Содержание к диссертации
Введение
ГЛАВА 1. Системный анализ проблематики автоматизации визуального контроля качества поверхностей на наноуровне и технических решений 11
1.1. Методы контроля и технические решения, используемые при оценке качества объектов на наноуровне 11
1.2. Примеры использования систем автоматизированного визуального контроля для решения прикладных задач 14
1.2.1. Применение СТЗ в промышленном производстве на примере медицинской промышленности (разработка ЗАО "НПК ВИДЕОСКАН") 14
1.2.2. Анализ геологических макрообъектов (разработка ООО "НВП Центр-ЭСТАгео") 15
1.2.3. Автоматическое выделение и фильтрация следа частиц (разработка ИИТ и ИВТ РАН) 19
1.2.4. Компьютерный комплекс ранней диагностики остеопороза (разработка ИИТ и рентгенцентр ВВС РФ) 20
1.2.5. Система контроля гранулометрического состава Cinderella 20
1.3. Анализ погрешностей автоматизированных систем визуального контроля объектов наноуровня 22
1.4. Выбор показателей качества поверхностей на наноуровне 28
1.5. Анализ требований к системам визуального контроля изделий наноуровня 32
Выводы по 1-й главе 39
ГЛАВА 2. Анализ применимости существующих математических методов обработки изображений для задач контроля качества поверхностей на наноуровне 41
2.1. Разработка структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне 41
2.2. Формирование аддитивного и мультипликативного тестов 44
2.3. Применение методов сегментации изображения 45
2.4. Применение метода глобальной пороговой обработки 50
2.5. Применение метода инвертирования изображения 53
2.6. Применение метода локальной пороговой обработки 53
2.7. Применение метода дискриминантного критерия 56
2.8. Применение метода адаптивной пороговой обработки 60
Выводы по 2-й главе 65
ГЛАВА 3. Реализация и верификация алгоритмов обработки изображений поверхностей на наноуровне 67
3.1. Реализация и верификация алгоритма порогового разделения для контроля качества изделий 67
3.2. Улучшение качества изображения поверхностей на наноуровне методом гистограммного выравнивания 70
3.3. Определение границ нанообъектов при автоматизированном контроле качества изделий приборостроения 73
3.4. Реализация и верификация алгоритма анализа нанообъектов на изображении 77
Выводы по 3-й главе 85
ГЛАВА 4. Экспериментальные исследования автоматизированной системы визуального контроля качества поверхностей на наноуровне 87
4.1. Разработка программного обеспечения автоматизированной системы визуального контроля качества поверхностей на наноуровне 87
4.2. Оптимизация алгоритмов обработки изображений 88
4.3. Экспериментальное определение погрешности автоматизированной системы визуального контроля качества поверхностей на наноуровне 96
Выводы по 4-й главе 104
Заключение 106
Библиографический список 108
- Примеры использования систем автоматизированного визуального контроля для решения прикладных задач
- Разработка структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне
- Реализация и верификация алгоритма порогового разделения для контроля качества изделий
- Разработка программного обеспечения автоматизированной системы визуального контроля качества поверхностей на наноуровне
Введение к работе
Актуальность темы диссертации. Задачи улучшения функциональных
свойств материалов тесно связаны с оценкой качества поверхностей на
наноуровне. Важность исследования качества поверхностей на наноуровне во
многом определяется необходимостью снижения сил трения в парах,
работающих в специфических условиях высоких нагрузок. В частности,
профиль поверхностей на наноуровне в значительной степени определяет их
фрикционные свойства. В случае металлов и сплавов существенное
улучшение триботехнических характеристик уже невозможно за счет одного
только легирования. Существует громадный резерв влияния на
триботехнические характеристики металла за счет модифицирования
структуры, что может быть реализовано при улучшении свойств межфазовых
границ, изменении концентрации и распределения неровностей на
наноуровне, фазовых составляющих и т. д. Для всех классов композитов
важным является оптимизация структуры, в том числе снижение размеров
зерен до наноуровня, а также регулирование кинетики
структурообразования с целью обеспечения заданных триботехнических и прочностных характеристик. В данной работе рассмотрены показатели качества поверхностей на наноуровне, связанные с определением топологических параметров заданных элементов и их и концентрации.
Повышение качества поверхностей на наноуровне в сильной степени зависит от уровня технических систем контроля. Распространение компьютерных технологий и улучшение технических характеристик приборов регистрации объектов на наноуровне приводят к изменению методов визуального контроля качества поверхностей на наноуровне. Для повышения эффективности контроля показателей качества требуется разработка автоматизированных систем визуального контроля, состоящих из устройства регистрации объектов наноуровня (электронный микроскоп, средства сканирующей зондовой микроскопии и т. д.), тестов линейных размеров, а также соответствующего программного обеспечения.
Разработка подобных систем осложняется рядом теоретических и практических задач, основная из которых заключается в том, что в нанодиапазоне погрешность измерений может носить как аддитивный, так и мультипликативный характер. Для решения этой задачи в работе предлагается использовать два теста линейных размеров, что позволяет минимизировать аддитивную и мультипликативную составляющие погрешности измерений.
Работа выполнялась в рамках договора ОКР № Е-1-14-1417 «Разработка
технологии нанесения многофункциональных покрытий на основе
поверхностно-активных веществ на элементы конструкций и механизмов РКТ» (2011–2013 гг.).
Разработка методики автоматизированного визуального контроля геометрических параметров поверхностей на наноуровне способствует выполнению программы развития наноиндустрии в Российской Федерации до 2015 года, являющейся важным звеном реализации президентской инициативы «Стратегия развития наноиндустрии» (ПР-688 от 24 апреля 2007 г.).
Основной данного диссертационного исследования в значительной степени послужили труды отечественных и зарубежных ученых и специалистов: Белова А.В., Визильтера Ю.В., Гаркунова Д.Н., Желтова С.Ю., Князя В.А., Моржина А.В., Новикова И.А., Тополянского П.А., Ходарева А.Н., Р. Гонсалеса, Кинсана Фу, Джона Канни, Бертольда Хорна и ряда других.
В работе решена актуальная научно-прикладная задача разработки методики автоматизированного визуального контроля качества поверхностей на наноуровне, обеспечивающей точный и оперативный контроль как в процессе производства, так и на стадии разработки деталей пар трения.
Цель работы заключается в повышении достоверности и оперативности автоматизированного визуального контроля качества поверхностей деталей пар трения на наноуровне.
Для достижения поставленной цели в диссертационной работе необходимо было решить следующие основные задачи:
выявить особенности контроля качества поверхностей на наноуровне (проанализировать возможные дефекты и погрешности измерений, а также предложить показатели качества поверхностей на наноуровне);
сформулировать требования к программной и аппаратной частям системы автоматизированного визуального контроля качества поверхностей на наноуровне;
разработать структуру автоматизированной системы визуального контроля качества поверхностей на наноуровне;
теоретически исследовать алгоритмы обработки изображений;
разработать и экспериментально верифицировать алгоритмы бинаризации, сегментации, распознавания и фильтрации шумов на изображениях с учетом специфики нанодиапазона;
обосновать целесообразность применения тестовых методов для повышения достоверности контроля;
оптимизировать предложенные алгоритмы обработки изображений;
разработать математическое, алгоритмическое и программное обеспечение системы автоматизированного визуального контроля качества поверхностей на наноуровне;
- провести экспериментальные исследования для проверки
эффективности предложенных алгоритмов.
Методы исследования. Поставленная цель достигнута путем проведения теоретических и экспериментальных исследований. Основные выводы, положения и рекомендации обоснованы теоретическими расчетами и сопоставлены с экспериментальными данными. В работе использованы методы системного анализа, обработки изображений, моделирования систем, теории вероятностей и математической статистики. Экспериментальная часть выполнена с использованием сканирующего зондового микроскопа и интегрированной среды графического программирования LabVIEW.
Научная новизна работы заключается в следующем:
разработана новая структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, отличительным признаком которой являются два теста длины. Теоретически обосновано и практически доказано, что применение двух тестов длины повышает точность измерений на наноуровне путем минимизации аддитивных и мультипликативных погрешностей;
разработаны новые алгоритмы обработки изображений, позволяющие повысить достоверность измерений на наноуровне;
разработаны алгоритмы автоматизированного измерения линейных размеров объектов на наноуровне, позволяющие оперативно контролировать показатели качества продукции в процессе разработки и производства;
экспериментально подтверждены и реализованы математическое, алгоритмическое и программное обеспечения системы визуального контроля качества поверхностей на наноуровне.
Достоверность и обоснованность научных положений и результатов работы обусловлены:
применением общепринятого математического аппарата обработки изображений;
достаточно высокой сходимостью результатов расчетов по разработанным алгоритмам с экспериментальными данными, которые были получены в работе.
Практическая значимость работы состоит во внедрении и использовании основных положений, выводов и рекомендаций, полученных при исследовании процесса автоматизированного визуального контроля качества поверхностей на наноуровне. Практическую значимость работы представляют:
- верифицированный алгоритм автоматизированного контроля
качества поверхностей на наноуровне, который может быть использован в
системах технического контроля на предприятиях машино- и
приборостроения;
программное обеспечение системы автоматизированного контроля, реализующее методику автоматизированного визуального контроля качества поверхностей на наноуровне;
научно обоснованный алгоритм обработки изображений, позволяющий минимизировать аддитивную и мультипликативную составляющие погрешности, что повышает достоверность контроля качества поверхностей на наноуровне.
На защиту выносятся:
структура системы автоматизированного визуального контроля качества поверхностей на наноуровне;
алгоритмы обработки изображений, позволяющие повысить достоверность контроля качества поверхностей на наноуровне;
алгоритм автоматизированного измерения линейных размеров объектов на наноуровне.
Реализация и внедрение результатов работы осуществлены в:
1. ООО «Центр диагностики, экспертизы и сертификации» при
проведении работ, связанных с контролем качества поверхностей на
наноуровне:
структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, включающей два теста длины;
алгоритмы обработки изображений поверхности, позволяющие повысить достоверность измерений на наноуровне;
алгоритм автоматизированного измерения линейных размеров объектов на наноуровне, позволяющий оперативно контролировать показатели качества поверхностей.
2. ФГБОУ ВПО БГТУ «ВОЕНМЕХ» им. Д.Ф. Устинова: в учебном
процессе использованы основные положения и теоретические результаты
диссертации на кафедре «Инжиниринг и менеджмент качества» и отражены в
рабочей программе дисциплины «Автоматизация измерений, испытаний и
контроля».
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на следующих научных конференциях: II Всероссийской научно-технической конференции «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2010); II международной научно-технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «Военмех», 2011); III Международной научно-технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «Военмех», 2012); 67 Научно-технической конференции, посвященной Дню радио, СПб, 2012 г.; III Всероссийской научно-технической конференция
«Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2012); Международной конференции «Восьмые Окуневские чтения» (СПб, БГТУ «Военмех», 2013); 11 сессии Международной научно-технической школы «Фундаментальные и прикладные проблемы надежности и диагностики машин и механизмов», (СПб, СПбИПМ, 2013 г.). Личный вклад автора заключается в:
разработке новой структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне, включающей тесты длины;
разработке новых алгоритмов обработки изображений, позволяющих повысить достоверность контроля качества поверхностей на наноуровне;
разработке алгоритма автоматизированного измерения линейных размеров объектов на наноуровне;
исследовании адекватности алгоритмов обработки изображений на экспериментальных данных.
Публикации. По теме диссертации опубликованы 11 печатных работ, в том числе 2 в изданиях, рекомендуемых ВАК, 1 патент на полезную модель и 1 свидетельство о государственной регистрации программы для ЭВМ. Структура и объем диссертационной работы.
Работа состоит из введения, 4 глав, заключения, списка используемой литературы из 84 наименований и 4 приложений. Работа изложена на 148 страницах машинописного текста и содержит 5 таблиц и 91 рисунок.
Примеры использования систем автоматизированного визуального контроля для решения прикладных задач
Для профилактики и лечения приступов у больных бронхиальной астмой компания "Пульмомед" разработала препарат пролонгированного действия "Сальтос", важнейшей особенностью которого является его дозированное выделение. Для этого в нерастворимой оболочке каждой таблетки лазерным лучом прожигается отверстие строго определенного размера (рис. 1.1). Так как любое отклонение от заданного параметра может представлять серьезную опасность для пациента, компания "Пульмомед" приняла решение об обеспечении стопроцентного полностью автоматизированного контроля размера отверстий в оболочках производимых таблеток путем применения средств СТЗ. Несмотря на то, что средняя яркость изображения в площади отверстий почти не отличается от средних значений яркости в остальных частях изображения, в "НПК ВИДЕОСКАН" были разработаны алгоритмы, решающие задачи выделения области поверхности таблетки, содержащей отверстие, и определения площади отверстия в темпе работы производственной линии — до 2 таблеток в секунду. Примеры работы этого алгоритма приведены на рис. 1.2. Результаты измерения площадей отверстий используются в промышленной линии для регулирования мощности излучения лазерной установки и отбраковки продукции [10]. В настоящее время на многих российских горнодобывающих предприятиях обеспеченность разведанными запасами сырья достигла критически низкого уровня, а стратегический резерв многих видов ресурсов на действующих месторождениях является малонадежным. В связи с этим необходимо обеспечить максимальную достоверность оценки запасов и качества минерального сырья, которая в значительной степени зависит от полноты изучения вещественного состава и точности определения его технологически значимых параметров — минерального и химического состава сырья, текстурно-структурных и морфометрических характеристик, физических, физико-химических и поверхностных свойств минералов.
Для решения этой задачи разработана методика количественной оценки минерального состава стандартных геологических препаратов (шлифов, аншлифов, полировок и т. д.) и аппаратно-программная система "ВидеоМастер". Комплекс занесен в Госреестр РФ как измерительное средство №20446-00. Методика количественного анализа в системе "Видео-Мастер" показана на примере исследования шлифа из рудной зоны Ковдорского комплексного железорудного месторождения (рис. 1.3).
На рис. 1.3, а показано исходное изображение препарата, содержащего магнетитовые, апатитовые и кальцитовые минеральные выделения; на рис. 1.3, б представлено то же изображение после оптимизации динамического диапазона яркостей, уже обладающее достаточно удовлетворительными яркостными характеристиками для автоматического выделения искомых минеральных агрегатов.
Дальнейшая оценка распределения яркости, как на всем анализируемом изображении, так и на его отдельных участках с изображениями искомых объектов, позволяет уточнить основные рабочие яркостные параметры информационных образов искомых объектов (приведенные выше средние значения яркости объектов, их среднеквадратические отклонения и т. п.) и таким образом создать достаточно детальные яркостные информационные образы соответствующих минеральных выделений.
Дополнительная оценка морфометрических параметров (площадь, изрезанность границ и др.) выделяемых объектов еще более детализирует их образы, уменьшая тем самым погрешности распознавания. В первую очередь по яркостным признакам осуществляется выделение "фоновых" участков изображения основы (рис. 1.4, а). Минеральные агрегаты магнетита в данном образце выделяются также по значению их яркости, так как их модальное значение яркости существенно отличается от соответствующих модальных значений всех остальных компонентов образца (рис. 1.4, б).
Поскольку распределение яркостей минеральных агрегатов апатита и кальцита мало отличается, их выделение осуществляется не только по модальным значениям яркости, но и по значениям дополнительных яркостных дискриминантных признаков, в данном случае — по величинам среднеквадратических отклонений значений яркости выделяемых объектов (рис. 1.5, а).
К завершению анализа остаются не выделенными только минеральные агрегаты кальцита (рис. 1.5, б). Для данного вида образцов это последний тип выделяемых объектов, поэтому их выделение может быть осуществлено в два этапа:
- выделение всех объектов, имеющих набор дискриминантных признаков, общих для кальцита и апатита;
- удаление всех объектов, местоположение которых на изображении совпадает с местоположением уже выделенных минеральных агрегатов апатита.
Далее программа анализатора проводит для каждого из выделенных объектов измерения по 21 морфометрическому параметру, из которых особый практический интерес, как правило, представляют так называемые "основные морфологические параметры" — площадь, периметр и т. п.
Приведенный цикл операций может быть зафиксирован и воспроизводиться автоматически при анализе серии образцов пород и руд одного и того же месторождения, что позволяет осуществлять объективную комплексную оценку набора параметров для каждого выделяемого объекта (минералы) при анализе их мощных множеств - до сотен тысяч объектов. Это важно для достоверной оценки ресурсов минерального сырья и выбора наиболее оптимальных схем его последующей технологической обработки. На основании полученной информации можно определить: оптимальный режим рудоподготовки, обеспечивающий полное раскрытие рудных минералов; оптимальную глубину обогащения (оптимальное сочетание механического и химико-металлургического переделов); рациональную технологическую схему; основные технологические показатели, которые можно получить в процессе переработки по рекомендуемой схеме; величины неизбежных технологических потерь [11].
Разработка структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне
Современная практика измерения объектов на наноуровне предъявляет все более высокие требования к погрешности, автоматизации и производительности автоматизированных систем контроля качества поверхностей на наноуровне. Следует отметить, что в подавляющем большинстве случаев эти требования противоречивы, то есть улучшение одних характеристик, как правило, достигается в ущерб другим. Например, увеличение функциональных возможностей прибора, сопровождающееся его усложнением снижает надежность вследствие возрастания интенсивности отказов элементов. Поэтому разработка измерительной техники должна сопровождаться постоянным поиском компромисса между реализуемыми свойствами прибора, техническими возможностями и экономической целесообразностью.
Развитие техники измерений, постоянное совершенствование конструктивных, технологических и функциональных характеристик приборов, широкое внедрение информационно-измерительных систем привели к изменению содержания контрольных операций, повышению их сложности и ответственности и, как следствие, к новым повышенным требованиям к контрольной аппаратуре. Главной метрологической проблемой развития рабочих средств измерений была и остается проблема планомерного повышения их точности при сохранении высокой производительности контрольных операций.
Анализ требований к структуре автоматизированной системы визуального контроля поверхностей на наноуровне, который показал, что для достижения приемлемой точности и производительности она должна включать в себя аддитивный и мультипликативный тесты, обеспечивающие минимизацию погрешностей измерения и повышающие достоверность контроля. Исходя из требований, предъявляемых к точности и производительности измерений, структура автоматизированной системы визуального контроля качества поверхностей на наноуровне должна состоять из: прибора регистрации объектов наноуровня; аддитивного и мультипликативного тестов; компьютера со специальным программным обеспечением. В работе предлагается следующая структура системы автоматизированного визуального контроля для измерения линейных размеров изделия (рис. 2.1). Система содержит аддитивные и мультипликативные тесты, установочные поверхности которых соединены с рабочей поверхностью измерительного стола 4. Изделие с исследуемой поверхностью 3, подлежащее измерению, установлено на рабочую поверхность измерительного стола 4. В связи с малым ходом иглы зондового микроскопа тесты устанавливаются последовательно. Измерительный стол 4 соединен со стойкой 5, которая соединена с прибором регистрации объектов 6. Электрический выход прибора регистрации объектов 6 соединен с портом ввода компьютера 7. Изображения тестов линейных размеров 1, 2 (показаны штриховыми линиями) и изделия 3 преобразуется прибором регистрации 6 в цифровой сигнал удобный для обработки в компьютере 7 [47, 48].
В предлагаемом методе повышения достоверности автоматизированного визуального контроля изделий на наноуровне процесс измерения может быть реализован за 3 такта, причем в первом такте контролируемая величина х преобразуется в соответствии с выражением (2), а в дополнительных тактах преобразуются тесты z1(x), z2(x),..., zn(x), являющиеся функциями х.
В рамках совершенствования тестового метода для повышения достоверности автоматизированного визуального контроля изделий на наноуровне предлагается формировать аддитивный и мультипликативный тесты следующим образом. Процесс измерения реализуется за три такта, причем в первом такте контролируемая величина х преобразуется в соответствии с (2.1), а в дополнительных тактах преобразуются тесты z\(x), z2(x), являющиеся функциями х (2.2 и 2.3).
Для формирования аддитивного теста на вход измерительных алгоритмов системы поступает сигнал х+ (где - тест линейного размера). В результате получим y2=a0+al(x + Q), (2.6) где - тестовый сигнал, родственный сигналу х. Для формирования мультипликативного теста на вход измерительных алгоритмов подается усиленный на К измерительный сигнал х. В результате получим уъ=а0+а,Кх. (2.7) Исключая из уравнений (2.1)-(2.6) а0 и ах находим х = (Уі-у І(\-К)(у2-Уі). (2.8) Обобщенный алгоритм, реализующий тестовый метод и формирование аддитивного и мультипликативного тестов приведен на рис. 2.2. Начало Обобщенный алгоритм, реализующий тестовый метод и формирование аддитивного и мультипликативного тестов Формирование тестов линейных размеров (аддитивного и мультипликативного тестов) осуществлялось в соответствии с РМГ 64-2003 ГСИ. «Обеспечение эффективности измерений при управлении технологическими процессами. Методы и способы повышения точности измерений».
Реализация и верификация алгоритма порогового разделения для контроля качества изделий
Пороговое разделение является одним из эффективных методов, используемых в системах контроля качества изделий для обнаружения объектов, особенно там, где требуется высокая производительность операций контроля.
Предположим, что на изображении/ ; (рис. 3.1) находится достаточно яркий объект на относительно темном фоне. Гистограмма этого изображения представлена на рис. 3.2. На изображении присутствует скачок яркости пикселов, который резко выделяется по сравнению с яркостью фона. Соответственно, одним из эффективных способов отделения объекта от фона является выбор порогового значения Т, которое разделяет эти группы яркости. Тогда любая точка (х,у), для которой f(x,y) Т, принадлежит объекту, а в противном случае - фону. В более общем случае можно задать несколько порогов (в начале и в конце скачка яркости), что повысит точность отделения объекта от фона.
В соответствии с изложенным подходом можно рассматривать пороговое разделение как операцию, включающую действия с функцией Т в виде
T = T[x,y,p(x,y\f(x,y)l (з.і) где f(x,y) - яркость точки (х,у), ар(х,у) обозначает некоторое частное свойство данной точки, например среднюю яркость окрестности с центром в точке (х,у).
Таким образом, на изображении g(x,y) пикселы со значением 1 (или с любым другим соответствующим уровнем яркости) относятся к объектам, в то время как пикселы со значением 0 относятся к фону. На гистограмме изображения скачок яркости, соответствующий объекту, находится в диапазоне оттенков от 85 до 170. Если выбрать эти значения в качестве пороговых, то можно с достаточно высокой точностью отделить объект от фона. Программная реализация метода порогового разделения осуществлена в среде LabVIEW с использованием библиотеки Vision. Программный код решения представлен на рис. 3.3. Подпрограмма преобразовывает исходное изображение в черно-белое с учетом пороговых значений. Обобщенный алгоритм ее работы следующий: создается копия исходного цветного изображения (компоненты IMAQ Create и IMAQ Copy), эта копия преобразуется в полутоновое изображение (компонент IMAQ Cast Image), после чего к ней (с помощью компонента IMAQ Threshold) применяется черно-белый фильтр с выбранными выше пороговыми значениями (85 и 170). Затем полученное изображение выводится на экран. В результате все фрагменты фона удаляются, и на изображении остается только контролируемый объект (рис. 3.4).
Экспериментальные исследования показали, что при оптимальном выборе пороговых значений метод порогового разделения, реализованный в программной среде LabVIEW, обеспечивает приемлемый уровень точности обнаружения объектов на изображении при контроле их качества. Кроме того, данный метод значительно облегчает задачу выделения границ объектов. гистограммного выравнивания
Гистограммное выравнивание может быть использовано для автоматической коррекции, поскольку оно основано на функции преобразования, т.е. однозначно определяется с помощью гистограммы исходного изображения. Однако этот метод ограничен в том смысле, что в нем используется только функция гистограммной линеаризации. Этого недостаточно, когда исходной информацией является желаемая форма выходной гистограммы.
Гистограммный способ можно обобщить на случай получения изображения с гистограммой определенной яркости. Пусть pr(r) и pz(r) – соответственно исходная и желаемая функция плотности вероятности для яркости. Предположим, что заданное изображение с первой гистограммой выровнено с помощью следующего уравнения:
Если бы желаемое изображение было доступно, его уровни яркости также могли бы быть выровнены с использованием функции преобразования: v = G(z) = jpz(w)dw (3.4). Тогда обратное преобразование z = G (v) восстанавливало бы первоначальные уровни, причем ps(s) и pv(v) будут идентичными равномерными плотностями, так как использование уравнений (1) и (2) обеспечивает равномерную плотность независимо от характера функции плотности вероятности под интегралом. Таким образом, если вместо применения v в обратном преобразовании использовать обратные уровни s, полученные из исходного изображения, то результирующие уровни z = G 1 (s) будут иметь желаемую функцию плотности вероятности pz(z). В предположении, что G (s) является однозначной функцией, алгоритм можно обобщить следующим образом:
1. Выровнять уровни яркости исходного изображения с помощью уравнения (1).
2. Определить желаемую функцию плотности вероятности яркости и получить функцию преобразования G(z), используя уравнение (2).
3. Осуществить обратное преобразование z = G (s) к уровням яркости изображения с выровненной по п.1 гистограммой.
Этот алгоритм дает выходное изображение с заданной функцией плотности вероятности для яркости.
Рассмотрим данный метод на примере улучшения качества изображения изделия микроуровня. Пусть имеется исходное изображение (рис. 3.5) и его гистограмма (рис. 3.6).
Программная реализация данного метода осуществлена в среде Lab VIEW. Программный код решения представлен на рис. 3.7. Алгоритм его работы следующий: создается копия исходного цветного изображения (компоненты IMAQ Create и IMAQ Сору), которая затем выравнивается по цвету с учетом исходной гистограммы на рис. 3.6 (компонент IMAQ Color Equalize). Затем полученное изображение выводится на экран.
Экспериментальные исследования показали, что обработка изображения изделий микроуровня методом гистограммного выравнивания обеспечивает практически идентичную яркость наиболее темных и светлых участков (рис. 3.8), что дает более качественное и детализированное изображение изделия (рис. 3.9).
Разработка программного обеспечения автоматизированной системы визуального контроля качества поверхностей на наноуровне
В соответствии со структурой автоматизированной системы визуального контроля качества поверхностей на наноуровне в среде графического программирования LabVIEW было разработано программное обеспечение для выполнения описанных задач [48].
Внешний вид программы с загруженным изображением Программа представляет собой виртуальный прибор (virtual instrument, VI), состоящий из двух частей – лицевой панели и блочной диаграммы. Лицевая панель содержит элементы пользовательского интерфейса (рис.4.1), блочная диаграмма – алгоритм работы (исходный программный код).
Блочная диаграмма состоит из вложенного в цикл for элемента case, который в зависимости от выбранного пользователем пункта меню выполняет определенное действие.
Данное программное обеспечение поддерживает следующие функции:
- работа с изображениями четырех основных форматов (BMP, JPEG, PNG, TIFF);
- преобразования изображения: негатив, разложение на цветовые каналы (Red, Green, Blue), черно-белое с оттенками серого, чисто черно-белое, черно-белое инвертированное;
- измерение расстояний между объектами, а также площадей прямоугольных и кольцевых областей на изображении;
- калибровка изображения (выбор единичного отрезка);
- гистограммы распределения яркости, как всего изображения, так и заданного пользователем участка, а также расчет среднего значения яркости и среднеквадратического отклонения;
- анализ частиц на изображении (поиск светлых и темных областей), расчет координат центра, площадей и общего количества частиц.
В данном параграфе работы проводится оптимизация предложенных и верифицированных в 3-й главе алгоритмов обработки изображений.
При оптимизации алгоритмов исходной информацией служат сигналы, доступные непосредственному измерению. Входные и выходные сигналы объекта обрабатываются с использованием методов оптимизации, которые позволяют описать соотношения между этими сигналами в виде некоторой математической зависимости. Параметрические алгоритмы получают с помощью статических методов оценки параметров или методов настройки параметров по заданным воздействиям. При синтезе алгоритмов для управляющих ЭВМ целесообразно пользоваться именно параметрическими моделями, поскольку современная теория систем в основном ориентирована на описание объектов, содержащих параметры в явной форме. Кроме того, для синтеза алгоритмов управления по параметрическим моделям могут применяться аналитические методы. В основе оптимизации алгоритмов использован метод наименьших квадратов.
В общем виде задача параметрической оптимизации в работе ставилась следующим образом: на основе экспериментальных данных (4.1) указать значения выбранных параметров "а", при которых модель (4.2) в соответствии с выбранным критерием аппроксимирует объект Хвых(ґ)= F[Xвх(t)] на множестве сигналов (4.1): X" (t\ є X" а X Xвых (0 є хвых с хвых где Х"вх, - вых - пространство входных и выходных сигналов реального объекта при верификационных экспериментах. Х в ых(t) = Fm[x:в х(t)]. (4.2)
При построении алгоритма обработки изображения первый этап можно считать завершенным, если закончено построение структурной схемы. Вторым этапом в построении алгоритма можно считать оценку его работоспособности. Очевидно, что понятие работоспособности алгоритма формируется относительно предъявляемого критерия. Существует большое количество критериев оценки. Для оценки математической модели выбран квадратичный критерий качества (4.3).
В соответствии с выбранным критерием осуществлялось планирование эксперимента. В результате планирования эксперимента:
- рассматривались параметры, которые оказывают наиболее существенное влияние на результаты работы алгоритма;
- оценивались возможности алгоритма описывать изменения ситуации в реальном устройстве и достоверность их расчетов;
- рассматривалась возможность измерения параметров алгоритма; - строилась схема эксперимента, по которой снимаются характеристики, участвующие в процессе оптимизации алгоритма.
При оптимизации алгоритма оценке подлежат его параметры.
В работе задача оптимизации алгоритмов обработки изображения решалась следующим образом: на основе экспериментальных данных рассчитывались значения выбранного параметра T, при котором алгоритм в соответствии с выбранным критерием распознает объект.
Для автоматизированной системы визуального контроля выходной координатой является погрешность определения линейных размеров. Поэтому при планировании эксперимента с учетом формулировки общей задачи параметрической оптимизации в качестве экспериментальных данных выбраны графики Q(T), где Q – погрешность определения границ (доля целевых объектов, которые не были распознаны алгоритмами), T – яркость изображения. Входными данными, в соответствии с формулировкой задачи, при проведении планируемой серии экспериментов выбраны известные фиксированные значения линейных размеров (L) объекта на наноуровне. Набор экспериментальных данных представляет собой серии кривых Q(T) при L=const в процессе одного эксперимента (рис. 6). Как видно из рис. 6, при повышении яркости изображения наилучший результат (т.е. минимальное снижение качества распознавания) дает оптимизированный алгоритм пороговой обработки, предложенный в данной работе. Несмотря на то, что при высоких значениях яркости обычный алгоритм локальной обработки обеспечивает такое же качество распознавания, при низких значениях яркости его эффективность значительно ниже, чем у оптимизированного. Адаптивный алгоритм пороговой обработки имеет несколько большую погрешность, чем оптимизированный, но также может быть рекомендован к использованию, если изображение достаточно четкое. Алгоритм глобальной пороговой обработки весьма эффективен при низкой яркости, однако по мере ее возрастания его результаты существенно ухудшаются.
