автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Повышение точности количественных оценок поверхностных дефектов и структур металлов по их цифровым изображениям в оптическом неразрушающем контроле

На правах рукописи

003068337

ФИЛИНОВ Михаил Владимирович

ПОВЫШЕНИЕ ТОЧНОСТИ КОЛИЧЕСТВЕННЫХ ОЦЕНОК ПОВЕРХНОСТНЫХ ДЕФЕКТОВ И СТРУКТУР МЕТАЛЛОВ ПО ИХ ЦИФРОВЫМ ИЗОБРАЖЕНИЯМ В ОПТИЧЕСКОМ НЕРАЗРУЩАЮЩЕМ КОНТРОЛЕ

Специальность 05.11.13 - «Приборы'и методы контроля природной среды, веществ, материалов и изделий»

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

Москва - 2007

003068337

Работа выполнена в ЗАО «Научно-Исследовательский Институт Интроскопии МНПО «СПЕКТР»

Официальные оппоненты: Доктор технических наук Доктор технических наук, профессор Доктор технических наук, Профессор

Ведущая организация: Московский государственный институт радиотехники, электроники и автоматики (технический университет)

Защита состоится 23 мая 2007 года в 10 часов на заседании Диссертационного совета Д.520.010.01 . ЗАО «НИИИН МНПО «СПЕКТР» по адресу: г .Москва, ул. Усачёва, д.35, строение 1

• С диссертацией можно ознакомиться в библиотеке ЗАО: «НИИИН МНПО «СПЕКТР» '

Автореферат разослан ■«

Ученый секретарь Диссертационного совета, Доктор технических наук, Профессор

Владимиров Лев Владимирович

Шкатов

Петр Николаевич Данилин

Николай Семенович

2007 г.

М.В.Королев

Список аббревиатур

АПК - аппаратно-программный комплекс

АЦП - аналого-цифровой преобразователь

АСООР - автоматизированная система оценки остаточного ресурса

БТК - блок телевизионных камер

НК - неразрушающий контроль

ОК - объект контроля

ОНК - оптический неразрушающий контроль

ОТУ - оптико-телевизионная установка

ПМА -- прецизионный морфометрический анализ

ПО - программное обеспечение

ТПОИ - твердотельный преобразователь оптического изображения

чкх - частотно-контрастная характеристика

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Определение остаточного ресурса, диагностика состояния и продление сроков эксплуатации объектов - важнейшие задачи, стоящие в настоящее время в энергетике, нефте- и газодобывающей, а также перерабатывающих отраслях промышленности в РФ и стран СНГ. В этих отраслях наблюдается значительный износ оборудования в совокупности с неточными и неполными данными по истории нагрузок, а возможно и перегрузок.

В электроэнергетике износ основных фондов самый большой и приближается к 60%, а на отдельных ТЭС, ГЭС и АЭС, по данным комитета Госдумы по энергетике, износ оборудования приближается к 70%, что соответствует стадии закритического старения. Это недопустимо с точки зрения безопасности эксплуатации и требует масштабных инвестиций для проведения необходимого технического перевооружения и ремонта.

В нефтегазовом комплексе степень износа составляет около 50%; фактическое время эксплуатации отдельных его видов значительно превышает нормативные показатели. В такой ситуации высока вероятность техногенных катастроф.

Степень износа отдельных видов бурового оборудования нефтегазового комплекса достигает 72%, что вызвало, например, снижение на 38% объема буровых работ в России в 2002 года по сравнению с 2001 г. (данные Министерства промышленности, науки и технологий РФ).

Модернизация оборудования протекает довольно медленно. Вместе с тем количество потенциально опасных промышленных объектов постоянно увеличивается, возрастают требования к точности и оперативности прогнозов и оценок состояния.

Важными характеристиками, влияющими на остаточный ресурс, являются параметры структуры металла (например, балл зерна), из которого изготовлен объект. В ходе эксплуатации'в металле происходят изменения, связанные с процессами старения, межкристаллитной коррозии, обезуглероживания, с ростом зерна, фазовым наклепом, сфероидизацией перлита и т.п. Эти изменения влияют на эксплуатационную надежность оборудования и могут быть оценены с помощью металлографического анализа, твердометрии, ко-эрцитиметрии.

Технология мониторинга структуры металла включает в себя: определение мест контроля, подготовку шлифов, металлографический анализ сред-

ствами микроскопии с записью и компьютерной обработкой изображений микроструктур, наполнение базы данных по микроструктурам металла образцов (электронный атлас) и работу с этой базой.

Обычно анализ микроструктуры проводят в лаборатории на взятых из объекта образцах. В этом случае микрообразцы в зонах элементов контролируемого оборудования (паропроводов, роторов турбин и др.) получают методом электроэрозионной вырезки. Микрообразцы берут из регламентируемых зон оборудования, определенных с учетом расчета напряженного состояния, результатов неразрушающего контроля и опыта контроля повреждений стареющего оборудования.

Ввиду затруднительности вырезки образцов из деталей действующего оборудования и снижения остаточного ресурса самой этой процедурой возникает потребность исследования микроструктуры металла на месте не-разрушающими методами с помощью портативных средств контроля. В связи с этим перспективно проведение микроанализа с помощью мобильного комплекса для компьютерной записи и обработки изображений микроструктур непосредственно на оборудовании на специально подготовленных площадках. В состав такого комплекса должен входить крепящийся на оборудование переносной микроскоп, оснащенный цифровым фотоаппаратом или видеокамерой, соединенной с переносным компьютером, а также портативное оборудование для подготовки микрошлифов.

Таким образом, назрела объективная необходимость разработки и внедрения современных систем оперативной компьютерной металлографии на базе портативных микроскопов, отвечающих всем требованиям эксплуатации в полевых условиях, позволяющих диагностировать состояние металла с частичным выводом или вообще без вывода объекта контроля (ОК) из эксплуатации. Портативность оборудования и необходимость контроля в полевых условиях требуют применения специальных алгоритмических средств для получения изображений качества, необходимого для достижения максимальной точности измерений, обеспечивающей уровень неразрушающего контроля (НК), адекватный значимости проблемы предупреждения и предотвращения техногенных катастроф. При этом возрастает роль разработки нового метрологического обеспечения для цифровых систем оптического контроля, учитывающего специфику применения компьютерных технологий.

Это потребовало решения самостоятельной научно-технической задачи по разработке методов оперативной количественной металлографии и де-фектометрии, созданию портативных аппаратно-программных комплексов

(АПК) металлографического контроля, а также разработки и реализации алгоритмов повышения точности измерений.

Актуально использование методов оптической металлографии для контроля состояния структуры металла объекта и дефектометрии для обнаружения и измерения поверхностных дефектов, в сочетании с выявлением внутренних дефектов другими методами НК - рентгенографическим, капиллярным, магнитопорошковым и акустическим. Результаты контроля могут использоваться для построения систем оценки остаточного ресурса, причем применение цифровых технологий в оптическом НК позволяет нормировать разнородные данные от нескольких методов контроля для совместной обработки и интерпретации.

Обеспечение соответствия цены средств контроля российским реалиям - еще одна актуальная задача, решаемая при разработке портативных систем технической диагностики.

В диссертации обобщены результаты теоретических и экспериментальных исследований автора по перечисленным проблемам, выполненных в Отделе оптических и телевизионных систем диагностики ЗАО «НИИИН МНПО «СПЕКТР».

Цель работы.

Целью работы является создание портативных АПК для оперативной металлографии непосредственно на объекте без снижения его остаточного ресурса, и по возможности без вывода объекта из эксплуатации; повышение точности измерений геометрических параметров поверхностных дефектов и определения численных характеристик структур металлов для повышения точности определения остаточного ресурса.

Задачи работы.

Для достижения поставленной цели потребовалось: .

1. Разработать портативные средства металлографической микроскопии для оперативных исследований непосредственно на ОК и на их основе

. портативный АПК, позволяющий для оперативно проводить полный цикл металлографического контроля.

2. Разработать автоматизированные процедуры анализа изображений для повышения производительности контроля в полевых условиях.

3. Разработать обобщенную математическую модель цифровой оптико-электронной регистрирующей системы для компенсации искажений с

учетом их неоднородности в поле зрения оптического тракта с целью повышения точности измерений.

4. Создать интерактивный алгоритм классификации изображений структур металлов для оценки количественных параметров структуры методом сравнения со шкалами ГОСТ.

5. Разработать портативные средства дефектометрии микродефектов поверхности.

6. Внедрить в практику ряд новых портативных цифровых измерительных систем полного цикла металлографических исследований с обеспечением оценки количественных параметров структуры металла и микродефектов в соответствии с ГОСТами.

Методы исследований.

Теоретические исследования проводились с использованием методов геометрической и волновой оптики, математического анализа, теории вероятностей и математической статистики, теории некорректных задач. •

Математическое моделирование проводилось с использованием пакета MatLab и языков программирования С++ и Java, а также специально созданного программного обеспечения.

Экспериментальные исследования выполнялись с использованием оптико-телевизионных установок (ОТУ) с возможностью формирования световых пучков различной геометрии и дискретного изменения длины волны источника освещения. ОТУ обеспечивали непосредственный вывод потокового цифрового видеосигнала высокого разрешения в компьютер для дальнейшей обработки и документирования. При обработке данных использовались методы решения обратных задач, спектрального анализа, статистического анализа.

Метрологическое обеспечение экспериментальных исследований основано на использовании сертифицированных и поверенных тест - образцов, мер, а также метрологически поверенной аппаратуры.

Научная новизна работы.

1. Исследовано и проанализировано влияние ЧКХ оптико-электронных трактов на погрешность измерения размеров поверхностных дефектов.

2. Разработаны и реализованы алгоритмы компенсации искажений с учетом их неоднородности в поле зрения оптико-электронных систем цифровой металлографии на основе обобщенной математической модели цифрового оптико-электронного тракта и метода регуляризации

Тихонова с автоматизацией выбора параметра регуляризации по минимуму артефактов на динамически синтезируемом тест-объекте.

3. Разработан и реализован интерактивный алгоритм классификации изображений структур металлов для повышения объективности и производительности контроля.

4. Разработана технология автоматизированной оперативной качественной и количественной оценки состояния структуры металла с помощью АПК БРЕСТЯ МЕТ с подготовкой данных для дальнейшего анализа при определении остаточного ресурса промышленных объектов.

Практическая ценность работы.

1. Создан и внедрен ряд портативных металлографических микроскопов МПМ, позволяющих проводить оперативный металлографический контроль в полевых условиях без нарушения целостности объекта и снижения его остаточного ресурса.

2. Создан и внедрен АПК ЗРЕСТИ. МЕТ, позволяющий оперативно проводить полный цикл металлографического контроля от подготовки поверхности и получения изображения до формирования отчета в соответствии с требованиями ГОСТов и получения данных о структуре металла для дальнейшего совместного анализа с данными других методов НК в АСООРО. Создан и внедрен аппаратно-программный модуль автоматизированной количественной оценки питтинговой коррозии.

3. Внедрены 58 единиц портативных металлографических микроскопов ряда МПМ, 32 АПК оперативной металлографии ЭРЕСТК МЕТ - на объектах энергетики, нефтегазодобычи, предприятиях машиностроения, транспорта, химии и нефтехимии, в лабораториях НК и ремонтно-диагностических организациях.

4. Решена задача повышения точности количественных оценок структуры металла за счет применения разработанных автоматизированных алгоритмов Компенсации яркостйых искажений, бинаризации с количественно-статистической оценкой геометрических параметров, определения фазового состава и балла зерна, уточнения границ зерна структуры металла, поиска пор и определения количественных характеристик пористости.

5. Разработаны и реализованы алгоритмы на основе метода регуляризации Тихонова, компенсирующие искажения оптико-электронных систем цифровой оптической металлографии с учетом их неоднород-

ности в поле зрения оптического тракта для повышения точности измерений.

Основные положения, выносимые на защиту.

1. Задачи оптического метода НК при определении остаточного ресурса промышленных объектов.

2. Новые АПК 8РЕСТ11 МЕТ, позволяющие оперативно проводить полный цикл металлографического контроля от подготовки поверхности и получения изображения До формирования отчета по ГОСТ и получения данных о структуре металла для дальнейшего совместного анализа с данными других методов НК в АСООРО.

3. Алгоритмы компенсации искажений с учетом их неоднородности в поле зрения оптического тракта на основе метода регуляризации Тихонова. Алгоритм автоматического выбора параметра регуляризации по минимуму артефактов ка динамически синтезируемом тест-объекте при компенсации искажений методом регуляризации Тихонова с учетом их неоднородности в поле зрения оптического тракта.

4. Алгоритмы автоматизированной обработки и количественного анализа изображений, оптимизированные для повышения точности измерений.

5. Интерактивный алгоритм классификации структур металлов.

6. Практика использования АПК металлографической микроскопии БРЕСТИ МЕТ.

Апробация работы.

Основные результаты работы докладывались и обсуждались на российских и международных конференциях - с 1-й по б-ю включительно Международных конференциях «Неразрушающий контроль и техническая диагностики в промышленности» (Москва, 2000-2006 гг), 3-й международной конференции "Компьютерные методы и обратные задачи в неразрушающем контроле и диагностике" (Москва, 2002 г.), 15-й Всемирной конференции по неразрушающему контролю (Рим, 2000 г.), 16-й Всемирной конференции по неразрушающему контролю (Монреаль, 2004 г.), 7-й, 8-й и 9-й Европейской конференциях по неразрушающему контролю (Берлин, Германия, 2006 г.).

Основные результаты работы опубликованы в журнале «Контроль. Диагностика», монографии и материалах российских и международных конференций.

Публикации: 28 научных работ, включая монографию, публикации в журнале, тезисы докладов научно-технических конференций.

Объем и структура диссертации.

Диссертация состоит из введения, шести глав, заключения и списка литературы, включающего 106 наименований. Объем диссертации составляет 340 страниц, включая 200 рисунков, 25 таблиц.

КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении показана актуальность темы диссертации, изложены основные задачи, приведены сведения о практической ценности и апробации результатов.

В первой главе дана общая характеристика методов оптического НК для количественных оценок поверхностных дефектов и структур металлов. Приведены основные понятия из области теории оптических систем, рассмотрены основные измеряемые в дефектометрии и металлографии параметры и величины, показана практическая приборная реализация данных оптических методов, даны общие сведения о дефектах металлов и металлоизделий, обозначены основные причины возникновения погрешностей измерений в оптических методах НК.

Оптический метод представлен в НК многочисленными оптическими, оптико-механическими и оптико-электронными измерительными приборами. Оптико-электронные приборы наиболее распространены в связи с развитием цифровых технологий преобразования, обработки и хранения оптической информации. Именно такие приборы и системы применяются для количественных оценок поверхностных дефектов и структур металлов.

В оптической дефектометрии при количественных оценках поверхностных дефектов определяют их длину, ширину, глубину, ориентацию, площадь, периметр, а также Пространственное расположение дефекта на объекте контроля по угловым и линейным шкалам.

В оптической металлографии качество металлов и сплавов в основном оценивается двумя способами:

- по величине зерна структурных составляющих, при этом определяется его склонность к росту, кинетика роста, величина фактического зерна после горячей деформации или любой термической обработки;

- по количеству загрязнений путем определения количества включений на квадратный миллиметр. Загрязнения в металле могут быть различного происхождения, в том числе и неметаллические.

Требования к свойствам и характеристикам металлов и металлоизделий, методы качественной и количественной оценки их состояния, размеры и типы допустимых дефектов указываются в отраслевых нормативных документах и ГОСТах. Оптическими методами НК обнаруживают и исследуют состояние и изменение структуры металлов, микро- и макродефекты производственно-технологического и эксплуатационного происхождения, ухудшающие прочность, пластичность, плотность металлов, изменяющие их электропроводность, магнитную проницаемость и т.д.

Для классификации и идентификации дефектов используют их морфологические и генетические признаки. К морфологическим признакам относятся: ориентация относительно оси изделия; расположение и распределение по длине или периметру изделия; изменение поперечных размеров изделия в районе дефекта; единичное или групповое расположение дефекта; периодичность его повторения; характер геометрических параметров дефекта и т.п. К генетическим признакам относят: механические, термические и коррозионные признаки; наличие неметаллических оксидных включений, окалины и смазки в полости дефекта или в районе его расположения; изменение микроструктуры в районе залегания дефекта; наличие структурной и ликвационной неоднородности; характер расположения зерен в районе дефекта и т.п.

Для обнаружения дефектов (дефектоскопии) и измерения параметров дефектов (дефектометрии), и их классификации по результатам измерений, в оптическом неразрушающем контроле используют в основном методы светового и теневого сечения, интерферометрию, рефлектометрический метод, метод фокусировки и автоколлимации. Выбор метода зависит от типа и параметров измеряемых дефектов, от массогабаритных параметров и свойств материала ОК. Необходимо учитывать также климатические и технологические (температура объекта, давление внутри объекта, агрессивность среды и т.д.) условия проведения контроля, требуемую точность измерений.

Широко распространены эндоскопические системы с измерительными функциями, реализованными в дополнительных съемных или встроенных измерительных модулях. Среди таких систем различают гибкие и жесткие оптоволоконные эндоскопы (не позволяют получить изображений с высоким разрешением из-за дискретности (ячеистости) структуры световода, но дос-

таточно просты в изготовлении и могут иметь достаточно большую длину рабочей части); жесткие линзовые эндоскопы (позволяют получать изображения с высоким разрешением, но имеют ограниченную длину рабочей части); видеоэндоскопы (позволяют получать изображения с высоким разрешением, могут иметь большую длину рабочей части); измерительные эндоскопические видеосистемы (позволяют получать изображения высокого разрешения, обладают расширенными измерительными возможностями и высокой точностью измерений, могут иметь большую длину рабочей части и, как правило, наиболее адаптированы под конкретный объект контроля).

В первых трех рассмотренных типах эндоскопических систем основной функцией является обнаружение дефекта, а измерение его параметров - дополнительной. Поэтому такие системы обычно не обладают высокой точностью измерений. Для проведения точных количественных оценок поверхностных дефектов и их классификации наиболее интересны измерительные эндоскопические видеосистемы с компьютерной обработкой и анализом изображений - дефектометрические системы.

Для исследований структуры металлов и сплавов применяют металлографические микроскопы. В них используют объективы с большими коэффициентами увеличения, т.е. с малым фокусным, а, следовательно, с небольшим рабочим расстоянием. При этом шлиф непрозрачен, а небольшое рабочее расстояние объектива не позволяет осветить его с внешней стороны. Для освещения объекта через объектив используют встроенный осветитель -опак-иллюминатор; потери света уменьшают просветлением объектива.

Исследования обычно ведут в режиме светлого поля,'однако, в некоторых случаях для определения границ зерен, обнаружения мелких включений, коэффициент отражения которых близок к отражению основного материала, используют режим темного поля. Для обнаружения неметаллических включений, многие из которых обладают анизотропией, наблюдение проводят в поляризованном свете/Исследования динамики структурных приращений и кинетики зерен проводят, получая изображения с помощью фото- или видеоканала, а затем анализируя их программными средствами.

Российские и зарубежные производители выпускают в основном крупногабаритные лабораторные металлографические микроскопы с обширным набором функций, однако их применение в полевых условиях исключено. При этом современные требования к контролю и диагностике диктуют необходимость разработки и внедрения носимых средств оперативной металлографии на базе портативных микроскопов, отвечающих всем требованиям

эксплуатации в полевых условиях, позволяющих проводить диагностику состояния металла с частичным выводом или вообще без вывода ОК из эксплуатации. Портативность оборудования и необходимость контроля в полевых условиях .требуют применения специальных алгоритмических средств для получения изображений нужного качества.

При использовании средств оперативной оптической дефектометрии и количественной металлографии возникает вопрос о точности измерений, зависящей от параметров и качества оптической системы, преобразователя оптического изображения и алгоритмов, применяемых для обработки и анализа изображений дефектов и структур металлов. Существуют и другие источники погрешности. Так, например, в дефектометрии надо учитывать чувствительность конкретного применяемого оптического метода измерений, а в металлографии - погрешность масштаба изображений стандартных образцов, приведенных в нормативных документах и т.д. Таким образом, необходима оценка погрешностей измерений и анализ причин их возникновения, а также разработка способов повышения точности количественных оценок поверхностных дефектов и структур металлов.

Во второй главе рассмотрен общий подход к обработке информации в оптическом НК. Проанализированы процесс преобразования изображений в цифровую форму, форматы цифрового представления изображений, алгоритмы компрессии, виды предварительной обработки изображений [19] и их влияние на точность измерений по изображению. Описаны разработанные алгоритмы предварительной обработки изображений для выделения границ областей и линий, а также фильтрации шумов.

Рассмотрены методы количественной оценки параметров структур по цифровым изображениям: сегментация изображений по яркости [15], контурная, методом сканирования строк; статистический, текстурный и геометрический анализ изображений [19]. Отдельно проанализированы и систематизированы количественные параметры дефектов, определяемые по металлографическим и радиографическим изображениям, а также по изображениям индикаций дефектов в магнитопорошковом и капиллярном контроле.

Рассмотрена общая структура АПК для получения, обработки, анализа и документирования цифровых изображений в оптической дефектометрии и металлографии [17]. Показаны основные элементы таких комплексов, описаны и проанализированы искажения, возникающие на каждом из этапов пре-

образования оптической информации и приводящие к снижению точности измерений.

Дан обзор современных автоматических систем оптического НК: рассмотрена структура автоматической системы оптического НК, первичная обработка измерений, области применения систем оптического НК, программное обеспечение (ПО) промышленных систем анализа изображений. Проведен сравнительный анализ функционального наполнения ПО обработки и анализа изображений в металлографии. Анализ ПО производится в сравнении с созданным при непосредственном участии и под руководством автора программным пакетом БРЕСТЯ МЕТ.

Для решения задачи повышения точности измерений в оптическом методе НК рассмотрены основные элементы современных АПК оптического контроля и процесс преобразования информации об объекте контроля или дефекте в каждом из компонентов системы. На рис Л показана общая блок-схема АПК оптического контроля.

ОК (1) освещается источником света (2), интенсивность, спектр и положение которого может регулироваться в зависимости от решаемой задачи. Отраженное оптическое излучение от самого ОК или вторичное оптическое излучение от дефектов попадает через оптическую систему (3) на преобразующий свет в электрический сигнал преобразователь оптического изображения (4), после которого может следовать либо формирователь стандартного телевизионного сигнала (5), либо преобразователь аналогового электрического сигнала в цифровую форму - АЦП (б). В первом случае к вычислительной части (7) передается аналоговый сигнал, во втором -цифровой.

В вычислительной части (7) производится преобразование аналогового сигнала в цифровую форму, либо предварительная обработка изображения, если оно уже цифровое. Цель предварительной обработки - подготовить изображение к проведению измерений объектов или извлечению различных численных характеристик объекта ' или структуры. Предварительная обработка изображения обычно включает шумоподавление, коррекцию яркости каких-либо областей или всего изображения, подчеркивание границ объектов и т.п., после чего обработанное изображение анализируется.

Данные, полученные в результате анализа, оформляются в протокол, либо используются далее для совместного анализа с данными, полученными другими методами контроля. Для этого к вычислительной части подключают другие источники цифровой информации (9) (ультразвуковые дефектоскопы

с цифровым интерфейсом, цифровое радиографическое оборудование и т.д.), либо соединяют вычислительную часть каналом связи (8) с сервером обработки дефектоскопической информации (10), Подобным образом строятся вычислительные комплексы оценки остаточного ресурса промышленных объектов.

Рис. I, Общая блок-схема аппаратно-программного комплекса (АПК) оптического контроля. Пояснения см, в тексте.

Преимуществом аналоговых и аналого-цифровых систем является сравнительная простота и как следствие - низкая стоимость оборудования, а также возможность работы без вычислительной части, если необходимо решать лишь простейшие задачи наблюдения. Недостатки аналоговых систем: ограниченное разрешение изображения (лишь 576 информативных строк стандартного телевизионного сигнала РА1УСС1К), ограниченные возможности измерения размеров дефектов или объектов, хранение информации в аналоговой форме. При продлении жизни аналоговой информации копированием на новый носитель качество изображения неизбежно ухудшается.

Цифровые системы свободны от этих недостатков и дают существенно лучшее качество и большее разрешение изображения (1600x1200 уже норма), и именно по этой причине требуют надежных широкополосных проводных и ■ беспроводных каналов связи с большой пропускной способностью. Эта задача успешно решается, при этом стоимость линий и оборудования передачи цифровой информации непрерывно снижается. Особенностью

цифровых систем, является передача цветовой информации лишь с некоторым приближением. АЦП принципиально обладают некоторым порогом чувствительности, и чем точнее требуется отобразить дефект или его индикацию, тем лучший АЦП выбирают, и тем внимательнее относятся к выбору вида компрессии цифрового изображения.

Повышению точности измерений, проводимых с помощью оптических методов НК, препятствуют искажения, вносимые основными элементами систем оптического контроля. В основном эти искажения вносятся оптической частью, преобразователем оптического изображения и линиями связи.

Искажения оптических систем. Одной из причин возникновения погрешностей количественных оценок поверхностных дефектов и структур металлов по их оптическому цифровому изображению являются погрешности самих изображений, формируемых оптическими системами.

Реальная оптическая система изображает каждую точку предмета с определенными искажениями, т.н. аберрациями. Гомоцентрический пучок лучей, выходящий из какой-либо точки предмета, после преломления и отражения на поверхности оптической системы становится негомоцентрическим, т. е. не все лучи сходятся в сопряженной точке объекта. Идеальное схождение лучей происходит только внутри бесконечно малого пространства, окружающего оптическую ось системы, в так называемой параксиальной или гауссовой области, где аберрации отсутствуют.

Принято выделять основные аберрации для монохроматического излучения (сферическую аберрацию, кому, астигматизм, кривизну изображения и дисторсию) и сложного по спектральному составу излучения (хроматические аберрации положения и увеличения). Сферическая аберрация и кома характеризуют аберрации широкого пучка лучей, а астигматизм, кривизна изображения и дисторсия - полевые аберрации. В зависимости от степени разложения коэффициентов продольных аберраций в ряд различают аберрации третьего, пятого и т. д. порядков.

Аберрации оптической системы вбфажают в угловых и линейных величинах, а также в диоптрийной мере. Обычно погрешности изображения для точки на оси оценивают в волновой мере, т. е. в долях длин волн, аберрации вне осевых точек определяются в любых указанных выше величинах. Выделяют следующие основные аберрации, влияющие на точность измерений.

Сферическая аберрация приводит к снижению контрастности и резкости изображения.

Аберрация широкого наклонного пучка лучей, в котором нарушена симметрия - кома, возрастающая с увеличением относительного отверстия и поля зрения оптической системы, ухудшает резкость изображения от центра к краю поля зрения и может вызвать искажение пропорций объекта на изображении.

Астигматизм и кривизна поверхности изображения снижают резкость, затрудняют определение границ объекта и могут вызвать искажение его пропорций на изображении.

Дисторсия - подушкообразная и бочкообразная - искажает геометрические размеры и пропорции объекта на изображении, не вызывая нерезкости,.

Хроматическая аберрация положения, вторичный спектр и хроматическая аберрация увеличения приводят к размыванию краев объектов на изображении, затрудняющему определение точных границ объектов, а в случае обработки цветных изображений создают дополнительные трудности при разделении объектов по цветовому признаку.

Искажения преобразователей оптического изображения. На смену некогда очень распространенным электровакуумным пришли твердотельные преобразователи оптического изображения (ТПОИ). Широкое распространение получила фото- и видеоаппаратура на базе матриц ФПЗС (фоточувствительных приборов с зарядовой связью) и КМОП (комплиментарная структура металл-окисел-полупроводник). Обе твердотельные технологии имеют свои достоинства и недостатки, однако характеристики твердотельных преобразователей оптического изображения постоянно улучшаются, совершенствуются технологии изготовления сенсоров и методы обработки изображений.

Достоинства ФПЗС - высокая чувствительность, возможность работы в спектральных областях от рентгеновского диапазона до ближней ИК-области и малые габариты. Технологии ФПЗС совместимы с базовыми процессами полупроводниковой микроэлектроники и обеспечивают массовый выпуск недорогих приборов.

КМОП-технологии обеспечивают возможность интеграции в одном кристалле фоточувствительной матрицы и схем считывания. Основные недостатками простой архитектуры КМОП по сравнению с ФПЗС - высокий уровень шума и малый коэффициент заполнения, достоинства — малый размер чипа, простота конструкции и меньшее энергопотребление.

Значения искажений, вносимых твердотельными преобразователями, определяются характеристиками ФПЗС и КМОП матриц. В измерительных системах высокой точности применяют в основном ФПЗС.

Характеристики ФПЗС делят на три группы: фотоэлектрические, определяющие эффективность преобразования оптического изображения в электрические сигналы; конструктивные, представляющие качественные (тип канала переноса, способ считывания и др.) и количественные (размеры фотоячейки, фоточувствительной области и т. д.) сведения о ТПОИ; эксплуатационные, содержащие сведения о тактовых диаграммах, рабочих частотах, воздействии внешних факторов (температуры, механических, радиационных и др.) и дополнительные, например способы пайки.

Основной является группа фотоэлектрических характеристик, которая для ТПОИ видимого диапазона достаточно полно описывается свет-сигнальной, спектральной и частотно-контрастной характеристиками.

Свет-сигнальная характеристика, связывает выходной сигнал с освещенностью в плоскости ФПЗС. На ней (рис. 2) выделяют три точки, в которых измеряют параметры ФПЗС. В средней части определяют. чувствительность ФПЗС [В/Лк] в заданном диапазоне и геометрическую неоднородность (для оценки воспроизводимости измерения проводят в нескольких точках ФПЗС).

Нижняя часть свет-сигнальной характеристики представляет работу ФПЗС в пороговой области, т. е. при предельно низких значениях освещенности. В этой области наблюдается темновой сигнал, образованный детерминированными и флуктуационными шумами ФПЗС. Детерминированные шумы состоят из помех от тактового питания и геометрических темновых шумов. Флуктуационные шумы ФПЗС представлены двумя основными составляющими - шумом переноса и шумом выходного устройства и позволяют ввести параметр отношение сигнал-шум для ФПЗС.

Нижняя часть свет-сигнальной характеристики представляет работу ФПЗС в пороговой области, т. е. при предельно низких значениях освещенности. В этой области наблюдается темновой сигнал, образованный детерминированными и флуктуационными шумами ФПЗС. Детерминированные шумы состоят из помех от тактового питания и геометрических темновых шумов. Флуктуационные шумы ФПЗС представлены двумя основными составляющими - шумом переноса и шумом выходного устройства и позволяют ввести параметр отношение сигнал-шум для ФПЗС.

Верхняя часть свет-сигнальной характеристики отражает два параметра: максимальный выходной сигнал, соответствующий заполнению потенциальных ям, и реакцию ФПЗС на локальные пересветки, т. е. переполнение потенциальных ям в участках повышенной освещенности. Наиболее серьезной

проблемой являются локальные пересветки - блуминг, при котором на изображении наблюдаются расплывающиеся пятна и полосы, вытянутые по направлению переноса зарядовых пакетов.

Рис. 2. Свет-сигнальная характеристика ФПЗС

Спектральная характеристика или область спектральной чувствительности ФПЗС - это зависимость выходного сигнала ФПЗС от длины волны монохроматического излучения, падающего на светочувствительную поверхность при одинаковой мощности излучения на каждой длине волны. В черно-белом варианте спектральные характеристики определяют верность передачи градации яркости объектов, в цветном варианте - верность цветопередачи (рис. 3).

Частотно-контрастная характеристика (ЧКХ) или функция контраста ФПЗС определяет разрешающую способность системы и описывает отклик ФПЗС на оптический сигнал в форме меандра с определенной пространственной частотой (рис. 4). Отношение размаха выходного сигнала при передаче штриховой миры заданной пространственной частоты или электрически введенного сигнала заданной частоты к размаху сигнала от крупной детали изображения или электрически введенного сигнала (заполняющего не менее пяти потенциальных ям) определяет коэффициент передачи модуляции. Чтобы характеризовать ФПЗС, достаточно измерить коэффициент передачи модуляции на какой-либо фиксированной частоте, чаще всего на половине максимальной пространственной частоты. Последнее связано с тем, что, согласно теореме Котельникова-Найквиста, приемник передает без искажений пространственные частоты, не превышающие половины максимальной. При проецировании более высоких пространственных частот проявляется эффект муара в виде ложных изображений.

ЧКХ позволяет оценить АПК в целом и обладает рядом преимуществ по сравнению с другими критериями качества изображения, давая более полную информацию для оценки качества оптического изображения в сравнении с разрешающей способностью. С помощью ЧКХ по результатам расчета оптической системы и выбора ФПЗС быстро и точно прогнозируют, как будет данная система изображать любой объект периодической структуры и определяют падение контраста в изображении этих структур. На рис. 5 приведены ЧКХ оптической системы, ФПЗС и общая ЧКХ современных оптико-электронных систем с использованием двух различных оптических систем. Для оценки разрешающей способности оптико-электронной системы используется так же функция, определяющая фазовое изменение изображения, вызванное аберрацией (например, комой). Она называется частотно-фазовой характеристикой (ЧФХ).

К важным конструктивным характеристикам ТПОИ относятся: число элементов для линеек; число строк и столбцов для матриц; размер пиксела и фоточувствительной области матрицы.

Все рассмотренные характеристики ФПЗС в значительной степени определяют точность измерений по изображениям объектов. Низкий коэффициент передачи модуляции, блуминг и плохая цветопередача искажают форму и размеры отдельных объектов, а также затрудняют точное определение границ между смежными объектами и, снижая контрастность, затрудняют отделение интересующих объектов от фона.

Частичная компенсация погрешностей, вносимых аберрациями оптических систем и шумами ФПЗС, может быть осуществлена обработкой изображения с помощью шумоподавления, коррекции яркости отдельных областей или всего изображения, подчеркивания границ объектов и т.п. Такая компенсация необходима для повышения точности сегментации изображения - отделения интересующих объектов от фона. Сегментация -одна из основных задач анализа сложных изображений для получения количественной оценки объектов по их изображениям (концентрация, размеры, форма и другие параметры). В общем случае объекты составляют неоднородную структуру. При автоматизации количественного анализа, качество выполнения сегментации во многом определяет точность оценки количественных характеристик объектов по изображению.

Спектральная чувствительность видеокамер

¡» 100%

0 90%

1 80 %

6 70% | 60% Т 50% 1 40% 5 30% g 20% | 10% 5 0%

200 300 400 500 600 700 800 900 1000 Длина волны,нм

Рис. 3. Спектральная характеристика ФПЗС

Пара линий Штриховая мира Осциллограф

/ Матрица

$тЛ—

Пространственная частота, пар лни./мм

Рис. 4. Способ определения частотно-контрастной характеристики ФПЗС

При использовании мобильных систем оптического НК важна высокая производительность обработки изображений. Для проведения количественного анализа нами разработан высокопроизводительный алгоритм выделения связных областей, основанный на методе построчного сканирования [15]. Алгоритм реализован в программных пакетах - металлографическом SPECTR МЕТ, радиографическом SPECTR RAD и универсальном SPECTR VID, и включает процедуры фазового анализа (определения яркостного диапазона) и формирования матрицы связности (выделения связных областей). Работа на первом этапе заключается в определении яркостного порога "объект-фон" для бинаризации исходного изображения. На основе получившегося бинарного изображения формируется матрица связности, содержащая в себе информацию о всех связных областях на изображении.

Работа алгоритма выделения связных областей и прослеживания контуров представлена на рис. 6-8. На рис. 6 дано изображение исследуемой структуры металла. Рис. 7 демонстрирует результат алгоритма выделения связных областей. На рис. 8 показан результат проведенного фазового анализа для определения яркостного диапазона областей, соответствующих зернам металла.

Объект»и Типичный 25 мм Г4 Госа! Ьгп^г

Оп-Л*>5

4мм ОГГ-Ахю

"" Г|'«]1к№НТ|ПМ1ыП

ПЗС-камсря Типичный отклик

% Модуляции по горизонтали и ль*ртн«али одинаковые

100

Система (лмнзл+кямсра) Стандартная 25 мм

5 10(52025 30 35 40 45 50 55 Разрешение изображения, пл/мм

5 [015202530354045 5055 <-> Разрешение изображения, пл/мм

5 1015 20253035 404550 55 Разрешение изображения, пл/мм

Типичная 25 мм РоиЫе Они5л Р4 л ' 4 мм О'Г-

0п-Ах15

--* Г(>|Ч>ММ1ТиЛ1.11иА

1 Лсрпм'Лпший

100

Ах1$

—— Г|фн>мгдям1ый — (крГМЗИММ!)

Типичный отклик

% Модуляции по горизонтали и вертикали одинаковые

5 1015 20 25 30 35 40 45 50 55 Разрешение изображения, пл/мм

Стандартная 25 мм ОоиЫе Саиэк Г 4 &

я

I

--ЦгрлшлншН

и _ _____________

Разрешение изображения, I:я/мм ^ Разрешение изображении, ил/мм "

Рис. 5, Общая ЧЮС системы современных оптико-электронных систем с использованием двух различных оптических систем

Рис. 8. Фазовый анализ структуры

Рис. б. Исследуемая структура

Рис. 1. Бинаризованное изображение

Надежность и простота предложенного алгоритма позволяет использовать его при анализе сложных структур. Как показали экспериментальные исследования, с помощью этого алгоритма удалось повысить скорость и точность проведения морфометрического анализа за счет того, что определение таких важных количественных параметров, как периметры и площади элементов структур, происходит одновременно с процедурой сегментации.

Третья глава посвящена,подходам к повышению точности измерений в оптическом НК в рамках рассмотренной обобщенной модели оптико-электронной изображающей системы. Показано влияние совершенствования оптико-электронных трактов систем измерительного оптического НК и алгоритмической части на повышение точности измерений [1,2]. Приведены разработанные алгоритмы повышения точности измерений и оценки количественных характеристик в компьютерных системах оптического НК.

Как практический результат, реализованный в программном пакете БРЕСТИ. МЕТ, рассмотрен созданный нами алгоритм восстановления искаженного изображения с алгоритмом автоматического определения параметра регуляризации [20, 21].

Исследовано метрологическое обеспечение средств ОНК: применяемые тест-объекты и процесс калибровки программных измерительных средств по ним.

Существуют два принципиально разных подхода к устранению искажений.

Первый подход состоит в совершенствовании конструкции оптической и оптико-электронной части АПК, добиваясь минимума искажений в системе формирования изображений. Недостаток такого подхода состоит в неизбежном повышении сложности и, соответственно, снижении надежности аппаратной части, а также увеличении стоимости оборудования. Кроме того, сами процессы измерения могут быть связаны с различными неконтролируемыми факторами, искажающее влияние которых нельзя устранить конструктивным улучшением аппаратуры.

Второй подход устранения искажений заключается в реставрации самих изображений. Под реставрацией изображений обычно понимают процесс оценки: изображение, полученное в результате наблюдения или измерения, подвергают преобразованию, чтобы найти оценку идеального изображения, которое наблюдалось бы на выходе гипотетической изображающей системы, не вносящей никаких искажений. Процесс реставрации

предусматривает апостериорное обращение тех этапов формирования изображения, которые вызвали его искажение. При этом реальные явления, вызывающие искажения, заменяются их математической моделью.

Метрологическое обеспечение является неотъемлемой частью всякой измерительной системы. При этом каждый из двух подходов подразумевает свое метрологическое обеспечение. В первом случае - это различные геометрические меры, наилучшим образом воспринимаемые оптической системой (например, с наилучшим для данного освещения контрастом). Во втором случае - это такие паспортизуемые тест-объекты, которые позволяют построить адекватную математическую модель искажений оптико-электронного тракта. Если в первом случае тест-объекты являются внешними по отношению к системе, то второй тип тест-объектов в основном является встроенным в систему и больше, чем в предыдущем случае, зависит от конкретики системы (например, от используемого математического аппарата, алгоритмической части программного обеспечения и т.п.).

Обобщенную модель оптико-электронной изображающей системы можно представить в виде структурной схемы рис. 9. Математическая модель такой изображающей системы представляется выражениями, связывающими входы и выходы ее отдельных элементов.

Рис. 9. Структурная схема обобщенной модели изображающей системы

На рис. 9 функция С{а,Р) - распределение яркости объекта, функция ^"(^-распределение яркости в плоскости изображения, функция Р%(х,у) -распределение электрического сигнала, функция реальное цифро-

вое изображение, представляющее собой массив элементов дискретизованно-го изображения. Предполагается, что реальная оптическая система является линейной с пространственно-инвариантной импульсной характеристикой (функцией рассеяния точки). Связь указанных функций можно представить в виде:

К{х,У) = ЦЩх-Ьу-тйС&гМ&т!,

где Н(х,у)- импульсная характеристика оптической системы, % = Ма, т] = мр, М - масштабный коэффициент оптической системы,

где Q{-} - обобщенная передаточная функция преобразователя оптического сигнала в электрический, это преобразование понимается как поэлементное,

где первое уравнение представляет процесс пространственной дискретизации изображения, Лх,ду - шаги дискретизации, Р{х,у) - форма дискретизирую-щего импульса, 1К{} - обобщенная передаточная функция поэлементного квантования дискретизованного изображения.

При решении задачи восстановления изображений в работе предлагается использовать математическую модель цифровой искажающей системы (рис. 10), устанавливающей количественные соотношения между отсчетами наблюдаемого изображения F/t(ml,>n2) и значениями исходного изображения в узловых точках (отсчетах) F, (т, ,т2).

Цифровая FR(m1.m2)

система

Рис. 10. Модель цифровой искажающей системы

Предполагая, что искажающая система линейна и пространственно инвариантна, соотношение между ее входом и выходом определим уравнением двумерной свертки

= -"|,М2 -П2)Р,{П„П2), (1)

"I "з

где /г(/,у) - импульсная характеристика системы (ФРТ), причем £а(/,У) = 1.

и

Таким образом, задача цифровой реставрации сводится к обращению цифровой искажающей системы (1).

Процесс восстановления изображения состоит из двух этапов:

23

- идентификация импульсной характеристики системы (1);

- обращение системы (1).

Разработанные алгоритмы предполагают, что идентификация импульсной функции системы формирования изображения выполняется на основе оценки степени размытости границ точечных или линейных протяженных объектов. Такими объектами могут быть, например, границы зерен металла. При этом используется подход, основанный на построении так называемого градиентного изображения, на котором экстремальные значения этих "размытых" градиентов относятся к границам объектов, которые должны быть "видны четко", без размытости.

Для обращения системы (1) используются алгоритмы обработки изображений в частотной области при помощи преобразования Фурье, основанные на методе регуляризации Тихонова. Эти алгоритмы предусматривают следующие шаги: синтез передаточной функции восстанавливающего фильтра согласно расчетным формулам метода Тихонова регуляризации решений, вычисление преобразования Фурье от наблюдаемого изображения, умножение спектра наблюдаемого изображения на передаточную функцию восстанавливающего фильтра, вычисление обратного преобразования Фурье от восстановленного спектра изображения.

При численной реализации алгоритмов восстановления изображений были разработаны пути решения некоторых общих проблем восстановления изображений [20, 21]:

1. Так как функция, задающая цифровое изображение, определена на ограниченной области (квадрат, прямоугольник), на ее границах при восстановлении возникают существенные неустранимые ошибки. Поэтому в численной реализации метода Тихонова существенным является правильный переход к конечной области, в которой ищется решение. Для минимизации ошибки восстановления на границах, изображения область восстановления расширяется на величину локального носителя ядра свертки (функции рассеяния точки). Это всегда возможно, поскольку оценка неизвестной ФРТ является предварительным этапом восстановления изображения. После увеличения области восстановления решение ищется во всей расширенной области, а граничные эффекты проявляются только в зоне расширения.

2. Так как изображение в портативном микроскопе может иметь различную степень размытия в центре и по краям, предложено провести разбиение изображения на участки однородного размытия, в пределах которых ФРТ пространственно независима, и применять алгоритмы восстановления отдельно на каждом участке. Сложность данного подхода к восстановлению изображения состоит в последующей "склейке" этих участков, т.к. для исключения искажений на границах (п. 1) необходимо расширять область восстановления. Разработанный подход к решению этой задачи состойт в следующем: изображение разбивается на квадратные участки однородности ФРТ; каждый участок расширяется на величину носителя ФРТ с помощью черной рамки; далее применяется алгоритм восстановления, в результате которого данный участок изображения может сместиться и потерять симметричность относительно рамки; для "склейки" восстановленных участков необходимо удалить рамку каждого участка; процедура удаления рамок основана на статистических алгоритмах поиска границы изображения.

3. Поскольку точность оценки ФРТ (обязательный предварительный этап в восстановлении изображений) по расфокусированному изображению сильно зависит от качества яркостных перепадов "объект-фон", то в случае низкого контраста ФРТ может быть восстановлена с большими погрешностями, поэтому для оценки ФРТ предлагается использовать расфокусированное изображение тест-объекта (например, микрометрической линейки) с достаточно контрастными перепадами яркости.

4. Автоматизация алгоритмов восстановления изображений в специализированных программных комплексах вызывает следующую проблему. Применение метода регуляризации Тихонова для решения обратных задач сводится к построению последовательности регуляризирующих операторов, зависящих от некоторого параметра, при этом необходимо подобрать оптимальный параметр регуляризации, обеспечивающий наилучшее восстановление. Для решения указанной проблемы предлагается использовать специальный тест-объект, для которого предлагается эффективный автоматический алгоритм выбора оптимального значения параметра регуляризации.

Проведены экспериментальные исследования работы алгоритмов восстановления изображений для повышения точности измерений. На рис. 11 показаны: исходное изображение, "расфокусированное" и восстановленное.

В таблице 1 приведены численные значения основных геометрических параметров, подсчитанных для зерна, выделенного на рис. 12,

Результаты сравнительного анализа значений геометрических параметров искаженного и во остановленного изображений в этом случае показывают, что применение алгоритма восстановления позволяет повысить точность измерения, например площади и периметра, в среднем ira 6.5 %.

Рис. 11. Слева направо: исходное изображение, "расфокусированное" изображение, восстановленное изображение

Рис, 12. Исходное изображение (слева) с выделенным зерном, для которого подсчитаны геометрические параметры по результатам проведенного морфологического анализа (изображение справа) с помощью программы ЭРЕСТЯ-МЕТ

Таблица 1

Геометрический параметр Исходное , шифра жен не Расфокусированное изображение JLÏo сета но вл синие изображенне

| Площадь (¡ик'мк) 157.33 IB4.6I 168.78

( Периметр (мк) 57.73 63,56 59.48

I Форм-фактор 21.18 21.39 20.96

} Диаметр Фере X 19.72 2 LOS 21.08

Диаметр Фере У 11,90 ¡2.24 11.56

Максимальный диаметр (мк) 20, ЗЭ 21.86 21.77

Дт1на (мх) 20.08 21,69 21.56

Ширина (МЙ 11,42 12.02 11.41

На рис. 13 применен алгоритм восстановления с предварительным расширением области восстановления (для удаления полос по краям восстаиов-

.

лепного изображения).

Для автоматизции процесса нахождения оптимального параметра регуляризации были исследованы различные тест-объекты. Установлено [20, 21], что оптимальный результат дает использование тестового изображения в виде квадрата с верхней белой и нижней черной половинами (рис, 14). Это тестовое изображение искажается с помощью ФРТ, идентифицированной по исходному изображению, а затем восстанавливается параллельно с исходным.

О^паМгпвде ЗроЫ ¡гладе |_агде 5ро11вЙ

Рис. 13. Слева направо: исходное, "расфокусированное" и восстановлений^ изображение д

Алгоритм автоматического определения параметра регуляризации основам на более четком проявлении полосчатой структуры на тестовом изображении. Это позволило разработать автоматический алгоритм определения значения параметра регуляризации, при котором начинает появляться полосчатая структура па границах изображения.

На рис. 15 показана последовательность тестовых изображений, получающихся в результате работы алгоритмов. В данном примере в качестве оптимального выбирается параметр, соответствующий 4-му изображению (слева направо) в первом ряду. На рис. 16 приведена последовательность изображений, восстанавливаемых с использованием алгоритма автоматического восстановления при различных параметрах регуляризации. Промежуток из менения параметра а был выбран между 10"' и 10"|!. В результате работы алгоритма в качестве оптимальных значений параметра были выбранъ а - 7,9-10~!| и а = 7,9 ■ 10чг (на рис. 16 - изображения 1 и 3).

Результаты применения разработанных алгоритмов восстановления v, металлографическим изображениям, полученным на АПК SPECTR МЕТ, по-, зволяют сделать следующие выводы: 1. Высокую эффективность показал алгоритм автоматического поиск: оптимального значения параметра регуляризации при применении ме

тода Тихонова; при этом хорошо зарекомендовала себя идея использования тестового изображения.

Предложенные алгоритмы повышают точность измерений в среднем на 6-10 %.

Рис. 14. Тестовое изображение для выявления "полосчатой структуры" ¡•-сев 1 .ээьзв-сда 3.38118-0:0 7.вОЗе-ап

ШЩ

1.5049е-ОП Э.162Эе-Ш2 6.3ОЭБр-013 1.258М1Э

2.51'Зе-Й14 5011Эа-016 1е-015 опд1па1

¡игтттт,,!

Рис. 15. Изменение образа тест-изображений при изменении параметра регуляризации

1 - ?.343Э«-Й0

2-7.9(334-011

3.7.9(334-012 4-7

Т* ? | ¿—^ ■ | '

Рис. 16. Пример восстановления изображения 28

В четвертой главе рассматривается задача распознавания и повышения надежности контроля в структуроскопии. Проанализированы основные алгоритмы распознавания. Рассмотрены алгоритмы выделения признаков изображения и основные методы идентификации и классификации изображений. Описаны основные шаги разработанного при непосредственном участии автора алгоритма построения автоматического классификатора и автоматического распознавания в программе БРЕСТИ МЕТ [22, 23, 27]. Приведены примеры построения и результаты работы автоматических классификаторов.

Разработанный алгоритм распознавания и классификации металлографических структур позволяет повысить надежность контроля, снизив значение субъективного фактора при анализе изображений.

Автоматический классификатор представляется в виде дерева (рис. 17), где каждый уровень отражает процесс прохождения распознаваемого изображения по классификатору. Основными элементами, классификатора являются: узлы (обозначены кругами) и ребра (обозначены линиями).

П - к у^авекь

1-й эдшвень

2-й уровекь

3-й уровень

(п-1)-н зуовекь п-к урокень

Рис. 17. Структура автоматического классификатора

Узлы классификатора - классы, по которым автоматически распределяются исходные изображения. Исходные (подлежащие распознаванию) изображения первоначально лежат на нулевом уровне классификатора. С каж-

дым узлом связан один признак (эталонная характеристика исследуемой структуры) и одно или несколько эталонных изображений, по которым данный признак был построен. Узел нулевого уровня - вход классификатора. Каждый узел, начиная с первого уровня, имеет один вход и, в общем случае, несколько выходов (входы и выходы обозначены с помощью линий, соединяющих различные узлы). Узел может не иметь выхода.

Классификатор распределяет входные изображения по узлам (классам) согласно связанным с каждым узлом признакам. Изображение на входе узла может быть пропущено в него или нет. Если изображение попало в узел, оно подается далее по ребрам на узлы нижележащего уровня.

Изображение со входа классификатора проходит по ребрам через последовательность узлов и останавливается в одном или нескольких узлах. Изображение полностью распознано, если дошло до узла, имеющего вход и не имеющего выхода, и принято им; частично распознано, если дошло до узла (как минимум первого уровня) с выходами; не распознано, если осталось на нулевом уровне.

Таким образом, алгоритм построения классификатора состоит из следующих шагов: количественный анализ распознаваемых изображений и построение разделяющих признаков; задание структуры классификатора; реализация классификатора средствами пакета SPECTR МЕТ.

_J (boolean) Результат = (boolean) а < х « b (float) a - (dost) float

i ) ;......« 11.0

: (float) b = (float) float Ï ; ;......« 15.0

Среднее площади В- „J (irrt) Число интервалов ■ (int) int .....S 50

__J (data) Данные морфологического анализа * (сfais) Марфопомческни анализ изображения

* __] (unit) Едини up = (unit) wit

......•• микрон

tri- (binary image) Бинаризованное изображение » (binary image) Бинаризация

* (int) Левая граница " Ont) Автопорог 2

> Й"^! (image) Исходное изображение * (image) Медиана 5x5

В(image) Исходное изображение - (image) Преобразование кривой яркости ® "i_j (tone curve) Кривая яркости » (tone curve) Кривая яркости

V .....О (image) Исходное изображение

f (int) Правая граница - Ont) int

î 255

Й (image) Исходно? изображение » (image) Медиана 5x5 V.■-'-:■Сохранить -Назначить i Копировать:- I .Вырезать 1 ■ Вставить J Удалить j Отмена j

Рис. 18. Признак для распознавания феррито-перлитовой структуры, соответствующей баллу 2 по ГОСТ 8233

Функция по строения таблицы признаков, в которую сводятся данные о текстурных характеристиках изображений, данные морфометрического

30

анализа упрощает задачу построения разделяющих признаков Для распознавания структур по ГОСТ или зарубежному. С помощью этой таблицы данных находят количественные характеристики для классификации.

На рис. 18 приведен пример построенного признака для распознавания феррито-перлитовой структуры, соответствующей баллу 2 по ГОСТ 8233. Данный признак, кроме операций по вычислению геометрических и статистических параметров изображений, включает обработку анализируемых изображений медианным фильтром (для удаления шумов) и преобразование яркости с помощью яркостной кривой.

Пятая глава посвящена практическому применению разработанных методов повышения точности измерений при количественной оценке структур металлов, в частности, при определении остаточного ресурса промышленных объектов. Приведено описание созданного ряда портативных металлографических микроскопов МПМ и программного пакета анализа металлографических изображений БРЕСТЯ МЕТ и показан опыт их применения. Приводится описание разработанных алгоритмов автоматизированной обработки изображений в БРЕСТИ МЕТ: автоматическое выделение информативных частей изображения, алгоритм коррекции пятна повышенной яркости в центре изображения [24], алгоритм сегментации изображения при измерении размеров объектов хордовым методом, алгоритм прецизионного морфометриче-ского анализа (ПМА) для сегментации изображения [16].

На основе анализа требований к системам оперативной металлографии нами разработан и по настоящее время непрерывно совершенствуется АПК металлографического анализа БРЕСТЯ МЕТ (рис. 19). Комплексы БРЕСТЯ МЕТ позволяют непосредственно на объекте оперативно проводить полный, цикл металлографического контроля от подготовки поверхности и получения изображения до формирования отчета в соответствии с требованиями ГОСТ.

При разработке комплекса металлографического анализа БРЕСТИ. МЕТ были выдвинуты следующие требования:

- АПК должен быть портативным и мобильным для контроля непосредственно на объекте с различной геометрией поверхности, габаритами и затрудненностью доступа; по возможности одним оператором;

- АПК должен включать в себя оптимальный набор оборудования для подготовки поверхности объекта, получению изображений поверхности объекта с требуемым коэффициентом увеличения, анализа изображений и документирования его результатов;

- оптико-электронная система АПК должна обеспечивать качество изображения, достаточное для его корректного программного анализа;

- набор функций программного обеспечения АПК должен удовлетворять требованиям пользователя к анализу изображений и включать работу по ГОСТам и другим отраслевым нормативным документам;

Созданные мобильные АПК металлографического анализа SPECTR МЕТ предназначены для наблюдения, регистрации и количественной оценки структуры непосредственно на объекте. Комплекс включает: пишфовально-полировальиое оборудование для подготовки поверхности; портативный микроскоп МПМ; цифровой фото- или видеоканал с интерфейсом USD или IEEE 1394 для передачи кадров или видеопотока в портативный или настольный компьютер; программный пакет SPECTR МЕТ для обработки, анализа и документирования металлографических изображений. Микроскоп устанавливается непосредственно на объект и фиксируется магнитными пли вакуумными держателями.

Рис. 19. Аппаратно-программн ы й комплекс (АПК) SPECTR МЕТ: а - в лабораторном исполнении, 6 - в мобильном исполненин с видеоканалом, в - с фотоканалом.

В 2000 г. Отделом оптических и тепловых систем контроля ЗАО «МИНИН МНПО «СПЕКТР» При непосредственном участии автора был создан микроскоп МПМ-1К, в основном использовавшийся на предприятиях энергетики [17], В 2004 г. был создан ряд портативных металлографических микроскопов второго поколения МПМ-2У (рис. 20) для работы в труднодоступных местах, на поверхностях с малым радиусом кривизны и сложным профилем.

Микроскопы МПМ предназначены для металлографических исследований и ми кр о Дефектоскопии объектов в процессе эксплуатации без нарушения целостности объекта. Микроскопы МПМ могут также использоваться в лабораториях. Микроскопы МПМ работают с широко распространенными моделями цифровых фото- и малогабаритных видеокамер с помощью специально разработанных адаптеров.

Выпускается три варианта микроскопа МПМ-2У: МЛМ-2У-СП с минимальным диаметром установочной части - 39 мм; МПМ-2У- на платформе, регулируемой па высоте; МПМ-2У-КС- с двухкоординатным регулируемым по высоте столиком. Все варианты комплектации имеют магнитные держатели и автономное питание. Модульная конструкция прибора обеспечивает возможность замены установочных платформ. В таблице 2 приведены технические характеристики микроскопов МПМ.

Оптимизация оптических характеристик микроскопа проводилась на ос-ионе анализа частотно-контрастных характеристик передачи изображения с учетом светорассеяния а оптических элементах прибора, отражательных характеристик реальных, шлифов и особенностей восприятия изображений структур оператор о м-дефектоскоп и сто м.

Рнс. 20. Серп« портативных микроскопов МПМ-2У: а- МПМ-2У-СП, б - МПМ-2У-КС, в - МПМ-2У

Особое внимание при разработке микроскопов уделялось обеспечению высокого качества, изображения при работе в реальных условиях, т.е. яри наличии вибраций, пылевых загрязнений и т.п. факторов.

Характеристики МПМ-2У-СП МПМ-2У МПМ-2У-КС

Увеличение 100х,200х ,400х, 500х, 800х 100х, 200х, 400х, 500х, 800х 100х, 200х, 400х, 500х,800х

Габариты, мм 0 4Ох 195 (подставка: 0 39) 0 6Ох 195 92x 127x195

Масса*, кг 0,4 0,5 1,1

Питание, В 4,5 4,5 4,5

* - масса указана без фотоаппарата и фотоадаптера.

Микроскопы МПМ имеют следующие преимущества:

1. Качество изображения, близкое к стационарным системам.

2. Малые габариты и масса, автономный источник питания позволяют работать при затрудненном доступе к контролируемой поверхности.

.3. Магнитная система фиксации микроскопа на объекте позволяет работать при любой ориентации поверхности.

4. Простота изменения коэффициента увеличения; легкая установка средств документирования - цифровой фото- или видеокамеры.

5. Специально сконструированные адаптеры для цифровой фотокамеры и видеоканала обеспечивают идентичность полей зрения при визуальном наблюдении и при документировании.

6. Плавно регулируемая интенсивность освещения поля зрения.

Программный пакет обработки и анализа металлографических изображений БРЕСТИ. МЕТ является важной частью АПК БРЕСТ!*. МЕТ.

Программный пакет БРЕСТИ МЕТ работает с различными источниками изображений и включает широкий набор функций предварительной обработки изображений для повышения точности ручных и автоматизированных измерений. Фильтры обработки изображения позволяют: изменять яркость и контрастность изображения; удалять шум;' повышать резкость и подчеркивать границы элементов изображения для более точного позиционирования курсора при измерениях. Для ряда линейных фильтров, подчеркивающих границы объектов, посредством моделирования в системе МаЛСас! получены маски, позволяющие добиваться существенной коррекции изображения. Реализована возможность создания пользовательских фильтров для коррекции изображений. Реализована возможность создания макрокоманд, позволяющая программировать последовательность операций автоматической обработки изображения, при этом обрабатываться может либо одно изображение,

либо целый пакет изображений, что важно при работе с большим количеством графических файлов. Реализован специальный фильтр преобразования цветного изображения в черно-белое с максимальным сохранением контраста и минимальными потерями деталей. Реализована автоматическая функция удаления неинформативного черного поля изображения вокруг поля зрения микроскопа для исключения влияния неинформативных частей на результаты количественного анализа. Реализован аппарат коррекции характерных искажений чересстрочной структуры видеосигнала. Эффективная функция яркостного преобразования изображения с помощью задания кривой яркости и функция компенсации пересветки позволяют сглаживать яркостные перепады в центре и по краям изображений для повышения надежности их сегментации.

Среди специальных функций количественного анализа металлографических изображений необходимо отметить: функцию ручной или автоматической сегментации изображения (фазовый анализ) (рис. 21) для оценки процентных соотношений фаз в металлах; функцию калибровки для задания масштаба изображения по метрическому тест-объекту или масштабной метке; функцию определения неметаллических включений по ГОСТ 1778; функцию определения балла зерна по ГОСТ 5639; функцию анализа пористости со специально разработанным алгоритмом, с высокой точностью определяющим. количество и размеры пор на границах зерен металла и влияющих на прочностные свойства материалов; функцию интерактивного распознавания методом сравнения с эталонными изображениями; функцию построения автоматического классификатора для автоматизации распознавания структур металлов; функцию морфометрического анализа для выделения связных областей на изображении (например, зерен металлов), автоматического измерения морфологических и геометрических параметров объектов (частиц, порошков, зерен и т.д.) с возможностью построения таблиц и гистограмм распределения указанных параметров (рис. 22), документирование результатов анализа в файле отчета с сохранением анализируемых изображений.

Для повышения точности измерений в морфометрическом анализе (например, для выделения зерен при определения балла зерна), разработан новый алгоритм сегментации изображения - прецизионный морфометрический анализ (ПМА), на основе относительно нового метода сегментации - водораздела, позволяющего повысить точность определения размеров исследуемых объектов за счет более качественного выделения их границ [16]. Ниже приведены основные шаги алгоритма.

1. Определение яркостного порога "объект-фон" в ручном или автоматическом режиме.

2. Получение бинарного изображения применением алгоритма выделения связных областей [15] и проведение морфологического анализа.

3. Применение фильтра по размеру для удаления шумовых мелких объектов, чтобы исключить появление ложных маркеров.

4. Определение маркерных областей на изображении (каждая маркерная область - один связный объект) осуществляется с помощью алгоритма предельной эрозии или многошагового детектора, состоящего в проведении итерационной эрозии (количество шагов задается) с отслеживанием момента полного исчезновения объекта [16]. Маркерами являются объекты, не теряющие своей связности начиная с некоторого шага эрозии. Для регистрации момента разделения одного объекта на два или более на каждом шаге выполняется алгоритм выделения связных областей. Эрозия применяется, пока не исчезнут все объекты на изображении, либо до выполнения заданного количества шагов эрозии. Далее многократно применяется морфологическая операция наращения с переменным структурирующим элементом для автоматической расстановки маркеров связных областей. Результат работы этих алгоритмов - бинарное изображение с маркерными областями, каждая из которых - центр наращения объектов.

Результаты сравнительного анализа работы двух алгоритмов морфомет-рического анализа (обычного и ПМА) показывают, что алгоритм ПМА повышает точность измерений в среднем на 6,5 %.

Программный пакет включает следующие процедуры количественной оценки структур в соответствии с ГОСТ.

Определение неметаллических включений по ГОСТ 1778-70 в соответствии с методами испытаний К и Ш. Для упрощения процедуры анализа при работе по ГОСТ 1778-70 реализованы и автоматизированы все основные шаги методик К и Ш (рис. 23, 24). После разметки в интерактивном режиме неметаллических включений автоматически производится оценка количественных показателей для каждого типа неметаллических включений и формирует результат анализа в виде отчета.

Рис. 21. Результат фазового анализа структуры

Определение величины зерна по ГОСТ 5639-82. В программный пакет в и едены методики определения величины зерна сталей и сплавов и отшлифованных образцах по ГОСТ 5639-82 (от -3 до 14, всего 18 баллов) с учетом степени однородности структуры. Балл зерна рассчитывается методом хорд. Зерна автоматически классифицируются по размерам (рис. 25). Анализ зернистости можно проводить как в ручном, так и в автоматическом режимах.

Рис. 22. Результат морф о метрического анализа структуры

I

I

Рис. 23. Окно процедуры оценки неметаллических включений методом К

Рис. 24. Окне процедуры оценки неметаллических включений методом Щ

/ 1Г.'-.У .'. 'Г ".." . ■ .

Рис. 25. а - исследуемая структура (определение величины зерна по ГОСТ 5639), б - результат работы автоматического алгоритма определения балла зерна.

Скелетизацил изображения. Во многих действующих ГОСТах по металлографии эталонные структуры, с которыми необходимо сравнивать по-

пученные в результате анализа изображения шяифоа, имеют вид бинарной паркетной структуры, т.е. зерна металла (белые объекты), разделенные тонкими границами черного цвета. Функция скелетизаций позволяет получать такие структуры из полученных изображений для удобства визуального сравнения оператором.

Распознавание, При аналше структур металлов часто используют метод сравнения с эталонными изображениями. В программе предоставляется возможность создания альбомов с эталонными изображениями и введены удобные средства работы по данному методу. Альбом эталонных изображений содержит эталоны структур из ГОСТ 3443, ГОСТ 5640, ГОСТ 5233-56, ОС'Г 34-70-690.

Автоматический классификатор. С помощью встроенных программных средств возможно автоматизировать процедуру распознавания структур металлов, создавая пользовательские автоматические классификаторы [22, 23, 27]. При построении классификаторов допускается использовать все функции программы. Для упрощения процедуры построения классификаторов в программе имеется возможность создания, так называемой, таблицы признаков, содержащей набор количественных характеристик изображений микроструктур, по которым могут разделяться изображения металлографических шлифов в соответствии с ГОСТами,

В качестве метрологического обеспечения АПК используется объект-микрометр, представляющий собой металлическую пластину с углублением в центре, в котором находится зеркальная шайба с нанесенными рисками; расстояние между рисками - 10 МКМ (рис. 26). Измерения на изображениях структуры металла выполняются после выполнения процедуры калибровки на объект-микрометре, при которой задается масштаб изображения (коэффициент пересчета пикселов в абсолютные единицы длины).

: ■ ■А- .■■ .. ;■■ /я®

Рис. 26. Объект-микрометр Л ОМ О

Применение разработанных алгоритмов обработки и анализа изображений и методов повышения точности измерений при создании АПК ЗРЕСТИ МЕТ обусловило его следующие преимущества:

1. Высокая точность измерений единичных объектов и определения количественных характеристик структуры; калибровка модуля измерений для любого коэффициента увеличения. АПК БРЕСТИ МЕТ метрологически обеспечен аттестованным объект-микрометром.

2. Точность измерений и количественных оценок структур на расфокусированных и малоконтрастных изображениях, достигаемая с помощью специально разработанной технологии прецизионного морфометрического анализа (ПМА) и восстановления изображений с использованием метода регуляризации Тихонова.

3. Автоматическая и интерактивная сегментация изображения по яркости. Автоматический поиск пор и обсчет пористости.

4. Автоматизация определения количественных характеристик в соответствии с ГОСТ, подготовка стандартных форм отчетов.

5. Фильтры обработки изображения, специально разработанные с учетом особенностей изображений металлографии, способствующие повышению точности измерений.

6. Полная аппаратная независимость программного пакета БРЕСТИ. МЕТ от источника изображений и вычислительной базы.

7. Высокая надежность программного пакета БРЕСТИ МЕТ, подтвержденная пятилетним опытом эксплуатации на предприятиях энергетики, химии и нефтехимии, нефтегазовой промышленности, машиностроения.

8. Автоматизация обработки большого количества изображений. Простое и наглядное задание последовательности операций обработки, анализа и измерений, не требующее изучения специального языка программирования.

9. Простота и эргономичность управления. Управление программой разработано с учетом пожеланий пользователей.

10. Невысокая стоимость АПК БРЕСТИ МЕТ. При сравнимом качестве изображения и превосходящем наборе функциональных возможностей цена АПК БРЕСТИ. МЕТ в 2-3 раза ниже зарубежных аналогов.

Аппаратно-программный комплекс металлографического анализа БРЕСТИ МЕТ успешно используются в лабораториях неразрушающего контроля, лабораториях металлов, лабораториях коррозии и других подобных подразделениях на многих промышленных предприятиях машиностроения, энергетики, нефтегазовой промышленности, химии и нефтехимии.

Шестая глава посвящена практическому применению разработанных методов повышения точности измерений в оптико-телевизионных дефекто-

метрических системах. Описаны измерительные видеоскопические системы БХ 3, созданные Отделом оптических и телевизионных систем диагностики ЗАО «НИИИН МНПО «СПЕКТР» при непосредственном участии автора для оперативного контроля поверхностей различных объектов, обнаружения поверхностных дефектов и измерения их геометрических параметров.

Комплекс включает в себя блок телевизионных камер (БТК) с осветителями; соединительный кабель длиной до 30 м с линиями питания камеры и подсветки, управления камерой и передачи видеосигнала; блок питания и управления (БПУ); ноутбук (или настольный компьютер) и принтер. Для обнаружения люминесцирующих загрязнений или дефектов, выявленных методами люминесцентной капиллярной или магнитопорошковой дефектоскопии, была предусмотрена возможность оснащения системы УФ-осветителя-ми. Устройство ввода видеоизображения обеспечивает работу с цветными и черно-белыми телекамерами.

Оптическая схема БТК (рис. 28) включает камеру панорамного обзора с широкоугольным объективом 1, фронтальные осветители 3, камеру бокового обзора 2 с объективом 4, полосовые осветители 5, расположенные ортогонально относительно плоскости симметрии ТВ камеры 3 и осветители 6.

Светодиодные осветители 3 с регулируемой яркостью предназначены для подсветки объекта при панорамном обзоре. Отличительной особенностью подсистемы бокового обзора является наличие двух ортогонально расположенных в пространстве полосовых осветителей, формирующих на внутренней поверхности объекта световые линии, проецируемые под углами 45° к нормали для измерения глубины различно ориентированных дефектов методом светового сечения. Общая подсветка объекта при работе камеры бокового обзора осуществляется осветителями 6.

I

Рис, 27. Структурная схема де ф екто м етр и ч ее к о го комплекса ИХ 3

Конструкция блока БТК выполнена по модульному принципу, что позволяет быстро адаптировать комплекс к различным дефектоскопическим ситуациям, Базовый вариант БТК предназначался для работы в нормальных условиях. Выли также созданы конструкции БТК для работы в сложных условиях (загазованность, пары воды, пожароопасность и т.п.). Предусмотрена возможность оснащения блока видеокамер трансфокаторами объективов видеокамер и системой наведения измерительных лучей для удобства работы с объектами переменного внутреннего диаметра.

С помощью полосовых осветителей и камеры бокового обзора измеряются геометрические параметры (длина, ширина, глубина, ориентация, площадь, периметр и др.), а также расстояние до поверхности триангуляционным методом. Это позволяет повысить точность измерения дефектов за счет оперативного учета текущего масштаба изображения,

БТК перемещается внутри объекта контроля с помощью средства доставки (телескопическая штанга или колесная тележка) с координатным устройством для определения пространственного расположения дефекта. Координатное устройство передает в компьютер или отображает на собственном дисплее горизонтальную координату и, если это необходимо, угол поворота БТК вокруг своей оси.

I 1 I

1/ у //////////////////\

> 1

г \ /1 -----------

УЛ N к. 1/Ы* -1

1/ / //////////////////\

6

Рис. 28. Оптическая схема ВТК.

а. 6. е.

Рис. 29. Примеры обработки изображения: а - исходное изображение; б — обработкой повышены яркость и контрастность изображения; в - повышена четкость изображения.

Для измерения размеров дефектов в комплексе ЕЖ 3 используется метод светового сечения. При этом относительная погрешность измерения размеров поверхностных дефектов типа трещин, коррозионных изъязвлений и т.п. раскрывом от 1 мм не превышает 3%, если не происходит расфокусировки изображения из-за изменения диаметра объекта, изменений расстояния от БТК до стенки объекта и т.п. Это вызывает дополнительную погрешность, связанную с неточностью наведения курсора на центр измерительной световой линии из-за нерезкости изображения, увеличивая суммарную погрешность до 10%.

Программная часть комплекса состоит из трех программных модулей; модуля захвата изображения ИгатеСарШгег, модуля обработки изображений РгатеЕпЬапсег и модуля измерений ва^еРИО.

Перед началом работы в зону резкости измерительной камеры помещается аттестованный тест-объект. Фиксируется расстояние между рисками

I

I

и пикселах, затем вводится действительное расстояние в миллиметрах, таким образом вычисляется коэффициент пересчета для дальнейших измсрешшй.

В процессе контроля оператор наблюдает динамическое изображение в окне FrameCapturer с камеры прямого обзора ВТК, Движущегося внутри объекта. При наблюдении дефекта оператор переключается па измерительную камеру и подводит БТК к дефекту до совмещения с перекрестьем измерительных лучен. Изображение передается в модуль FrameEnliancer.

В модуле FrameEnhaticer имеются регулировки яркости, контрастности и четкости изображения, фильтры шума, фильтр подчеркивания границ дефектов, что существенно облегчает процесс измерений. Примеры обработки изображения с помощью FrameEnliancer показаны на рис. 29.

Далее изображение передается в модуль Gauge PRO (рис. 30). На изображении дефекта отмечают точки, между которыми должно быть измерено расстояние. При фиксации второй точки размер заносится в протокол, который может быть сохранен или распечатан ггосле любого количества измерений или по окончании контроля объекта.

Рис 30. Вид экрана измерительного модуля Gauge PRO

Для калибровки и метрологической аттестации системы DX 3 Используются линейные шкалы, концевые меры длины, набор нейтральных светофильтров, цифровой люксметр и проектор испытательных таблиц.

Система DX 3 успешно внедрена на ряде российских предприятий в областях производства оборудования для нефтегазодобычи, а также в энергетическом машиностроении. Комплекс может применяться также при люминесцентном капиллярном или магнитопорошковом контроле.

Седьмая глава посвящена практическому применению разработанных алгоритмов обработки и анализа изображений в радиографии, капиллярном [26] и магнитопорошковом контроле, для расшифровки радиографических снимков и анализа индикаций дефектов соответственно.

Общие требования, предъявляемые к данным АПК, во многом совпадают с требованиями для систем компьютерной оптической дефектометрии и металлографии. Однако имеется ряд специфических требований. Так, в АПК для радиографии ввод изображений осуществляется со сканера, поэтому для обеспечения точности измерений необходимо проверять однородность и устойчивость ввода изображений, а также производить периодическую калибровку сканера. В АПК для капиллярного и магнитопорошкового контроля, и в частности при использовании люминесцентных методов, помимо оптимизации спектральных характеристик фото и видеоканалов требуется контроль освещенности на поверхности объекта контроля в видимом и ультрафиолетовом спектральном диапазоне.

Аппаратно-программный комплекс SPECTR RAD. Комплекс создан Отделом оптических и телевизионных систем диагностики ЗАО «НИИИН МНПО «СПЕКТР» при непосредственном участии автора и предназначен для расшифровки радиографических изображений. В состав комплекса входит сканер для ввода радиографических снимков, ноутбук или настольный компьютер, специализированное программное обеспечение для обработки и анализа изображений и принтер для распечатки отчетов. Входящий в состав комплекса программный пакет SPECTR RAD позволяет проводить анализ изображений в ручном, полуавтоматическом или автоматическом режимах. Вся количественная обработка, выполняемая программой, соответствует требованиям ГОСТов и обеспечивает требуемый уровень достоверности. При создании программного пакета SPECTR RAD во многом применялись те же основные принципы и подходы, что и в программном пакете SPECTR МЕТ.

Основные функции программного пакета SPECTR RAD: ввод изображений со сканера или жесткого диска; фильтры для коррекции изображений и создание макрокоманд; калибровка по размеру и по оптической плотности (рис. 31), позволяющая проводить денситометрию (рис. 32); морфометриче-ский анализ для выделения на изображении связных областей (например, дефектов сварных швов); реализованные морфологические операции и геометрические фильтры по площади и форм-фактору позволяют удалять шум и компенсировать ошибки сегментации, а также исследовать структуры определенных геометрических параметров; автоматизированная работа по ГОСТ

7512 и 23055, включая оценку годности снимков к расшифровке, классификацию и измерение дефектов сварных соединений (рис, 33).

Для обеспечения высокого уровня точности проводимых измерений, разработаны программные алгоритмы оценки геометрической устойчивости ввода и общей погрешности денситометр^ по снимку для конкретного средства ввода в соответствии с ГОСТ 8.500-84, 8.559-93. В качестве метрологического обеспечения комплекса используются аттестованные наборы мер оптической плотности и радиографические эталоны.

Рис. 31. Окно калибровки по Оптической Рис. 32, Окно измерения оптической плот-плотности пакета SPECTR RAD ности пакета SPECTR RAD.

Разработка АПК SPECTR RAD началась в 2000 г., с тех пор комплекс постоянно усовершенствуется, дополняется новыми функциями, и успешно используются на многих промышленных предприятиях.

Рис, 33. Окно программного пакета SPECTR RAD определения и измерения дефектов сварных соеднений по ГОСТ 7512

!

Аппаратно-программный комплекс SPECTR VID. Комплекс предназначен для обработки и аиализа изображений индикаций дефектов в капил-

лярном и магнитопорошковом контроле. В общем случае АПК состоит (рис. 34) из системы обычного или ультрафиолетового освещения 1, оптической системы (состоящей из фильтра УФ-излучения 2, пропускающего видимый спектр и объектива 3), формирующей изображение на чувствительном ФПЗС-элементе ТВ-камеры 4, стандартный телевизионный сигнал с которой поступает в блок преобразования аналогового видеосигнала в цифровую форму (видео АЦП) 5, информация с которого поступает на компьютер 6 с периферийными устройствами хранения и вывода изображений - накопителем со сменными носителями, принтером и т.п. На компьютере установлено специализированное программное обеспечение для обработки и анализа изображений индикаций дефектов.

В случае локальной дефектоскопии в ограниченном поле или при невозможности доставки вычислительной части к объекту контроля, телевизионный канал с видео АЦП может быть заменен цифровой фотокамерой. В этом случае на объекте получают изображения индикаций, а затем в лаборатории проводят анализ по полученным цифровым изображениям.

При создании программного пакета SPECTR VID, входящего в состав АПК, применялись те же основные принципы и подходы, что и в программном пакете SPECTR МЕТ. Поэтому функции ввода с жесткого диска и сохранение изображений, преобразование и коррекция изображений, сегментация и морфометрический анализ, а также документирование результатов анализа, работают также как в SPECTR МЕТ. При этом основные функций программного пакета SPECTR VID можно объединить в следующие четыре группы: работа с файлами, обработка изображений, калибровка и измерения, морфология и анализ. В качестве метрологического обеспечения комплекса используются аттестованные линейки и тест-объекты, а также тест-объекты для капиллярного и магнитопорошкового контроля.

Блок работы с файлами, кроме стандартных операций открытия, закрытия, сохранения и сохранения под другим именем, включает еще систему упорядочения изображений по именам и каталогам. Система выполняет привязку группы изображений к объекту контроля, снабжает изображения доку-ментационными данными (время и дата выполнения контроля, материал объекта, и т.д).

Блок обработки изображений включает практически все описанные в пятой главе диссертации виды обработки изображений, причем для некоторых фильтров имеется несколько модификаций, учитывающих особенности изображения. Блок обработки изображений включает фильтр преобразования

цветного изображения в шкалу серого с возможностью регулировки соотно шения интенсивности цветовых составляющих.

Рис. 34. ОТУ регистрации и анализа капиллярных индикаций (пояснения см. в тексте)

Масштаб цифрового изображения (рис. 35, 36) задается калибровкой по аттестованному тест-объекту или масштабным меткам известных размеров или с известным расстоянием между ними па самом объекте контроля.

Сегментация изображения (рис. 37) - одна из основных операций анализа и позволяет производить быстрый анализ изображений индикаций, когда критерием отбраковки являются процентные соотношения бездефектной поверхности и индикаций несплошностей.

________:•-•>-'___ .. ._ __

Рис. 35. Окно калибровки пакета SPECTR VID

шттги

НзяилтвИег ч гсОД |Ь1чнс41ть *>:.' л, >."■ • _ -: ■ ■

Рис. 36. Окно заданий истинного расстояния

Морф ометр и Чёс кя й анализ позволяет выделять капиллярные и магнито-гюрошковые индикации и автоматически измерять многие морфологические и геометрические параметры: площадь, форм-фактор, ориентацию, максимальный диаметр, диаметры Фере, ширину, длину и эффективный размер объекта. По заданной совокупности таких численных характеристик может быть произведена отбраковка объекта контроля (детали, изделия и т.д.).

ЛПК SPECTR VID успешно используются ü лабораториях неразрушаю-щего контроля.

В восьмой главе рассмотрен подход к применению результатов количественного анализа поверхностных дефектов и структур металлов, полученных при помощи созданных аппаратно-программных комплексов, для решения задач определения остаточного ресурса. Предложена методика построения интерактивных автоматизированных систем оценки остаточного ресурса (ЛСООР) промышленных объектов.

Математический аппарат, реализованный для распознавания структур в

Рис, 37, Сегментация изображения

металлографии, после соответствующей модификации и обобщения оказался пригоден для решения более глобальной задачи - построения АСООР промышленных объектов [25]. При этом решение задачи оценки остаточного ресурса сводится к решению задачи распознавания текущего состояния объекта. В этом случае признаки строятся на основе дефектоскопической информации, полученной различными методами неразрушающего контроля - ультразвуковым, радиографическим, магнитопорошковым, капиллярным, оптико-визуальным (в т.ч. оптической дефектометрией и металлографией), тепловым и другими методами, твердометрией.

При построении АСООР, основанной на измерении диагностических параметров, можно выделить следующие основные этапы:

1. Формирование пространства диагностических параметров. Этап включает: определение зон, узлов и компонентов объекта, состояние которых определяет остаточный ресурс; выбор видов неразрушающего контроля для указанных зон, узлов и компонентов и определение набора получаемых диагностических параметров для каждого из них.

2. Создание базы эталонных характеристик. Этап включает: выбор периодичности контроля (в зависимости от времени эксплуатации или нагрузок); получение количественных (эталонных) значений выбранных диагностических параметров, отражающих состояние контролируемых зон и узлов объекта при регламентной диагностике в условиях штатной работы объекта. Данная информация, а также предельные значения диагностических параметров получают на этапе разработки и проведения ускоренных испытаний (в форсированных режимах) или в процессе эксплуатации объекта. Для каждого диагностического параметра определяется допустимый диапазон, соответствующий некоторому моменту процесса эксплуатации. Таким образом, состояние объекта характеризуется диагностическим вектором (или точкой) в пространстве параметров.

3. Разбиение (кластеризация) пространства диагностических параметров на непересекающиеся области, отражающих состояние объекта.

4. Выработка решающего правила отнесения состояния объекта к какой-либо области. Критерием принадлежности состояния объекта к определенной области является попадание значений компонент диагностического вектора в сформированные на втором этапе числовые диапазоны.

Под эталонными характеристиками здесь понимаются упорядоченные наборы диагностических параметров объекта, измеряемых при проведении

регламентного контроля объекта при расчетных нагрузках.

Основные шаги работы АСООР следующие:

1. Определение диагностических параметров контролируемых зон, узлов или компонентов объекта.

2. Сравнение полученных параметров с эталонными, значения которых заранее закладываются в систему.

3. Определение реального состояния объекта.

4. Определение остаточного ресурса по соотношению реального состояния объекта с номинальными (соответствующими периодам проведения контроля).

Структура АСООР представляется в виде диагностического дерева, где каждый уровень отражает фактический "возраст" объекта (рис. 38). Фактически уровни - это "возрастная" шкала, отражающая эксплуатационный ресурс объекта в соответствии с технической документацией.

Основными элементами АСООР являются узлы и ребра. Узлы АСООР -состояния, по которым автоматически распределяются исходные диагностические данные (одному уровню ("возрасту") могут соответствовать различные состояния объекта). Исходные данные первоначально лежат на нулевом уровне АСООР. С каждым узлом связан один признак (эталонная характеристика контролируемого объекта). Вход АСООР - узел нулевого уровня. Каждый узел, начиная с первого уровня, имеет один вход и, в общем случае, несколько выходов (входы и выходы обозначены с помощью линий, соединяющих различные узлы). Узел может не иметь выхода.

Результат работы АСООР - распределение входных наборов диагностических параметров по узлам (состояниям) в соответствии со связанными с каждым узлом признаками. Диагностический вектор, поданный на узел, пропускается в него, либо нет. Если вектор попал в узел, он подается далее по ребрам (линиям связи) на узлы нижележащего уровня.

Диагностический вектор со входа АСООР проходит по ребрам через последовательность узлов, в результате остановившись в одном или нескольких узлах. Чем ниже уровень, до которого опустился диагностический вектор, тем больше фактический "возраст" объекта и тем меньше остаточный ресурс.

Надо отметить, что данная система нуждается в дальнейшем развитии, что обусловлено, прежде всего, необходимостью учета различных

неблагоприятных факторов, возникающих в процессе эксплуатации и не предполагавшихся при проектировании объекта.

Вход

Уровень -1

Уровень 2

(*Л.«)[ (*,.0..«)| к.С;«) ](,,.£..«) к„с..«)

Ш Ш © Ш © © Уровень45

Рис. 38. Пример диагностического дерева для определения остаточного ресурса

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Решена важная народно-хозяйственная задача создания эффективных средств экспрессной технической диагностики изменения структуры металла ответственного оборудования в процессе эксплуатации. Применение этих средств увеличивает надежность диагностики и существенно сокращает ее стоимость, при этом диагностика сама по себе не снижает остаточный ресурс.

2. Разработан и внедрен аппаратно-программный комплекс БРЕСТК МЕТ для оперативного проведения непосредственно на объекте полного цикла металлографического контроля от подготовки поверхности до формирования отчета в соответствии с требованиями ГОСТов. Комплект аппаратуры в переносном исполнении весит не более 5 кг и обслуживается одним оператором.

3. В дополнение к АПК БРЕСТЯ МЕТ разработан и внедрен аппаратно-программный модуль автоматизированной количественной оценки питтинговой коррозии.

4. На основе разработанных алгоритмов, процедур и методов, реализованных в программном пакете SPECTR МЕТ созданы видеоскопиче-ский измерительный комплекс DX3, аппаратно-программный комплекс анализа радиографических изображений SPECTR RAD и аппаратно-программный комплекс SPECTR VID для анализа индикаций в капиллярном и магнитопорошковом методах НК.-

5. Теоретически и экспериментально исследованы основные искажения оптико-электронных систем оптического НК, снижающие точность измерений по изображениям. Разработана обобщенная математическая модель цифровой оптико-электронной регистрирующей системы для компенсации искажений с учетом их неоднородности в поле зрения оптического тракта.

6. Разработаны алгоритмы и реализованы программные модули компенсации искажений с учетом их неоднородности в поле зрения оптико-электронных систем цифровой металлографии на основе обобщенной математической модели цифрового оптико-электронного тракта и метода регуляризации Тихонова с автоматизацией выбора параметра регуляризации по минимуму артефактов на динамически синтезируемом тест-объекте.

7. Применение разработанных программных модулей компенсации искажений повысило точность количественных оценок структур металлов на 6,5%.

8. Разработан и реализован интерактивный алгоритм классификации изображений при оценке количественных параметров структур металлов по шкалам ГОСТ, для повышения объективности и производительности контроля.

9. Предложена новая методика построения интерактивных систем оценки остаточного ресурса промышленных объектов с использованием математического аппарата, разработанного для распознавания изображений структур в металлографии.

10. Внедрение АПК оперативной металлографии SPECTR МЕТ позволило проводить оперативный металлографический контроль в полевых условиях без разрушения материала объекта и снижения его остаточного ресурса; при этом производительность контроля повысилась до 4 раз.

11. Внедрены 58 единиц портативных металлографических микроскопов ряда МПМ, 32 аппаратно-программных комплекса оперативной металлографии SPECTR МЕТ - на объектах энергетики, нефтегазодобычи,

предприятиях машиностроения, транспорта, химии и нефтехимии, в лабораториях НК и ремонтно-диагностических организациях.

СПИСОК ОСНОВНЫХ ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Филинов М.В. Капиллярный контроль. В кн.: Неразрушающий контроль: Справочник в 7 т. Под общ. ред. В.В.Клюева. Т.4. Кн.З. - М.: Машиностроение, 2004

2. Филинов М.В., Фурсов A.C. Идентификация цифровой оптико-электронной системы формирования изображений // Контроль. Диагностика, 2003, N 11. С. 24-30.

3. Филинов М.В., Фурсов A.C. Цифровое восстановление изображений в оптической микроскопии для повышения точности измерений // Контроль. Диагностика, 2004, N 1. С. 44-49.

4. Кеткович A.A., Филинов М.В. Интегрированная компьютерная система обработки изобраясений для неразрушающего контроля // 14 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". Тезисы докладов. М.:1996, с. 281-282.

5. Кеткович A.A., Филинов М.В. Микротелевизионные системы в оперативной видеоэндоскопии объектов в условиях эксплуатации // 14 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". Тезисы докладов. М.:1996, с. 285-286.

6. Кеткович A.A., Филинов М.В. Информационная оценка дефектоскопической чувствительности оптико-электронных приборов контроля и диагностики // .14 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". Тезисы докладов. М.:1996, с. 288-289.

7. Maklashevsky V.Ya., Filinov V.N., Filinov M.V. Digital Processing of Roentgenographs and X-Ray Television Images in Aerospace Radiographic Testing // 7th ECNDT 1998. Proceedings, v. 1, pp. 326-333.

8. Ketkovich A.A., Kliouev V.V., Filinov M.V. PC-based Videoendoscopic system DX 2 for the Inspection of Internal surfaces of Pipes // 7,h ECNDT 1998. Proceedings, v. 1, pp. 334-339.

9. Филинов B.H., Кеткович A.A., Филинов М.В. Оптические и тепловые методы контроля в МНПО "СПЕКТР" // Контроль. Диагностика, 1999, № 5, с. 40-42.

Ю.Афошш A.B., Костиков Н.К., Письменная С.Н., Гончаров В.И., Филинов М.В., Кетковнч A.A. Измерительная оптико-телевизионная система контроля поверхностных дефектов. // 15 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". М.:1999. Тезисы докладов, т. 2, с. 46-47.

11.Филинов М.В. Анализ применения цифровых средств в оптико-визуальном контроле // 15 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". М.:1999. Тезисы докладов, т. 2, с. 4950.

12.Филинов М.В., Кетковнч A.A. Телевизионная дефектоскопическая система DX 3 SCH для контроля сотовых уплотнений авиадвигателей //15 Российская научно-техническая конференция "Неразрушающий контроль и диагностика".М.-.1999. Тезисы докладов, т. 1, с. 114-115.

13.Кетковнч A.A., Нанханов В.В., Филинов М.В. Методы снижения погрешностей измерения размеров дефектов методом светового сечения в цифровой телевизионной системе // 15 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". М.: 1999. Тезисы докладов, т. 2, с. 80-81.

М.Кеткович A.A., Филинов М.В. Моделирование и анализ процессов преобразования дефектоскопической информации в компьютеризованных видеоэндоскопических системах. // Контроль.Диагностика, 1999, № 8, с. 32-38.

15.Филинов М.В., Маклашевскнй В.Я., Кетковнч A.A. Ренгеновский флюороскоп. С. 2.560.741.

16.Филинов М.В., Фурсов A.C. Оптическая структуроскопия: проблемы моделирования и анализа // Контроль.Диагностика, 2003, N 7 (61). С. 8-17.

17.Филинов М.В., Фурсов A.C. Повышение точности измерений в компьютерной оптической структуроскопии // Контроль. Диагностика, 2003, N 10. С. 19-24.

18.Филинов М.В., Фурсов A.C., Филинов В.Н. Портативный компьютерный металлографический микроскоп для мониторинга структуры металлов в условиях эксплуатации // Контроль. Диагностика, 2003, N 3 (57). С. 17-23.

19.Филинов М.В., Кетковнч A.A., Фурсов A.C., Филинов В.Н. Оптическая структуроскопия - проблемы анализа // Тезисы докладов 3-й международной конференции "Компьютерные методы и обратные задачи в неразрушаю щем контроле и диагностике", 2002.

20.Филинов М.В., Фурсов А.С. Методы цифровой обработки изображений в оптической микроскопии // Контроль. Диагностика, 2004, № б. С. 6-22.

21.Филинов М.В., Фурсов А.С. Алгоритмы цифрового восстановления изображений в оптической микроскопии для повышения точности измерений // Контроль. Диагностика, 2004, № 7. С. 22-28.

22.Филипов М.В., Фурсов А.С., Филинов В.Н. Разработка эффективных алгоритмов для повышения точности измерений И Тезисы 16-й Международной конференции по НК - Монреаль, Канада, 2004.

23.Филинов М.В., Фурсов А.С. Проблемы компьютерной классификации структур в неразрушающем контроле // Контроль. Диагностика, 2005, № 4. С. 15-19.

24.Филинов М.В., Фурсов А.С. Алгоритмы компьютерной классификации структур в неразрушающем контроле // Тезисы докладов 4-й международной конференции "Неразрушающий контроль и техническая диагностика в промышленности", 2005.

25.Филинов М.В., Фурсов А.С. Автоматизация алгоритмов обработки изображений в неразрушающем контроле // Контроль. Диагностика, 2005, № 10. С. 8-12.

26.Филинов М.В., Фурсов А.С., Клюев В.В. Подходы к оценке остаточного ресурса технических объектов // Контроль.Диагностика, 2006, № 8. С. 616.

27.Filinov M.V., Fursov A.S. Penetrant Testing: The Software Tool for Comparison of Sensitivity and Estimation of Contrast, Color and Brightness Characteristics of Penetrant Systems // Abstracts-of 9 Eur. NDT Conf. - Berlin, Germany, 2006.

28.Filinov M.V., Fursov A.S. Optical Microscopy and Metallography: Recognition of Metal Structures using Customizable Automatic Qualifiers // Abstracts of 9 Eur. Conf. on NDT - Berlin, Germany, 2006.

29. Свидетельство об официальной регистрации программы для ЭВМ SPECTR МЕТ № 2005610650 от 17.03.2005

30.Свидетельство об официальной регистрации программы для ЭВМ SPECTR RAD № 2005610649 от 17.03.2005

31. Заявка на изобретение № 2007102036 «Устройство обнаружения и измерения поверхностных дефектов» / М.В.Филинов, А.А.Маслов

32. Заявка на изобретение № 2007102037 «Способ контроля качества дефектоскопических материалов» / М.В.Филинов, А.А.Маслов, А.С.Фурсов

Введение

Глава 1. Методы оптического НК для количественных оценок поверхностных дефектов и структур металлов.

1.1. Оптические системы

1.2. Погрешности измерений

1.3. Погрешности изображения (аберрации) в ОС и их влияние на точность измерений

1.4. Качество изображения в ОС

1.5. Эталонное и метрологическое обеспечение контроля оптических систем и преобразователей оптического изображения.

1.6. Оптическая дефектоскопия и дефектометрия

1.7. Оптическая структуроскопия

1.8. Оптический контроль структуры металла

Глава 2. Преобразование и обработка информации в оптическом неразрушающем контроле

2.1. Преобразователи оптического изображения (ПОИ)

2.2. Преобразование изображений в цифровую форму.

2.3. Предварительная обработка изображений

2.4. Количественная оценка параметров объектов и структур по цифровым изображениям

2.5. Программное обеспечение систем анализа изображений

Глава 3. Подходы к повышению точности измерений в оптическом неразрушающем контроле

3.1. Совершенствование оптических и оптико-электронных компонент систем измерительного оптического контроля для повышения точности измерений

3.2. Алгоритмы повышения точности измерений и оценки количественных характеристик в компьютерных системах ОНК.

3.3. Метрологическое обеспечение средств ОНК.

Глава 4. Проблема распознавания и повышение надежности контроля в структуроскопии

4.1. Выделение признаков изображения

4.2. Автоматическая классификация структур.

4.3. Практические результаты построения автоматических классификаторов.

Глава 5. Практическое применение разработанных методов повышения точности измерений.

5.1. Применение портативных компьютерных систем в металлографии.

5.2. Портативные микроскопы

5.3. Программный пакет анализа металлографических изображений SPECTR МЕТ.

Глава 6. Компьютерные телевизионные системы для контроля внутренних поверхностей и метрологическое обеспечение

6.1. Компьютерные телевизионные системы для контроля внутренних поверхностей.

6.2. Метрологическое обеспечение.

6.3. Программное обеспечение

Глава 7. Применение разработанных аппаратно-программных средств для повышения точности количественных оценок в других методах НК с оптическим наблюдением.

7.1. Оптические методы и средства в радиографии.

7.2. Применение компьютерных систем в радиографии.

7.3. Оптические методы и средства в магнитопорошковом и капиллярном контроле.

7.4. Применение компьютерных систем в магнитопорошковом и капиллярном контроле.

Глава 8. Оценка остаточного ресурса как задача распознавания состояния объекта.

8.1. Структура автоматической системы оценки остаточного ресурса.

8.2. Пример оценки остаточного ресурса трубопровода питательной воды (реакторное отделение) барабан-сепаратора энергоблока РБМК-1000 с использованием модели пространства состояний объекта с древовидной структурой.

Определение остаточного ресурса, диагностика состояния и продление сроков эксплуатации объектов - важные современные задачи в энергетике, химической промышленности, добыче и переработке нефти и газа, а также других отраслях промышленности РФ и стран СНГ, в которых применяются техногенно-опасные производства. В этих отраслях наблюдается значительный износ оборудования в совокупности с неточными и неполными данными по истории нагрузок, а возможно и перегрузок.

В электроэнергетике износ основных фондов самый большой и приближается к 60%, а на отдельных ТЭС, ГЭС и АЭС, по данным комитета Госдумы по энергетике, износ оборудования приближается к 70%, что соответствует стадии закритического старения. Это недопустимо с точки зрения безопасности эксплуатации и требует масштабных инвестиций для проведения необходимого технического перевооружения и ремонта.

В нефтегазовом комплексе степень износа составляет около 50%; фактическое время эксплуатации отдельных его видов значительно превышает нормативные показатели. В такой ситуации высока вероятность техногенных катастроф.

Степень износа отдельных видов бурового оборудования нефтегазового комплекса достигает 72%, что вызвало, например, снижение на 38% объема буровых работ в России в 2002 года по сравнению с 2001 г. (данные Министерства промышленности, науки и технологий РФ).

Модернизация оборудования протекает довольно медленно. Вместе с тем количество потенциально опасных промышленных объектов постоянно увеличивается, возрастают требования к точности и оперативности прогнозов и оценок состояния.

Важными характеристиками, влияющими на остаточный ресурс, являются параметры структуры металла (например, балл зерна), из которого изготовлен объект. В ходе эксплуатации в металле происходят изменения, связанные с процессами старения, межкристаллитной коррозии, обезуглероживания, с ростом зерна, фазовым наклепом, сфероидизацией перлита и т.п. Эти изменения влияют на эксплуатационную надежность оборудования и могут быть оценены с помощью металлографического анализа, твердометрии, ко-эрцитиметрии.

Технология мониторинга структуры металла включает в себя: определение мест контроля, подготовку шлифов, металлографический анализ средствами микроскопии с записью и компьютерной обработкой изображений микроструктур, наполнение базы данных по микроструктурам металла образцов (электронный атлас) и работу с этой базой.

Обычно анализ микроструктуры проводят в лаборатории на взятых из объекта образцах. В этом случае микрообразцы в зонах элементов контролируемого оборудования (паропроводов, роторов турбин и др.) получают методом электроэрозионной вырезки. Микрообразцы берут из регламентируемых зон оборудования, определенных с учетом расчета напряженного состояния, результатов неразрушающего контроля и опыта контроля повреждений стареющего оборудования.

Классическая технология металлографического анализа с вырезом образца трудоемка, требует больших затрат времени и главное - сама по себе снижает остаточный ресурс объекта, так как фактически вводится лишний дефект. Альтернативный метод реплик является неразрушающим и не снижает остаточный ресурс, но дает малоконтрастное изображение, не позволяющее проводить измерения с высокой точностью из-за трудности выделения объектов.

В связи с этим целесообразно проводить анализ структуры металла непосредственно на поверхности контролируемого объекта с помощью мобильного комплекса для оперативной металлографии. В состав такого комплекса должен входить крепящийся на поверхность объекта контроля переносной микроскоп, оснащенный цифровым фотоаппаратом или видеокамерой, соединенной с переносным компьютером, а также портативное оборудование для подготовки микрошлифов.

Таким образом, назрела объективная необходимость разработки и внедрения современных систем оперативной компьютерной металлографии на базе портативных микроскопов, отвечающих всем требованиям эксплуатации в полевых условиях, позволяющих диагностировать состояние металла с частичным выводом или вообще без вывода объекта контроля (ОК) из эксплуатации. Портативность оборудования и необходимость контроля в полевых условиях требуют применения специальных алгоритмических средств для получения изображений качества, необходимого для достижения высокой точности измерений. Высокая точность получаемых количественных оценок необходима для достижения приемлемой точности прогноза остаточного ресурса. В свою очередь, точное прогнозирование остаточного ресурса промышленного оборудования существенно снижает риск техногенных катастроф.

Проблема обеспечения техногенно-опасных отраслей современными средствами оперативной компьютерной металлографии потребовала решения самостоятельной научно-технической задачи по созданию портативных аппаратно-программных комплексов (АПК) металлографического контроля, созданию методического обеспечения оперативной количественной металлографии и дефектометрии, а также разработки и реализации алгоритмов, повышающих точность измерений. При этом появляется необходимость разработки нового метрологического обеспечения для цифровых систем оптического контроля, учитывающего специфику применения алгоритмов, повышающих точность измерений.

Контроль состояния структуры металла объекта с помощью методов оптической металлографии при определении остаточного ресурса объекта должен использоваться совместно с другими методами НК - рентгенографическим, капиллярным, магнитопорошковым и акустическим. Результаты, полученные разными методами, должны нормироваться (что облегчается применением цифрового представления данных) и затем совместно обрабатываться и интерпретироваться системами оценки остаточного ресурса.

Обеспечение соответствия цены средств контроля российским реалиям - еще одна актуальная задача, решаемая при разработке портативных систем технической диагностики.

В диссертации обобщены результаты теоретических и экспериментальных исследований автора по перечисленным проблемам, выполненных в Отделе оптических и телевизионных систем диагностики ЗАО «НИИИН МНПО «СПЕКТР».

Цель работы - создание портативных АПК для оперативной металлографии непосредственно на объекте без снижения его остаточного ресурса, и по возможности без вывода объекта из эксплуатации; повышение точности измерений геометрических параметров поверхностных дефектов и определения численных характеристик структур металлов для повышения точности определения остаточного ресурса.

Для достижения поставленной цели решены следующие задачи: 1. Разработаны портативные средства металлографической микроскопии для оперативных исследований непосредственно на ОК и на их основе

- портативный аппаратно-программный комплекс, позволяющий оперативно проводить полный цикл металлографического контроля.

2. Разработаны автоматизированные процедуры анализа изображений для повышения производительности контроля в полевых условиях.

3. Разработан математический аппарат компенсации искажений изображения для повышения точности измерений. Для решения этой задачи потребовалось построить обобщенную математическую модель цифровой оптико-электронной регистрирующей системы с учетом неоднородности искажений в поле зрения оптического тракта и особенностей металлографических изображений.

4. Создан интерактивный алгоритм классификации изображений структур металлов для оценки количественных параметров структуры методом сравнения со шкалами ГОСТ.

5. Разработаны портативные средства дефектометрии микродефектов поверхности.

6. Внедрен в практику ряд новых портативных цифровых измерительных металлографических систем полного цикла исследований с обеспечением оценки количественных параметров структуры металла и микродефектов в соответствии с ГОСТ.

Научная новизна работы состоит в следующем.

1. Исследовано и проанализировано влияние ЧКХ оптико-электронных трактов на погрешность измерения размеров поверхностных дефектов.

2. Разработаны и реализованы алгоритмы компенсации искажений с учетом их неоднородности в поле зрения оптико-электронных систем цифровой металлографии на основе обобщенной математической модели цифрового оптико-электронного тракта и метода регуляризации Тихонова с автоматизацией выбора параметра регуляризации по минимуму артефактов на динамически синтезируемом тест-объекте.

3. Разработан и реализован интерактивный алгоритм классификации изображений структур металлов для повышения объективности и производительности контроля.

4. Разработана технология автоматизированной оперативной качественной и количественной оценки состояния структуры металла с помощью АПК SPECTR МЕТ с подготовкой данных для дальнейшего анализа при определении остаточного ресурса промышленных объектов.

Диссертационная работа состоит из 8 глав, введения и заключения.

В 1-й главе дан обзор состояния проблемы повышения точности измерений. Дана общая характеристика методов оптического НК для количественных оценок поверхностных дефектов и структур металлов. Выполнен обзор оптических характеристик и особенностей изображений структур и характерных поверхностных дефектов металлов. Представлен обзор приборов оптического контроля, методов измерений размеров поверхностных дефектов и определения количественных характеристик структур металлов. На основании сделанного обзора определяется цель работы, задачи исследований и пути их выполнения. Решению поставленных задач посвящены последующие главы диссертации.

Во 2-й главе рассмотрена общая структура АПК для получения, обработки, анализа и документирования цифровых изображений в оптической дефектометрии и металлографии. Проанализированы искажения, вносимые цифровой частью аппаратно-программных комплексов и приводящие к снижению точности измерений.

Сделан подробный анализ влияния характерных искажений оптических систем, преобразователей оптического изображения в электрический сигнал на точность измерений размеров объекта по его изображению.

Рассмотрены методы количественной оценки параметров структур по цифровым изображениям. Отдельно проанализированы и систематизированы количественные параметры дефектов, определяемые по металлографическим и радиографическим изображениям, а также по изображениям индикаций дефектов в магнитопорошковом и капиллярном контроле.

В 3-й главе рассматриваются подходы к повышению точности измерений в оптическом НК. Выделяются два подхода к решению задачи снижения погрешности измерений в оптическом неразрушающем контроле (ОНК): (1) - совершенствование аппаратной части приборов ОНК и (2) - разработка алгоритмов обработки и восстановления изображений для компенсации искажений, вносимых аппаратной частью. Показано, что именно второй подход приемлем для повышения точности измерений по изображению в системах с портативными оптическими средствами, так как улучшение оптической и оптико-электронной части неизбежно усложняет конструкцию, что снижает надежность и увеличивает габариты оптической части.

Далее рассматривается и анализируется метрологическое обеспечение измерительных систем оптического контроля, соответствующее первому и второму подходам.

Построены и исследованы математические модели реальной и идеальной цифровых изображающих систем, на основе которых с использованием метода регуляризации Тихонова разработаны и реализованы алгоритмы компенсации искажений с учетом их неоднородности в поле зрения оптико-электронных систем цифровой металлографии. Для повышения производительности работы созданных алгоритмов и повышения объективности результатов восстановления изображения разработан метод автоматического выбора параметра регуляризации по минимуму артефактов на динамически синтезируемом тест-объекте, что представляет научную новизну работы. Был успешно решен ряд задач, связанных с применением метода регуляризации Тихонова к восстановлению дискретных изображений, с учетом особенностей изображений металлографии, что также представляет научную новизну в работе. Практическая ценность полученных результатов состоит в снижении погрешности измерений по изображениям, полученным с помощью портативных средств оперативной металлографии, на 6,5%, что приближает портативные средства по возможностям к стационарным.

В 4-й главе рассматривается задача распознавания и повышения надежности контроля в структуроскопии. Проанализированы основные алгоритмы распознавания. Рассмотрены алгоритмы выделения признаков изображения и основные методы идентификации и классификации изображений. Описаны основные шаги разработанного алгоритма построения автоматического классификатора и автоматического распознавания в программе SPECTR МЕТ. Приведены примеры построения и результаты работы автоматических классификаторов.

Разработанный алгоритм распознавания и классификации металлографических структур позволяет повысить надежность контроля, снизив значение субъективного фактора при анализе изображений.

В 5-й главе рассматривается практическое применение разработанных методов повышения точности измерений при количественной оценке структур металлов, в частности, при определении остаточного ресурса промышленных объектов.

Приведено описание созданного при участии автора ряда портативных металлографических микроскопов МПМ, аппаратно-программных комплексов оперативной металлографии - стационарного SPECTR МЕТ и мобильного SPECTR МЕТ М и одноименного программного пакета анализа металлографических изображений и показан опыт их применения. Приводится описание разработанных алгоритмов автоматизированной обработки изображений в SPECTR МЕТ: автоматическое выделение информативных частей изображения, алгоритм коррекции пятна повышенной яркости в центре изображения, алгоритм сегментации изображения при измерении размеров объектов хордовым методом, алгоритм прецизионного морфометрического анализа (ПМА) для сегментации изображения.

6-я глава посвящена практическому применению разработанных методов повышения точности измерений в оптико-телевизионных дефекто-метрических системах. Описаны разработанные автором измерительные ви-деоскопические системы DX 3 для оперативного контроля поверхностей различных объектов, обнаружения поверхностных дефектов и измерения их геометрических параметров.

7-я глава посвящена практическому применению разработанных алгоритмов обработки и анализа изображений в радиографии, капиллярном и магнитопорошковом контроле, для расшифровки радиографических снимков и анализа индикаций дефектов соответственно. Рассмотрены особенности наблюдения индикаций люминесцентного капиллярного и магнитопорошко-вого контроля в ультрафиолетовом освещении; яркостные, контрастные и геометрические характеристики и особенности индикаций контрастного и люминесцентного капиллярного и магнитопорошкового контроля. Описываются перспективные разработки Отдела оптических и телевизионных систем диагностики (НИО-7) ЗАО «НИИИН МНПО «СПЕКТР» в данной области: программный инструмент для выделения и оценки размеров индикаций, а также методика сравнительной оценки чувствительности и поведения различных наборов средств капиллярной дефектоскопии на тест-объектах JIS Z 2343-3. Описана перспектива расширения методики на сравнительную оценку чувствительности поведения магнитопорошковых средств на тест-объекте MTU№3.

В 8-й главе рассмотрен подход к применению результатов количественного анализа поверхностных дефектов и структур металлов, полученных при помощи созданных аппаратно-программных комплексов, для решения задач определения остаточного ресурса. Предложена методика построения интерактивных автоматизированных систем оценки остаточного ресурса (АСООР) промышленных объектов.

Математический аппарат, реализованный для распознавания структур в металлографии, после соответствующей модификации и обобщения становится применимым для решения более глобальной задачи - построения АСООР промышленных объектов. При этом решение задачи оценки остаточного ресурса сводится к решению задачи распознавания текущего состояния объекта.

Основные результаты работы докладывались и обсуждались на российских и международных конференциях - с 1-й по 6-ю включительно Международных конференциях «Неразрушающий контроль и техническая диагностики в промышленности» (Москва, 2000-2006 г.г.), 3-й международной конференции "Компьютерные методы и обратные задачи в неразрушающем контроле и диагностике" (Москва, 2002 г.), 15-й Всемирной конференции по неразрушающему контролю (Рим, 2000 г.), 16-й Всемирной конференции по неразрушающему контролю (Монреаль, 2004 г.), 7-й, 8-й и 9-й Европейской конференциях по неразрушающему контролю.

Основные результаты работы опубликованы в журнале «Контроль. Диагностика», монографии и материалах российских и международных конференций.

Выводы. Результаты применения алгоритмов восстановления, рассмотренных в настоящей работе, к изображениям микроскопических шлифов, полученных с помощью оптико-электронной системы позволяет сделать следующие выводы. Во-первых, высокую эффективность показал алгоритм автоматического поиска оптимального значения параметра регуляризации при применении метода Тихонова; при этом хорошо зарекомендовала себя идея использования тестового изображения. Во-вторых, предложенные алгоритмы обработки фрагментированного изображения позволили получить хорошие результаты по "склейке" фрагментов, обработанных отдельно; при этом основная трудность состоит в подборе оптимальных значений параметров регуляризации для каждой части изображения, позволяющих свести к минимуму ошибки, возникающие по линиям "склейки". Необходимо отметить, что более эффективным оказывается алгоритм восстановления с пересекающимися фрагментами.

Использование указанных алгоритмов в программах по анализу металлографических изображений позволяет повышать точность измерений геометрических параметров объектов за счет улучшения качества визуального восприятия изображений.

3.3. Метрологическое обеспечение средств ОНК

Метрологическое обеспечение средств и систем оптического неразрушающего контроля должно включать аттестованные меры длины -линейки, объект-микрометры и др. В набор средств метрологического обеспечения, в зависимости от применяемого вида контроля (например, при использовании метода светового сечения) могут также применяться аттестованные концевые меры длины - т.н. плитки Иогансона.

Аттестованные меры длины типа линеек следует применять при использовании измерительных систем анализа изображения в капиллярном и магнитопорошковом контроле, а также при классической телевизионной дефектоскопии; объект-микрометры применяются при измерительных микроскопических исследованиях, например, микродефектов или структуры металла.

Рассмотрим метрологическое обеспечение измерительного телевизионного видеоскопа, измеряющего длину, ширину и глубину (высоту) неоднородностей внутренней поверхности объекта контроля на примере созданной НИО-7 ЗАО «НИИИН МНПО «СПЕКТР» при непосредственном участии автора системы DX3DC.

Калибровка и метрологическая аттестация системы DX3DC для измерения размеров дефектов на поверхности изделия производится с помощью образцов мерных шкал.

Процедуры калибровки и аттестации системы DX3DC при измерении глубины (высоты) дефектов методом светового сечения производились по специально разработанной методике. Методика основана на использовании эталонов типа ступеньки, формируемых из набора плиток Иогансона, т.е. набора концевых мер длины, изготавливаемых заводом "Калибр".

Меры различной длины образовывали ступеньки величиной от АН от 0,05 мм до 10 мм (рис. 3.43).

Курсор в

Рис. 3.43. Калибровочный эталон для системы DX3DC

Меры притирались к основанию (калиброванная плоская массивная пластина из кварца). Характерные размеры мер А = 1(Н40 мм; 5=10 мм.

Эталонный объект размещался перед блоком ТВ-камер таким образом, чтобы профиль светового сечения располагался по центру ступенек, а его ориентация была ортогональна плоскости (рис. 3.43 а).

Погрешность величины ступенек определялась погрешностью линейных мер (0,001 мм), т.е. соответствует относительной погрешности 1% для минимального размера Д#=0,1 мм.

Калибровка системы DX 3 заключалась в наведении курсора на верхнюю, и, соответственно, нижнюю ветви светового сечения и измерения их координат в значениях пикселов дисплея, т.е. Дх = х, - х2 (рис. 3.43 в). Затем определялся масштаб преобразования координат в действительное расстояние М = ДЯ/Дх , мкм/пиксел.

Масштаб Мопределяется как среднее из ряда измерений: ix

М=^п где п - число измерений, М t - /-е значение М.

Калибровка производилась для обоих каналов системы, при этом блок канавки мер поворачивали на 90° в плоскости основания.

Для исследования влияния поперечного размера (ширины) объемного дефекта на погрешность измерения его глубины (высоты) нами предложена специальная "вертикальная" мира.

Она, как и в первом случае, основана на применениии концевых мер, но располагаются меры не вплотную друг к другу, а с фиксированным зазором, определяемым толщиной прокладки At (рис. 3.43 б).

Варьируя толщину прокладки At, получаем возможность исследования метрологических характеристик системы в двухпараметровом пространстве (АН и А?), т.е. функции АН = f (А/).

Толщина прокладок изменялась от 0,1 до 5 мм.

Исследования проводились для характерных параметров дефектов изделий, на диагностику которых ориентирована система DX 3, т.е. А/^0,1-Ю,3 мм, АН ~0,5-И,0 мм, при оптическом увеличении объектива ТВ-камеры Д

0,Г ()то соответствует типовому расстоянию объектив-поверхность изделия I ~ 100 мм и типичному значению фокусного расстояния объектива /'=10 мм).

Установлено, что для этих условий ширина дефекта при At > 1 мм практически не влияет на погрешность измерения его глубины (высоты). При этом относительная погрешность измерения элементов профиля дефекта не АН превышает ——»1%. При уменьшении ширины раскрытия трещин (до Н

0,2-Ю,3 мм) происходит увеличение этой ошибки до значения АН ~ 1,0%.

Материал прокладок выбирался с учетом максимального приближения оптико-физических характеристик их поверхности (коэффициент отражения, индикатриса рассеяния, цветность и т.д.) к соответствующим характеристикам материала реального объекта для выполнения принятого в метрологии принципа подобия физических характеристик объекта и эталона. Для машиностроительных изделий из металла, диагностируемых системой DX3DC, наиболее пригодными оказались шлифованные пластины из стали с чистотой поверхности Rz = 0,5 мкм. Для изделий из диэлектриков использовались прокладки из оргстекла с различной шероховатостью рабочего торца.

Описанные выше эталоны, рекомендованные для метрологической аттестации систем типа DX3DC в процессе их эксплуатации, успешно прошли апробацию в производственных условиях и включены в комплект средств метрологического обеспечения этих систем.

Метрологическое обеспечение систем SPECTR МЕТ. Так как системы металлографической микроскопии SPECTR МЕТ предназначены для решения многих задач количественной металлографии - определение балла зерна, неметаллических включений и т.п., они также метрологически обеспечены. В качестве метрологического обеспечения выступает т.н. объект-микрометр JIOMO.

Объект-микрометр JIOMO представляет собой металлическую пластину с углублением в центре, в котором находится зеркальная шайба с нанесенными рисками; расстояние между рисками - 10 мкм.

Измерения на изображении металлической структуры выполняется после выполнения процедуры калибровки на объект-микрометре (рис. 3.44). В этом режиме задается масштаб изображения (коэффициент пересчета пикселов в абсолютные единицы длины). Л т ас»* -гос?

0М0У4.2 N805227

Рис. 3.44. Объект-микрометр JIOMO

Для выполнения операции калибровки в программном пакете SPECTR МЕТ выбирают пункт Измерение > Калибровка из строки меню. После этого появляется диалоговое окно Условия ввода (рис. 3.45)

100* 0.28 микрон razmer 1 0mk.jp a

250* 0.34 микрон 11115г012.jpg

350* 3.27206 mm TESTJPG

500* :3.2720t> mm TEST JPG

600* 'о. 17 микрон measure01.jpg

Из манить., j Но«ый | Удалить j Сохранить | Отиенз

Рис. 3.45. Диалоговое окно «Условия ввода» пакета SPECTR МЕТ

Заключение

В результате выполненной работы решены следующие задачи.

Разработаны средства оперативной металлографии для исследований непосредственно на объекте - семейство портативных металлографических микроскопов МПМ и на их основе - портативный аппаратно-программный комплекс SPECTR МЕТ, позволяющий оперативно проводить полный цикл металлографического контроля в полевых условиях без снижения остаточного ресурса объекта. При этом обеспечивается оценка количественных параметров структуры металла и микродефектов в соответствии с ГОСТ.

Разработан математический аппарат компенсации искажений изображения для повышения точности измерений. Для решения этой задачи построена обобщенная математическая модель цифровой оптико-электронной регистрирующей системы с учетом неоднородности искажений в поле зрения оптического тракта и особенностей металлографических изображений. Разработанные алгоритмы, реализованные в программном пакете SPECTR МЕТ, позволили снизить погрешность при определении количественных характеристик структур металлов на 6,5%, а погрешность при измерении размеров поверхностных дефектов - на 8%, что близко к точности измерений, достижимой при использовании стационарного оборудования.

Решена задача повышения точности количественных оценок структуры металла за счет применения разработанных автоматизированных алгоритмов компенсации яркостных искажений, бинаризации с количественно-статистической оценкой геометрических параметров, определения фазового состава и балла зерна, уточнения границ зерна структуры металла, поиска пор и определения количественных характеристик пористости.

Разработаны автоматизированные процедуры анализа изображений для повышения производительности контроля в полевых условиях.

Создан интерактивный алгоритм классификации изображений структур металлов для оценки количественных параметров структуры методом сравнения со шкалами ГОСТ.

Разработаны портативные средства измерения микродефектов поверхности.

Практическую ценность выполненной работы подтверждает внедрение на объектах энергетики, нефтегазодобычи, предприятиях машиностроения, транспорта, химии и нефтехимии, в лабораториях Ж и в ремонтно-диагностических организациях 58 единиц портативных металлографических микроскопов ряда МПМ, 32 аппаратно-программных комплексов оперативной металлографии SPECTR МЕТ.

Автор выражает свою благодарность и признательность за полезные замечания и дискуссии, ценную помощь в процессе подготовки настоящей диссертационной работы: академику РАН В.В.Клюеву, члену-корреспонденту РАН А.С.Сигову, профессору Н.С.Данилину, профессору П.Н.Шкатову, д.т.н. Л.В.Владимирову, д.т.н. Ю.В.Ланге, профессору Г.С.Шелихову, д.т.н. М.В.Королёву, д.т.н. О.Н.Будадину, профессору Р.В.Гольдштейну, д.т.н. А.К.Денелю, профессору Б.И.Капранову, д.т.н. В.Н.Лозовскому, профессору В.В.Найханову, к.ф.-м.н А.С.Фурсову, профессору В.Г.Щербинскому.

Особую признательность автор выражает своему отцу, доктору технических наук, профессору Владимиру Николаевичу Филинову.

1. Гвоздева Н.П., Коркина К.И. Теория оптических систем и оптические измерения М.: Машиностроение, 1981 - 384 с.

2. Скворцов Г.Е., Панов В.А., Поляков Н.И., Федин JI.A. Микроскопы JL: Машиностроение, 1969 - 512с.

3. Слюсарев Г.Г. Методы расчета оптических систем. JL: Машиностроение, 1969, 672 с.

4. Марешаль А., Франсон М. Структура оптического изображения. М.: Мир, 1964.

5. Мандельштам Л.И. О применении интегральных уравнений к теории оптического изображения. Полн. собр. трудов. T.l. М.: АН СССР, 1948.

6. Шредер Г., Трайбер X. Техническая оптика М.: Техносфера, 2006 - 424 с.

7. Лопухин В.А., Гурылев А.С. Автоматизация визуального технологического контроля в электронном приборостроении.- Л.: Машиностроение, 1987 -287с.

8. Гейхман И.Л., Волков В.Г. Основы улучшения видимости в сложных условиях. М.: ООО «Недра-Бизнесцентр», 1992 286 с.

9. Ермаков О.Н. Прикладная оптоэлектроника М.: Техносфера, 2004 - 416 с.

10. Ю.Пресс Ф.П. Фоточувствительные приборы с зарядовой связью. М.: Радио и связь, 1991.-264 с.

11. Williams G.M., Blouke М.М. How to capture low-light-level images without intensifiers. Laser Focus World, 1995, Vol.31, №9, pp/129 138.

12. Прэтт. У. Цифровая обработка изображений. Т. 1,2. М.: Мир, 1982.

13. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. М.: Мир, 1972.

14. Астапов Ю.М., Васильев Д.В., Заложнев Ю.И. Теория оптико-электронных следящих систем. М.: Наука, 1988.

15. П.Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1986.

16. Василенко Г.И. Теория восстановления сигналов. -М.: Изд-во Сов. Радио, 1979.

17. Филинов М.В., Фурсов А.С. Идентификация цифровой оптико-электронной системы формирования изображений // Контроль. Диагностика, 2003, N11. С. 24-30.

18. Цифровое восстановление изображений в оптической микроскопии для повышения точности измерений. // Контроль. Диагностика, 2004, N 1. С. 44-49.

19. Носов Ю.Р. Оптоэлектроника. М.: "Радио и связь" 1989.

20. Р.Е. Быков и др. Телевидение. М.: "Высшая Школа" 1988.

21. Зубарев Ю.Б., Глориозов Г.Л. Передача изображений. М.: "Радио и связь" 1982.

22. Колтовой Н.А. Системы обработки изображений. /Итоги науки и техники. Серия "Промышленные роботы и манипуляторы", т.З., 1995.

23. Неразрушающий контроль и диагностика./Под ред. В.В. Клюева. Справочник. М.: "Машиностроение", 2003.

24. Неразрушающий контроль: Справочник в 7 т., под ред. В.В.Клюева, т.1. М.: "Машино-строение", 2003.

25. Неразрушающий контроль: Справочник в 7 т., под ред. В.В.Клюева, т.4. М.: "Машино-строение", 2003.

26. Неразрушающий контроль: Справочник в 7 т., под ред. В.В.Клюева, т.6. М.: "Машино-строение", 2003.

27. Технические средства диагностирования. /Под ред. В.В. Клюева. М.: "Машино-строение", 1989.

28. Неразрушающий контроль. Практ. пособиеУПод ред. В.В. Сухорукова. М.: "Высшая Школа" 1992.

29. Webster, G. A browser system for hierarhically structured image data./ Insight, pp Vol.37, №7, July 1995.

30. Szaby D., Palasti J. Non-Destructive Testing at the reactor vessels of Paks Nuclear Plant./ Insight, pp 187-189, Vol.38, Nr 3, March 1996

31. Product spotlight: Visual Testing Methods/Materials Evaluation, pp 575-586, Vol.54.Nr5, May 1996.

32. Шелест Д.К. Методы аппаратной обработки изображений в автоматических системах контроля./Дефектоскопия 15, 1995, стр. 25-34.

33. Лопухин В.А., Салмин П.Н. Анализ методов сжатия видеоинформации в реальном масштабе времени./Дефектоскопия *5, 1995, стр. 3541.

34. Зб.Чен Ш.-К. Принципы проектирования систем визуальной информации. М.: "Мир" 1994.

35. Г.М. Мослягин и др. Теория оптико-электронных систем. М.: "Машиностроение" 1990.

36. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. М.: "Мир" 1989.39.0сновы оптоэлектроники. Пер. с японского Э.Г. Азербаева и др. Под ред. канд. ф.-м. н. К.М. Голанта. М.: "Мир" 1988.

37. Кеткович А.А., Марков П.И., Саттаров Д.К. Волоконно-оптическая интроскопия. Л.: "Машиностроение" 1987.

38. Цифровое кодирование телевизионных изображений./Под ред. проф. И.И. Цуккермана. М.: "Радио и связь" 1981.42.0ES Industrial Video Analyzer IW-1. / Olympus Industrial Co.Ltd. Проспект.

39. Промышленные эндоскопы OES фирмы Олимпас./ Olympus Industrial Co.Ltd. Проспект.

40. Special Purpose Systems. / Olympus Industrial Co.Ltd. Проспект.

41. Easy 600 Videoendoscope. / EFER. Проспект.

42. Vidar VXR-12 Plus. / Vidar Systems Corporation. Проспект.

43. Видеотелевизионный измерительный комплекс ВИК./Московское машиностроительное производственное объединение "Салют". Проспект., 1998.

44. Радиусомер ОГ-50, проспект МНПО "СПЕКТР".

45. Измерительный эндоскоп ОГ-50, проспект МНПО "СПЕКТР".

46. Бычков О. В. Контроль внутренних поверхностей; М, Машиностроение, 1985,150.

47. Эндоскоп ТИЭ-10, проспект МНПО "СПЕКТР".

48. Эндоскопическая видеосистема ЭВС-201./ ПО "Электрон". Проспект., 1998.

49. В.Н. Лозовский и др. Диагностика авиационных двигателей. М.: "Машиностроение" 1988.

50. Под ред. В.В. Клюева. Надежность и эффективность в техни-ке./Справочник. т.9. Техническая диагностика. М. "Машиностроение", 1987.

51. Хорн Б.К.П. Зрение роботов. М.: Мир, 1989. 487 с.

52. Фу К.,Гонсалес Р.,Ли К. Робототехника.-М: Мир, 1989. 624 с.

53. Hartly R., A Gaussian-Weighted Multi-Resolution Edge Detector, Computer Vision, Graphics and Image Processing 30, No.l, 70-83 1985.

54. Пью А. Техническое зрение роботов. Пер. с англ. Миронов Д.Ф.-М.: Машиностроение, 1987.-320 с.

55. Хьюбел Д. Глаз, мозг, зрение. Пер. с англ. М.: Мир, 1990.-239 с.

56. Писаревский А.Н., Чернявский А.Ф., Афанасьев Г.К., Кухарчик П.Д., Лебедев В.И., Потапов А.В., Ревинский В.В., Тихоненко О.М. Системы технического зрения. -Л.: Машиностроение. Леииигр. отд-ние, 1988. 424 с.

57. Кучин А. М., Обрадович Е. И. Оптические приборы измерения шероховатости поверхности, М, Машиностроение, 1985,260 с.

58. Комиссаров А.Г. Разработка методов и средств измерения, проектирова-лыия и обработки поверхностей сложной формы -Санкт-Петербург: 1992.

59. Saint-Mars P., Jezouin J.L., Medioni G. A Versatile PC-Based Range Finding System. IEEE Transactions on Robotics and Automation Vol.7, No.2, pp.250256.1991.

60. Gongzhui H.,George S. 3-D Surface Solution Using Structured Light and Constraint Propagation. DBEE Trans, on Pattern Analysis and Machine Intelligence. Vol.11, No.4, pp.390-402,1989.

61. Vuylsteke P., Oosterlinck A. Range Image Acquistion with a Single Binary-Encoded Light Pattem.IEEE Trans, on Pattern Analysis and Machine Intelligence. Vol.12, No.2, pp.148-163,1990.

62. Kenichi.K. Statistical Analysis Focal-Length Calibration Using Vanishing Points.IEEE Trails, on Robotics and Automation. Vol.8, No.6, pp.767775.1992.

63. Yoshihiko N., Michihiro S., Hiroshi N. Atsushi I. Simple Calibration Algorithm for Nigh-Distortion-Lens Camera.IEEE Trans, on Pattern Analysis and Machine Intelligence. Vol.14, No.ll, pp.1095-1099,1992.

64. Ling-Ling Wang, Wen-Hsiang Tsai. Camera calibration by Vanishing Lines for 3-D Computer Vision.IEEE Trans. On Pattern Analysis and Machine Intelligence. Vol.13,No.4, April,l 991.

65. Найханов В.В., Якунин В.И., Цыдыпов Ц.Ц. Автоматизация калибровки камеры. Науч. -метод, сборник докладов. СГТУ. Саратов 1996г.

66. Найханов В.В., Якунин В.И., Цыдыпов Ц.Ц. Автоматизация калибровки камеры. «КОГРАФ 96» Тезисы международной конференции по компьютерной геометрии и графике,, Нижний Новгород, 1996г.

67. Найханов В.В., Дамдинова Т.Ц. Перезадание обвода дугами окружностей, выделенных по методу кривых ошибок // Сб. Докладов Всероссийской научной конференции «Роль геометрии в искусственном интеллекте и САПР».-Улан-Удэ: ВСГТУ. 1996.-С. 100-104.

68. Устройство для контроля грата, а. с.11256300, Кеткович А. А. и др.

69. А.А.Кеткович, М.В.Филинов. Интегрированная компьютерная система обработки изображений для неразрушающего контроля. // 14 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". Тезисы докладов. М.:1996, с.281-282.

70. А.А.Кеткович, М.В.Филинов. Микротелевизионные системы в оперативной видеоэндоскопии объектов в условиях эксплуатации. // 14 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". Тезисы докладов. М.:1996, с.285-286.

71. V.Ya.Maklashevsky, V.N.Filinov, M.V.Filinov. Digital Processing of Roent-genographic and X-Ray Television Images in Aerospace Radiographic Testing. // 7th ECNDT 1998. Proceedings, vol.1, pp.326-333.

72. A.A.Ketkovich, V.V.Kliouev, M.V.Filinov. PC-based Videoendoscopic system DX 2 for the Inspection of Internal surfaces of Pipes. // 7th ECNDT 1998. Proceedings, vol.1, pp.334-339.

73. В.Н.Филинов, А.А.Кеткович, М.В.Филинов. Оптические и тепловые методы контроля в МНПО "СПЕКТР". // Контроль. Диагностика, 1999, № 5, с.40-42

74. М.В.Филинов. Анализ применения цифровых средств в оптико-визуальном контроле. // 15 Российская научно-техническая конференция "Неразрушающий контроль и диагностика". М.:1999. Тезисы докладов, том 2, с.49-50.

75. А.А.Кеткович, М.В.Филинов. Моделирование и анализ процессов преобразования дефектоскопической информации в компьютеризованных видеоэндоскопических системах. // Контроль. Диагностика, 1999, 8, с.32-38.

76. Филинов М. В., Маклашевский В. Я., Кеткович А. А. Ренгеновский флюо-роскоп. С. 2.560.741.

77. Методы компьютерной обработки изображений / Под ред. В.А.Сойфера -М.: Физматлит, 2004.

78. Иваницкий Г.Р., Литинская Л.Л., Шихматова В.Л. Автоматический анализ микрообъектов М., Л: Изд-во "Энергия", 1967.

79. Бонгард М.М. Проблема узнавания. М.: Наука, 1967.

80. Филинов М.В., Фурсов А.С. Оптическая структуроскопия: проблемы моделирования и анализа // Контроль. Диагностика, 2003, N 7 (61). С. 8-17.

81. Филинов М.В., Фурсов А.С. Повышение точности измерений в компьютерной оптической структуроскопии // Контроль. Диагностика, 2003, N 10. С. 19-24.

82. Филинов М.В., Фурсов А.С., Филинов В.Н. Портативный компьютерный металлографический микроскоп для мониторинга структуры металлов в условиях эксплуатации // Контроль. Диагностика, 2003, N 3 (57). С. 17-23.

83. Методы выявления и определения величины зерна. ГОСТ 5639-82.95."Watershades in Digital spaces: An Efficient Algorithm Based on Immersion Simulations" IEEE Trans. Pattern Analysis and Machine Intelligence, June, 1991.

84. James R. Parker "Algorithms for Image Processing and Computer Vision", 1996, John Wiley & Sons.

85. Филинов M.B., Кеткович A.A., Фурсов A.C., Филинов В.Н. Оптическая структуроскопия проблемы анализа // Тезисы докладов 3-й международной конференции "Компьютерные методы и обратные задачи в неразру-шающем контроле и диагностике", 2002.

86. Филинов М.В., Фурсов А.С. Методы цифровой обработки изображений в оптической микроскопии // Контроль. Диагностика, 2004, N 6. С. 6-22.

87. Филинов М.В., Фурсов А.С. Алгоритмы цифрового восстановления изображений в оптической микроскопии для повышения точности измерений // Контроль. Диагностика, 2004, N 7. С. 22-28.

88. Филинов М.В., Фурсов А.С., Филинов В.Н. Разработка эффективных алгоритмов для повышения точности измерений // Тезисы 16-й Международной конференции по неразрушающему контролю Монреаль, Канада, 2004.

89. Филинов М.В., Фурсов А.С. Проблемы компьютерной классификации структур в неразрушающем контроле // Контроль. Диагностика, 2005, N 4. С. 15-19.

90. Филинов М.В., Фурсов А.С. Алгоритмы компьютерной классификации структур в неразрушающем контроле // Тезисы докладов 4-й международной конференции "Неразрушающий контроль и техническая диагностика в промышленности", 2005.

91. Филинов М.В., Фурсов А.С. Автоматизация алгоритмов обработки изображений в неразрушающем контроле // Контроль. Диагностика, 2005, N 10. С. 8-12.

92. Филинов М.В., Фурсов А.С., Клюев В.В. Подходы к оценке остаточного ресурса технических объектов // Контроль. Диагностика, 2006, N 8. С. 6-16.

93. Filinov M.V., Fursov A.S. Penetrant Testing: The Software Tool for Comparison of Sensitivity and Estimation of Contrast, Color and Brightness Characteristics of Penetrant Systems // Abstracts of 9 Eur. Conf. on NDT Berlin, Germany, 2006.

94. Filinov M.V., Fursov A.S. Optical Microscopy and Metallography: Recognition of Metal Structures using Customizable Automatic Qualifiers // Abstracts of 9 Eur. Conf. on NDT Berlin, Germany, 2006.