Автоматизация контроля качества функциональных материалов на основе средств интеллектуальной поддержки принятия решений тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Шарыбин Сергей Игоревич

• Шарыбин Сергей Игоревич
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Шарыбин Сергей Игоревич

Введение

Глава 1. Проблема автоматизации процесса контроля качества функциональных материалов

1.1 Функциональные материалы и проблемы процесса контроля при их производстве

1.2 Проблемы микроструктурного анализа при производстве функциональных материалов

1.3 Обзор используемых методов и систем автоматизации

1.4 Проблемы визуальной идентификации микроструктурных

составляющих функциональных материалов

Выводы по главе

Глава 2. Решение задачи классификации микроструктур на фотографии микрошлифа материала

2.1 Постановка задачи классификации микроструктур

2.2 Методы решения

2.3 Алгоритм классификации

2.4 Верификация алгоритма классификации

2.5 Решение демонстрационных примеров

2.6 Повышение достоверности визуальной идентификации методами

структурного анализа изображения

Выводы по главе

Глава 3. Идентификация параметров микростуктуры материала по фотографии микрошлифа

3.1 Постановка задачи идентификации

3.2 Методы решения

3.3 Алгоритм идентификации параметров

3.4 Демонстрационные примеры

Выводы по главе

Глава 4. Автоматизация процесса контроля качества функциональных материалов

4.1 Анализ вероятных ошибок контроля

4.2 Функциональные и структурные модели системы автоматизации

4.3 Прототип интеллектуальной системы распознавания сложных микроструктур

4.4 Модель базы знаний

4.5 Пример использования системы при автоматизации процесса

контроля качества функциональных материалов

Выводы по главе

Заключение

Библиографический список

Приложения

Введение диссертации (часть автореферата) на тему «Автоматизация контроля качества функциональных материалов на основе средств интеллектуальной поддержки принятия решений»

Введение

В последние годы в машиностроении резко возросла роль так называемых «функциональных» материалов, отличающихся заданным комплексом эксплуатационных характеристик (прочность, пластичность, электропроводность и т.п.), формируемым за счет применения новых технологий получения материала и/или специальных технологий его дальнейшей физико-механической обработки. Однако при этом возрастает необходимость разработки новых средств автоматизированного контроля качества подобных материалов для анализа сложных зёренных структур на мезо-или микромасштабных уровнях, отвечающих за формирование требуемого комплекса свойств на макроуровне. Это, в свою очередь, приводит к необходимости автоматизации всех этапов контроля качества, особенно при мелкосерийном производстве функциональных материалов.

В настоящее время на большой части промышленных предприятий и лабораторий материаловедения применяется контроль качества продукции, основанный на анализе микрошлифов этой продукции. Он позволяет получать более полную картину о состоянии материала и его свойствах на макро- и микроуровнях. Он также позволяет контролировать соответствие целого спектра физико-механических свойств без проведения отдельных испытаний по каждому из свойств. Но такой подход имеет и имеет серьёзный недостаток - а именно требует привлечения высококвалифицированных экспертов в области материаловедения и физики твёрдого тела. В настоящее время становится очевидным, что для повышения эффективности и объективности идентификации свойств материалов необходимо привлекать подходы, основанные на применении современных математических методов обработки данных и алгоритмов искусственного интеллекта при решении задач классификации и идентификации сложных зёренных структур.

Современный уровень развития средств получения фотографий микрошлифов материалов позволяет проводить исследования структур в оперативном режиме. Совершенствованию методов классификации микроструктур материалов посвящены работы Д.А. Форсайта, Д. Понс. Применение методов искусственного интеллекта для определения свойств материала рассмотрены в работах В.А. Емельянова, С.В.

Гонтового. Создание программно-аппаратных комплексов, использующих методы искусственного интеллекта, рассмотрено в работах В.А. Ильинского, Л.В. Костылевой, Н.В. Мартюшева, Е.А. Санталовой. Исследования российских учёных А.А. Чубова, А.В. Яковлева и др. посвящены дальнейшему улучшению методов классификации микроструктур и их реализации в виде программного комплекса. Вместе с тем большинство из существующих методов и программных реализаций могут быть использованы лишь как начальный этап идентификации физико-механических свойств материалов по параметрам их микроструктуры, а все известные подходы предполагают наличие эксперта-металловеда для приведения заключения о свойствах материала. Следует отметить, что в настоящее время недостаточно разработаны алгоритмы идентификации макросвойств, отсутствует программные средства автоматизации контроля качества материалов, позволяющих снизить участие человека за счёт применения интеллектуальных средств поддержки принятия решений. Кроме того, основная часть из известных методов затрагивает контроль лишь какого-то одного свойства, а не комплекса заданных физико-механических свойств, что не позволяет их использовать при контроле качества функциональных материалов.

Поэтому актуальным является решение научной задачи, связанной с разработкой новых подходов к идентификации физико-механических свойств функциональных материалов при автоматизированном контроле их качества, основанных на применении принципов инженерии знаний и современных технологиях обработки данных. Реализация этих подходов в рамках автоматизированной системы поддержки принятия решений позволит повысить достоверность и эффективность процесса контроля качества изделий, а также сделает возможным устанавливать соответствие макросвойств материала параметрам его микроструктуры.

Целью диссертации является повышение достоверности и эффективности процесса контроля качества функциональных материалов путём его автоматизации за счёт обеспечения интеллектуальной поддержки принятия решений.

В соответствии с поставленной целью решаются следующие задачи: • аналитического обзора существующих методов и программных средств анализа зёренных структур при контроле качества функциональных материалов;

• классификации микроструктур по цифровой фотографии микрошлифа изучаемого материала с помощью алгоритмов интеллектуальной поддержки;

• идентификации параметров микроструктуры по её цифровой фотографии;

• разработки программного обеспечения автоматизации процесса контроля качества изготавливаемых функциональных материалов, задаваемого в виде комплекса их эксплуатационных характеристик.

Объект исследования - процесс контроля качества функциональных материалов по их микрошлифам.

Предмет исследования - средства интеллектуальной поддержки, обеспечивающие повышение эффективности контроля эксплуатационных свойств материалов путем автоматизированного анализа микроструктур по фотографиям микрошлифов.

Методы исследования базируются на теории обработки изображений, искусственного интеллекта, математической статистике и вычислительных экспериментов.

Научная новизна результатов диссертационной работы заключается в разработке новых средств интеллектуальной поддержки процесса контроля макросвойств материала по его микроструктуре, включающих:

• новый гибридный алгоритм классификации сложных фазовых структур, отличающийся двухуровневой организацией и меньшей чувствительностью к шумам, поворотам и масштабам изучаемого микрошлифа;

• алгоритм идентификации параметров зёренной структуры материалов, новизна которого состоит в применении специально разработанных фильтров при определении границ зёрен, что приводит к повышению его точности;

• модель системы автоматизированного контроля качества материалов, основанная на алгоритмах интеллектуальной поддержки принятия решений и отличающаяся методикой построения базы знаний, обеспечивающей непротиворечивость набора правил вывода и устойчивость механизма логического вывода.

На защиту выносятся следующие основные результаты: 1. разработанный гибридный алгоритм классификации микроструктур и алгоритм идентификации параметров шлифов металлов и сплавов, базирующийся на

методах интеллектуальной поддержки принятия решений (п. 15 паспорта специальности);

2. разработанные функциональные, архитектурные и структурные модели автоматизированной системы контроля качества (п. 8 паспорта специальности);

3. разработанное программное обеспечение, реализующее модели и методы контроля макросвойств материалов по их микроструктурам (п. 4 паспорта специальности);

4. результаты практической реализации, демонстрирующие повышение эффективности процесса контроля качества функциональных материалов.

Достоверность и обоснованность выводов и результатов работы

подтверждаются применением известных научных методов теории обработки изображений и теории искусственного интеллекта, а также хорошим совпадением теоретических и экспериментальных данных.

Практическая значимость работы заключается в повышении достоверности получаемой информации за счёт учета предыдущего опыта и снижения роли человеческого фактора, а также повышении эффективности процесса контроля качества материалов за счёт существенного снижении времени обработки необходимой информации.

Внедрение результатов работы. Разработанное программное обеспечение автоматизированной системы контроля качества функциональных материалов, включающее модели и алгоритмы интеллектуальной поддержки, внедрено в практику металлографического анализа лаборатории металлографии НИИ Наносталей Магнитогорского государственного технического университета им. Г. И. Носова и используются при создании новых материалов и изделий с заданными эксплуатационными свойствами, что подтверждается соответствующим актом внедрения, приложенным к диссертации.

Результаты исследования применяются в учебном процессе Пермского национального исследовательского политехнического университета при преподавании учебных дисциплин «Проектирование интеллектуальных систем управления производством» и «Интеллектуальные информационные системы» в рамках реализации образовательных программ по направлениям подготовки «Управление в технических системах (уровень магистратуры)» и «Информационные

системы и технологии (уровень бакалавриата)».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих семинарах, конференциях и научно-технических сессиях:

Всероссийская конференция «Управление в технических, эргатических, организационных и сетевых системах» (г. С.-Петербург, 2012г.), X Всероссийская школа-конференция молодых ученых «Управление большими системами» (г. Уфа, 2013г), XI Всероссийская школа-конференция молодых ученых «Управление большими системами» (г. Арзамас, 2014г.), 1-я и 2-я Всероссийские конференции молодых ученых «Прикладная математика, механика и процессы управления» (г. Пермь, 2013, 2014 гг.), Всероссийское совещание по проблемам управления (г. Москва, 2014 г.), научный междисциплинарный семинар НОЦ ПНИПУ по проблемам управления (г. Пермь, 2014, 2015 гг.).

Исследования, проводимые в рамках диссертационной работы, удостоены гранта программы фонда содействия развитию малых форм предприятий в научно-технической сфере «УМНИК». Диплом победителя программы «Участник молодёжного научно-инновационного конкурса» («УМНИК») приведен в приложении.

Публикации. По теме диссертации опубликовано 11 работ, в том числе 4 статьи в журналах, включенных в перечень ВАК при Минобрнауки РФ. Получено свидетельство об официальной регистрации программы для ЭВМ, которое приведено в приложении.

Структура и объём диссертации. Работа состоит из введения, четырёх глав, заключения, библиографического списка (108 наименований). Общий объём диссертации составляет 162 страницы, в том числе 67 рисунков, 3 таблицы.

Автор выражает искреннюю благодарность к.ф.-м.н., доценту ПНИПУ Клюеву А.В. за идеи при разработке алгоритмов распознавания микроструктур, а также к.т.н., доценту Магнитогорского государственного технического университета (МГТУ) Барышникову М.П. за предоставление экспериментальной базы снимков микрофшлифов металлов и помощь при проведении экспертного микроструктурного анализа.

Глава 1. Проблема автоматизации процесса контроля качества

функциональных материалов

1.1 Функциональные материалы и проблемы процесса контроля при их

производстве

Повышение качества выпускаемой металлургической промышленностью продукции является в настоящее время решающим условием её конкурентоспособности как на внутреннем, так и на внешнем рынках. Конкурентоспособность продукции во многом определяет престиж страны, степень её независимости от зарубежных производителей. Тем более, что металлургия является неотъемлемой частью машиностроительного комплекса, который занимает в нашей стране немалый процент от общего объёма промышленной продукции [1, 2].

Как уже отмечалось в смежных работах других авторов [1], в структуре экспорта нашего государства продукция металлургического комплекса составляет сравнительно небольшую величину - наш экспорт имеет, в большей степени, сырьевую направленность. Например, в экспорте черной металлургии сырье и полуфабрикаты (руда, лом, кокс, чугун, слитки) составляют более 60%, в экспорте цветной металлургии — более 80%. Основной причиной крайне малых объёмов экспорта продукции металлургического комплекса является её недостаточная конкурентоспособность вследствие несовременности и сравнительно невысокого качества [2, 3].

Таким образом, в условиях глобальной конкуренции на мировом рынке, по прежнему важнейшим направлением государственной промышленной политики в отношении металлургического производства на современном этапе, наряду с созданием благоприятной обстановки для развития машиностроения (соответствующая налоговая, таможенная и тарифная политика), особую актуальность приобретает задача обеспечения конкурентоспособности металлургической промышленности России. Последнее достигается осуществлением специальных мер, направленных на стимулирование в ней прогрессивных изменений, на реструктуризацию предприятий с целью увеличения качества продукции отечественного машиностроения [1, 2].

Под качеством, в соответствии с международным стандартом ISO 8402:94 [4], понимают совокупность свойств продукции, обусловливающих ее соответствие техническим требованиям, а контролем качества называют количественную или качественную оценку свойств продукции и материалов.

До сравнительно недавнего времени на металлургическом производстве при проведении анализа свойств продукции ограничивались лишь проверкой физико-механических свойств на макроуровне [5].

Но, как известно [6], свойства любого сплава определяются его внутренней структурой. Структура, в свою очередь, зависит от химического состава сплава, технологии его получения и последующей обработки посредством механических, химических, термических и других воздействий. Таким образом, управляя структурой металла, можно получать сплавы с нужными сочетаниями свойств [1, 7, 8, 9].

Подавляющее большинство металлических материалов, предназначенных для различных сфер деятельности человека, используется в качестве конструкционных материалов (КМ) в машиностроении, строительстве, быту и пр. Отличительным свойством КМ является крупнотоннажность их производства, ограниченная номенклатурность в масштабах одного предприятия и широкие возможности взаимозаменяемости. Вследствие этого к качеству самих КМ, а также к уровню контроля этого качества, не предъявлялось повышенных требований, а сам контроль качества вполне мог осуществляться специалистами с типовой для отечественной металлургии квалификацией.

В настоящее время всё чаще ставится задача производства так называемых функциональных материалов (ФМ) - то есть материалов, которые обладают заранее заданным свойствами (электрическими, магнитными, температурнозависящими, химическими и др.) для науки, техники, медицины и иных отраслей использования. ФМ должны обладать строго определенными и желательно настраиваемыми физическими и химическими свойствами, дающими возможность реализовывать служебные характеристики конструкций и устройств, недостижимые при использовании других материалов. К таким материалам, в частности, могут быть отнесены сплавы и композиты. Создание ФМ с оптимальными свойствами

осуществляется путем усиления или подавления ("тюнинга") каких-либо свойств уже имеющихся материалов и невозможно без привлечения современных экспериментальных и теоретических подходов. Ярким представителем функциональных материалов являются, например, металлические сплавы с мартенситными превращениями и эффектами памяти формы [10-19].

Сложность и уникальность свойств ФМ приводит к тому, что обеспечить необходимый уровень требований к ним возможно лишь на пути ужесточения контроля качества технологических процессов и результатов их применения на всех этапах производства. При этом трудоемкость проведения контроля любой сложной продукции может составлять значительную долю от общего времени ее производства [20], что приводит к необходимости увеличения оперативности контроля качества продукции и внедрения автоматизированных систем оперативного контроля качества [1, 21-26]. В последние годы разработка автоматизированных систем контроля приобрела особую актуальность, что нашло отражение в ряде научных работ [27-34]. В случае производства ФМ необходимость повышения степени автоматизации контроля качества усиливается следующими обстоятельствами.

Свойства ФМ и их качество определяется многоуровневой системой факторов, характеризующих технологический процесс на всех стадиях производства. К основным уровням можно отнести:

- состав ФМ, включающий, например, для сталей, содержание в них углерода, легирующих элементов, «вредных» металлов, неметаллических включений пр.;

- структуру ФМ, определяемую, например, для стали, наличием аустенитной, ферритной, мартенситной, бейнитной или перлитной фазы или их сочетаний;

- форму ФМ, которая в специальных случаях может иметь вид нанопорошка или нанотрубок, пленок (в том числе пористых), волокна и т.д.

Наиболее простыми методами можно вести контроль показателей качества (и определяющих его факторов) путем измерения физико-механических свойств ФМ (прочности, твердости, вязкости, упругости и др.). Более того, эти методы, хорошо

освоенные при производстве КМ, не предъявляют повышенных требований ни к аппаратуре, ни к квалификации работников. Ограничение возможности их использования связано с невозможностью раскрытия с их помощью требуемых уникальных свойств ФМ. Поэтому методы позволяют лишь быстро и с минимальными затратами отсеять заведомый брак.

Основные виды контроля качества производимых ФМ связаны с изучением их структуры.

Для изучения структур металлов и сплавов применяются прямые и косвенные методы [35]. К числу косвенных методов относятся: магнитный, дилатометрический, измерение электросопротивления и другие физические методы исследования, которые, хотя и не дают прямого изображения структуры, но всё же позволяют вскрыть кинетику происходящих в них превращений. В данной работе косвенные методы рассматриваться не будут.

К числу прямых методов относятся [35]:

• исследование макроструктуры невооружённым глазом по виду изломов или шлифованных и протравленных макрошлифов;

• исследование микроструктуры при помощи оптического микроскопа с увеличением до 1500 раз, а также с применением электронного микроскопа с увеличением до 200 тыс. раз;

• исследование атомно-кристаллической структуры с помощью рентгенографического анализа, позволяющего различать расстояния порядка 10-8 см. Данный вид исследований при контроле качества ФМ на предприятиях - изготовителях пока не используется.

Макроструктурным анализом, или, кратко, макроанализом, называется [35] метод исследования строения металлов и сплавов невооруженным глазом или при небольших увеличениях - до 30 раз. Строение металлов и сплавов, изучаемое при помощи макроанализа, называется макроструктурой [35].

Метод макроскопического анализа позволяет:

• исследовать излом для установления характера разрушения;

• выявить дефекты, нарушающие сплошность металла - рыхлость, газовые пузыри, трещины, усадочные раковины, флокены, расслоения, свищи и

другие дефекты в литых заготовках или полученных обработкой давлением, а также в сварных швах;

• определить характер первичной кристаллизации и дендритной структуры в слитках или литых деталях;

• определить химическую неоднородность сплава (ликвацию, в частности, ликвацию углерода и вредных примесей серы и фосфора), шлаковые включения, неметаллически включения;

• определить неоднородность строения сплава, вызванную последующей обработкой давлением;

• определить неоднородность состава и структуры, возникающую после термической или химико-термической обработки, например, зон цементации в стали.

Проблемы макроскопического анализа в данной работе также не рассматриваются.

Микроскопический метод исследования металлов и сплавов, или, кратко, микроанализ, предусматривает [35] изучение структуры металла при помощи металлографического микроскопа. Между микроструктурой и многими свойствами металла существует достаточно определенная связь. Поэтому микроанализ имеет большое значение.

Микроскопический анализ включает: приготовление микрошлифа, выявление микроструктуры (травление), исследование структуры под микроскопом. Наблюдаемая в микроскопе картина строения металла называется микроструктурой [35]. Микроструктура металлов и сплавов характеризуется количеством, формой и расположением фаз и размером зерна, которые влияют на механические свойства сплавов. Микроанализ применяется

• для определения формы и размеров фаз и зёрен;

• для выявления микропороков металла - микротрещин, раковин, пористости, микровключений, ликвации.

Второе направление микроанализа связано с фиксацией очевидного брака также выходит за рамки данной работы.

Очевидно, что значения численных характеристик этих и других факторов,

определяющих качество ФМ, должны контролироваться на всех стадиях производства. Вместе с тем, сложность процедуры контроля, а также требования к аппаратуре и квалификации персонала неодинаковы для разных факторов.

Необходимый экспертный уровень реально достигается на производстве КМ. Дело в том, что крупнотоннажное малономенклатурное производство подразумевает повторение втечение многих лет одних и тех же производственных циклов. При этом численные характеристики отклонений от заданных производственных параметров подчиняются законам больших чисел, и, как следствие, поддаются высококачественной статистической обработке. Результатом такой обработки являются наборы «базовых», «эталонных» образцов микрошлифов, соответствующих качественному протеканию всех стадий производственного процесса, а также тем или иным отклонениям от заданных параметров процесса. В результате накопления и обобщения огромного набора эмпирических данных были разработаны, официально одобрены и внедрены в производственную практику многочисленные стандарты [36 - 43], составившие методическую базу данного направления контроля качества на предприятии.

Например [38], ГОСТ 5640-68 «Сталь. Металлографический метод оценки микроструктуры листов и ленты» предполагает для оценки качества конкретной партии стали сравнить соответствующий ей микрошлиф с четырьмя наборами образцов, позволяющими оценить содержание в ней структурно-свободного цементита, перлита, уровень полосчастости ферритно-перлитной структуры, а также уровень видманштеттовой структуры (см. рис.1 - рис.4 соответственно).

Рис. 1. Фрагмент шкалы структурно-свободного цементита по ГОСТ 5640-68

Ряд Балл 0 Балл 1 Балл 2

А

V* »Л • г-®3*' ^ V я^гг

Б

Рис. 2. Фрагмент шкалы перлита по ГОСТ 5640-68

Ряд Балл 0 Балл 1 Балл 2

А

ф 9 с

Б А А

Рис. 3. Фрагмент шкалы полосчастости ферритно-перлитной структуры по ГОСТ

5640-68

Расшифровка наблюдаемой микроструктуры требует большого опыта.

Например, внешние различия между образцами Балл 0, Балл 1 и Балл 2 ряда А шкалы структурно-свободного цементита (рис 1) могут быть вызваны как разным уровнем его содержания в образце, так и разным увеличением используемого для анализа микроскопа. Следовательно, если даже квалифицированный эксперт получит лишь единственную фотографию микрошлифа, он не сможет сделать качественного заключения. Успешность его работы и его авторитет основаны на том, что (применительно к данному примеру) после исследования в одних и тех же условиях большого числа образцов, соответствующих требуемому содержанию структурно-свободного цементита, эксперт в тех же самых условиях (но при получении образца стали, сваренной с отклонением от требований технологического процесса) сумеет обратить внимание на «вдруг» увеличившиеся размеры кристаллической структуры.

Очень сильные визуальные различия шкалы перлита (рис. 2), соответствующие Балл 0 рядов А и Б описываются стандартом практически лишь с единственным количественным различием - размером зерна. Подобное описание нивелируется маркой используемого микроскопа.

Наоборот, изображения шкалы полосчастости ферритно-перлитной структуры (рис. 3) визуально очень схожи, хотя их описания существенно различаются.

Это еще более заметно на шкале видманштеттовой структуры (рис. 4), где визуально непохожие образцы Балл 0 рядов А и Б имеют дословно совпадающее описание: «Равномерная феррито-перлитная структура с полным отсутствием признаков видманштетта».

Многие указания по анализу образцов микрошлифов вообще вызывают недоумение. Например, в ГОСТ 1435-99 «Прутки, полосы и мотки из инструментальной нелегированной стали» [44] имеется шкала для оценки микроструктуры инструментальной нелегированной стали, фрагмент которой приведен на рис. 5.

Балл 5 Балл 6

Рис. 5. Фрагмент шкалы для оценки микроструктуры инструментальной нелегированной стали по ГОСТ 1435-99

Очевидно, что образцы, соответствующие Балл 5 и Балл 6 визуально практически неразличимы (с точностью до увеличения микроскопа). Более того, им соответствует одно и то же описание - «зернистый перлит с увеличивающимся размером цементитных частиц». Понятно, что указанное различие может быть замечено только лишь опытным специалистом при работе на одном и том же, более того - одинаково настроенном, оборудовании.

Указанные в примере, связанном с достаточно простыми углеродными сталями, затруднения визуального анализа многократно усиливаются при работе с легированными сталями. В частности, в большинстве случаев легированную сталь невозможно металлографически отличить от углеродистой стали (особенно легированную сталь перлитного класса). Она выглядит под микроскопом как углеродистая сталь с таким же содержанием углерода. Легированную сталь можно металлографически отличить от углеродистой только лишь в тех случаях, когда она либо содержит много спецкарбидов, либо они имеют специфическую форму, либо в ее структуре виден аустенит при комнатной температуре.

Список литературы диссертационного исследования кандидат наук Шарыбин Сергей Игоревич, 2015 год

Библиографический список

1. Яковлев А.В., Методы, модели и алгоритмы формирования и анализа изображений в системе контроля качества материалов и продукции машиностроительного предприятии: Дис. ... канд. технич. наук, Владимир, 2003.

2. Клебанов И. Текст доклада «Концепция развития металлургической промышленности России до 20 Юг» // Полный текст, распространенный департаментом правительственной информации http://www.metallcom.ru/analytics/publication.php

3. Махов В. А., Кузнецов СВ., Прогнозирование экспортной конкурентоспособности металлопродукции / Сб. тез. 3-ей ежегодн. конф. «Управление в России: стратегия, модель, технологии», - СПб: ООО «Шатон», 1997.-С. 78-85.

4. Международный стандарт ИСО 8402:94. Управление качеством и обепечение качества. Словарь, версия 1994. - М.: Издательство стандарте»1995.

5. Избранные методы исследования в металловедении / Под. ред. Хунгера Г.Й.: Пер. с нем. -М.: Металлургия, 1985.-416 с.

6. Металловедение и термообработка стали: Справ. изд. В 3-х томах./ Под редакцией Бернштейна М.Л., Рахштада А.Г. - М.: Металлургия, 1991.

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

8. Контроль качества термической обработки стальных полуфабрикатов и деталей: Справочник / Под. общ. ред. В. Д. Кальнера. - М.: Машиностроение, 1984. - 384 с.

9. Металловедение и термическая обработка стали: Справ, изд. - 3-е изд. перераб. и допол. В 3-х томах / Под ред. Бернштейна М.Л., Рахштадта А.Г.,-М.: Металлургия, 1983, т.1-367 с , т.2-412 с , т.3-381 с.

10. Курдюмов Г. В. Превращения в железе и стали / Г. В. Курдюмов, Л. М. Утевский, Р. И. Энтин. М. : Наука, 1977. 238 с.

11. Смирнов М. А. Основы термической обработки / М. А. Смирнов, В. М. Счастливцев, Л. Г. Журавлев. Екатеринбург : УрО РАН, 1999. 496 с.

12. Shape Memory Effects in alloys // Ed. J. Perkins. NY, London: Plenum Press, 1975. 480 p.

13. Варлимонт X. Мартенситные превращения в сплавах на основе меди, серебра, золота / X. Варлимонт, Л. Дилей. М. : Наука, 1980. 205 с.

14. Ооцука К. Сплавы с эффектом памяти формы : пер. с япон. / К. Ооцука, К. Симидзу, Ю. Судзуки [и др.]. М. : Металлургия, 1990. 224 с.

15. Хачин В. Н. Никелид титана, структура и свойства / В. Н. Хачин, В. Г. Пушин, В. В. Кондратьев М.: Наука, 1992. 161 с.

16. Пушин В. Г. Предпереходные явления и мартенситные превращения / В. Г. Пушин, В. В. Кондратьев, В. Н. Хачин Екатеринбург: УрО РАН, 1998. 368 с.

17. Лободюк В. А. Мартенситные превращения / В. А. Лободюк, Э. И. Эстрин. М.: Физматлит, 2009. 352 с.

18. Pushin V. G. Alloys with a Thermomechanical Memory: Structure, Properties, and Application / V. G. Pushin // PhMM. 2000. V. 90. Suppl. 1. P. 568-595.

19. Алдунин А.В., Исследование, разработка и внедрение эффективных технологий производства полос и лент из стали и сплавов цветных металлов с заданными структурой и свойствами: Дис. ... док. технич. наук, Москва, 2011.

20. Ермолов И.Н., Останин Ю.Я. Методы и средства неразрушающего контроля качества: Учеб. пособие для инженерно-техн. спец. вузов. — М.: Высш. шк,, 1988. — 368 с , ил.

21. Шариков В., Грезнев В. Проблемы проектирования средств автоматизации и контрольно-измерительных приборов металлургических объектов / Практика приборостроения, 2002, No1. - С. 10-15.

22. Борзенко И.М., Петров А.Г., Математические методы для решения задач контроля и управления. - М.: Машиностроение, 1973. - 60 с.

23. Гусаров В. Стандарты качества: от первичных эталонов и автоматизированных метрологических лабораторий до полевой измерительной аппаратуры / Практика приборостроения, 2002, No1. - С. 39-

24. Ицкович Э.Л. Рациональный выбор средств измерения в системах автоматизации производства / Промышленные АСУ и контроллеры. 2001, №12.-С. 43-50.

25. Кондратьев Н.В., Родинков Е.К. Автоматизация управления качеством продукции на предприятии. - Л.: Машиностроение, Лениград. Отд-ние, 1980.-207 с, ил.

26. Перцовский М.И. Системы промышленной и лабораторной автоматизации / Промышленные АСУ и контроллеры. 2001, No1. - С. 13-19.

27. Юнусов Ю.Ю., Осмаков В.Н. Исследование макро- и микроструктуры металла неразрушающим методом при помощи металлографического комплекса / Металловедение и термическая обработка металлов, 2002, №2,-С. 36-37.

28. Яковлев А.В. Система обработки изображений шлифов металлов // Радиотехника, телевидение и связь. Межвуз. сборник научн. трудов. -Муром: Изд-во Муромского института (филиала) ВлГУ, 1999.

29. Рогов В.В. Разработка алгоритмического и программного обеспечения автоматизированной системы контроля качества поверхности стальной горячекатаной полосы: Автореф. дисс. на соиск. уч. ст. к. т. н.: 05.13.14. -Череповец:, 2000. - 23 с.

30. Фищенко В. К. Разработка математического и программного обеспечения автоматизированного рабочего места для исследования микроструктуры аморфных металлических сплавов. Автореф. дис. на соиск. учен, степ. к. т. н. : 05.13.16 - Владивосток: Дальневосточное отд-ние РАН.-, 1995.-18 с.

31. Костылева Л.В., Санталова Е.А., Ильинский В.А. Определение объемной доли дендритных ветвей с использованием компьютерных программ // Заводская лаборатория. - 2003. - № 11. - С. 33-36.

32. Мартюшев Н.В. Программные средства для автоматического металлографического анализа // Современные проблемы науки и образования. - 2012. - № 5. - С. 1-6.

33. Гонтовой С. В. Автоматизированная компьютерная система

металлографического контроля качества металлов / С. В. Гонтовой, В. А. Емельянов // Радюелектронш { комп'ютерт системи. - 2010. - № 5(46). - С. 197 - 202.

34. Яковлев А.В. Система обработки изображений шлифов металлов // Радиотехника, телевидение и связь. Межвуз. сборник научн. трудов. -Муром: Изд-во Муромского института (филиала) ВлГУ, 1999.

35. Богодухов С.И., Бондаренко Е.В., Проскурин А.Д. и др. Материаловедение и технологические процессы машиностроительного производства: лабораторный практикум. Оренбургский государственный университет, Оренбург, ГОУ ОГУ, 2004 - 409с.

36. ГОСТ 1778-70 Сталь. Металлографические методы определения неметаллических включений.

37. ГОСТР ИСО 4967-2009 Сталь. Определение содержания неметаллических включений. Металлографический метод с использованием эталонных шкал.

38. ГОСТ 5640-68 Сталь. Металлографический метод оценки микроструктуры листов и ленты.

39. ГОСТ 8233-56 Сталь. Эталоны микроструктуры.

40. ГОСТ 30415-96 Сталь. Неразрушающий контроль механических свойств и микроструктуры металлопродукции магнитным методом.

41. ГОСТ 9391-80 Сплавы твердые спеченные. Методы определения пористости и микроструктуры.

42. ГОСТ 5639-82 Стали и сплавы. Методы выявления и определения величины зерна.

43. ГОСТ 3443-87 Отливки из чугуна с различной формой графита. Методы определения структуры.

44. ГОСТ 1435-99 Прутки, полосы и мотки из инструментальной нелегированной стали.

45. Потапов А.С. Автоматический анализ изображений и распознавание образов на основе принципа репрезентационной минимальной длины описания: Дис. ... канд. технич. наук, Санкт-Петербург, 2008.

46. Неменёнок Б.М., Гурченко П.С., Рафальский И.В. Контроль качества

продукции металлургического производств // Учебное пособие. - Минск: БНТУ, 2005. - 449 с.

47. Ермолов И.Н., Останин Ю.Я. Методы и средства неразрушающего контроля качества: Учеб. пособие для инженерно-техн. спец. вузов. — М.: Высш. шк,, 1988. — 368 с , ил.

48. Геллер Ю.А., Рахштадт А.Г., Материаловедение. - М.: Металлургия, 1983, 384с.

49. Панченко Е.В., Скаков Ю.А., Кример Б.И. и др. Лаборатория металлографии. - М.: Металлургия, 1965.

50. Металловедение и термообработка стали: Справ. изд. В 3-х томах./ Под редакцией Бернштейна М.Л., Рахштада А.Г. - М.: Металлургия, 1991.

51. Яковлев A.B. Система обработки изображений шлифов металлов // Радиотехника, телевидение и связь: Межвуз. сб. научн. тр., посвященный

52. Космынин А.В., Чернобай С.П., Саблина Н.С., Космынин А.А. Технологические аспекты повышения эксплуатационной надёжности режущего инструмента при изготовлении авиационной техники // Международный журнал экспериментального образования. - 2014. - № 5 -С. 27-29

53. Чубов А. А., Автоматизация металлографического анализа и контроля сплавов с использованием методов цифровой обработки оптических изображений микроструктур : дисс. ... канд. Технич. наук : Рыбинск, 2007.

54. Богодухов С.И., Проскурин А.Д. Железоуглеродистые сплавы: методические указания к лабораторной работе. Оренбургский государственный университет, Оренбург, ГОУ ОГУ, 2003 - 23с.

55. Буслаева Е.М. Материаловедение. Шпаргалка. Электронная книга. Ай Пи Эр Медиа, 2009 - 170с

56. Э.В. Козлов, Н.А. Конева, Н.Л. Попова. Зеренная структура, геометрически необходимые дислокации и частицы вторых фаз в поликристаллах микро- и мезоуровня/ Физическая мезомеханика, 12/4 (2009), стр.93-106. Томский государственный архитектурно-строителый университет, Томск, Россия

57. Форсайт Д.А., Понс Ж. Компьютерное зрение. Современный подход.: Пер. с

англ. - М.: Издательский дом «Вильяме», 2004. - 928с.

58. Емельянов В. А. Нейросетевой метод определения количественных характеристик металлов [Текст] / В. А. Емельянов // Радюелектронш i комп'ютерт системи, 2010. т.№ 4.-С.169-173

59. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2002. - 382 с.

60. SIAMS; «Системы анализа изображения и моделирования структур» [Электронный документ]: Сайт компании. - ООО «СИАМС», 2015. -(http://www.siams.com). - Проверено 24.01.2015.

61. Gleebe; «Системы термомеханического моделирования» [Электронный документ]: Сайт компании. - ООО «Gleebe», 2015. -(http://gleebleru.gleeble.com/). - Проверено 24.01.2015.

62. Tixonet; «Системы анализа изображения для решения основных задач металлографии и материаловедения» [Электронный документ]: Сайт компании. - ООО «Tixomet», 2015. - (http://thixomet.ru/). - Проверено 24.01.2015.

63. Carl Zeiss; «Carl Zeiss Industrial Metrology» [Электронный документ]: Сайт компании. - ООО «Carl Zeiss», 2015. - (http://www.zeiss.com/industrial-metrology/en_de/home.html). - Проверено 24.01.2015.

64. Семенков И.В. Программные средства для автоматического металлографического анализа. Материалы Российской молодежной научной конференции «Энергетика, электромеханика и энергоэффективные технологии глазами молодежи». Томск, 2013.

65. Н.В. Колодникова. Обзор текстурных признаков для задач распознавания образов: Доклады ТУСУРа. 2004 г. Автоматизированные системы обработки информации, управления и проектирования.

66. Протасов К.Т. Непараметрический алгоритм распознавания объектов подстилающей поверхности Земли по данным аэрокосмической съемки/ К.Т.Протасов, А.И. Рюмкин// Вестник Томского государственного университета. - 2002. - No275. - С. 41-46.

67. Андреев ГА. Анализ и синтез случайных пространственных текстур / ГА.

Андреев, О.В. Базарский, А.С. Глауберман, А.И. Колесников, Ю.В. Коржик, Я.Л. Хлявич //Зарубежная радиоэлектроника. - 1984. - №2. - С. 3-33.

68. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР. -1979.-Т. 67.-№5.

69. Потапов А.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника. -2003. -Т. 48.- №9. -С. 1101-1119.

70. Зеленцов И.А. Распознавание образов. Вводная лекция. [Электронный документ]: Сайт научно-образовательного кластера CLAIM, 2015. - (http://it-claim.ru/Persons/Zelencov/Lection_text.pdf). - Проверено 24.09.2015.

71. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. М.: Мир, 1978. 412 с.

72. Горелик, А. Л. Методы распознавания: Учебное пособие для вузов / Горелик А. Л., Скрипкин В. А. М.: Высш. шк., 1977. - 222 с

73. Фу К. Структурные методы в распознавании образов, М.:МИР, 1977. - 320 с

74. Шарыбин С.И., Клюев А.В., Столбов В.Ю. Сравнение методов распознавания образов в задачах поиска характерных зерновых микроструктур на фотографиях шлифов металлов и сплавов // Изв. вузов. Черная металлургия. - 2012. - №9. - С. 49-53.

75. Shih Frank. Image processing and pattern recognition: fundamentals and techniques. IEEE Press, 2010. - 537 p.

76. Дьяконов В. П. MATLAB 6.5 SP1/7.0 + Simulink 5/6/ Обработка сигналов и проектирование фильтров. — М.: СОЛОН-Пресс, 2005. — 676 с.

77. Металлография железа. Т.1,2. (с атласом микрофотографий). - М.: Металлургия, 1972. - 440 с.

78. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика— М.: Мир, 1992. — 240 с.

79. В.А.Головко, под ред.проф.А.И.Галушкина Нейронные сети: обучение, организация и применение. - Москва : ИПРЖР, 2001.

80. E. G. Richardson, Iain (2003). H.264 and MPEG-4 Video Compression: Video

Coding for Next-generation Multimedia. Chichester: John Wiley & Sons Ltd.

81. Eugene F. Krause. Taxicab Geometry: An Adventure in Non-Euclidean Geometry. Courier Dover Publications, 1986. 88 pages

82. Елена Деза, Мишель Мари Деза. Энциклопедический словарь расстояний. — М: Наука, 2008. — 444 с.

83. Гирсанов И. В. Лекции по математической теории экстремальных задач. — М.; Ижевск: НИЦ «Регулярная и хаотическая динамика», 2003. — 118 с.

84. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. — М.: Мир, 1985.

— 509 с

85. C. T. Kelley. Iterative Methods for Optimization. SIAM, 1999. - 180 p.

86. Камынин Л.И. Математический анализ. Т. 1, 2. - 2001

87. Айвазян С. А. и др. Прикладная статистика: Основы моделирования и первичная обработка данных. Справочное изд. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. — М.: Финансы и статистика, 1983. — 471 с.

88. Красильииков, Н. Н. Цифровая обработка изображений [Текст] / Н. Н. Красильников. - М. Вуз. кн., 2001. - 319с

89. Миловский, А. В гармонии с CMS // А. Миловский / Publish №7, 2004.-C. 1521.

90. Зорич В. А. Математический анализ. — М.: Физматлит, 1984. — 544 с.

91. Афонский А. А., Дьяконов В. П. Цифровые анализаторы спектра, сигналов и логики / Под ред. проф. В. П. Дьяконова. — М.: СОЛОН-Пресс, 2009. — 247с

92. Charles K. Chui. An introduction to wavelets. 1992. 266 pages.

93. Jun Ohta. Smart CMOS Image Sensors and Applications. CRC Press. 2007. 272 pages.

94. Гольденберг Л. М., Матюшкин Б. Д. Цифровая обработка сигналов — М.: Радио и связь, 1985

95. Mark S. Nixon and Alberto S. Aguado. Feature Extraction and Image Processing.

— Academic Press, 2008. — 350 pages.

96. Carlo Tomasi and Roberto Manduchi, "Bilateral filtering for gray and color images," in Computer Vision, 1998. Sixth International Conference on. IEEE,

1998, pp. 839- 846.

97. Прэтт, У. Цифровая обработка изображений: пер. с англ., в 2-х книгах. Кн.2 / У. Прэтт. - М.: Мир, 1982. - 480 с, ил.

98. Пантелеев, В. Г. Компьютерная микроскопия / В. Г. Пантелеев, О. В. Егорова, Е. И. Клыкова. - М.: Техносфера, 2005. - 304 с.

99. Яковлев, А. В. Результаты экспериментов по автоматическому анализу структуры микрошлифов металлов [Текст] / А. В. Яковлев, Е.Н.Сидоренко; Муромский ф-ал ВГУ. - Муром, 2001. - 20 с. - Деп. в ВРШИТИ 18.01.2001 № 134-В2001.

100. Кормен, Т., Лейзерсон, Ч., Ривест, Р., Штайн, К. Алгоритмы: построение и анализ = Introduction to Algorithms. — 2-е. — М.: Вильямс, 2005. — 1296 с.

101. Stockman, George C.; Shapiro, Linda G. Computer Vision. Prentice Hall, 2001. 608pages.

102. Журавлёв В. Ф. Основы теоретической механики. 2-е изд. — М.: Физматлит, 2001. — 320 с

103. Фихтенгольц Г. М. Курс дифференциального и интегрального исчисления. Т. II. 7-е изд. — М.: Наука, 1969. — 800 с

104. Терелянский П. В. Системы поддержки принятия решений. Опыт проектирования : монография / П. В. Терелянский ; ВолгГТУ. — Волгоград, 2009. — 127 с.

105. Джозеф Джарратано, Гари Райли. Экспертные системы: принципы разработки и программирование. - 4-е изд. - М.: «Вильямс», 2006.

106. John F. Sowa. Principles of Semantic Networks: Explorations in the Representation of Knowledge. 1991. 594 pages.

107. Минский М. Фреймы для представления знаний. М.: Мир, 1979

108. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник. — СПб.: Питер, 2000

Приложения

11, М, Ьортник

С.Г. Поляков

Председатель Наблюдательного сонета

Генеральиый директор Фонда содействия развитию малых форм предприятий в научно-технической сфере

фонд содействия развитию

малых форм предприятий в научно-технической_С(

Победитель программы Участник молодежного

научно-инновациониого конкурса ("УМНИК )

ин^-'