Гатилова Юлия Сергеевна

1 Вводная часть

1.1 Актуальность

Качество металлопродукции во многом определяется совершенством и надёжностью методов и средств контроля [1].

Проведение работ в данной области актуально, вследствие того, что в условиях непрерывного производства потеря времени и неточность в определении характера дефектов недопустимы [2].

1.2 Цели и задачи работы

Целью работы является выявление поверхностных дефектов листового проката, полученного из непрерывнолитой заготовки.

Целью исследования является поиск методов повышения точности распознавания дефектов, поиск методов сокращения времени распознавания поверхности листового проката, создание автоматизированной системы поддержки принятия решений при оценке качества листа.

Объектом исследования является поверхность листового проката, произведенного из непрерывнолитой заготовки.

Объектом диагностики является совокупность поверхностных дефектов, формирующихся в процессе получения листового проката, как следствие отклонений от нормативных требований технологии изготовления непрерывнолитых заготовок в сталеплавильном производстве или несоответствий параметров технологических процессов при производстве толстого листа в прокатном цехе.

Задачей исследования является создание компьютерных средств, позволяющих автоматизировать процесс выявления дефектов, классификации и установления причинно-следственных связей формирования дефектов по их видам (классам) и геометрическим характеристикам.

1.3 Научная новизна

Решение этой задачи является практически необходимым в условиях завода “Донецксталь-МЗ”, т.к. в настоящее время единственным способом выявления дефектов является визуальная оценка вида дефекта на конечной стадии производства листа (стадии контроля) в условиях отсутствия системы формализующих параметров дефектов – по структуре, размерам, цветовым характеристикам, геометрии.

При получении формализованного описания причинно-следственных связей формирования дефектов на стадиях получения листового проката вопросы диагностики переходят в практическую плоскость: выявлять и устранять причины появления дефектов путем внесения изменений в технологические инструкции.

1.4 Диагностика поверхностных дефектов листового проката

Отбраковка по дефектам сталеплавильного происхождения на стадии листового проката по причине выявления поверхностных дефектов составляет 1,5% [2]. Огневая зачистка, удаляющая незначительные дефекты поверхности проката, снижает себестоимость продукции и ведёт к несоответствию стандартам, которые предъявляются заказчиком.

Таблица 1.

Распределение поверхностных дефектов для различных групп марок сталей при зачистке и отсортировке листов

Наиболее распространенным поверхностным дефектом толстолистового проката является плена. Данный дефект является трудно-распознаваемым на оцифрованном изображении, так как не является одиночным дефектом, а часто сопровождается совокупностью некоторых дефектов. Выделяют плену сталеплавильного происхождения, плену от наплывов, плену от вкатанных окалин.

Прокатная плена, связанная с горячей пластической деформацией литого металла, представляет собой отслоение металла языкообразной формы, односторонне соединённые с основным металлом. Плены образуются вследствие раскатки (расковки) рванин, следов насечки от валков и следов грубой зачистки дефектов поверхности на стадии шлифовки [1].

Сталеплавильная плена в частном случае представляет собой раковину. Раковина представляет собой, как правило, вкатанные частицы металла или глубокие вмятины от них [1]. Сталеплавильная плена отличается от других разновидностей данного дефекта по происхождению, расположению, форме, цвету, размерам.

Таблица 2.

Сравнительная характеристика плены различного происхождения

Поэтому наиболее важным этапом диагностики поверхности листового проката на наличии плены является выделение сталеплавильной плены от других видов данного дефекта. Данный этап распознавания основан на спектральном анализе оцифрованных изображений поверхности листового проката. На рисунке 1 представлена плена от вкатанной окалины.

Рисунок 1 – Плена

Этапы диагностики поверхностных дефектов:

1. Выявление очага поверхностного дефекта на его оцифрованном изображении.

2. Определение физических характеристик поверхностного дефекта.

3. Предварительная классификация поверхностного дефекта.

4. Сравнение с базой эталонных оцифрованных изображений поверхностных дефектов [2].

1.5 Обработка цифрового изображения

Предварительная обработка информации заключается в проведении этапов сегментации, коррекции, стандартизации шкалы яркости, фильтрации, геометрических преобразований [3].

Целью сегментации является извлечение информации, которая не будет использоваться в дальнейшей работе. Алгоритмы сегментации базируются на двух фундаментальных принципах: разрыва и подобия [4]. На этапе сегментации изображение разделяется на составные части или объекты [5]. Сегментация цифрового изображения принадлежит к числу самых трудных задач обработки [5]. «Излишне подробная сегментация уводит процесс решения задачи обработки изображения на сложный путь, если требуется идентифицировать объекты по отдельности. С другой стороны, недостаточно подробная или же ошибочная сегментация почти неизбежно приведет к возникновению ошибок на финальной стадии обработки. В общем, чем точнее сегментация, тем больше шансов на успех при распознавании» [5].

Определение границ объектов изображения выполняется по следующей схеме: цветное изображение переводится в черно-белое полутоновое и сглаживается, осуществляется пространственное дифференцирование - вычисляется градиент функции интенсивности в каждой точке изображения, и подавляются значения меньше установленного порога [3].

Необходимо построить контурное изображение, наиболее четко выделяющее контуры исходного изображения. Контурное изображение - это неориентированный граф, являющийся частичным подграфом градиентного изображения [3].

Необходимость коррекции ошибок процесса бинаризации обусловила появление алгоритма удаления ложных объектов. Применяется он после бинаризации для устранения ложных областей, которые не соответствуют реальным объектам на изображении, и для устранения шума, порождаемого бинаризацией [4].

Рисунок 2 - Возникновение ложных объектов при бинаризации

Проблема автоматизированного определения поверхностных дефектов непрерывнолитых заготовок актуальна для большинства металлургических заводов [2]. Наиболее важным этапом диагностики поверхностных дефектов второго передела является определение достаточного уровня физической чувствительности методики [2].

К ряду исследуемых проблем относится обнаружение зон наложения объектов изображения и необходимость автоматической интерпретации данных зон [2]. Процесс подготовки документа требует определения конфигурации объекта в местах его наложения с другими объектами, учитывая особенности метода «обрывания», связанного с потерей целостности объектов, и варианта, в котором зона наложения считается частью каждого из прилегающих к ней объектов [2].

2 Обзорная часть

2.1 Локальный обзор

Исследования в области обработки цифрового изображения ведутся сотрудниками, аспирантами и студентами кафедры автоматизированных систем управления, в рамках развития направления «Компьютерные системы медицинской и технической диагностики». Развиваются такие направления как нейросетевые технологии, эволюционные вычисления (генетические алгоритмы, генетическое программирование, решение комбинаторных задач), текстурная сегментация. Научный поиск в области обработки цифрового изображения ведёт:

Адамов В.Г., Скобцов Ю.А., Герасимов И.Г.,

Привалов М.В., Меркулова Е.В., Васяева Т.А.,

Мартыненко Т.В., Иванов Д.Е., Хмелевой С.В.,

Фонотов А.М., Трибрат А.А., Каира В.В.

Исследования, проводимые

Адамовым В.Г., проф., к.т.н.,

Приваловым М.В., доц., к.т.н. и

Меркуловой Е.В., доц., к.т.н.,

В рамках металлургической тематики, также ведётся научный поиск. Моя магистерская работа направлена на создание автоматизированной компьютерной системы классификации поверхностных дефектов листового проката, полученного из непрерывнолитой заготовки. В рамках данной работы исследуются методы препроцессорной обработки изображения, методы спектрального анализа изображения, методы выделения текстурных признаком.

2.2 Национальный обзор

Обработкой цифровых изображений с целью контроля качества металлургической продукции на разных стадиях технологического процесса занимаются специалисты ведущих металлургических предприятий Украины.

Сотрудники Донецкого металлургического завода - Тараненко Павел Петрович, начальник центральной исследовательской лаборатории и Великий Николай Иванович, главный специалист ЦИЛ ЗАО «Донецксталь – МЗ», которые предоставили мне возможность работать с таким проектом как «Диагностика поверхностных дефектов листового проката, полученного из непрерывнолитой заготовки».

В декабре 2006г. на кафедре автоматизированных систем управления факультета компьютерных информационных технологий Донецкого национального технического университета к магистерской защите была представлена работа Маир О.В. «Разработка методов и алгоритмов контроля качества стали в металлографической лаборатории» http://www.masters.donntu.ru/2006/kita/mayir/index.htm [6]. В данной работе для решения задач контроля качества стали, применяются нейронные сети.

Сотрудники Алчевского металлургического комбината Харин А.В., Горяинова Т.В. занимаются разработкой системы автоматизированной оценки качества непрерывнолитой заготовки (сляба) по серным отпечаткам http://www.harin-asutp.nm.ru/article1.html [7]. В рамках данных исследований получены аппроксимированные функциональные зависимости балла дефекта по рейтинг-таблице Mannesmann от относительной яркости фрагмента серного отпечатка.

2.3 Мировой обзор

Такое направление как, автоматизация систем контроля качества металлургической продукции, развивается в научных и исследовательских лабораториях, в высших учебных заведениях, находящихся в непосредственной близости с крупными металлургическими комплексами по всему миру.

Оценкой качества макроструктуры темплетов занимаются ведущие специалисты Магнитогорского металлургического комбината, студенты, аспиранты и сотрудники Магнитогорского государственного технического университета. Обзор данной научной разработки представлен в журнале «Сталь» № 11 за 2006г.: Капцан Ф.В., Суспицын В.Г., Логунова О.С., Павлов В.В., Нуров X.X. «Организация автоматизированного рабочего места в системе оценки качества макроструктуры заготовок в ЭСПЦ ММК» Статья [8].

Специалисты фирмы «Уралмаш - Металлургическое оборудование» занимаются задачей установления и регистрации взаимосвязи параметров качества заготовки с параметрами, характеризующими процесс разливки. Разработанная ими самообучающаяся система автоматизированного управления качеством металлопродукции представлена журнале «Сталь» № 2 за 2005г.: Паршин В.М., Чертов Л.Д. «Интеллектуальные системы управления качеством непрерывнолитой заготовки» Статья [9].

Сорокина Л.И., сотрудница ООО "ВидеоТесТ" (г. Санкт-Петербург) ведёт работы по стандартизации автоматизированных методик контроля микроструктуры. «Стандарты по металлографическому контролю качества материалов в большинстве своем описывают методики измерения микроструктурных параметров путем сравнения изображений, наблюдаемых в микроскопе, с эталонными. Эталонное изображение индексируется числовым значением (баллом), определяющим место положения изображения в шкале, организованной по возрастанию контролируемого структурного параметра. Появление в арсенале специалистов по металлографическому контролю современных анализаторов изображений (программно-аппаратных комплексов), автоматизирующих стандартные методики, а там где необходимо всю процедуру контроля с момента установки шлифа на управляемый с помощью компьютера предметный столик микроскопа до получения конечного результата, обеспечивает улучшение показателей безошибочности, точности и оперативности получения количественных результатов» http://lityo.com.ua/li/s_174.html [10].

3 Заключительная часть

3.1 Планируемые результаты

На данный момент работа по теме магистерской работы является незаконченной. Окончательные результаты планируется получить к декабрю 2007 года. За материалами и результатами по теме «Специализированная компьютерная система диагностики поверхностных дефектов листового проката, полученного из непрерывнолитой заготовки» обращайтесь по элктронному адресу: yuliya.s.g@gmail.com, doneckshipovnik@yandex.ru

3.2 Заключение

В качестве средств решения сформулированной задачи предполагается использование оптических средств для фиксации изображений отдельных дефектов и их расположения на поверхности листа в целом, применение специализированных программных средств для распознавания дефектов.

Исходным моментом для решения поставленных задач является описание предметной области объекта исследования и объекта диагностики. Информационное поле для описания проблемы - выделение составляющих и их структурных связей, формальное представление объекта в виде, пригодном для поиска математических методов решения и для компьютерного (программного) представления диагностической системы.

Список используемых источников

1. Рубенчик А.Е., Сорокин М.И. – Сталь, 1982, №2, с.72-75

2. Гатилова Ю.С. Специализированная компьютерная система диагностики поверхностных дефектов листового проката// Автоматизация технологических объектов и процессов. Поиск молодых. Сборник научных работ VII Международной научно-технической конференции аспирантов и студентов в г. Донецке 26-28 апреля 2007 г. - Донецк, ДонНТУ, 2007.- С.251-253. 3 с.

3. Бакут П.А., Ворновицкий И.Э., Колмогоров Г.С., Лабунец В.Г. Методы сегментации изображения. Уральский политехнический институт им. С.М. Кирова. 1986. С.127.

4. Прэтт У. Цифровая обработка изображений. – Кн. 1,2. – М.: Наука, 2000. – 1024с.

5. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005. - 1072с. (глава 1, часть 4 - С. 56-60)

6. http://www.masters.donntu.ru/2006/kita/mayir/index.htm
   Маир О.В. Разработка методов и алгоритмов контроля качества стали в металлографической лаборатории. (Обзор методов цифровой обработки изображений)

7. http://www.harin-asutp.nm.ru/article1.html
   Харин А.В., Горяинова Т.В (ОАО «Алчевский металлургический комбинат») Разработка системы автоматизированной оценки качества непрерывнолитой заготовки по серным отпечаткам

8. Капцан Ф.В., Суспицын В.Г., Логунова О.С., Павлов В.В., Нуров X.X. Организация автоматизированного рабочего места в системе оценки качества макроструктуры заготовок в ЭСПЦ ММК// Сталь. 2006 № 11. С. 80 - 82. Статья

9. Паршин В. М., Чертов Л. Д. Интеллектуальные системы управления качеством непрерывнолитой заготовки// Сталь. 2005 № 2. С. 37 - 43. Статья

10. http://lityo.com.ua/li/s_174.html
    Сорокина Л.И. (ООО "ВидеоТесТ", г.Санкт-Петербург) Стандартизация автоматизированных методик контроля микроструктуры