведении частичного анализа структуры сплава и ее элементов. Кроме этого отсутствуют автоматизированные методики решения ряда металлографических задач в комплексе со статистическими методами корреляционно-регрессионного анализа для оценки качества сплава. Мало изученной является задача автоматического выделения и реконструкции форм различных структурных элементов на изображениях микроструктур.
Среди наиболее значительных работ в области автоматизации контроля материалов, выполненных ранее другими авторами, можно выделить работы А. В. Яковлева [78,80,82 - 84], работы М. В. Филинова и Ф. С. Фурсова [77, 99- 102], а также ряд программных разработок фирм SIAMS [86], ВидеоТест [87] и ООО «Новые экспертные системы» [88]. Во всех работах рассмотрены базовые подходы к проведению автоматизированного анализа структуры, но не рассматриваются вопросы прогноза свойств и химического состава сплавов.
Данная работа направлена на решение актуальной проблемы современного машиностроения - совершенствование методов и средств комплексного автоматизированного контроля качества сплавов на основе использования принципов цифровой обработки и математического аппарата.
Объектом исследования в данной работе являются методы металлографического анализа и контроля сплавов по изображениям их микроструктур.
Предметом исследования являются методы автоматизации проведения контроля сплавов посредством цифровой обработки изображений их микроструктур, позволяющие наиболее объективно оценить качество сплавов и с определенным уровнем значимости прогнозировать химический состав и физико-механические свойства исследуемых сплавов.
Целью данной работы является разработка автоматизированной вычислительной системы металлографического анализа и контроля качества сплавов с использованием цифровой обработки оптических изображений микроструктур на основе анализа структуры, фазового состава и последующего прогноза свойств и химического состава. Данная система является одним из элементов общей системы автоматизированного контроля и управления технологическими процессами. Она предназначена для сбора и цифровой обработки данных металлографического анализа и контроля сплавов на машиностроительном производстве: в цехах заготовительного производства (литейного, термического кузнечно-прессовочного), а также в лабораториях металлографического анализа и физико-механических испытаний.
Для достижения поставленной цели в рамках данной научно-исследовательской работы решались следующие основные задачи:
- анализ, классификация структурных (фазовых) составляющих сплавов на основе характерных геометрических и металлофизических признаков;
-разработка алгоритмов автоматизированной обработки изображений микроструктуры сплавов, производящих предварительную обработку, сегментацию и распознавание изображений;
-разработка алгоритмов автоматизированного расчета количественных параметров микроструктуры и фазового состава сплавов с учетом особенностей их структурного строения;
- разработка автоматизированных подходов построения аналитических и
статистических моделей прогноза химического состава и механических свойств
исследуемых сплавов на основе проведенного анализа структуры и
использования основных физико-химических закономерностей в системе
«химический состав - структура - свойства»;
-разработка и внедрение программного обеспечения автоматизированного контроля сплавов в машиностроительном производстве, реализующего предложенные алгоритмы анализа структуры, прогноза химического состава и физико-механических свойств сплавов.
Методы исследования. Для решения поставленных задач применены методы количественного металлографического анализа, математического и компьютерного моделирования, цифровой обработки изображений, теория распознавания образов, построения алгоритмов и программ, аппарат вейвлет-анализа и математической статистики.
Научная новизна:
предложена модель представления цифровых изображений микроструктур в системе автоматизированного контроля, описывающая цветовое пространство и пространственно-частотные компоненты изображения. За счет разделения в модели яркостных и цветовых составляющих изображения увеличивается скорость и эффективность алгоритмов обработки изображений микроструктур;
предложен универсальный алгоритм выделения структурных элементов на изображениях микроструктур при металлографическом анализе, включающий методы контурно-структурной, яркостно-цветовой и яркостно-текстурной сегментации. Алгоритм позволяет обрабатывать большое многообразие классов изображений микроструктур сплавов и минимизировать ошибки оценки их параметров;
предложен критерий формы включений у'-фазы в жаропрочных сплавах, позволяющий оценить кинетику структурных и фазовых превращений в этих сплавах в условиях эксплуатации при температурно-силовых воздействиях;
- предложен алгоритм проведения автоматизированной идентификации и
разделения между собой дефектов оптики («царапина», «загрязнение»),
подготовки шлифа («царапина», «загрязнение») и дефектов структуры
(«пористость»). Алгоритм позволяет повысить эффективность и качество
автоматизированного металлографического анализа.
Практическая ценность диссертационной работы заключается в возможности использования в промышленности:
Программно-аппаратной архитектуры системы автоматизированного металлографического анализа и контроля сплавов;
Алгоритмов обработки изображений микроструктур:
- алгоритма компенсации неоднородности освещения шлифов;
- алгоритма восстановления сфокусированного изображения;
-алгоритма яркостно-цветовой сегментации, выполняющего
сегментацию изображений одновременно по яркости и по цвету;
-алгоритма яркостно-текстурной сегментации изображений микроструктур, содержащих сложные структурные составляющие;
-алгоритма контурно-структурной сегментации изображений микроструктур, позволяющего избавиться от влияния погрешности дискретизации, восстановить элементы на изображении и снизить ошибку измерения геометрических характеристик;
- алгоритма автоматизированного количественного анализа основных
характеристик микроструктуры;
Методик исследования структурного и фазового состава высокопрочного чугуна с шаровидным графитом, жаропрочного сплава ЖС6У -ВИ, аустенитной корозионностойкой стали;
Принципов идентификации типа неметаллических включений на основе яркостно-цветовой сегментации, позволяющих определить содержание вредных примесей и соответствующую стехиометрическую формулу неметаллических включений;
Методик бальной оценки структуры и фазового состава, построенных на основе критерия схожести текстур и устраняющих влияние субъективного фактора при выполнении металлографического анализа;
Программной среды анализа микроструктур сплавов «MetAn», зарегистрированной в отраслевом фонде алгоритмов и программ.
Реализация результатов работы. Разработанное алгоритмическое и математическое обеспечение исследовано и проверено при металлографическом анализе шлифов, полученных с производств ОАО «НПО «Сатурн» и ООО «Литэкс», и использовано при построении системы автоматизированного металлографического анализа и контроля сплавов - программы анализатора изображений «MetAn». Результаты работы используются в учебном процессе на кафедре «Материаловедение, литье и сварка» Рыбинской государственной авиационной технологической академии имени П. А. Соловьева.
Апробация работы. Основные научные положения работы докладывались и обсуждались на:
- XXVIII конференции молодых ученых (г. Рыбинск, 2003. Два доклада);
-Всероссийской научно-технической конференции «Моделирование и
обработка информации в технических системах» (г. Рыбинск, 2004);
X и XIII Всероссийской научно-технической конференции «Информационные технологии в науке, проектировании и производстве» (г. Н. Новгород, 2003,2004);
XXXII и XXXIII Международной научной конференции «Гагаринские чтения» (г. Москва, 2006, 2007. Оба выступления дипломированы);
II Международной конференции «Дни науки - 2006» (г. Днепропетровск, 2006);
-Российской научно-технической конференции «Новые материалы, прогрессивные технологические процессы и управление качеством в заготовительном производстве» (г. Рыбинск, 2007);
-заседаниях кафедры «Вычислительные системы» Рыбинской государственной авиационной технологической академии имени П. А. Соловьева.
Разработанная по материалам диссертации программная среда «MetAn» зарегистрирована во Всероссийском отраслевом фонде алгоритмов и программ. Свидетельство № 7569 от 23.01.07.
Публикации. Основные результаты диссертационной работы опубликованы в 10 работах: из них 3 статьи, в т. ч. одна в издании, рекомендованном ВАК, 6 тезисов докладов и 1 свидетельство об отраслевой регистрации разработки.
Структура и объем. По структуре диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка из 132 источников и 11 приложений. Содержит 156 страниц основного текста, 19 таблиц, 87 рисунков.
В первой главе проведен анализ показателей качества материалов, анализ существующих методов контроля, классификация структурных характеристик сплава. Рассмотрены методы оценки и прогноза свойств сплавов на основе анализа их структуры. Проведен анализ методов цифровой обработки изображений. Определены методы предварительной обработки изображений шлифов. Приведен обзор существующих систем контроля. Рассмотрена возможность применения вычислительных средств для автоматизации контроля материалов.
Во второй главе разработана модель представления изображений в системе анализа, разработаны и проанализированы алгоритмы, используемые на этапах предварительной обработки.
В третьей главе разработаны автоматизированные алгоритмы выделения объектов на изображениях шлифов: яркостно-цветовая, яркостно-текстурная и контурно-структурная сегментация. Разработаны алгоритмы автоматизирован-ной обработки данных металлографического анализа и методы автоматизированного расчета параметров микроструктуры. Рассматриваются методики
13 реализации автоматизированного регрессионного анализа для прогноза свойств и химического состава сплава.
Четвертая глава посвящена построению разработанной системы автоматизированного контроля, организации взаимодействия ее модулей и описанию ее функционирования. В главе приводятся результаты решения задач автоматизированного контроля с использованием разработанной системы.
На защиту выносятся:
- модель представления изображений в системе автоматизированного
контроля структуры, фазового состава и свойств сплавов;
-универсальный комплекс методик обработки изображений микроструктур в системах автоматизированного контроля сплавов, включающий контурно-структурный, яркостно-цветовой и яркостно-текстурный методы сегментации;
критерий формы включений у'-фазы в жаропрочных сплавах;
методика проведения автоматизированной идентификации и разделения на оптическом изображении микроструктуры дефектов оптики, дефектов подготовки шлифа и дефектов структуры;
-результаты исследования и практического применения предложенных положений, алгоритмов, моделей и системы автоматизированного контроля качества сплавов.
Основные принципы формирования структуры и фазового состава сплавов
Микроанализ заключается в исследовании структуры сплава в отдельных его участках с помощью микроскопа (с увеличением 100 и более крат) с целью определения структуры и фазового состава сталей и сплавов, оценки количества, размеров, формы и распределения различных фаз. В зависимости от увеличения различают оптическую микроскопию и электронную.
Кроме металлографических методов существуют косвенные физико-химические методы, основанные на существовании взаимосвязи между строением и свойствами сплавов. Они позволяют по изменению соответствующих физических свойств косвенно судить о превращениях, протекающих в металлах при их обработке и воздействующих на их структуру и фазовый состав. Принципы применения этих методов изложены в работах [22, 32-35].
Таким образом, для оценки качества сплавов разработана четкая система показателей, учитывающая все основные характеристики сплавов: химический состав, структуру и свойства. Для определения этих показателей используется большое количество методов и средств контроля и анализа сплавов как на специальных образцах, так и непосредственно на изделиях.
Металлический сплав - это сложное вещество, полученное сплавлением нескольких металлов или металлов с неметаллами. Для описания строения сплавов используют понятия [36]: компонент, фаза, структура. Компонентами называют вещества (элементы), образующие структуру сплава. Они могут быть металлами, неметаллами, устойчивыми химическими соединениями. Компоненты в сплавах могут образовывать жидкие и твердые растворы, химические соединения и механические смеси (см. Приложение 2) [37]. Фаза - это однородная часть структуры сплава, имеющая одинаковый состав, одно и то же агрегатное состояние и отделенная от остальных частей структуры поверхностью раздела, при переходе через которую химический состав или структура вещества изменяется скачкообразно. Совокупность взаимосвязанных элемен
тов, возникающих при литье, кристаллизации, обработке давлением и термической обработке в процессе физико-химического и механического взаимодействия компонентов конкретного сплава (определенного химического состава), называется структурой сплава. Структура сплава выявляется микроанализом.
По количеству структурных и фазовых составляющих выделяют (рис. 1.2) однофазные, двухфазные и многофазные сплавы. Сплав называют однородным (гомогенным), если его структура однофазна, и разнородным (гетерогенным), если его структура состоит из нескольких фаз.
При полной взаимной растворимости компонентов в твердом состоянии, а также когда количество растворимого компонента не превышает предельной его растворимости при нормальной температуре, структура сплава однофазна (зерна твердого раствора). При ограниченной растворимости могут образовываться структуры, состоящие из смеси двух или более фаз. Если в сплаве растворимый компонент присутствует в количестве, превышающем предельную растворимость его в основном металле (при данной температуре), то образуется структура, состоящая из матрицы и выделившихся частиц другого твердого раствора, чаще на базе химического соединения. Принципиальным отличием многофазной структуры от однофазной является то, что она построена из микрочастиц не одной, а, по меньшей мере, двух фаз. Часто вторая фаза присутствует не сама по себе, а в составе сложной структурной составляющей -эвтектики или эвтектойда. Структура, состоящая из определенного сочетания двух (или более) твердых фаз, называется эвтектикой или эвтектойдом. Меха ническая смесь двух (или более) фаз называется эвтектикой, если она образуется при одновременной кристаллизации фаз из жидкого сплава, или эвтектой-дом, если она образуется в твердом состоянии. Сплавы, в которых происходит одновременная кристаллизация двух или более фаз при постоянной и самой низкой для данной системы сплавов температуре, называют эвтектическими.
Основными элементами структуры сплава являются (табл. 1.1, рис. 1.3) зерна или кристаллиты, выделения, границы зерен, неметаллические включения, фазовые составляющие различного происхождения. Структура сплавов характеризуется наличием дефектов кристаллического строения, литейных и металлургических дефектов. С точки зрения геометрической пространственной структуры любой металлический сплав представляет собой поликристаллическое тело, состоящее из множества различно ориентированных по отношению друг к другу микрочастиц, прочно связанных между собой по контактным поверхностям. Эти частицы, являющиеся структурными единицами микроскопического строения, могут быть металлическими, неметаллическими или пустотой (поры). В процессе кристаллизации микрочастицы приобретают неправильную форму. Эти частицы яазывают зернами (рис. 1.3.,1) или кристаллитами.
Различие отдельных зерен состоит в различной пространственной ориентации кристаллической решетки. Ориентация кристаллической решетки в общем случае в зерне случайна. Однако пластическая деформация в холодном состоянии (прокатка, волочение и др.) приводит к ориентации зерен.
Разработка алгоритмов предварительной обработки изображений шлифов
В процессе работы алгоритма на каждом уровне обратного преобразования для каждого вейвлет-коэффициента wLL(x,y) матрицы WLL выделяется окрестность D (3). Окрестность образуют коэффициенты, находящиеся внутри квадрата заданных размеров пхп (п - нечетно) с центральным элементом wLL(x,y). Далее по принципу медианной фильтрации коэффициенты окрестности выстраиваются в массив и сортируются. В качестве результата w выбирается центральный элемент этого массива (4).
В результате вычислений значение коэффициента WLL в низкочастотной компоненте исходного разложенного изображения заменяется на w (6), если абсолютная разность между ними не превысила определенного порога р (задаваемого пользователем). Разность a(x,y) = w-wLL{x,y) записывается в матрицу А (5). Далее производится один уровень обратного вейвлет-преобразования над разложенным изображением (8) и матрицей А (7) и описанные выше операции повторяются над новой низкочастотной составляющей. Так как уровень разложения определяет частоту, то для предотвращения фильтрации алгоритмом высокочастотных составляющих изображения количество обратных вейвлет-преобразований, при которых обрабатывается низкочастотная составляющая, ограничивается величиной г.
Для исследования алгоритма компенсации неоднородности освещения рассмотрим тестовое изображение, состоящее из концентрических кругов с убывающей яркостью (рис. 2.8.,а). После обработки изображения по разработанному алгоритму (рис. 2.7) формируется компенсирующая матрица (рис. 2.8.,6), при суммировании которой с исходным изображением получается компенсированное (рис. 2.8.,в).
Степень компенсации на тестовом изображении определяется по гистограмме его яркостей. Величины признаков, вычисленных по гистограмме первого рода, сведены в табл. 2,1. Уменьшение СКО а и энергии lN при постоянном значении медианы / свидетельствует об увеличении однородности.
Рассмотрим применение алгоритма для изображения микроструктуры высокопрочного чугуна. В табл. 2.2 приведено исходное изображение, изображение с искусственно введенной неравномерностью освещения и компенсированное. Для каждого из них проведена яркостная сегментации и рассчитаны площадь графита, коэффициент его формы и текстурные признаки. При расчете площади включений графита по изображению с неравномерным фоном неточность измерения составила около 5 %, применение алгоритма компенсации позволило снизить эту неточность до 0,88 %. При расчете коэффициента формы неточность измерения снизилась с 6 до 4 %.
Проведем сравнение разработанного алгоритма с существующими алгоритмами. Как сказано в Главе 1, для компенсации наиболее часто применяют низкочастотный фильтр Лапласа. В качестве тестового изображения возьмем зеренную структуру (см. табл. 2.3). По тестовому изображению предварительно определено действительное количество зерен, составившее около 850 штук. Применение разработанного алгоритма позволило уменьшить неточность подсчета зерен с 4% для исходного изображения до 1,8%. Существующий алгоритм на основе фильтра Лапласа снизил неточность только до 2,7 %. К тому же он увеличил медиану / и уменьшил значение PIM, что свидетельствует о сужении гистограммы за счет высветления более темных участков, т. е. уменьшения контрастности изображения.
Предложенный алгоритм также подтвердил свою эффективность при проверке на серии изображений структур металлографических шлифов. Перечень изображений приведен в табл. П7.1 Приложения 7.
Яркостно-цветовой алгоритм сегментации изображений
Так как изображения в разрабатываемой автоматизированной системе представлены в цветовой системе LCQ, содержащей одну компоненту, определяющую цветовой тон, и одну компоненту, определяющую яркость, то яркостно-цветовая сегментация может проводиться одновременно по двум гистограммам компонент L и Q. Алгоритм проведения сегментации показан на рис. 3.1. В начале строятся две гистограммы L и Q (1). Изображение представлено массивом 1[х,у]. Элемент массива (пиксель) содержит используемые в модели поля: L, С, Q. Массив seg[x,y] представляет собой маску результатов сегментации. Каждый его элемент сопоставлен с соответствующим элементом массива 1[х,у]. Массив-маска заполняется в процесс работы алгоритма.
Сегментация может одновременно производиться по нескольким диапазонам (2), каждый из которых определяется границами по яркости Ll[f]...L2[f] и по цветовому тону Ql[f]...Q2[f], где f - индекс текущего диапазона сегментирования, а количество диапазонов - Fcount. Если тон (составляющая Q)n яркость (L) текущего пикселя 1[х,у] попадают в диапазон от Ll[f] до L2[f] и от Ql[f] до Q2[f] соответственно (4), то данный пиксель считается относящимся к диапазону f, что помечается в массиве seg[x,y] (6).
Для анализа работы алгоритма яркостно-цветовой сегментации рассмотрим тестовое изображение, приведенное в Приложении 9, рис. П9.1. Изображение состоит из трех частей: полоса плавного изменения яркости (градации серого), палитра цветов (для Н=0..359, S=0..1, L=l модели HLS) и круговая палитра оттенков (для Н=0..359, S=l, L=l модели HLS).
Произведем сегментацию изображения с помощью известного стандартного алгоритма по гистограмме яркостей в модели RGB. Зададим четыре диапазона для яркостей: 1) от 98 до 118; 2) от 159 до 179; 3) от 203 до 223; 4) от 235 до 245. Результат приведен на рис. П9.2. Для наглядности здесь пиксели, отнесенные алгоритмом к диапазону «1», окрашены в красно-коричневый цвет; диапазону «2» - в зеленый; «3» - в серо-синий; «4» - в оливковый. Как следует из рисунка, алгоритм, помимо того, что сегментировал полосы с градациями серого, произвел также сегментацию цветного участка изображения, что является ошибочным. Выделение цветов в RGB модели затруднительно в связи с необходимостью работы сразу с тремя гистограммами (для R, G, и В компонент).
Произведем сегментацию изображения на заданные ранее четыре диапазона с помощью разработанного алгоритма в предложенной модели цветов LCQ. Результат работы алгоритма показан на рис. П9.3.
Построим для тестового изображения гистограмму по компоненте Q в цветовой модели LCQ (см. рис. П9.5) и выделим три диапазона: 1) красные тона с 24 по 34; 2) зеленые тона с 94 по 98; 3) синие тона с 215 по 220. Далее произведем сегментацию. Результат показан на рис. П9.4. Из анализа результата следует, что разработанный алгоритм произвел корректную сегментацию тестового изображения, т. е. при сегментации яркостей он не задел цветовых оттенков, а при сегментации цвета не задел оттенки серого. Следовательно, предложенный алгоритм эффективно производит яркостно-цветовую сегментацию как по тону, так и по яркости, и, в отличие от существующих алгоритмов, не дает ошибки при сегментации цветных изображений,.
Произведем сегментацию на изображении шлифа высокопрочного чугуна для оценки количества шаровидного графита из ГОСТ 3443 (ШГ12), рис. 3.2.,«. сегментации: а) исходное изображение; б) сегментированное изображение
На рис. 3.2,,6 показан результат сегментации. Здесь темным фоном выделены включения графита, а те из них, что находятся на границах изображения, окрашены чуть светлее. При подсчете процентного содержания включений графита получаем долю в 12,66 %, что соответствует приведенному в ГОСТ 3443 значению. Тестирование алгоритма сегментации на других изображениях приведено в табл. ГТ9 Приложения 9.
Предлагаемый алгоритм яркостно-текстурной сегментации изображений шлифов состоит из двух этапов. На первом этапе происходит «грубая» сегментация с рекурсивным разбиением изображения на более мелкие области. Работу этого этапа иллюстрирует рис. 3.3.
Подсистема ввода изображений
Для автоматизированного анализа размера зерна целесообразно использовать метод, основанный на подсчете количества зерен на единице поверхности шлифа, с определением среднего диаметра и средней площади зерен [22]. Предлагаемый алгоритм определения размера зерна показан на рис. 3.20.,а.
Изображение шлифа подвергается предварительной обработке. Затем производится контурно-структурная сегментация изображения, в результате которой получается контурное описание границ зерен графическими примитивами. Кроме того, в процессе сегментации происходит восстановление разорванных границ зерен и удаление отдельно стоящих, несвязанных линий. На описанное таким образом изображение границ накладывается окружность площадью iS(MM ), приведенная к площади на шлифе. Далее производят подсчет зерен по формуле mg =т + 0,5т{, где т - число зерен внутри круга, а т1 - число зерен, пересекающихся окружностью. Число зерен, приходящихся на 1 мм , вычисляется по формуле M = mg/S. Далее по соответствующим таблицам [22], основываясь на рассчитанном числе зерен на 1 мм2 площади шлифа, определяется балл зерна и средняя величина зерна.
Для построения гистограммы применяются статистические методы оценки размеров сечений зерен (рис. 3.20.,6). При этом производится подсчет площадей всех сечений зерен. Далее, исходя из площади наибольшего и наименьшего сечения зерна, задается число размерных групп и границы размерных интервалов площадей сечений зерен. Затем все сечения зерен распределяются по группам, и рассчитывается средняя площадь сечения зерна по формуле:
Балл зерна определяется по существующим таблицам [22] и на основе рассчитанных средних площадей сечений зерен и количестве сечений зерен.
Результат работы автоматизированного алгоритма реконструкции границ с расчетами количества зерен, площадей их сечения показан в табл. 3.7.
Расчет площадей зерен для исходного изображения по известному растровому алгоритму производился подсчетом суммы пикселей, убирающихся в его теле. При расчете по предложенному алгоритму производилось вычисление геометрической площади каждого зерна. Для этого каждое зерно, описанное графическими примитивами, разбивалось на треугольники, и рассчитывалась сумма площадей всех составляющих его треугольников.
Предложенный автоматизированный алгоритм позволяет увеличить очность, по сравнению с растровым алгоритмом. Ошибка расчета числа зерен растровым алгоритмом составила 4,8 %. Ошибка расчета предложенным алгоритмом - 1,2 % (что в 4 раза меньше). Увеличение точности, в основном, обусловлено восстановлением отсутствующей границы по структурному описанию контуров в наборе графических примитивов.
Произведем расчет метрических характеристик для набора эталонных изображений из ГОСТ 5639 (таблица П8). Для каждого изображения выполним трехуровневое вейвлет-разложение на основе веивлета Хаара и произведем расчет признаков, предложенных в разделе 2.3. Значение вычисленных признаков приведено в таблице П8. Построим гистограммы распределения вычисленных признаков рис. 3.21.
Из анализа гистограмм следует, что для четкого разделения изображений по классам подходят признаки, вычисляемые на основе NPIM, энергии и энтропии. Это обусловлено тем, что значения NPIM1 - NPIM4, HI - Н4 монотонно возрастают, a El - Е4 монотонно убывают. На основе анализа вычисленных признаков построим рефессионную модель определения балла зерна В по эталонным изображениям. Выберем в качестве независимых переменных: NPIM2, NPIM3, NPIM4, Е2, ЕЗ, Е4, Н2, НЗ, Н4. Переменные NPIM1, El, Ш сильно подвержены влиянию шума, поэтому их не будем использовать.
В результате расчетов методом наименьших квадратов получаем следующую модель для автоматизированного определения балла зерна: В = -142,627 -6\,2NPIM2 + 2l,57NPIM3 + №,45E2+34,77E3 + 37,5H2 + + 14,13ЯЗ-6,75Я4. Коэффициент корреляции: R = 0,99985.
Проведем вычисление метрических характеристик для изображений, являющихся частями одной и той же структуры (рис. 3.22). В первом столбце представлены сами изображения. Второй столбец содержит результаты расчетов метрических характеристик. Методом ручного сравнения было определено, что структура зерна соответствует баллу 7. Автоматизированный расчет по модели также подтвердил, что структуры относятся к баллу 7.
