Методы и алгоритмы распознавания изображений для обнаружения дефектов внутренней поверхности труб с целью автоматизации визуального контроля тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Цапаев, Алексей Петрович

  • Цапаев, Алексей Петрович
  • кандидат науккандидат наук
  • 2013, Нижний Новгород
  • Специальность ВАК РФ05.13.17
  • Количество страниц 118
Цапаев, Алексей Петрович. Методы и алгоритмы распознавания изображений для обнаружения дефектов внутренней поверхности труб с целью автоматизации визуального контроля: дис. кандидат наук: 05.13.17 - Теоретические основы информатики. Нижний Новгород. 2013. 118 с.

Оглавление диссертации кандидат наук Цапаев, Алексей Петрович

Содержание

ВВЕДЕНИЕ

1. ОБЪЕКТ ИССЛЕДОВАНИЯ. ПОДХОДЫ К АВТОМАТИЗАЦИИ ВИЗУАЛЬНОГО КОНТРОЛЯ ПОВЕРХНОСТЕЙ

1.1. Особенности визуально-оптического контроля

1.2. Анализ объекта контроля

1.3. Обзор методов визуального контроля внутренней поверхности труб

1.4 Опыт создания автоматизированых систем визуального контроля поверхности

1.5 Цели и задачи

2. СУЩЕСТВУЮЩИЕ МЕТОДЫ ОБНАРУЖЕНИЯ ДЕФЕКТОВ

2.1 Методы сегментации изображений

2.1.1 Общая классификация

2.1.2 Методы сегментации, основанные на выделении границ

2.1.3 Методы, основанные на преобразовании водораздела

2.1.4 Методы теории графов

2.2 Экспериментальное исследование существующих методов сегментации

2.3. Методы обнаружения дефектов текстуры

2.4 Выводы к главе

3. МЕТОДЫ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ВНУТРЕННЕЙ ПОВЕРХНОСТИ ТРУБ

3.1 Анализ схем осмотра внутренней поверхности труб

3.2 Алгоритмы выделения заданной области при прямом осмотре

3.3 Алгоритм развертки изображения при боковом осмотре

3.4 Алгоритм «сшивки» изображений

3.5 Выводы к главе

4. ПРЕДЛОЖЕННЫЕ МЕТОДЫ ОБНАРУЖЕНИЯ ДЕФЕКТОВ И ИХ ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ

4.1 Определение размера базового элемента текстуры

4.2 Метод оценки изменения формы спектра

4.3 Определение ограничений методов обнаружения дефектов поверхности

2

»• I >*» 1 Г*" I ■*• \ •« ' • '. • . | , * * "* ; * ' 1" 1 > *" <> <-»' *: | 1 ^ 1 11 1 *

и I I ! ,11 1> I • < л ' . > | 1 I ,

4.4 Исследование методов обнаружения на изображениях внутренней поверхности труб

4.5 Практическая реализация

4.6 Выводы к главе

5. КЛАССИФИКАЦИЯ ДЕФЕКТОВ ВНУТРЕННЕЙ ПОВЕРХНОСТИ ТРУБ

5.1. Признаки для распознавания объектов исследования

5.1.1 Геометрические признаки

5.1.2 Текстурные признаки

5.2 Методы распознавания образов

5.2.1 Обзор методов

5.2.2 Нейросетевой метод классификации

5.2.3 Метод главных компонент

5.3 Исследование признаков

5.4 Исследование методов классификации

5.5 Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1. ФОРМУЛЫ ДЛЯ ВЫЧИСЛЕНИЯ УГЛА ПОВОРОТА ТРУБЫ ПРИ БОКОВОМ ОСМОТРЕ

ПРИЛОЖЕНИЕ 2. АЛГОРИТМЫ, ПРЕДЛОЖЕННЫЕ В РАБОТЕ

ПРИЛОЖЕНИЕ 3. ЛИСТИНГ ПРОГРАММ. КОД МАТ1.АВ

ПРИЛОЖЕНИЕ 4. АКТ ВНЕДРЕНИЯ

Рекомендованный список диссертаций по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы распознавания изображений для обнаружения дефектов внутренней поверхности труб с целью автоматизации визуального контроля»

Введение

Областью данного исследования являются методы обработки изображений при автоматизации визуального контроля внутренней поверхности труб. Инспекция внутренней поверхности осуществляется на предприятиях изготовителях и потребителях труб, в частности при входном контроле, в организациях производителях парогенераторов. Требования к контролю указаны в технических условиях на соответствующие трубы и не допускают наличие дефектов, таких как плены, трещины, задиры и др. Оператор, проводящий визуальный осмотр, подвержен физическому и эмоциональному утомлению, его работа зависит от опыта, поэтому автоматизация визуального контроля, как средство исключения субъективности, является актуальной задачей.

В соответствии с маршрутом производства труб операция визуального контроля внутренней поверхности присутствует до 5 раз за технологический цикл. Следовательно, для повышения производительности изготовления труб необходимо автоматизировать данную операцию. Кроме того, автоматизация визуального контроля откроет возможность для включения данной операции в АСУ ТП, что позволит повысить качество и сократить брак.

Развитие атомной промышленности в нашей стране идет высокими темпами. В планах госкорпорации «Росатом» строительство Нижегородской АЭС, Балтийской АЭС, реакторов БН 1200 для Белоярской АЭС, плавучих АТЭС, атомных ледоколов нового поколения, зарубежные проекты и др. Высокая трудоемкость визуального контроля доказывает важность его автоматизации, особенно в условиях увеличивающихся объемов производства.

В то же время, первостепенной задачей при строительстве атомных станций является безопасность. Аварии на АЭС Три-Майл-Айленд, Чернобыльской АЭС и АЭС Фукусима подтверждают этот факт. В условиях субъективности визуального контроля, в качестве фактора риска выступает человеческий фактор, исключить который, тем самым повысив качество и безопасность АЭС, позволит автоматизация операции контроля.

Ранее, согласно техническим условиям на трубы, инспекция внутренней поверхности проводилась вручную контролером, с помощью смотрового прибора РВП-469 (перископа) или приборов подобных ему. Качество получаемой картинки было не высоким. Следующим этапом в развитии стало появление цифрового эндоскопа, которое многократно повысило качество получаемой картинки и открыло возможность автоматизации визуального контроля посредством анализа и обработки цифровых изображений.

В настоящее время созданы методы обработки изображений, которые решают задачи в конкретных областях. Таким образом, встает проблема адаптации или разработки новых алгоритмов обеспечивающих обнаружение и классификацию дефектов внутренней поверхности труб.

В теорию распознавания образов и обработки изображений большой вклад внесли советские и российские ученые Журавлев Ю.И. [12, 13], Сойфер В.А., Сергеев В.В. [20], Абламейко С.В. [1], Александров В.В., Горский Н.Д. [2], Васин Ю.Г. [6] и др. Среди зарубежных ученых можно отметить следующих: Д. Марр [18], Р. Гонсалес [7, 34], Д. Форсайт [38], М. Сонка [90], У. Прэтт [27] и др. В области контроля качества поверхности следует отметить Малыгина JI.J1. [16]. Среди работ по методам обработки изображений следует отметить также [43,44,29,22,41,93,94,8,42,23,82 ]

При создании системы автоматизированного контроля перед разработчиком стоят следующие задачи: разработка методов обнаружения дефекта на внутренней поверхности, классификация обнаруженных дефектов.

Для решения задачи обнаружения дефектов используются методы сегментации. Сегментация позволяет разделять на изображении участки фона и участки объектов интереса (в данном исследовании дефектов). Возникают трудности в применении существующих методов сегментации к исследуемой задаче технического зрения, на решение которых, в том числе, и направлена данная работа. При решении задачи распознавания дефектов важным становиться вопрос выбора признаков классификации и методов распознавания. Практика показывает, что к каждой конкретной задаче необходимо составлять свой набор признаков.

Производством систем визуального контроля поверхностей занимаются зарубежные фирмы: ISRA VISION PARSYTEC AG, Германия; Cognex Corporation, США; SURFACE INSPECTION, Великобритания, и др. Однако, методы, лежащие в их основе, не публикуются в открытой печати, поскольку носят коммерческий характер.

Разработан целый ряд автоматизированных систем для контроля труб больших размеров (для нефтегазовой промышленности). Возникают трудности в применении подобных подходов к трубам небольших диаметров.

Предложены автоматизированные системы контроля металлопроката (НПК "Малленом" г. Череповец). Самые последние из них основываются на богатой базе изображений эталонных и дефектных участков различного вида. В условиях отсутствия данной базы применение метода представляется затруднительным. Кроме того, принципы контроля, а также характеристики дефектов поверхности проката и внутренней поверхности труб отличаются.

Таким образом, задача автоматизации визуального контроля внутренней поверхности труб остается актуальной.

Объектом исследования является визуальный контроль внутренней поверхности труб.

Предметом исследования являются алгоритмы обработки изображений, применяемые для обнаружения, классификации дефектов внутренней поверхности труб малых диаметров.

Целью исследования является повышение эффективности методов распознавания изображений при обнаружении дефектов внутренней

pin W ¡1 (¿>

'"^Ч1 К* h>?" v ^ ? и им

Щд, чьед Укhifr ^

г V \t\

' *нJ <1 Jn * A lt( 'i I «< чк\ Цг

ш

' 1 i » ' f г»

. V1.

гI

поверхности труб, предназначенных для автоматизации визуального контроля.

Новизна работы:

- разработан новый метод обнаружения неоднородностей на изображениях внутренней поверхности труб малых диаметров - метод оценки изменения формы спектра, позволяющий определять наличие дефекта, и его местоположение, отличающийся возможностью работы в условиях ограниченного объема исходной информации о дефектах.

- обоснована целесообразность применения алгоритма предварительной обработки изображений внутренней поверхности труб малых диаметров, позволяющего приводить заданную область к прямоугольному виду, отличающегося применением линейно-пропорционального преобразования.

- разработан алгоритм, позволяющий определять размер базового элемента текстуры на изображении, предназначенный для использования в методах обнаружения дефектов, отличающийся заданной точностью работы.

В первой главе дается описание объекта исследования. Приводятся требования, предъявляемые к внутренней поверхности труб. Характеризуются средства контроля. Дается представление об имеющихся результатах в области визуального контроля поверхностей. Описывается опыт зарубежных и отечественных разработчиков. Ставятся цели и задачи исследования.

Во второй главе приводится анализ существующих методов сегментации. Указываются их особенности и недостатки. Приводится математический аппарат методов. Показаны результаты исследования методов сегментации на модельных изображениях и изображениях внутренней поверхности трубы. Делается вывод, что данные методы в исходном виде не обеспечивают локализацию дефектов в необходимом объеме. Дается анализ существующих методов обнаружения дефектов текстуры. Приводятся алгоритмы метода ориентированных фильтров и метода матрицы вхождений коэффициентов вейвлет преобразования.

В третьей главе приводятся схемы осмотра внутренней поверхности труб. Описываются алгоритмы предварительной обработки изображений внутренней поверхности, как при прямом, так и при боковом осмотре.

В четвертой главе описываются предложенные в работе методы обнаружения дефектов, в том числе алгоритм определения размера базового элемента текстуры и метод оценки изменения формы спектра. Раскрываются алгоритмы работы методов. Приводятся результаты экспериментального исследования методов. Определяются ограничения методов обнаружения дефектов на модельных изображениях, а также приводится оценка работы методов на реальных изображениях дефектов поверхности. Описывается практическая реализация результатов работы.

В пятой главе раскрывается классификация признаков, применяемых для распознавания, описываются их особенности и недостатки. Дается

6

описание технологии вычисления признаков, выбранных для исследования. Проводится исследование признаков на модельных изображениях с применением метода главных компонент. Делается вывод о том, что выбранные для исследования признаки подходят для классификации дефектов поверхности. Описывается исследование методов классификации дефектов. Делается вывод об эффективности применения многослойной нейронной сети прямого распространения для распознавания дефектов.

В заключении приведена общая характеристика работы и основные выводы по результатам диссертации. На защиту выноситься:

- Анализ объекта контроля, структурная схема автоматизированной системы визуального контроля, схемы осмотра внутренней поверхности труб;

Алгоритм предварительной обработки изображений внутренней поверхности труб;

- Алгоритм определения размера базового элемента текстуры;

- Метод обнаружения дефектов внутренней поверхности труб - метод оценки изменения формы спектра;

- Анализ ограничений методов обнаружения дефектов;

- Алгоритмы вычисления признаков дефектов внутренней поверхности труб и их исследование на модельных изображениях. Оценка работы системы распознавания;

1. Объект исследования. Подходы к автоматизации визуального контроля поверхностей

1.1. Особенности визуально-оптического контроля

Визуальный контроль с применением оптических приборов называют визуально-оптическим. Он предназначен для обнаружения различных поверхностных дефектов материала деталей, скрытых дефектов агрегатов, контроля закрытых конструкций, труднодоступных мест механизмов и машин (при наличии каналов для доступа приборов к контролируемым объектам). Контроль проводится путем наблюдения деталей и изделий в видимом свете. При контроле используются оптические приборы, создающие полное изображение проверяемой зоны, ее видимую картину.

Визуально-оптический контроль, так же как и визуальный осмотр, -наиболее доступный и простой метод обнаружения поверхностных дефектов деталей. Оптические средства контроля используют на различных стадиях изготовления изделий, в процессе регламентных работ и осмотров, проводимых при эксплуатации техники, а также при ее ремонте [21] [19].

Визуально-оптический контроль применяют в следующих случаях:

для поиска поверхностных дефектов (трещин, коррозионных и эрозионных повреждений, забоин, язв, открытых раковин, пор и др.) при визуально-оптическом контроле деталей, доступных для непосредственного осмотра;

для обнаружения крупных трещин, мест разрушения элементов конструкций, остаточной деформации скрытых или удаленных элементов конструкций, течей, загрязнений, а также различных посторонних предметов внутри закрытых конструкций;

для анализа характера и определения типа поверхностных дефектов, обнаруженных при контроле деталей каким-либо методом дефектоскопии ультразвуковым, токовихревым, цветным и др.)[21].

Оборудование для неразрушающего контроля и его автоматизация.

На рисунке 1.1 представлена общая схема устройства, соответствующая большинству средств и методов контроля. Объект контроля 4 сканируют (последовательно обследуют) двумя преобразователями: 3 -воздействующим на объект контроля и 5 - снимающим информацию. Блок сканирования 1 управляет взаимным перемещением объекта и преобразователей. Блок 6 осуществляет вторичную переработку информации. Информация обрабатывается и хранится в блоке 7. Сюда также поступают данные от блока сканирования для привязки информации к контролируемому участку объекта. Здесь осуществляется оценка допустимости обнаруженных дефектов.

8

' •[ ' Iу N ('V '1 < »1 V 1г *' гл и 1!' < I 4 I» 11 (|«Ч I * * , ч! Н11 )' < «"а 1 Т ч'

Рисунок 1.1. Общая схема автоматического устройства неразрушающего контроля [11].

Блок 8 дает команду на отметку дефектного места дефектоотметчиком 9, на механизм 10, направляющий объект контроля в бункера годных или бракованных изделий, а также на систему управления технологическим процессом производства продукции с целью устранения дальнейшего брака.

В автоматических установках подобных показанной на схеме рисунок 1.1, помимо показанных узлов часто имеется ряд дополнительных блоков. Например, вводят систему автоматической проверки исправности работы установки, предусматривают средства защиты наиболее быстроизнашивающихся и ненадежных узлов и т.д. Для повышения производительности механизированных и автоматических установок применяют многоканальные системы, т.е. с большим количеством параллельно действующих преобразователей и соответствующих приборных блоков.

Преимущество автоматизированных установок перед приборами ручного контроля заключается не только в повышении производительности контроля, но также в повышении его надежности. Большой недостаток ручного контроля - это зависимость его результатов от субъективных качеств контролера. Автоматизация устраняет этот отрицательный фактор[11].

При разработке автоматизированной системы необходимо руководствоваться принципами системного анализа [3,24]. Основными признаками системности являются структурированность системы, взаимосвязанность составляющих ее частей, подчиненность организации всей системы определенной цели.

Рассмотрим схему программной части автоматизированной системы (Рисунок 1.2). В структуре можно выделить основные части и вспомогательные. К вспомогательным следует отнести драйверы захвата видео и управления шаговым двигателем, блоки вывода изображений и результатов контроля, а также блоки управления перемещением двигателя. В системе возможно осуществление двух режимов работы: режим ручного

9

, 1 . I ,, г, ' 1 . 't, 4 ■ i ' г' . . 'I ' 1 « 4 1 ! м Н

Ч,' vVi^' 'I.V, Vt'* 1 <4 к"? <iAt ' ,¿1 ^ I""1 л v К1 v^to'Vv * 'v i П (^«jJ»,« v* tH, i .,» «<,» . f.A.fUfcn'^''i ^'fft^fW'1* «'. А» Mr"''

осмотра и режим автоматического осмотра. При ручном осмотре задействуется блок вывода изображения на экран и блок ручного перемещения. При автоматическом осмотре в работу вступает блок автоматического перемещения. К основным частям следует отнести блок предварительной обработки изображений, подсистему обнаружения дефектов и подсистему классификации дефектов. Данные блоки функционируют последовательно, что отражено на структурной схеме.

Рисунок 1.2. Структурная схема программной части автоматизированной системы.

Рассмотрим информационные потоки, проходящие в системе. Согласно структурной схеме информация передается от объекта контроля к пользователю. Первоначально в качестве информации выступает изображение внутренней поверхности. Далее данное изображение подается на блок предварительной обработки, который осуществляет над ним определенные операции. Выходом данного блока также является изображение, которое подается на подсистему обнаружения дефектов. В результате выполнения операции обнаружения дефектов получается следующая информация: факт наличия/отсутствия дефекта, местоположение дефекта и его вид. Эти данные поступают в систему классификации, выходом которой является решение о принадлежности дефекта к тому или иному классу. Таким образом, в результате прохождения через систему информация перерабатывается из изображения внутренней поверхности в данные о наличии дефекта и его принадлежности к определенному классу.

1.2. Анализ объекта контроля

Парогенераторы, входящие в состав современной электростанции (ТЭС, АЭС) включают десятки тысяч отдельных труб, наружный диаметр которых в основном составляет 8-25 мм. Так, парогенераторы блоков АЭС с реакторами ВВЭР-1000 имеют в составе 11 ООО труб наружным диаметром 16 мм, толщиной стенки 1.5 мм, средней длиной 11.3 м. При этом температура теплоносителя на входе в парогенератор составляет 320°С, а давление 15.7

10

I

'л ,1,1 V •IV'

V Г/

»-V т: \

'■Г,!,* .'(¡Г |ц', Л В I.

.«Я 1 В!1-» / У^'Л'Ч,1! <, 1* "Г '<

А1! ! г

чч

-1» V

II,

МПа [31] [17, 28]. Применяются трубы из нержавеющей стали, титановых сплавов.

Приведем требования к трубам из титановых сплавов. Трубы из сплавов титана должны соответствовать техническим условиям ТУ 14-31819-91 [35]; ТУ 5.961-11916-2007 [33]; ТУ 14-3-820-79. [32] В соответствии с этими документами:

1. Готовые трубы должны быть приняты инспекцией качества предприятия поставщика.

2. Трубы подвергаются приемо-сдаточным испытаниям. Визуальному осмотру и обмеру подвергается каждая труба партии.

3. Осмотр внутренней поверхности готовых труб производится с помощью перископа РВП-467 и РВП-469 или другими с такой же или высшей разрешающей способностью.

К качеству внутренней поверхности труб предъявляются следующие требования: Поверхность должна быть чистой, без плен, трещин, глубоких вмятин, травильной сыпи, остатков окалины, грубых следов зачистки, глубоких рисок и других грубых поверхностных дефектов.

Характер залегания допустимых дефектов на внутренней и наружной поверхностях труб устанавливается согласованными эталонами. Глубина залегания дефекта не должна выводить толщину стенки за пределы минимальных размеров.

В соответствии с этими требованиями на предприятии ОАО «ОКБМ Африкантов» трубы подвергаются сплошному визуальному контролю внутренней поверхности.

Производство труб поставщиком происходит в соответствии с технологической инструкцией 32А-5-73 [14] по производству холоднодеформированных труб из сплавов титана. В нее включены следующие операции:

- холодная прокатка труб на станах ХПТ

- волочение труб

- химическая обработка труб

- термическая обработка труб.

В соответствии с маршрутом производства труб операция визуального контроля внутренней поверхности присутствует до 5 раз за технологический цикл [26].

В инструкции [14] определены возможные виды брака:

1. Сетка рванин на наружной и внутренней поверхности - образуется вследствие некачественной обточки и расточки горячекатаных труб.

2. Задиры на внутренней поверхности - образуются вследствие налипания металла на оправку из-за некачественно выполненного профиля ручья калибров, смещения ручья одного из калибров, пережимов по конусу, чрезмерной развалки ручья калибров, повышенной кривизны заготовки, малого зазора между стержнем и заготовкой, отсутствия обратного скоса на цилиндрической части

оправки, наличия дефектов на поверхности стержня, наличия острых (не округленных) частей оправки; 3. Складки, трещины, риски на наружной и внутренней поверхности -вследствие нарушения правильности изготовления калибров, некачественной настройки стана, заниженной величины подачи, недостаточной пластичности исходной заготовки;

На предприятии ОАО «ОКБМ Африкантов» визуальный контроль внутренней поверхности труб осуществляется при помощи промышленного эндоскопа Olympus IPLEX SA. Кроме того, ведется электронная база фотографий сомнительных участков, встречающихся на контролируемых трубах.

На рисунке 1.3 представлены фотографии внутренней поверхности

труб.

В)

а) эталонная поверхность; б) поверхность с травильной сыпью; в) поверхность с ниткой;

Рисунок 1.3. Фотографии внутренней поверхности труб.

1.3. Обзор методов визуального контроля внутренней поверхности труб

Перископы типа РВП предназначены для осмотра при увеличении до 15х прямых участков труб, полых валов, камер, протяженных закрытых конструкций и других подобных изделий диаметром от 9 до 870 мм, длиной до 16,5 м.

Оптическая схема приборов состоит из сменных объективов, окуляров и оборачивающих систем. Приборы РВП-467, РВП-469 и РВП-478 выполнены в виде труб, внутри которых расположена оборачивающая система. На одном конце трубы установлен объектив и осветитель, на другом окуляр. В конструкции сборно-разборных приборов предусмотрены промежуточные трубы длиной от 0,7 до 3,3 м, внутри которых размещаются оборачивающие системы. Это позволяет собирать прибор необходимой длины в зависимости от размеров (протяженности) осматриваемых конструкций.

Технические характеристики прибора РВП-469 представлены в Таблице 1.

Таблица 1. Технические характеристики прибора РВП-469.

Характеристика Расчетные данные

Глубина наблюдений при одной трубе 1,5 м

Глубина наблюдений при четырех трубах 6 м

Угловое поле зрения при круговом и боковом наблюдении Не менее 70°

Диаметр выходного зрачка 1,04 мм ±20 %

Увеличение прибора для рабочего расстояния 50,8 мм от зеркала 3,8Х±20%

Разрешающая сила прибора для рабочего расстояния 183 мм от первой линзы объектива Не менее 5 полос на 1мм

Подвижка окуляра обеспечивает осмотр труб диаметром От 37 до 356 мм

Длина прибора 6,5м

Вес прибора Не более 6,5 кг

Перископами в настоящее время пользуются на предприятиях изготовителях труб. Однако этот прибор устарел. Он громоздкий, картинка, наблюдаемая в окуляр не четкая, отсутствует возможность автоматизации.

Эндоскопом называют устройство, снабженное осветителем и оптической системой для осмотра внутренней поверхности объектов с полостями. Эндоскопы позволяют, в основном, решать задачи дефектоскопии и контроля строения изделий путем переноса видимого изображения из недоступной зоны к оператору. В зависимости от вида контролируемого объекта, условий и целей проведения контроля концевая часть эндоскопа может компоноваться путем различных сочетаний элементов оптических систем (линз, призм, зеркал и др.) и источника освещения. На рисунке 1.3

13

показано несколько схем типичных вариантов контроля и расположения основных элементов, обеспечивающих различные варианты обзора внутренней поверхности контролируемого объекта. [11]

Эндоскоп OLYMPUS IPLEX SA представляет собой цифровой прибор, обладающий гибким оптическим жгутом и позволяющий выводить изображение поверхности на экран монитора. Эндоскоп позволяет осуществлять обзор с помощью прямого и бокового адаптера (Рисунок 1.4). Кроме того, эндоскоп обладает возможностью соединения с ПК посредством кабеля. Технические характеристики прибора представлены в таблице 2.

а - прямой; б - регулируемый в полусфере; в — боковой; г -панорамный; д- угловой; е - ретроспективный (1 - осветительный жгут, 2 -осветительная оптическая система, 3 - объектив, 4 — обзорный жгут, 5 -защитная оболочка)

Рисунок 1.4. Виды эндоскопов для обзора внутренних поверхностей

Таблица 2. Технические характеристики эндоскопа Olympus IPLEX SA

IV7435

Характеристика Значение

Оптическая система - поле зрения - направление осмотра Зависит от адаптера и может принимать значения 40°, 80°, 120°. Прямое, боковое в зависимости от адаптера

Размер наконечника 4,4 мм

Диаметр гибкого участка 4,3 мм

Общая длина 3560 мм

Лампа металлогалогенидная лампа

Ресурс лампы 300 часов 60 мин вкл., 15 мин выкл.

Время экспозиции NTS С: 1/60 - 1/30000 сек. PAL: 1/50 - 1/25000 сек.

Запись фотографий - разрешение - формат записи NTS С: 640(H)x480(V) pixels PAL: 768(H)x576(V) pixels TIFF, JPEG

Запись видео - разрешение - формат записи NTS С: 320(H)x240(V) pixels PAL: 384(H)x288(V)pixels QuickTime MPEG

Видео выход S-video

Изображение на экране эндоскопа отличается четкостью, яркостью, цветностью. Применение эндоскопа позволило резко повысить качество контроля. Кроме того цифровой формат изображения и коммуникация с ПК дает возможность применения систем анализа изображений и дальнейшей автоматизации процесса контроля.

Применение систем анализа изображений в НК позволяет:

- автоматизировать процессы контроля, в которых основным детектором дефекта является глаз человека;

- повысить производительность труда контрольных операций;

- увеличить объективность и достоверность контроля;

1.4 Опыт создания автоматизированых систем визуального контроля поверхности

В настоящее время визуальный контроль качества внутренней поверхности труб на предприятии ОАО «ОКБМ Африкантов» г. Н.Новгород проводится с помощью цифрового эндоскопа фирмы Olympus, позволяющего

получать цифровое изображение внутренней поверхности труб. Контроль осуществляется вручную контролером.

Автоматизацией визуального контроля поверхностей проката занимается Научно-производственная компания "Малленом" г. Череповец. В данной области достигнуты определенные научные и практические результаты [36, 37]. В последней из работ предлагается исключить из процесса автоматизированного контроля этап обнаружения дефектов, и выполнять сразу этап классификации. В основе этого подхода лежит применение вейвлет анализа. Однако, работа метода основывается на богатой базе изображений эталонных и дефектных участков различного вида. В условиях отсутствия данной базы применения метода представляется затруднительным. Возникает необходимость разработки методов обработки изображений, не зависящих от базы изображений внутренней поверхности и позволяющих обнаруживать дефекты различного типа. Кроме того, принципы контроля, а также характеристики дефектов поверхности проката и внутренней поверхности труб отличаются, что также вызывает необходимость проведения научных исследований.

Имеется опыт создания автоматизированных систем визуального контроля поверхностей труб больших диаметров (например, для нефтегазовой промышленности). В данном случае применяются колесные роботы [10]. Возникают трудности в применении подобных подходов к трубам небольших диаметров.

Похожие диссертационные работы по специальности «Теоретические основы информатики», 05.13.17 шифр ВАК

Список литературы диссертационного исследования кандидат наук Цапаев, Алексей Петрович, 2013 год

Список используемой литературы

1. Абламейко, Д. М., Лагуновский С. В. Обработка изображений: технология, методы, применение. Нац. акад. наук Беларуси. Ин-т техн. кибернетики. - Минск, 1999. - 291с.

2. Александров, В.В., Горский Н.Д. Представление и обработка изображений : Рекурсив. подход. - JI.: Наука : Ленингр. отд-ние, 1985. -189 с.

3. Антонов A.B. Системный анализ. Учеб. для вузов. - М.: Высш. шк., 2004. - 454 с.

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

5. Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер. с англ.- М.: Мир, 1989.-540 с.

6. Васин, Ю.Г. «Хорошо приспособленные» базисы и задачи обработки экспериментальной информации : Учеб. пособие. - Горький : ГГУ, 1979,- 130 с.

7. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab. - Москва: Техносфера, 2006.- 615с.

8. Грузман И.С., Спектор A.A., Киричук B.C., Косых В.П., Перетяган Г.И. Цифровая обработка изображений в информационных системах. Новосибирск, 2000. - 324 с.

9. Дуда Р., Харт П. Распознавание образов и анализ сцен. Пер. с англ. «МИР», Москва, 1976 г. - 511с.

10. Егоров И.Н., Кадхим Д.А. Применение мобильных роботов при внутритрубной диагностике трубопроводов с переменным поперечным сечением. Электронный научный журнал Нефтегазовое дело, №3, с. 7383.2011.

П.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.

12. Журавлев Ю. И., Рязанов В. В, Сенько О. В. Распознавание. Математические методы. Программная система. Практические применения. - Москва : ФАЗИС, 2006. - 176 с.

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

14. Инструкция 32А-5-73. Производство холоднодеформированных труб из сплавов титана.

15. Куприянов A.B. «Сегментация текстурных изображений на основе оценивания локальных статистических признаков», Вестник СГАУ, т. 2, № 15, с.245-251 (2008).

'Ii

I 1< 'У л

\ -а

f л.

'"Ur»

I', у

чН t

I У,

i'i

< utl

I A* J Ш,1 ',<

11

u' Л1<(

' I <

»U I;

I

I V

f } D

■'WJ.'

it» ll

UV'V"

98

¡.ri/v^w'/}^

16. Малыгин JI.JI. Основы теории проектирования приборов контроля качества поверхности стальной полосы. Дис. ... д-ра. техн. наук. — СПб.: СЗПИ, 1994 -376с.

17.Маргулова Т.Х. Атомные электрические станции: Учебник для вузов. -4-е изд. перераб. и доп. М.: Высшая школа, 1984. - 304с.

18. Марр Д.. Зрение. Информационный подход к изучению представления и обработки зрительных образов: Пер. с англ. - М.: Радио и связь, 1987.

- 400 с.

19.Машиностроение. Энциклопедия./Ред. совет: К.В. Фролов (пред.) и др.

- М.: Машиностроение. Измерения, контроль, испытания и диагностика. Т. Ш-7/ В.В. Клюев, Ф.Р. Соснин, В.Н. Филинов и др.: под общ. ред. В.В. Клюева., 1996. - 464 с.

20. Методы компьютерной обработки изображений. Учеб. пособие для студентов, обучающихся по специальности "Прикладная математика" / Гашников М.В., Глумов Н.И., Ильясова Н.Ю. и др.; Под ред. В.А. Сойфера // М. : Физматлит, 2001. - 780 с.

21. Неразрушающий контроль металлов и изделий. Справочник. Под ред. Г.С. Самойловича. М., «Машиностроение», 1976.- 456с.

22. Обработка и анализ цифровых изображений с примерами на Lab VIEW IMAQ Vision /Визильтер Ю.В., Желтов С.Ю., Князь В.А. и др. - М.: ДМК Пресс, 2007.-464 с.

23. Обработка изображений в робототехнике. / Е. П. Путятин, С. И. Аверин М., Машиностроение, 1990, 319 с.

24. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. Москва, Высшая школа, 1989. - 367 с.

25.Прикладная статистика: Классификация и снижение размерности:

Справ. Изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. и др. -М.: Финансы и статистика, 1989.- 606с.

26.Производство труб: учеб. пособие для студентов вузов, обучающихся по спец. 150106 (110600) - "Обработка металлов давлением" / Ю. Ф. Шевакин, А. П. Коликов, Ю. Н. Райков ; под ред. Ю. Ф. Шевакина. - М. : Интермет Инжиниринг, 2005. - 564 с.

27. Прэтт У. Цифровая обработка изображений: Пер. с англ. - М.: Мир, 1982-Кн. 2.-790 с.

28.Рассохин Н.Г. Парогенераторные установки атомных электростанций.

- 3-е изд., перереб. и доп. М.: Энергоатомиздат, 1987. - 383с.

29.Русын Б.П. Структурно-лингвистические методы распознавания изображений в реальном времени. - Киев: Наукова думка, 1972. -230 с.

30. Теория вероятностей: Учеб. для вузов. - 3-е изд., испр. / A.B. Печинкин, О.И. Тескин, Г.М. Цветкова, и др.; Под ред. B.C. Зарубина, А.П. Крищенко. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 456с.

') i

*¥'{) íMlJrt'P и*',,

¿<f i

1 KT

ч i

Ú'átA

WI

' ' I JI

.1.1

Í4V

¡И.

\\ i

! t

99

»>

-tf

4 ñf I 4 y

да*

ä Sv'v

31. Тепловые и атомные электрические станции: Справочник/ Под общ. ред. В.А. Григорьева, В.М. Зорина // - 2-е изд., перераб. - М.: Энергоатом-издат, 1989. - 608 с.

32.ТУ 14-3-820-79. Трубы бесшовные холоднодеформированные из сплавов на основе титана ПТ-1М, ПТ-7М.

33.ТУ 5.961-11916-2007. Трубы бесшовные холоднодеформированные из титановых сплавов марок ПТ-1М, ПТ-7М и ВТ 1-0

34. Ту Дж., Гонсалес Р. Принципы распознавания образов. Пер. с англ., МИР, Москва, 1978 г. - 411 с.

35.ТУ-14-3-1819-91. Трубы бесшовные холоднодеформированные со спиральными ребрами из сплава ПТ-7М.

36. Ульянов А. Н. Метод и средства оптоэлектронного контроля качества поверхности листового металлопроката: Дис. ... канд. техн. наук. Череповец. 2005. - 192 с.

37. Ульянов А. Н., Царев В. А.. Вейвлет-анализ и нейросетевая классификация полутоновых изображений в системах технического зрения. Череповец. ИНЖЕКОН-Череповец, 2010. - 98с.

38.Форсайт Дэвид А., Понс Жан. Компьютерное зрение. Современных

подход.: Пер. с англ. -М.: Издательский дом «Вильяме», 2004.- 926с.

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

40. Шапиро JL, Стокман Дж. Компьютерное зрение. Пер. с англ. -М.:БИНОМ. Лаборатория знаний, 2006. -752 с.

41. Яне, Бернд. Цифровая обработка изображений; пер. с англ. А. М. Измайловой. - Москва : Техносфера, 2007. - 583 с.

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

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

44.Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. - М.: Радио и связь, 1987. -296 с.

45.A Robust Visual Method for Assessing the Relative Performance of Edge-Detection Algorithms / Heath, M.D., Sarkar, S., Sanocki, Т., at al. // IEEE Trans. Pattern Anal. Machine Intell., vol.19, no. 12, pp. 1338-1359. 1997.

46. Ando S. Consistent Gradient Operators. IEEE Trans. Pattern Anal. Machine Intell., vol.22, no.3, pp. 252-265. 2000.

47.Beymer D., Poggio T. Face recognition from one example view. Proceedings, Fifth International Conference on Computer Vision., 1995, pp. 500-507.

48. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006. -73 8p.

49.Bovik A.C., Clark M., Geisler W.S., Multichannel texture analysis using localized spatial filter, IEEE Trans. PAMI 12 (1990) 55-73.

50.Burges CJ.C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery. 2, pp. 121-167, 1998.

51.Campbell J.G., Murtagh F., Automatic visual inspection of woven textiles using a 2-d stage defect detector, Opt. Engng 37 (9) (1998) 2536-2542.

52.Canny, J. A Computational Approach for Edge Detection. IEEE Trans. Pattern Anal. Machine Intell., vol.8 no.6, pp.679-698. 1986

53.Chang , Jay Kuo C.-C., Texture analysis and classification with tree-structured wavelet transform, IEEE Trans. IP 2 (1993) 429-441.

54.Chen J., Jain A.K., A structural approach to identify defects on textural images, Proceedings of the IEEE International Conference on Systems, Man, and Cybernetics, 1, 1988, pp. 29- 32.

55.Chen S. Y., Lin W.C., Chen C.T. Split-and-merge image segmentation based on localized feature analysis and statistical tests. CVGIP - Graphical Models and Image Processing, 53(5), pp. 457-475, 1991.

56.Ciamberlini C., Francini F., Longobardi G., Sansoni P., Defect detection in textured materials with structured detectors and self adaptable masks, Opt. Engng 35 (3) (1996) 838-844.

57.Cohen F.S., Fan Z., Attali S., Automated inspection of textile fabrics using textural models, IEEE Trans. PAMI 13 (1991) 803-808.

58. Comparison of Edge Detectors: A Methodology and Initial Study /Heath M., Sarkar, S., Sanoki, T., at al. // Computer Vision and Image Understanding, vol.69, no.l, pp.38-54. 1998.

59.Conners R., Identifying and locating surface defects in wood, IEEE Trans. PAMI 5 (6) (1983) 573-583.

60. Contour and Texture Analysis for Image Segmentation/ J. Malik, S. Belongie, T. Leung, J. Shi// International Journal of Computer Vision, V.43, No.l, pp. 7-27, 2001.

61.Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods. Cambridge University Press, New York, NY, 2000.

62.Daubechies I., Orthonormal bases of compactly supported wavelets, Commun. Pure Appl. Math. 41 (1988) 909-996.

63.Dewaele P., Van Gool L., Oosterlinchk A., Texture inspection with self-adaptive convolution filters, Proceedings of the Ninth International Conference on Pattern Recognition, 1, 1988, pp. 14-17.

64.Duda R.O., Hart P.E., Stork D.G. Pattern Classification. Wiley, New York, 2 nd. edition, 2000. - 654p.

65.ErcJil, A, O" zu'yilmaz B., Automated visual inspection of metallic surfaces, Proceedings of the Third International Conference on Automation, Robotics and Computer Vision (ICARCV'94), 2, 1994, p. 1950-1954.

66. Everitt B.S., Landau S., and Leese M. Cluster Analysis. Hodder Arnold, 4th edition, 2001.

67. Flusser J. Suk T. Pattern Recognition Letters 15 433. 1994.

68.Gori, M., Scarselli, F. Are Multilayer Perceptrons Adequate for Pattern Recognition and Verification. IEEE Trans. Pattern Anal. Machine Intell., vol. 20, no. 11, pp. 1121-1132. 1998

69. Haralick R. M. Shapiro L.G. Computer and Robot Vision. Addison-Wesley

1992. -672p.

70.Haralick R.M., Shanmugan K., Dinstein I., Textural features for image classification, IEEE Trans. SMC 3 (1973) 610-621.

71.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference and Prediction, Springer Verlag. 2009, 746 p.

72.Jain A.K., Duin R.P.W., Mao, J. Statistical Pattern Recognition: A Review. IEEE Trans. Pattern Anal. Machine Intell., vol. 22. no.l. pp. 4-37. 2000.

73.Jain A.K., Farrokhina F., Alman D., Texture analysis of automotive finishes, Proceedings of the SME Machine Vision Applications Conference, 1, 1990, pp. 1-16.

74.Jasper W.J., Gernier S.J., Potlapalli H., Texture characterization and defect detection using adaptive wavelets, Opt. Engng 35 (11) (1996) 3140-3149.

75.Laine A., Fan J., Texture classification by wavelet packet signatures, IEEE Trans. PAMI 15 (1993) 1186-1191.

76.Latif-Amet A. et al., An efficient method for texture defect detection: subband domain co-occurrence matrices, Image and Vision Computing 18 (2000) 543-553.

77.Lee C.S., Choi C.-H., Choi J.Y., Kim Y.K., Choi S.H, Feature extraction algorithm based on adaptive wavelet packet for surface detect classification, IEEE International Conference on Image Processing, 1996, pp. 673-675.

78. Leung, T. Malik J. Contour continuity in region based image segmentation. In: H. Burkhardt and B. Neumann (eds.): Proc. Euro. Conf. Computer Vision, Vol.1. Freiburg, Germany, pp. 544-59. 1998.

79.Mallat S.G., Theory for multiresolution signal decomposition: the wavelet representation, IEEE Trans. PAMI 11 (1989) 674-693.

80.0hanian P.P., Dubes R.C., Performance evaluation for four classes of textural features, Pattern Recog. 25 (1992) 819-833.

81.0tsu N. A threshold selection method from gray—level histograms. IEEE Transactions on Systems, Man and Cybernetics, 9(1), pp. 62-66, 1979.

82.Pal N. and Pal S. A review on image segmentation techniques. Pattern Recognition. 1993, 26(9), pp. 1277-1294.

83. Perona, P., Malik J. Detecting and localizing edges composed of steps, peaks and roofs. In: Proc. 3rd Int. Conf. Computer Vision. Osaka, Japan, pp. 52-7. 1990.

84.Principe, J.C., Euliano, N.R., Lefebre, W.C. Neural and Adaptive Systems: Fundamentals through Simulations, John Wiley&Sons, New York. 1999.

85.Qian, R.J., Huang, T.S. Optimal Edge Detection in Two-Dimensional Images. IEEE Trans. Image Processing, vol.5, no.7, pp. 1215-1220. 1996.

86. Shi J., Malik J. Normalized cuts and image segmentation. In: Proc. IEEE Conf. Computer Vision and Pattern Recognition. San Juan, Puerto Rico, pp. 731-7. 1997.

87.Siew L.H., Hodgson R.M., Wood E.J., Texture measures for carpet wear assessment, IEEE Trans. PAMI 10 (1988) 92-105.

88. Soille P. Morphological Image Analysis: Principles and Applications, 2nd ed., Springer-Verlag, NY. 2003

89.Song K.Y., Kittler J., Petrou M., Defect detection in random color textures, Image Vision Comput. 14 (9) (1996) 667-683.

90. Sonka, M., Hlavac, V., Boyle, R. Image Processing, Analysis, and Machine Vision, 2nd e.d., PWS Publishing, New York. 1999.

91. Speis A. and Healey G. Feature-extraction for texture-discrimination via random-field models with random spatial interaction. IEEE Trans. Image Processing. 1996, 5(4), pp. 635-645.

92. Stochastic relaxation, Gibbs distribution and the Bayesian restoration of images. Geman S. and Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, Issue 6, p. 721-741.

93.Surface defect inspection of cold Rolled Strips with Features Based on Adaptive Wavelets Packets, Chang Su Lee, Chong-Ho Choi, Jin Young Choi, Se Ho Choi, IEICE TRANS. INF. & SYST., Vol. E80-D, No. 5 May 1997.

94. Surface Inspection System for Cold Rolled Strips Based on Image Processing Technique, Ke Xu, Jinwu Xu, Shouli Lu, Journal of University of Science and Technology Beijing, No.4 Vol. 6 1999.

95.Vincent, P. Soille. Watersheds in Digital Space: An Efficient Algorithms based on Immersion Simulation. [J]-IEEE Transactions on Pattern Analysis and Machine Intelligence, 13, No.6, pp.583-598, 1991

96.Wang, Z., Rao, K.R., Ben-Arie, J. Optimal Ramp Edge Detection Using Expansion Matching. IEEE Trans. Pattern Anal. Machine Intell., vol.18, no.ll, pp. 1092-1097. 1996

97.Weszka J.S., Dyer C.R., Rosenfeld A., Comparative study of texture measures for terrain classification, IEEE Trans. SMC 6 (1976) 269-285.

98.Wu X. Adaptive split-and-merge segmentation based on piecewise least-square approximation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 15, pp. 808-815, 1993.

99. Ziou D. The influence of Edge Direction on the Estimation of Edge Contrast and Orientation. Pattern Recog., vol.34, no.4, pp. 855-863. 2001.

100. A.C. 1775603 РФ, МПК G01B21/24. Устройство оптико-телевизионного контроля поверхности трубы / А.П. Алексеев, Г.Ф. Меледин, В.П. Батюшков и др.- №4890311; Заявл. 13.12.1990; Опубл. 15.11.1992.

101. Пат. 2156436 РФ, МПК7 G01B11/24. Оптико-телевизионное устройство контроля поверхности протяженных объектов с постоянным поперечным сечением / В.В. Горбатенко, С.Н. Поляков, Л.Б. Зуев и др. - №98106511/28; Заявл. 31.03.1998; Опубл. 20.09.2000

102. Brodatz Textures. URL: http://www.ux.uis.no/~tranden/brodatz.html

103. MATLAB Normalized Cuts Segmentation Code. URL: http://www.eis.upenn.edu/~jshi/software/

Приложение 1. Формулы для вычисления угла поворота трубы при боковом осмотре

в

а = ф/2, где <р - угол охвата объектива cos р = => АВ = ВС • cos Р BD = Rjp — Н\

AD - АВ - BD = ВС • cosp - RXP + Я = RXP(cosP -1) + Н AC = BC-sm§ = RTP -sinp AC

tga

AD

tga

RTP ■ sinp

tga =

RTP(cos$-\) + H sinP

(cosp -1) + sinP

H

R

TP

Н

собР + С---1)

Ктр

Введем обозначение:

Т = 1)

R

TP

Возведем обе части уравнения в квадрат.

2 1 -соз2р

=-----

соз2р + 2-Г-со8р + Г2

Введем обозначения: М = tg2a х = собР

Тогда уравнение с учетом обозначений примет вид:

,, _1-х2

М -—---

х2 +2-Т-Х + Т2

М - (х2 + 2- Т • х + Т2) = \- х2

М -х2 + 2-Т-М-Х + М-Т2 -1 + х2 = О (1 + М) ■ х2 + 2 • Т • М • х + (М • Т2 -1) = 0 Введем обозначения: а = (1 + М); Ь = 2-Т-М; с = М -Т2 -1 Тогда, с учетом обозначений

-Ъ±4ь2-4-а-с

х =-

2 • а

Откуда получаем угол р.

Приложение 2. Алгоритмы, предложенные в работе

А1 «Развертка кольца изображения»

Начало

Исходные данные

Цикл 1 пока Я<Ктах

X!=R

yi=o

EXITO, 1)=1(-У + yo , Xi + Xo)

i r

Xi=Xi -1

EXITO, 2)=I(-yi + yo , Xi + Xo)

i=2

Цикл 1 квадранта пока Х1>0

У1 =У1 + 1 i = i+ 1

EXITO, i)=I(-yi + Уо , xi + x0)

Xi=Xi -1 i = i+l

EXITO, i)=I(-yi + Уо , xi + x0)

-K 1

I - Изображение

(х0, уо) - координаты центра

кольца

Ятт- минимальный радиус кольца

Ятах - максимальный радиус кольца

Цикл

1 квадранта

Цикл 2 квадранта пока у1>0

Xi =xi- 1 i = i + 1

EXITO, i)=I(-yi + Уо , xi + x0)

нет

Цикл 3 квадранта пока Х1< О

У1 =У1 -1 i = i+ 1

EXIT(j, i)=I(-yi + Уо , X! + хо)

X]=Xi + 1 i = i+l

EXIT(j, i)=I(-yi + yo , xi + x0)

-►О

Цикл

3 квадранта

Цикл

4 квадранта

' г

R = R+ 1

LC) = i -----<

j=j + l

1 г

Цикл 1

Ь - массив длин строк

1

Вычислить длину средней строки массива EXIT

г

Цикл 4 квадранта пока у)< О

Xj =Х) + 1 i = i+ 1

EXIT(j, i)=I(-yi + уо , xi + х0)

Цикл 2 Для всех строк массива EXIT

Цикл 2

( Конец

Привести к-ю

строку к -

длине /

1

/Е(к) /

! При изменении I размера строки используется ; метод

> интерполяции

Алгоритм А2 «Осмотр внутренней поверхности по винтовой линии»

Алгоритм АЗ «Корреляционное сопоставление»

Начало

3

Исходные данные

Выделить участок изображения Р размерами [/, Щ

i = i;j = i

Р - развертка предыдущего изображения

N - развертка нового изображения

э - число строк изображения с - число столбцов изображения

Выделить участок

изображения N,

размерами [/, к]

начинающийся в

точке 0, .])

/к /

1 г

Вычислить коэффициент корреляции участков К и Ъ -Когг(У)

j=j+l

Korr

1

Вычислить положение максимального элемента Korr

1

/s,c /

Конец

Алгоритм А4 «Сшивка снимков, выполненных по винтовой линии»

Приложение 3. Листинг программ. Код Matlab

Программа 1. Настройка методов обнаружения дефектов.

function [Р, Etalon_param]=defect_detect_adjastment(mode)

% Функция определяет параметры эталонных изображений, выполняя тем самым % настройку метода обнаружения дефекта. % Метод задается в параметре mode. % mode = 1 - метод оценки изменения формы спектра; % mode = 2 - метод ориентированных фильтров; % mode = 3 - метод матрицы вхождений вейвлет коэффициентов; % А- набор эталонных БЭТ (в исследовании принято 100 шт.) % Р - порог дефектности;

% Etalon_param - параметры эталона (состоит из матрицы средних значений признаков Etalon_param(:,:, 1)

% и матрицы весовых коэффициентов Etalon_param(:,:,2);

% Определение набора эталонных БЭТ - А BTEsize=36;

Etalon=rgb2gray(imread('D:\PostGraduate\3KcnepHMeHTbi\3TaiioH_for_exp.jpg'));

repeat = 1;

while repeat<=100

% вычислить случайное значение координат БЭТ s=round(rand( 1 )* (size(Etalon, 1 )-BTEsize-2))+1; c=round(rand( l)*(size(Etalon,2)-BTEsize-2))+1; % определить БЭТ

A(:,: ,repeat)=Etalon(s: s+BTEsize-1 ,c: c+BTEsize-1);

repeat=repeat+l;

end

% 1 режим. Метод оценки изменения формы спектра, if mode==l

% I этап: Определение параметров эталона

for i=l:l:size(A,3) F(:,:,i)=double(A(:,:,i)); % Вычисление спектра Jt(:,:,i)=fft2(F(:,:,i));

St(:,:,i)=2*conjXJt(:,:,i)).*Jt(:,:,i)/(2*BTEsize); Spt(:,:,i)=St(BTEsize/2+l :end,l :end,i); end

% Определение средних значений признаков Etalon_param(:,: ,1 )=mean(Spt,3); % Определение СКО признаков STD=std(Spt,0,3);

% Определение весовых коэффициентов признака Etalon_param(:,:,2)=l-(STD/max(max(STD)));

% II этап: Определение порога for i=l:l:size(A,3) R(i)=0;

for k= 1:1 :size(Etalon_param, 1) for m=l: 1 :size(Etalon_param,2) R(i)=R(i)+Etalon_param(k,m,2)A2 * (Spt(k,m,i)-Etalon_param(k,m, 1 ))A2;

end end end

R=sqrt(R); % Порог равен

P=3*std(R)+mean(R);

end

% 2 режим. Метод ориентированных фильтров, if mode==2

% I этап: Определение параметров эталона % Вычисление банка фильтров FBo = make_filterbank_odd2(6,'lH',6,3); FBe = make_filterbank_even2(l,'r,6,3); FBs=doog3_tsap(l ,6);

% Формирование набора отфильтрованных изображений

for i=l:l:size(A,3)

F(:,:,i)=double(A(:,:,i));

% Фильтрация изображения

FIo(:,:,:,i) = fft_filt_2_tsap(F(:,:,i),FBo);

FIe(:,:,:,i) = fftJilt_2_tsap(F(:,:,i),FBe);

FIs(:,:,:,i) = ffi_filt_2_tsap(F(:,:,i),FBs);

end

% Определение признаков for i=l:l :size(A,3) for m=l: 1 :size(FBo,3)

Featuresl(m,:,i)=[mean2(FIo(:,:,m,i)) std2(FIo(:,:,m,i))]; end

Features2(l,:,i)=[mean2(FIe(:,:,l,i)) std2(FIe(:,:,l,i))]; Featurcs3(l,:,i)=[mean2(FIs(:,:,l,i)) std2(FIs(:,:,l,i))];

end

Features=[Features 1; Features2; Features3]; % Определение средних значений признаков Etalon_param(:,:, 1 )=mean(Features, 3); % Определение дисперсий признаков STD=std(Features,0,3); %Etalon_param(:,: ,2)=STD;

% Определение весовых коэффициентов признака Etalon_param(:, :,2)=1-(STD/max(max(STD))); % II этап: Определение порога

for i=l:l:size(A,3) R(i)=0;

for k=l: 1 :size(Etalon_param, 1) for 1=1:1 :size(Etalon_param,2) R(i)=R(i)+Etalon_param(k,l,2)A2*(Features(k,l,i)-Etalonjparam(k,l,l))A2; end

end end

R=sqrt(R); % Порог равен

P=4*std(R)+mean(R); end

% 3 режим. Метод матрицы вхождений вейвлет коэффициентов, if mode==3

% I этап: Определение параметров эталона for i=l:l:size(A,3) F(:,:,i)=double(A(:,:,i)); % Вычисление вейвлет преобразования [C,S]=wavedec2(F(:,:,i),l,'db2'); % Матрица приближений AP=appcoef2(C,S,'db2'); % Матрицы детелей 1 уровень Hl=detcoef2('h',C,S,l); Vl=detcoef2('v',C,S,l); D1 =detcoef2('d',C,S, 1);

% Вычисление матрицы вхождений для матриц

% АР, HI, VI, D1 а также свойств данный матриц

glcmAP = graycomatrix(AP,'Offset', [О 1;-1 1;-1 0;-1 -l],'GrayLimits',[0,255]);

statsAP = graycoprops(glcmAP);

FeaturesAP=[mean(statsAP.Contrast) std(stats АР. Contrast) mean(stats АР.Correlation) std(statsAP.Correlation)...

mean(statsAP.Energy) std(statsAP.Energy) mean(statsAP.Homogeneity)

std(statsAP.Homogeneity)];

glcmHl =graycomatrix(Hl,'Offset',[0 1;-1 1;-1 0;-l -l],'GrayLimits',[-255,255]); statsHl = graycoprops(glcmHl);

FeaturesHl=[mean(statsHl .Contrast) std(statsHl .Contrast) mean(statsHl .Correlation) std(statsHl .Correlation)...

mean(statsHl .Energy) std(statsHl .Energy) mean(statsHl .Homogeneity)

std(statsH 1 .Homogeneity)];

glcmYl =graycomatrix(V 1,'Offset',[0 1;-1 1;-1 0;-l -l],'GrayLimits',[-255,255]); statsVl = graycoprops(glcmVl);

FeaturesVl=[mean(statsVl .Contrast) std(statsVl .Contrast) mean(statsVl .Correlation) std(statsVl .Correlation)...

mean(statsV 1 .Energy) std(statsV 1 .Energy) mean(statsV 1 .Homogeneity)

std(stats V1 .Homogeneity)];

glcmDl =graycomatrix(D 1,'Offset',[0 1;-1 1;-1 0;-l -l],'GrayLimits',[-255,255]); statsDl = graycoprops(glcmDl);

FeaturesD 1=[mean(statsD 1 .Contrast) std(statsD 1 .Contrast) mean(statsD 1 .Correlation) std(statsDl .Correlation)...

mean(statsD 1 .Energy) std(statsD 1 .Energy) mean(statsD 1 .Homogeneity)

std(statsD 1 .Homogeneity)];

•^Формирование вектора признаков

Features(:,i)=[FeaturesAP FeaturesHl FeaturesVl FeaturesDl]'; end

% Определение средних значений признаков Etalon_param(:,l)=mean(Features,2); % Определение СКО признаков

STD=std(Features,0,2);

% Определение весовых коэффициентов признака Etalon_param(:,2)=l-(STD/max(STD));

% II этап: Определение порога for i=l:l:size(A,3) R(i)=0;

for k= 1:1 :size(Etalonjparam, 1 )

R(i)=R(i)+Etalon_param(k,2)A2*(Features(k,i)-Etalon_param(k,l))A2;

end end

R=sqrt(R); % Порог равен P=3*std(R)+mean(R);

End

Программа 2. Классификация (да/нет) методами обнаружения

function [Result]=defect detect_method(I,P,Etalonjpararn,mode) % Функция определяет есть или нет дефекта на изображении, используя % 3 возможных метода,заданных с помощью параметра mode. % mode = 1 - метод оценки изменения формы спектра; % mode = 2 - метод ориентированных фильтров; % mode = 3 - метод матрицы вхождений вейвлет коэффициентов; % I - исходное изображение. Размер равен БЭТ. % Р - порог дефектности, вычисленный с помощью функции % defect_detect_adjastment;

% Etalon_param - параметры эталона, вычисленные с помощью функции

% defect__detect_adjastment; %

% Result - логическая переменная 0 - нет дефекта; 1 - есть дефект;

% Размер базового элемента текстуры BTEsize=36;

% 1 режим. Метод оценки изменения формы спектра, if mode==l

F=double(I); % Вычисление спектра Jt=ffi2(F);

St=2 * conj ( Jt). * Jt/(2 * BTEsize) ; Spt=St(BTEsize/2+1 :end, 1 :end); % Определение R R=0;

for k= 1:1 :size(Etalonjparam, 1 ) for m=l : 1 :size(Etalon_param,2)

R=R+Etalon_param(k,m,2)A2*(Spt(k,m)-Etalon_param(k,m,l))A2; end end R=sqrt(R);

if R>P

Résultai; else Result=0;

end

end

% 2 режим. Метод ориентированных фильтров, if mode==2

% Вычисление банка фильтров FBo = make_filterbank_odd2(6,'lH',6,3); FBe = make_filterbank_even2(l Д',6,3); FBs=doog3_tsap(l ,6); F=double(I);

% Фильтрация изображения Flo = fft_fîlt_2_tsap(F,FBo); Fie = fft_filt_2_tsap(F,FBe); Fis = fft_filt_2_tsap(F,FBs); % Определение признаков for m=l : 1 :size(FBo,3)

Features 1 (m,:)=[mean2(FIo(:,:,m)) std2(FIo(:,:,m))]; end

Fcalures2(m,:)=[mean2(FIe(:,:, 1 )) std2(FIe(:,:, 1 ))]; Features3( 1 ,:)=[mean2(FIs(:,:, 1 )) std2(FIs(:,:,l))]; Features=[Features 1; Features2; Features3];

%Определение R R=0;

for k= 1:1 : size(Etalon_param, 1 ) for 1= 1:1 :size(Etalon_param,2)

R=R+Etalon_param(k,l,2)A2H! (Features(k,l)-Etalon__param(k,l, 1 ))A2; end end

R=sqrt(R);

if R>P

Résultai; else Result=0; end

% 3 режим. Метод матрицы вхождений вейвлет коэффициентов, if mode==3 F=double(I);

% Вычисление вейвлет преобразования [C,S]=wavedec2(F, 1 ,'db2'); % Матрица приближений AP=appcoef2(C,S,'db2'); % Матрицы детелей 1 уровень Hl=detcoef2('h',C,S,l); V1 =detcoef2('v',C,S, 1); D1 =detcoef2('d',C,S, 1);

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.