автореферат диссертации по машиностроению и машиноведению, 05.02.23, диссертация на тему:Методика оценки качества поверхностей на наноуровне средствами автоматизированного визуального контроля

На правах рукописи УДК 620.179.119 - 022.532 (043.3)

Спиридонов Владислав Викторович

МЕТОДИКА ОЦЕНКИ КАЧЕСТВА ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ СРЕДСТВАМИ АВТОМАТИЗИРОВАННОГО ВИЗУАЛЬНОГО КОНТРОЛЯ

Специальность 05.02.23 - «Стандартизация и управление качеством

продукции»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

005550248 I6 Ш 2014

Санкт-Петербург 2014

005550248

Работа выполнена в Балтийском государственном техническом университете «ВОЕНМЕХ» им. Д.Ф. Устинова. , '

Научный руководитель: Марков Андрей Валентинович - доктор технических наук, доцент, доцент кафедры «Инжиниринг и менеджмент качества» БГТУ «ВОЕНМЕХ».

Официальные оппоненты:

Малиновский Владимир Степанович - доктор технических наук, профессор, профессор кафедры математических, естественнонаучных и общепрофессиональных дисциплин Михайловской военной артиллерийской академии (г. Санкт-Петербург).

Ефремов Алексей Юрьевич - кандидат технических наук, инженер по качеству ЗАО «Научно-исследовательская производственная компания «Электрон» (г. Санкт-Петербург).

Ведущая организация: ОАО «Авангард» (г. Санкт-Петербург).

Защита состоится «2» октября 2014 г. в 14-00 часов на заседании диссертационного совета Д212.010.03 при Балтийском государственном техническом университете «ВОЕНМЕХ» им. Д.Ф. Устинова по адресу: Санкт-Петербург, 1-я Красноармейская ул., д. 1.

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан «9» июня 2014 г.

Ученый секретарь • диссертационного совета

кандидат технических наук, доцент

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы диссертации. Задачи улучшения функциональных свойств материалов тесно связаны с оценкой качества поверхностей на наноуровне. Важность исследования качества поверхностей на наноуровне во многом определяется необходимостью снижения сил трения в парах, работающих в специфических условиях высоких нагрузок. В частности, профиль поверхностей на наноуровне в значительной степени определяет их фрикционные свойства. В случае металлов и сплавов существенное улучшение триботехнических характеристик уже невозможно за счет одного только легирования. Существует громадный резерв влияния на триботехнические характеристики металла за счет модифицирования структуры, что может быть реализовано при улучшении свойств межфазовых границ, изменении концентрации и распределения неровностей на наноуровне, фазовых составляющих и т. д. Для всех классов композитов важным является оптимизация структуры, в том числе снижение размеров зерен до наноуровня, а также регулирование кинетики структурообразования с целью обеспечения заданных триботехнических и прочностных характеристик. В данной работе рассмотрены показатели качества поверхностей на наноуровне, связанные с определением топологических параметров заданных элементов и их и концентрации.

Повышение качества поверхностей на наноуровне в сильной степени зависит от уровня технических систем контроля. Распространение компьютерных технологий и улучшение технических характеристик приборов регистрации объектов на наноуровне приводят к изменению методов визуального контроля качества поверхностей на наноуровне. Для повышения эффективности, контроля показателей качества требуется разработка автоматизированных систем визуального контроля, состоящих из устройства регистрации объектов наноуровня (электронный микроскоп, средства сканирующей зондовой микроскопии и т. д.), тестов линейных размеров, а также соответствующего программного обеспечения.

Разработка подобных систем осложняется рядом теоретических и практических задач, основная из которых заключается в том, что в нанодиапазоне погрешность измерений может носить как аддитивный, так и мультипликативный характер. Для решения этой задачи в работе предлагается использовать два теста линейных размеров, что позволяет минимизировать • аддитивную и мультипликативную составляющие погрешности измерений.

Работа выполнялась в рамках договора ОКР № Е-1-14-1417 «Разработка технологии нанесения многофункциональных покрытий на основе поверхностно-активных веществ, на элементы конструкций и механизмов

PKT» (2011-2013 гг.).

Разработка методики автоматизированного визуального контроля геометрических параметров поверхностей на наноуровне способствует выполнению программы развития наноиндустрии в Российской Федерации до 2015 года, являющейся важным звеном реализации президентской инициативы «Стратегия развития наноиндустрии» (ПР-688 от 24 апреля 2007 г.).

Основной данного диссертационного исследования в значительной степени послужили труды отечественных и зарубежных ученых и специалистов: Белова A.B., Визильтера Ю.В., Гаркунова Д.Н., Желтова С.Ю., Князя В.А., Моржина A.B., Новикова И.А., Тополянского П.А., Ходарева А.Н., Р. Гонсалеса, Кинсана Фу, Джона Канни, Бертольда Хорна и ряда других.

В работе решена актуальная научно-прикладная задача разработки методики автоматизированного визуального контроля качества поверхностей на наноуровне, обеспечивающей точный и оперативный контроль как в процессе производства, так и на стадии разработки деталей пар трения.

Цель работы заключается в повышении достоверности и оперативности автоматизированного визуального контроля качества поверхностей деталей пар трения на наноуровне.

Для достижения поставленной цели в диссертационной работе необходимо было решить следующие основные задачи:

выявить особенности контроля качества поверхностей на наноуровне (проанализировать возможные дефекты и погрешности измерений, а также предложить показатели качества поверхностей на наноуровне);

сформулировать требования к программной и аппаратной частям системы автоматизированного визуального контроля качества поверхностей на наноуровне;

разработать структуру автоматизированной системы визуального контроля качества поверхностей на наноуровне;

теоретически исследовать алгоритмы обработки изображений; разработать и экспериментально верифицировать алгоритмы бинаризации, сегментации, распознавания и фильтрации шумов на изображениях с учетом специфики нанодиапазона;

обосновать целесообразность применения тестовых методов для повышения достоверности контроля;

оптимизировать предложенные алгоритмы обработки изображений;

разработать математическое, алгоритмическое и программное обеспечение системы автоматизированного визуального контроля качества поверхностей на наноуровне;

провести экспериментальные исследования для проверки эффективности предложенных алгоритмов.

Методы исследования. Поставленная цель достигнута путем проведения теоретических и экспериментальных исследований. Основные выводы, положения и рекомендации обоснованы теоретическими расчетами и сопоставлены с экспериментальными данными. В работе использованы методы системного анализа, обработки изображений, моделирования систем, теории вероятностей и математической статистики. Экспериментальная часть выполнена с использованием сканирующего зондового микроскопа и интегрированной среды графического программирования Lab VIEW.

Научная новизна работы заключается в следующем:

- разработана новая структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, отличительным признаком которой являются два теста длины. Теоретически обосновано и практически доказано, что применение двух тестов длины повышает точность измерений на наноуровне путем минимизации аддитивных и мультипликативных погрешностей;

- разработаны новые алгоритмы обработки изображений, позволяющие повысить достоверность измерений на наноуровне;

- разработаны алгоритмы автоматизированного измерения линейных размеров объектов на наноуровне, позволяющие оперативно контролировать показатели качества продукции в процессе разработки и производства;

- экспериментально подтверждены и реализованы математическое, алгоритмическое и программное обеспечения системы визуального контроля качества поверхностей на наноуровне.

Достоверность п обоснованность научных положений и результатов работы обусловлены:

применением общепринятого математического аппарата обработки изображений;

достаточно высокой сходимостью результатов расчетов по разработанным алгоритмам с экспериментальными данными, которые были получены в работе.

Практическая значимость работы состоит во внедрении и использовании основных положений, выводов и рекомендаций, полученных при исследовании процесса автоматизированного визуального контроля качества поверхностей на наноуровне. Практическую значимость работы представляют:

верифицированный алгоритм автоматизированного контроля качества поверхностей на наноуровне, который может быть использован в системах технического контроля на предприятиях машино- и приборостроения;

программное обеспечение системы автоматизированного контроля, реализующее методику автоматизированного визуального контроля качества поверхностей на наноуровне;

научно обоснованный алгоритм обработки изображений, позволяющий минимизировать аддитивную и мультипликативную составляющие погрешности, что повышает достоверность контроля качества поверхностей на наноуровне.

На защиту выносятся:

- структура системы автоматизированного визуального контроля качества поверхностей на наноуровне;

- алгоритмы обработки изображений, позволяющие повысить достоверность контроля качества поверхностей на наноуровне;

- алгоритм автоматизированного измерения линейных размеров объектов на наноуровне.

Реализация и внедрение результатов работы осуществлены в:

1. ООО «Центр диагностики, экспертизы и сертификации» при проведении работ, связанных с контролем качества поверхностей на наноуровне:

- структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, включающей два теста длины;

- алгоритмы обработки изображений поверхности, позволяющие повысить достоверность измерений на наноуровне;

- алгоритм автоматизированного измерения линейных размеров объектов на наноуровне, позволяющий оперативно контролировать показатели качества поверхностей.

2. ФГБОУ ВПО БГТУ «ВОЕНМЕХ» им. Д.Ф. Устинова: в учебном процессе использованы основные положения и теоретические результаты диссертации на кафедре «Инжиниринг и менеджмент качества» и отражены в рабочей программе дисциплины «Автоматизация измерений, испытаний и контроля».

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на следующих научных конференциях: II Всероссийской научно-технической конференции «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2010); II международной научно-технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «Военмех», 2011); III Международной научно-

технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «Военмех», 2012); 67 Научно-технической конференции, посвященной Дню радио, СПб, 2012 г.; III Всероссийской научно-технической конференция «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2012); Международной конференции «Восьмые Окуневские чтения» (СПб, БГТУ «Военмех», 2013); 11 сессии Международной научно-технической школы «Фундаментальные и прикладные проблемы надежности и диагностики машин и механизмов», (СПб, СПбИПМ, 2013 г.).

Личный вклад автора заключается в:

разработке новой структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне, включающей тесты длины;

разработке новых алгоритмов обработки изображений, позволяющих повысить достоверность контроля качества поверхностей на наноуровне;

разработке алгоритма автоматизированного измерения линейных размеров объектов на наноуровне;

исследовании адекватности алгоритмов обработки изображений на экспериментальных данных.

Публикации. По теме диссертации опубликованы 11 печатных работ, в том числе 2 в изданиях, рекомендуемых ВАК, 1 патент на полезную модель и 1 свидетельство о государственной регистрации программы для ЭВМ. Струюура и объем диссертационной работы.

Работа состоит из введения, 4 глав, заключения, списка используемой литературы из 84 наименований и 4 приложений. Работа изложена на 148 страницах машинописного текста и содержит 5 таблиц и 91 рисунок.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследования, а также определены основные этапы реализации задач, поставленных в работе.

В первой главе с целью формулирования требований к методике автоматизированного визуального контроля качества поверхностей на наноуровне проведен системный анализ проблемы (рис. 1).

Определение требований к методике осуществляется по следующим критериям: возможность выявления требуемых показателей качества, характеристик исследуемой поверхности, диапазон измерений показателей качества, производительность контроля.

В данной работе под дефектом понимается превышение допустимого

отклонения размеров и/или формы исследуемого объекта от заданных целевых значений.

В диссертационной работе проанализированы методы классификации специфических признаков поверхностей (параметрический, непараметрический, вейвлет-фрактальный, анализ автокорреляционной функции и топологический).

Рис. 1. Порядок разработки требований к методике автоматизированного визуального контроля качества поверхностей на наноуровне

Так как для визуального контроля поверхностей на наноуровне наибольшее значение имеет топологический метод, в работе использовалась классификация качества поверхностей по топологическим свойствам, которые наиболее востребованы в практической деятельности. В работе были выделены следующие основные показатели качества поверхностей пар трения на наноуровне: средняя линейная высота неровностей и ее разброс, наклон и кривизна неровности и их разброс, площадь вершин неровностей, концентрация неровностей и ее разброс.

Анализ точностных характеристик автоматизированной системы визуального контроля качества поверхностей на наноуровне выявил ее основные составляющие (точность выделения границ объектов, точность распознавания объектов, точность определения зашумленности), которые могут носить как аддитивный, так и мультипликативный характер.

Сравнительный анализ технических возможностей современных средств визуального контроля позволяет сделать вывод о том, что данные средства являются узкоспециализированными и точность их работы в значительной степени зависит от того, насколько различные характеристики исследуемого

объекта соответствует заложенным в них шаблонам.

Примененные в данных системах технические решения, как правило, базируются на алгоритмах и методах, использующих один тест длины или работающих без него, что не позволяет в полной мере минимизировать погрешность измерений объектов на наноуровне.

Проведенный анализ проблемы оценки качества поверхностей на наноуровне позволил сформулировать требования к методике и основным компонентам системы визуального контроля:

методика должна обеспечивать робастность, вычислительную реализуемость и точность обработки геометрических параметров объектов;

система должна включать в себя следующие основные компоненты: чувствительный элемент (в данной работе — сканирующий зондовый микроскоп), тесты длины и программное обеспечение для автоматизации визуального контроля.

Во второй главе разработана структура системы автоматизированного контроля качества поверхностей на наноуровне, а также проведены теоретические исследования алгоритмов обработки изображений. Для достижения требуемой точности и производительности контроля система должна содержать набор тестов длины.

В работе предлагается следующая структура системы автоматизированного визуального контроля для измерения линейных размеров изделия (рис. 2). Система содержит аддитивные и мультипликативные тесты, установочные поверхности которых соединены с рабочей поверхностью измерительного стола 4. Изделие с исследуемой поверхностью 3, подлежащее измерению, установлено на рабочую поверхность измерительного стола 4. В связи с малым ходом иглы зондового микроскопа тесты устанавливаются последовательно. Измерительный стол 4 соединен со стойкой 5, которая соединена с прибором регистрации объектов 6. Электрический выход прибора регистрации объектов 6 соединен с портом ввода компьютера 7. Изображения тестов длины 1, 2 (показаны штриховыми линиями) и изделия 3 преобразуется прибором регистрации 6 в цифровой сигнал удобный для обработки в компьютере 7.

В предлагаемом методе повышения достоверности автоматизированного визуального контроля изделий на наноуровне процесс измерения может быть реализован за и+1 такт (п — количество тестов), причем в первом такте контролируемая величина х преобразуется в соответствии с выражением (1), а в дополнительных тактах преобразуются тесты г^х), ^(х),..., г„(х), являющиеся функциями х. В результате получаем систему уравнений

у0 -аа +а1х + ...агх"

у0 = а0+а,2 + ... + а„г

У, ~аЧ+а\2п+--- + а„2„ В диссертационной работе обосновано использование двух тестов (аддитивного и мультипликативного). Следовательно, в первом такте получим

у,=аа+ахх, (2)

6

Рис. 2. Структура автоматизированной системы визуального контроля качества поверхностей на наноуровне

где ап - аддитивная погрешность; ах — коэффициент, обусловливающий появление мультипликативных погрешностей из-за непостоянства чувствительности прибора регистрации объектов. Во втором такте измерения получим

Уг=Щ+<Ч1л- (3)

В третьем такте измерения получим

у,=а0+ахЬ2. (4)

Совместное решение уравнений (2)-(4) позволяет получить

х = Ц+{11-1л){у,-у1)1{у,-уг). (5) Вычисление (5) реализовано программно на компьютере 7. Формирование тестов длины (аддитивного и мультипликативного тестов) осуществлялось на основе эталонных решеток в соответствии с РМГ 64-2003 ГСИ «Обеспечение эффективности измерений при

управлении технологическими процессами. Методы и способы повышения точности измерений».

Предлагаемый метод повышения достоверности автоматизированного визуального контроля изделий на наноуровне, основанный на тестовых методах измерения, позволяет скомпенсировать аддитивные и мультипликативные погрешности системы визуального контроля качества поверхностей на наноуровне.

Несмотря на значительное количество существующих средств и программных систем для обработки изображений, большинство из них являются узконаправленными. Однако следует отметить, что общий круг рассматриваемых ими вопросов очень велик. К ним, в частности, относятся основные методы фильтрации, вейвлет-преобразования, а также методы улучшения, восстановления и сжатия изображений. Все эти методы обработки и другие активно применяются в повседневной жизни - в медицине, военной области, машинном зрении, в системах, основанных на биометрических данных человека (сканирование сетчатки, радужной оболочки, отпечатков пальцев и так далее), а также в задачах сегментации изображений.

В системах автоматизированного визуального контроля обработка изображений может осуществляться как для получения изображения на выходе (например, предобработка для каких-либо других задач), так и для получения другой информации (например, выделение объектов, измерение геометрических параметров, подсчет объектов, распознавание образов и др.).

В работе были рассмотрены и теоретически исследованы следующие алгоритмы: оптимизированный алгоритм глобальной пороговой обработки, оптимизированный алгоритм локальной пороговой обработки и оптимизированный алгоритм аддитивной пороговой обработки.

Оптимизированный алгоритм глобальной пороговой обработки состоит в разделении гистограммы изображения на две части с помощью единого глобального порога Т. Порог Т можно выбирать эвристически, на уровне визуального изучения гистограмм, однако в данной работе был реализован алгоритм автоматического вычисления значения порога Т. К достоинствам данного метода относится высокая скорость работы и приемлемое для большинства случаев качество определения границ объектов. Недостатком этого класса алгоритмов в целом является то, что пиксели, относящиеся к одной и той же моде распределения яркостей, не всегда располагаются рядом и образуют связные области.

Оптимизированный алгоритм локальной пороговой обработки является логическим развитием метода глобальной пороговой обработки и может быть использован в тех случаях, когда гистограмма не поддается разделению с помощью единого глобального порога, например, из-за неравномерной

освещенности объекта на изображении. Для решения данной проблемы изображение разбивается на некоторые подобласти, в каждой из которых используется свое значение порога. Затем все подобласти анализируются по следующим принципам:

если область не содержит границы между классами, то она характеризуется своей дисперсией с/о (яркостью);

все области, через которые проходит граница какого-либо класса, задаются своей дисперсией

во всех областях из второго пункта сегментация проводится по алгоритму глобальной пороговой обработки;

все области из первого пункта обрабатываются как одно составное изображение.

Достоинством данного метода является возможность обрабатывать зашумленные, затененные или размытые изображения, а также изображения с неравномерной яркостью фона. Недостатком метода является довольно низкая скорость работы и необходимость в ручном подборе параметров.

Алгоритм аддитивной пороговой обработки заключается в сопоставлении уровней яркости преобразуемого пикселя со значениями локальных средних, вычисленных непосредственно в его окружении, то есть у соседей. Пиксели обрабатываются поочередно, причем интенсивность каждого пикселя сравнивается со средними значениями яркости в окнах размерности (2£>+1) х (20+1) с центром в точке К.

Теоретически, параметр £> может быть любым, однако как показали экспериментальные исследования, проведенные в данной работе, целесообразно его выбирать в пределах от 0 до 10, так как при сильном увеличении этого параметра было замечено, что точность работы почти не отличается от точности при />=10, в то время как скорость алгоритма значительно снижается.

В третьей главе выполнена реализация и верификация алгоритмов обработки изображений объектов наноуровня. В частности, подробно рассмотрен и программно реализован метод улучшения качества изображений посредством гистограммного выравнивания. Гистограммное выравнивание может быть использовано для автоматической коррекции, поскольку оно основано на функции преобразования, т.е. однозначно определяется с помощью гистограммы исходного изображения. Однако этот метод ограничен в том смысле, что в нем используется только функция гистограммной линеаризации. Этого недостаточно, когда исходной информацией является желаемая форма выходной гистограммы.

Гистограммный способ можно обобщить на случай получения изображения с гистограммой определенной яркости. Пусть рг(г) и р2(г) -

соответственно исходная и желаемая функция плотности вероятности для яркости. Предположим, что заданное изображение с первой гистограммой выровнено с помощью следующего уравнения:

г

s = T(r) = ¡p,(w)dw( 6)

о

Если бы желаемое изображение было доступно, его уровни яркости также могли бы быть выровнены с использованием функции преобразования:

v = G(z) = ]p.(w)dw(7)

о

Тогда обратное преобразование z = G^(v) восстанавливало бы первоначальные уровни, причем ps(s) и pv(v) будут идентичными равномерными плотностями, так как использование уравнений (6) и (7) обеспечивает равномерную плотность независимо от характера функции плотности вероятности под интегралом. Таким образом, если вместо применения v в обратном преобразовании использовать обратные уровни s, полученные из исходного изображения, то результирующие уровни z = G"](s) будут иметь желаемую функцию плотности вероятности pz(z). В предположении, что G~^(s) является однозначной функцией, алгоритм можно обобщить следующим образом:

1. Выровнять уровни яркости исходного изображения с помощью уравнения (6).

2. Определить желаемую функцию плотности вероятности яркости и получить функцию преобразования G(z), используя уравнение (7).

3. Осуществить обратное преобразование z = G~'(s) к уровням яркости изображения с выровненной по п.1 гистограммой.

Операция вычисления предлагаемого алгоритма реализована программно в среде Lab VIEW.

Другим не менее важным и эффективным методом является анализ частиц (blob analysis) на изображении, позволяющий выявлять наиболее мелкие и рассредоточенные дефекты. Анализ частиц (англ. blob analysis, particle analysis) - это процесс обнаружения и обработки отдельных двумерных объектов на всем изображении или его части. Анализ частиц позволяет определить их количество, местоположение, форму, направление, площадь, периметр и другие параметры.

Частицу (англ. blob, particle) можно определить как группу связных пикселей с приблизительно одинаковой интенсивностью. Для максимально точного выявления таких групп пикселей необходимо конвертировать цветное или полутоновое изображение в черно-белое (бинарное), где каждый пиксель может быть либо черного цвета (1), либо белого (0). Это поможет отделить представляющие интерес частицы от фона и погрешностей на границах

изображения, что повысит точность анализа. Кроме того, обработка бинарных изображений выполняется гораздо быстрее, чем обработка других типов.

Процедуру анализа частиц можно разделить на следующие этапы:

1. Захват изображения с камеры;

2. Построение гистограммы для подбора пороговых значений;

3. Бинаризация изображения;

4. Фильтрация шумов и погрешностей на границах изображения;

5. Анализ и измерение основных параметров частиц.

На основании результатов проведенных экспериментальных исследований была предложен следующий алгоритм измерения объектов в системе автоматизированного визуального контроля объектов наноуровня (рис. 3):

Рис. 3. Алгоритм измерения объектов в системе автоматизированного визуального контроля качества поверхностей на наноуровне

В четвертой главе проведены экспериментальные исследования с целью определения погрешности разработанных алгоритмов и их

применимости к задачам анализа дефектов на наноуровне. Для экспериментальных исследований работоспособности и быстродействия алгоритмов анализа изображений объектов наноуровня в среде графического программирования ЬаЬУ1Е\У разработано программное обеспечение, реализующее предложенную в работе методику. В качестве регистрирующего прибора был использован сканирующий зондовый микроскоп Ыапоескк^ог. Данный микроскоп использовался для многократных измерений образца и статистической проверки корректности разработанной методики измерения.

В работе задача оптимизации алгоритмов обработки изображения решалась следующим образом: на основе экспериментальных данных рассчитывались значения выбранного параметра Т, при котором алгоритм в соответствии с выбранным критерием распознает объект.

Для автоматизированной системы визуального контроля выходной координатой является погрешность определения линейных размеров. Поэтому при планировании эксперимента с учетом формулировки общей задачи параметрической оптимизации в качестве экспериментальных данных выбраны графики 6(7), где Q - погрешность определения границ (доля целевых объектов, которые не были распознаны алгоритмами), Т - яркость изображения. Входными данными, в соответствии с формулировкой задачи, при проведении планируемой серии экспериментов выбраны известные фиксированные значения линейных размеров (Г) объекта на наноуровне.

Набор экспериментальных данных представляет собой серии кривых IЭ(Г) при /=сопз1 в процессе одного эксперимента (рис. 4). Как видно из рисунка, при повышении яркости изображения наилучший результат (т.е. минимальное снижение качества распознавания) дает оптимизированный алгоритм пороговой обработки, предложенный в данной работе. Несмотря на то, что при высоких значениях яркости обычный алгоритм локальной обработки обеспечивает такое же качество распознавания, при низких значениях яркости его эффективность значительно ниже, чем у оптимизированного. Адаптивный алгоритм пороговой обработки имеет несколько большую погрешность, чем оптимизированный, но также может быть рекомендован к использованию, если изображение достаточно четкое. Алгоритм глобальной пороговой обработки весьма эффективен при низкой яркости, однако по мере ее возрастания его результаты существенно ухудшаются.

В диссертации оптимизация параметров проводилась с применением метода наименьших квадратов:

Ъв^гМ-в-еЛК))2 1 = м_ т

где У - значение критерия, N - число измерений, бтеорГ^С — значения параметров теоретических кривых, £)-жп(Ю - значения параметров экспериментальных кривых.

Определение погрешности системы автоматизированного визуального контроля было проведено сличением ее показаний с линейными размерами образцов.

¡2

0.3 0.25 0.2

0,15

0 1 0 10 20 30 40 50 60 70 Ю "

Алгоритм глобальной пороговой обработки • * * Алгоритм локальной пороговой обработки ввп Адаптивный алгоритм пороговой обработан ~ * • Огспшшпрованньш алгорнтмлок&зьной обработан

Рис. 4. Сравнительный анализ эффективности алгоритмов обработки изображений при увеличении яркости

В результате проведенных экспериментальных исследований определена погрешность автоматизированной системы визуального контроля качества, которая не превышает 160 нм, что доказывает соответствие погрешности системы рабочему средству измерений государственной поверочной схемы для средств измерений длины (ГОСТ Р 8.763-2011).

В приложении приведены материалы внедрения результатов диссертации, копии патентов на полезную модель и свидетельства о государственной регистрации программы для ЭВМ, программный код автоматизированной системы визуального контроля качества поверхностей на наноуровне и методика измерений объектов на наноуровне.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе поставлена и решена актуальная в научном отношении и практически важная задача по разработке методики оценки качества поверхностей на наноуровне средствами автоматизированного

визуального контроля. При решении данной задачи разработаны и научно обоснованы алгоритмы автоматизированного визуального контроля качества поверхностей на наноуровне, а также получены следующие основные результаты:

1. Проведен системный анализ процесса контроля качества поверхности на наноуровне, в результате которого классифицированы показатели качества поверхности и выявлены основные составляющие погрешности измерений объектов наноуровня.

2. Разработана новая структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, включающая аддитивные и мультипликативные тесты длины.

3. Разработан новый алгоритм обработки изображений, позволяющий минимизировать аддитивную и мультипликативную составляющие погрешности, что повышает достоверность измерений на наноуровне.

4. Разработан новый алгоритм автоматизированного измерения линейных размеров объектов на наноуровне, позволяющий оперативно контролировать показатели качества поверхностей на наноуровне.

5. Математическое, алгоритмическое и программное обеспечение реализованы в экспериментальном образце автоматизированной системы визуального контроля качества поверхностей на наноуровне. Предложенные решения защищены Патентом РФ на полезную модель № 134630 и Свидетельством о государственной регистрации программы для ЭВМ № 2014610514.

6. Основные результаты теоретических и экспериментальных исследований приняты к использованию и внедрены в ООО «Центр диагностики, экспертизы и сертификации» и в учебном процессе Балтийского государственного технического университета «ВОЕНМЕХ» им. Д.Ф. Устинова.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в изданиях, рекомендуемых ВАК

1. В. В. Спиридонов. Средства и методы повышения качества визуального контроля изделий в приборостроении. - Журнал «Век Качества», №3,2013 г., с. 33-35.

2. A.B. Марков, В.В. Спиридонов. Совершенствование метода гистограммного выравнивания для повышения достоверности автоматизированного визуального контроля изделий на наноуровне. - Материалы 11 сессии Международной научно-технической школы «Фундаментальные и

прикладные проблемы надежности и диагностики машин и механизмов», СПб, 2013 г., с. 137-141.

Статьи, опубликованные в научных изданиях, и материалы конференций

3. В.В. Спиридонов. Методика анализа частиц на изображении в среде N1 Lab VIEW. - II Всероссийская научно-техническая конференция «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2010), с. 125...128.

4. В.В. Спиридонов. Определение границ при автоматизированном контроле качества изделий приборостроения. - Труды общероссийской молодежной научно-технической конференции "Молодежь. Техника. Космос", СПб, 2011 г, с. 164...165.

5. A.B. Марков, В.В. Спиридонов. Применение метода порогового разделения и среды LabVIEW для контроля качества изделий. - Труды общероссийской молодежной научно-технической конференции "Молодежь. Техника. Космос", СПб, 2012 г., с. 205...207

6. В.В. Спиридонов. Улучшение качества изображения изделий микроуровня методом гистограммного выравнивания. - Труды общероссийской молодежной научно-технической конференции "Молодежь. Техника. Космос", СПб, 2012 г., с. 145...147.

7. В.В. Спиридонов. Основные методы сегментации полутоновых изображений в современных системах технического зрения. - П1 Всероссийская научно-техническая конференция «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «Военмех», 2012), с. 78...80.

8. A.B. Марков, В.В. Спиридонов. Анализ и реализация метода выявления дефектов на изделиях микроуровня. - Труды 67 Научно-технической конференции, посвященной Дню радио, СПб, 2012 г ., с. 68...69.

9. A.B. Марков, В.В. Спиридонов. Повышение достоверности автоматизированного визуального контроля изделий на наноуровне. -Международная конференция «Восьмые Окуневские чтения», СПб, 2013 г., с. 147...149.

Патент РФ

10. Патент РФ на полезную модель № 134630 МПК G01B21/02/ Оптико-электронная система для измерения линейных размеров изделия / A.B. Марков, В.В. Спиридонов.

Свидетельство о государственной регистрации программы для ЭВМ

11. Свидетельство о государственной регистрации программы для ЭВМ № 2014610514 «Система автоматизированного визуального контроля изделий приборостроения» / В. В. Спиридонов.

Подписано в печать «4» июня 2014 г. Формат бумаги 60x84/16. Бумага документная. Печать трафаретная. Усл. печ. л. 1. Тираж 100 экз. Заказ № 101 Отпечатано с готового оригинал-макета Балтийский государственный технический университет «ВОЕНМЕХ» Типография БГТУ 190005, Санкт-Петербург, 1-я Красноармейская ул., д. 1