автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Повышение эффективности неразрушающего контроля интегрального параметра качества материалов сложной структуры на основе корреляционной функции спектров изображений

На правах рукописи Егорушкин Евгений Олегович

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ ИНТЕГРАЛЬНОГО ПАРАМЕТРА КАЧЕСТВА МАТЕРИАЛОВ СЛОЖНОЙ СТРУКТУРЫ НА ОСНОВЕ КОРРЕЛЯЦИОННОЙ ФУНКЦИИ СПЕКТРОВ ИЗОБРАЖЕНИЙ

Специальность: 05.13.01 - «Системный анализ, управление и обработка информации (в науке и промышленности) по техническим наукам»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Нижний Новгород,

1 О СЕН 2009

2009 г.

003476254

Работа выполнена на кафедре «Автоматизация машиностроения», Нижегородского государственного технического университета им. P.E. Алексеева

Научный руководитель: д.т.н., профессор

Иванов Анатолий Андреевич

Официальные оппоненты: д.т.н., профессор

Утробин Владимир Александрович

к.т.н.

Преображенский Александр Васильевич

Ведущая организация: Нижегородский филиал Института

машиноведения им. A.A. Благонравова РАН

Защита диссертации состоится «01 » октября 2009 года в 15 часов в ауд. 1258 на заседании диссертационного совета Д212.165.05 при Нижегородском государственном техническом университете им. P.E. Алексеева по адресу: 603950, ГСП-41, г. Нижний Новгород, ул. Минина, 24.

С диссертацией можно ознакомиться в научной библиотеке Нижегородского государственного технического университета им. P.E. Алексеева.

Автореферат разослан « 2.6 » августе^ 2009 года.

Ученый секретарь диссертационного совета

A.C. Суркова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время сохраняется потребность в разработке новых и совершенствовании существующих методов и средств контроля качества готовой продукции при производстве различных материалов сложной структуры, таких как пенополиуретан, пенопласт, ячеистые пластмассы. Это обусловлено необходимостью повышения эффективности контроля, решения задач его автоматизации, с целью увеличения конкурентоспособности производимого продукта в условиях современного рынка.

В большинстве случаев, даже в условиях цикличнонепрерывного производства, автоматизированный непрерывный (потоковый) контроль качества практически отсутствует. Большое значение, придаваемое именно потоковому контролю качества, вызвано сравнительно высокой скоростью изменения входных технологических параметров (сырье, температура, давление и т.д.) на существующих производствах. Как следствие, периодическое измерение параметров качества не дает оперативной картины качества продукта на выходе. Примером такого производственного процесса может послужить производство блочного пенополиуретана (ППУ). Пенополиуретан является легким водонепроницаемым изоляционным материалом. Главной областью применения блочного пенополиуретана является авиационная промышленность. Во избежание утечки топлива при разгерметизации корпуса самолета при столкновении с мелкими твердотельными объектами, между корпусом и внешним кожухом топливных баков помещается прослойка блочного пенополиуретана.

Основными параметрами, определяющими качество пенополиуретана, являются: вес, кажущаяся плотность, изоляционные свойства, статический изгиб, растяжение и именно к ним предъявляются наиболее жесткие требования.

В настоящее время при производстве рассматриваемых материалов используются ручные, основанные на экспертной оценке методики определения параметров качества. Они характеризуются длительным временем поверки образца и связаны с необходимостью отъема части материала для проведения контрольных операций. Такие методы не могут быть применены в качестве средства непрерывного (потокового) контроля качества, вследствие чего не удовлетворяют современным требованиям.

Тему работы следует признать актуальной, так как разработка и внедрение новых, более совершенных методов контроля качества продукта позволит повысить объективность контроля и за счет этого, уменьшить количество производственного брака.

Дели и задачи диссертационной работы. Целью диссертационного исследования является разработка неразрушающих методов автоматизированного контроля качества материалов сложной структуры на

базе системы технического зрения, обеспечивающих снижение производственного брака за счет повышения объективности контроля. Разрабатываемые методы могут служить основной для реализации в дальнейшем полномасштабной системы автоматизации, которая позволит воздействовать на входные параметры производственного процесса, с выходом на их оптимальные значения в режиме реального времени.

Для достижения поставленной цели необходимо решение следующих основных задач:

• Проведение анализа структуры и классификация параметров качества исследуемых материалов, с целью выявления интегрального параметра качества;

• Проведение анализа свойств изображений материалов сложной структуры, выявление наиболее существенных связей между элементами изображений.

• Выполнение анализа существующих и разработка новых методов измерения интегрального параметра качества по изображению объекта контроля;

• Разработка алгоритмов и процедур измерения и контроля интегрального параметра качества на основе разработанных методов;

• Проведение экспериментального исследования разработанных методов с целью определения наиболее эффективного;

• Разработка предложений по промышленному применению для автоматизации контроля качества готовой продукции в ходе производственного процесса.

Методы исследования. Исследования проводились с использованием аппарата математической статистики, двумерного преобразования Фурье, корреляционного и нейросетевого анализа, а также специальных методов исследования параметров качества: аппроксимации значений эксцесса и асимметрии статистических характеристик изображений, анализа корреляционных функций спектров изображений, нейросетевого метода. Для практической реализации разработанных алгоритмов, использовалась среда MatLab, информационное обеспечение процесса контроля качества материалов сложной структуры разработано на базе среды N1 Lab View.

Научная новизна

1. Доказано, что среднее расстояние между локальными максимумами корреляционной функции спектра изображения может быть использовано в качестве информативного признака для оценки среднего размера ячейки материалов ячеистой структуры;

2. Разработан новый метод автоматизированного измерения среднего размера ячейки материалов сложной структуры, заключающийся в применении корреляционного анализа к спектру исходного изображения, повышающий точность и скорость измерений;

3. Разработан алгоритм автоматического определения порога яркости при проведении пороговой сегментации изображения пространственной корреляционной функции спектров, заключающийся в подборе значения, исходя из минимальности рассеяния результатов определения среднего размера ячейки материалов, обеспечивающий адаптивность методов измерений к свойствам изображений материалов ячеистой структуры.

Практическая значимость

1. Разработанный подход к контролю интегрального параметра качества материалов сложной структуры позволяет, в отличие от существующих, производить непрерывный, неразрушающий контроль качества готовой продукции в реальном масштабе времени;

2. Разработанные модификации методов автоматизированного измерения среднего размера ячейки материалов сложной структуры на базе корреляционного, спектрального и нейросетевого методов обработки изображений, позволяют повысить скорость и точность измерений в мелкосерийном, крупносерийном и массовом производствах.

3. Разработаны предложения по созданию автоматизированных систем контроля качества материалов сложной структуры.

Основные результаты диссертационной работы поставлены в план внедрения на ООО «Корунд» в ходе модернизации производства пенополиуретана в течение 2011-2013 г.г. Часть материала использована в учебном процессе кафедры «Автоматизация Машиностроения» ИГТГМ НГТУ при чтении лекций и проведения лабораторных работ по дисциплине «Методы и средства технических измерений».

Апробация работы. Основные положения и результаты диссертационной работы доложены и обсуждены на следующих научно-технических конференциях:

1. «VII Международная молодежная научно-техническая конференция Будущее технической науки» (Н.Новгород, 2008г.)

2. XVIII Всероссийская научно-техническая конференция «Неразрушающий контроль и техническая диагностика» (Н.Новгород, 2008г.)

3. Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера (Н.Новгород, 2008 г.)

4. XXV Всероссийская научно-техническая конференция «Информационные технологии в науке проектировании и производстве». (Н.Новогород, 2008 г.)

5. Всероссийская научно-техническая конференция «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск, 2008 г.)

Публикации и личный вклад автора. Основное содержание работы отражено в 13 печатных работах, в том числе 4 статьи, 11 докладов на

конференциях. 6 работ без соавторства в том числе 2 в изданиях рекомендуемых ВАК.

Основные результаты и положения, выносимые на защиту, получены лично автором. Все алгоритмы, обсуждаемые в работе, были разработаны и экспериментально исследованы автором самостоятельно. Научный руководитель принимал участие в постановке цели и задач исследования, их предварительном анализе, планировании экспериментов, а также в обсуждении полученных результатов.

Основные положения, выносимые на защиту

• Методы определения зависимостей интегрального параметра качества объекта контроля от структуры его изображения, на основе статистических, частотных и нейросетевых методов обработки изображений.

• Алгоритмы и процедуры измерения интегрального параметра качества материалов сложной структуры;

• Структура автоматизированного комплекса неразрушающего контроля качества ячеистых материалов, являющегося базой для реализации системы комплексной автоматизации производства подобных материалов.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 119 наименований и 3 приложений. Работа изложена на 129 страницах машинописного текста, содержит 61 рисунок, и 22 таблицы.

СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обосновывается актуальность избранной темы, анализируется степень ее научной разработанности, определяется цель и задачи исследования, характеризуются теоретические и методологические основы работы, аргументируются научная новизна и практическая значимость результатов исследования, излагаются основные положения, выносимые на защиту, приводится информация о результатах апробации предложений, выводов и рекомендаций, содержащихся в диссертации.

В первой главе производится анализ объекта контроля (рис. 1а), особенностей его структуры (структура ячеистая, размер ячеек не постоянен, у эластичных полиуретанов наблюдается просвечивание ячеек находящихся в глубине структуры). Выявляются недостатки, существующих методов, по причине которых их применение для автоматизированного контроля качества невозможно. Определяются основные направления, цели и задачи исследований.

Отмечается, что автоматизированный подход к анализу структуры материалов по их изображениям, основанный на использовании комплекса программных и аппаратных средств - систем технического зрения (СТЗ) в 6

настоящее время широко распространен, так как позволяет повысить точность и скорость определения параметров структуры.

Производится обзор автоматизированных методов обработки и анализ характеристик изображений материалов. Отмечается их однородность, а также наличие периодически повторяющихся структурных элементов, что является следствием однородной ячеистой структуры самого объекта контроля. Периодичность структуры изображения также подтверждают графики автокорреляционной функции и спектра (рис 1в и рис 1г). Это позволяет сделать вывод о возможности проведения анализа структуры исследуемых материалов по их изображениям (например, с помощью методов, основанных на корреляционном и спектральном анализе).

100 150 200 2Я1 Яркость

а)

6)

в)

пике

160 160 IV, 1/пике

Рис. 1. Изображение пенополиуретана (а), и гистограмма его яркости (б), график пространственной автокорреляционной функции (в) и главной диагонали пространственного спектра (г) изображения ячеистого материала

В качестве информативного параметра, выделяемого на изображении и характеризующего структуру подобных материалов, принимается размер ячеек, расположенных на их поверхности. Внутренние полости ячеек и просвечивающие ячейки нижележащих слоев затрудняют процесс определения информативного параметра и являются шумом. Анализ гистограммы яркости изображений материала (рис. 16), позволяет сделать вывод об однопиковой форме ее распределения, говорить о допустимости их интерпретации в качестве случайного поля и применении нормального закона распределения вероятности для их анализа.

Во второй главе отмечается, что все параметры качества материала главным образом зависят от соотношения твердой и газообразной фаз (толщины фрагментов), определяющего структуру и характеризующегося усредненным (средним) размером ячейки. Этим и обосновывается выбор среднего размера ячейки в качестве интегрального параметра, определяющего качество рассматриваемых материалов и контролируемого по их изображениям. Исследование проводится на примере самого сложного по структуре ячеистого материала - пенополиуретана (ППУ).

Приводится обзор типов СТЗ, указывается их место в автоматизированной системе управления технологическим процессом предприятия.

Оценка интегрального параметра качества (среднего размера ячейки) пенополиуретана осуществляется в ходе обработки изображения, которая состоит из следующих этапов, показанных на рис.2.

¡"""Предварительная обработка __"I i Анализ

Коррекция распределения яркости - Локальная фильтрация 4- Преобразование гистограммы 1 Выделение || . контурного Н*г l_ препарата_] | Извлечение информативных параметров

Рис. 2. Основные этапы обработки изображения

Под предварительной обработкой понимаются такие преобразования изображения, которые приводят его к виду, удобному для дальнейшей обработки с помощью машин, повышают его качество. Под анализом изображений понимается выделение измерительного аспекта обработки данных.

В случае изображений ячеистых материалов, стадии предварительной обработки включают в себя: коррекцию неравномерности освещенности, наведение резкости и преобразование гистограммы. Стадия анализа -извлечение характеристик изображения, необходимых для определения среднего размера ячейки и сам процесс определения.

Для осуществления захвата и обработки изображений пенополиуретана разработана экспериментальная установка на базе персональной ЭВМ, видеокамеры Basler серии A102f с объективом Navitar ZOOM-6OOO,

осветительной галогенной лампы, платы управления движением PCI 7344 и усилителем мощности для ШД MID 7604 фирмы National Instruments (рис. 3).

Для создания информационного обеспечения процессов захвата, обработки и анализа изображения, использован программный пакет N1 Lab VIEW. Структурная схема программного обеспечения показана на рис 4.

Разработана методика проведения эксперимента по измерению среднего размера ячейки материала. В ходе эксперимента производится определение среднего размера ячеек для трех серий пенополиуретана (с мелким, средним и крупным размером ячейки) по шесть изображений в каждой.

В третьей главе представлены методы измерения интегрального параметра качества материалов - среднего размера ячейки.

Первый параграф главы посвящен измерению среднего размера ячеек методом печатного оттиска, который осуществляется вручную с целью получения эталона для оценки результатов обработки изображений объекта в дальнейшем. Средние размеры получены алгебраическим усреднением результатов измерения среднего размера ячейки 20 образцов материала.

Устройство ввода изображения Basler A 102f+ Navitar ZOOM6OO О

Устройство согласования FireWire IEEE-1394

Рис. 3. Структурная схема экспериментальной установки

Рис. 4. Структурная схема программного обеспечения

Средние размеры ячеек, определенные методом печатного оттиска составили: 1,75мм; 1,2мм; 0,65мм.

Во втором параграфе рассматривается метод определения интегрального параметра качества, основанный на применении статистических методов обработки к изображениям материалов ячеистой структуры и заключается в получении зависимости среднего размера ячейки материала от статистических характеристик (эксцесса и асимметрии) гистограмм распределения их яркости (рис. 5). Для того чтобы максимально выделить информативную часть изображения (части материала, находящегося на переднем слое) применяется операция получения контурного препарата методом выделения краев областей (фильтр Собела) на этапе предварительной обработки изображения. Контурный препарат представляет собой изображение, полученное путем обводки перепадов яркости на исходном изображении.

а) б) в)

Рис.5. Экспериментальные изображения поверхности ППУ (а), контурные препараты (5), гистограммы яркости (в)

Для определения связи контурного препарата изображения со средним размером ячейки, в процессе исследования, а так же с целью получения промежуточных размеров ячеек, использовалась имитация изображений.

За основу было принято изображение пенополиуретана с крупным размером ячейки. Изображения с меньшими размерами ячеек получены масштабированием исходного изображения с шагом 5% до половинного размера. Таким образом, были получены имитационные изображения пенополиуретана с заведомо известными соотношениями размеров ячейки. Контурные препараты изображений материала были подвергнуты статистическому анализу. В качестве выходного параметра анализа изображений была принята асимметрия их гистограмм. Результаты статистического анализа показаны на рис б. Как видно из фафиков, полученная зависимость асимметрии гистограмм имитационных изображений от размера ячейки является линейной, а, следовательно, может быть представлена в виде:

Ах) = кх + Ь (1)

Учитывая граничные условия окончательно получаем:

А^ил) = -2,604а5зип +1,16 . (2)

Подставляя значение асимметрий гистограмм реальных изображений образцов пенополиуретана в формулу (2), определим средний размер ячеек изображенного на них материала (рис. 7). На основе полученных результатов можно выделить лишь интервалы размеров ячеек (для мелкой ячейки 0,5 - 1,0 мм; для средней ячейки 1,0 - 1,7мм; для крупной ячейки 1,7 - 2,2 мм).

Результаты исследования показывают, что, не смотря на применение различных алгоритмов предварительной обработки и сегментации изображений, определение среднего размера ячейки с помощью методов, связанных с исследованием статистических характеристик гистограмм изображений не может быть достоверно произведено. Рассеяние результатов доходит до 50%, что недопустимо.

-0.15

-0.3 -0.45 -0.6 -0.75 -0.9 -1.05 -1.2 -1.35

-1.5

асимметрия

эксцесс _____

л:

(0,5 мм)

50 55

70 75 80 Масштаб. %

90 95

' (2,2 ММ)

Рис. 6. Зависимость асимметрии и эксцесса гистограмм имитационных изображений

от размера ячейки

5 0.7 0.9 1,1 1,3 1,5 1, 1,9 2,1 2

♦ ♦ ♦

♦

■ я я ■

■ Крупный

Мелкий

Средний А А

А А

Средний размер ячейки, мм

Рис.7. Определение размера ячейки изображений пенополиуретана статистическим методом

Это связано с тем, что исследуемое изображение сильно зашумлено, в основном фрагментами внутренних полостей ячеек и слоев материала. С целью создания алгоритма анализа изображений как можно менее чувствительного к шумовым факторам, следует рассмотреть методы, основанные на алгоритмах цифровой обработки, примененные к изображениям как двумерным сигналам.

В третьем параграфе рассматривается метод определения интегрального параметра качества, основанный на корреляционном анализе изображений исследуемых материалов.

Автокорреляционная функция (АКФ), как частный случай корреляционной функции сигнала s(t), локализованного во времени и конечного по энергии, является количественной интегральной характеристикой формы сигнала, и определяется интегралом от произведения двух копий сигнала s(t), сдвинутых относительно друг друга на время т: В5(т) = £ s(t) s(t+T) dt = < s(t), s(t+T)> = ||s(t)|| ||s(t+T)|| cos ф(т).

(3)

Коэффициенты двумерной АКФ вычисляются по формуле:

ХТ,(А(с,г)-Ат)-(Б(с,г)-Бт) к = ~,-CS-

0Z(A(c,r) -AmfjВ J j (4)

где Ащ и Bra - средние значения элементов матрицы изображения, с и г - индексы элемента матрицы изображения. Автокорреляция позволяет выявить в сигнале наличие периодически повторяющихся элементов, а расстояние между максимумами АКФ - расположение или размеры этих элементов. В случае ППУ

такими элементами могут быть части (тяжи) материала, расположение которых и определяет размер ячейки. Суть разработанного метода, основанного на применении корреляционных методов обработки к изображениям материалов сложной структуры, состоит в определении среднего размера ячейки материала путем анализа частот расположения максимумов пространственной АКФ его изображения.

В ходе применения корреляционного метода к экспериментальным изображениям, получен ряд зависимостей (пример одной из них приведен на рис. 8 6). Частоты расположения максимумов корреляционной функции определены из анализа спектра этих функций (рис. 8 в), а периоды по формуле:

Г (5)

где ,у - размер изображения, и> - пространственная частота расположения максимума корреляционной функции.

Обработка экспериментальных данных показывает, что в результате использования метода корреляционного анализа изображений материалов сложной структуры, определены средние размеры ячеек материала. Погрешность метода по сравнению с результатами ручного измерения составила 2,7; 7,7 и 3,2%, для материала с крупной, средней и мелкой ячейкой соответственно. Время исполнения одного цикла измерения среднего размера ячейки ППУ методом корреляционного анализа составляет 2 сек.

к -,-,-,-,-,---

100 200 300 «00 500

б) 51, пике

Рис.8. Экспериментальное изображение поверхности ППУ (а), его автокорреляционная функция (б), спектр корреляционной функции (в)

Метод определения среднего размера ячейки материала путем корреляционного анализа его изображения характеризуется высокой точностью (максимальная погрешность достигает 7,7 %). Время одного цикла измерения достаточно велико, это позволяет использовать данный метод лишь в условиях мелкосерийного производства, для процессов, с не регламентированным или достаточно большим временем изменения их параметров. В большинстве случаев, как уже было показано, существующие производства предъявляют достаточно жесткие требования к времени анализа изображения, поэтому требуется снижение длительности циклов измерения. Повышения скорости обработки сигнала можно получить, воспользовавшись алгоритмами Быстрого преобразования Фурье (БПФ).

Четвертый параграф посвящен разработке спектрального метода измерения среднего размера ячейки материала.

Любые изображения можно представить в виде двумерных дискретных сигналов, являющихся частными случаями многомерных дискретных сигналов. Для многомерного дискретного преобразования Фурье (ДПФ), как и для одномерного, выражаемого формулой (6) существуют алгоритмы быстрых преобразований Фурье1. Простейший из них - выполнение двух одномерных преобразований: сначала вычисляется ДПФ каждого столбца, а затем каждой строки результата.

+<»

F(u,v) = J \f{x, j>)exp[- i(ux + vy)\iajxdTuу , где (6)

-оо

flxj>) - двумерный непрерывный сигнал, х,у- координаты в плоскости объекта, и, v - пространственные частоты - координаты в спектральной плоскости.

Суть метода заключается в определении размера ячейки материала посредством оценки частоты расположения первого максимума пространственного Фурье-спектра его изображения (чем меньше элемент изображения, тем большее значение будет принимать его пространственная частота и дальше от нуля будет располагаться первый максимум Фурье-спектра). Учитывая симметричность изображения относительно главной диагонали, можно ограничиться поиском частоты расположения максимальной гармоники пространственного спектра для элементов, располагающихся в главной диагонали его матрицы. Формула для определения зависимости расчетного среднего размера ячейки материала от пространственной частоты максимальной гармоники спектра:

hp = S/w, (7)

где S - ширина изображения, w - пространственная частота расположения максимальной гармоники спектра. В результате регрессионного анализа данных, полученных в ходе экспериментального исследования имитационных

' Даджион Д., Мерсеро, Р. Цифровая обработка многомерных сигналов; Изд-во: М.: Мир, 1988 г.;

(более простых по структуре) изображений, найдено соотношение реального Ь и расчетного среднего размера ячейки Ир материала:

Н(Ир) = 0,97 Ир - 5,51 (8)

В ходе применения спектрального метода к экспериментальным изображениям материала, получен ряд пространственных спектров (пример одного из них приведен на рис.9).

и^ Л/пике

. ,, М^Д/ПИКС , IV. 1 /пике

а) б) в)

Рис.9. Экспериментальное изображение поверхности ППУ (а), пространственный спектр Фурье изображения (б), график главной диагонали пространственного спектра(в)

Результаты обработки данных, полученных в ходе определения среднего размера ячейки экспериментальных изображений материала методом Фурье-анализа, позволяют заметить, что величина ошибки метода, намного больше, по сравнению с корреляционным методом. Ее максимальный размер составляет 25%, что превышает допустимую величину. Причина такой высокой ошибки в том, что вследствие сложности структуры материала, спектр изображения является сильно зашумленным. Время отработки одного цикла измерения составляет 0,9 секунд и является приемлемым в условиях современного производства пенополиуретана. В случае проведения эксперимента с изображениями поверхности непрозрачных пластмасс ошибка составляет не более 12%, и является допустимой. Таким образом, использование этого метода возможно только для анализа структуры непрозрачных материалов.

Для повышения точности определения среднего размера ячейки ППУ, необходимо более точное определение положений первой и последующих гармоник спектра, выделение гармоник, описывающих пространственное распределение информативного параметра, снижение уровня зашумления спектра изображения. Для этого необходимо провести корреляционный анализ полученных спектров изображений.

Пятый параграф главы посвящен разработке метода определения среднего размера ячейки путем анализа корреляционной функции спектров

изображения. Как уже показано в параграфе 4, положение гармоник пространственного спектра определяет размер ячейки материала. Проводя анализ пространственной корреляционной функции полученных спектров изображений можно наиболее точно отделить гармоники, описывающие пространственное распределение информативного параметра (ячеек расположенных на поверхности материала, а значит наиболее ярких), от составляющих спектра, описывающих распределение шума (фрагментов материала нижележащих, просвечивающих слоев). Для этого необходимо оценивать расстояние между наибольшими локальными максимумами корреляционной функции спектров.

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

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

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

16000 14000 12000

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

Опытным путем было определено, что наиболее предпочтительным (по соотношению скорость работы - рассеяние результатов) является усреднение по группам из шести ближайших элементов (к=6). Из результатов обработки экспериментальных данных видно, что метод анализа корреляционной функции Фурье-спектров имеет ошибку, соизмеримую с ошибкой корреляционного метода, составляющую 8,5% и являющуюся приемлемой для современного

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

И<2, 1/ПИКС

#р=5/имтикс

в)

г) щ, 1/пикс

100

яркость

производства. Время отработки одного цикла измерения, составляющее 1,2 сек., соответствует указанному в требованиях.

в) и>ь1/пикс

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

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

Шестой параграф главы посвящен рассмотрению устройства и принципов работы искусственных нейронных сетей (ИНС). Суть метода определения среднего размера ячеек материала состоит в распознавании

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

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

ГПЙЦ.Ц ч —» Lwp.i}.

ьщ у |_| ьи Y |_

25

30 30

Рис.12. Структура нейронной сети

Для повышения помехоустойчивости работы алгоритма анализа, в серии для обучения были включены изображения, полученные вращением и сдвигом исходного. Изображение, подаваемое на вход сети, делится на сектора размерами 50x50 пике. На вход сети подается массив из средних значений элементов полученных секторов. Обучение сети по алгоритму Левенберга-Маркара привело к достижению заданного значения функции эффективности функционирования (суммарная квадратичная ошибка приняла значение меньшее 10'5) за 22 эпохи и длилось 30 мин. Результаты определения размеров ячейки при работе сети на изображениях, принадлежащих серии для обучения, соответствуют заданным в качестве целей, это также указывает на успешную завершенность процесса обучения.

Из результатов обработки экспериментальных данных определения размеров структурных элементов (ячеек) изображений, не принадлежащих серии для обучения, видно, что нейросетевой метод имеет ошибку, составляющую не более 10%, и являющуюся приемлемой для современного производства. Время

Ф. Уоссермен. Нейрокошшотеркая техника. Теория и практика: Пер. с англ. ЮЛ. Зуев, В .А. Точенов, 1992 г.;

отработки одного цикла измерения, составляет 0,54 сек. Данный метод является наиболее быстродействующим из всех разработанных. Основным его недостатком является необходимость подготовки серий изображений для обучения нейросети на этапе калибровки. Для успешного функционирования сети требуется предъявить ей не менее сотни изображений, в которых необходимо будет отразить максимум возможных изменений освещенности и структуры изображений. Процесс обучения требует достаточно больших временных (от 30 мин до 1 часа) и информационных затрат компьютера. Применение его может быть оправдано лишь для крупносерийного и массового производства.

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

* н

♦ С

♦ кг

♦ к

-,—-,-,-,-,-,

0,00 0,02 0,04 0,06 0,08 0,10 0.12 0,14 Точность, Я

а)

s i 5 i

-Kopp •Спектр - Корр-сп ектр -Нейро

3 &

0,7

0.9 1.1 1.3 1,5 Ср. рхдмар ячейки, мм

1.9

б)

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

сравнению с ручным (б) Не смотря на выигрыш нейросетевого метода по скорости определения среднего размера ячейки ППУ, его недостатком по сравнению с методом анализа корреляционной функции Фурье-спектров является необходимость временных и

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

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

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

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

1. Управление процессами захвата и анализа изображения материала.

2. Анализ структуры изображения и определение среднего размера ячейки контролируемого материала (на основе разработанного метода корреляционного анализа спектров изображений);

3. Информирование оператора о размере ячейки материала и его отклонениях от заданного;

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

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Осуществлен анализ структуры и классификация параметров качества исследуемых материалов, выявлен интегральный параметр - средний размер ячейки материала;

2. Произведен анализ свойств изображений материалов сложной структуры, выявлены наиболее существенные связей между его элементами;

3. Показаны особенности использования статистического, корреляционного

и спектрального методов обработки изображений в применении к изображениям ячеистых материалов;

4. Разработан метод анализа корреляционных функций спектров изображений, обеспечивающий повышение точности и быстродействия процесса контроля;

5. Разработан нейросетевой метод измерения среднего размера ячейки материала сложной структуры, обеспечивающий повышение точности и быстродействия процесса контроля в условиях крупносерийного и массового производства;

6. Разработаны алгоритмы и процедуры определения среднего размера ячейки, позволяющие повысить эффективность проведения неразрушающего контроля качества материалов сложной структуры;

7. Результаты проведенных экспериментальных исследований подтверждают эффективность разработанных алгоритмов обработки изображений;

8. Разработано информационное обеспечение процесса контроля;

9. Предложена структура автоматизированного комплекса неразрушающего контроля качества материалов сложной структуры, служащего основой для реализации системы комплексной автоматизации производства материалов сложной структуры.

ОСНОВНЫЕ ПУБЛИКАЦИИ

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

Публикации в изданиях, рекомендуемых ВАК РФ:

1. Егорушкин, Е.О. Использование корреляционного анализа Фурье-спектров изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Контроль. Диагностика». - Москва: Изд-во «Машиностроение», 2009 г. - № 5 - С. 39-40

2. Егорушкин, Е.О. Использование корреляционного анализа изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Естественные и технические науки». - Москва: Изд-во «Спутник плюс», 2009. - № 2 - С. 269-270

В других изданиях:

3. Егорушкин, Е.О. Использование Фурье-анализа изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Техника и технология». - Москва: Изд-во «Спутник плюс», 2009 - № 3. - С. 27

4. Егорушкин, Е.О. Нейросетевой метод неразрушающего контроля качества материалов ячеистой структуры. /Е.О. Егорушкин// «Техника и технология». - Москва: Изд-во «Спутник плюс», 2009 - № 3. - С. 28

5. Егорушкин, Е.О. Исследование методов контроля качества материалов сложной структуры /Егорушкин, Е.О., Кудрявцев С.А. // Будущее

технической науки: Тез. докл. VII Междунар. молодёжной научно-технической конф. - Н.Новгород, 2008 г. -С. 206.

6. Егорушкин, Е.О. Оптический метод контроля качества пористых материалов /Егорушкин, Е.О., Кудрявцев С.А.// Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера Тез. докл. научно-технической конф. - Н.Новгород, 2008 г. -С. 55.

7. Егорушкин, Е.О. Исследование методов контроля качества материалов сложной структуры /Егорушкин, Е.О., Кудрявцев С.А.// Неразрушающий контроль и техническая диагностика: Тез. докл. XVIII Всероссийской научно-технической конференции - Н.Новгород, 2008 г. -С. 207.

8. Егорушкин, Е.О. Исследование методов получения трехмерных моделей объектов с помощью системы технического зрения с целью автоматизации контрольно-измерительных операций. /Егорушкин Е.О., Кудрявцев С.А., Житкова И.М.// Будущее технической науки: Тез. докл. VII Междунар. молодёжной научно-технической конф. - Н.Новгород,

2008 г. -С. 210.

9. Егорушкин, Е.О. Использование методов Фурье-анализа для неразрушающего контроля качества пористых материалов /Егорушкин, Е.О., Кудрявцев С.А.// Будущее технической науки: Тез. докл. VIII Междунар. молодёжной научно-технической конф. - Н.Новгород, 2009 г. -С.313.

Ю.Егорушкин, Е.О. Применение методов корреляционного анализа изображения для контроля качества материалов ячеистой структуры /Егорушкин, Е.О., Кудрявцев С.А.// Сборник трудов НГГУ: - Н.Новгород,

2009 г. - С. 207.

11.Егорушкин, Е.О. Применение частотных методов анализа изображений для неразрушающего контроля качества пенополиуретана /Егорушкин, Е.О., Кудрявцев С.А.// Сборник трудов НГТУ: - Н.Новгород, 2009 г. - С. 205.

12. Егорушкин, Е.О. Оптический метод контроля качества материалов ячеистой структуры / Егорушкин Е.О. И XXV ВНТК «Информационные технологии в науке проектировании и производстве» Материалы всероссийских научных и научно-технических конференций -Н.Новгород, 2008 г. - С. 25.

13. Егорушкин Е.О. Нейросетевой метод неразрушающего контроля качества материалов ячеистой структуры // «Компьютерные технологии в науке, производстве, социальных и экономических процессах» Материалы научно-практической конференции - Новочеркасск , 2008 г. -С. 4

Подписано в печать 10.08.2009. Формат 60 х 84 '/16. Бумага офсетная. Печать офсетная. Уч.-изд. л. 1,0. Тираж 80 экз. Заказ 504.

Нижегородский государственный технический университет им. P.E. Алексеева. Типография НГТУ. 603950, г. Нижний Новгород, ул. Минина, 24.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМЫ АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ СЛОЖНОЙ СТРУКТУРЫ.

1.1. Характеристика объектов и требования к контролю качества материалов сложной структуры.

1.2. Особенности автоматизированного контроля качества материалов сложной структуры.

1.3. Анализ существующих методов контроля качества материалов сложной структуры

1.4. Автоматизированный подход к измерению параметров качества материалов.

Выводы по главе 1 и постановка задач исследования.'.

ГЛАВА 2. ИССЛЕДОВАНИЕ ПРОЦЕССА АВТОМАТИЗИРОВАННОГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ СЛОЖНОЙ СТРУКТУРЫ С ПРИМЕНЕНИЕМ СИСТЕМ ТЕХНИЧЕСКОГО ЗРЕНИЯ.

2.1. Выбор интегрального критерия качества материалов сложной структуры на примере пенополиуретана.

2.2. Структурный анализ и синтез электронно-оптической системы контроля качества материалов.

2.3. Этапы обработки изображений материала.

2.4. Предварительная обработка изображения.

2.5. Комплекс технических средств для проведения эксперимента.

2.6. Методика проведения эксперимента.

Выводы по главе 2.

ГЛАВА 3. ИССЛЕДОВАНИЕ МЕТОДОВ ИЗМЕРЕНИЯ СРЕДНЕГО

РАЗМЕРА ЯЧЕЙКИ МАТЕРИАЛА СЛОЖНОЙ СТРУКТУРЫ.

3.1. Измерение среднего размера ячейки методом печатного оттиска.

3.2. Измерение среднего размера ячейки материала методом анализа статистических характеристик его изображения.

3.3. Определение среднего размера ячейки материала методом анализа корреляционных функций изображения.

3.4. Определение среднего размера ячейки пенополиуретана методом спектрального анализа двумерного сигнала.

3.5. Определение среднего размера ячейки пенополиуретана методом анализа корреляционной функции пространственных спектров изображения.

3.6. Нейросетевой метод определения среднего размера ячейки ППУ.

3.7. Сравнение методов измерения среднего размера ячейки материала.

Выводы по главе 3.

ГЛАВА 4. РАЗРАБОТКА СТРУКТУРЫ АВТОМАТИЗИРОВАННОГО КОМПЛЕКСА НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ КАЧЕСТВА МАТЕРИАЛОВ.

4.1. Характеристика и технические требования к пенополиуретану.

4.1. Технологический процесс производства пенополиуретана.

4.2. Разработка технологического процесса автоматизированного контроля качества ППУ.

4.3. Уточнение геометрических характеристик электронно-оптической системы промышленной установки контроля качества ППУ.

4.4. Предложения по промышленному применению разработанного метода автоматизированного контроля качества материала. Перспективы его применения в промышленности.

Выводы по главе 4.

Актуальность темы, В настоящее время сохраняется потребность в разработке новых и совершенствовании существующих методов и средств контроля качества готовой продукции при производстве различных материалов сложной структуры, таких как пенополиуретан, пенопласт, ячеистые пластмассы. Это обусловлено необходимостью повышения эффективности контроля, решения задач его автоматизации, с целью увеличения конкурентоспособности производимого продукта в условиях современного рынка.

В большинстве случаев, даже в условиях цикличнонепрерывного производства, автоматизированный непрерывный (потоковый) контроль качества практически отсутствует. Большое значение, придаваемое именно потоковому контролю качества, вызвано сравнительно высокой скоростью изменения входных технологических параметров (сырье, температура, давление и т.д.) на существующих производствах. Как следствие, периодическое измерение параметров качества не дает оперативной картины качества продукта на выходе. Примером такого производственного процесса может послужить производство блочного пенополиуретана (ППУ). Пенополиуретан является легким водонепроницаемым изоляционным материалом. Главной областью применения блочного пенополиуретана является авиационная промышленность. Во избежание утечки топлива при разгерметизации корпуса самолета при столкновении с мелкими твердотельными объектами, между корпусом и внешним кожухом топливных баков помещается прослойка блочного пенополиуретана.

Основными параметрами, определяющими качество пенополиуретана, являются: вес, кажущаяся плотность, изоляционные свойства, статический изгиб, растяжение и именно к ним предъявляются наиболее жесткие требования.

В настоящее время при производстве рассматриваемых материалов используются ручные, основанные на экспертной оценке методики определения параметров качества. Они характеризуются длительным временем поверки образца и связаны с необходимостью отъема части материала для проведения контрольных операций. Такие методы не могут быть применены в качестве средства непрерывного (потокового) контроля качества, вследствие чего не удовлетворяют современным требованиям.

Тему работы следует признать актуальной, так как разработка и внедрение новых, более совершенных методов контроля качества продукта позволит повысить объективность контроля и за счет этого, уменьшить количество производственного брака.

Цели и задачи диссертационной работы. Целью диссертационного исследования является разработка неразрушающих методов автоматизированного контроля качества материалов сложной структуры на базе системы технического зрения, обеспечивающих снижение производственного брака за счет повышения объективности контроля.

Разрабатываемые методы могут служить основной для реализации в дальнейшем полномасштабной системы автоматизации, которая позволит воздействовать на входные параметры производственного процесса, с выходом на их оптимальные значения в режиме реального времени.

Для достижения поставленной цели необходимо решение следующих основных задач:

• Проведение анализа структуры и классификация параметров качества исследуемых материалов, с целью выявления интегрального параметра качества;

• Проведение анализа свойств изображений материалов сложной структуры, выявление наиболее существенных связей между элементами изображений.

• Выполнение анализа существующих и разработка новых методов измерения интегрального параметра качества по изображению объекта контроля;

• Разработка алгоритмов и процедур измерения и контроля интегрального параметра качества на основе разработанных методов;

• Проведение экспериментального исследования разработанных методов с целью определения наиболее эффективного;

• Разработка предложений по промышленному применению для автоматизации контроля качества готовой продукции в ходе производственного процесса.

Методы исследования. Исследования проводились с использованием аппарата математической статистики, двумерного преобразования Фурье, корреляционного и нейросетевого анализа, а также специальных методов исследования параметров качества: аппроксимации значений эксцесса и асимметрии статистических характеристик изображений, - анализа корреляционных функций спектров изображений, нейросетевого метода. Для практической реализации разработанных алгоритмов, использовалась среда MatLab, информационное обеспечение процесса контроля качества материалов сложной структуры разработано на базе среды N1 LabView.

Научная новизна

1. Доказано, что среднее расстояние между локальными максимумами корреляционной функции спектра изображения может быть использовано в качестве информативного признака для оценки среднего размера ячейки материалов ячеистой структуры;

2. Разработан новый метод автоматизированного измерения среднего размера ячейки материалов сложной структуры, заключающийся в применении корреляционного анализа к спектру исходного изображения, повышающий точность и скорость измерений;

3. Разработан алгоритм автоматического определения порога яркости при проведении пороговой сегментации изображения пространственной корреляционной функции спектров, заключающийся в подборе значения, исходя из минимальности рассеяния результатов определения среднего размера ячейки материалов, обеспечивающий адаптивность методов измерений к свойствам изображений материалов ячеистой структуры.

Практическая значимость

1. Разработанный подход к контролю интегрального параметра качества материалов сложной структуры позволяет, в отличие от существующих, производить непрерывный, неразрушающий контроль качества готовой продукции в реальном масштабе времени;

2. Разработанные модификации методов автоматизированного измерения среднего размера ячейки материалов сложной структуры на базе корреляционного, спектрального и нейросетевого методов обработки изображений, позволяют повысить скорость и точность измерений в мелкосерийном, крупносерийном и массовом производствах.

3. Разработаны предложения по созданию автоматизированных систем контроля качества материалов сложной структуры.

Основные результаты диссертационной работы поставлены в план внедрения на ООО «Корунд» в ходе модернизации производства пенополиуретана в течение 2011-2013 г.г. Часть материала использована в учебном процессе кафедры «Автоматизация Машиностроения» ИПТМ НГТУ при чтении лекций и проведения лабораторных работ по дисциплине «Методы и средства технических измерений».

Апробация работы. Основные положения и результаты диссертационной работы доложены и обсуждены на следующих научно-технических конференциях:

1. «VII Международная молодежная научно-техническая конференция Будущее технической науки» (Н.Новгород, 2008г.)

2. XVIII Всероссийская научно-техническая конференция «Неразрушающий контроль и техническая диагностика» (Н.Новгород, 2008г.)

3. Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера (Н.Новгород, 2008 г.)

4. XXV Всероссийская научно-техническая конференция «Информационные технологии в науке проектировании и производстве». (Н.Новогород, 2008 г.)

5. Всероссийская научно-техническая конференция «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск , 2008 г. )

Публикации и личный вклад автора. Основное содержание работы отражено в 13 печатных работах, в том числе 4 статьи, 11 докладов на конференциях. 6 работ без соавторства в том числе 2 в изданиях рекомендуемых ВАК.

Основные результаты и положения, выносимые на защиту, получены лично автором. Все алгоритмы, обсуждаемые в работе, были разработаны и экспериментально исследованы автором самостоятельно. Научный руководитель принимал участие в постановке цели и задач исследования, их предварительном анализе, планировании экспериментов, а также в обсуждении полученных результатов.

Основные положения, выносимые на защиту

• Методы определения зависимостей интегрального параметра качества объекта контроля от структуры его изображения, на основе статистических, частотных и нейросетевых методов обработки изображений.

• Алгоритмы и процедуры измерения интегрального параметра качества материалов сложной структуры;

• Структура автоматизированного комплекса неразрушающего контроля качества ячеистых материалов, являющегося базой для реализации системы комплексной автоматизации производства подобных материалов.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 119 наименований и 3 приложений. Работа изложена на 129 страницах машинописного текста, содержит 61 рисунок, и 22 таблицы.

5. Результаты исследования показывают возможность использования предложенных алгоритмов для создания автоматизированных систем неразрушающего контроля качества широкого круга материалов сложной структуры (полиуретанов, ячеистых пластмасс).

Заключение

В диссертационной работе поставленные задачи решены и получены следующие результаты:

1. Осуществлен анализ структуры и классификация параметров качества исследуемых материалов, выявлен интегральный параметр - средний размер ячейки материала;

2. Произведен анализ свойств изображений материалов сложной структуры, выявлены наиболее существенные связей между его элементами;

3. Показаны особенности использования статистического, корреляционного и спектрального методов обработки изображений в применении к изображениям ячеистых материалов;

4. Разработан метод анализа корреляционных функций спектров изображений, обеспечивающий повышение точности и быстродействия процесса контроля;

5. Разработан нейросетевой метод измерения среднего размера ячейки материала сложной структуры, обеспечивающий повышение точности и быстродействия процесса контроля в условиях крупносерийного и массового производства;

6. Разработаны алгоритмы и процедуры определения среднего размера ячейки, позволяющие повысить эффективность проведения

- неразрушающего контроля качества материалов сложной структуры;

7. Результаты проведенных экспериментальных исследований подтверждают эффективность разработанных алгоритмов обработки изображений;

8. Разработано информационное обеспечение процесса контроля;

9. Предложена структура автоматизированного комплекса неразрушающего контроля качества материалов сложной структуры, служащего основой для реализации системы комплексной автоматизации производства материалов сложной структуры.

1. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. Госстандарт России- М.:ИПК Издательство стандартов, 2003

2. Бурлов В.В., Крыжановский В.К., Кербер M.JI. Производство изделий из полимерных материалов. Учебное пособие. 2004 г.

3. Jourdan, Jerome S. Iglehart, Michael L. Reimann, Kurt A. US Patent 5912729 -Measurement of plastic foam cell size using a visualization technique.

4. Lee, T. and Lakes, R. S."Anisotropic polyurethane foam with Poisson's ratio greater than 1", Journal of Materials Science , 32, 2397-2401, (1997).5. (W0/2000/063269) POLYURETHANE FOAM CELL OPENING AGENTS AND METHODS FOR MAKING FOAM USING THE SAME.

5. Jang, Mi-seon, Hwang, Jin-taek , Seo, Seung-joo Open cell rigid polyurethane foam and method for producing the same and method for making vacuum insulation panel using same (United States Patent 5889067).

6. Вудс P. Цифровая обработка изображений / Р.Вудс, Р. Гонсалес. М.: Техносфера, 2005. - 1072 с.

7. Прэтт У. Цифровая обработка изображений. В 2-х книгах. Пер. с англ. — М.: Мир, 1982.—Кн.1 —312 с. кн.2 — 480 с.

8. Бакут, П. А., Колмогоров, Г. С, Ворновицкий, И. Э. Сегментация изображений: методы пороговой обработки / П. А. Бакут, Г. С. Колмогоров,И. Э. Ворновицкий // Зарубежная радиэлектроника. 1987. - №10. - с. 6-24.

9. Бакут, П. А., Колмогоров, Г. С. Сегментация изображений: методы выделения границ областей // П. А. Бакут, Г. С. Колмогоров / Зарубежная радиоэлектроника. 1987. -№10. - с. 25-47.

10. Nicolier, F. Rational multiresolution analysis and fast wavelet transform: application to wavelet shrinkage denoising/ F. Nicolier, A. Baussard, F. Truchetet // Signal Processing 2004.-Vol. 84-P. 1735 - 1747

11. Постоянный технологический регламент производства эластичных блочных пенополиуретанов марки ППУ ЭО-ЮО. 1995.

12. Басков И.Г., Добротин С.А. Автоматизация и современные технологии. — №11. — 9 с. — 1998.

13. Александров В.В., Горский Н.Д. Представление и обработки изображений: рекурсивный подход, Л-д.: Наука, 1985. — 190 с.

14. В.В.Яншин. Анализ и обработка изображений: принципы и алгоритмы. — М.: Машиностроение, 1994. — 112 с.

15. Павлидис Т. Алгоритмы машинной графики и обработки изображений. Пер. с англ. — М.: Радио и связь, 1986. — 400 с.

16. ХеммингР. В. Цифровые фильтры. — М.: «Недра», 1987. — 221 с.

17. Антонью А. Цифровые фильтры: анализ и проектирование. М.: Радио и связь, 1983.-320 с.

18. Гутников B.C. Фильтрация измерительных сигналов. — JL: Энергоатомиздат, 1990.- 192 с.

19. Хемминг Р.В. Цифровые фильтры. М.: Недра, 1987. - 221 с.

20. Баскаков С.И. 1 Радиотехнические цепи и сигналы: Учебник для вузов. М.: Высшая школа, 1988.- 448 с.

21. Глинченко А.С. Цифровая обработка сигналов. В 2 ч. — Красноярск: Изд-во КГТУ, 2001.-383 с.

22. И.С.Грузман и др. Цифровая обработка изображений в информационных системах. Учебное пособие. Новосибирск, 2000

23. Гринберг А.Д., Гринберг С. Цифровые изображения: Практическое руководство / Пер. с англ.; Худ. обл. М.В. Драко. — Мн. ООО «Попурри», 1997.400 е.: ил.

24. Сойфер В.А. Компьютерная обработка изображений. Часть 2. Методы и алгоритмы. Соросовский образовательный журнал №3, 1996.,

25. Андреев A.JI. Автоматизированные телевизионные системы наблюдения. Часть II. Арифметико -логические основы и алгоритмы. Учебное пособие. СПб: СПб, ГУИТМО, 2005. - 88с.

26. Розенфельд Л.Г. и др. Возможности постобработки диагностических КТ>и МРТ-изображений на персональном компьютере. Украшський медичний часопис -№ 6 (56) - XI/XII, 2006.

27. Лукин А. Введение в цифровую обработку сигналов (Математические основы).-М.: МГУ, Лаборатория компьютерной графики и мультимедиа, 2002.

28. Labview для всех / Джеффри Тревис : Пер. с англ. Клушин Н.А. М: ДМК Пресс; ПриборКомплект, 2004 - 544 с.

29. Klinger, Thomas, Ph.D. Imageprocessing with lab view and Imaq Vision Pearson Education, Inc. 2003r.

30. Скадыков C.C. Системы цифровой обработки изображений / С.С. Садыков, Г.Х. Кадырова, Ш.Р. Азимов. Ташкент: Фан, 1988 - 162 с.

31. Макс Ж. Методы и техника обработки сигналов при физических измерениях. В 2-х тт. — М.: «Мир», 1983.

32. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989'. - 540 с.

33. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник. М.: Радио и связь, 1985.- 312 с.

34. Дмитриев В.И. Прикладная теория информации: Учебник для студентов вузов.- М.: Высшая школа, 1989.- 325 с.

35. Купер Дж., Макгиллем А. Вероятностные методы анализа сигналов и систем. — М.: Мир, 1989.-376 с.39.0ппенгейм А.В., Шафер Р.В. Цифровая обработка сигналов. М.: Связь, 1979. -416с.

36. Рабинер JL, Гоулд Б. Теория и применение цифровой обработки сигналов. — М.: Мир, 1978.-848 с.

37. Гольденберг JT. М. и др. Цифровая обработка сигналов. Учебное пособие для вузов. — М.: «Радио и связь», 1990. — 256 с.

38. Утробин В.А. Информационные модели системы зрительного восприятия для задач компьютерной обработки изображений. Нижегородский Государственный технический университет, Н.Новгород, 2001. — 234 с.

39. Утробин В.А. Компьютерная обработка изображений. Анализ и синтез. Нижегородский Государственный технический университет, Н.Новгород, 2003. -228 с.

40. Даджион Д., Мерсеро, Р. Цифровая обработка многомерных сигналов; Изд-во: М.: Мир, 1988 г.;

41. Утробин В.А. Компьютерная обработка изображений. Решение задач в пространстве эталонов. Нижегородский Государственный технический университет, Н.Новгород, 2005. 228 с.

42. Утробин В. А. Компьютерная обработка изображений. Информационные модели этапа понимания. Нижегородский Государственный технический университет, Н.Новгород, 2006. 247 с.

43. Утробин В.А. Физические интерпретации элементов алгебры изображения. Журнал «Успехи физических наук» № 10, том 174.

44. Гиренко А.В., Ляшенко В.В., Машталир В.П., Путятин Е.П. Методы корреляционного обнаружения объектов. Харьков: АО "БизнесИнформ", 1996. 112 с.

45. Егорушкин Е.О. Использование корреляционного анализа изображения для контроля качества пористых материалов. Журнал «Естественные и технические науки» № 2, 2009г.

46. Сиберт У.М. Цепи, сигналы, системы. М.: Мир, 1988. - 336 с.

47. Белоглазов И.Н. Тарасенко В.П. Корреляционно-экстремальные системы. М./'Сов. радио", 1974, 392 с.

48. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. — М.: «Мир», 1989. —448 с.

49. Марпл-мл. С. Л. Цифровой спектральный анализ и его приложения. — М: МИР, 1990. —С. 584.

50. Бат М. Спектральный анализ в геофизике. М.: Недра, 1980.- 535 с.

51. Егорушкин, Е.О. Использование Фурье-анализа изображения для контроля качества пористых материалов. /Е.О. Егорушкин// «Техника и технология». — Москва: Изд-во «Спутник плюс», 2009 № 3. - С. 27

52. Егорушкин Е.О., Кудрявцев С.А. Оптический метод контроля качества пористых материалов // Технология, автоматизация производственных систем и управление организационно-техническими системами машиностроительного кластера (Н.Новгород, 2008 г.)

53. Егорушкин Е.О., Кудрявцев С.А. Исследование методов контроля качества материалов сложной структуры // Неразрушающий контроль и техническая диагностика: Тез. докл. XVIII Всероссийской научно-технической конференции Н.Новгород, 2008 г. (с. 207).

54. Егорушкин Е.О., Кудрявцев С.А. Использование методов Фурье-анализа для неразрушающего контроля качества пористых материалов // Будущее технической науки: Тез. докл. VIII Междунар. молодёжной научно-технической конф. Н.Новгород, 2009 г. в печати.

55. Васильев Д.В. Радиотехнические цепи и сигналы: Учебное пособие для вузов. -М.: Радио и связь, 1982. 528 с.

56. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984. - 224 с.

57. Егорушкин Е.О. Использование корреляционного анализа Фурье-спектров изображения для контроля качества пористых материалов. Журнал «Контроль. Диагностика» № 5, стр. 39-40, 2009 г.

58. Егорушкин Е.О., Кудрявцев С.А. Применение частотных методов, анализа изображений для неразрушающего контроля качества пенополиуретана // Сборник трудов НГТУ: Н.Новгород, 2009 г. в печати.

59. Егорушкин Е.О., Кудрявцев С.А. Исследование методов контроля качества материалов сложной структуры // Будущее технической науки: Тез. докл. VII Междунар. молодёжной научно-технической конф. Н.Новгород, 2008 г. (с. 206).

60. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. М.:Мир, 1978.

61. Марпл-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ. -М.: Мир, 1990.

62. Отнес Р., Эноксон Л. Прикладной анализ временных рядов.- М.: Мир, 1982.

63. Уидроу Б., Стирнс С., Адаптивная обработка сигналов. — М.: Радио и связь, 1989. —440 с.

64. Егорушкин Е.О. Оптический метод контроля качества материалов ячеистой структуры // XXV ВНТК «Информационные технологии в науке проектировании и производстве» Материалы всероссийских научных и научно-технических конференций, декабрь 2008 г. (с. 25)

65. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.

66. Ф. Уоссермен. Нейрокомпьютерная техника. Теория и практика: Пер. с англ. Ю.А. Зуев, В.А. Точенов, 1992 г.;

67. Горелик А.Л., Гуревич И.Б., Скрипкии В.А. Современное состояние проблемы распознавания. —М.: Радио и связь, 1985.

68. Горелик А.Л., Скрипкин В.А. Методы распознавания. — М.: Высшая школа, 1984, —222 с.

69. Розенфильд А. Распознавание и обработка изображений с помощью вычислительных машин. Пер. с англ. — М.: Мир, 1972. — 232 с.

70. Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.

71. Shalkoff R.J. Digital image processing and computer vision. New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489 p.

72. Werbos P. J., Beyond regression: New tools for prediction and analysis in the behavioral sciences. Ph.D. thesis, Harvard University, Cambridge, MA, 1974.

73. Галушкин А. И. Синтез многослойных систем распознавания образов. — М.: «Энергия», 1974.

74. Kohonen, Т. (1989/1997/2001), Self-Organizing Maps, Berlin — New York: Springer-Verlag. First edition 1989, second edition 1997, third extended edition 2001, ISBN 0-387-51387-6, ISBN 3-540-67921-9

75. Вапник B.H., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974. - С.34-156.

76. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин. М.: Мир, 1972. - С.16-144.

77. Хуан Т., Шрейбер В., Третьяк О. Обработка изображений // ТИИЭР. 1971. -Т.59. - №11. - С.59-89.

78. Фу К. Последовательные методы в распознавании образов и обучения машин. -М.: Наука, 1971. С.40-46, 165-184.

79. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями Брест:БПИ, 1999, - 260с.

80. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей — Брест:БПИ, 1999, 228с.

81. Petrou М. Learning in Pattern Recognition. Lecture Notes in Artificial Intelligence -Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 1-12.

82. Jacobsen X., Zscherpel U. and Perner P. A Comparison between Neural Networks and Decision Trees. Lecture Notes in Artificial Intelligence — Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 144-158.

83. Valentin D., Abdi H., O'Toole A. J. and Cottrell G. W. Connectionist models of face processing: a survey. IN: Pattern Recognition 1994, Vol. 27, pp. 1209-1230.

84. Yoon К. S., Ham Y. K. and Park R.-H. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network. Pattern Recognition 1998 Vol. 31, pp. 283-293.

85. Ranganath S. and Arun K. Face recognition using transform features and neural networks. Pattern Recognition 1997, Vol. 30, pp. 1615-1622.

86. Егорушкин, E.O. Нейросетевой метод неразрушающего контроля качества материалов ячеистой структуры. /Е.О. Егорушкин// «Техника и технология». — Москва: Изд-во «Спутник плюс», 2009 № 3. - С. 28

87. Lawrence S., Giles С. L., Tsoi А. С. and Back A. D. Face Recognition: А Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 1-24.

88. Rowley H. A., Baluja S. and Kanade T. Neural Network-Based Face Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1998, Vol. 20, pp. 23-37.

89. Foltyniewicz R. Efficient High Order Neural Network for Rotation, Translation and Distance Invariant Recognition of Gray Scale Images. Lecture Notes in Computer Science Computer Analysis of Images and Patterns, 1995, pp. 424-431.

90. M. А. Павлейно, В. M. Ромаданов Спектральные преобразования в MatLab. — СПб: 2007. —С. 160.

91. Дьяконов В. П., Абраменкова И. В. MATLAB. Обработка сигналов и изображений. Специальный справочник. — СПб.: «Питер», 2002. — С. 608. — ISBN 5-318-00667-608

92. Зиновьев А. Ю. Визуализация многомерных данных. — Красноярск: Изд. Красноярского государственного технического университета, 2000. — 180 с.

93. Benouali А.-Н.; Froyen L.; Delerue J.F.; Wevers М. Mechanical analysis and microstructural characterisation of metal foams: Materials Science and Technology, Volume 18, Number 5, May 2002 , pp. 489-494(6)

94. Milanova M., Almeida P. E. M., Okamoto J. and Simoes M. G. Applications of Cellular Neural Networks for Shape from Shading Problem. Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999, pp. 51-63.

95. Райт П., Камминг А. Полиуретановые эластомеры: Пер. с англ. JL: Химия, 1973.304 с.

96. Саундерс Д., Фриш К. Химия полиуретанов: Пер. с англ. М.: Химия, 1968. 470с.

97. Липатов Ю.С., Керча Ю.Ю., Сергеева Л.М. Структура и свойства полиуретанов. Киев: Наук, думка, 1970. 279 с.

98. Керча Ю.Ю. Физическая химия полиуретанов. Киев: Наук, думка, 1979. 224 с.

99. X. D. Zhang, D. W. Giles, V. H. Barocas, K. Yasunaga Measurement of foam modulus via a vane rheometer: J. Rheol. Volume 42, Issue 4, pp. 871-889 (July 1998)

100. Любартович С. А., Морозов Ю.Л., Третьяков О.Б. Реакционное формование полиуретанов. М:: Химия, 1990:288 с.

101. Welsh, Maurice J. Wegner Process for continuous control of the cell number of polyurethane foams (United States Patent 5296517)

102. MONDAL Pravakar , KHAKHAR D. V., Regulation of cell structure in water blownp rigid polyurethane foam: Pacific polymer conference No8, Bangkok , THAILANDE (24/11/2003) 2004, vol. 216, pp. 241-254

103. Путятин, E. П., Аверин, С. И*. Обработка изображений в робототехнике / Е. П. Путятин, С. И. Аверин. М.: Машиностроение, 1990. - 320 с.

104. Никулин'О.Ю., Петрушин А.Н. Системы телевизионного наблюдения: Учебно-справочное пособие / Редактор — д.т.н. В.А.Минаев — М.: Изд. «Оберег-РБ», 1997. — 168 с.

105. Курбатова Екатерина Анатольевна MATLAB 7. Самоучитель-. — M.: «Диалектика», 2005. — С. 256. — ISBN 5-8459-0904-Х