ИСПОЛЬЗОВАНИЕ КОНТУРНОГО АНАЛИЗА В ЗАДАЧЕ КОНТРОЛЯ КАЧЕСТВА АБРАЗИВНЫХ МАТЕРИАЛОВ

Авторы В. А. Камаев, П. П. Кудряшов, А. А. Стец

Источник: Журнал: Известия волгоградского государственного технического университета

В статье описывается автоматический метод контроля качества абразивных материалов. Метод основан на специализированных алгоритмах анализа изображения абразивной поверхности. На основании предложенных алгоритмов, была разработана система автоматического анализа, которая позволяет производить контроль зернистости и качества абразивных поверхностей.

Ключевые слова: образивы, зернистость, контроль качества, контурный анализ.

Я, Шепляков Дмитрий Владимирович, родился 4 января 1992 года в городе Донецке. Садик я начал посещать с четырех лет, он назывался Звездочка. Именно там я впервые попал в коллектив таких же как и я любопытных и веселых. Я был активным и любознательным ребенком, мое детство было ярким и красочным, с большим количеством позитивных и радостных эмоций, и познанием новых возможностей. Мои родители с самого рождения окружали меня любовью и заботой, дали мне всестороннее развитие, и всячески поддерживали меня в моих начинаниях, и продолжают это делать, за что я их благодарю.

Развитие вычислительной техники и науки способствовало автоматизации не только рутинной человеческой деятельности, но и выполнения задач, которые раньше не могли успешно решаться без участия человека. Одной из таких задач является задача распознавание образов.

Практически в любом производстве одним из этапов процесса является шлифовка или доводка поверхностей. Этот этап связан с использованием абразивных материалов, из которых производятся разнообразные абразивные изделия: наждачная бумага и ткань, шлифовальные и правочные бруски, керамические и вулканитовые головки и другое [7].

Ввиду того, качество абразивных материалов влияет на конечный результат выпускаемых производством изделий, контроль процесса изготовления и качества получаемых абразивных материалов является крайне важным для современных производств.

В настоящее время в Российской Федерации существует государственный стандарт, согласно которому производится анализ качества абразивных материалов [9]. Для оценки зернистости применяют исключительно ручные методы, которые являются трудоемкими, требуют больших затрат времени и не обладают необходимой точностью. Помимо этого, данные методы позволяют исследовать абразивные зерна только в несвязанном состоянии, при этом оценить качество зерен, нанесенных на подложку, они не могут.

Таким образом, задача автоматизации оценки абразивной поверхности является актуальной.

Абразив представляет собой зерна, классифицированные на узкие размерные фракции, которые используются для полировки, дальнейшего измельчения, изготовления жесткого и эластичного абразивного инструмента [8].

Зернистость – характеристика, отражающая величины зерен. Зерна делятся на фракции. Фракция – совокупность зерен абразива, размер которых лежит в заданной области. Абразив характеризуется природой материала, его кристаллической структурой, твердостью и размером зерен. Все это определяет режущую способность абразива, а зернистость, кроме того, определяет достижимую шероховатость обрабатываемой поверхности [8].

На рис. 1 представлено изображение образца шлифзерна, полученное под микроскопом.

Для определения качества абразива нами предлагается автоматический анализ изображения его поверхности с использованием методов распознавания образов.

Автоматизированный анализ зернистости состоит из трех последовательных этапов: этап предварительной подготовки исходного изображения, этап поиска контуров, этап обработки данных.

Рисунок 1. Образец шлифзерна

Рассмотрим этапы анализа более подробно.На рис. 1 можно видеть, что на изображении абразивной поверхности помимо зерен присутствуют разнообразные нежелательные включения: структура подложки, пыль и т. п. Для повышения качества распознавания на первом этапе мы производим подавление подобных артефактов. Для этого к исходному изображению применяется ряд морфологических операций, что позволяет убрать нежелательные включения. Операции включают в себя последовательность эрозии и дилатации.

Рисунок 2. Изображение после выполнения операции эрозия

После выполнения этих операций изображение переводится в монохромный вид. Для этого задается некоторый пороговый уровень threshold [1].

Пикселы, превосходящие заданный порог получают значение 1, остальные пикселы – 0.

На втором этапе, этапе поиска контуров определяются все замкнутые не пересекающиеся контуры, обводящие локальные скопления нечерных (значение яркости > 0) пикселей [2]. Существует множество алгоритмов определения контуров на монохромном изображении с различной степенью оптимизации под характеристики изображения. Предлагается использование простейшего алгоритма, строящего вложенное дерево контуров, которое используется для последующего анализа. Данный алгоритм реализован в виде функций в библиотеке компьютерного зрения Intel OpenCV [2]. Эта библиотека активно применялась при реализации программных модулей.

Следующий этап – этап обработки данных. На этом этапе исключаются все вложенные контуры, которые обводят подобласти зерна различной яркости. А оставшиеся контуры, соответствующие отдельным зернам, аппроксимируются эллипсами (см. рис. 5). Далее происходит фильтрация эллипсов по специальным условиям. Так отбрасываются слишком мелкие и вытянутые эллипсы, которые, скорее всего, являются помехами на изображении, оставшимися после этапа шумоподавления.

Рисунок 3. Монохромное изображение

Слишком крупные эллипсы проверяются на случай склеенных зерен (см. рис. 6, 7). Для этого аппроксимируется площадь зерна, берется отношение площади зерна к площади эллипса. Если такое отношение меньше или равно заданной константе C, то это говорит о случае склеенных зерен. Эмпирически было установлено значение константы C, равное 0,96, которое позволяет с высокой степенью вероятности идентифицировать склеенные зерна. К прямоугольной области, содержащей склеенные зерна, снова применяются морфологические операции эрозии и дилатации с большим размером структурирующего элемента, что позволяет разрушить границу между зернами, т. е. отделить их друг от друга. Далее на этом участке снова производится поиск контуров. Поиск склеенных зерен производится рекурсивно до тех пор, пока анализируемые участки не станут слишком малы. По завершении процесса, эллипсы, обводившие склеенные зерна, удаляются, вместо них вставляются более точные эллипсы, каждый из которых обводит отдельное зерно.

Геометрические параметры полученных эллипсов (длины их осей) в дальнейшем могут использоваться для составления заключения о качестве исследуемого образца абразивной поверхности.

Рисунок 4. Результат этапа поиска контуров

Рисунок 5. Зерно, вписанное в эллипс

Рисунок 6. Случай склеенных зерен до обработки

Рисунок 7. Случай склеенных зерен после обработки

Предложенный подход был реализован в виде программной системы автоматического анализа качества абразивных материалов. Для реализации была использована среда разработки Visual Studio 2008, а также библиотека компьютерного зрения Intel OpenCV.

Для проведения испытаний системы автоматизированного анализа зернистости были использованы изображения абразивных поверхностей, полученных в реальных условиях на Волжском абразивном заводе. В среднем каждое изображение содержало около 100 абразивных зерен. Зерна представляли собой шлифзерно, зернистостью 50-П. При зернистости 50-П ведущая фракция составляет 500 мкм. В результате анализа зерна, составляющие ведущую фракцию, содержались в количестве 55% от общего числа. Зерна комплексной фракции содержались в количестве 95%. Такие параметры соответствуют ГОСТ 3647–80. «Материалы шлифовальные. Классификация. Зернистость и зерновой состав. Методы контроля».

Согласно ГОСТ 3647–80, исследуемый образец является качественным продуктом.

Однако в нескольких изображениях исследуемых образцов были обнаружены зерна зернистостями 850 и 880, которые являются слишком крупными для данной фракции, та как согласно ГОСТ 3647–80, для шлифзерна, ведущая фракция которого 50-П, максимальная зернистость составляет 800.

Таким образом, около 2 % зерен в исследуемых образцах превосходят предельную фракцию. То есть можно сделать вывод, что данная абразивная поверхность не отвечает требуемым характеристикам качества.

В целом было рассмотрено порядка 100 образцов абразивной поверхности. Несмотря на то, что ряд изображений полностью соответствовали ГОСТ, на 5% из них было выявлено неcоответствие ГОСТ. Данный пример показывает, что ручной анализ партии, проводимый на нескольких образцах неспособен с должностью точностью определить возможные дефекты. С использованием предложенной системы становится возможным автоматический анализ целых партий абразивных поверхностей как на этапе производства абразивных материалов, так и на этапе анализа качества закупленной партии абразивных материалов в автомобильной, деревообрабатывающей, мебельной промышленности и др.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Петров, В. О. Алгоритм текстурной сегментации растровых изображений при решении прикладных задач медико-биологического анализа / В. О. Петров, В. А. Ка- маев, С. В. Поройский // Современные проблемы науки и образования. – 2009. – № 6. – C. 106–110.

2. Bradski G., Kaebler A. OReilly-LearningOpenCV, 2008. – 577 с.

3. Кудряшов П. П. Гибридный алгоритм обнаружения человеческих лиц / П. П. Кудряшов, С. А. Фоменков //Информационные технологии. – 2007. – №10. – С. 20–23.

4. Стокман Д., Шапиро Л. Компьютерное зрение. – Бином. Лаборатория знаний, 2006 г. – 752 с.

5. Дзвид А. Компьютерное зрение. Современный подход. 2004. – 928 с.

6. Малинин В. В. Распознавание образов на ЭВМ. М: Учеба, 2005. – 573 с.

7. Буткарев А. И. Полировка. «АБ Универсал». Технологии, материалы, оборудование, инструменты, 2002.

8. Гаршин А. П. Абразивные материалы. Л., 1983.

9. ГОСТ 3647–80. Материалы шлифовальные. Классификация. Зернистость и зерновой состав. Методы контроля. – М, 1982.