Помощь в написании студенческих работ
Антистрессовый сервис

Разработка алгоритмического и программного обеспечения автоматизированной системы контроля качества поверхности стальной горячекатаной полосы

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Одним из наиболее перспективных путей решения рассматриваемой проблемы является использование оптико-электронных систем, построенных на базе ПЗС датчиков. В то же время создание алгоритмического и программного обеспечения таких систем контроля качества поверхности стальной горячекатаной полосы сопряжено с рядом трудностей. Во-первых, существенная неоднородность фона не позволяет использовать… Читать ещё >

Разработка алгоритмического и программного обеспечения автоматизированной системы контроля качества поверхности стальной горячекатаной полосы (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. Современное состояние проблемы контроля качества 10 поверхности стальной горячекатаной полосы
    • 1. 1. Общая характеристика поверхности стальной горячекатаной 10 полосы на выходе HTA
    • 1. 2. Анализ существующих методов и средств оптико- 24 электронного контроля поверхности полосы
    • 1. 3. Постановка задачи разработки алгоритмического и 36 программного обеспечения автоматизированной системы оптико-электронного контроля качества поверхности стальной горячекатаной полосы
  • Выводы по главе
  • Глава 2. Описание и анализ изображения поверхности стальной 42 горячекатаной полосы
    • 2. 1. Иерархическая модель изображения стальной горячекатаной полосы
    • 2. 2. Текстурный анализ изображения поверхности стальной 54 горячекатаной полосы
    • 2. 3. Имитационное моделирование изображения поверхности
      • 2. 3. 1. Оценка параметров модели изображения поверхности 64 стальной горячекатаной полосы
      • 2. 3. 2. Синтез изображений поверхности
  • Выводы по главе
  • Глава 3. Построение алгоритмов обработки изображения для 75 обнаружения и классификации дефектов поверхности стальной горячекатаной полосы
    • 3. 1. Алгоритмы выявления поверхностных дефектов
    • 3. 2. Алгоритмы анализа границ дефектных областей
    • 3. 3. Алгоритмы классификации поверхностных дефектов
  • Выводы по главе
  • Глава 4. Экспериментальные исследования алгоритмического и 104 программного обеспечения автоматизированной системы оптико-электронного контроля качества поверхности горячекатаной полосы
    • 4. 1. Экспериментальные исследования имитационной модели
    • 4. 2. Описание экспериментальной установки оптико- 111 электронного контроля поверхности стальной горячекатаной полосы
    • 4. 3. Перспективы развития алгоритмического и программного 120 обеспечения автоматизированных систем оптико-электронного контроля качества поверхности стальной горячекатаной полосы
  • Выводы по главе 4
  • Заключение
  • Список литературы
  • Приложение 1
  • Приложение 2
  • Приложение

Одним из важнейших этапов производства проката является удаление окалины с поверхности стальной горячекатаной полосы, которое выполняется сегодня на большинстве металлургических предприятий с помощью непрерывных травильных агрегатов (HTA). Контроль качества поверхности полосы, поступившей с выхода HTA, осуществляется в настоящее время обычно человеком визуально, со всеми присущими ему недостатками. В результате необнаруженные дефекты проявляются на следующих переделах и ведут как к сбоям технологии, так и переходят на конечный продукт, отгружаемый потребителю.

Одним из наиболее перспективных путей решения рассматриваемой проблемы является использование оптико-электронных систем, построенных на базе ПЗС датчиков. В то же время создание алгоритмического и программного обеспечения таких систем контроля качества поверхности стальной горячекатаной полосы сопряжено с рядом трудностей. Во-первых, существенная неоднородность фона не позволяет использовать известные методики обнаружения и классификации поверхностных дефектов. Во-вторых, многообразие причин появления дефектов на готовом прокате привело к многообразию самих дефектов, их размеров, форм и т. п. Так, справочники заводов дают от 120 до 150 различных способов классификации дефектов[54]. В-третьих, движение объекта контроля предъявляет повышенные требования к уровню вычислительных затрат и программной реализации алгоритмов. Следует также отметить, что имеющие место на настоящий момент публикации в области обнаружения и классификации поверхностных дефектов касаются, как правило, контроля поверхности стальной холоднокатаной полосы, носят, в основном, рекламный характер и не раскрывают сути предложенных решений.

В этой связи проблема создания автоматизированных оптико-электронных систем контроля качества поверхности стальной горячекатаной полосы на выходе HTA представляется весьма актуальной.

Целью данной диссертационной работы является разработка алгоритмического и программного обеспечения системы оптико-электронного контроля качества поверхности стальной горячекатаной полосы на выходе HTA, обеспечивающей обнаружение и классификацию поверхностных дефектов с высокими показателями надежности.

Для достижения поставленной цели в рамках диссертационной работы решаются следующие основные задачи:

1. Анализ современного состояния проблемы контроля качества поверхности стальной горячекатаной полосы, методов и алгоритмов выявления и классификации поверхностных дефектов, основанных на технологии обработки изображений.

2. Разработка математической модели изображения поверхности стальной горячекатаной полосы на выходе HTA.

3. Разработка алгоритмического и программного обеспечения этапов обнаружения и классификации поверхностных дефектов.

4. Разработка и исследование экспериментальной автоматизированной установки оптико-электронного контроля качества поверхности стальной горячекатаной полосы на выходе HTA.

Для решения поставленных в работе задач использован аппарат теории вероятностей и математической статистики, теории случайных полей, теории распознавания образов, обработки и анализа растровых полутоновых изображений, теории методов статистического моделирования на ЭВМ.

Научная новизна результатов работы состоит в следующем:

1. На основе Гиббсовского подхода к описанию дискретных случайных полей создана двухуровневая математическая модель изображения поверхности стальной горячекатаной полосы на выходе HTA, на верхнем уровне которой изображение моделируется в виде комбинации меток бездефектных и дефектных областей, на нижнем уровне для представления изображения каждой из областей используется модель текстур.

2. Разработан алгоритм сегментации изображения поверхности стальной горячекатаной полосы на бездефектные и дефектные области, основанный на предложенном описании изображения и упрощенном анализе коррелированности соседних уровней яркости, обеспечивающий высокие показатели надежности обнаружения дефектов по всей области контроля в условиях неоднородного фона в реальном режиме времени.

3. Разработан алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений стальной горячекатаной полосы.

Практическая ценность работы заключается в следующем:

1. Создано алгоритмическое и программное обеспечение процедуры имитационного моделирования изображения, позволяющее синтезировать изображения поверхности стальной горячекатаной полосы с различными типами дефектных областей.

2. Предложена методика и создано программное обеспечение для расчета параметров Гиббсовского распределения уровней яркости бездефектных и дефектных областей на изображении поверхности стальной горячекатаной полосы. Рассчитаны параметры распределения уровней яркости для изображений наиболее часто встречающихся поверхностных дефектов.

3. Создано алгоритмическое и программное обеспечение для проверки надежности предложенных алгоритмов, а также оптимизации последних в рамках решения задачи контроля качества поверхности стальной горячекатаной полосы на выходе HTA.

4. Описаны признаки дефектов поверхности стальной горячекатаной полосы, даны рекомендации по выбору параметров нейронной сети, используемой в качестве классификатора при распознавании дефектов поверхности стальной горячекатаной полосы.

5. Полученные результаты использованы при проектировании автоматизированной оптико-электронной системы контроля качества поверхности стальной горячекатаной полосы на выходе HTA, разрабатываемой Череповецким научным координационным центром РАН для ОАО «Северсталь».

6. Результаты исследований используются в учебном процессе в Череповецком филиале Санкт-Петербургского государственного университета в курсе «Структуры и алгоритмы обработки данных в ЭВМ» для специальности 220 400-" Программное обеспечение ВТ и АС" .

Основные результаты работы докладывались на 4 научно-технических конференциях, по материалам диссертации опубликованы 4 печатные работы.

В структурном отношении работа состоит из введения, четырех глав, заключения, списка литературы и приложений.

В первой главе проведен анализ современного состояния проблемы контроля качества поверхности стальной горячекатаной полосы и одного из перспективных путей ее решения при помощи оптико-электронных систем контроля на базе ПЗС датчиков. Описаны особенности формирования изображений полосы в таких системах, установленных на выходе HTA. Приведены классификация и описание дефектов исследуемой поверхности. Рассмотрены существующие методы и алгоритмы обнаружения и классификации поверхностных дефектов на металлических поверхностях, выполнена оценка возможности их применения при разработке оптико-электронной системы.

Вторая глава содержит описание двухуровневой математической модели изображения поверхности стальной горячекатаной полосы, в основе которой лежит использование теории случайных полей. Рассмотрены техника текстурного анализа и алгоритмы сегментации изображений поверхности на дефектные и бездефектные области. Описана процедура оценки параметров модели текстур дефектных и бездефектных областей поверхности. Рассмотрен алгоритм синтеза изображений поверхности стальной горячекатаной полосы.

В третьей главе выполнена экспериментальная оценка эффективности известных методов обнаружения границ. Предложен алгоритм сегментации изображения поверхности стальной горячекатаной полосы на бездефектные и дефектные области, основанный на упрощенном анализе коррелированности соседних уровней яркости. Предложен алгоритм сегментации границ дефектных областей, основанный на использовании нейросетевого классификатора и обеспечивающий эффективное нахождение границ дефектов в условиях существенной неоднородности динамического фона, характерного для изображений стальной горячекатаной полосы. Разработан алгоритм распознавания поверхностных дефектов стальной горячекатаной полосы на основе параметрического подхода и нейросетевого классификатора.

Четвертая глава посвящена экспериментальному исследованию разработанных методик и алгоритмов. Выполнена оценка параметров Гиббсовского распределения уровней яркости для бездефектных и наиболее распространенных дефектных областей поверхности. На их основе осуществлен синтез изображений поверхности стальной горячекатаной полосы. Разработана и описана экспериментальная оптико-электронная установка. Экспериментально подтверждена возможность применения предложенных алгоритмов для решения проблемы контроля качества поверхности стальной горячекатаной полосы на выходе HTA. Рассмотрены перспективы развития оптико-электронной системы обнаружения и классификации поверхностных дефектов стальной горячекатаной полосы.

В приложении приведены:

1. программные модули синтеза изображений поверхности стальной горячекатаной полосы;

2. программные модули алгоритма обнаружения поверхностных дефектов;

3. программный модуль, реализующий нейронные сети, применяемые для решения задач сегментации границ и классификации поверхностных дефектов.

На защиту выносятся следующие положения:

1. Математическая модель изображения поверхности стальной горячекатаной полосы, построенная на основе теории Гиббсовских случайных полей.

2. Алгоритм сегментации изображения поверхности стальной горячекатаной полосы на бездефектные и дефектные области, основанный на анализе коррелированности соседних уровней яркости.

3. Алгоритм сегментации границ дефектных областей на изображении поверхности стальной горячекатаной полосы, основанный на использовании параметрического подхода и нейроклассификатора.

Выводы по главе 4.

1. Разработано программное обеспечение для исследования модели изображения поверхности стальной горячекатаной полосы, позволяющее производить сегментацию изображения на бездефектные и дефектные областиоценивать параметры распределения Гиббса для сегментированных областей изображениясинтезировать изображения поверхности стальной горячекатаной полосы, как без присутствия дефектов, так и с их присутствием.

2. Получены векторы параметров для бездефектных и дефектных областей текстуры. Проведен синтез изображений поверхности стальной горячекатаной полосы, на основе использования полученных параметров Гиббсовского распределения.

3. Разработана экспериментальная оптико-электронная установка, включающая видеодатчик, источник освещения, персональный компьютер, а также соответствующее программное обеспечение позволяющее вводить изображение, сохранять на диск в виде растровых изображений, АУ1-файлов.

4. Выбрана оптическая схема и ее параметры.

5. Экспериментально подвержена возможность применения предложенных алгоритмов при контроле качества поверхности стальной горячекатаной полосы.

6. Рассмотрены области использования и перспективы развития оптико-электронных систем выявления поверхностных дефектов.

Заключение

.

В диссертационной работе разработано алгоритмическое и программное обеспечение автоматизированной системы контроля качества поверхности стальной горячекатаной полосы, обеспечивающей выявление и классификацию поверхностных дефектов, отличающейся от известных аналогов возможностью осуществления контроля в условиях неоднородного фона в режиме реального времени, более высокими техническими характеристиками, удобством при эксплуатации за счет использования малого количества настроечных параметров, а также новой методики обнаружения дефектный областей и сегментации их границ.

Наиболее существенные научные и практические результаты заключаются в следующем:

1. На основе Гиббсовского подхода к описанию дискретных случайных полей создана двухуровневая математическая модель изображения поверхности стальной горячекатаной полосы на выходе HTA, на верхнем уровне которой изображение моделируется в виде комбинации меток бездефектных и дефектных областей, на нижнем уровне для представления изображения каждой из областей используется модель текстур.

2. Разработан алгоритм сегментации изображения поверхности стальной горячекатаной полосы на бездефектные и дефектные области, основанный на предложенном описании изображения и упрощенном анализе коррелированности соседних уровней яркости, обеспечивающий высокие показатели надежности обнаружения дефектов по всей области контроля в условиях неоднородного фона в реальном режиме времени.

3. Разработан алгоритм сегментации границ дефектных областей на изображении поверхности стальной горячекатаной полосы, отличающейся существенной неоднородностью динамически меняющегося фона, основанный на использовании нейроклассификатора.

4. Создано алгоритмическое и программное обеспечение процедуры имитационного моделирования изображения, позволяющее синтезировать изображения поверхности стальной горячекатаной полосы с различными типами дефектных областей.

5. Разработано алгоритмическое и программное обеспечение для проверки надежности предложенных алгоритмов, а также оптимизации последних в рамках решения задачи контроля качества поверхности стальной горячекатаной полосы.

6. Разработана экспериментальная оптико-электронная установка, включающая блок видеокамер, осветители, ПК и соответствующее программное обеспечение, позволяющее проводить обнаружение поверхностных дефектов и их распознавание.

7. Программно реализована методика и алгоритм нахождения параметров Гиббсовского распределения, используемых при моделировании текстур.

8. Проведен сравнительный анализ существующих детекторов для изображений стальной горячекатаной полосы.

9. Даны практические рекомендации по выбору параметров нейронных сетей, используемых для сегментации перепадов яркости.

10. Результаты исследований используются в учебном процессе в Череповецком филиале Санкт-Петербургского государственного университета в курсе «Структуры и алгоритмы обработки данных в ЭВМ» для специальности 220 400-" Программное обеспечение ВТ и АС" .

Показать весь текст

Список литературы

  1. A Texture Analysis Approach to Corrosion Image Classification. Livens S., Schenders P., Van de Wouwer G., Van Dyck D., Smets H., Winkelmans J. and Bogaerts W., Microscopy, Microanalysis, Microstructures, 7(2), p. 1−10, april 1996.
  2. An adaptive texture and shape based defect classification, Iivarinen J., Rauhammaa J., Helsinki, 1999.
  3. An Area-Scan Defect Atlas of CRM Surface Defects. Amitabha Mukerjee, International Automated Surface Inspection Technology, Conf., Lake Buena Vista, Fla., Febr., 1999.
  4. An Evaluation of Stochastic Models for Analysis and Synthesis of GrayScale Texture. Havard Iversen & Tor Lonnestad. Image Processing Laboratory, Department of Informatics, University of Oslo, 1990.
  5. Automated inspection system with bright field and dark filed illumination, патент № W09820327, 1998−05−14.
  6. Bayes smoothing algorithms for segmentation of binary images modeled by Markov random fields. Derin H., Elliott H., Cristi R., Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984.
  7. CCD vs. Laser. A Comparative Study of Two Types of X-ray Film Digitizers. VIDAR Systems Corporation, 1999 .
  8. Classification of Rust Grades on Steel Surfaces. Cem Unsalan, Aytiil Ergil, Part I. Bogazigi University Research Report, FBE-IE-12/97−16, 1997.
  9. Defect detection and classification with the iS-i inspection system, Isys, Isys Controls Inc., Aug. 4, 1991.
  10. Detection of Defects in Colour Texture Surfaces. Kittler. J, Marik R., Mirmehdi M., Petrou M., Song J.
  11. Detection, Representation and Classification of Anomalies in Homogeneous Images, Williams P. S., Alder M.D.
  12. Edge Flow: A Framework of Boundary detection and Image Segmentation. Ma W.Y., Manjunath B.S., ECE Technical Report #9702, University of California, Santa Barbara.
  13. Estimation in mixtures of two normal distributions. Cohen A.C., Technometrics, 1967.
  14. European Experiences in Cold Strip Surface Inspection, Marco Vascotto, International Automated Surface Inspection Technology, Conf., Lake Buena Vista, Fla., Febr., 1999.
  15. Generic Flaw Detection within Images, Williams P. S., Alder M.D.
  16. Image segmentation using simple Markov field models. Hansen F.R., Elliott H., Comput. Graphics Image Processing, 1982.
  17. Markov Random Field Modeling in Computer Vision. S.Z. Li, Springer-Verla, 1999.
  18. Markov Random Fields and Gibbs ensembles. Spitzer F., Amer. Math. Mon., 1971.
  19. Method of evaluating objects based upon image processing, and inspection apparatus using said method, патент № EP0435660, 199 107−03.
  20. Modeling and Segmentation of Noisy and Textured Images Using Gibbs Random Fields. Haluk Derin, Howard Elliott, IEEE Transactions on pattern analysis and machine intelligence, 1987.
  21. Spatial interaction and the statistical analysis of lattice systems. J. Besag, J.Roy. Statist. Soc. B, 1974.
  22. Statistical Image Texture Analysis. Handbook of Pattern Recognition and Image Processing, Haralick R.M., volume 86, pages 247−279. Academic Press, 1986.
  23. Steel Surface Classification by Texture Analysis Methods. Cem UNSALAN Aytul ERCIL, Machine Vision Aplications journal, 1998.
  24. Stochastic relaxation, Gibbs distribution and the Bayesian restoration of images. Geman S. and Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984.
  25. Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images, Geman S. and Geman D., IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984.
  26. Surface defect Inspector, system configuration. Tospectron Series, Toshiba Corp., 1990.
  27. Surface Detect Inspection of Cold Rolled Strips with Features based on Adaptive Wavelet Packets. Lee C.S., Choi C.H., Choi J.Y., Choi S.H., IEICE Trans. Inf & Syst., vol. E80-D, No.5, May 1997.
  28. Surface inspection of web materials using self-organizing map. Iivarinen J., Rauhammaa J., Helsinki, 1999.
  29. Textural Properties for Pattern Recognition, in Picture Processing and Phychopictorics. Lipkin B.S., Rosenfeld A., Academic Press, New York, 1956.
  30. Texture Analysis Anno 1983. Van Gool L., Dewaele P., Oosterlinck A., Computer Vision, Graphics, and Image Processing, 29, 336−357, 1985.
  31. Представление и обработка изображений: рекурсивный подход, Александров В. В., Горский Н. Д., А., «Наука», 1985.
  32. Компьютерная графика, Шишкин Е. В., Боресков А. В., М., «Диалог-МИФИ», 1998.
  33. Восприятие и распознавание образов, А. Фор, «Машиностроение», 1989.
  34. Зрение роботов. Хорн Б.П.К., М., «Мир», 1989.
  35. Зрение. Информационный подход к изучению представлению представления и обработки зрительных образов, Марр Д., М., «Радио и связь», 1987.
  36. Метод контроля и алгоритмы выявления окалины на поверхности горячекатаного листа дефектов жести, Барский В. Ф., диссертация на соискание степени кандидата технических наук, СЗПИ, С.-Петербург, 1993.
  37. Метод оптико-электронного контроля и алгоритмы выявления поверхностных дефектов жести, Ершов Е. В., диссертация на соискание степени кандидата технических наук, СЗПИ, С. Петербург, 1993.
  38. Методы распознавания. Горелик A.A., Скрипкин В. А., М., «Высшая школа», 1989.
  39. Нейрокомпьютерная техника: Теория и практика. Уоссермен Ф., 1992.
  40. О контроле качества поверхности стальной полосы, Рогов В. В. //Перспективные технологии автоматизации: Тезисы докладов международной научно-технической конференции. Череповец, 1999, с. 24.
  41. Оптика шероховатой поверхности. Топорец A.C., А., «Машиностроение», 1988.
  42. Основы теории проектирования приборов контроля качества поверхности стальной полосы. Малыгин A.A., диссертация насоискание степени доктора технических наук, СЗПИ, С.-Петербург, 1994.
  43. По материалам сайта http:/ /www.com2com.ru.
  44. По материалам сайта http:/ /www.cssip.elec.uq.edu.au.
  45. По материалам сайта www.cogs.susx.ac.uk.
  46. По материалам сайта www.neuralbench.ru.
  47. По материалам сайта www.pgirsytec.de.
  48. Принципы проектирования систем визуальной информации. Чэн Ш.-К., М., «Мир», 1994.
  49. Синтез алгоритмов обнаружения и распознавания дефектов поверхности холоднокатаного металла, Валин В. Н., диссертация на соискание степени кандидата технических наук, СЗПИ, С. Петербург, 1989.
  50. Справочник прокатчика. Коновалов Ю. В., Налча Г. И., Савранский К. Н., М., «Металлургия», 1977.
  51. Травление металла на непрерывно-травильном агрегате № 3 цеха травления металла производства холоднокатаного листа. Технологическая инструкция ТИ 105-ПХЛ.-44−98, Череповец, 1998.
  52. Цифровая обработка изображений в информационных системах. Грузман И. С., Спектор A.A., Киричук B.C., Косых В. П., Перетяган Г. И., Новосибирск, 2000.
  53. Цифровая обработка изображений. У. Прэтт, т.2, «Мир», Москва, 1982.
  54. Нейрокомпьютеринг и его применение в экономике и бизнесе, А. Ежов, В. Шумской, Москва, 1998.
Заполнить форму текущей работой