ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Journal influence

Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)

Bookmark

Next issue

4
Publication date:
09 September 2024

The article was published in issue no. № 3, 2008
Abstract:
Аннотация:
Authors: Logunova, O.S. ( logunova66@mail.ru) - Nosov Magnitogorsk State Technical University (Professor), Magnitogorsk, Russia, Ph.D, () -
Keywords: , , , algorithms
Page views: 15199
Print version
Full issue in PDF (2.59Mb)

Font size:       Font:

Повышение качества продукции в любой из промышленных отраслей является одной из первостепенных задач. Эта проблема наиболее актуальна для предприятий металлургической промышленности при больших объемах производства и ответственном назначении изделий. Повышению достоверности информации о качестве металлургической продукции способствует развитие современных средств вычислительной техники и возможность совершенствования алгоритмов по автоматизированному распознаванию и анализу изображений.

В данной работе автор представляет алгоритмические основы системы автоматизированной оценки внутреннего качества непрерывно-литых заготовок, выпускаемых на ОАО «Магнитогорский металлургический комбинат», о разработке которой сообщалось в [1].

Особенности структуры низкоконтрастного изображения серных отпечатков

Не вдаваясь в подробности технологии подготовки образцов для оценки качества при выпуске непрерывно-литой заготовки, следует отметить, что в качестве исходных данных используются сканированные и оцифрованные изображения серных отпечатков от поперечных темплетов.

В изображениях области с пониженной яркостью соответствуют нарушению сплошности заготовки и образуют внутренние дефекты. Исследование структуры электронных изображений серных отпечатков показало, что они обладают следующими свойствами:

-   цветовая градация изображения – оттенки серого;

-   форма областей с пониженной яркостью – нерегулярная;

-   координаты проявления областей с пониженной яркостью – случайные;

-   размеры областей с пониженной яркостью – случайные;

-   размер полного изображения – от 100´100 мм до любого произвольного размера.

Указанные особенности затрудняют использование наиболее распространенных технологий анализа изображений, основанных на применении шаблонов, классификации или нейросетевых методов. Фактически нельзя предсказать, какого объема и какого содержания должны быть обучающие выборки для охвата полных наборов вариантов возможного расположения и форм областей пониженной яркости, соответствующих изображению дефектов в полости заготовки.

Алгоритм поиска связанных областей нерегулярной формы со случайным проявлением

Для выделения областей с пониженной яр- костью нерегулярной формы со случайными координатами проявления был использован рекурсивный алгоритм поиска по ортодоксальным направлениям. Перед применением алгоритма рекурсивного поиска к изображению серного отпечатка применяются функции фильтрации (1) и (2), переводящие изображение в оттенках серого к монохромному виду.

Функция для выделения точки со сниженной яркостью на изображении серного отпечатка имеет вид:

      (1)

где F(x,y) – функция относительного цвета в каждой точке изображения; Qs – отношение Штреля; h – эмпирическая величина, определяющая разность между средней яркостью отпечатка и яркостью в выбранной точке, при которой считаем точку дефектной [2].

Бинарная функция для отметки дефектной точки на изображении имеет вид:

               (2)

Следует отметить, что с помощью функции (2) происходит фиксирование факта наличия точки с пониженной яркостью: 1 – точка имеет пониженную яркость по отношению к общему серому фону изображения, 0 – точка имеет яркость выше среднего серого фона изображения и не может относиться к области внутреннего дефекта. Применение функции (1) позволило получить цифровые матрицы для каждого изображения серного отпечатка, содержащие инвертированные значения цветов каждой точки.

Рекурсивный алгоритм поиска связанных областей может быть представлен последовательностью шагов:

1) просмотр исходного изображения начинается с точки, координаты которой (1,1);

2) поочередно просматриваются все точки текущей строки: если все точки белые, переходим к следующей строке; если рассматриваемая точка черная, начинается процедура формирования объекта для области с пониженной яркостью:

а) запоминается начальная позиция (координаты первой черной точки (x0; y0));

б) определяется цвет четырех соседних точек с координатами: (x0-1;y0), (x0+1;y0), (x0;y0-1) и (x0;y0+1);

в) если цвет всех точек белый, формирование объекта заканчивается, иначе начальная позиция перемещается в первую найденную соседнюю черную точку;

г) повторяются пункты б и в;

д) черные точки, от последней до первой, запоминаются, и формируется массив координат, относящихся к текущей области, цвет точек выделенной области инвертируется (изображение очищается от черных точек);

3) повторяются пункты 1 и 2 до последней точки последней строки изображения.

Схема рекурсивного поиска дефектов представлена на рисунке.

В программной процедуре для реализации рекурсивного алгоритма, помимо включения точки в область и исключения ее из дальнейшего рассмотрения, проверяется местоположение ее в области всего изображения. Чтобы в ходе выполнения алгоритма не выйти за пределы области электронного изображения, возникла необходимость проверки пересечения границы, то есть рассматривается один из девяти случаев расположения точки в области изображения. Это усложняет алгоритм, но обеспечивает корректную обработку данных и правильную адресацию в пределах области.

При своей несложной реализации процедура не является оптимальной с точки зрении количества возможных вызовов. В процессе запоминания точки процедура выполняет максимум четыре рекурсивных вызова функции. В среднем только один из всех вызовов подпрограммы выполняет результативные действия. Таким образом, процедура не производит никаких действий приблизительно 30 % своего рабочего времени. К преимуществам данного алгоритма можно отнести только его простоту в программной реализации.

Программное обеспечение распознавания областей нерегулярной формы

Для реализации алгоритмов распознавания областей с пониженной яркостью на изображении серных отпечатков был разработан программный продукт «Quality & Steel», который позволяет:

1) открывать электронное изображение серного отпечатка;

2) выполнять фильтрацию изображения, оставляя и выделяя точки с пониженной яркостью;

3) выделять связные области с пониженной яркостью;

4) формировать массив объектов для каждой выделенной области с характеристиками: площадь области (в пикселях и мм2), место расположения на изображении, отношение площади одной области к площади всего изображения, %; отношение суммы площадей всех областей к площади всего изображения, %;

5) выполнять оценку выделенных областей в баллах ОСТ 14–4–73 «Сталь. Метод контроля макроструктуры литой заготовки (слитка), полученной методом непрерывной разливки»;

6) накапливать информацию для оценки серии изображений с целью анализа контрольных карт проявления дефектов.

Таким образом, в работе исследована структура изображений, используемых в металлургической промышленности при оценке качества продукции; определены особенности изображений серных отпечатков, позволяющих выявить возможные методы анализа изображения и разработать методику оценки автоматизированными средствами, повышающими достоверность информационной базы промышленного предприятия; разработана система автоматизированной оценки внутренних дефектов непрерывно-литой заготовки, которая может быть использована в системе управления качеством продукции любого предприятия металлургической промышленности.

Список литературы

1.   Логунова О.С., Девятов Д.Х., Нуров Х.Х. Оценка качества непрерывно-литой заготовки статистическими методами с использованием программных средств. // Изв. вузов. Черная металлургия. – 2005. – № 9. – С. 54–58.

2.   Прэтт У. Цифровая обработка изображений. / Пер. с англ. – М.: Мир, 1982. – Кн. 1. – 312 с.


Permanent link:
http://swsys.ru/index.php?page=article&id=1590&lang=en
Print version
Full issue in PDF (2.59Mb)
The article was published in issue no. № 3, 2008
Статья находится в категориях: Разработка программных приложений
Статья относится к отраслям: Металлургия

Perhaps, you might be interested in the following articles of similar topics: