Разработка видеокомпьютерной системы автоматической классификации дефектов сварных соединений тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Тет Аунг

• Тет Аунг
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Тет Аунг

Оглавление

Список сокращений и условных обозначений

Введение

Глава 1. Системы автоматического видеомониторинга сварочных

процессов

1.1. Методы автоматизированного визуального контроля для дуговой сварки

1.2. Методы обработки изображений для дуговой сварки в системах АВК

1.3. Назначение и основные функции систем технического зрения (СТЗ)

1.4. Типовая структура и основные принципы функционирования систем технического зрения

1.5. Задача контроля качества сварных соединений

1.5.1. Контроль сварных швов внешним осмотром

1.5.2. Автоматизация процедур классификации дефектов сварных швов

1.6. Постановка задачи автоматического контроля качества сварных соединений по видимому изображению

1.7. Выводы по первой главе

Глава 2. Разработка и исследование алгоритмов детектирования дефектов сварных соединений с использованием технологий

цифровой обработки изображений

2.1. Типовая процедура цифровой обработки изображений

2.2. Методы предварительной обработки изображений

2.2.1 Преобразование цветного изображения в полутоновое

2.2.2. Улушение качества изображений

2.2.3. Удаление шумов (фильтрация)

2.2.4. Бинаризация изображений

2.2.5. Выделение краев

2.3. Морфологическая обработка изображений

2.3.1. Базовые понятия теории множеств

2.3.2. Разложение структурообразующих элементов

2.3.3. Дилатация и эрозия областей

2.3.4. Размыкание и замыкание областей

2.4. Сегментация по методу водораздела

2.5. Выделение признаков изображений

2.6. Основные понятия теории распознавания образов

2.6.1. Принципы построения систем распознавания образов

2.6.2. Особенности систем и методов распознавания в задачах видеомониторинга сварочных процессов

2.6.3. Основные принципы построения систем распознавания видеомониторинга сварочных процессов

2.6.4. Задача классификации образов, представленных набором измеряемых параметров. Геометрическая и аналитическая интерпретация

2.7 Эффективные алгоритмы и процедуры детектирования

дефектов сварного шва

2.8. Выводы по второй главе

Глава 3. Реализация процедуры детектирования дефектов сварного шва с использованием технологий цифровой обработки алгоритмов обработки изображений в автоматической системе контроля качества сварных соединений

3.1. Структура и основные принципы функционирования программно-аппаратной системы мониторинга сварочных процессов

3.2. Процедура обнаружения дефектов сварного шва/по цифровым изображениям

3.3 Реализация процедуры детектирования дефектов сварных

соединений

3.4. Выводы по третей главе

Заключение

Список литературы

Список сокращений и условных обозначений

/- яркость (интенсивность)

I (i, j) - интенсивность пикселя полутонового изображения I'(iJ) - обработанное изображение Т(г) - порог

Log- логарифмическое преобразование

Z- множество целых чисел

А и В -множества из пространства Z2

А® В - Дилатазция множества А по множеству В

А 0 В - эрозия А по В

А о В - размыкание множества А по примитиву В А • В - замыкание множества А по примитиву В A U В —объединение множество А и В А П В - пересечение множество А и В А\В - разность множеств А

АВК- автоматизированный визуальный контроль

ИП-источник питания

ИНС- искусственные нейронные сети

КИХ - фильтр с конечной импульсной характеристикой

СНС- сверточные нейронные сети

СТЗ- систем технического зрения

DFT- дискретное преобразование Фурье

FFT- быстрое преобразование Фурье (БПФ)

IPT- image processing toolbox (пакет прикладных программ для обработки изображений)

Введение диссертации (часть автореферата) на тему «Разработка видеокомпьютерной системы автоматической классификации дефектов сварных соединений»

Введение

Актуальность темы. При строительстве магистральных трубопроводов возникает ряд актуальных задач, таких как снижение уровня брака при сварке стыковых соединений, увеличение производительности процесса сварки, повышение уровня вероятности обнаружения дефектов. При этом различного характера возмущения при строительстве трубопроводов, очевидно, не дают возможности достичь такого качества строительства и эксплуатации трубопроводов, при котором полностью бы исключалась вероятность появления дефектов, что подтверждают данные анализа Рос технадзора аварийности на трубопроводах, которые показывают, что основными причинами аварий являются внешние физические воздействия на трубопроводы (34,7 %), нарушения норм и правил производства работ, отступления от проектных решений (24,7 %), коррозионные повреждения (23,5 %), нарушения технических условий при изготовлении труб, деталей и оборудования (12,4 %), ошибочные действия эксплуатационного и ремонтного персонала (4,7 %). Значительная доля причин возникновения аварийных ситуаций, связанных с нарушения норм и правил производства работ, отступления от проектных решений, ошибочными действиями персонала выдвигают на передний план вопросы совершенствования сварочных технологий и оборудования. Так как от сварочных работ зависит общий темп строительства трубопроводов, то они могут стать существенным резервом в обеспечении воспроизводи мости качества сварных соединений, эксплуатационной надёжности трубопроводов, сокращения сроков выполнения строительных работ. При этом необходимость внедрения нового поколения оборудования для сварки неповоротных стыков труб обусловлена не только требованиями к повышению производительности сварки, но и необходимостью обеспечения высокой надёжности и качества сварных соединений. Решение указанных проблем может быть достигнуто применением принципиально новых адаптивных цифровых технологий сварки и соответствующего оборудования, обеспечивающих:

- снижение уровня брака при сварке стыков труб;

- увеличение производительности процессов сварки;

- повышение уровня вероятности обнаружения дефектов; обеспечение требуемого качества сварки за счёт снижения роли человеческого фактора. Это определяет актуальность темы диссертации и диктует необходимость дальнейшей разработки интегрированных систем автоматического управления процессом сварки с возможностями адаптивной коррекции на основе данных видеомониторинга и лазерной профилометрии.

Цель диссертационной работы. Основной целью диссертационной работы является разработка исследование и реализация алгоритмов цифровой обработки изображений в системе автоматического контроля качества сварных соединений по данным видеомониторинга.

В соответствии с указанной целью определены следующие задачи исследований:

- Провести анализ способов получения цифровых изображений протяжённых сварных соединений.

- Исследовать типовые структуры систем технического зрения и алгоритмы цифровой обработки изображений.

- Разработать структуру и принципы функционирования подсистемы распознавания дефектов сварных швов по изображениям протяжённых сварных соединений магистральных трубопроводов.

- Разработать методики и процедуры обнаружения дефектов протяжённых сварных соединений магистральных трубопроводов.

- Разработать алгоритмическую и программная реализации автоматической системы локализации дефектов сварных соединений. Провести моделирование системы обнаружения дефектов сварного шва.

Методы исследований. В процессе выполнения диссертационной работы использовались методы .теории математического моделирования, теории

автоматического управления, теории цифровой обработки информации и др. Кроме того, использовались методы численного моделирования разработанных алгоритмов. При моделировании применялись пакеты прикладных программ Ма^аЬ-ЗтиЬтк.

Научная новизна работы. На основе анализа, систематизации и обобщения научных достижений в таких областях, как теория автоматического управления, теория цифровой обработки информации, разработан подход к решению задачи анализа качества сварных соединений в адаптивных системах автоматического управления процессом сварки.

Основные результаты работы:

- Проведён анализ способов получения цифровых изображений протяжённых сварных соединений.

- Исследованы типовые структуры систем технического зрения и алгоритмы цифровой обработки изображений.

- Разработана структура и принципы функционирования подсистемы распознавания дефектов сварных швов по изображениям протяжённых сварных соединений магистральных трубопроводов.

- Разработаны методики и процедуры обнаружения дефектов протяжённых сварных соединений магистральных трубопроводов.

- Разработана алгоритмическая и программная реализации автоматической системы локализации дефектов сварных соединений.

- Проведено моделирование системы обнаружения дефектов сварного шва.

Эффективность разработанных методик, процедур и алгоритмов подтверждена результатами моделирования цифровой адаптивной системы управления сварочным процессом на базе сварочной установки ГАСТ-1 НПП «Технотрон» с инверторным источником питания ДС 400.33 и модернизированной сварочной головкой «ГАСТ-1», оснащённой лазерным сканером профиля стыка и видеокамерой.

Практическая значимость работы. Разработаны эффективные методики и технологии контроля качества сварных соединений по результатам видеомониторинга поверхности сварных швов. Предложенные методики и технологии открывают новые возможности для повышения эффективности сварочного производства и могут быть использованы при создании адаптивных систем управления технологическим процессом сварки. Предложенные подходы также могут быть использованы для протоколирования сварочных процессов и контроля состояния магистральных трубопроводов большого диаметра.

Реализация результатов работы. Основной сферой использования полученных результатов являются автоматические системы управления сварочными процессами. Методики и алгоритмы цифровой обработки изображений, предназначенные для оценки качества и протоколирования процесса сварки использованы при создании цифровой адаптивной системы управления сварочным процессом на базе сварочной установки ГАСТ-1 Hl 111 «Технотрон» с инверторным источником питания ДС 400.33 и модернизированной сварочной головкой «ГАСТ-1», оснащённой лазерным сканером профиля стыка и видеокамерой.

Положения, выносимые на защиту. Методики и процедуры обнаружения дефектов протяжённых сварных соединений магистральных трубопроводов для интегрированных информационных систем сварочных технологических комплексов. Математико-алгоритмическая реализации процедуры анализа качества сварных швов по цифровым изображениям автоматической системы локализации дефектов сварных соединений.

Личный вклад автора. Личный вклад автора заключается: в постановке основных задач исследования и разработке процедур их решения; в формировании процедур и методики оценки качества сварных соединений на основе данных видеокомпьютерного мониторинга, в компьютерном моделировании разработанных алгоритмов на базе современных программно-технических средств.

Достоверность результатов работы. Достоверность полученных результатов и сделанных на их основании выводов обуславливается теоретической проработкой и инженерным анализом существующих подходов, использованием известных закономерностей и апробированных методик, соответствием методов исследования поставленным целям и задачам, сочетанием количественного и качественного анализа результатов, применением современных методов статистической обработки данных, непротиворечивостью результатов.

Апробация работы. Основные положения и результаты диссертации представлялись, обсуждались и были приняты на научном семинаре кафедры систем автоматического управления ФГБОУ ВПО МГТУ им. Н.Э. Баумана, а также на международных симпозиумах и конференциях: конференция МГТУ им.

H.Э. Баумана «Студенческая весна» (Москва, 2010, 2012, 2013г), международный симпозиум «Интеллектуальные системы» (Москва, 20 Юг, 2012г, 2014г).

Публикации. Основные положения диссертации изложены в десяти публикациях, в том числе - в трёх статьях в журналах, входящих в перечень ВАК РФ.

I. Адаптивная система управления сварочным оборудованием / Тет Аунг [и др.]. М.: «Инженерный вестник Дона». 2014. №2-http://ivdon.ru/rnagazine/archive/n2y2014/2385. Загл, с экрана. Яз. Рус (Дата обращения 15.1.2015).

2. Гаврилов А.И., Тет Аунг. Применение методов сегментации изображений в задачах обнаружения дефектов поверхности сварных соединений // Вестник ФГБОУ ВПО МГТУ им. Н.Э. Баумана. Серия "Приборостроение" №5 2014г. С. 124-132 (0,19п.л./0,04п.л.).

3. Классификаторы сварочных дефектов / Тет Аунг [и др.] Студенческий научный вестник. М.: МГТУ им. Н.Э. Баумана, 2012. Том XII, Часть-1.С. 35-38(0,25п.л./0,06п.л.).

4. Микропроцессорная система видеокомпьютерного мониторинга / Тет Аунг [и др.]. Молодёжный научно-технический вестник (Москва). 2014г. http://sntbul.bmstu.ru/doc/737905.html. (Дата обращения 23.12.2014).

5. Нейросетевой классификатор сварочных дефектов / Тет Аунг [и др.]. Интеллектуальные системы: Труды девятого международного симпозиума. М.: РУСАКИ, 2010г. С. 614-615 (0,125п.л./0,062п.л.).

6. Нейросетевые технологии в задаче управления электроприводом постоянного тока / Тет Аунг [и др.]. Интеллектуальные системы: Труды восьмого международного симпозиума. М.: РУСАКИ, 2008г. С. 631-635 (0,25п.л./0,0062п.л.).

7. Применение технологий цифровой обработки изображений в нейросетевых системах управления сварочным оборудованием / Тет Аунг [и др.] Науковедение. Интернет журнал Том 7, №1, 2015. http://naukovedenie.ru/PDF/64TVN115.pdf. Загл, с экрана. Яз. Рус (дата обращения 15.2.2015) (0.43п.л/0.10п.л.).

8. Профилометрическая система позиционирования сварочной установки / Тет Аунг [и др.], Интеллектуальные системы: Труды девятого международного симпозиума. М.: РУСАКИ, 2010г, С. 659-662 (0,25п.л./0,046п.л.).

9. Реконструкция трёхмерных моделей по данным лазерной профилометрии / Тет Аунг [и др.] Интеллектуальные системы: Труды десятого международного симпозиума. М.: РУСАКИ, 2012г. С. 513-517 (0,312п.л./0,062п.л.).

10. Сегментация изображений в задачах обнаружения дефектов поверхности / Тет Аунг [и др.]. Молодёжный научно-технический вестник (Москва) 2014г. http://sntbul.bmstu.ru/doc/749643.html. (Дата обращения 23.12.2014).

Структура и объем работы. Диссертация состоит из введения, трёх глав, заключения, списка литературы из 101 наименований. Основная часть работы составляет 143 страниц машинописного текста 11 таблиц и 109 рисунков.

В первой главе приводится обзор методы автоматизированного визуального контроля для дуговой сварки и методы обработки изображений для дуговой сварки в системах АВК описывается назначение и структура системы технического зрения. Представлены контроля и качества сварных соединении и выявление внешние дефекты сварки. Приведены процедуры обнаружения дефектов и постановки задачи обнаружения дефектов сварных соединении.

Во второй главе приводится анализ существующих методов цифровой обработка изображений и, а также существующих методов обнаружения дефектов. В этой главе предложена следующая обобщённая классификация основных методов: Предварительная обработка изображений, улучшение качества изображений, фильтрация, пороговые методы, методы обнаружения границ, метод гистограммы, методы морфологические обработка изображений, методы на основе преобразования водораздела. Показаны методы сегментации, методы выделения краёв, предложены методы и алгоритмы распознавания образов; Общая познания системы распознавания образов, принципы построения систем распознавания образов, особенности систем и методов распознавания в задачах видеомониторинга сварочных процессов, основные принципы построения систем распознавания видеомониторинга сварочных процессов. Предложены эффективные алгоритмы и процедуры детектирования дефектов сварного шва ;

В третьей главе -описывается реализация алгоритмов обработки изображений в автоматической системе контроля качества сварных соединений. Представлены структуры и процедуры функционирования программно-аппаратной системы мониторинга сварочных процессов. В главе говориться о моделирование обнаружения ' и классификации дефектов с помощью корреляционного метода.

В заключение, приведены основные выводы и результаты, полученные в диссертационной работе.

Глава 1. Системы автоматического видеомониторинга сварочных

процессов

1.1. Методы автоматизированного визуального контроля для дуговой сварки

Технологии автоматизированного визуального контроля (АВК) развиваются достаточно быстро благодаря прогрессу в электронной промышленности и широко применению методов обработки изображений. Эти технологии имеют перспективы использования в сварочной практике [89,90], что обусловлено снижением цен на технические средства, повышением надёжности, а также применением эффективных алгоритмов обработки изображений и проблемно - ориентированного программного обеспечения [69]. Средства АВК наилучшим образом для контроля качества процесса сварки, потому что они позволяют получать двумерную и трёхмерную информацию как о сварочной ванне, так и поверхности шва.

Наиболее широкое применение получили датчики CCD (Charge Coupled Device, Прибор с зарядовой связью), которые используют изображения видимого спектра, обеспечивая информацию о типе соединения, форме сварочной ванны, дуги и др [75]. Таким образом разработка систем АВК является важной областью исследований в сфере автоматизации сварочного производства. Методы АВК обычно разделяют на две категории: активный и пассивный контроль.

Активный автоматизированного визуального контроля (АВК)

В активном АВК используется лазер или структурированный свет с целю получения чёткого изображения и избежания эффекта влияния подсветки от дуги. Лазеры отличаются высокой интенсивностью, направленностью, монохроматичностью и когерентностью. Системы АВК используют датчик, состоящий из лазерного диода и CCD-камеры, для получения профиля шва, с целью наведения на стык сварочной горелки и слежения за траектории движения сварки для оценки качества сварки [95]. Для построения трёхмерной модели сварочной ванны точечный источник света от лазера преобразуется в линию

света с помощью цилиндрической линзы, затем в линию профиля при пересечении с деталью. Таким образом может быть получена информация о геометрия сварочной ванны и строении поверхности сварного шва. Система стробоскопического зрения [55], состоящая из лазерного импульсного источника и камеры (Рисунок 1.1 ), позволяет получать чёткие изображения сварочной ванны при аргонодуговой и плазменной сварке. Чёткое высококонтрастное изображение обеспечивает информацию о геометрии сварочной ванны.

Сварочная горелка

Импульсный лазер

Оптический

кабель

Видеокамера

Контрастирующий фильтр

Сварочная дуга

Рисунок 1.1- Система стробоскопического зрения

В работе [57] представлена система АВК функционирующая на основе структурированной сетки на Рисунок 1.2 . Средняя мощность лазерного импульса 7 МВт; его продолжительность 3 не, мощность составляет 50 квт, длина волны 337 нм. Система обеспечивает чёткое изображение сварочной ванны при условии, что плотность энергии подсветки гораздо выше чем возмущения от сварочной дуги.

п<*$$таиош|хш&и из* 4

Фреймграббер

4 *

\forerrcp

Рисунок 1.2 - Схема получения образа сварочной ванны с помощью

структурированной сетки

Обзор исследований в области активных систем АВК представлен в Таблице 1.

Таблица 1.

Исследования активных систем АВК

Исследования Способ получения информации Оборудование Преимущества Недостатки

R.Kovacevic (USA) ЗЭ Сенсор Сварочной. ванны Импульсный Лазер Высокое разрешение Высокая стоимость

C.G.Morgan (Oxford University) Изображение Сварного шва Камер, лазерный диод Нечувствительность к засветке от дуги Сложность установки

J.E.Agapakis (USA. Automatic Inc) Система стробоскопического зрения Мощный импульсный лазер, камер Высококачественное изображение Высокая стоимость

Пассивный автоматизированный визуальный контроль

Системы пассивного АВК используют излучение жидкого металла сварочной ванны металлических паров и дуги [55,79]. Один из способов построения пассивного АВК - это наблюдение изображения вблизи дуги сварочной ванны и отражённого света дуги с интервалом, равным линии спектра дуги, с целью избежания влияния со стороны сильных линий спектра дуги. В работе [79] выбрано оптимальное значение спектра на 4064 ± 20А посредством анализа экспериментальных данных о спектре низкоуглеродистой стали при GTAW на Рисунок 1.3 показано "распределение линий спектра различных элементов на основе которого выбираются сигналы управления.

Другой метод пассивного АВК основан на использовании излучения дуги в качестве источника света и выборе окна в интервале спектра.

Fe 140-1 5

МпМОЗО |\Лп1403 О АН404 Л

I

К (г» го)

Рисунок 1.3- Распределение интенсивности спектральных линий

В работе [58] рассмотрена система АВК, которая располагается на сварочной дуге в координатных осях электрода. Эта система позволяет наблюдать полную картину сварочного процесса, достаточно эффективно, так как электрод и сопло перекрывают яркую часть дуги, что позволяет избежать засветки. В вышеуказанных случаях качество изображений пассивного АВК может быть улучшено путём комплексирования технологий фильтрации в специфическом спектре излучения, хотя это не так эффективно, как применение активного АВК. Однако, пассивный АВК требует меньше затрат на оборудование (необходима только CCD камера для получения изображения

сварочной ванны) и проще по структуре оборудования, таким образом, он больше подходит для сварочного производства.

Обзор исследований в области пассивных систем АВК представлен в Таблице 2.

Таблица 2.

Исследования пассивных систем АВК

Исследования Получаемая информация Оборудование Преимущества Недостатки

GTAW-гeoмeтpия Визуальный

сварочной ванной датчик в Уменьшение Большой

R.W.Richardson МГС- траектория координатной излучения дуги объем

(OSU) сварного шва системе для получения вычислений

сварочной качественного • в

горелки изображения автономном

(электрода) режиме

К. Oshima МЮ/МАй Априорное

(Japan, Saitama динамика CCD камера управление

University) сварочной ванны сварочной ванной

Hezhi Li (Gansu МАО- Снижение

Institute of Импульсное CCD камера сварочного тока

technology) изображение сварочной ванны при визуализации

Kezhen Wang МЮ Определение

(Tsinghua Изображение Высокоскоростн ширины

University) сварочной ванны ая CCD-камера сварочной ванны и контроль проплавления

Wuzhu Chen Измерение CCD камера Определение Существен-

(Tsinghua характеристик с композитным характеристик ные

University) сварочной ванны фильтрации процесса сварки в возмущения,

в реальном режиме требуется

времени высокая

Таблица 2. (продолжение).

Shishen Huang (South China university of technology) Изображение поверхности сварочной вафанны Площадь массива CCD-камеры Съемка производится под углом 50 Время обработки: 200 мс

Pengjiu Li (Harbing Institute of technology) Параметры влияния сварки для аргонодуговой сварки дуга спектра Информативная составляющая света дуги в диапазонах 320440 нм,700-800 нм

Yuchi Liu, bin Huang (Harbing Institute of technoloty) Изображение сварочной ванны из низкоуглеродистой стали Камера Оценка ширины сварочной ванны -

Yajun Lou, Dongbin Zhao (Harbing Institute of technoloty) Внешняя и внутренняя поверхность сварочной ванны CCD камера Двухсторонний визуальный контроль и моделирование шва -

Guangj unZhang (Harbing Institute of technology) форма сварочной ванны CCD камера Трехсторонний визуальный контроль -

Jianjun Wang (Shanghai Jiao Tong Univ.) Форма сварочной ванны алюминиевого сплава CCD камера Двухсторонний визуальный контроля, широкополосный фильтра -

1.2. Методы обработки изображений для дуговой сварки в системах АВК

Обработка изображений предназначена для извлечения характеристик сварочной ванны, для построения модели процесса, которая позволяет в режиме реального времени осуществлять контроль проплавления [89,90]. Таким образом, точность алгоритмов обработки изображения важна для разработки САУ процессами сварки [59]. Как правило, исходное изображение не может быть непосредственно использовано в алгоритме управления из-за ограничений

сварочного оборудования, таким образом требуется специфическая обработка изображений. Кроме того, колебания сварочного тока и возмущения от излучения могут привести к ухудшению изображения [81]. Все вышеперечисленные факторы добавляют трудностей в обработке изображений и требуют адаптации алгоритмов обработки изображения к различным условиям. На основе анализа изображения сварочной ванны разработан ряд алгоритмов для определения геометрических параметров, таких как восстановление изображения, обнаружение краёв, проекции, нейросетевая идентификация и аппроксимация кривых.

Изменения формы, длины, ширины, и других параметров, можно получить из изображения, и профессиональный сварщик использует эту информацию для регулирования параметров сварки с целью стабилизации сварочного процесса. Ключевым моментом в управлении процессом сварки является построение модели формообразования сварного шва.

Обработка изображения верхней части сварочной ванны

Как правило, изображения сварочной ванны при различных экспериментальных условиях требуют разных алгоритмов обработки изображения, так как сварочный ток, направление света от дуги и др., изменение контраста между металлом и сварочной ванной [69].

Целью обработки изображения является обнаружение границы сварочной ванны и вычисление её параметров. Пороговый метод использует градиент яркости для определения положения сварочной ванны [71]. Другие методы, такие как алгоритм обнаружение границы в сочетании с методом сглаживания и методом полиномиальной аппроксимации используются для удаления шума в изображении.

В работе [71] рассмотрены основные этапы обработки изображений сварочной ванны. Первый-это фильтрация. Затем, используются различные методы обработки выпуклых и вогнутых участков изображения. Для выпуклого

изображения гистограмма уровня серого имеет два пика и, следовательно, бинарное изображение может быть получено как лежащее между двумя пиками. Граница может быть извлечена методом отслеживания краёв. Для вогнутого изображения гистограмма уровня серого также имеет два пика, но прямой пороговый метод приведёт к неверному результату, поэтому применяется двумерное обнаружение краёв. Наконец, метод координации используется для вычисления фактических параметров формы сварочной ванны в плоскости заготовки.

Обработка изображений обратной части сварочной ванны

Обработки изображений также необходима для внутренней стороны сварочной ванны. Источник высоко температурного излучения от плавящегося металла формирует типичное целевое изображение, которое может быть обработано с помощью порогового метода после Гауссовой фильтрации, после этого может быть определены характеристики сварочной ванны [85].

Расчёт трёхмерных характеристик сварочной ванны

В работе [85] рассмотрен простой метод для получения ЗБ модели поверхности сварочной ванны на основе отражённого излучения дуги поверхностью. Метод заключается в вычислении расстояния между горелкой и отражением, и позволяет косвенно вычислить рельеф поверхности сварочной ванны. Обработку изображений можно разделить на следующие этапы:

1. Гауссовая фильтрация

2. Пороговый метод

3. Определение положение электрода

4. Расчёт рельефа поверхности сварочной ванны.

В работе [85] приведены способы расчёта рельефа поверхности сварочной ванны на основе монокулярного, зрения. Теоретически трёхмерная информация об изображении не может быть извлечена из монокулярного изображения, но

некоторые дополнительные признаки, такие как геометрическая модель, особенности поверхности и физические характеристики, могут служить для извлечения трёхмерной информации. Этот метод называется "Форма из затенения "(Shape From Shading, SFS) и использует некоторые априорной знания и ограничения для получения уравнения поверхности отражения.

Метод SFS предназначен для получения единого изображения из эксперимента и для расчёта рельефа поверхности сварочной ванны по уравнению отражения, которое преобразует полутоновое изображение в карту высот. Главной проблемной является - построение уравнения и решение для построения карты высот реальной поверхности сварочной ванны. Характеристики источника света, камеры и поверхности объекта должны быть известны. Затем уравнение связывающее градиент поверхности и изображение в оттенках серого строится для идеальных условий получения изображения. Предлагается итерационный метод для вычисления карты высот поверхности, а проверки осуществляется путём сопоставления синтетического образа и реального изображения сварочной ванны.

1.3. Назначение и основные функции систем технического зрения(СТЗ)

Целью системы технического (машинного) зрения является принятие решений о характеристиках реальных физических объектов и сцен на основе воспринимаемого изображения [49]. До недавнего времени основной областью применения систем машинного зрения (СТЗ) являлось видеонаблюдение и смежные с ним область [27,37]. Однако в последние годы, с развитием оптических систем связи, фотоаппаратуры высокого разрешения, переходом на новые некогерентные источники излучения круг областей применения СТЗ значительно расширился, СТЗ активно используются в следующих областях:

Список литературы диссертационного исследования кандидат наук Тет Аунг, 2015 год

Список литературы

1. Автоматизированный комплекс для многослойной сварки кольцевых стыков труб магистральных трубопроводов со средствами адаптации и прогнозирования качества сварки / Гладков Э.А., Гаврилов А.И [и др.] // Наука и техника в газовой промышленности. М.:, 2009г. № 4. С. 77-86.

2. Адаптивная система управления сварочным оборудованием / Тет Аунг [и др.] М.: «Инженерный вестник Дона». 2014. №2-http://ivdon.ru/magazine/archive/n2y 2014/2385. Загл. с экрана. Яз. Рус (дата обращения 15.1.2015).

3. Алфимцев А.Н., Разработка и исследование методов захвата отслеживания и распознавания динамических жестов: Дис...канд. Техн. Наук: 05.13.17 (МГТУ им. Н.Э. Баумана). Москва, 2008. 165 с.

4. Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатияти прогнозирования / Талалаев A.A., Тищенко И.П [и др.] // Искусственный интеллект и принятие решений. —М.: № 2, 2008и. с.24-33.

5. Апальков И.В., Хрящев В.В. Удаление шума из изображений на основе нелинейных алгоритмов с использованием ранговой статистики. Ярославский государственный университет, 2007г.

6. Аун С. Информационно-измерительная система видеослежения за подвижными объектами на основе пространственных дескрипторов: Дис... Канд.техн. Наук: 05.11.16 (КАИ). Казань, 2012. 185 с.

7. Бухтояров С.С. Удаление шума из изображений нелинейными цифровыми фильтрами на основе ранговой статистики. —М.: 2007г.

8. Гаврилов А.И., Евдокимов П.В. Применение сетей Кохонена в задачах автоматизированного структурирования и анализа информации / Тр. Пятого международного симпозиума "Интеллектуальные системы", г. Калуга, 2002г. М.: МГТУ им. Н.Э. Баумана, 2002. С. 315-317.

9. Гаврилов А.И., Тет Аунг. Применение методов сегментации изображений в задачах обнаружения дефектов поверхности сварных соединений // Вестник

ФГБОУ ВПО МГТУ им. Н.Э. Баумана. Серия "Приборостроение" №5 2014г. С. 124-132 (0,19п.л./0,04п.л.).

10. Гаврилов А.И., Шахназаров Г.А., Пупков К.А., Комплексирование технологий управления в интеллектуальных системах высокой точности и надёжности // Вестник Российского университета дружбы народов. Серия: Инженерные исследования. 2011. № 4. С. 60-67.

11. Гаганов В.В. Инвариантные алгоритмы сопоставления точёных особенностей на изображениях. Журнал Графика и Мультимедиа, выпуск №7(1) 2009г.

12. Герман Е.В. Методы выделения характерных особенностей изображений подстилающей поверхности 'при не корреляционных совмещениях: Дис...канд. Техн. Наук: 05.13.01 (РГГУ). Рязан, 2014. 175с.

13. Гладков Э.А., Гаврилов А.И. Имитационное моделирование лазерной сварки с глубоким проплавлением с пользованием нейросетевых моделей // Сварка и диагностика. 2009. № 1. С. 9-11.

14. Гладков Э.А., Гаврилов А.И., Малолетков А. В. Динамическая нелинейная модель технического процесса лазерной сварки с глубоким проплавлением // Сварочное производство. 2001г. № 12. С. 17.

15. Гонзалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2006. - 1072с.

16. Д. Форсайт., Д. Понс. Компьютерное зрение. Современный подход. М.: Вильяме, 2004г. С.603^610.

17. Заенцев И.В. Нейронные сети: основные модели. Воронеж, 1999г, 76 с.

18. Зуева Е.Ю. Компьютерное зрение в ИПМ им. В.М. Келдыша РАН-история развития, 2009г.

19. Калан Р. Основные концепции нейронных сетей. -М.: Вильяме, 2001.288 с.

20. Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению, компьютерная графика и мультимедиа. Выпуск №3(2) /2005г. http: // cgm. Computer graphics. Ru / content / view / 74.

21. Классификаторы сварочных дефектов / Тет Аунг [и др.] Студенческий научный вестник. М.: МГТУ им-. Н.Э. Баумана, 2012. Том XII, Часть-1.С. 3538.

22. Конушин A.A. Слежение за точечными особенностями сцены (Point feature tracking). Компьютерная графика и мультимедиа. Выпуск №1(5) /2003. http://cgm.computergraphics.ru/content/view/54.

23. Кохонен Т. Ассоциативная память, «Мир», Москва, 1980г, 240 с.

24. Краснобаев A.A., Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации. 2005г. http://www.keldysh.ru/papers/2005/prepl 14/ргер2005_114.html.

25. Лысенко О. Машинное зрение от SICK/IVP // Компоненты и технологии. 2007г. http://kit-e.ru/articles/sensor/2007_l_66.php.

26. Макаренко A.A., Калайда В.Т., Методика локализации изображения лица для систем видеоконтроля на основе нейронной сети // Известия Томского политехнического университета / Томский политехнический университет (ТПУ). 2006. Т. 309. № 8 . С. 113-118.

27. Мерков А.Б. Распознавание образов. Введение в методы статистического обучения. М.: Едиториал УРСС, 2011. 256 с.

28. Методические аспекты применения нейросетевых моделей для прогнозирования качества сварки плавлением / Гладков Э.А., Гаврилов А.И [и др.] // Сварка и диагностика 2008. № 3. С. 2-7.

29. Микропроцессорная система видеокомпьютерного мониторинга / Тет Аунг [и др.] Молодёжный научно-технический вестник (Москва). 2014г. http://sntbul.bmstu.ru/doc/737905..html. (дата обращения 23.12.2014).

30. Микропроцессорный комплекс мониторинга и управления процессом сварки кольцевых стыков труб / Алёшин Н.П., Гладков Э.А. [и др.] // Пат. RUS 121765 06.04.2011.

31. Миронов Б.М., Малов А.Н. Сегментация изображений кластерным методом и алгоритмом случайных скачков: сравнительный анализ // Компьютерная оптика. 2010. Т. 34, №1. С. 132-137.

32. Нейросетевой классификатор сварочных дефектов / Тет Аунг [и др] Интеллектуальные системы: Труды девятого международного симпозиума. М.: РУСАКИ, 2010г. С. 614-615.

33. Нейросетевые технологии в задаче управления электроприводом постоянного тока / Тет Аунг [и др.] Интеллектуальные системы: Труды восьмого международного симпозиума. М.: РУСАКИ, 2008г. С. 631-635 (0,25п.л./0,0062п.л.).

34. Обработка и анализ цифровых изображений с примерами на Lab VIEW IMAQ Vision / Визильтер Ю.В., Желтов С.Ю [и др.] М.: ДМК Пресс, 2007.

35. Опыт разработки и применения современных отечественных технологий и оборудования для автоматической орбитальной сварки магистральных газопроводов / Гецкин О.Б., Вышемирский Е.М [и др.] // Сварка и Диагностика. 2010г. № 6. С. 51 - 57.

36. Потапов A.C., Автоматический анализ изображений и распознавание образов на основе принципа репрезентационной минимальной длины описания: Дис... Докт. Техн. Наук: 05.11.07, 05.13.01 (спбгу ИТМО). Санкт-Петербург, 2008. 299 с.

37. Потапов A.C. Распознавание образов и машинное восприятие. —М.: Политехника, 2007 г. 552 с.

38. Применение технологий цифровой обработки изображений в нейросетевых системах управления сварочным оборудованием / Тет Аунг [и др.] Науковедение. Интернет журнал Том 7, №1, 2015. http://naukovedenie.ru/PDF/64TVN 115.pdf. Загл. с экрана. Яз. Рус (дата обращения 15.2.2015).

39. Программно алгоритмический комплекс стабилизации и улучшения качества видео изображений, получаемых информационными средствами космического базирования: свидетельство об официальной регистрации программ для ЭВМ / Колесса А.Е., Слынько Ю.В., Лагуткин В.Н., Лукьянов А.П. №2007614534 от 26 октября 2007г.

40. Профилометрическая система позиционирования сварочной установки / Тет Аунг [и др], Интеллектуальные системы: Труды девятого международного симпозиума. М.: РУСАКИ, 20Юг, С. 659-662.

41. Пупкова К.А. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под общ. ред. М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. 774с., ил.

42. Реализация адаптивных технологий сварки кольцевых стыков магистральных трубопроводов / Алёшин Н.П., Гладков Э.А [и др.] Сварка и диагностика. М.: 2011. № 5. С. 48-53.

43. Реконструкция трёхмерных моделей по данным лазерной профилометрии / Тет Аунг [и др.] Интеллектуальные системы: Труды десятого международного симпозиума. -М.: РУСАКИ, 2012г. С. 513-517.

44. Савичева C.B., Система распознавания отдельных и наложенных плоских объектов: Дис...канд. Техн. Наук: 05.13.01 (влгу). Владимир, 2013. 192 с.

45. Сегментация изображений в задачах обнаружения дефектов поверхности / Тет Аунг [и др.] Молодёжный научно-технический вестник (Москва) 2014г. http://sntbul.bmstu.ru/doc/749643.html. (дата обращения 23.12,2014).

46. Сойфера В.А. Методы компьютерной обработки изображений / Под ред. -М.: Физматлит, 2003. С. 192-203.

47. Установка для считывания клейма с труб НКТ / Перковский P.A., Гаврилов А.И [и др.]. М.: Дефектоскопия. 2003г. № 9. с. 81-83.

48. Фаворская М.Н. Модели и методы распознавания динамических образов на основе пространственно-временного анализа последовательностей изображений: Дис... Докт. Техн. Наук: 05.13.18 (СФУ). Красноярск, 2011. 326 с.

49. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений: учеб. пособие. СПБ: СПБГУ ИТМО, 2008г. 192 с.

50. Царегородцев В.Г. Общая неэффективность использования суммарного градиента выборки при обучении нейронной сети // Нейроинформатика и ее

приложения: Матер. XII Всеросс. семинара. - Красноярск, 2004г. С. 145— 151.

51. Цифровая обработка йзображений в информационных системах / Грузман И.С., Киричук В.С [и др.] // Учеб. пособие. Новосибирск. Изд-во НГТУ,

2003.- 352 с.

52. Шапиро JL, Дж. Стокман. Компьютерное зрение. -М.: БИНОМ. Лаборатория знаний, 2006г. 752 с.

53. Яне Б. Цифровая обработка изображений. М.: Техно сфера, 2007г. 584 с.

54. Agapakis J.E., Bolstad J. Vision sensing and processing system for monitoring and control of welding and other high luminosity processes. International Robots & Vision Automation Conference, 1991, 23-29.

55. Agapakis J.E., Bolstad J. Vision sensing and processing system for monitoring and control of welding and other high luminosity processes. International Robots & Vision Automation Conference, 1991,23-29

56. Alhoniemi E. Process monitoring and modeling Using the Self-Organizing Map, Integrated Computer-Aided Engineering, IEEE. 1999. №.6 (1).

57. Beatlie R.J., Cheng S.K., Logue P.S. The use of vision sensors in multi-pass welding applications. Welding Journal. 1988, 67(11):28-33

58. Brzakovic D., Khani D.T.. Weld pool edge detection for automated control of welding. IEEE Transactions on Robotics and Automation. 1991, 7(3):397-403

59. Chen S.B., Wu L. A survey on intelligent welding technologies, Harbin: Heilongjiang People Press, Proceedings on 10th Chinese Conference on Welding (in Chinese), 2001,(l):84-96/

60. Dayhoff J.E. Neural network architectures: an introduction. New York (NY): Van No strand Reinhold, 1990. -259 p.'

61. Drews P., G. Starke. Welding in the century of information technology. Welding in theWorld.1994, 34(1): 1-20

62. E.R. Davies. Machine Vision: Theory, Algorithms, Practicalities Academic Press,

2004.

63. Gonzalez R.C., Woods R.E., Eddins S.L. "Digital image processing using Matlab", Pearson Prentice Hall: Upper Saddle River2004.

64. Haykin S. Neural Networks, A Comprehensive Foundation, MacMillan College Publishing Co, New York, 1994.

65. Hertz J., Krogh A., Palmer R.G. Introduction to the Theory of Neural Computation, Addison Wesley, Reading, Mass., 1991.

66. Iivarinen J., Kohonen Т., Kangas J., Kaski S. Visualizing the clusters on the self-organizing map, Proc. Conf. on Artificial Intelligence Res. in Finland, Number 12 in Conf. Proc. of Finnish Artificial Intelligence Society, pp. 122 - 126.

67. Jin Z. Y, "Image Analysis", Tsinghua University Press: Beijing, 2005.

68. Jun Z.G., "Machine Vision", Science Press: Beijing, 2005.

69. K.M. Lee, Kuo C.J. Shape from shading with perspective projection. Computer Vision Graphics Image Process. 1994, 59(2):202-212

70. Kannatey Asibu E. Milestone developments in welding and joining processes, ASME Journal of Manufacturing Science and Engineering. 1997, pp.801-810.

71. Kimmel R., Bruckstein A.M. Global shape from shading. Computer Vision and Image Understanding. 1995, 62(3):360-369

72. Kohonen Т., (1995), Self-Organizing Maps, Springer, Berlin,

73. Kohonen Т.. Self-Organization and Associative Memory. - New-York: Springer, 1988. 620p.

74. Kohonen, Т., Oja E., Simula O., Visa A., Kangas J., (1996), Engineering applications of the self-organizing map, Proceedings of the IEEE, 84(10), 1358 -1384.

75. Kovacevic R., Zhang Y.M. Z. Real-time image processing for monitoring of free weld pool surface. Journal of Manufacturing Science and Engineering. 1997, 119(5): 161—169.

76. Mathworks Inc. (1996) Using Matlab Version 5 (Mathworks WWW address: http://www.mathworks.com/). Нейронныесети: Карты Кохонена, сентябрь, Валютный спекулянт, с 23-26.

77. McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity Bull Mathematical Biophysics, Vol. 5, 1943, pp. 115-133.

78. Morgan C.G., Bromley J.S., Davey P.G.. Visual guidance techniques for Robot arc welding. Proceeding of 3rd International Conference on Robot Vision and Sensory Controls, 1983, pp, 615-619.

79. Nakata S., Huang J. Y. Visual sensing system for in-process control of arc welding process. Welding International. 1988, 2(12): 1086-1090

80. Pal S.K. Automatic gray level thresholding through index of fuzziness and entropy. Pattern Recognition. 1983, 1(3):141-146.

81. Pan J.L. A survey on 21th century welding science researches, Beijing :Mechanical Industry Press, Proceedings on 9th Chinese Conference on Welding (in Chinese), 1999, (1):D-001-D-017

82. Richardson R.W., Gutow D.A. Coaxial arc weld pool viewing for process monitoring and Control. Welding Journal. 1984, 63(3):43-50

83. Ritter H., Martinetz T., Schulten, K. (1992), Neural Computation and Self-Organizing Maps, Addison-Wesley Publishing Company.

84. Rumelhart D.E. Parallel distributed processing: Explorations in the microstructure of cognition. Cambridge (MA): MIT Press, 1986. Vol. 1. Foundations. - 532 p.

85. Sheng J.H. 3D image processing system based on Shape Reconstruction. Pattern Recognition and Artificial Intelligence. 1991, 4(4):46-52

86. Simula O., Vasara P., Vesanto J., Helminen R.R. The Self-organizing Map in Industry analysis, Laboratory of Computer and Information Science Laboratory of Computer and Information Science, Findland, Vol. 2. pp. 15-31

87. Sjoberg J., Hjalmarsson H., Ljung L. Neural networks in system identification // 10th IF AC Symposium on System Identification. - Copenhagen, 1994. - Vol. 2. - P. 49 - 72.

88. Song T.H., Li M.X.. Development of advanced manufacturing technologies and welding in the future, Beijing :Mechanical Industry Press, Proceedings on 8th Chinese Conference on Welding (in Chinese), 1997, (1): 17-27

89. Tarn T.J., Chen S.B., Chou C.J. Robotic Welding, Intelligence and Automation, Springer Verlag Berlin Heidelberg, Mar., 2004

90. Tarn T.J., Chen S.B., Chou C.J. Robotic Welding, Intelligence and Automation, Springer ,Verlag Berlin Heidelberg, Mar., 2007

91. Vesanto J. Using SOM in Data Mining // Thesis for the degree of Licentiate of Science in Technology. - Espoo, Findland, 2000, Vol. 2. pp. 15-31.

92. Weld width prediction based on artificial neural network. Yu X.P, Zhao X.R, Sum H., Gavrilov A., Hanjie Xuebao, Transactions of the China Welding Institution.

2005. T.26. № 5.

93. Xiangdong G., Mingtao L., Jianhui C. "Application of vision sensing and image processing technique in. welding control", Modern Welding, vol. 11, pp. 15- 18,

2006.

94. Xueqin L., Zhang K., Yixiong W. Condition and expectation of automatic weld seam tracking system, Chinese Journal of Mechanical Engineering, vol. 39, no. 12, pp. 80-85, 2003.

95. Y.M. Zhang. Modern control analysis and design of welding process, Harbin Institute of Technology Press, Harbin, 1990, 72-76

96. Z.Y. Jin, "Image Processing", Tsinghua University Press: Beijing,2005.

97. Zhang Y.M., Kovacevic R., Wu L. Closed-loop control of weld penetration using front-face vision sensing. Journal of Systems and Control Engineering. 1993, 207(3):27-34.

98. Zhang Y.M., Wu L. Determination of top supervision parameters for state of full penetration in TIG welding, Transactions of The China Welding Institution. 1991, 12(1):39—45

99. Zhao D.B., Chen S.B., Chen. Shape parameter definition and image processing of the weld pool during pulsed GTAW with wire filler. Transactions of the China Welding Institution. 2001, 19(2): pp, 5-8.

100. Zhao D.B., Chen S.B., Wu L. Analysis and realization of the calculus of height from a single image. Chinese Journal of Computers. 2001, 27(4), pp, 367-369.

143/ ¿ZP

101. Zhao D.B., Chen S.B., Wu L. Research on the application of the 3-D shape from a single image. Optical Technique. 2000, 23(2): 147-Y52.