Методика оценки качества поверхностей на наноуровне средствами автоматизированного визуального контроля тема диссертации и автореферата по ВАК РФ 05.02.23, кандидат наук Спиридонов, Владислав Викторович

• Спиридонов, Владислав Викторович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Спиридонов, Владислав Викторович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. СИСТЕМНЫЙ АНАЛИЗ ПРОБЛЕМАТИКИ АВТОМАТИЗАЦИИ ВИЗУАЛЬНОГО КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ И ТЕХНИЧЕСКИХ РЕШЕНИЙ

1.1. Методы контроля и технические решения, используемые при оценке качества объектов на наноуровне

1.2. Примеры использования систем автоматизированного визуального контроля для решения прикладных задач

1.2.1. Применение СТЗ в промышленном производстве на примере медицинской промышленности (разработка ЗАО "НПК ВИДЕОСКАН")

1.2.2. Анализ геологических макрообъектов (разработка ООО "НВП Центр-ЭСТАгео")

1.2.3. Автоматическое выделение и фильтрация следа частиц (разработка ИИТ и ИВТ РАН)

1.2.4. Компьютерный комплекс ранней диагностики остеопороза (разработка ИИТ и рентгенцентр ВВС РФ)

1.2.5. Система контроля гранулометрического состава Cinderella

1.3. Анализ погрешностей автоматизированных систем визуального контроля объектов наноуровня

1.4. Выбор показателей качества поверхностей на наноуровне

1.5. Анализ требований к системам визуального контроля изделий наноуровня

Выводы по 1-й главе

ГЛАВА 2. АНАЛИЗ ПРИМЕНИМОСТИ СУЩЕСТВУЮЩИХ МАТЕМАТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ДЛЯ ЗАДАЧ КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ

2.1. Разработка структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне

2.2. Формирование аддитивного и мультипликативного тестов

2.3. Применение методов сегментации изображения

2.4. Применение метода глобальной пороговой обработки

2.5. Применение метода инвертирования изображения

2.6. Применение метода локальной пороговой обработки

2.7. Применение метода дискриминантного критерия

2.8. Применение метода адаптивной пороговой обработки

Выводы по 2-й главе

ГЛАВА 3. РЕАЛИЗАЦИЯ И ВЕРИФИКАЦИЯ АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ

3.1. Реализация и верификация алгоритма порогового разделения для контроля качества изделий

3.2. Улучшение качества изображения поверхностей на наноуровне методом гистограммного выравнивания

3.3. Определение границ нанообъектов при автоматизированном контроле качества изделий приборостроения

3.4. Реализация и верификация алгоритма анализа нанообъектов на изображении..77 Выводы по 3-й главе

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ВИЗУАЛЬНОГО КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ

4.1. Разработка программного обеспечения автоматизированной системы визуального контроля качества поверхностей на наноуровне

4.2. Оптимизация алгоритмов обработки изображений

4.3. Экспериментальное определение погрешности автоматизированной системы визуального контроля качества поверхностей на наноуровне

Выводы по 4-й главе

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ 1. ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ

ПРИЛОЖЕНИЕ 2. ПАТЕНТ НА ПОЛЕЗНУЮ МОДЕЛЬ И СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ ПРОГРАММЫ ДЛЯ ЭВМ

ПРИЛОЖЕНИЕ 3. ОПИСАНИЕ И ИСХОДНЫЙ КОД ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ АВТОМАТИЗИРОВАННОГО ВИЗУАЛЬНОГО КОНТРОЛЯ ОБЪЕКТОВ НАНОУРОВНЯ

ПРИЛОЖЕНИЕ 4. МЕТОДИКА ИЗМЕРЕНИЙ ОБЪЕКТОВ НА НАНОУРОВНЕ

Введение диссертации (часть автореферата) на тему «Методика оценки качества поверхностей на наноуровне средствами автоматизированного визуального контроля»

ВВЕДЕНИЕ

Актуальность темы диссертации. Задачи улучшения функциональных свойств материалов тесно связаны с оценкой качества поверхностей на наноуровне. Важность исследования качества поверхностей на наноуровне во многом определяется необходимостью снижения сил трения в парах, работающих в специфических условиях высоких нагрузок. В частности, профиль поверхностей на наноуровне в значительной степени определяет их фрикционные свойства. В случае металлов и сплавов существенное улучшение триботехнических характеристик уже невозможно за счет одного только легирования. Существует громадный резерв влияния на триботехнические характеристики металла за счет модифицирования структуры, что может быть реализовано при улучшении свойств межфазовых границ, изменении концентрации и распределения неровностей на наноуровне, фазовых составляющих и т. д. Для всех классов композитов важным является оптимизация структуры, в том числе снижение размеров зерен до наноуровня, а также регулирование кинетики структурообразования с целью обеспечения заданных триботехнических и прочностных характеристик [1.. .6]. В данной работе рассмотрены показатели качества поверхностей на наноуровне, связанные с определением топологических параметров заданных элементов и их и концентрации.

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

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

Работа выполнялась в рамках договора ОКР №Е-1-14-1417 «Разработка технологии нанесения многофункциональных покрытий на основе поверхностно-активных веществ на элементы конструкций и механизмов РКТ» (2011-2013 гг.).

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

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

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

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

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

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

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

- разработать структуру автоматизированной системы визуального контроля качества поверхностей на наноуровне;

- теоретически исследовать алгоритмы обработки изображений;

- разработать и экспериментально верифицировать алгоритмы бинаризации, сегментации, распознавания и фильтрации шумов на изображениях с учетом специфики нанодиапазона;

- обосновать целесообразность применения тестовых методов для повышения достоверности контроля;

- оптимизировать предложенные алгоритмы обработки изображений;

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

- провести экспериментальные исследования для проверки эффективности предложенных алгоритмов.

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

Научная новизна работы заключается в следующем:

- разработана новая структура автоматизированной системы визуального контроля качества поверхностей на наноуровне, отличительным признаком которой являются два теста линейных размеров. Теоретически

обосновано и практически доказано, что применение двух тестов линейных размеров повышает точность измерений на наноуровне путем минимизации аддитивных и мультипликативных погрешностей;

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

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

- экспериментально подтверждено и реализовано математическое, алгоритмическое и программное обеспечение системы визуального контроля качества поверхностей на наноуровне.

Достоверность и обоснованность научных положений и результатов работы обусловлены:

- применением общепринятого математического аппарата обработки изображений;

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

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

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

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

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

8

на наноуровне.

На защиту выносятся:

- структура системы автоматизированного визуального контроля качества поверхностей на наноуровне;

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

- алгоритм автоматизированного измерения линейных размеров объектов на наноуровне.

Реализация и внедрение результатов работы осуществлены в:

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

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

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

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

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

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на следующих научных конференциях: II Всероссийской научно-технической конференции «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «ВОЕНМЕХ», 2010 г.); II международной научно-технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «ВОЕНМЕХ», 2011 г.); III Международной научно-технической конференции «Молодежь. Техника. Космос» (СПб, БГТУ «ВОЕНМЕХ», 2012 г.); 67-й научно-технической конференции, посвященной

9

Дню радио (СПб, ЛЭТИ, 2012 г.); III Всероссийской научно-технической конференции «Фундаментальные основы баллистического проектирования» (СПб, БГТУ «ВОЕНМЕХ», 2012 г.); международной конференции «Восьмые Окуневские чтения» (СПб, БГТУ «ВОЕНМЕХ», 2013); 11 сессии международной научно-технической школы «Фундаментальные и прикладные проблемы надежности и диагностики машин и механизмов», (СПб, СПбИПМ, 2013 г.).

Личный вклад автора заключается в:

- разработке новой структуры системы автоматизированного визуального контроля качества поверхностей на наноуровне, включающей тесты линейных размеров;

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

- разработке алгоритма автоматизированного измерения линейных размеров объектов на наноуровне;

- исследовании адекватности алгоритмов обработки изображений на экспериментальных данных.

В работе поставлена и решена актуальная в научном отношении и практически важная задача по разработке методики автоматизированного визуального контроля качества поверхностей на наноуровне в процессе производства.

ГЛАВА 1. СИСТЕМНЫЙ АНАЛИЗ ПРОБЛЕМАТИКИ АВТОМАТИЗАЦИИ ВИЗУАЛЬНОГО КОНТРОЛЯ КАЧЕСТВА ПОВЕРХНОСТЕЙ НА НАНОУРОВНЕ И ТЕХНИЧЕСКИХ

РЕШЕНИЙ

1.1. Методы контроля и технические решения, используемые при оценке качества объектов на наноуровне

На первом этапе системного анализа должны быть изучены технические решения, используемые при контроле качества объектов на наноуровне. В данной работе объектами исследования являлись технические решения и устройства, повышающие достоверность контроля качества продукции на наноуровне. В процессе исследования были выявлены и изучены следующие устройства.

Устройство для измерения для измерения положения механизма (Патент РФ на изобретение № 2095754, 10.11.1997 г., МПК G01B21/00, Марченко A.M., Федосеев В.Б., Сусанов Д.Ю., Кутузов И.Г.). Сущность метода контроля состоит в том, что технический результат (повышение точности) достигается тем, что в процессе измерения расстояния до объекта минимизируется ошибка измерений, имеющая место вследствие наличия у объекта кривизны и пространственных угловых перемещений механизма, на котором установлено оптико-электронное измерительное устройство. Устройство содержит оптическую передающую систему, приемную систему, включающую в себя объектив, пространственно-временной модулятор света, Фурье-преобразователь, бинарный фильтр пространственной частоты, позиционно-чувствительные приемники, тракт обработки, включающий в себя специальные блоки. На аналоговый ключ поступает сигнал из канала, организованного блоками, а на пространственно-временной модулятор света поступает сигнал с дополнительного преобразователя импульсов. На регистрирующее устройство поступает сигнал заданной длительности в

моменты времени, соответствующие минимальным значениям амплитуды угловых перемещений механизма [7].

Основным недостатком устройства для измерения положения механизма является то, что предложенные в устройстве технические решения по повышению точности предназначены, прежде всего, для объектов измерения с кривизной поверхности.

Устройство для измерения диаметров тел вращения (Патент РФ на изобретение № 2164664, 27.03.2001 г., МПК С01В11/08, Ларкин Е.В., Ханов Н.В.). Сущность метода контроля заключается в том, что оно состоит из измерительного блока, фотоприемника, оптической системы, измеряемого тела вращения, реперной линейки, прижимного ролика, привода вращения, опор измеряемого тела вращения, осветителя, датчика углового положения опор измеряемого тела вращения, аналого-цифрового преобразователя. Пучок света направляется на измеряемое тело вращения и реперную линейку. Часть пучка света направляется оптической системой на фотоприемник. Информация с фотоприемника для преобразования в цифровую форму поступает на вход аналого-цифрового преобразователя, а затем в измерительный блок. Измерительный блок производит определение диаметра измеряемого тела вращения. Во время измерений тело вращения располагают на опорах. Опоры выполнены в виде цилиндров и свободно установлены на параллельных осях. Изобретение позволяет повысить производительность и достоверность контроля диаметров тел вращения [8].

Основным недостатком устройства для измерения диаметров тел вращения является то, что предложенные в устройстве технические решения предназначены, прежде всего, для измерения диаметров тел вращения.

В устройстве для измерения положения отсчетного круга угломерного

инструмента (Патент РФ на изобретение № 2082087, 20.06.1997 г., МПК

С01В21/22, Привер Л.С.) для контроля исследуемого образца используются

объектив, источники света, диафрагму, сканер, диск с двумя щелями на его

периферии, фотодиоды, штриховую меру и электронную схему

12

преобразования информации. Новым является выполнение штриховой меры в виде непрозрачного диска с прозрачными щелями, а сканер выполнен в виде двухгранного оптического клина. Источник света содержит два светодиода и диафрагму с двумя "точечными" отверстиями, лежащими на линии, перпендикулярной плоскости, образованной осями вращения отсчетного диска, сканера и оптической оси объектива. Расстояние между изображениями отверстий в диафрагме на периферии диска, образованными объективом, должны находиться на расстоянии равным нечетному числу половин расстояний между штрихами. Два фотодиода, установленные над этими изображениями, соединены с первыми входами блоков двухканальной электронной схемы. Вторые входы этих блоков, содержащих усилители, формирователи импульсов и измерители интервалов времени между импульсами, соединены с фотодиодом, установленным над диском с двумя щелями. Входные блоки подключены также к генератору импульсов высокочастотного заполнения, а их выходы — к микрокомпьютеру для вычисления угловых отклонений. Выходы последних соединены с блоком выделения и сравнения модулей, переключений и индикации результатов [9].

Основным недостатком данного устройства является то, что оно включает только одну штриховую меру (эталон), что затрудняет дальнейшее повышение точности измерений.

Анализ существующих решений показал необходимость создания систем контроля, позволяющих проводить измерения поверхностей на наноуровне с повышенной точностью, а также исключать основные виды погрешностей (аддитивную и мультипликативную).

1.2. Примеры использования систем автоматизированного визуального контроля для решения прикладных задач

1.2.1. Применение СТЗ в промышленном производстве на примере медицинской промышленности (разработка ЗАО МНПК ВИДЕОСКАН")

Для профилактики и лечения приступов у больных бронхиальной астмой компания "Пульмомед" разработала препарат пролонгированного действия "Сальтос", важнейшей особенностью которого является его дозированное выделение. Для этого в нерастворимой оболочке каждой таблетки лазерным лучом прожигается отверстие строго определенного размера (рис. 1.1). Так как любое отклонение от заданного параметра может представлять серьезную опасность для пациента, компания "Пульмомед" приняла решение об обеспечении стопроцентного полностью автоматизированного контроля размера отверстий в оболочках производимых таблеток путем применения средств СТЗ.

Рис. 1.1. Изображение отверстия в оболочке таблеток получено видеосистемой У8-СТТ-075-2001, оснащенной микроскопическим

объективом

Несмотря на то, что средняя яркость изображения в площади отверстий почти не отличается от средних значений яркости в остальных

частях изображения, в "НПК ВИДЕОСКАН" были разработаны алгоритмы, решающие задачи выделения области поверхности таблетки, содержащей отверстие, и определения площади отверстия в темпе работы производственной линии — до 2 таблеток в секунду. Примеры работы этого алгоритма приведены на рис. 1.2.

Рис. 1.2. Примеры выделения площадей отверстий

Результаты измерения площадей отверстий используются в промышленной линии для регулирования мощности излучения лазерной установки и отбраковки продукции [10].

1.2.2. Анализ геологических макрообъектов (разработка ООО "НВП

Центр-ЭСТАгео")

В настоящее время на многих российских горнодобывающих

предприятиях обеспеченность разведанными запасами сырья достигла

критически низкого уровня, а стратегический резерв многих видов ресурсов

на действующих месторождениях является малонадежным. В связи с этим

необходимо обеспечить максимальную достоверность оценки запасов и

качества минерального сырья, которая в значительной степени зависит от

полноты изучения вещественного состава и точности определения его

технологически значимых параметров — минерального и химического

15

состава сырья, текстурно-структурных и морфометрических характеристик, физических, физико-химических и поверхностных свойств минералов.

Для решения этой задачи разработана методика количественной оценки минерального состава стандартных геологических препаратов (шлифов, аншлифов, полировок и т. д.) и аппаратно-программная система "ВидеоМастер". Комплекс занесен в Госреестр РФ как измерительное средство №20446-00. Методика количественного анализа в системе "Видео-Мастер" показана на примере исследования шлифа из рудной зоны Ковдорского комплексного железорудного месторождения (рис. 1.3).

Рис. 1.3. Шлиф из рудной зоны: а - исходное изображение препарата; б -

оптимизированное изображение

На рис. 1.3, а показано исходное изображение препарата, содержащего магнетитовые, апатитовые и кальцитовые минеральные выделения; на рис. 1.3, б представлено то же изображение после оптимизации динамического диапазона яркостей, уже обладающее достаточно удовлетворительными яркостными характеристиками для автоматического выделения искомых минеральных агрегатов.

Дальнейшая оценка распределения яркости, как на всем анализируемом изображении, так и на его отдельных участках с изображениями искомых

объектов, позволяет уточнить основные рабочие яркостные параметры информационных образов искомых объектов (приведенные выше средние значения яркости объектов, их среднеквадратические отклонения и т. п.) и таким образом создать достаточно детальные яркостные информационные образы соответствующих минеральных выделений.

Дополнительная оценка морфометрических параметров (площадь, изрезанность границ и др.) выделяемых объектов еще более детализирует их образы, уменьшая тем самым погрешности распознавания. В первую очередь по яркостным признакам осуществляется выделение "фоновых" участков изображения основы (рис. 1.4, а). Минеральные агрегаты магнетита в данном образце выделяются также по значению их яркости, так как их модальное значение яркости существенно отличается от соответствующих модальных значений всех остальных компонентов образца (рис. 1.4, б).

Рис. 1.4. Минеральные агрегаты магнетита: а - исходное изображение препарата после бинаризации; б - оптимизированное изображение после

бинаризации

Поскольку распределение яркостей минеральных агрегатов апатита и кальцита мало отличается, их выделение осуществляется не только по модальным значениям яркости, но и по значениям дополнительных яркостных дискриминантных признаков, в данном случае — по величинам

среднеквадратических отклонений значений яркости выделяемых объектов (рис. 1.5, а).

К завершению анализа остаются не выделенными только минеральные агрегаты кальцита (рис. 1.5, б). Для данного вида образцов это последний тип выделяемых объектов, поэтому их выделение может быть осуществлено в два этапа:

- выделение всех объектов, имеющих набор дискриминантных признаков, общих для кальцита и апатита;

- удаление всех объектов, местоположение которых на изображении совпадает с местоположением уже выделенных минеральных агрегатов апатита.

Рис. 1.5. Морфологический анализ: а - морфология исходного изображения препарата; б - морфология оптимизированного изображения

Далее программа анализатора проводит для каждого из выделенных объектов измерения по 21 морфометрическому параметру, из которых особый практический интерес, как правило, представляют так называемые "основные морфологические параметры" — площадь, периметр и т. п.

Приведенный цикл операций может быть зафиксирован и воспроизводиться автоматически при анализе серии образцов пород и руд одного и того же месторождения, что позволяет осуществлять объективную

а

б

комплексную оценку набора параметров для каждого выделяемого объекта (минералы) при анализе их мощных множеств - до сотен тысяч объектов. Это важно для достоверной оценки ресурсов минерального сырья и выбора наиболее оптимальных схем его последующей технологической обработки.

На основании полученной информации можно определить: оптимальный режим рудоподготовки, обеспечивающий полное раскрытие рудных минералов; оптимальную глубину обогащения (оптимальное сочетание механического и химико-металлургического переделов); рациональную технологическую схему; основные технологические показатели, которые можно получить в процессе переработки по рекомендуемой схеме; величины неизбежных технологических потерь [11].

1.2.3. Автоматическое выделение и фильтрация следа частиц (разработка ИИТ и ИВТ РАН)

Система позволяет автоматизировать процесс обработки и анализа 12-битных цифровых изображений следа частиц, полученных скоростной фотосъемкой (рис. 1.6), и обеспечивает надежное выделение следа частиц с субпиксельной точностью, а также их фильтрацию по целевым параметрам (длина следа частицы, максимальная интенсивность по длине следа, поперечный размер следа частицы с учетом угла следа, угол наклона следа частицы относительно границ изображения и ряд других) [12].

Рис. 1.6. Следы частиц, удовлетворяющие заданным параметрам

1.2.4. Компьютерный комплекс ранней диагностики остеопороза (разработка ИИТ и рентгенцентр ВВС РФ)

Комплекс предназначен для анализа медицинских рентгеновских изображений и выполняет ряд специальных процедур структурного анализа рентгеновских изображений кости (рис. 1.7, а), выделение концевых и узловых точек (рис. 1.7, б), а также сбор различного рода статистической информации о длине, толщине и направлениях трабекул [11].

а б

Рис. 1.7. Костные структуры: а - исходное изображение; б - выделенная

проекция костной структуры

1.2.5. Система контроля гранулометрического состава Cinderella

АПК Cinderella представляет собой автоматизированную систему для определения гранулометрического состава сухих сыпучих веществ. Диапазон размеров частиц материала — от 0,5 до 12 мм.

В состав системы входит оптоэлектронный прибор Cinderella и программное обеспечение Cinderella.

Принцип действия системы основан на обработке последовательности изображений проекций частиц. В процессе работы системы частицы с помощью питателя подаются в область видеоконтроля и проходят между видеокамерой и осветителем. Сформированные таким образом изображения

проекций частиц поступают в ЭВМ и обрабатываются программным обеспечением системы (рис 1.8 и 1.9). Результаты обработки пробы могут быть выведены на печать в виде отчета или сохранены в базе данных для дальнейшей работы с ними. Распределение частиц пробы строится по выбранному оператором набору фракций (классов крупности).

Прибор Cinderella включает следующие основные блоки: видеокамера, осветитель, подающее устройство (питатель) и приемный резервуар для частиц.

Область применения прибора: лаборатории предприятий, занимающихся производством сухих сыпучих веществ (минеральные удобрения, древесные частицы, др. гранулированные материалы) [13].

Система также обладает следующими возможностями:

Список литературы диссертационного исследования кандидат наук Спиридонов, Владислав Викторович, 2014 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Тополянский П.А., Тополянский А.ГТ. Прогрессивные технологии

нанесения покрытий - наплавка, напыление, осаждение. Журнал «Ритм» № 1, 2011,-с. 63-68.

2. Тополянский П.А. Ионно-плазменное напыление износостойких покрытий на инструмент. Материалы 6-й Международной практической конференции-выставки «Технологии ремонта, восстановления и упрочнения деталей машин, механизмов, оборудования, инструмента и технологической оснастки». Санкт-Петербург. Изд. СПбГПУ, 2005, с. 323 - 338.

3. Гаркунов Д.Н. Триботехника. М.: Машиностроение, 2000. - 424 с.

4. Гаркунов Д.Н. Триботехника (износ и безызносность): Учебник. - 4 изд., перераб. и доп. - М.: «Издательство МСХА», 2001. - 616 с.

5. Гаркунов Д.Н. Триботехника (конструирование, изготовление и эксплуатация машин): Учебник. - 5 изд., перераб. и доп. - М.: «Издательство МСХА», 2002. - 632 с.

6. Денисова Н.Е., Шорин В.А., Гонтарь И.Н., Волчихина Н.И., Шорина Н.С. Триботехническое материаловедение и триботехнология: Учебник. -Пенза: Издательство Пензенского государственного университета, 2006. -248 с.

7. Патент РФ на изобретение № 2095754, 10.11.1997 г., МПК G01B21/00, Марченко A.M., Федосеев В.Б., Сусанов Д.Ю., Кутузов И.Г.

8. Патент РФ на изобретение № 2164664, 27.03.2001 г., МПК G01B11/08, Ларкин Е.В., Ханов Н.В.

9. Патент РФ на изобретение № 2082087, 20.06.1997 г., МПК G01B21/22, Привер JI.C.

10. Семин М.С. Прикладные задачи, решаемые с помощью систем технического зрения. - Режим доступа: http://www.ess.ru/sites/default/files/files/articles/2002/06/2002_06_03.pdf

11.Семин М.С. Обзор решения прикладных задач с помощью систем технического зрения - Режим доступа: http://videoscan.ru/page/718.

12. Режим доступа: http://www.iitvision.ru/track.htm.

13. Режим доступа: http://www.mallenom.ru/cinderella.php.

14.Пытьев Ю. П. Задачи морфологического анализа изображений // Сб. «Математические методы исследования природных ресурсов Земли из Космоса.» - М.: Наука, 1984. - С. 41-83.

15 .Коваленко П. 77. Перечислительные методы и цифровые технологии классификации сигналов в системах мониторинга качества поверхностей, автореф. дисс. к-та техн. наук. СПб., 2011.

16.Фу К. Структурные методы в распознавании образов. - М.: Мир, 1977. -320 с.

17.Brown D. С. Close range camera calibration. // Photogrammetric Engineering. - August 1971. - № 37(8). - Pp. 855-866.

18Хорн Б. К. Зрение роботов. - М.: Мир, 1989.-487 с.

19.Kitchen L. and Rosenfeld A. Gray-level corner detection. // Pattern Recogn.Lett. - 1982. - № 1. - Pp. 95-102.

20 Хуанг Т. С. Обработка изображения и цифровая фильтрация. - М.: Мир, 1979.-274 с.

21 Ярославский Л. П. Введение в цифровую обработку изображений. -М.:Сов. Радио, 1979. - 312 с.

22.Визильтер Ю.В., Морзеев Ю.В., Бекетова И.В., Каратеев СЛ. Методы биометрической идентификации человека по изображениям его лица // Вестник компьютерных и информационных технологий. 2005. №11. С.2-10.

23 .Визилътер Ю.В. Метод компьютерного анализа изображений, основанный на объединении морфологических свидетельств // Труды ГосНИИАС. Серия ИТ. 2005. №2. С.14-25.

2АЖелтов С.Ю., Визильтер Ю.В., Ососков М.В., Бекетова И.В., Каратеев СЛ. Автоматическое выделение на цветных цифровых изображениях лица человека и его характерных черт II Вестник компьютерных и информационных технологий. 2005. №10. С.2-7.

25.Визшьтер Ю.В., Лагутенков A.B., Ососков М.В., Выголов О.В., Блохинов Ю.Б. Выделение и межкадровое прослеживание движущихся объектов при регистрации изображений сложных пространственных сцен произвольно движущимися двумерными сенсорами // Вестник компьютерных и информационных технологий. 2006. №3. С.34-39.

26.Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. -Москва : ТЕХНОСФЕРА, 2005. - 1072 с.

21 .Визильтер Ю.В. Обработка и анализ цифровых изображений с примерами на Lab VIEW и IMAQ Vision / Ю.В. Визильтер [и др.]. - Москва : ДМК, 2077.-464 с.

2%.Ту Дж., Гонсалес Р. Принципы распознавания образов. - М.: Мир, 1978.-411 с.

29.Буряк Д.Ю., Визильтер Ю.В. Автоматизированное конструирование

близких к оптимальным процедур идентификации и обнаружения объектов

на изображении с использованием генетических алгоритмов // Материалы 12

110

Международной Конференции по Компьютерной Графике и Машинному Зрению Графикон'2002. Нижний Новгород, 2002. С.292-298.

30Желтое С.Ю., Визильтер Ю.В., Ососков М.В. Система распознавания и визуализации характерных черт человеческого лица в реальном времени на персональной ЭВМ с использованием web-камеры // Материалы 12 Международной Конференции по Компьютерной Графике и Машинному Зрению Графикон'2002. Нижний Новгород, 2002. С.251-254.

31 Лптощук С.Г. Информационная технология для распознавания лиц в реальном времени с использованием WEB-камеры С.Г. Антощук, Н.А. Крысенко, Т.А. Бурак // М1жвщомчий науково - техшчний зб1рник. - 2007. -Выпуск 69.-С. 67-71.

32.Buryak D.Yu., Vizil'ter Yu.V. Application of genetic algorithms for automated construction of image analysis procedures // Pattern Recognition and Image Analysis. 2003. V.13. №1. P.77-79.

33.Buryak D.Yu., Vizil'ter Yu.V. The use of genetic algorithms for the automated construction of the image analysis procedures // Pattern Recognition and Image Analysis. 2003. V.13. №3. P.483-488.

34.Визильтер Ю.В. Объединение свидетельств при проверке сложных гипотез в задачах распознавания образов // Мехатроника, автоматизация, управление. 2006. №3. С.26-32.

35.Бекетова КВ., Каратеев C.JL, Визильтер Ю.В., Бондаренко А.В., Желтов С.Ю. Автоматическое обнаружение лиц на цифровых изображениях на основе метода адаптивной классификации AdaBoost // Вестник компьютерных и информационных технологий. 2007. №8. С.2-6.

36.Визшьтер Ю.В. Применение метода анализа морфологических свидетельств в задачах машинного зрения // Вестник компьютерных и информационных технологий. 2007. №9. С. 11-18.

37.Визшьтер Ю.В., Желтов С.Ю. Сравнение и локализация фрагментов изображений с использованием проективных морфологий // Вестник компьютерных и информационных технологий. 2008. №2. С. 14-22.

38.Визилътер Ю.В. Структурная фильтрация цифровых изображений с использованием проективных морфологий // Вестник компьютерных и информационных технологий. 2008. №3. С. 18-22.

39.Визильтер Ю.В. Проективные морфологии на базе интерполяции // Вестник компьютерных и информационных технологий. 2008. №4. С.11-18.

40.Визшьтер Ю.В., Ососков М.В. Опыт разработки и использования интегрированной программной среды для анализа и обработки цифровых изображений // Вестник компьютерных и информационных технологий. 2008. №5 С.7-11; 2008. №6. С. 12-14.

41.Визшьтер Ю.В., Вишняков Б.В. Исследование поведения авторегрессионных фильтров в задаче выделения и анализа движения на цифровых видеопоследовательностях // Вестник компьютерных и информационных технологий. 2008. №8. С.2-8.

42.Визшьтер Ю.В., Желтов С.Ю. Проективные морфологии и их применение в структурном анализе цифровых изображений // Изв. РАН. ТиСУ. 2008. №6. С.113-128.

43 .Визшьтер Ю.В., Желтов С.Ю., Степанов A.A. Новые методы обработки изображений. Серия: Авиационные системы. №4. М: ГосНИИАС, 1992. 21 с.

AA.Visilter Yu., Zheltov S. The conjunction angle measurement using the Hough Transform // ISPRS Intercommission III-V workshop. Zurich, 1995. P.5.

45.Visilter Yu.V. Design of Morphological Operators Based on Selective Morphology // SPIE Proceedings. V. 4667, Sun Jose, 2002, pp.215-226.

46.Buryak D.Yu, Vizilter Yu.V. Automated construction of identification procedures for objects belonging to several classes // Programming and Computer Software. 2003. V.29. № 4. P.238-243.

47.Патент РФ на полезную модель (№ 134630 МПК С01В21/02Юптико-электронная система для измерения линейных размеров изделия / А.В. Марков, В.В. Спиридонов)

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

49.Stepanov A., Visilter Yu., Zheltov S., Morzeev Yu. Object-Oriented Frame approach for improved interfaces design for image processing systems // SPIE Proceedings. 1995. V.2597. P.316-320.

50.Визилътер Ю.В., Князь B.A., Сибиряков A.B., Ососков М.В., Выголов О.В., Лагутенков А.В. Опыт разработки практических систем компьютерного и машинного зрения // Технологии машинного зрения. Регистрация и анализ цифровых изображений. М.: Видеоскан, 2001. С.22-24.

51 Яне, Б. Цифровая обработка изображений / Б. Яне. - Москва: ТЕХНОСФЕРА, 2007. - 584 с.

52.Visilter Yu., Zheltov S., Stepanov A. Shape analysis using Pytiev morphologic paradigm and its use in machine vision // SPIE Proceedings. 1994. V. 2350. P.163-167.

53.Skryabin S., Zheltov S., Visilter Yu. Photogrammetric processing of large images on a PC // SPIE Proceedings. 1995. V.2646. P.97-102.

54. Visilter Yu, Zheltov S., Stepanov A. Object Detection and Recognition using Events-based Image Analysis // SPIE Proceedings. 1996. V.2823. P.184-195.

55.Visilter Yu., Zheltov S., Stepanov A., Morzeev Yu. Frames based analysis of multisensor image sequences 11 ISPRS Proceedings. International archives of photogrammetry and remote sensing. 1996. V.XXXI. Part B2.

56.Visilter Yu., Zheltov S., Morzeev Yu. Image segmentation using the original histogram based multithreshold presegmentation // SPIE Proceedings. 1997. V.3217. P.224-231.

57.Visilter Yu. Image Analysis Using Select-Only Morphological Operators // SPIE Proceedings. 2000. V.4197. P.107-118.

58 .Грузман КС. Цифровая обработка изображений в информационных системах / И.С Грузман [и др.]. - Новосибирск: НГТУ, 2002. - 352 с.

59 Желтое С.Ю., Визильтер Ю.В. Машинное зрение: задачи и возможности // Технологии машинного зрения. Регистрация и анализ цифровых изображений. М.: Видеоскан, 2001. С. 14-16.

60 .Сулаберидзе В.Ш. Проблема погрешности и неопределенности измерения. СПб.: Библиотека журнала «ВОЕНМЕХ. Вестник БГТУ» №9, 2010 —с.78-97.

61.Марков А.В. Моделирование автоматизированных систем задания давления. Балт. гос. техн. ун-т. - СПб, 2011. - 88 с.

62.Визильтер Ю.В., Сибиряков А.В., Ососков М.В., Выголов О.В. Pisoft Image Framework -программная среда для анализа и обработки изображений

// Технологии машинного зрения. Регистрация и анализ цифровых изображений. М.: Видеоскан, 2001. С.16-18.

ЬЪ.Буряк Д.Ю., Визильтер Ю.В. Возможности применения генетических алгоритмов для автоматизированного конструирования процедур анализа изображений // 6-я Международная конференция Распознавание образов и анализ изображений: новые информационные технологии (РОАИ-6-2002). Труды конференции. 2002. С.87-92.

6А.Спиридонов В.В. Средства и методы повышения качества визуального контроля изделий в приборостроении. - Журнал «Век Качества», №3, 2013 г., с. 33-35.

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

ббЖелтов С.Ю., Визильтер Ю.В., Князь В.А., Выголов О.В. Обнаружение препятствий в системе управления транспортным средством // Доклады Третьей международной конференции «Цифровая обработка информации и управление в чрезвычайных ситуациях». Минск, 2002. Т.2. С.121-126.

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

машин и механизмов», СПб, 2013 г., с. 137-141.

68.Буряк Д.Ю., Визильтер Ю.В. Модели представления решающих процедур и их использование в генетическом алгоритме для поиска оптимальных процедур анализа изображений // Методы и средства обработки информации: Труды первой Всероссийской научной конференции. М.: МГУ, 2003. С.317-323.

69.Senchenko V.N., Dozhdikov V.S., Vizilter Yu.V., Borisov A.A. Measuring System For Temperature And Velocity Monitoring In Thermal Plasma Spraying Processes // Proceedings of Fifteenth Symposium on Thermophysical Properties. 2003, Boulder, Colorado, USA.

70.Спиридонов В. В. Методика анализа частиц на изображении в среде N1 LABVIEW. - Труды общероссийской молодежной научно-технической конференции "Молодежь. Техника. Космос", СПб, 2011 г.

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

72.Марков А. В., Спиридонов В. В. Применение метода порогового разделения и среды LabVIEW для контроля качества изделий. - Труды общероссийской молодежной научно-технической конференции "Молодежь. Техника. Космос", СПб, 2012 г.

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

IA.CnupudoHoe В. В. Анализ и реализация метода выявления дефектов на изделиях микроуровня. - 67-я научно-практическая конференция ЛЭТИ, СПб, 2012 г.

75Желтое С.Ю., Визильтер Ю.В. Машинное зрение как прикладная техническая дисциплина // Вестник компьютерных и информационных технологий. 2004. №3. С. 14-19.

16.Zheltov S.Yu., Vizilter Yu.V. Robust Computer Image Analysis fof Flight Vehicles Navigation and Guidance // 16th IF AC Symposium on Automatic Control in Aerospace. St.Petersburg, 2004. V.2. P. 164-167.

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

IB.Zheltov S.Yu., Vizilter Yu.V. Development of effective procedures for automatic stereo matching. // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Proceedings. V.XXXV. Part B3. P.720-723.

19.Knyaz V.A., Vizilter Yu.V., Zheltov S.Yu. Photogrammetric techniques for measurements in woodworking industry // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences Proceedings. V. XXXIII. Part B5/2. P.42-47.

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

81 .Новиков И.А., Агошков О.Г., Мешков С.А., Кукин М.Ю. Методы измерений и измерительные приборы. Балт. гос. техн. ун-т "ВОЕНМЕХ". -Изд. 2-е, перераб. и доп.. - СПб. - 2009. - 183 с.

Ы.Белов А.В., Вященко В.В., Шурыгин В.А. Информационно-системные основы анализа и оценки надежности артиллерийских орудий на стадии НИОКР. СПб.: БГТУ, Междунар. акад. информатизации, 1998. - 75 с. ил.

83Желтое С.Ю., Визильтер Ю.В. Перспективы интеллектуализации систем управления ЛА за счет применения технологий технического зрения // Авиационные системы в XXI веке. Юбилейная научно-техническая конференция. Сборник докладов. Т.1. С.39-52.

Ы.Визильтер Ю.В., Б.В. Вишняков, Ососков М.В., Выголов О.В. Использование модифицированного метода оптических потоков в задаче выделения и прослеживания движущихся объектов // Вестник компьютерных и информационных технологий. 2007. №5. С.3-8.

ПРИЛОЖЕНИЕ 1. ВНЕДРЕНИЕ РЕЗУЛЬТАТОВ

ДИССЕРТАЦИИ

УТВГРЭКДАК). лй директор ООО <4Щ1С»

|_Е.И. Дчнрчанов

| 27 января 2014 !

лире?

внедрения ртолиато» диссертационной работа Спиридонова Влдднслава Викторовича

Настоящий ах г полтерждаек что в работах ООО «Центр диагностнык "жеперттм и сертификации», сия'инних с контротеад качества понерхиоск'н на наноуровне. нашли практическое применение иа>чиые положения, разработанные Спиридоновым В.Н.» в юч( числе:

- стр>ктура автомалпированпой системы витального контроля качества поверхностей на нлиоуроокс. т«мючан>шсП две эталонные меры длины;

- алгоритмы обработки изображений поверхности. гкпволяюшис иовыснть достоверность нчмсрсний на нано>ровне;

- алгоритм автомат ишро»аи нот измерения линсГтыч раэчерои объектов на наноуровне. понюляющнй оперативно контролирован, пока ели качества новерхноаей.

А «¿»'Г о?*

и

УТВЕРЖДАЮ l IpoptfKTop по научной работе и инновационно-коммуникационным технологиям

о внедрении результатов диссертационной работы Спиридонова Владислава Викторовича на тему: «Методика оценки качества поверхностей иа наноуровне средствами звгоматизнровакно! о витального контроля»

В работах БзлтнЛскоги государственного технического университета «ВОПНМБХ» им. Д.Ф. Устинова, сшгамшш с преподаванием учебной дисциплины «Автоматизация измерений, испытаний и контроля» направления подготовки 200100 «Приборостроением находя г практическое применение результаты диссертационных «следований Спиридонова В JB.. отраженные в рабочей программе дисциплины, а именно:

- верифицированный алгоритм автоматизированного контроля качества поверхностей на наноурояне;

- программное обеспечение системы автоматизированного контроля, рсали^кшкч? алгоритм ааетматншроваияог« визуального контроля качества поверхности т иаиоуровне:

- созданная учебно-лабораторная установка.

Председатель комиссии ~у д-р техн. наук, с.л.с, Сулаберидзе В.Ш.

Член Komi i д-р техн. наук, доцент Марко» A.B.

Член Komi

канд. техн. наук, доцентЖарко»! М.Ф.

ПРИЛОЖЕНИЕ 2. ПАТЕНТ НА ПОЛЕЗНУЮ МОДЕЛЬ И СВИДЕТЕЛЬСТВО О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ

ПРОГРАММЫ ДЛЯ ЭВМ

Рдотжашм Фзджтщшш

г.,-.

о

g в а в* и g

m m

m m и m m m m m

V

;:■:

M &

V

n

и

a

IÇÂ

H i ПОЛКЛ1УК» ЧОЛГ-ЛЬ

л»134630

(ШГН1\0-'>.1ККТ1'011НЛЯ СИСТЕМА ДЛЯ ИЗМЕРЕНИЯ .ШШ:И!1Ы\ РАЗМЕРОВ ИЗДЕЛИЯ

PSIЯврД!

M il. iib-f' i«.tri I.Ii Фл\-[Ч1 гьиеегосударственноебюджетшн-iwp.it,ттмьпос} чремдеии* высшего профессиональней ибранттт Циннии кии .-«»о «>.//технический уми*срситет "ВОЕН\ИЛ~ 1Ш..1.Ф. *е„,иш>ы (Liry ~1ЮЕШ(ЕХ") (KV)

'u I.SM. lili Oiiiypnini'

^ -,,v.,x.20t312ll88 Hiwiwrr шад«п*шй моде*»» 07 мая 2UI3 г. it , ? ф|*та»рираваипвГ<худ»ргги»ч»ж»мpemjvt«.-•дат t> J'occitiiçMrfî <1>«дгр)цк1« 20ttûMôp* 2l>ty г.

'¿* <$m»fmmn iwnto ит*аг? 07 мая 2623t.

mwmtAW'mmftíbmiátm'&mtv'Wm'Pitt

KU i'u.Wity«:

ююГйГи шт&шшшщщ шЖш ш шшшш a m шШтЖШшШ

*1>ьтжШшш Фжрж^щмш

я КГ

1зГ~

Ш^тши ш 'ш й » и ш Й1аш ййййз К «¿ЙЙ г Л

я а и -

И -К £

. - •

, I

СВИДЕТЕЛЬСТВО

о государсгаснной рсгис грашш программы для ЭВМ

№ 2014610514

«Система автоматизированного визуального контроля изделий приборостроения»

Нравообладэтсл!.: Спиридонов Владислав Викторович (НИ)

л мор: Спиридонов Владислав Викторович (НЮ)

Jw.Ki.Vi 2013618256

Дз1ашаэ-теми* 13 сентября 2013 г.

Дата тосулгрс* шстюй Г« мстрзшт в Рссстре »{хярвмм д» ЭВМ 10 янтря 2014 д

Рукттмтсш Фпк'ригышй сгулебы т тт'.титишюй <Ллт/к(* ти

!>!! ( ммм.х.

«И 15 Е

ПРИЛОЖЕНИЕ 3. ОПИСАНИЕ И ИСХОДНЫЙ КОД ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СИСТЕМЫ АВТОМАТИЗИРОВАННОГО ВИЗУАЛЬНОГО КОНТРОЛЯ

ОБЪЕКТОВ НАНОУРОВНЯ

Данная программа разработана в среде Lab VIEW версии 8.2 с использованием библиотеки Vision Development версии 8.64. Программа представляет собой виртуальный прибор (virtual instrument, VI), состоящий из двух частей — лицевой панели и блочной диаграммы. Лицевая панель содержит элементы пользовательского интерфейса (рис. П2.1), блочная диаграмма — алгоритм работы (исходный программный код).

Рис. П2.1. Внешний вид лицевой панели

Блочная диаграмма состоит из вложенного в цикл for элемента case, который в зависимости от выбранного пользователем пункта меню выполняет определенное действие.

Загрузка файла

Функционирование алгоритма начинается с открытия диалогового окна выбора файла. Для этого используется виртуальный прибор (subVI) IMAQ Load Image Dialog. Его входными параметрами являются 3 строковые константы - Prompt (заголовок диалогового окна, задано «Выбор файла»), Pattern (фильтр по расширению файла, задано

«*.bmp,*.jpeg,*.jpg,*.png,*.tiff»), Pattern Label (название фильтра, задано

«Файлы изображений»). Выходным параметром является полный путь к выбранному пользователем файлу. Этот путь подается на вход компонента IMAQ ReadFile, который осуществляет чтение файла с диска и его загрузку в оперативную память. На выходе получается переменная типа Image, содержащая выбранное изображение и готовая для использования в компонентах Lab VIEW. Далее создается копия этой переменной, которая во время работы программы будет хранить исходное изображение.

Код обработчика представлен на рис.П2.2.

¡Выбор файла

|<.brnp;'.jpeg;'.jpg;*.png;*.t)ff

[файлы изображений

* False

[image

0-Г

IMRQ

ж

в

image

□ »ЕЭ

О

Path1

¡Image Copy

r~Lo_

1МОП —'

Image Copy

Ш-Г

IMflQ

ж

Рас. П2.2. Алгоритм загрузки фаша с изображением

1. Измерение линейных размеров

Данный алгоритм в зависимости от выбранного пункта меню в разделе «Размеры» выполняет измерение отрезка или площади прямоугольной области. Ниже рассмотрены оба этих случая.

а) Измерение отрезка (рис. П2.3)

При помощи компонента IMAQ Select Line отображается диалоговое окно с изображением, в котором пользователь может указать интересующий его отрезок. Затем координаты начальной и конечной точек указанного отрезка преобразуются в одномерный массив и подаются на вход в компонент IMAQ Point Distances VI, где производится расчет длины. Полученные результаты выводятся в диалоговом окне.

б) Измерение площади прямоугольной области (рис. П2.4)

127

Данный алгоритм функционирует аналогично алгоритму измерения отрезка за исключением двух обстоятельств:

- для открытия изображения в новом окне используется не IMAQ Select Line, a IMAQ Select Rectangle, позволяющий пользователю выделить прямоугольную область, а не линию;

- для расчетов и построения траектории на графике используются координаты четырех точек прямоугольника (его вершин), а не двух.

- расчет осуществляется с помощью компонента IMAQ Polygon Area VI, а не IMAQ Point Distances VI.

Рис. П2.3. Внешний вид обработчика кнопки «Измерение объектов» - алгоритм измерения

расстояний

О..

[начертите

прямоугольник

3™

ЕЕГ

Рис. П2.4. Внешний вид обработчика кнопки «Ишерение объектов» - алгоритм измерения

площади прямоугольной области

1. Обработчик кнопки «Подобрать единичный отрезок»

Рис. П2.5. Внешний вид обработчика кнопки «Подобрать единичный отрезок»

В данном обработчике (рис. П2.5) исходное изображение подается на вход компонента IMAQ Select Line, позволяющего пользователю выделить

интересующий его отрезок, затем координаты начальной и конечной точек указанного отрезка попадают в блок формулы, где по формуле

ДЛИНа = V(Xко„-Хнач)2 +(Укон-У„ач)2 ,

где Хнач?Унач - координаты начальной точки отрезка,

хк«н'Укон - координаты конечной точки отрезка, рассчитывается длина отрезка, и полученное значение записывается в индикатор «Единичный отрезок (в пикселях)». 2. Обработчик события «Key Down"

Данный обработчик отслеживает нажатие клавиш от «F2» до «F9» во время работы программы и с помощью компонента IMAQ WindDraw открывает в новом окне соответствующее изображение в масштабе 100%. Реализован с использованием структуры «Case». Все ветви этой структуры и соответствующий каждому изображению программный код приведены на

Type

Time

VIRef

Char

VKey

ScanCode

Mods

PlatMods

FocusObj

ч "F3"

Оттенки серого J-

[Оттенки серого -¡исходный размер

ГД

Рис. П2.7. Код обработчика для изображения «Оттенки серого» (Grayscale)

Рис. 172.8. Код обработчика для изображения «Негатив»

Рис. П2.9. Код обработчика для изображения «Красный канал»

Type

Time

VIRef

Char

VKey

ScanCode

vlods

PiatMods

FocusObj

"F9"

Черно-белое инвертированное

Черно-белое инвертированное изображение -и сходи ы й размер

Рис. П2.13. Код обработчика для изображения «Черно-белое инвертированное»

3. Обработчик индикатора «Порог для ч/б»

В данном обработчике (рис. П2.14) создается копия изображения, находящегося на вкладке «Grayscale», после чего к ней применяется фильтр IMAQ Threshold для получения черно-белого изображения с параметрами, заданными пользователем на индикаторе «Порог для ч/б».

^p"*« [О] "Порог для ч/б.Черный", "Порог для ч/б.Белый":

Туре

ime

CtlRef

О! ci Val

NewVal

Оттенки серого

¡4/63 h

IMRQ

Порог для M/б

1255 h

Черно-белое

Рис. П2.14. Внешний вид обработчика индикатора «Порог для ч/б»

4. Обработчик индикатора «Порог для инверсии»

Данный обработчик (рис. П2.15) аналогичен обработчику индикатора «Порог для ч/б», за исключением того, что в качестве исходного изображение берется «Негатив», а параметры берутся с индикатора «Порог для инверсии». Полученное изображение является негативом (инверсией) черно-белого.

Рис. П2.15. Внешний вид обработчика индикатора «Порог для инверсии»

5. Алгоритм поиска объектов по шаблону

Функционирование алгоритма начинается с открытия диалогового окна выбора шаблона, по которому будет осуществляться поиск. Для этого используется виртуальный прибор (subVI) IMAQ Load Image Dialog. Его входными параметрами являются 3 строковые константы - Prompt (заголовок диалогового окна, задано «Выбор файла»), Pattern (фильтр по расширению файла, задано «*.bmp,*.jpeg,*.jpg,*.png,*.tiff»), Pattern Label (название фильтра, задано «Файлы изображений»). Выходным параметром является полный путь к выбранному пользователем файлу. Затем загруженное изображение преобразуется в полутоновое, обрабатывается в компоненте IMAQ Learn Pattern 2 VI и вместе с исходным изображением передается на вход компонента IMAQ Match Pattern 2 VI, который выполняет поиск шаблона на исходном изображении. На выходе данного компонента получается массив кластеров, каждый из которых содержит положение, угол наклона и масштаб объекта, степень его соответствия шаблону и ограничивающий прямоугольник. Массив обрабатывается в цикле, и каждый его элемент прорисовывается на исходном изображении с указанием степени соответствия (в процентах) и площади (в квадратных пикселях). Также программа отображает диалоговое окно, сообщающее о количестве найденных соответствий или о том, что соответствия не обнаружены.

Код представлен на рис. П2.16.

6. Составление HTML-отчета по результатам поиска.

После выполнения поиска на изображении по шаблону (см. предыдущий пункт) пользователь может сформировать подробный HTML-отчет, в котором в табличном виде представлено общее количество найденных соответствий, а также степень их схожести с шаблоном.

Отчет формируется последовательно с помощью компонентов Append Report Text, а открывается в браузере посредством функции Open HTML Report in Browser.

Код алгоритма приведен на рис. П2.17.

Рис. П2.17. Алгоритм формирования НТМЬ-отчета по поиску

ПРИЛОЖЕНИЕ 4. МЕТОДИКА ИЗМЕРЕНИЙ ОБЪЕКТОВ НА

НАНОУРОВНЕ

Для того чтобы начать работу с программой, необходимо нажать кнопку «Открыть изображение...» и в открывшемся диалоговом окне выбрать файл с изображением. После загрузки изображения на соответствующих вкладках появятся его негатив, красный, зеленый и синий каналы, черно-белое и полутоновое представление, а также автоматически будет построена гистограмма распределения яркости (рис. П3.1-П3.9).

5 С" ;мого

« ж 40 «а ю а» ш но т т л» я» щ

и»ш« I» ■ Л> ■ 6*я»А межда «ем« <тп*.« сцкоо! :

Со«,-« ытшщ шшч

Рис. П3.1. Внешний вид лицевой панели после загрузки изображения

H»r»fvtt j * j G ' S '^рио-Овлое 1

IffifWl «Мл ;

;мв«шмсм»«лп»9еэв .wmij

Рис. П3.2. Вкладка «Grayscale» - черно-белое с оттенками серого

3V-- .

I ftie £Л1 V«« r**o>rvt Qporti Jooli tt*ioa»

■ в

-л

i .у»)

$ SiiSKJ**

■;

..... I . i _

|«»<t«W5 ix 1-6.1 лпчсм ,-w iOL.

V , . i. u." ^ г л "i>p ihmi j Hlwfpc itfl j AiitMl f

- ■'. ■ • ■ ■

ШСИ»&»роымм [

MMWHM on roiwjixtiiwi i> ермсмли-

»''»"» » Щ ISO t» ¿00 ?is »0 J»' '¿00 MS ко 'in 400

: . . v. .. . . . J

Mщштй тшв-тюгш ,»лрсыгт,

яф.

X W 75'lOB US' 150 »7$ 200 2» 250 275 МО MS j» 'in

¡MyCcCTPuicr: *

Рис. 77J. J. Вкладка «Негатив»

| £¡1« Ictl v«* Q&z&Xt Jöolt fje'D

¡^шшшшршрариИудД

fi

i

j J x j ß; »<*«*• j мнцси» j E . п^л^я®»«.?»*1

j rvcwwtv«* j Илмер«?«^* j AMMni чюуи ¡.Jftai-

13

iiiMLJii

sas^iissifes *

UeOiF« "43 mp«l»»<-r»IM ;» рцюажт«:

» "»"в "да ш ж»» 'm ж m mЖЗиЬ

sä n tw t» tso йЛШ ш m жшш ж шйшг

t Lj

П»релмг»п, niwKMi

■ИЙНн

t • • , Щ - p ;

Ш r - . • Ii \ _

-

Рис. П3.4. Вкладка «R» - красный (Red) канал изображения

I P» i.d.1 imiecl Qperxt Iooli И-нао» a«В

Ks fiuM

Щ

! 06

......

S ' '

»J; OWf»»)» » ИЯШ Ow*!

1 f

1

|8

II IT'

I,

*

: ' .............-

jx ъ-тштря, ■.■wiod

Ssr ä«

ÄÄÄ^ää--^________________________________^

ЧШ&tfe^CKü-»«« I

Itewte es пчмаамйм л 9pü«i#>«r»i

я so '»"mШ'>»-iH'жШж mШшттm

щШШ^^^ШШШЛ нив S^

Ä 50 TS U» Ш: Щ0МI ~

SS^ S . i -

rWpMjw »» си«<вс»«р

Рис. П3.5. Вкладка «G» - зеленый (Green) канал изображения

| iiib V;;«» gmjeci O&ezaHit ¡.oofs

U-, iMMS1

йгггляя ; | ЯI € I t "vswUmx i Исмрсм ( j Гачу WW«* | | tticuu ;

■..аЙГ-

TmruHi

ji CAUiwjUoer-.'Nourwswmejrtepn^

iyftagib

Hi

л'ю 1» m >» шлю J»" я< »0« »« ik

я шеей»»!

— ¿3

Передо»* стцкмяо

Л . 1Л МО in J

ШШ

13

Рис. П3.6. Вкладка «В» - синий (Blue) канал изображения

ЦМ»

Lei Piaject Срр«е 106« й'^'с* З^Р

LtisL

• к! - 8

- - '

| | IrapwWwtr I Гипаммм 1

>» »ft».» 1»ннн*а>ня» «t-'ii - «ян м »* it«tt«i)iiittiiiiiH i