Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Введення

У сучасному світі інформаційних систем значне місце посідають системи, основною функціональністю яких є процес ідентифікації речовин на знімку, або розпізнавання образів на знімку. До таких і належить інформаційна система ідентифікації мікрокрапель в покритті, яка розробляється для полегшення процесу аналітичної обробки знімків для наукових співробітників лабораторій, що спеціалізуються на іонно-плазмових технологіях, наприклад, НОЦ «Іонно-плазмові технології» МГТУ ім. Н.Е. Баумана, а саме, на створенні покриттів методом вакуумно-дугового нанесення.

1. Загальні відомості про тему магістерської роботи

1.1 Актуальність теми

Вакуумно-дугове нанесення покриттів (катодного-дугове осадження) – це фізичний метод нанесення покриттів (тонких плівок) у вакуумі, шляхом конденсації на підкладку (виріб, деталь) матеріалу з плазмових потоків, що генеруються на катоді-мішені в катодній плямі вакуумної дуги потужнострумового низьковольтного розряду, що розвивається виключно в парах матеріалу електроду.

Катодного-дугове осадження активно використовується для синтезу на поверхні ріжучого інструменту дуже твердих зносостійких та захисних покриттів, значно продовжують термін його служби. Крім іншого, наприклад, нітрид титану популярний ще в якості стійкого декоративного покриття «під золото».

Також ця технологія досить широко використовується для осадження алмазоподібних вуглецевих плівок. Так як нанесення покриттів цього типу особливо чутливо до паразитних включень (макрочастки), в обладнанні для даної технології обов'язково застосовується фільтрація плазмового пучка [1].

Для оцінки якості напилення покриттів, їх досліджують під мікроскопом і вручну (на даний момент) із застосуванням різних фото редакторів визначають площу мікрокрапель в покритті. Дані операції трудомісткі і процес визначення якості покриття затягується в часі. Тому співробітникам необхідна ІС для полегшення вищевказаного процесу.

ААктуальність розробки такого типу системи полягає в тому, на поточний момент мало інформаційних систем, які змогли б з максимальною точністю визначити на знімку з-під мікроскопа мікрокраплі у покритті, нанесеному методом вакуумного дугового напилення. Хоча варто врахувати той факт, що вже існують програмні засоби для ідентифікації порошкових виробів «CINDERELLA» [2] і для металевих виробів – ВТ-1600 [3], але ці системи не враховують особливості даної речовини у покритті, проекція якого буде піддаватися дослідженню.

Враховуючи вищезазначене, розробка користувацького програмного програми буде досить ефективним і раціональним рішенням для майбутніх споживачів системи.

1.2 Цілі і завдання дослідження

Основною метою магістерської роботи є створення інформаційної системи аналітичної обробки знімків для автоматизації процесу визначення якості покриття, що включає у себе ідентифікацію крапель у покритті і визначення їх характеристик для полегшення процесу аналітичної обробки знімків науковим співробітникам лабораторій, що спеціалізуються на іонно-плазмових технологіях.

Інформаційна підсистема для обробки знімків, отриманих за допомогою конфокального і млосно-силового мікроскопів, мікрокрапель в покритті, нанесеному методом вакуумного дугового напилення – це комплексне рішення, що дозволяє визначити мікрокраплі в покритті та їх фізичні характеристики.

ВУ результаті створення розроблюваної підсистеми планується побудова максимально зручного інтерфейсу і досягнути того, щоб кількість правильно розпізнаних мікрокрапель в покритті становило не менше 50 відсотків від їх загальної кількості на знімку, а також необхідно вирішити нижче перераховані задачі:

  1. Зменшити час обробки зображення за рахунок сучасних алгоритмів розпізнавання образів;
  2. Підвищити процентне співвідношення правильно розпізнаних мікрокрапель в покритті.

Об'єкт дослідження: процес ідентифікації мікрокрапель в покритті, нанесеному методом вакуумного дугового напилення.

Предмет дослідження: методи ідентифікації мікрокраплі на знімках.

1.3 Наукова новизна отриманих результатів

На даний момент існуюча інформаційна система не дозволяє ідентифікувати мікро краплі в покритті, а саме визначати центр кола краплі речовини, відсіювати інші речовини, які можуть бути присутніми на знімку (чи то коло на знімку є краплею речовини, чи то частинкою пилу).

Якщо уважно придивитися до знімка покриття можна побачити, що фігури з майже формою окружності мають відблиск у внутрішній своїй частині, це і є характерною ознакою мікрокраплі або пилинки.

Оскільки ця функціональність відсутня, було прийнято рішення спроектувати і реалізувати ІС, яка дозволяє визначити мікрокраплі у покритті. Це значно спростить процес ідентифікації крапель, бо на даний момент краплі визначають ручним способом за допомогою сторонніх пристосувань і додаткових перетворень з пікселів в нанометра і назад.

Отже, новизна розробки ІС полягає в наступному: вперше розробляється СППР для визначення якості покриття, нанесеному методом вакуумного дугового напилення та алгоритм процесу ідентифікації мікрокрапель, а також методика їх розпізнавання.

1.4 Застосування розробки

Дана інформаційна система може бути використана співробітниками науково-дослідних лабораторій, що спеціалізуються в області іонно-плазмових технологій.

Розробка ІС гарантує якість розпізнавання мікрокрапель, зручність у використанні, віддалений доступ до інформаційних матеріалів. В якості перспективи розвитку та модернізації системи планується створення моделі покриття в 3D з уже зазначеними і упізнаними мікрокраплі речовини.

2 Огляд досліджень і розробок

2.1 Огляд міжнародних джерел

Опис і порівняння методів розпізнавання образів розглянуто в роботі Т.Т.Ч. Буя [4], різні способи і поради як ефективно обробляти зображення описані в книзі Р. Гонсалеса [5]. Також при обробці зображень може виникнути ідея про розпаралелювання даних або повторюваних операцій, про що і у свій статті розповідає група вчених на чолі з М. Є. А. Халід [6]. Інтегрований метод виявлення контурів і використання математичної морфології розглянуті в роботі К. П. Хуанга [7]. Про бінаризацію зображень можна дізнатися в книзі Брайана С. Морза[8].

2.2 Огляд національних джерел

Опис процесу напилення покриттів методом вакуумно-дуговим приведено в науковій роботі А. А. Пирогова [9], про виявлення об'єктів методом Оцу розповідається в статті Дж. Козлова [10]. Хороша стаття про послідовність дій під час розпізнання образів А. Мальцева [12], вона справила величезний вплив на вибір алгоритму, який планується застосуватися в даній магістерській роботі.

3 Послідовність дій для ідентифікації об'єкта

Для вирішення поставленого завдання пропонується використовувати метод для виділення кордонів на основі оператора Собеля, а також бінаризація зображення. Обрана послідовність дій наведена на мал. 3.1.

Послідовність дій при ідентифікації мікрокраплі в покритті

Малюнок 3.1 – Послідовність дій при ідентифікації мікрокраплі в покритті

Планується використання методи Оцу для бінаризація зображення. Метод Оцу (англ. Otsu's method) – це алгоритм обчислення порога бінаризації для напівтонового зображення, використовуваний в галузі комп'ютерного розпізнавання образів і обробки зображень.

Алгоритм дозволяє розділити пікселі двох класів («корисні» і «фонові»), розраховуючи такий поріг, щоб внутрікласова дисперсія була мінімальною. Метод Оцу також має поліпшену версію для підтримки декількох рівнів зображення, який отримав назву мульти-Оцу метод.

Метод Оцу шукає поріг, що зменшує дисперсію всередині класу, яка визначається як зважена сума дисперсій двох класів.

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

У своїй роботі Оцу показує, що мінімізація внутрікласової дисперсії еквівалента максимізації між класової дисперсії, яка дорівнює: У цій формулі a1 і a2 – середні арифметичні значення для кожного з класів. Особливість цієї формули полягає в тому, що w 1 (t + 1), w 2 (t + 1),a 1 (t + 1), a 2 (t + 1) легко виражаються через попередні значення w1(t), w2(t), a1(t), a2(t) (t – поточний поріг). Ця особливість дозволила розробити швидкий алгоритм:

  1. 1. Обчислюється гістограма (один прохід через масив пікселів). Далі потрібна тільки гістограма;проходів по всьому зображенню більше НЕ вимагається.
  2. 2. Починаючи з порога t=1, проходимо через всю гістограму, на кожному кроці перераховуючи дисперсію ?b (t). Якщо на якому - то з кроків дисперсія виявилася більше максимуму, то оновлюємо дисперсію і T=t.
  3. 3. Шуканий поріг дорівнює T. [12].

Для виділення кордонів – Метод Собеля. Ідея цього методу заснована в накладенні на кожну точку зображення двох масок обертання. Ці маски являють собою дві ортогональні матриці розмірністю 3х3, вигляд яких наведено у таблиці 3.1.

Таблиця 3.1 «Маски обертання методу Собеля»

1-ша матриця 2-га матриця
-1 0 +1 +1 +2 +1
-2 0 +2 0 0 0
-1 0 +1 -1 -2 -1

Ці маски виявляють контури, розташовані вертикально і горизонтально на зображенні. При роздільному накладанні цих масок на зображення можна отримати оцінку градієнта по кожному з напрямків Gx, Gу. Кінцеве значення градієнта визначається за формулою: G=v(G_x^2+G_y^2) [4].

Критерієм того, що розпізнаний об'єкт – крапля, є наявність відблиску в центрі кола. Під відблиском розуміється група пікселів по вертикалі і горизонталі, у яких значення RGB різко відрізняються від пікселів сусідів. На бінарному зображенні ця група з послідовно розташованих пікселів зі значеннями R=0, G=0, B=0.

Під час першого прогону програми буде проводиться первинна настройка параметрів системи, що включатиме в себе зміни значення порога в методі Оцу, а також коефіцієнтів «ковзного» вікна і його розміри, у разі якщо якість розпізнання зображення далеко від бажаного.

Процентне співвідношень правильно розпізнаних об'єктів, у даному випадку, мікрокрапель, буде розраховано на підставі зображення, на якому експерт скасував в ручну мікрокраплі в покритті.

Після чергового прогону програми, якщо якість розпізнання влаштовує користувачів ІС, то завершальною стадією буде визначень фізичних параметрів краплі.

4 Модель проектованої системи

Процес взаємодії користувача з підсистемою начитається з його реєстрації в ній. Користувач заповнює необхідні поля, далі система аналізує: а чи є користувач з такими ж даними. У разі існування такого користувача підсистема оповіщає його про неможливість реєстрації та про те, що він повинен ввести інші дані, якщо бажає продовжити роботу з підсистемою.

Реєстрація пройшла успішно, далі розглянутої функцією визначаються права доступу до функцій і його роль в системі.

При черговому входження в систему користувачеві досить ввести свій «Логін» і «Пароль», але підставі яких підсистемі буде відомо хто в поточний момент часу нею користується.

Функція запам'ятовує ідентифікатор користувача для подальшої його роботи з підсистемою.

Користувачеві надається можливість завантажувати зображення для проведення їх аналізу. Після того як завантажений файл зі знімком проекції, він піддається фільтрації, що дозволяє виділити на зображеннях цікавлять області. На рівні фільтрації аналіз зображення не проводиться, але точки, які проходять фільтрацію, можна розглядати як області з особливими характеристиками, тобто як можливі претенденти на «звання» мікрокраплі. В якості фільтра на початковому етапі виступатиме бінаризація. Фільтрація дає набір придатних для обробки даних. Але найчастіше можна просто взяти і використовувати ці дані без їх обробки.

Після попереднього етапу настає фаза логічної обробки результатів фільтрації. Виконується контурний аналіз. Після відсіваються виділені області з розміром менше 10 нм. Якщо в межах виділеному області не був знайдений відблиск (після бінаризації біле плямочці розміром в декілька пікселів), також область не розглядається далі.

Після відсівання ІС визначає центр (шляхом пошуку найтривалішої послідовності з пікселів з колірним значенням # 000000, поділу її навпіл і виділення центру області червоним кольором), діаметр і площа області.

Визначивши фізичні параметри мікрокраплі в покритті, можна зробити висновок про якість напилення, який проводиться наступним чином. Визначається площа всього зображення з розрахунку що 1 сантиметр дорівнює 37.76 пікселям. Підсумовуються площі всіх знайдених об'єктів. Потім знаходиться процентне співвідношення підсумувати площ до загальної площі розглянутого зображення.

Модифікація вхідного зображення покриття в результаті роботи інформаційної системи наведено на мал. 4.1.

Модифікація вхідного зображення покриття в результаті роботи інформаційної системи

Малюнок 4.1 – Модифікація вхідного зображення покриття в результаті роботи інформаційної системи (анімація — 4 шт., затримка — 1000 мс, розмір — 240 Кб)

Висновки

У даній магістерській роботі був проведений аналіз методів виділення меж і бінаризації вхідного зображення для створення інформаційної системи ідентифікації мікрокрапель у покритті. У підсумку була підібрана послідовність дій та методів, яка забезпечить максимально високу працездатність ІС.

Основними передумовами для розробки підсистеми стало те, що багато програм вже існуючих не зовсім правильно розпізнають знімки мікрокрапель у покритті, оскільки вони розраховані для аналізу інших речовин. Також був розроблений алгоритм процесу ідентифікації мікрокрапель і методика їх розпізнавання.

На момент написання реферату магістерська робота ще не закінчена. Повністю ознайомиться з нею можна буде після того, як вона буде на фінальній стадії до грудня 2015 року.

Перелік джерел

  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