Методы анализа изображений при контроле технологических процессов Текст научной статьи по специальности «Компьютерные и информационные науки»

Секция «« Технология производства ракетно-космической техники»

няет структуру струи, обеспечивает стабильность и устойчивость режимных параметров процесса. Угол расхождения потока частиц компактной струи составляет 6-10° (рис. б).

а б

Схема плазмотрона ПКП для напыления порошковых материалов

На основе анализа преимуществ и недостатков такой схемы проведена модернизация устройства, разработана конструкторская документация на плазмотрон. Основным направлением предлагаемой разработки является дальнейшее повышение компактности двухфазного потока, увеличение ресурса работы электродов и повышение эффективности нагрева транспортируемых частиц, при этом режимные параметры процесса сохраняются.

Библиографические ссылки

1. Борисов Ю. С., Харламов Ю. А. [и др.]. Газотермические покрытия из порошковых материалов : справ. Киев : Наук. думка, 1987.

2. Клубникин В. С. Плазменные устройства для нанесения покрытий // Известия Сиб. отд-ния Академии наук. Серия «Технические науки». Вып. 3. 1983. № 13. С. 82-92.

3. Реестр открытий и изобретений Российской Федерации. URL: http://www.fips.ru.

© Игнатик А. В., Иванов А. И., Смирнов А. Н., Шориков Ю. Д., Амельченко Н. А., 2010

УДК 681.3

Д. Г. Киндяков, А. А. Кульков Научный руководитель - Л. В. Ручкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

МЕТОДЫ АНАЛИЗА ИЗОБРАЖЕНИЙ ПРИ КОНТРОЛЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ

Рассмотрены методы обработки черно-белых изображений, применяемые для создания алгоритмов управления движением.

В последние годы обработка и анализ цифровых видеоизображений находят все большее применение как при контроле технологических процессов, так и при проведении испытаний изделий космических аппаратов. Рассмотрим методы анализа изображений, используемые для разработки алгоритмов управления движением [1].

При выделении связных областей в бинарных изображениях каждый пиксель изображения с координатами (х, у) имеет 8 соседей, то есть примыкающих к нему пикселей, представляющие прямоугольную окрестность 3x3. Четыре пикселя (соседи по горизонтали и вертикали) являются более близкими соседями и находятся от центрального пикселя окрестности на расстоянии 1. Еще четыре пикселя (соседи по диагонали) являются менее близкими соседями и находятся от центрального пикселя окрестности на

расстоянии л/2. Соответственно, при обработке изображений используются два вида соседства и два соответствующих им вида связности: соседство «по кресту» и 4-связность; соседство «по квадрату» и 8-связность. Чаще используется последний вид, при котором считается, что на прямоугольной решетки каждая точка изображения имеет восемь соседей.

Рассмотрим два наиболее часто используемых алгоритма выделения связных областей на бинарных изображениях: «лесного пожара» и двухпро-ходный алгоритм выделения связных областей. В первом случае область «поджигается» в одной точке, после чего каждая «подожженная» точка поджигает своих соседей, имеющих ту же яркость. Уже «сгоревшие» точки повторно не «поджигаются». В итоге, все точки связной области окажутся вовлеченными в этот процесс. Каждая точка станет помеченной номером соответствующих областей. При использовании двухпроходного алгоритма выделения связных областей единицей просмотра изображения является уже не отдельный пиксель, а связный отрезок строки (сегмент). При этом на первом проходе по изображению вновь обнаруженный связный сегмент помечается либо новой оригинальной меткой - если он ни одним пикселем не касается какого-либо уже помеченного сегмента в предыдущей по ходу анализа строке, либо меткой той области, которой принадлежит граничащий с ним отрезок предыдущей строки. На втором проходе повторно размечаются те области, для которых на первом проходе были обнаружены коллизии и занесены в специальную таблицу эквива-

Актуальные проблемы авиации и космонавтики. Технические науки

лентности пары индексов областей, подлежащих объединению.

Скорость обработки изображения вторым методом будет выше, так как обработка происходит не попиксельно, а посегментно, что обеспечивает более быстрый «проход» по изображению и может быть использовано для создания алгоритмов управления движением в реальном масштабе времени.

Библиографическая ссылка

1. Визильтер Ю. В., Желтов С. Ю., Князев В. А. [и др.]. Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision. М. : МДК Пресс, 2007.

© Киндяков Д. Г., Кульков А. А., Ручкин Л. В., 2010

УДК 681.3

А. Ю. Кузин Научный руководитель - Л. В. Ручкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск

РЕАЛИЗАЦИЯ СИСТЕМ УПРАВЛЕНИЯ РОБОТАМИ С ЭЛЕМЕНТАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Рассмотрена возможность реализации систем управления роботами с применением искусственного интеллекта.

Рассмотрим систему управления робота с применением искусственного интеллекта на основе сварочного робота. В ряде отраслей этот метод соединения является наиболее производительным, а часто и единственно возможным. Поэтому автоматизация процессов сварки имеет большое значение.

Обычные позиционные системы управления непригодны для промышленных роботов. Развитие роботов этого типа потребовало разработки контурных систем управления, которые позволяют выполнять обучение промышленных роботов по характерным точкам траектории.

Контурная система управления роботами, в память которой при обучении заносятся характерные точки траектории и указание о виде траектории между ними (прямая, дуга, окружность), автоматически рассчитывает положение промежуточных точек, «расставляя» их с шагом, который зависит от необходимой точности и скорости перемещений, т. е. система управления решает интерполяционную задачу (линейную или круговую) [1].

Следующей ступенью автоматизации обучения роботов является внешнее программирование, при котором характерные точки задаются в координатах изделия с чертежа. Естественно, в этом случае координаты характерных точек задаются в декартовой системе координат. Для выполнения задачи необходимо автоматическое преобразование декар-

товых координат в координаты степеней подвижности манипулятора, т. е. решение так называемой обратной кинематической задачи. Эти преобразования также должны выполняться в системе управления робота [2].

Весьма перспективным вариантом внешнего программирования роботов является обучение в интерактивном режиме с «проигрыванием» движений и изделия на экране дисплея без активации ма-нипуляционной системы.

Внешнее программирование увеличивает степень использования технологического оборудования, уменьшает влияние субъективных факторов оператора в программе и повышает безопасность обслуживания роботов.

В полной мере удовлетворить таким требованиям стало возможным только на основе использования современной микропроцессорной техники.

Библиографические ссылки

1. Олссон Г., Пиани Дж. Цифровые системы автоматизации и управления. СПб. : Невский Диалект, 2001.

2. Вильямс Дж. Программируемые роботы. Создаем робота для своей домашней мастерской. М. : НТ Пресс, 2006.

© Кузин А. Ю., Ручкин Л. В., 2010