WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 | 2 || 4 |

Суть данного метода заключается в определении среднего расстояния между максимумами корреляционной функции спектра, указывающими на наиболее яркие структурные элементы материала (находящиеся на поверхности образца), расположение которых и определяет размер ячейки. Проверка этого предположения произведена с помощью серии более простых, но сходных по структуре с исследуемым материалом имитационных изображений сетки из шестигранников фиксированного размера (рис. 10а). Из полученных графиков функций пространственной корреляции спектров имитационных изображений видно, что функция корреляции имеет ряд четких максимумов. Расстояние между ними по оси Х, определенное по формуле (7), однозначно соответствует размеру ячейки заданной сетки (рис. 10в), что говорит о соответствии расстояний между максимумами корреляционной функции, размеру ячеек имитационного изображения и, доказывает возможность применения данного метода для анализа изображения ППУ. В случае исследования изображения ППУ (рис. 11) разброс максимальных значений корреляционной функции спектров, вследствие наличия шумов, может быть достаточно большим. Для получения результата приемлемой точности, необходимо использовать пороговый анализ изображения корреляционной функции спектров. Все точки, яркость которых ниже определенного порога принимаются за шум и обнуляются. Точки, яркость которых больше выбранного порога образуют области сегментации, центры которых принимаются за искомые максимумы корреляционной функции (рис 11г).

Порог яркости должен быть подобран таким образом, чтобы рассеяние результатов измерения было минимально, именно в этом случае полученный размер ячейки будет наиболее достоверным. Выбор порога автоматически осуществляется методом перебора и оценки рассеяния результатов измерения один раз в процессе настройки системы на определенный тип материала. Автоматический подбор порога яркости на этапе калибровки системы обеспечивает простоту переналадки и адаптивность системы к изменению вида материала или размеров его структурных элементов.

Определение среднего размера ячейки производится усреднением расстояний между найденными максимумами корреляционной функции.

Рис. 10. Имитационное изображение для проведения исследований а), гистограмма яркости корреляционной функции спектра имитационного изображения б), график корреляционной функции (имитационного изображения, размер ячейки 10 мм (50пикс)) в), области сегментации с указанием их центров максимумов корреляционной функции г)


Для повышения точности определения исследуемого параметра используется усреднение по группам из нескольких ближайших максимумов (соседей), которое производится следующим образом: определяется среднее расстояние от каждого максимума до k его ближайших соседей, причем расстояния до самого ближнего и самого удаленного соседа не учитываются. Затем получают среднее значение, являющееся средним размером ячейки материала и рассеяние результатов массива средних расстояний групп.

Опытным путем было определено, что наиболее предпочтительным (по соотношению скорость работы - рассеяние результатов) является усреднение по группам из шести ближайших элементов (k=6). Из результатов обработки экспериментальных данных видно, что метод анализа корреляционной функции Фурье-спектров имеет ошибку, соизмеримую с ошибкой корреляционного метода, составляющую 8,5% и являющуюся приемлемой для современного производства. Время отработки одного цикла измерения, составляющее 1,2 сек., соответствует указанному в требованиях.

яркость

Рис. 11. Реальное изображение материала а), гистограмма яркости корреляционной функции спектра изображения б), график корреляционной функции спектра в), области сегментации с указанием их центров максимумов корреляционной функции спектра г)

Для получения метода обеспечивающего более высокую скорость процесса обработки, по сравнению с предыдущими (для повышения оперативности контроля с целью применения в условиях крупносерийного или массового производства), требуется вывод более точной зависимости размеров ячеек от видов изображений, подаваемых на вход измерительной системы. Вследствие сильной зашумленности изображения, данная задача является трудноалгоритмизируемой. Для решения подобных задач очень часто прибегают к математическому аппарату искусственных нейронных сетей.

Шестой параграф главы посвящен рассмотрению устройства и принципов работы искусственных нейронных сетей (ИНС). Суть метода определения среднего размера ячеек материала состоит в распознавании структуры его изображения и нахождении размера его ячеек с помощью предварительно обученной нейронной сети. Выбор аппарата ИНС обоснован тем, что нейронная сеть обучается решению задачи на некотором "учебнике" наборе ситуаций, каждая из которых описывает значения входных сигналов нейронной сети и требуемый для этих входных сигналах ответ. Обученная нейросеть может обобщать (интерполировать и экстраполировать) полученный навык решения и выдавать прогноз для новых значений входных сигналов, ранее не включенных в набор данных для обучения. Она самостоятельно выделяет наиболее информативные для задачи входные сигналы, позволяет отбросить неинформативные, шумовые сигналы и в итоге повысить надежность решения2

.

Для решения задачи определения размера ячеек ППУ с помощью пакета MatLab 7.1 Neural Network Toolbox создана трехслойная сеть обратного распространения (рис. 12.), включающая 30 нейронов во входном слое с передаточной функцией logsig(логарифмический сигмоид (3.4.3)), 30 нейронов во втором слое с той же передаточной функцией и 1 нейрон в выходном слое (по числу компонентов выходного вектора) с линейной передаточной функцией.

Рис.12. Структура нейронной сети

Для повышения помехоустойчивости работы алгоритма анализа, в серии для обучения были включены изображения, полученные вращением и сдвигом исходного. Изображение, подаваемое на вход сети, делится на сектора размерами 50х50 пикс. На вход сети подается массив из средних значений элементов полученных секторов. Обучение сети по алгоритму Левенберга-Маркара привело к достижению заданного значения функции эффективности функционирования (суммарная квадратичная ошибка приняла значение меньшее 10-5) за 22 эпохи и длилось 30 мин. Результаты определения размеров ячейки при работе сети на изображениях, принадлежащих серии для обучения, соответствуют заданным в качестве целей, это также указывает на успешную завершенность процесса обучения.

Из результатов обработки экспериментальных данных определения размеров структурных элементов (ячеек) изображений, не принадлежащих серии для обучения, видно, что нейросетевой метод имеет ошибку, составляющую не более 10%, и являющуюся приемлемой для современного производства. Время отработки одного цикла измерения, составляет 0,54 сек. Данный метод является наиболее быстродействующим из всех разработанных. Основным его недостатком является необходимость подготовки серий изображений для обучения нейросети на этапе калибровки. Для успешного функционирования сети требуется предъявить ей не менее сотни изображений, в которых необходимо будет отразить максимум возможных изменений освещенности и структуры изображений. Процесс обучения требует достаточно больших временных (от 30 мин до 1 часа) и информационных затрат компьютера. Применение его может быть оправдано лишь для крупносерийного и массового производства.

В седьмом параграфе производится сравнение результатов работы различных методов по определению среднего размера ячейки (рис.13).

а)

б)

Рис. 13. График сравнения результатов измерения среднего размера ячейки материала ручным (Р), корреляционным (К), спектральным (С), нейросетевым (Н) и корреляционно спектральным (КС) методами (а) и ошибок измерения методов по сравнению с ручным (б)

Не смотря на выигрыш нейросетевого метода по скорости определения среднего размера ячейки ППУ, его недостатком по сравнению с методом анализа корреляционной функции Фурье–спектров является необходимость временных и информационных затрат на подготовку изображений для обучения и на сам процесс обучения. Применение его может быть оправдано для крупносерийного и массового производства. Для определения среднего размера ячеек (ИПК) в условиях мелкосерийного производства метод корреляционного анализа спектров, является наиболее выигрышным, так как не требует специальных подготовительных операций и обеспечивает требуемые значения точности и быстродействия. Исходя из условий поставленной задачи (мелкосерийное производство ППУ) метод корреляционного анализа спектров изображений рекомендован для использования в промышленной установке потокового контроля качества. Данный метод позволяет обеспечить приемлемую для практической реализации вычислительную сложность и информационную емкость процесса измерения. Система автоматизированного контроля, работающая на основе этого метода, может быть гибкой и применимой для контроля качества широкого круга материалов сложной структуры.

Таким образом, определенный с помощью метода корреляционного анализа спектров изображений средний размер ячейки, составляет для крупной ячейки 1,70 мм, средней 1,30 мм, мелкой 0,60 мм.

В четвертой главе диссертационной работы выносятся предложения относительно промышленного применения разработанного метода контроля качества. Отмечается, что комплекс технических средств, выбранный для проведения экспериментального исследования, позволит решать поставленные задачи и в промышленной установке.

Разрабатывается структура автоматизированного комплекса неразрушающего контроля качества исследуемых материалов, и технология проведения контроля, а также информационное обеспечение процесса контроля, обладающее следующими функциями:

  1. Управление процессами захвата и анализа изображения материала.
  2. Анализ структуры изображения и определение среднего размера ячейки контролируемого материала (на основе разработанного метода корреляционного анализа спектров изображений);
  3. Информирование оператора о размере ячейки материала и его отклонениях от заданного;

В заключении сформулированы выводы и основные результаты диссертационной работы, а также рекомендации, вытекающие из проведенного исследования.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

  1. Осуществлен анализ структуры и классификация параметров качества исследуемых материалов, выявлен интегральный параметр – средний размер ячейки материала;
  2. Произведен анализ свойств изображений материалов сложной структуры, выявлены наиболее существенные связеи между его элементами;
  3. Показаны особенности использования статистического, корреляционного и спектрального методов обработки изображений в применении к изображениям ячеистых материалов;
  4. Разработан метод анализа корреляционных функций спектров изображений, обеспечивающий повышение точности и быстродействия процесса контроля;
  5. Разработан нейросетевой метод измерения среднего размера ячейки материала сложной структуры, обеспечивающий повышение точности и быстродействия процесса контроля в условиях крупносерийного и массового производства;
  6. Разработаны алгоритмы и процедуры определения среднего размера ячейки, позволяющие повысить эффективность проведения неразрушающего контроля качества материалов сложной структуры;
  7. Результаты проведенных экспериментальных исследований подтверждают эффективность разработанных алгоритмов обработки изображений;
  8. Разработано информационное обеспечение процесса контроля;
  9. Предложена структура автоматизированного комплекса неразрушающего контроля качества материалов сложной структуры, служащего основой для реализации системы комплексной автоматизации производства материалов сложной структуры.

ОСНОВНЫЕ ПУБЛИКАЦИИ

Основное содержание, положения и результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендуемых ВАК РФ:

  1. Егорушкин, Е.О. Использование корреляционного анализа Фурье-спектров изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Контроль. Диагностика». – Москва: Изд-во «Машиностроение», 2009 г. - № 5 – С. 39-40
  2. Егорушкин, Е.О. Использование корреляционного анализа изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Естественные и технические науки». – Москва: Изд-во «Спутник плюс», 2009. - № 2 - С. 269-270

В других изданиях:

Pages:     | 1 | 2 || 4 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»