Методи розпізнавання мікроструктури матеріалу

Mariya Shapovalova, Oleksii Vodka

Анотація


Розглянуто деякі існуючі методи розпізнавання образів, в тому числі і розпізнавання мікроструктури матеріалу. Відзначено позитивні моменти і вказані недоліки запропонованих методів. Визначено шляхи вирішення задачі розпізнавання складної зерен структури металу. При виявленні якісних і кількісних характеристик матеріалу по його зображенню, основне завдання полягає у визначенні кордону зерна, так як вся цікавить нас прихована не в яскравості різних областей, а в їх контурі. Для цього необхідно застосувати до знімка відповідні фільтри. Сучасні технології та розвиток штучного інтелекту, дозволяє створювати автоматизовану комп'ютерну систему прийняття рішення, що працює із застосуванням математичних методів обробки даних. Перевага віддається нейромережевим технологіям, створення нейронної мережі прямого поширення, якісно навчену з використанням методу зворотного поширення помилки. У реальних умовах, при погано формалізуються вхідних даних, вітається використання теорії нечітких множин. Створення алгоритмів інтелектуальної підтримки прийняття рішень - дозволяє знизити вплив людського фактора в ході аналізу, скорочує час, витрачений на дослідження, підвищує точність і достовірність процесу контролю, дає можливість пов'язувати властивості матеріалу з його мікроструктурою.

Ключові слова


мікроструктура; нейронна мережа; нечітка логіка; зеренна структура; комп'ютерне моделювання

Повний текст:

PDF (Русский)

Посилання


Bramfitt, B. L. Metallography’s Guide – Practices andProcedures for Iron and Steels. USA: ASM International,2002, 354 р.

Bogomolova, N. A. Prakticheskaya metallografiya.Moskow: Visshaya shkola, 1987, 240 p.

Shulte, Yu. A. Kompleksnii kontrol kachestva konstrukcionnoi stali. Kiev: Tehnika, 1986, 128 p.

URL: http://www.videotest.ru/en/article/view/48/category/11. – 14.03.2017.

URL:http://www.siams.com/products/siams700.–14.03.2017

Kostileva, L. V., Santalova, E. A, Ilinskii, V. A.Opredelenie obemnoi doli dendritnih vetvei s ispolzovaniemkompyuternih programm. Zavodskaya laboratoriya, 2003,11, 33-36.

Martyushev, N. V. Programmnie sredstva dlyaavtomaticheskogo metallograficheskogo analiza.Sovremennie problemi nauki i obrazovaniya, 2012, 5, 1-6.

Sharibin, S. I., Stolbov, V. Yu. Avtomatizaciya processakontrolya kachestva produkcii pri sozdanii funkcionalnihmaterialov. Materiali 11-i Vserossiiskoi shkoli_konferenciimolodih uchenih «Upravlenie bolshimi sistemami».Arzamas, NGTU, 2014, 3, 886-898.

Sharibin, S. I., Stolbov, V. Yu. Ob odnom podhode kresheniyu zadachi analiza i klassifikacii slojnihmikrostruktur na shlifah metallov i splavov. Prikladnayamatematika i voprosi upravleniya, 2015, 1, 89-99.

Chubov, A. A. Avtomatizaciya metallograficheskogoanaliza i kontrolya splavov s ispolzovaniem metodovcifrovoi obrabotki opticheskih izobrajenii mikrostruktur.Avtoref. dis. kand. tehn. nauk 05.13.06. Gosudarstvennayaaviacionnaya tehnologicheskaya akademiya imeni P. A.Soloveva, 2007, 16.

Filinov, M. V. Povishenie tochnosti kolichestvennih ocenokpoverhnostnih defektov i struktur metallov po ih cifrovimizobrajeniyam v opticheskom nerazrushayuschem kontrole.Avtoref. dis. doktora tehn. nauk 05.11.13. «NII IntroskopiiMNPO «SPEKTR». Moskow, 2007, 58.

Frank, J. S. Image processing and pattern recognition:fundamentals and techniques. Wiley- IEEE Press, 2010,537 p.

Sharibin, S. I., Klyuev, A.V., Stolbov, V. Yu. Sravneniemetodov raspoznavaniya obrazcov v zadachah poiskaharaktarnih zernovih micristructur na photographiyahshliphov metallov i splavov, Izv. Vishih uchebnih zavedeniy.Chernaya metallurgiya, 2012, 9, 49-53.

Plastinin, A. I. Model markovskogo sluchainogo polya vzadachah sinteza i analiza teksturnih izobrajenii. VіsnikPridnіprovskoї derjavnoї akademії budіvnictva taarhіtekturi, 2015, 12, 213.

Prett, U. Cifrovaya obrabotka izobrajenii. Moskow: Mir,1982, 480 p.

Emelyanov, V. A. Neyrosetevoy quantitative method fordetermining the characteristics of metal. Radio electronicand computer systems, 2010, 4 (45), 169-173.

Zadeh, L. A. Foreword - recognition technology and fuzzylogic. J. IEEE Transactions on Fuzzy Systems, 2001, 9(1), 3-4, doi: 10.1109/TFUZZ.2001.917109.

Poltorak, V. P., Dorogoi, Ya. Yu Sistema raspoznavaniyaobrazov na baze nechetko neironnogo. Avtomatika.Avtomatizaciya. Elektrotehnicheskie kompleksi i sistemi,2007, 1, 66-74.

Pogrebnyak, S., Vodka, O. Development of computer system for processing experiment results with neural networks. Bulletin of NTU "KhPI". Series: New solutions in modern technologies. – Kharkiv: NTU "KhPI", 2016, 42 (1214), 145–153, doi:10.20998/2413-4295.2016.42.24.

Lau, K. M., Chan, S. M., Xu, L. Comparison of theHopfield scheme to the hybrid of Lagrange andtransformation approaches for solving the travellingsalesman problem.Proceedings of Intelligence in Neural andBiological Systems, 1995,doi: 10.1109/INBS.1995.404259.

URL: https://habrahabr.ru/post/134998/. – 30.03.2017.

URL:https://habrahabr.ru/company/ods/blog/322534/.–5.04.2017.

URL: https://habrahabr.ru/post/114452/. – 12.05.2017.


Пристатейна бібліографія ГОСТ


  1. Bramfitt, B. L. Metallography’s Guide – Practices andProcedures for Iron and Steels. — USA: ASM International,2002. — 354 р.
  2. Богомолова, Н. A. Практическая металлография. — М:Высшая школа, 1987. — 240 с.
  3. Шульте, Ю. А. Комплексный контроль качестваконструкционной стали. — Киев: Техника, 1986. —128 с.
  4. URL: http://www.videotest.ru/en/article/view/48/category/11. – 14.03.2017.
  5. URL:http://www.siams.com/products/siams700.–14.03.2017
  6. Костылева, Л. В. Определение объемной долидендритных ветвей с использованием компьютерныхпрограмм / Л. В. Костылева, Е. А. Санталова,В. А. Ильинский // Заводская лаборатория. — 2003. —Вып. 11. — С. 33-36.
  7. Мартюшев, Н. В. Программные средства дляавтоматического металлографического анализа / Н. В.Мартюшев // Современные проблемы науки иобразования. — 2012. — Вып. 5. — С. 1-6.
  8. Шарыбин, С. И. Автоматизация процесса контролякачества продукции при создании функциональныхматериалов / С. И. Шарыбин, В. Ю. Столбов //Материалы 11-й Всероссийской школы-конференциимолодых ученых «Управление большими системами». —Арзамас: Изд-во НГТУ, 2014. — Т. 3. — С. 886-898.
  9. Шарыбин, С. И. Об одном подходе к решению задачианализа и классификации сложных микроструктур нашлифах металлов и сплавов / С. И. Шарыбин,В. Ю. Столбов // Прикладная математика и вопросыуправления. — 2015. — №1.— С. 89 -99.
  10. Чубов, А. А. Автоматизация металлографическогоанализа и контроля сплавов с использованием методов цифровой обработки оптических изображений микроструктур: Автореф. дис. канд. техн. наук 05.13.06 / А. А. Чубов; Рыбинская государственная авиационная технологическая академия имени П. А. Соловьева. — 2007. — 16 с.
  11. Филинов, М. В. Повышение точности количественныхоценок поверхностных дефектов и структур металлов поих цифровым изображениям в оптическомнеразрушающем контроле: Автореф. дис. доктора техн.наук 05.11.13 / М. В. Филинов; «НИИ ИнтроскопииМНПО «СПЕКТР». — М., 2007. — 58 с.
  12. Frank, J. S. Image processing and pattern recognition:fundamentals and techniques / J. S. Frank // Wiley- IEEEPress, 2010. — 537 p.
  13. Шарыбин, С. И. Сравнение методов распознаванияобразов в задачах поиска характерных зерновыхмикроструктур на фотографиях шлифов металлов исплавов / С. И. Шарыбин, А. В. Клюев, В. Ю.Столбов // Известия высших учебных заведений. Чернаяметаллургия, 2012. — № 9. — С. 49-53.
  14. Пластинин, А. И. Модель марковского случайного поляв задачах синтеза и анализа текстурных изображений /А. И. Пластинин // Вісник Придніпровської державноїакадемії будівництва та архітектури, 2015. — № 12. —С. 213.
  15. Прэтт, У. Цифровая обработка изображений: пер. сангл. / У. Прэтт // М: Мир, 1982. — 480 с.
  16. Емельянов, В. А. Нейросетевой метод определенияколичественных характеристик металлов /В. А. Емельянов // Радіоелектронні і комп’ютернісистеми. — 2010. — № 4(45). — С. 169-173.
  17. Zadeh, L. A. Foreword - recognition technology and fuzzylogic / L. A. Zadeh // J. IEEE Transactions on FuzzySystems, 2001. — Vol. 9, №.1. — P. 3-4. —doi: 10.1109/TFUZZ.2001.917109.
  18. Полторак, В. П. Система распознавания образов на базенечетко нейронного классификатора / В. П. Полторак,Я. Ю. Дорогой // Автоматика. Автоматизация.Электротехнические комплексы и системы. — 2007. —№ 1. — С. 66-74.
  19. Погребняк, С. В. Разработка компьютерной системыдля обработки результатов эксперимента с помощьюискусственной нейронной сети / С. В. Погребняк,О. О. Водка // Вестник НТУ «ХПИ», Серия: Новыерешения в современных технологиях. — Харьков: НТУ«ХПИ». — 2016. — № 42 (1214). — С. 145-153. —doi: 10.20998/2413-4295.2016.42.24.
  20. Lau, K. M. Comparison of the Hopfield scheme to thehybrid of Lagrange and transformation approaches forsolving the travelling salesman problem / K. M. Lau, S. M.Chan, L. Xu // Proceedings of Intelligence in Neural andBiological Systems. —1995. — doi: 10.1109/ INBS.1995.404259.
  21. URL: https://habrahabr.ru/post/134998/. – 30.03.2017.
  22. URL: https://habrahabr.ru/company/ods/blog/322534/. –5.04.2017.
  23. URL: https://habrahabr.ru/post/114452/. – 12.05.2017.




DOI: https://doi.org/10.20998/2413-4295.2017.23.09

Посилання

  • Поки немає зовнішніх посилань.