Українська   English
ДонНТУ   Портал магистров

Реферат по теме выпускной работы:

Содержание

Введение

В современном мире информационных систем значительное место занимают системы, основной функциональностью которых является процесс идентификации веществ на снимке, или распознавание образов на снимке. К таким и относится информационная система идентификации микрокапель в покрытии для облегчения процесса аналитической обработки снимков для научных сотрудников лабораторий, специализирующихся на ионно-плазменных технологиях, к примеру, НОЦ «Ионно-плазменные технологии» МГТУ им. Н.Э. Баумана, а именно, на создании покрытий методом вакуумно-дугового нанесения.

1. Общие сведения о теме магистерской работы

1.1 Актуальность темы

Вакуумно-дуговое нанесение покрытий (катодно-дуговое осаждение) – это физический метод нанесения покрытий (тонких плёнок) в вакууме, путём конденсации на подложку (изделие, деталь) материала из плазменных потоков, генерируемых на катоде-мишени в катодном пятне вакуумной дуги сильноточного низковольтного разряда, развивающегося исключительно в парах материала электрода.

Катодно-дуговое осаждение активно используется для синтеза на поверхности режущего инструмента очень твёрдых износостойких и защитных покрытий, значительно продлевающих срок его службы. Помимо прочего, например, нитрид титана популярен ещё в качестве стойкого декоративного покрытия «под золото».

Также эта технология достаточно широко используется для осаждения алмазоподобных углеродных плёнок. Так как нанесение покрытий этого типа особенно чувствительно к паразитным включениям (макрочастицам), в оборудовании для данной технологии обязательно применяется фильтрация плазменного пучка [1].

Для оценки качества напыления покрытий, их просматривают под микроскопом и вручную (на данный момент) с применением различных фоторедакторов определяют площадь микрокапель в покрытии. Данные операции трудоемки и процесс определения качества покрытия затягивается во времени. Поэтому сотрудникам необходима ИС для облегчения вышеуказанного процесса.

Актуальность разработки такого типа системы заключается в том, на текущий момент мало информационных систем, которые смогли бы с максимальной точностью определить на снимке из-под микроскопа микрокапли покрытия, нанесенном методом вакуумного дугового напыления. Хотя стоит учесть тот факт, что уже существуют программные средства для идентификации порошковых изделий «CINDERELLA» [2] и для металлических изделий – ВТ-1600 [3], но эти системы не учитывают особенности рассматриваемого вещества в покрытии, проекция которого будет подвергаться исследованию.

Учитывая вышеуказанное, разработка пользовательского программного приложения будет весьма эффективным и рациональным решением для будущих потребителей системы.

1.2 Цели и задачи исследования

Основной целью магистерской работы является создание информационной системы аналитической обработки снимков для автоматизации процесса определения качества покрытия, что включает себя идентификацию капель в покрытии и определение их характеристик для облегчения процесса аналитической обработки снимков научным сотрудникам лабораторий, специализирующихся на ионно-плазменных технологиях.

Информационной подсистемой для обработки снимков, полученных с помощью конфокального и томно-силового микроскопов, микрокапель в покрытии, нанесенном методом вакуумного дугового напыления – это комплексное решение, позволяющее определить микрокапли в покрытии и их физические характеристики.

В результате создания разрабатываемой подсистемы планируется построение максимально удобного интерфейса и добиться того, чтобы количество правильно распознанных микрокапель в покрытии составляло не менее 50 процентов от их общего числа на снимке, а также необходимо решить нижеперечисленные задачи:

  1. уменьшить время обработки изображения за счет современных алгоритмов распознавания образов;
  2. повысить процентное соотношение правильно распознанных микрокапель в покрытии.

Объект исследования: процесс идентификации микрокапель в покрытии, нанесенном методом вакуумного дугового напыления.

Предмет исследования: методы идентификации микрокаплей на снимках.

1.3 Научная новизна полученных результатов

На данный момент существующая информационная система не позволяет идентифицировать микро капли в покрытии, а именно определять центр окружности капли вещества, отсеивать другие вещества, которые могут присутствовать на снимке (то ли окружности на снимке являются непосредственно каплей вещества, то ли частицами пыли).

Если внимательно присмотреться к снимку покрытия можно увидеть, что фигуры с почти формой окружности имеют блик в внутренней своей части, это и является отличительным признаком микрокапли или пылинки.

Так как эта функциональность отсутствует, было принято решение спроектировать и реализовать ИС, которая позволить определить микрокапли в покрытии. Это значительно упростит процесс идентификации капель, так как на данный момент капли определяют ручным способом с помощью сторонних приспособлений и дополнительных преобразований из пикселей в нанометры и обратно.

Следовательно, новизна разработки ИС состоит в следующем: впервые разрабатывается СППР для определения качества покрытия, нанесенном методом вакуумного дугового напыления и алгоритм процесса идентификации микрокапель, а также методика их распознавания.

1.4 Применение разработки

Данная информационная система может быть использована сотрудниками научно-исследовательских лабораторий, специализирующихся в области ионно-плазменных технологий.

Разработка ИС гарантирует качество распознавания микрокапель, удобство в использовании, удаленный доступ к информационным материалам. В качестве перспективы развития и модернизации системы планируется создание модели покрытия в 3D с уже отмеченными и опознанными микрокаплями вещества.

2 Обзор исследований и разработок

2.1 Обзор международных источников

Описание и сравнение методов распознавания образов рассмотрено в работе Т.Т.Ч. Буя [4], различные способы и советы как эффективно обрабатывать изображения описаны в книге Р. Гонсалеса [5]. Также при обработке изображений может возникнуть идея о распараллеливании данных или повторяющихся операций, о чем и в свой статье рассказывает группа ученых во главе с Н. Е. А. Халид [6]. Интегрированный метод обнаружения контуров и использование математической морфологии рассмотрены в работе К. П. Хуанга [7]. О бинаризации изображений можно узнать в книге Брайана С. Морза [8].

2.2 Обзор национальных источников

Описание процесса напыления покрытий методом вакуумно-дуговым приведено в научной работе А. А. Пирогова [9], об обнаружении объектов методом Оцу рассказывается в статье Дж. Козлова [10]. Хорошая статья о последовательности действий при распознавании образов А. Мальцева [12], она оказала огромное влияние на выбор алгоритма, который планируется применятся в данной магистерской работе.

3 Последовательность действий для идентификации объекта

Для решения поставленной задачи предлагается использовать метод для выделения границ на основе оператора Собеля, а также бинаризацию изображения. Выбранная последовательность действий приведена на рис. 3.1

Последовательность действий при идентификации микрокапли в покрытии

Рисунок 3.1 – Последовательность действий при идентификации микрокапли в покрытии

Планируется использование методы Оцу для бинаризации изображения. Метод Оцу (англ. Otsu's method) – это алгоритм вычисления порога бинаризации для полутонового изображения, используемый в области компьютерного распознавания образов и обработки изображений.

Алгоритм позволяет разделить пиксели двух классов («полезные» и «фоновые»), рассчитывая такой порог, чтобы внутриклассовая дисперсия была минимальной. Метод Оцу также имеет улучшенную версию для поддержки нескольких уровней изображения, который получил название мульти-Оцу метод.

Метод Оцу ищет порог, уменьшающий дисперсию внутри класса, которая определяется как взвешенная сумма дисперсий двух классов.

В своей работе Оцу показывает, что минимизация внутриклассовой дисперсии эквивалента максимизации межклассовой дисперсии, которая равна:

В этой формуле a1 и a2 – средние арифметические значения для каждого из классов. Особенность этой формулы заключается в том, что w1(t + 1), w2(t + 1), a1(t + 1), a2(t + 1) легко выражаются через предыдущие значения w1(t), w2(t), a1(t), a2(t) (t – текущий порог). Эта особенность позволила разработать быстрый алгоритм:

  1. Вычисляется гистограмма (один проход через массив пикселей). Дальше нужна только гистограмма; проходов по всему изображению больше не требуется.
  2. Начиная с порога t=1, проходим через всю гистограмму, на каждом шаге пересчитывая дисперсию b(t). Если на каком-то из шагов дисперсия оказалась больше максимума, то обновляем дисперсию и T=t.
  3. Искомый порог равен T [12].

Для выделения границ – Метод Собеля. Идея этого метода основана в наложении на каждую точку изображения двух масок вращения. Эти маски представляют собой две ортогональные матрицы размерностью 3х3, вид которых приведен в таблице 3.1.

Таблица 3.1 «Маски вращения метода Собеля»

1-я матрица 2-я матрица
-1 0 +1 +1 +2 +1
-2 0 +2 0 0 0
-1 0 +1 -1 -2 -1

Эти маски выявляют границы, расположенные вертикально и горизонтально на изображении. При раздельном наложении этих масок на изображение можно получить оценку градиента по каждому из направлений Gx, Gy. Конечное значение градиента определяется по формуле: G=v(G_x^2+G_y^2 ) [4].

Критерием того, что распознанный объект – капля, является наличие блика в центре окружности. Под бликом понимается группа пикселей по вертикали и горизонтали, у которых значения RGB резко отличаются от пикселей соседей. На бинарном изображении эта группа из последовательно расположенных пикселей со значениями R=0, G=0, B=0.

Во время первого прогона программы будет производится первичная настройка параметров системы, что будет включать в себя изменения значения порога в методе Оцу, а также коэффициентов «скользящего» окна и его размеры, в случае если качество распознания изображения далеко от желаемого.

Процентное соотношений правильно распознанных объектов, в данном случае, микрокапель, будет рассчитано на основании изображения, на котором эксперт отменил в ручную микрокапли в покрытии.

После очередного прогона программы, если качество распознания устраивает пользователей ИС, то завершающей стадией будет определений физических параметров капли.

4 Модель проектируемой системы

Процесс взаимодействия пользователя с подсистемой начитается с его регистрации в ней. Пользователь заполняет необходимые поля, далее система анализирует: а есть ли пользователь с такими же данными. В случае существования такого пользователя подсистема оповещает его о невозможности регистрации и о том, что он должен ввести другие данные, если желает продолжить работу с подсистемой.

Регистрация прошла успешно, далее рассматриваемой функцией определяются права доступа к функциям и его роль в системе.

При очередном вхождении в систему пользователю достаточно ввести свой «Логин» и «Пароль», но основании которых подсистеме будет известно кто в текущий момент времени ею пользуется.

Функция запоминает идентификатор пользователя для дальнейшей его работы с подсистемой.

Пользователю предоставляется возможность загружать изображения для проведения их анализа. После того как загружен файл со снимком проекции, он подвергается фильтрации, что позволяет выделить на изображениях интересующие области. На уровне фильтрации анализ изображения не производится, но точки, которые проходят фильтрацию, можно рассматривать как области с особыми характеристиками, то есть как возможные претенденты на «звание» микрокапли. В качестве фильтра на начальном этапе будет выступать бинаризация. Фильтрация даёт набор пригодных для обработки данных. Но зачастую нельзя просто взять и использовать эти данные без их обработки.

После предыдущего этапа наступает фаза логической обработки результатов фильтрации. Выполняется контурный анализ. После отсеиваются выделенные области с размером менее 10 нм. Если в границах выделенном области не был найден блик (после бинаризации белое пятнышке размером в несколько пикселей), также область не рассматривается далее.

После отсеивания ИС определяет центр (путем поиска самой длительной последовательности из пикселей с цветовым значением #000000, разделения ее пополам и выделения центра области красным цветом), диаметр и площадь области.

Определив физические параметры микрокаплей в покрытии, можно сделать вывод о качестве напыления, который проводится следующим образом. Определяется площадь всего изображения из расчета что 1 сантиметр равен 37.76 пикселям. Суммируются площади всех найденных объектов. Затем находится процентное соотношение просуммированных площадей к общей площади рассматриваемого изображения.

Модификация входящего изображения покрытия в результате работы информационной системы приведено на рис. 4.1.

Модификация входящего изображения покрытия в результате работы информационной системы

Рисунок 4.1 – Модификация входящего изображения покрытия в результате работы информационной системы (анимация — 4 шт., задержка — 1000 мс, размер — 240 Кб)

Выводы

В данной магистерской работе был проведен анализ методов выделения границ и бинаризации входящего изображения для создания информационной системы идентификации микрокапель в покрытии. В итоге была подобрана последовательность действий и методов, которая обеспечит максимально высокую работоспособность ИС.

Основными предпосылками для разработки подсистемы стало то, что многие программы уже, существующие, не совсем правильно распознают снимки микрокапель в покрытии, так как они рассчитаны для анализа других веществ. Также был разработан аглоритм процесса идентификации микрокапель и методика их распознавания.

На момент написания реферата магистерская работа еще не закончена. Полностью ознакомится с ней можно будет после того, как она будет на финальной стадии к декабрю 2015 года.

Список источников

  1. Л. П. Саблев, Ю. И. Долотов и др. «Apparatus for vacuum-evaporation of metals under the action of an electric arc» [Электронный ресурс] // Режим доступа : http://patft.uspto.gov/netacgi//...
  2. Cinderella - система анализа размеров и формы частиц сыпучих веществ [Электронный ресурс] // Режим доступа: http://www.mallenom.ru/cinderella.php
  3. Оптический анализатор размеров частиц методами цифровой микроскопии BT-1600 [Электронный ресурс] // Режим доступа: http://www.analizator.su/BT-1600.php
  4. Т.Т.Ч. Буй, В.Г. Спицын. «Анализ методов выделения краев на цифровых изображениях» [Электронный ресурс] // Режим доступа: http://www.tusur.ru/filearchive/reports-magazine/2010-2-2/221.pdf
  5. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1070 с. [Электронный ресурс] // Режим доступа: http://www.technosphera.ru/files/book_pdf/0/book_311_455.pdf
  6. N.E.A.Khalid, S.A.Ahmad, N.M.Noor, A.F.A.Fadzil and M.N.Taib «Parallel approach of Sobel Edge Detector on Multicore Platform» – INTERNATIONAL JOURNAL OF COMPUTERS AND COMMUNICATIONS - p. 236-244 – [Электронный ресурс] // Режим доступа: http://www.naun.org/main/UPress/cc/17-303.pdf"
  7. . Huang C.P. An Integrated Edge Detection Method Using Mathematical Morphology / C.P. Huang, R.Z. Wang // Pattern Recognition and Image Analysis. – 2006. – Vol. 16, № 3. – P. 406–412. – [Электронный ресурс] // Режим доступа: http://link.springer.com/article/10.1134%2FS1054661806030102?LI=true
  8. Bryan S. Morse «Thresholding» [Электронный ресурс] // Режим доступа: http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/MORSE/threshold.pdf
  9. Пирогов А. А. «Подсистема АСТПП нанесения вакуумно-дуговых покрытий с заданными свойствами на поверхность стекла» [Электронный ресурс] // Режим доступа: http://www.dissercat.com/content/podsistema-astpp-naneseniya-vakuumno-dugovykh-pokrytii-s-zadannymi-svoistvami-na-poverkhnost
  10. Козлов Дж. «Обнаружение объектов методом Оцу» [Электронный ресурс] // Режим доступа: http://habrahabr.ru/post/112079/
  11. Мальцев А. «Пару слов о распознавании образов» [Электронный ресурс] // Режим доступа: http://habrahabr.ru/post/208090/
  12. «Метод Оцу» [Электронный ресурс] // Режим доступа: https://ru.wikipedia.org/wiki/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%9E%D1%86%D1%83