автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков

На правах рукописи

СТАРОДУБОВ ДМИТРИЙ НИКОЛАЕВИЧ

0034Е55005

МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ И АНАЛИЗА ДЕФЕКТОСКОПИЧЕСКИХ И МЕТАЛЛОГРАФИЧЕСКИХ СНИМКОВ

Специальность 05.13.01 - Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание учёной степени кандидата технических наук

5 ДЕК Ю»

Владимир 2008

003455005

Работа выполнена на кафедре «Информационные системы» Муромского института (филиала) Владимирского государственного университета

Научный руководитель: доктор технических наук, профессор

Садыков Султан Садыкович

Официальные оппоненты: доктор технических наук, профессор

Жигалов Илья Евгеньевич

кандидат технических наук Кошелев Сергей Владимирович

Ведущая организация: Курский государственный

технический университет

Защита состоится « 2М » 200$ г. на заседании диссер-

тационного совета Д 212.025.(Лво Владимирском государственном университете по адресу: 600026, г. Владимир, ул. Горького, д.87.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.

Автореферат диссертации разослан « ^ о » КД

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу совета университета:

г. Владимир, ул. Горького, 87, учёному секретарю диссертационного совета Д 212.025.01.

Учёный секретарь диссертационного совета доктор технических наук, профессор ^^ Р. И. Макаров

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Процесс контроля качества изделий, заготовок, материалов и т.д. является составной частью практически любого промышленного технологического цикла.

Среди большого количества методов неразрушагощего контроля качества основными являются: магнитный, электрический, вихретоковый, радиоволновой, тепловой, визуально-оптический, радиационный, акустически VI и контроль проникающими веществами. Как в России, так и за рубежом оценка результатов этих методов преимущественно осуществляется визуальным способом, с использованием возможностей человеческого зрения. Этот способ малопроизводителен и субъективен, в основном, он дает качественную оценку дефектов и отклонений от стандартов. Попытки автоматизации визуальных методов контроля качества делаются давно и постоянно. В этом плане усиленно решаются вопросы автоматизации определения внешних дефектов деталей и изделии. Для этого создаются системы технического зрения (СТЗ), которые позволяют автоматизировать процесс контроля внешних дефектов деталей и изделий.

Исследование особенностей методов неразрушагощего и разрушающего контроля качества показывает, что результатами большинства этих методов являются снимки (изображения) объектов и их дефектных областей. Поэтому СТЗ и современные методы и алгоритмы обработки цифровых изображений, могут быть успешно использованы для автоматизации анализа снимков, получаемых на выходе различных методов контроля качества.

Анализ состояния задачи автоматизации обработки дефектоскопических снимков, получаемых на выходе неразрушающих методов контроля и металлографических снимков, получаемых на выходе разрушающих методов контроля, показали, чтб этому вопросу уделено недостаточно внимания и поэтому уровень автоматической обработки и анализа указанных снимков очень низок, в то время как вопрос повышения производительности и объективности оценки дефектов исключительно остро стоит во всех отраслях промышленности.

В связи с этим разработка методов и алгоритмов, технических и программных средств автоматизации обработки, анализа и распознавания дефектоскопических и металлографических снимков с использованием современных СТЗ и методов цифровой обработки изображений является актуальной задачей.

Целью диссертационной работы является разработка, исследование и практическое применение методов, алгоритмов и программных средств обработки, анализа и распознавания дефектоскопических и металлографических снимков.

Исходя из цели работы, поставлены следующие задачи исследования:

1. Исследование состояния задач автоматизации контроля качества, а именно - задач обработки, анализа и распознавания металлографических и дефектоскопических снимков.

2. Анализ основных методов и алгоритмов цифровой обработки изображений и распознавания образов, используемых в СТЗ для визуального контроля.

3. Разработка методов и алгоритмов выделения базовых признаков плоских объектов, не использовавшихся ранее в СТЗ визуального контроля для расширения набора информативных характеристик объектов.

4. Разработка способа формирования производных признаков объектов, инвариантных к повороту, переносу и изменению масштаба (ППМ) объектов и исследование стабильности полученных признаков.

5. Разработка и исследование метода построения информативной системы признаков для распознавания объектов на дефектоскопических и металлографических снимках.

6. Разработка и практическое применение системы автоматической обработки, анализа и распознавания металлографических и дефектоскопических снимков.

Методы исследования. В работе использованы методы теории множеств, дискретной математики, математической статистики, цифровой обработки изображений и теории распознавания образов.

Научная новизна. В результате проведенных исследований разработаны:

1. Метод формирования информативных систем признаков плоских объектов, инвариантных к ППМ, на основе которого решена задача автоматического распознавания объектов сложной формы с металлографических снимков;

2. Методика исследования стабильности базовых и производных признаков плоских объектов к ППМ, позволяющая автоматически определять устойчивость характеристик к преобразованиям заданного набора объектов;

3. Алгоритм определения длины и ширины плоского объекта, позволяющий вычислять эти характеристики независимо от формы и ориентации объекта на изображении.

Практическая ценность работы. Результаты работы позволяют:

1. Вычислять базовые и производные признаки плоских объектов и исследовать стабильность полученных характеристик к ППМ с использованием сравнительно небольшого количества тестовых объектов;

2. Формировать большое количество инвариантных к ППМ характеристик плоских объектов и информативную систему таких признаков, которая может быть использована при распознавании плоских объектов сложной формы;

3. На основе анализа металлографических снимков автоматически решать задачи определения процентного соотношения основных состав-

ляющих различных марок стали, оценки неметаллических включений в стали, а также анализа структу ры отливок из чугуна;

4. Автоматически определять параметры дефектов на снимках, полученных радиографическими и тепловыми методами неразрушаюшего контроля.

5. Строить системы автоматической обработки, анализа и распознавания дефектоскопических и металлографических снимков, получаемых любым из существующих методов контроля.

Реализация результатов исследования. Разработанные алгоритмы и система анализа металлографических и дефектоскопических снимков внедрены в производство, о чем свидетельствует акт, приведенный в приложении к диссертации.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на научных конференциях преподавателей МИВлГУ (г. Муром, 2005-2008 гг.), на Международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (г. Рязань, 2005 г.), а также на Международном симпозиуме «Надежность и качество» (г. Пенза, 2005 г.).

Публикации. Основные результаты диссертации опубликованы в 16 работах, в том числе в 2 статьях в журналах из списка ВАК и одной монографии. Получены 2 патента на полезные модели и одно свидетельство о регистрации программы для ЭВМ.

На защиту выносится:

1. Результаты оценки состояния задачи автоматизации дефектоскопических и металлографических снимков с использованием СТЗ и методов цифровой обработки изображений;

2. Метод формирования наборов безразмерных производных признаков плоских объектов;

3. Метод определения стабильности базовых и производных признаков плоских объектов к ППМ;

4. Способ определения длины и ширины плоского объекта произвольной формы, инвариантный к ППМ;

5. Результаты экспериментальных исследований, подтверждающих теоретические разработки.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы из 145 наименований и трех приложений. Общий объем работы составляет 183 страницы, 85 рисунков, 19 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации; показана необходимость разработки метода формирования инвариантных к ППМ признаков плоских объектов и решению с их помощью задач обработки,

анализа и распознавания металлографических и дефектоскопических снимков.

В первой части диссертации рассмотрены основные виды неразру-шаюшего контроля качества и их особенности. Установлено, что основными методами неразрушающего контроля, выходные данные которых представлены в виде снимков, являются: магнитный, радиоволновой, тепловой, визуально-оптический, радиационный, акустический и контроль проникающими веществами. Из этих методов исторически первым и наиболее массовым является визуально-оптический контроль, в нем наблюдается успешное использование СТЗ. Показано, что в основном уровень автоматизации обработки и анализа выходных данных в виде изображения в перечисленных методах контроля достаточно низок. Установлено, что обработка выходных данных таких методов контроля может быть автоматизирована с помощью СТЗ и современных методов цифровой обработки изображений.

Выполнен анализ особенностей существующих СТЗ: рассмотрены их основная структура и используемые алгоритмы. Показано, что в большинстве СТЗ применяется следующая схема обработки изображения: получение изображения с устройства ввода (видеодатчик); предварительная обработка (удаление шума, контрастирование); выделение объектов (сегментация); вычисление признаков объектов; распознавание объектов. Анализ показал, что существующие СТЗ практически не используют признаки плоских объектов, инвариантные к ППМ, кроме того, применяемые алгоритмы обработки изображений являются специализированными и должны быть доработаны в соответствии с конкретной решаемой задачей.

Установлена актуальность и целесообразность автоматизации обработки, анализа и распознавания видеоданных на выходе существующих методов контроля. Для иллюстрации сказанного в дальнейшем для обработки, анализа и распознавания выбраны достаточно сложные дефектоскопические снимки радиографического и теплового методов контроля и металлографические снимки.

Вторая глава диссертации посвящена разработке методов и алгоритмов обработки информации в задачах анализа и распознавания дефектоскопических и металлографических снимков.

Установлено, что в большинстве СТЗ используются, в основном, простые геометрические признаки, нестабильные при повороте и масштабировании изображения объектов. К подобным преобразованиям инвариантны коэффициенты формы, но их количества часто недостаточно для распознавания объектов сложной формы, например, частиц микроструктуры металла. Поэтому необходимо вычислять дополнительные характеристики объектов, на основе которых следует формировать инвариантные признаки.

Создан набор тестовых объектов, состоящий из 30 изображений, каждое из которых содержит 20 объектов. Все тестовые объекты разделены

на 6 следующих классов: выпуклые объекты известной геометрической формы без дыр; выпуклые объекты известной геометрической формы с дырами; выпуклые объекты произвольной формы без дыр; выпуклые объекты произвольной формы с дырами; невыпуклые объекты произвольной формы без дыр; невыпуклые объекты произвольной формы с дырами.

Разработаны алгоритмы вычисления базовых признаков объектов. При этом использовалось отдельно плоское и линейное (контурное) представление объектов на изображении.

Описаны алгоритмы вычисления следующих базовых площадных признаков объектов: площадь (количество точек) объекта 5, площадь дыры объекта суммарная площадь дыр объекта 5лсуЛ', общая площадь объекта (с учетом дыр) 50:

5=5 + 57'. (I)

Предложены алгоритмы вычисления новых признаков, не использовавшихся ранее в СТЗ: площадь выпуклой формы объекта 5ВЬ|ГО разность площадей выпуклой формы и объекта Л5ВЫШ суммарная площадь заливов площадь минимального описанного прямоугольника 5пр и разность площадей минимального описанного прямоугольника и объекта А5пр:

Д5 =5 -5, (2)

сын сит ' V '

Хи х х

Рисунок 1 - Площадные признаки плоского объекта Под минимальным описанным прямоугольником понимается прямоугольник минимальной площади, полностью включающий в себя объект. Предложен метод его построения, который заключается в следующем: анализируемый объект поворачивается вокруг своего центра тяжести (Хц; Кц) на углы от 0 до ] 80° с шагом к и для каждого такого поворота определяются проекции объекта на оси Хм У:

К^Х^-Х^+Х, (5)

= С6)

(3)

(4)

Объект 5

5™'

з

Д5

= 5 -5,

сын о ~

= 5 -5

У +

Выпуклая о

г ОоЫП

оболочка

т.е. если по оси X граничные координаты объекта равны 1 и 10, то длина его проекции на данную ось будет равна 10.

Таким образом, для плоского объекта формируется множество

в котором величины 11Х и /,_, представляют собой длины сторон прямоугольника, описанного вокруг объекта при повороте его на угол ¡-к°. Пример опрзделения угла поворота и описанного прямоугольника приведен на рисунке 2. Для наглядности на рисунке изображен вытянутый объ-

ект.

У™.

Угол ¡товоротз: 165 '

а} 6)

Рисунок 2 — Описанные вокруг объекта прямоугольники

Произведение длин проекций /„ и /„, дает площадь описанного прямоугольника для угла поворота ¡-к°. Определив минимальную такую площадь

можно получить описанный вокруг объекта прямоугольник минимальной площади, представленный в виде длин его сторон.

Для повышения быстродействия описанного алгоритма обрабатываются не все точки объекта, а только точки максимальной кривизны. В плоском объекте считается, что точка имеет максимальную кривизну, если в ее окрестности 3><3 светлых соседей больше, чем темных, т.е.

(7)

Разработаны алгоритмы вычисления линейных признаков: длина периметра объекта Р, длина периметра каждой дыры Рл, длина внутреннего периметра Рт и длина полного периметра Р0, длина и ширина \У объекта:

(8)

Р0 = Р+Р,„- (9)

В качестве длины Ь и ширины \У объекта используются длины большей и меньшей сторон описанного вокруг объекта прямоугольника минимальной площади.

Построение выпуклой формы и минимального описанного прямоугольника позволяет получить дополнительные линейные характеристики: длина периметра выпуклой формы Рвы,„ разность длин периметров объекта и его выпуклой формы Д/\ып, периметр минимального описанного прямоугольника Рпр, разность периметров объекта и описанного прямоугольника АРпр:

д Рш=Р-Рмп, (10)

+ (И)

А Р„„=Р-Р„. (12)

Разработаны алгоритмы вычисления линейных признаков на основе сигнатуры объекта, которая представляет собой множество расстояний от каждой точки объекта до его центра тяжести г,. Используя такие расстояния, вычисляются признаки: максимальное, минимальное и среднее расстояния от центра объекта до его границы Нпш.х, Ктт и Дср. Эти же величины определяются для выпуклой формы: /с, /с и л;;-.

Разработаны алгоритмы вычисления моментных характеристик объекта: степенные моменты тп {рц - порядок объекта), нормированные и центральные нормированные моменты цх/ и моменты инерции относительно осей А' и V - //,. и //, , смешанный момент инерции //„, главные моменты инерции М[ и Л/2. Те же признаки вычисляются для выпуклой формы объекта: , ц, , /С', /С> ■

Предложена методика формирования наборов производных признаков объектов, инвариантных к ППМ объектов. Суть методики состоит в следующем:

1. Вычисляются базовые признаки объекта, перечисленные выше.

2. Базовые признаки разбиваются на группы характеристик одинаковой размерности: площадные признаки, линейные признаки, моменты инерции, степенные, центральные и нормированные центральные моменты, суммарные порядки которых равны 2, 3,4 и 5 - всего 15 групп.

3. Для каждого подмножества базовых признаков вычисляются производные характеристики в соответствии с формулами (13) - (15).

знаки плоского объекта

ус,6л,с, е/г,/*у (13)

К. = + > УС, е 1 (14)

к = С„-С„-...-Ся еК С к у^ • (15)

где И - одно из подмножеств признаков одинаковой размерности.

На им.» ^ 5 11 Я Р- ^

апример. р, ^ ' к> с ' ^ ' ^ '

¿ + Г 5 + ¿»Л //,»-л/2, 1ГТ

С + С + С ' Р ' 5Г + «Г ' Ь ■ IV ' ■ /С ' Пуг ■ с

Разработаны алгоритмы предварительной обработки полутоновых изображений объектов: устранение шума на основе медианной фильтрации; бинаризация изображения с использованием глобального порога, значение которого определяется автоматически на основе вычисления межгрупповой дисперсии фона и объектов; удаление малоразмерных элементов и заполнение пустот бинарного изображения с помощью морфологических преобразований, в том числе условных; маркировка связных компонент волновым алгоритмом; выделение одноточечного контура объекта.

В третьей главе приведены методы и результаты исследования стабильности и информативности базовых и производных признаков объекта.

Поскольку не все сформированные признаки обладают одинаковой устойчивостью к ППМ объекта, разработан метод исследования их стабильности. Данный метод схематически представлен на рисунке 4.

Тестовые | любражения I

Вычисление

приямков ИСЧи.1>!Н.\

Поворот на иол о Вычисление

и пленение нрншаков

млсшыоа 1: тененных

о5г,скгои » ш обьскюо

Опрслсимше

VII клоп 5>ичеИ!Ш при г!Шл!>!1

ы

Ьли |д:шни\

Рисунок 4 - Метод исследования стабильности признаков

Было проведено экспериментальное определение стабильности признаков на 600 тестовых объектах, разбитых на 6 групп. При этом для каждого объекта изменения и вычисления их признаков повторялись до тех пор, пока не были использованы все возможные комбинации угла поворота <р и коэффициента масштабирования т. Для этого задавались шаг

изменения угла поворота А<р, а также минимальное ттт и максимальное ттяк значения коэффициента масштабирования и шаг его изменения Л т.

Для исследования стабильности признаков использовались следующие параметры: Л<р = 10°, гптт = 0.8, /ншах = 1.2, Ат = 0.1. То есть каждый объект изменялся 85 раз. Таким образом, вычислялись характеристики 51 ООО объектов. На рисунке 5 приведены графики изменения двух характеристик в зависимости от угла поворота и масштаба объекта.

12

3 2

I 4 7 10 13 16 19 22 25 28 31 34 37 40

№ состояния обьекга---Б/Збып-т11/т20

Рисунок 5 - График отклонений признаков в зависимости от угла поворота и масштаба объекта Исследование показало, что существует достаточно большое количество стабильных характеристик для объектов с дырами - около 20 признаков имеют среднее отклонение, не превышающее 3%. При отсутствии в объекте дыр количество подобных признаков существенно меньше; кроме того, некоторые признаки оказываются дублированными и имеющими одинаковый геометрический смысл. Установлено, что наиболее стабильными из признаков, сформированных на основе площадных, являются следующие: 50 / £ / 5ВЬШ, 5ВЬШ / 50, 5ВЬШ / / 50, /

Признаки, сформированные на базе линейных характеристик, демонстрируют хорошую устойчивость к ППМ как при налич)ш дыр в объектах, так и при их отсутствии. Всего можно выделить 16 характеристик, средние отклонения которых лежат в пределах 0 - 3%. Еще около 10 признаков показывают средние отклонения до 5%. Установлено, что среди характеристик, построенных на основе линейных, лучшую стабильность показали: Рвып/ Рщ„ Ь, Рвыл/ Ь, Лтах/Рвып, РпР/И', /?та\ / Рщя

Р*ии/1Г, Ятах/А IV/Ь.

Обнаружено, что линейные признаки имеют большие значения максимальных отклонений, чем площадные (до 20 % - у площадных и от 5 до

120 % - у линейных). Это происходит из-за зависимости значений линейных характеристик от качества контура объекта: линейные характеристики могут заметно изменить свои значения даже при незначительном изменении контура, в то время как для площадных признаков такие погрешности нивелируются большим количеством внутренних точек объекта,

Моментные характеристики и производные признаки на их основе показали, в основном, неудовлетворительную стабильность и это объясняется большим порядком их значений и чувствительностью к искажениям измененного объекта. Приемлемую стабильность показывают только характеристики на основе главных моментов инерции. Относительно небольшие отклонения (до 10%) имеют отношения какого-либо моментного признака объекта и такого же признака его выпуклой оболочки, а также признаки, построенные на основе главных моментов инерции: М2! М], / м,Бьт, М,въш / М,, М1пш IМ2, Л/Лып / м2, М2вып / Ми /и™ / и?02, /7,7 / //22, и т.д.

Предложена методика исследования информативности признаков объектов, позволяющая определить качество распознавания для каждого признака в отдельности, либо для системы характеристик. При этом под информативностью системы понимается доля правильно распознанных объектов:

/(16)

где К„ - количество правильно распознанных объектов при выбранном наборе признаков;

К0 - общее количество объектов, участвовавших в распознавании.

Разработанная методика заключается в следующем. Пусть есть набор признаков С'„ где /е(1, ...,£/), из которого нужно сформировать информативную систему, состоящую из п характеристик.

Сначала для каждого признака С, вычисляется его информативность 1с„ после чего выбирается характеристика, имеющая максимальную информативность тах{/с,}. Она добавляется в формируемую систему признаков. На следующем шаге к уже имеющейся системе из одной характеристики поочередно добавляются оставшиеся признаки. В результате строится (с/-1) систем из двух признаков каждая. Из них выбирается наиболее информативная, которая переходит на следующий шаг. И так до тех пор, пока не будет сформирована система из п признаков (рисунок 6).

Используя разработанную методик}', были проведены эксперименты по определению систем информативных признаков при распознавании тестовых и реальных объектов.

В качестве тестовых выбраны объекты, имеющие известную геометрическую формы: треугольники, прямоугольники, трапеции, окружности, эллипсы, параллелограммы. Применение разработанной методики пока-

зало, что для уверенного распознавания подобных объектов (достоверность классификации - 100 %) достаточно использования системы из четырех признаков: Ягаш / ¿, МВЫп / 5ВЫП, АР / Р09 Яср / Р0.

Тсстовыс ! !

' ;п<к>па»кеимя [г I —'

Вычисление объскто«

Построение системы »фи шпион ,шн расношияания

спознаьаине

Опр«.'лелсги!1. (МНбиЛСО

снстсмы

.чанных

Рисунок 6 - Методика исследования информативности признаков

Проведены исследования информативности признаков при распознавании реальных объектов сложной формы - различных форм графита. Выделяют следующие виды графита в чугунах: пластинчатый, вермику-лярньш, шаровидный, и компактный (рисунок 7).

у ' . ' .

) / ) ,/ (Л / I ф У* #

/у; , У/' У. г * , ,

\уу; *

> /\ • ' ? ^ ш • 4 ** - ~

а б в г

Рисунок 7 - Виды графитовых включений в чугуне а - пластинчатый; б - вермикулярный; в - шаровидный; г — компактный

Для проведения эксперимента было выбрано более 400 объектов, подобных показанным на рисунке 7. Объекты выбирались из ГОСТ 3443-87, где они приведены в качестве эталонов различных форм графита. Результаты исследования реальных объектов для системы из 10 признаков приведены в таблице I.

Исследование информативности инвариантных признаков для распознавания реальных объектов показало, что сложность распознавания по сравнению с тестовыми объектами существенно возросла. Система из 10 признаков дает точность классификации в 96 %. Точность может быть увеличена до 98.5% при использовании системы из 43 характеристик (рисунок 8), но при этом более чем в 5 раз возрастает время обработки. Качество распознавания в 100% в данном эксперименте не достигнуто из-за специфики использованных объектов: графитовые включения малых размеров часто имеют округлую форму независимо от вида графита, поэтому они распознаются системой как шаровидный графит.

Таблица 1 - Система признаков, сформированная при распознавании реальных объектов___

Очередность добавления признаков Название признака Доля правильно распознанных объектов, %

1 м2/м) 62.0

2 75.7

3 ыш 80.2

4 / б'о 84.7

5 ■^тах / Ро 88.6

6 Яс»! Ро 91.1

7 £ТР ! $ 93.2

8 / 94.5

9 Л^ВЫТТ / 95.2

10 '/Г ! Пп 96.1

10

1 4 7 10 13 15 19 22 25 2а 31 34 37 40 43 Количество признаков в системе

Рисунок 8 - Качество распознавания в зависимости от количества используемых признаков Четвертая глава посвящена решению практических задач автоматического анализа и распознавания металлографических и дефектоскопических снимков.

Разработана экспериментальная система обработки, анализа и распознавания металлографических и дефектоскопических снимков, содержащая: 1) цифровой видеодатчик, формирующий полутоновое либо бинарное изображение снимка микроструктуры или дефектоскопического снимка; 2) блок предварительной обработки изображения (фильтрация шума, сегментация, удаление малоразмерных объектов и заполнение пустот); 3) блок выделения объектов и вычисления их базовых признаков; 4) блок вычисления производных признаков на основе базовых; 5) база данных системы, хранящая признаки эталонных объектов, а также пере-

чень характеристик, которые должны вычисляться для распознавания объектов (используемая система признаков); 6) блок распознавания, принимающий на вход вычисленные признаки объектов на изображении и характеристики эталонных объектов из базы данных и относящий объект к какому-либо классу; 7) блок вывода полученных данных и их визуализации; 8) блок управления.

С помощью разработанной системы были решены следующие практические задачи:

1. Автоматическое, объективное, точное и высокопроизводительное решение задач анализа металлографических снимков, а именно:

- определения процентного соотношения феррита и перлита в стали в соответствии с ГОСТ 8233-56: на изображении микроструктуры выделяются структурные компоненты, определяются их площади и вычисляется процентное соотношение перлита и феррита.

- анализа неметаллических включений в стали по ГОСТ 1778-70: оцениваются параметры для различных типов включений (оксиды, силикаты, сульфиды и нитриды). Определяются длина и ширина каждого объекта, на их основе вычисляется размер включений, как это указано в ГОСТ 1778-70; затем производится подсчет количества включений каждого типа, размер которых превышает установленное значение, а также общего количества таких включений.

- анализа структуры отливок из чугуна в соответствии с ГОСТ 344387: выделение на снимке микроструктуры чугуна графитовых включений разного типа (пластинчатый, вермикулярный, шаровидный, и компактный графит), распознавание типа включения, определение средней площади и длины включений каждого типа, процентного содержания графита на снимке.

2. Анализа дефектов на снимках, полученных радиографическими и тепловыми методами неразрушающего контроля: улучшение исходного снимка с помощью удаления шума, выделение на изображении объекта контроля дефектных участков и определение их геометрических параметров.

В приложениях приведены примеры результатов работы различных методов контроля; изображения тестовых объектов; патентные документы; а также акт, подтверждающий использование результатов работы на промышленном предприятии.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Выполнен анализ состояния задачи автоматизации контроля качества в промышленности. Показана актуальность разработки алгоритмов и методов автоматического анализа дефектоскопических и металлографических снимков на базе СТЗ и методов цифровой обработки изображений. Созданы наборы тестовых изображений объектов, разделенные по категориям в зависимости от формы, выпуклости, наличия дыр, что по-

зволило учесть многообразие объектов, встречающихся в задачах анализа металлографических и дефектоскопических снимков.

2. Разработаны алгоритмы вычисления признаков плоских объектов, связанных с выпуклой формой объекта и описанным вокруг него прямоугольником минимальной площади, которые не применялись ранее вСТЗ.

3. Разработан алгоритм вычисления длины и ширины объекта, результаты работы которого не зависят от ориентации объекта на изображении. Созданный алгоритм применим как к объектам известной геометрической формы, так и к произвольным фигурам.

4. Предложен метод формирования инвариантных к ППМ производных признаков, позволяющий составлять широкие наборы признаков для решения задач классификации и распознавания объектов.

5. Разработан и применен метод исследования стабильности признаков к ППМ объектов. Установлено, что многие характеристики, построенные с использованием предложенной методики формирования признаков, имеют отклонение не более 3% при ППМ объектов. Экспериментально обнаружены наиболее стабильные признаки, сформированные на основе площадных, линейных и моментных характеристик.

6. Разработана методика исследования информативности признаков объектов, позволяющая сформировать систему характеристик с информативностью, близкой к оптимальной. Ее применение показало, что точность распознавания тестовых объектов равна 100% при использовании системы из четырех признаков. Точность распознавания реальных объектов на металлографических изображениях доходит до 96% при использовании системы из 10 признаков и увеличивается до 98% с системой из 43 характеристик.

7. Разработана система обработки, анализа и распознавания металлографических и дефектоскопических снимков, позволяющая впервые автоматически решать следующие задачи:

- определения процентного соотношения перлита и феррита в стали по ГОСТ 8233-56;

- оценки размера неметаллических включений в стали по ГОСТ 1778-70;

- анализа структуры отливок из чугуна в соответствии с ГОСТ 3443-87;

- оценки параметров дефектов сварных швов и дефектов со снимков, полученных тепловым методом контроля.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ в журналах по перечню ВАК:

1. Стародубов Д.Н., Стулов H.H. Комплекс программ обработки и анализа изображений объектов в системах технического зрения // Программные продукты и системы, 2006, №3, С. 17-20.

2. Садыков С.С., Стародубов Д.Н. Алгоритмы определения длины и ширины дискретных площадных объектов Автоматизация и современные технологии - М.: Машиностроение, 2007, №10 - с. 8 - 12.

монографии:

3. Ермаков A.A., Орлов A.A., Садыков С.С., Стародубов Д.Н. Методы и алгоритмы обработки и анализа дефектоскопических и металлографических снимков. - Владимир: Изд-во Владимир, гос. ун-та, 2008, -112 с.

в прочих изданиях:

4. Стародубов Д.Н., Стулов H.H. К вопросу вычисления инвариантных к аффинным преобразованиям признаков площадных объектов. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Материалы 13-й Международной НТК. Рязань: РГРТА, 2005. -с. 194- 195.

5. Стародубов Д.Н., Стулов H.H. Формирование инвариантных к повороту, перемещению и изменению масштаба признаков объектов из замкнутых линий. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций. Материалы 13-й Международной НТК. Рязань: РГРТА, 2005. - с. 195 - 197.

6. Стародубов Д.Н. Методика определения устойчивости признаков объектов к аффинным преобразованиям. Наука и образование в развитии промышленного потенциала и социально-экономической сферы региона: сб. докладов научно-практической конференции, посвященной 50-летию Муромского института (филиала) Владимирского государственного университета. - Муром: Изд.-полиграфический центр МИ (ф) ВлГУ, 2007. -с. 174.

7. Садыков С.С., Стародубов Д.Н. Исследование стабильности признаков площадных объектов, инвариантных к переносу, повороту и изме-нешпо масштаба. Надежность и качество. Труды международного симпозиума / Под ред. Н.К. Юркова. - Пенза: Изд-во Пенз. гос. ун-та, 2005.

8. Садыков С.С., Стулов H.H., Стародубов Д.Н. Способ формирования в системах технического зрения промышленных роботов признаков изображений, инвариантных к переносу, повороту и изменению масштаба. Системы и методы обработки и анализа информации: Сборник научных статей - М.: Горячая линия - Телеком, 2005. - с. 38 - 44.

9. Стародубов Д.Н., Стулов H.H. Инвариантные к повороту, переносу и изменению масштаба признаки площадных объектов. Системы и методы обработки и анализа информации: Сборник научных статей - М.: Горячая линия - Телеком, 2005. - с. 30 - 38.

10. Стулов H.H., Стародубов Д.Н. Экспериментальное исследование алгоритмов вычисления геометрических признаков линейных и площадных объектов / Муромский ин-т (филиал) Владимирского гос. ун-та. -Муром. 2005. - 31 с. - Деп. в ВИНИТИ от 21.04.05 г. № 573. - В 2005.

11. Стародубов Д.Н. Система автоматического формирования безразмерных признаков площадных объектов на радиолокационных снимках. Методы и устройства передачи и обработки информации. Межвуз. сб. науч. тр. - Вып. 8 / Под ред. В.В. Ромашова. - М.: «Радиотехника», 2007.-с. 125-129.

12. Стародубов Д.Н. Инвариантные к аффинным преобразованиям моментные признаки площадных объектов. Алгоритмы, методы и системы обработки данных: Сборник научных статей - М.: Горячая линия -Телеком, 2006.-е. 14-18.

13. Садыков С.С., Стародубов Д.Н. Формирование наборов базовых и инвариантных к аффинным преобразованиям признаков площадных объектов. Алгоритмы, методы и системы обработки данных: Сборник научных статей - М.: Горячая линия - Телеком, 2006. - с. 18-26.

патенты:

14. Полезная модель к патенту РФ № 65268, МПК в06К 9/46. Устройство определения длины и ширины объекта / Садыков С.С., Стародубов Д.Н., 2007 г., Бюл. №21.

15. Полезная модель к патенту РФ № 69284, МПК С06К 9/46. Устройство определения длины и ширины объекта / Стародубов Д.Н., 2007 г., Бюл. № 34.

свидетельство о регистрации программы для ЭВМ:

16. Программа автоматического анализа металлографических и дефектоскопических снимков. / Стародубов Д.Н. Свидетельство о государственной регистрации программы для ЭВМ № 2008614122,2008 г.

Подписано в печать 11.11.2008. Формат60x84/16. Бумага для множит, техники. Гарншура Тайме. Печать ризографиж. Усл. печ.л. 1,00 Тираж 100 экз. Заказ № 1336. МУРОМСКИЙ ИНСТИТУТ (ФИЛИАЛ) Государственного образовательного учреждения

высшего профессионального образования «Владимирский государственный университет» Издательско-полиграфический центр Адрес: 602264, Владимирская обл., г. Муром, ул. Орловская, 23.

Введение.

Глава 1 Анализ методов и средств контроля качества объектов.

1.1 Виды контроля качества и их особенности.

1.2 Основные методы неразрушающего контроля.

1.3 Металлографические исследования снимков микроструктур.

1.4 Состояние задачи автоматизации визуального контроля.

1.5 Общая структура и основные компоненты СТЗ визуального контроля

Выводы по главе 1.

Постановка задачи исследования.

Глава 2 Разработка методов и алгоритмов выделения базовых и производных признаков плоских объектов и предварительной обработки изображения.

2.1 Необходимость вычисления дополнительных базовых и производных признаков объектов.

2.2 Выбор и обоснование тестовых изображений.

2.3 Алгоритмы вычисления признаков плоских объектов.

2.3.1 Площадные признаки.

2.3.2 Линейные характеристики.

2.3.3 Моментные характеристики.

2.3.4 Способ формирования наборов производных признаков объектов, инвариантных к повороту, переносу и изменению масштаба объектов.

2.4 Алгоритмы предварительной обработки изображения.

Выводы по главе 2.

Глава 3 Исследование стабильности и информативности базовых и производных признаков объектов.

3.1 Методика исследования стабильности признаков объектов.

3.2 Исследование стабильности площадных характеристик объектов.

3.3 Исследование стабильности линейных характеристик объектов.

3.4 Исследование стабильности моментных характеристик объектов.

3.5 Методика исследования информативности признаков объектов.

3.6 Исследование информативности признаков объектов.

Выводы по главе 3.

Глава 4 Решение практических задач автоматического анализа и распознавания металлографических и дефектоскопических снимков.

4.1 Структура экспериментальной системы автоматического анализа и распознавания микроструктуры.

4.2 Алгоритмы работы блоков системы.

4.3 Решение задачи определения процентного соотношения феррита и перлита в стали.

4.4 Решение задачи анализа неметаллических включений в стали.

4.5 Решение задачи анализа структуры отливок из чугуна.

4.6 Решение задачи анализа дефектов сварных швов.

4.7 Решение задачи анализа дефектов на снимках теплового контроля.

Технологический рывок, сделанный в XX-XXI веках вывел на новый уровень промышленность и связанные с ней отрасли. Появились новые виды продукции, существенно расширились объемы производства уже существующей. Параллельно с этим процессом шло расширение и развитие методов и технических средств контроля качества, т.к. практически на любом производстве неизбежен некоторый процент брака, дефектной продукции, использование которой нежелательно, а иногда и недопустимо.

Стремительное развитие наукоемких технологий, в том числе микроэлектроники, дало толчок к широкому использованию сложной вычислительной техники как на производстве, так и в других областях человеческой деятельности. Распространение микропроцессорных устройств привело к появлению новых средств автоматизации в промышленности, в том числе и систем автоматизированного контроля качества продукции [1 -6]. Подобные системы предназначены для замены человека на работах, требующих выполнения однотипных, трудоемких и, иногда, вредных для здоровья операций по контролю качества.

В настоящее время в промышленности ручной контроль качества все еще преобладает над автоматизированным [1, 7, 8]. Главной причиной такого положения дел является сложность разработки методов автоматической обработки результатов контроля. Наибольший уровень автоматизации сейчас наблюдается в области визуального контроля качества, где используется автоматический анализ дефектоскопических изображений на базе систем технического зрения (СТЗ) [3, 6, 9 - 16].

Разработка СТЗ требует решения таких задач, как предварительная обработка изображения, полученного с видеодатчика [9, 11, 13, 16 - 27]; нахождение объектов на улучшенном изображении [6, 16, 20, 21, 23, 25, 28 - 42]; выделение признаков найденных объектов [6, 13, 43 - 46]; распознавание и классификация объектов с использованием их признаков [6, 18, 47, 48].

Методы и алгоритмы решения данных задач в настоящее время разработаны достаточно хорошо как в теории, так и на практике, но пока не найдены универсальные подходы, позволяющие применять их к решению проблем различных типов. Поэтому при разработке СТЗ, автоматизирующей конкретную прикладную область, часто требуется модификация известных алгоритмов обработки данных либо разработка новых методов и алгоритмов.

Одна из областей контроля качества - металлографические исследования снимков микроструктуры, используемые во многих областях современной промышленности [4, 5, 49 - 61]. В настоящее время не предложено автоматического решения данной задачи; одним из препятствий при этом является необходимость распознавания объектов независимо от их положения в поле зрения СТЗ, ориентации в пространстве и масштаба.

Методы и алгоритмы, позволяющие обеспечить распознавания независимо от переноса, поворота и изменения масштаба (111 1М) объекта разработаны достаточно слабо. Поэтому задача разработки подобных методов в области систем автоматизации контроля качества является достаточно актуальной и требует своего решения.

Целью диссертационной работы является разработка, исследование и практическое применение методов и алгоритмов обработки и анализа дефектоскопических и металлографических снимков.

Исходя из цели работы, ставятся следующие задачи исследования:

1. Анализ состояния задач автоматизации контроля качества, а именно -задач обработки и распознавания металлографических и дефектоскопических снимков.

2. Обзор основных методов и алгоритмов, используемых в СТЗ визуального контроля для цифровой обработки снимков.

3. Разработка методов и алгоритмов выделения базовых признаков объектов, не использовавшихся ранее в СТЗ визуального контроля.

4. Разработка способа формирования производных признаков объектов, инвариантных к ПГТМ и исследование стабильности полученных признаков.

5. Разработка и исследование метода построения информативной системы признаков для распознавания объектов на дефектоскопических и металлографических снимках.

6. Разработка системы автоматического анализа металлографических и дефектоскопических снимков.

Методы исследования. В работе использованы методы теории множеств, дискретной математики, математической статистики, цифровой обработки изображений и теории распознавания образов.

Научная новизна. В результате проведенных исследований разработаны:

- алгоритм определения длины и ширины объекта независимо от его формы и ориентации на изображении;

- метод формирования информативных систем признаков объектов, инвариантных к ППМ;

- методика исследования стабильности базовых и производных признаков объектов к ППМ.

Практическая ценность работы. Результаты работы позволяют:

- вычислять базовые и производные признаки плоских объектов на изображении;

- формировать большое количество инвариантных к ППМ признаков объектов;

- исследовать стабильность признаков объектов к ППМ с использованием сравнительно небольшого количества тестовых объектов;

- формировать информативную систему признаков объектов, инвариантных к ППМ, которая может быть использована при распознавании объектов сложной формы;

- автоматически решать задачу определения процентного соотношения основных составляющих различных марок стали;

- автоматически решать задачи оценки неметаллических включений в стали и анализа структуры отливок из чугуна;

- автоматически определять параметры дефектов на снимках, полученных радиографическими и тепловыми методами неразрушающего контроля.

Реализация результатов исследования. Разработанные алгоритмы и система анализа металлографических и дефектоскопических снимков внедрены в производство, о чем свидетельствуют акты, приведенные в приложении к диссертации.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на научных конференциях преподавателей МИВлГУ (г. Муром, 2005-2008 гг.), на Международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (г. Рязань, 2005 г.), а также на Международном симпозиуме «Надежность и качество» (г. Пенза, 2005 г.).

Публикации. Основные результаты диссертации опубликованы в 16 работах, в том числе в 2 статьях в журналах из списка ВАК. Получены 2 патента на полезные модели и свидетельство о государственной регистрации программы для ЭВМ.

На защиту выносится:

1. Результаты оценки состояния задачи автоматизации дефектоскопических и металлографических снимков с использованием СТЗ и методов цифровой обработки изображений;

2. Метод формирования наборов безразмерных производных признаков плоских объектов;

3. Метод определения стабильности базовых и производных признаков плоских объектов к ППМ;

4. Способ определения длины и ширины плоского объекта произвольной формы, инвариантный к ППМ;

5. Результаты экспериментальных исследований, подтверждающих теоретические разработки.

В первой главе диссертации рассмотрены основные методы контроля качества, их особенности, преимущества и недостатки, а также уровень автоматизации. Выполнен обзор задач металлографических исследований снимков микроструктур. Рассмотрена общая структура и основные компоненты СТЗ визуального контроля, а также проанализированы основные методы и алгоритмы цифровой обработки изображений, используемые в существующих СТЗ.

Во второй главе приведена разработка алгоритмов вычисления базовых признаков плоских объектов, методики формирования инвариантных характеристик на основе базовых, а также методов предварительной обработки изображений.

Третья глава диссертации посвящена разработке и применению методики исследования стабильности признаков к ППМ объектов. Приведены результаты экспериментального исследования стабильности производных признаков, сформированных на базе площадных, линейных и моментных характеристик. Предложена методика формирования информативной системы признаков объектов, которая применена для объектов с металлографических снимков.

В четвертой главе описана структура разработанной системы, а также алгоритмы ее работы. Приведено решение задач автоматического анализа металлографических снимков.

Выводы по главе 4

1. Разработана экспериментальная система, позволяющая решать задачи автоматического анализа различных дефектоскопических и металлографических снимков и распознавания объектов на них.

2. Впервые на основе методов цифровой обработки изображений и распознавания образов решена задача автоматического определения процентного соотношения перлита и феррита в стали, поставленная в ГОСТ 8233-56. Осуществлена как оценка структуры стали с использованием балла (по требованиям ГОСТ 8233-56), так и вычисление точных числовых значений площадей перлита и феррита.

3. Автоматически решена задача оценки размера неметаллических включений в стали по ГОСТ 1778-70. При этом определяются точные размеры каждого включения на снимке, в зависимости от значения которого частицы относятся к одной из нескольких групп.

4. Впервые решена задача автоматического анализа структуры отливок из чугуна по ГОСТ 3443-87, для чего создана система, позволяющая распознавать вид графитовых включений на изображении и определять следующие их характеристики: количество и длина включений пластинчатого и графита; количество и диаметр включений шаровидного графита; диаметр включений компактного графита; количество включений вермикулярного графита. Кроме того, определяются геометрические и моментные характеристики каждого найденного включения, которые использованы для дополнительного анализа микроструктуры.

5. Решены задачи анализа дефектоскопических снимков, полученных различными методами неразрушающего контроля: радиографическим и тепловым. Разработанная система позволяет автоматически выделять на исследуемых снимках дефектные участки и определять их точные геометрические параметры.

6. Впервые решена задача распознавания плоских объектов на металлографических снимках независимо от их масштаба и ориентации на изображении с использованием характеристик, инвариантных к ППМ объекта.

Заключение

1. Осуществлен обзор и анализ состояния задач контроля качества изделий и материалов в промышленности. Установлено, что: уровень автоматизации в контроле качества является невысоким, развиваются методы и системы автоматизации визуально-оптического контроля; выходные данные большинства методов контроля представлены в виде снимков и изображений, требующих дальнейшего визуального анализа.

2. Показана актуальность разработки алгоритмов и методов автоматического анализа дефектоскопических и металлографических снимков на базе СТЗ и методов цифровой обработки изображений.

3. Установлено, что: в существующих СТЗ визуального контроля используются достаточно простые методы и алгоритмы обработки изображений, которые не могут быть использованы при анализе дефектоскопических и металлографических снимков; для качественной классификации и распознавания объектов в СТЗ необходимо использовать признаки объектов, инвариантных к переносу, повороту и изменению масштаба объектов; большинство признаков, используемых в СТЗ визуального контроля, не обладают подобными свойствами и поэтому требуется разработка метода формирования характеристик, инвариантных к ППМ объектов.

4. Созданы наборы тестовых изображений объектов, разделенные по категориям в зависимости от формы, выпуклости, наличия дыр, что позволило учесть многообразие объектов, встречающихся в задачах анализа металлографических и дефектоскопических снимков. связанных с выпуклой формой объекта и описанным вокруг него прямоугольником минимальной площади, которые не применялись ранее в СТЗ.

6. Разработан алгоритм вычисления длины и ширины объекта, результаты работы которого не зависят от ориентации объекта на изображении. Созданный алгоритм применим как к объектам известной геометрической формы, так и к произвольным фигурам.

7. Предложен метод формирования инвариантных к ППМ производных признаков, позволяющий составлять широкие наборы признаков для решения задач классификации и распознавания объектов.

8. Разработана методика исследования стабильности признаков к ППМ объектов. Ее применение показало, что многие характеристики, построенные с использованием предложенной методики формирования признаков, имеют отклонение не более 3% при ППМ объектов.

9. Экспериментально обнаружено, что наиболее стабильными из признаков, сформированных на основе площадных характеристик, являются следующие: S0 / S, Snр / 5Вып, ^вып / S0, SBhm / S, Snp / S0, snp / S. Около 20 подобных признаков показывают среднее отклонение, не превышающее 3%.

10. Среди характеристик, построенных на основе линейных признаков, лучшую стабильность показали: Рвш / Рпр, Рпр / L, Рвып / L, Rmax / Рвып, Рпр / W, Rmaх / Рпр, , Рвыгт I W , Rmax / W, Rmilx / L, W/ L. 16 подобных характеристик показали средние отклонения, не превышающие 3%. Еще около 10 признаков имеют отклонения в пределах 0-5%.

11. Установлено, что линейные признаки по сравнению с площадными имеют большие значения максимальных отклонений, что объясняется зависимостью значений линейных характеристик от качества контура объекта.

При изменении контура значения площадных признаков меняются незначительно из-за большого количества внутренних точек объекта, в то время как линейные характеристики могут заметно изменить свои значения.

12. В ходе исследования установлено, что моментные характеристики и производные признаки на их основе имеют, в основном, неудовлетворительную стабильность, из-за большого порядка их значений и чувствительности к искажениям измененного объекта. Лучшую стабильность (среднее отклонение до 10 %) показали следующие характеристики: M2/Mi, М2вып/ М!вът,

М/вып / Mh М1вът / М2, М2вьт / М2, М2вып / Ми т%п / т02, r/e£n / rj22.

13. Разработана методика исследования информативности признаков объектов, позволяющая определить качество распознавания при использовании некой системы характеристик. Ее применение показало, что точность распознавания тестовых объектов равна 100% при использовании системы из четырех следующих признаков: Rm-m /L, ASBUU / S0, АPI Р0, Rcp /Р0. Точность распознавания реальных объектов на металлографических изображениях доходит до 96% при использовании системы, состоящей из следующих признаков: M2/Mh ASnp/S0, L / W, ASBhm / S0, Rmax/P0, Rcp/P0, Snp/S, s0 / Sc/M , ASBbm / S3 , TJ22 / ^22 •

14. Разработана система обработки, анализа и распознавания металлографических и дефектоскопических снимков, позволяющая впервые автоматически решать следующие задачи:

- определение процентного соотношения перлита и феррита в стали по ГОСТ 8233-56;

- оценки размера неметаллических включений в стали по ГОСТ-1778-70;

- анализа структуры отливок из чугуна в соответствии с ГОСТ 3443-87;

- определения геометрических параметров дефектов сварных швов;

- определения геометрических параметров дефектов, выявленных тепловыми методами контроля.

1. Сорокин, П.А. Теория оптимальных систем оптической дефектоскопии поверхности: Учебной пособие / П.А. Сорокин. - Тула: Тул. гос. ун-т, 2001.- 100 с.

2. Неразрушающий контроль металлов и изделий. Справочник. / Под ред. Г.С. Самойловича. М.: Машиностроение, 1976. - 456 с.

3. Сорокин, П.А. Автоматизация визуального технологического контроля в производствах на автоматических роторных линиях: Учебное пособие / П.А. Сорокин. Тула: Тул. гос. ун-т, 2001. - 82 с.

4. Неразрушающий контроль: Справочник: В 8 т. / Под общ. ред. В.В. Клюева. Т. 1: В 2 кн. Кн. 1. Ф.Р. Соснин. Визуальный и измерительный контроль. Кн. 2. Ф.Р. Соснин. Радиационный контроль. 2-е изд., испр. - М.: Машиностроение, 2006. - 560 с.

5. Генкин, B.JT. Системы распознавания автоматизированных производств / В.Л. Генкин, И.Л. Ерош, Э. С. Москалев. Л.: Машиностроение, Ленинградское отделение, 1988. - 246 с.

6. Бархатов, В.А. Развитие методов ультразвуковой дефектоскопии сварных соединении / В.А. Бархатов // Дефектоскопия. 2003. - № 1, С. 28 -55.

7. Неразрушающий контроль и диагностика: Справочник /В.В. Клюев и др. ; Под ред. В.В. Клюева. М.: Машиностроение, 1995. - 488 с.

8. Бутаков, Е.А. Обработка изображений ЭВМ / Е.А. Бутаков, В.И. Островский, И.Л. Фадеев. М.: Радио и связь, 1987. - 240 с.

9. Вакунов, Н.В. Разработка и исследование многомасштабных алгоритмов обработки и анализа изображений в производственных системах контроля качества : автореф. дис. . канд. техн. наук / Н.В. Вакунов ; ВлГУ — Владимир, 2005. 18 с.

10. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение) / А.Н. Писаревский и др. ; Под общ. ред. А.Н. Писаревского, А.Ф. Чернявского. Л.: Машиностроение. Ленинградское отделение, 1988. - 424 с.

11. Техническое зрение роботов / В.И. Мошкин, А.А. Петров, B.C. Титов, Ю.Г. Якушенков ; Под общ. ред. Ю.Г. Якушенкова. — М.: Машиностроение, 1990.-272 с.

12. Садыков, С.С. Методы и алгоритмы выделения признаков в системах технического зрения / С.С. Садыков, Н.Н. Стулов. М.: Горячая линия — Телеком, 2005.-204 с.

13. Дистанционно-управляемые роботы и манипуляторы / Под ред. B.C. Кулешова и Н.А. Лаготы. М.: Машиностроение, 1986. - 362 с.

14. Техническое зрение роботов / Под ред. А. Пью; пер. с англ. Д.Ф. Миронова; Под ред. Г.П. Катыса. М.: Машиностроение, 1987. - 320 с.

15. Шапиро, Л Компьютерное зрение / Л. Шапиро, Дж. Стокман; Пер. с англ. М.: БИНОМ. Лаборатория знаний, 2006. - 752 с.

16. Фу, К. Робототехника: пер. с англ. / К. Фу, Р. Гонсалес, К. Ли. М.: Мир, 1989.-624 с.

17. Розенфельд, А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. / А. Розенфельд. М.: Мир, 1972. — 232 с.

18. Методы и алгоритмы цифровой обработки изображений / Под ред. С.С. Садыкова. Ташкент: УзНПО «Кибарнетика» АН РУз, 1992. - 296 с.

19. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. 2-е издание, испр. - М.: Физматлит, 2003. - 784 с.

20. Павлидис, Т. Алгоритмы машинной графики и обработки изображений: пер. с англ. / Т. Павлидис. М.: Радио и связь, 1986 - 400 с.

21. Садыков, С.С. Цифровая обработка и анализ изображений / С.С. Садыков. Ташкент: НПО «Кибернетика» АН РУз, 1994. - 193 с.

22. Методы цифровой обработки изображений: учеб. пос. Ч. 1. / С.В. Дегтярев и др.. Курск: Курск, гос. техн. ун-т, 2001. — 167 с.

23. Кориков, A.M. Корреляционные зрительные системы роботов / A.M. Кориков, В.И. Сверямкин, B.C. Титов ; Под ред. A.M. Корикова. Томск: Радио и связь, Томское отделение, 1990. -264 с.

24. Абламейко, С.В. Обработка изображений: технология, методы, применение: Учеб. пос. / С.В. Абламейко, Д.М. Лагуновский. М.: Амалфей, 2000.-304 с.

25. Жизняков, А.Л. Вейвлет-преобразования в обработке и анализе изображений / А.Л. Жизняков, Н.В. Вакунов. М.: Гос. научн. центр РФ -ВНИИ геосистем, 2004. - 102 с.

26. Гостев, И.М. Об одном методе получения контуров изображений / И.М. Гостев // Известия РАН. Теория и системы управления. М. - 1998. -№ 3. - С. 97-104.

27. Прэтт, У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. М.: Мир, 1982. - Кн. 2. - 480 с.

28. Горский, Н.Д. Восприятие двухмерных изображений / Н.Д. Горский // Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник /Под ред. Д.А. Поспелова.-М.: Радио и связь, 1990.-С. 196-201.

29. Путятин, Е.П. Обработка изображений в робототехнике / Е.П. Путятин, С.В. Аверин. — М.: Машиностроение, 1990. 320 с.

30. Хорн, Б.К.П. Зрение роботов: Пер. с англ. / Б.К.П. Хорн. М.: Мир, 1989.-487 с.

31. Jensen, J. R. Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition / J. R. Jensen. -NJ: Prentice-Hall, 1996.

32. Ohlander, R. Picture segmentation using a re-cursive region splitting method / R. Ohlander, K. Price, D. Reddy // Comput. Graphics and Image Proc. -1978. v.8:313-333.

33. Shi, J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Conf. Comput. Vision and Pattern Recog. 1997. - 731 - 737.

34. Cramariuc, B. Clustering Based Region Growing Algorithm for Color Image Segmentation / B. Cramariuc, M. Gabbouj, J. Astola // Int. Conf. on Digital signal Processing. 1997.

35. Bow, S.-T. Pattern Recognition and Image Preprocessing, Marcel Dek-ker, Inc. / S.-T. Bow. New York: NY. - 1992.

36. Celenk, M. Hierarchical Color Clustering for Segmentation of Textured Images / M. Celenk // Proc. of the 29th Southeastern Symposium on system Theory.-1997.

37. Shafarenko, L. Automatic Watershed segmentation of Randomly Textured Color Images / L. Shafarenko, M. Petrov, J. Kittler // IEEE Trans, on Image Processing. 1997.

38. Pal, N. R. A Review on Image Segmentation Techniques / N.R. Pal, S.K. Pal // Pattern Recognition. 1993. - Vol. 26. - № 9.

39. Shi, J. Normalized Cuts and Image Segmentation / J. Shi, J. Malik. -University of California at Berkeley, 1997.

40. Fowlkes, C. Efficient Spatiotemporal Grouping Using the Nystrom Method / C. Fowlkes, S. Belongie, J. Malik // Comput. Vision and Pattern Recog. -2001.

41. Veksler, O. Image Segmentation by Nested Cuts / Veksler, O. NEC Research Institute, 2000.

42. Садыков, С.С. Методы выделения структурных признаков изображений / С.С. Садыков, В.Н. Кан, И.П. Самандаров. Ташкент: Фан, 1990. -104 с.

43. Боллс, Р.С. Поиск и распознавание частично видимых объектов: Метод выделения локальных признаков / Р.С. Боллс, Р.А. Кэйн // Техническое зрение роботов ; Под ред. А. Пыо; Пер. с англ. М.: Машиностроение, 1987.-С. 47-83.

44. Журавлев, Ю.И. Избранные научные труды / Ю.И. Журавлев. М.: Магистр, 1998.-416 с.

45. Анисимов, Б.В. Распознавание и цифровая обработка изображений: Учеб. пособие / Б. В. Анисимов, В. Д. Курганов, В. К. Злобин. М.: Высш. шк., 1983.-295 с.

46. Бунин, К.П. Металлография / К.П. Бунин, А.А. Баранов. М.: Металлургия, 1970. - 256 с.

47. Натапов, Б.С. Металловедение / Б.С. Натапов М.: Металлургиздат, 1956.-344 с.

48. Болховитинов, Н.Ф. Металловедение и термическая обработка / Н.Ф. Болховитинов М.: Машгиз, 1952. - 428 с.

49. Металлографическое травление металлов и сплавов: справ, изд. / Баранова JI.B., Демина Э.Л. М.: Металлургия, 1986. - 256 с.

50. Гуляев, А.П. Металловедение. Учебник для вузов. 6-е изд., перераб. и доп. / А.П. Гуляев. — М.: Металлургия, 1986. 544 с.

51. Методы структурного анализа материалов и контроля качества деталей: Учеб. пособие / В.А. Батаев, А.А. Батаев, А. П. Алхимов. 2-е изд. — М.: Флинта, 2007. - 224 с.

52. Бровер, Г.И. Методы металлографических исследований металлов и сплавов: Учеб. пособие / Г.И. Бровер, В.Н. Пустовойт, А.В. Бровер. Ростов н/Д: ДГТУ, 1999. - 29 с.

53. Брандон, Д. Микроструктура материалов. Методы исследования и контроля / Д. Брандон, У. Каплан. М.: Техносфера, 2004. - 384 с.

54. Карпухин, С.Д. Световая микроскопия и количественная обработка изображений структур материалов: Учебное пособие / С.Д. Карпухин, Ю.А. Быков ; Под ред. Ю.А. Быкова. М.: Изд-во МГТУ им. Баумана, 2003. - 48 с.

55. Стандартные методы контроля качества металлических материалов и их соединений: справочник / Л.П. Герасимова, Д.Е. Голубков, Ю.П. Гук. -М.: ЭКОМЕТ, 2007. 664 с.

56. ГОСТ 1778-70 Сталь. Металлографические методы определения неметаллических включений. Введ. 1972-01-01. - М.: Изд-во стандартов, 2000.-35 с.

57. ГОСТ 8233-56 Сталь. Эталоны микроструктуры. Введ. 1957-01— 07. - М.: Изд-во стандартов, 2000. - 12 с.

58. ГОСТ 3443-87 Отливки из чугуна с различной формой графита. Методы определения структуры. Введ. 1988-01-07. - М.: Изд-во стандартов, 2000.-43 с.

59. ГОСТ 16504-81 Система государственных испытаний продукции. Испытания и контроль качества продукции. Основные термины и определения.—Введ. 1982-01-01.-М.: Изд-во стандартов, 1998.-26 с.

60. ГОСТ 18353-79 Контроль неразрушающий. Классификация видов и методов. Введ. 1980-01-07. -М.: Изд-во стандартов, 2001. - 12 с.

61. ГОСТ 21105-87 Контроль неразрушающий. Магнитопорошковый метод. Введ. 1988-01-01. - М.: Изд-во стандартов, 2000. - 12 с.

62. ГОСТ 24450-80 Контроль неразрушающий магнитный. Термины и определения. Введ. 1982-01-01. - М.: Изд-во стандартов, 2002. - 5 с.

63. ГОСТ 25225-82 Контроль неразрушающий. Швы сварных соединений трубопроводов. Магнитографический метод. Введ. 1983-01-07. - М.: Изд-во стандартов, 1999. - 15 с.

64. ГОСТ 25315-82 Контроль неразрушающий электрический. Термины и определения. Введ. 1983-01-07. -М.: Изд-во стандартов, 1999. -3 с.

65. ГОСТ 24289-80 Контроль неразрушающий вихретоковый. Термины и определения. Введ. 1981-01-07. - М.: Изд-во стандартов, 1997. - 9 с.

66. ГОСТ 27333-87 Контроль неразрушающий. Измерение удельной электрической проводимости цветных металлов вихретоковым методом. -Введ. 1988-01-07. -М.: Изд-во стандартов, 1998. 6 с.

67. ГОСТ 23480-79 Контроль неразрушающий. Методы радиоволнового вида. Общие требования. Введ. 1980-01-01. -М.: Изд-во стандартов, 1996. - 17 с.

68. ГОСТ 25313-82 Контроль неразрушающий радиоволновой. Термины и определения. Введ. 1983-01-07. - М.: Изд-во стандартов, 1996. - 7 с.

69. ГОСТ 26170-84 Контроль неразрушающий. Приборы радиоволновые. Общие технические требования. Введ. 1985-01-07. - М.: Изд-во стандартов, 1998.-8 с.

70. ГОСТ 23483-79 Контроль неразрушающий. Методы теплового вида. Общие требования. Введ. 1980-01-01. - М.: Изд-во стандартов, 1996. -14 с.

71. ГОСТ 25314-82 Контроль неразрушающий тепловой. Термины и определения. Введ. 1983-01-07. - М.: Изд-во стандартов, 2000. - 7 с.

72. ГОСТ 23479-79 Контроль неразрушающий. Методы оптического вида. Общие требования. Введ. 1980-01-01. — М.: Изд-во стандартов, 1996. - 13 с.

73. ГОСТ 24521-80 Контроль неразрушающий оптический. Термины и определения. Введ. 1982-01-01. - М.: Изд-во стандартов, 2000. - 6 с.

74. ГОСТ 20426-82 Контроль неразрушающий. Методы дефектоскопии радиационные. Область применения. Введ. 1983-01-07. - М.: Изд-во стандартов, 1996. - 25 с.

75. ГОСТ 24034-80 Контроль неразрушающий радиационный. Термины и определения. Введ. 1981-01-07. -М.: Изд-во стандартов, 1994. - 12 с.

76. ГОСТ 20415-82 Контроль неразрушающий. Методы акустические. Общие положения. Введ. 1983-01-07. - М.: Изд-во стандартов, 1998. - 6 с.

77. ГОСТ 23829-85 Контроль неразрушающий акустический. Термины и определения. Введ. 1987-01-01. -М.: Изд-во стандартов, 1999. - 18 с.

78. ГОСТ 25714-83 Контроль неразрушающий. Акустический звуковой метод определения открытой пористости, кажущейся плотности, плотности и предела прочности при сжатии огнеупорных изделий. Введ. 1984-01-07. — М.: Изд-во стандартов, 1995. - 10 с.

79. ГОСТ 24522-80 Контроль неразрушающий капиллярный. Термины и определения. Введ. 1982-01-01. — М.: Изд-во стандартов, 2000. - 12 с.

80. СТБ 1172-99 Контроль неразрушающий. Контроль проникающими веществами (капиллярный). Общие положения. Введ. 2001-01-01.

81. Report on the actual situation of INSTITUTE DR. FORSTER // Information for customer and friends of INSTITUTE DR. FORSTER. 1993. - № 12.

82. ГОСТ 7512-82 Контроль неразрушающий. Соединения сварные. Радиографический контроль. Введ. 1984-01-01. - М.: Изд-во стандартов, 1995.- 19 с.

83. ГОСТ 23055-78 Классификация сварных соединений по результатам радиографического контроля. Введ. 1979-01-07. - М.: Изд-во стандартов, 1998.-8 с.

84. Мигун, Н.П. О некоторых возможностях повышения эффективности капиллярного контроля / Н.П. Мигун, А.Б. Гнусин, И.В. Волович // Дефектоскопия. 2005. - № 7. - С. 55 - 60.

85. Секерин, A.M. Метод сегментации изображений контролируемой поверхности при автоматической регистрации результатов капиллярного контроля / A.M. Секерин // Дефектоскопия. 2001. - № 1. - С. 35 - 41.

86. Fakuda, S. Nondestructive evalution and its new role in the coming century / S. Fakuda // Trends in NDE Science & Technology; Proceeding of the 141h World Conference on Non-Destructive Testing. New Delhi, 8-13 December 1996.-v. l.-P. 15-24.

87. Bar-Cohen, Y. Emerging NDE Technologies and Challenges at the Be-gining of the 3 th Millennium / Y. Bar-Cohen // Part 1. NDT. Net. January 2000. -v. 1.

88. Визуализация дефектов, обнаруженных в сварных швах рельсов при ультразвуковом контроле / Д.Б. Бабиков и др.. // Дефектоскопия. — 1999. — № 6. С. 93-97.

89. Быков, P.E. Анализ и обработка цветных объектных изображений / Р.Е. Быков, С.Б. Гуревич. -М.: Радио и связь, 1984. 248 с.

90. Nacereddine, N. Automated method implementation for detection and classification of weld defects in industrial radiography / N. Nacereddine // M.S. thesis, Dept. Automation . Algeria: Boumerdes Univ, 2004.

91. Бочаров, Ю.А. Промышленные роботы в технологии современного машиностроительного производства / Ю.А. Бочаров, А.С. Ющенко // Средства и системы очувствления промышленных роботов. С.: НИИМаш, 1984. -С. 30-35.

92. Nintzan, D. Use of sensors in robot systems / D. Nintzan, C. Barroit, P. Cheeseman // Proc. of 83 Intern. Conf. on advensed Robotics. Tokio, 12-13 September 1983.-P. 123- 132.

93. Методы обработки и формирования растровых изображений / О.И. Семенков и др.. Минск: Ин-т технической кибернетики АН БСср, 1986. -98 с.

94. Bishop, С.М. Neural Networks for Pattern Recognition / CM. Bishop. -Oxford, England: Oxford University Press, 1995.

95. Dempster, A. Maximum likelihood from incomplete data via the EM algorithm / A. Dempster, N. Laird, D. Rubin // Journal of the Royal Statistical Society. Series B. - 1977. - v. 39(1). - P. 1 - 38.

96. Lucchese, L. Color Image Segmentation / L. Lucchese, S.K. Mitra // A State-of-the-Art Survey. 2001.105.0hta, Y. Color information for region segmentation / Y. Ohta, T. Ka-nade, T. Sakai // Comput. Graphics and Image Proc. 1980. - v. 13. - P. 222-241.

97. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Trans. Syst., Man. and Cybern. 1979. - v. SMC-9. - P. 62 - 66.

98. Jensen, J.R. Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition / J.R. Jensen. NJ: Prentice-Hall, 1996. - 316 p.

99. Ohlander, R. Picture segmentation using a recursive region splitting method / R. Ohlander, K. Price, D. Reddy // Comput. Graphics and Image Proc. -1978.-v. 8.-P. 313-333.

100. Shi, J. Normalized cuts and image segmentation / J. Shi, J. Malik // IEEE Conference on Computer Vision and Pattern Recognition 1997. v. 22. - n. 8. -pp. 731 -737.

101. Tremeau, A. A Region growing and Merging Algorithm to color segmentation / A. Tremeau, N. Borel // Pattern Recognition. 1997. - v. 30. - n. 6. - pp. 1191 - 1203.

102. Kanai, Y. Image Segmentation Using Intensity and Color Information, / Y. Kanai // SPIE -Visual Communications and Image Processing'98. San Jose CA, 28-30 January 1998.-v. 3309.-pp. 709-720.

103. Deng, Y. Color Image Segmentation // Y. Deng, B.S. Manjunath, H. Shin // Comput. Vision and Pattern Recog. 1999. - v. 2, pp. 451.

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

105. Canny, J. A Computational Approach То Edge Detection / J. Canny // IEEE Trans. Pattern Analysis and Machine Intelligence. 1986. - V. 8(6). - pp. 679-714.

106. Lindeberg, T. Edge detection and ridge detection with automatic scale selection / T. Lindeberg // International Journal of Computer Vision. 1998. - V.2. -pp. 117-154.

107. Jacob, M. Design of Steerable Filters for Feature Detection Using Canny-Like Criteria / M. Jacob, M. Unser // IEEE Transactions on Pattern Analysis and Machine Intelligence. -2004. V. 26.-n. 8.-pp. 1007- 1019.

108. Simoncelli, E.P. Steerable Wedge Filters for Local Orientation Analysis / E.P. Simoncelli, H. Farid // IEEE Transactions on Image Processing. 1996. - V. 5(9).-pp. 1377- 1382.

109. Perona, P. Deformable kernels for early vision / P. Perona // IEEE Trans, on Pattern Analysis and Machine Intelligence. 1995. - V. 17. - n. 5. - pp. 488 -499.

110. Вайтузин, О.П. Изучение микроструктуры металлов методом компьютерной оптической микроскопии: Учебное пособие / О.П. Вайтузин.

111. Красноярск: Сибирский гос. аэрокосмический ун-т им. М.Ф. Решетнева, 2006.-98 с.

112. Choi, H.I. Mathematical theory of medial axis transform / H.I. Choi, S.W. Choi, H.P. Moon // Pacific J. of Math. 1997. - V. 181. - n. 1. - P. 57 - 88.

113. Иванов, Д. Эффективный алгоритм построения остова растрового изображения / Д. Иванов, Е. Кузьмин // Труды межд. конф. «Графикон-98», М.- 1998.-С. 65-68.

114. Атлас типовых микроструктур / Е.Т. Кондратьев. — Волгоград: 1981. -79 с.

115. Препарата, Ф. Вычислительная геометрия: Введение / Ф. Препарата, М. Шеймос. -М.: Мир, 1989.-478 с.

116. Садыков, С.С. Алгоритмы определения длины и ширины дискретных площадных объектов / С.С. Садыков, Д.Н. Стародубов // Автоматизация и современные технологии. М.: Машиностроение, 2007. - № 10 - С. 8 - 12.

117. Патент на полезную модель № 65268, МПК G 06 К 9/46. Устройство определения длины и ширины объекта / Садыков С.С., Стародубов Д.Н. № 2006137110/22; заявл. 19.10.2006 ; опубл. 27.07.2007, Бюл. № 21.

118. Патент на полезную модель № 69284, МПК G 06 К 9/46. Устройство определения длины и ширины объекта / Стародубов Д.Н. № 2007133129/22 ; заявл. 03.09.2007 ; опубл. 10.12.2007, Бюл. № 34.

119. Загоруйко, Н.Г. Методы распознавания и их применение / Н.Г. Заго-руйко. — М.: Советское радио, 1972. 208 с.

120. Marill, Т. On the effectiveness of the receptors in recognition systems / T. Marill, D.M. Green // IEEE Trans. Professional Technical Group Information Theory.- 1963,-v. IT-9.-n. l.-pp. 11-17.

121. Автоматическое распознавание образов / IO.JI. Барабаш и др.. — Киев: Изд-во КВАИУ, 1963 68 с.

122. Лбов, Г.С. Выбор эффективной системы зависимых признаков / Г.С. Лбов // Труды Сиб. отд. АН СССР: Вычислительные системы. Новосибирск. - 1965. - вып. 19.

123. НО.Елкина, В.Н. Алгоритмы направленного таксономического поиска информативных подсистем признаков (НТПП) / В.Н. Елкина, Н.Г. Загоруйко, B.C. Темиркаев // Вычислительные системы: Сб. тр. ИМ СО АН СССР. Новосибирск. — 1974. - Вып. 59.

124. Свидетельство о государственной регистрации программы для ЭВМ № 2008614122. Программа автоматического анализа металлографических и дефектоскопических снимков / Стародубов Д.Н. № 2008613151; заявл. 09.07.2008 ; опубл. 29.08.2008.

125. ASTM D4788-03 Standard Test Method for Detecting Delaminations in Bridge Decks Using Infrared Thermography. // American Society of Testing and Materials, 2003.

126. Mery, D. Automatic Detection of Welding Defects Using Texture Features / D. Mery, M.A. Beiti // Insight. 2003. - v.45(10). - pp. 676-681.