Реферат по теме выпускной работы
Содержание
- Введение
- 1. Актуальность темы
- 2. Цель и задачи исследования
- 3. Обзор исследований и разработок
- 4. Средства для решения подобных задач
- Выводы
- Список использованных источников
Введение
Продукция чёрного металлопроката используется на предприятиях железнодорожной, авиационной и автомобильной промышленности, при этом повышенный интерес вызывает продукция толстолистового проката. И становится актуальной задача контроля качества поверхности продукции.
Толстые листы выпускаются на следующих предприятиях России: Амурсталь (Комсомольск-на-Амуре), ЛАСАР (Липецк), Северсталь (Череповец), АМК (Алчевск).
И в целом на сегодняшний день в металлургии имеют высокую востребованность информационные системы. Это связано с важностью сбора, хранения, обработки, передачи и использования данных о продукции, в том числе - в сфере листопрокатного производства.
Объект исследования - информационные потоки, характеризующие прокат толстых листов. Предмет исследования – подготовка данных и процесс распознавания дефектов.
Системный анализ объекта исследований предполагает выявление особенностей производства готовой продукции станов холодной обработки чёрных металлов давлением в современных условиях, выделение основных классов дефектов листового проката и их признаков, исследование состояния существующей системы обнаружения дефектов, проведение информационного поиска и формирование концепции совершенствования системы контроля качества продукции холодной обработки чёрных металлов давлением.
Внедрение новой системы распознавания позволит:
- повысить качество готовой продукции толстолистового проката за счет оперативной корректировки технологического процесса при реверсных прогонах для устранения поверхностных дефектов;
- сократить затраты на модернизацию производства на основе импортозамещения.
1. Актуальность темы
В заводской практике все дефекты подразделяют на образующиеся в сталеплавильных и прокатных цехах. Дефекты, возникающие в сталеплавильных цехах как при выплавке, так и при разливке стали, представляют собой в основном трещины различного вида, плены, неметаллические включения, подкорковые пузыри, ликвацию, нарушения размеров и формы заготовок. Поверхностные дефекты, образовавшиеся в сталеплавильном производстве, в случае их неудаления переходят на заготовку, а с нее и на готовый прокат. Основными дефектами, возникающими в прокатных цехах, являются: рванины, вкатанная окалина, трещины, закаты, царапины, отпечатки, нарушения формы и размеров. Дефекты прокатного передела располагаются по длине и периметру раскатов. Классификация дефектов по их характеру:
- неправильность профиля, неточность размеров и общей формы как заготовок, так и листового проката;
- наружные дефекты – рванины, плены, трещины, закаты, раковины, царапины, вкатанная окалина, рябизна, недотрав, перетрав и др.;
- внутренние дефекты – остатки усадочной раковины, расслоения, неметаллические включения, флокены, волосовины и др.;
- дефектность по механическим свойствам, то есть несоответствие металла требованиям по пределу прочности, пределу текучести, относительному удлинению, сужению поперечного сечения, ударной вязкости, холодному изгибу, твердости и др.;
- дефектность по микроструктуре – величине и смежности баллов зерна феррита, структурно-свободного цементита, полосчатости, индексу загрязненности неметаллическими включениями и пр.
Для решения актуальной задачи распознавания дефектов используются оптико-электронные информационно-измерительные системы (ОЭИИС) обнаружения поверхностных дефектов, являющиеся системами компьютерного зрения (СКЗ), по данным которых корректируются входные параметры систем автоматического регулирования прокатных станов для последующего устранения дефектов в процессе производства.
2. Цель и задачи исследования
Целью исследования является повышение точности оценки качества поверхности листовых материалов на основе обеспечения принятия решений в системах контроля на основе автоматизированных систем.
Задачи исследования:
- путём реализации базы данных обеспечить хранение информации о прокатанных листах;
- предоставить инструменты для доступа к данным о листах на технологических участках;
- обеспечить оперативность в получении информации;
- создать автоматизированную систему диагностики поверхностных дефектов листов.
3. Обзор исследований и разработок
Исследованиям ОЭИИС обеспечения качества проката металлов посвящены работы известных российских ученых.
1. Трофимов В.Б., Кочев П.С. «О разработке интеллектуальной автоматизированной системы контроля качества листового проката на основе многоструктурного распознавания дефектов». В данной работе рассматривается актуальная прикладная задача распознавания дефектов поверхности стального проката на примере листового проката в процессе его производства. Для ее решения предложена комбинированная процедура, объединяющая аппарат искусственных нейронных сетей и динамических экспертных систем. Разработано алгоритмическое, программное и техническое обеспечение интеллектуальной системы контроля качества поверхности листового проката, выполняющей функции автоматического распознавания типовых дефектов с помощью искусственных нейронных сетей, автоматизированного распознавания редко встречающихся дефектов с помощью экспертной системы, оценивания параметров и пространственных координат дефектов, а также выявления причин их возникновения с помощью интеллектуального анализа данных [1].
2. Соболева Н.Н. «Применение нейронных сетей для анализа микроструктуры металла». Анализ микроструктуры производится посредством сегментации изображений, то есть разбиения изображений на сегменты для выделения объектов или их границ на изображениях. Выполняется семантическая сегментация, подразумевающая разделение информации на семантические классы, без выделения отдельных экземпляров в пределах одного класса. Выделены контуры зёрен металла с построением гистограммы распределения площадей зёрен. Благодаря нейросети решена и более сложная задача – определение размеров бывшего аустенитного зерна. Разработано программное обеспечение, позволяющее определять марку и количественные параметры стали [2].
3. Пчелинцев Д.О., Игнатьев С. А. «Автоматизация распознавания локальных дефектов поверхностного слоя колец подшипников с применением вейвлет-преобразований при вихретоковом контроле в системе мониторинга». Организован автоматизированный контроль поверхностного слоя деталей подшипников и выявления дефектов различных типов. Обосновано применение вихретокового метода для выявления локальных дефектов. Разработан метод автоматического выявления и распознавания локальных дефектов поверхностного слоя колец подшипников. Найдены границы дефекта в сигнале вихретокового преобразователя. Выбран метод автоматического распознавания дефектов деталей на основе предложенных классификационных признаков. Разработана общая схема методики автоматического выявления и распознавания дефектов поверхностного слоя деталей подшипников. Создано аппаратно-программное обеспечение системы автоматизированного вихретокового контроля, исследованы характеристики рассматриваемых типов дефектов, проведена первичная обработка и выделение нестационарных особенностей сигнала, применена многослойная искусственная нейронная сети для классификации дефектов поверхностного слоя деталей подшипников по выбранным признакам распознавания [3].
Таким образом, в настоящее время сложилась система моделей, методов и средств оценки качества продукции проката металлов, разработаны общие принципы их использования, позволяющие решать задачу обнаружения дефектов проката. Вместе с тем установлено, что изменения входных параметров технологического процесса проката оказывает различное влияние на устранение дефектов [4, 5]. Это определяет актуальность проведения исследований в области совершенствования ОЭИИС на основе распознавания поверхностных дефектов листового проката в процессе производства.
Входные данные – фото в формате .jpg (то есть пиксели представлены в растровом виде). Выходные данные – выделенный точками контур дефекта, кол-во дефектов, обнаруженное на листе, тип каждого из них и число, указывающее на годность листа: 2 – годен, 1 – подлежит ремонту, 0 – подлежит переплавке.
При сжатии изображение преобразуется из цветового пространства RGB в YCbCr. После преобразования RGB->YCbCr для каналов изображения Cb и Cr, отвечающих за цвет, может выполняться «прореживание», которое заключается в том, что каждому блоку из 4 пикселей (2х2) яркостного канала Y ставятся в соответствие усреднённые значения Cb и Cr (схема прореживания «4:2:0». При этом для каждого блока 2х2 вместо 12 значений (4 Y, 4 Cb и 4 Cr) используется всего 6 (4 Y и по одному усреднённому Cb и Cr). Если к качеству восстановленного после сжатия изображения предъявляются повышенные требования, прореживание может выполняться лишь в каком-то одном направлении — по вертикали (схема «4:4:0») или по горизонтали («4:2:2»), или не выполняться вовсе («4:4:4»).
В результате изображение хранится в формате 24 бита на каждый пиксель (по 8 для красного, зелёного и синего). В файле пиксель представлен как отдельное и дискретное число, характеризующее его цвет. Чтение из файла происходит путём создания битовой карты, в которую в двойном цикле загружаются пиксели. Таким образом формируется матрица пикселей. Её максимально возможная размерность – 65535 на 65535 (зависит от разрешения).
Файл JPEG содержит последовательность маркеров, каждый из которых начинается с байта 0xFF, свидетельствующего о начале маркера, и байта-идентификатора. Некоторые маркеры состоят только из этой пары байтов, другие же содержат дополнительные данные, состоящие из двухбайтового поля с длиной информационной части маркера (включая длину этого поля, но за вычетом двух байтов начала маркера, то есть 0xFF и идентификатора) и собственно данных. Такая структура файла позволяет быстро отыскать маркер с необходимыми данными (например, с длиной строки, числом строк и числом цветовых компонентов сжатого изображения).
Данные о выделенном контуре дефекта решено хранить в матрице, где число 2 означает пиксель без дефекта, 1 – край дефекта, 0 – внутренность дефекта. Такая матрица охватывает всю попавшую на фотографию поверхность листа, поэтому её размерность совпадает с общим количеством пикселей, то есть до 65535x65535 при максимальном разрешении. Этот вариант не предполагает дополнительных данных о форме дефекта, поскольку все единички однозначно определяют вид контура.
4. Средства для решения подобных задач
Первым, важным этапом распознавания является разметка данных. Примером средства облачной распределённой разметки является Яндекс.Толока [6]. Это краундсорсинговый проект, созданный в 2014 году для быстрой разметки большого количества данных, которые затем используются для машинного обучения и совершенствования поисковых алгоритмов. Как правило, размещаемые задания достаточно простые, для их исполнения не требуется специальная подготовка. В основном они связаны с анализом и оценкой контента.
Также есть Computer Vision Annotation Tool (CVAT) – это инструмент с открытым исходным кодом для разметки цифровых изображений и видео [7]. Основной его задачей является предоставление пользователю удобных и эффективных средств разметки наборов данных. Это универсальный сервис, поддерживающий разные типы и форматы разметки. Для конечных пользователей CVAT – это web-приложение, работающее в браузере. Он поддерживает разные сценарии работы и может быть использован как для персональной, так и для командной работы. Основные задачи машинного обучения с учителем в области обработки изображений можно разбить на три группы:
- детектирование объектов;
- классификация изображений;
- сегментация изображений.
CVAT пригоден во всех этих сценариях.
На следующем этапе надо разделить данные на подвыборки, то есть на обучающую и тестовую. Можно применить библиотеку scikit-multilearn, например, метод iterative_train_test_split. Это модуль Python, способный выполнять задачи обучения с несколькими метками. Он построен на основе различных научных пакетов Python (numpy, scipy) и использует API, аналогичный API scikit-learn.
Выбор Фреймворков. Для того, чтобы экспериментировать с различными архитектурами, выстраивать процессы загрузки изображений, аугментации данных, расчета метрик, визуализации результатов и решение других сопутствующих задач, исследователи создают собственные фреймворки, включающие весь функционал [8, 9, 10].
Для разработки под Python двумя наиболее популярными фреймворками являются MMdetection (open source) и Detectron2 (Facebook research).
MMDetection — это набор инструментов для обнаружения объектов с открытым исходным кодом, основанный на PyTorch. Основная ветка работает с PyTorch 1.8+. Особенности: модульная конструкция, мультизадачность, высокая эффективность благодаря использованию графических процессоров. Набор инструментов основан на базе кода, разработанного командой MMDet, он продолжает развиваться. Также дает новые современные результаты в задачах сегментации экземпляров в реальном времени и обнаружения вращающихся объектов, обеспечивает лучший компромисс между точностью параметров при обнаружении.
Detectron2 — это библиотека нового поколения Facebook AI Research, которая предоставляет самые современные алгоритмы обнаружения и сегментации. Она поддерживает ряд исследовательских проектов в области компьютерного зрения и производственных приложений в Facebook. Включает новые возможности, такие как паноптическая сегментация, Densepose, Cascade R-CNN, вращающиеся ограничивающие рамки, PointRend, DeepLab, ViTDet, MViTv2 и т. д. Модели можно экспортировать в формат TorchScript или формат Caffe2 для развертывания.
На данный момент описанные библиотеки доступны пользователю из России, однако в связи с санкциями доступ может быть закрыт, поэтому надо озаботиться установкой vpn.
Задачи, которые должны быть решены для выполнения цели работы:
- анализ существующих методов обнаружения дефектов по фото, определения их вида и количества;
- построение алгоритма для обработки выбранных видов дефектов и проведение эксперимента;
- разработка объектно-ориентированной модели системы, имея в виду перспективы её внедрения на заводе;
- создание компьютеризированной системы, выполняющей загрузку, анализ фото и принятие на его основе решения о необходимости ремонта либо переплавки листов;
- сбор данных о работе системы, вывод о её эффективности и экономическом эффекте.
Выводы
Произведено формализованное описание предметной области и выработана последовательность действий для достижения цели:
1. Построение модели.
2. Создание системы.
3. Тестирование системы на большом объёме фотографий металла.
4. Определение случаев удачной работы системы и погрешностей.
5. Расчёт быстродействия программы при каждой обработке.
6. Расчёт среднего процента точности.
7. Разработка методики обработки результатов эксперимента.
Список использованных источников
- Трофимов В. Б. О разработке интеллектуальной автоматизированной системы контроля качества листового проката на основе многоструктурного распознавания дефектов / В. Б. Трофимов, П. С. Кочев // Теплотехника и информатика в образовании, науке и производстве : сборник докладов IV Всероссийской научно-практической конференции студентов, аспирантов и молодых учёных «Теплотехника и информатика в образовании, науке и производстве» (ТИМ’2015) с международным участием, посвящённой 95-летию основания кафедры и университета (г. Екатеринбург, 26-27 марта 2015 г.). — Екатеринбург : УрФУ, 2015. — С. 427-431.
- Соболева Н. Н. Применение нейронных сетей для анализа микроструктуры металла / Н. Н. Соболева. — Текст : электронный // Уральская школа молодых металловедов : сборник статей XXII Международной научно-технической Уральской школы-семинара металловедов — молодых ученых (Екатеринбург, 23-27 октября 2023). — Екатеринбург : Издательский Дом «Ажур», 2023. — С. 407-411.
- Пчелинцев, Д. О. Автоматизированное распознавание локальных дефектов поверхностей качения колец подшипников при вихретоковом контроле с использованием вейвлет-преобразования / Д. О. Пчелинцев, С. А. Игнатьев // Вестник Саратовского государственного технического университета. – 2009. – Т. 3, № 1(40). – С. 70-77. – EDN KXGZJB.
- Компьютерное зрение в промышленной дефектоскопии : сайт. Москва, 2021. URL: https://habr.com/ru/companies/itmai/articles/541858.
- Распознавание дефектов на металлических сплавах с помощью алгоритмов компьютерного зрения ОpenCV / И. А. Балеев, А. Н. Земцов, М. И. Зыбин, В. А. Смирнов // Инженерный вестник Дона. – 2021. – № 3(75). – С. 78-87. – EDN DLABLU.
- Таран, Е. А. Алгоритм использования краудсорсинговых инструментов для сбора и анализа данных научных исследований (на примере подготовки систематизированного обзора литературы) / Е. А. Таран, В. А. Маланина, Ф. Касати // Экономика и управление инновациями. – 2020. – № 4(15). – С. 39-46. – DOI 10.26730/2587-5574-2020-4-39-46. – EDN XNCKDX.
- Фролов, Е. А. Исследование возможностей инструмента CVAT для разметки данных / Е. А. Фролов, И. Е. Михайлец // Математические методы и модели в высокотехнологичном производстве : Сборник тезисов докладов II Международного форума, Санкт-Петербург, 09 ноября 2022 года. – Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2022. – С. 349-351. – EDN PKAKOY.
- Сапигина, А. К. Рекомендации по выбору технологий и фреймворков для разработки бизнес-приложений / А. К. Сапигина, Е. А. Иванова // Информационное общество: современное состояние и перспективы развития : сборник материалов XII международного форума, Краснодар, 15–20 июля 2019 года. – Краснодар: ФГБОУ ВО «Кубанский государственный аграрный университет имени И. Т. Трубилина», 2019. – С. 360-363. – EDN NHBHDJ.
- Панюкова, Е. В. Выбор лучшего javascript фреймворка: сравнение react, vue и angular / Е. В. Панюкова, Е. А. Бакулина // Развитие науки и технологий в современной России (шифр - ВКРН) : Сборник материалов VII Всероссийской научно-практической конференции, Москва, 30 сентября 2024 года. – Москва: ООО «Издательство Академическая среда», 2024. – С. 14-18. – DOI 10.62994/4736.2024.43.37.015. – EDN BAPGYA.
- Клименко, Н. А. Рекомендации по выбору технологий и фреймворков для разработки бизнес-приложений / Н. А. Клименко, Е. А. Иванова // Цифровизация экономики: направления, методы, инструменты : Сборник материалов I всероссийской студенческой научно-практической конференции, Краснодар, 21–25 января 2019 года. – Краснодар: Кубанский государственный аграрный университет имени И.Т. Трубилина, 2019. – С. 384-387. – EDN YZYLTN.