CC BY
92
ТЕХНИЧЕСКИЕ НАУКИ
УДК 004.932.72'1
Г.А. Соловьева
аспирант, кафедра мехатроники, ФГАОУ ВПО «Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики»
ПРИМЕНЕНИЕ МЕТОДА ТЕКСТУРНЫХ КАРТ ЛАВСА ДЛЯ ОБНАРУЖЕНИЯ ПОВЕРХНОСТНЫХ МАКРОДЕФЕКТОВ
Аннотация. В статье рассматривается способ обнаружения поверхностных макродефектов по изображениям поверхностей с помощью программы, реализованной в программной среде Matlab. В основу программы положен метод текстурных карт Лавса и последовательной сегментации. В статье приведен алгоритм программы и показаны результаты обработки изображений поверхностей с дефектами и без.
Ключевые слова: метод текстурных карт Лавса, сегментация, обнаружение поверхностных макродефектов, обработка изображений.
G.A. Soloveva, Saint-Petersburg National Research University of Information Technologies, Mechanics and Optics
APPLICATION LAWS' TEXTURE ENERGY MESUARS FOR DETECTION OF SURFACE MACRODEFECTS
Abstract. This paper presents the detection method of surface macrodefects by image processing in Matlab. The program is based on Laws' texture energy measures and sequential segmentation. This article presents algorithm of program and the results of image processing of surface with defects and without.
Keywords: Laws' texture energy measures, segmentation, detection of surface macrodefects, image processing.
Введение. Современный уровень развития технического процесса требует внедрения новых материалов и технологий. Одной из важнейших технологических операций является контроль качества изделий, а именно выявление поверхностных дефектов металлов. Существуют различные методы дефектоскопии, обеспечивающие обнаружение дефектов - акустические, магнитные, оптические, проникающими веществами, радиационные, радиоволновые, тепловые, электрические, электромагнитные.
При макроанализе производится выявление крупных поверхностных дефектов при увеличении до 30 крат. Такие дефекты могут образовываться на поверхности материала на каждом производственном этапе, начиная от выплавки и заканчивая хранением изделия.
Развитие технологий компьютерного зрения сделало возможным автоматическое определение дефектов по цифровым изображениям поверхностей металлов. Использование такого способа обнаружения дефектов может помочь в решении задачи создания автоматизированного неразрушающего контроля качества деталей на производственных линиях.
В настоящей статье рассматривается способ обнаружения макродефектов на поверхности материала по изображениям поверхностей с помощью программы, реализованной в программной среде Matlab.
Метод текстурных карт Лавса. В качестве основных методов определения текстурных свойств изображений можно выделить статистические характеристики первого и второго порядков, метод текстурных карт Лавса, тесселяции Вороного, метод цветовых диаграмм и метод цветовых моментов. При разработке данной программы было принято воспользоваться методом текстурных карт Лавса, поскольку с помощью данного метода определяется набор атрибутов для каждого пикселя, по которым можно вести сегментацию изображения, а также данный метод имеет некоторое преимущество по времени вычисления, например, по сравнению с методом статистических характеристик второго порядка [1].
Основной идеей, на которой основан метод текстурных характеристик Лавса, является оценка изменения содержания текстуры в пределах окна фиксированного размера [2]. Для вычисления энергетических характеристик используется набор из 16 масок размерами 5*5. При составлении масок Лавса, используются 5 векторов (1):
L5 = [14 6 41] - Уровень E5 = [-1 - 2 0 21] - Край
S5 = [-1020 -1] - Пятно (1)
R5 = [1 - 4 6 - 41] - Рябь L5 = [-12 0 - 21] - Волна
После задания векторов производится их последовательное перемножение, и получаются 25 двумерных масок. Следующим шагом является процедура усреднения, в ходе которой комбинируются симметричные пары масок. В результате остается 15 окончательных текстурных карт. Таким образом, каждому пикселю изображения соответствует набор из 15 атрибутов, которые можно использовать для сегментации изображения.
Алгоритм программы выглядит следующим образом:
1. загрузка изображения;
2. составление масок Лавса и применение их к изображению;
3. сегментация изображения;
4. определение класса, содержащего возможные дефекты;
5. проверка размеров возможных дефектов;
6. вывод сообщения о наличии или отсутствии дефектов.
На первом этапе происходит загрузка изображения в память программы и его первичная обработка, в ходе которой изображение конвертируется в формат «double», требуемый для дальнейшей работы с информацией, хранящейся в изображении.
На втором этапе программы создаются и применяются к изображению маски Лавса. В результате образуется набор из 15 атрибутов, которые используются в дальнейшем при сегментации изображения.
Следующим этапом является сегментация изображения, которая производится согласно методу, описанному в статье [3]. Сегментация изображения построена на последовательном переборе, в ходе которого каждый пиксель изображения сравнивается с эталонным пикселем и вычисляется мера сходства. Если мера сходства не превышает заданного значения, то текущему пикселю присваивается класс эталонного пикселя. Эталонный пиксель выбирается из числа оставшихся при каждом новом проходе. Цикл повторяется до тех пор, пока не останется пикселей, не принадлежащих какому-либо классу. Математическая модель сегментации описывается следующим образом [3]:
D ® [DV...,DS}, (2)
s
где поле зрения D = UDr ,
r
r=1
й = {(/,7) I р(№(10,]0),№(1Г,]г)) < 8,г = 1,5} и (/0,70), (3)
где р(М(/0,70), №(/г,¡г)) <8 - мера сходства;
(/0,70) - точка, в которой находятся текстурные признаки эталонного класса г ;
(/,7) - точка поля зрения й;
№ (/, 7) - вектор текстурных характеристик.
Значение меры сходства вычисляется следующим образом:
r = J N У Lw (/, У) - W (iу
'' , (4)
где Wk(i,j),Wk(i0,у'0) - значения k-го признака в точках (i,У),(i0,У0) соответственно.
Следующий этап - определение класса, описывающего дефекты поверхности образца. На данном этапе изображение конвертируется в бинарный формат, производится удаление шумов, изображение разбивается на регионы размером 50х50 пикселей, и происходит подсчет приведенного количества белых пикселей в каждой области согласно формуле:
к
У is. - s i
i av I
s = —-, (5)
N
где S( - количество белых пикселей в регионе;
Sav - приведенное количество белых пикселей на изображении;
N - площадь региона;
K - количество регионов.
Для определения класса, описывающего дефекты поверхности образца, используются следующие условия:
- S > 0.1;
- S < 10;
- S = min.
На следующем этапе вычисляется площадь потенциальных дефектов. Для этого задается структурный элемент, представляющий из себя диск, производится поиск таких элементов на изображении и вычисление площади найденных элементов. Вычисленные площади сравниваются с пороговым значением площади дефекта, и в случае, если найденный элемент имеет большую площадь, он считается дефектом.
Последним шагом программы является вывод сообщения об анализе изображения. В случае если поверхность металла не содержит дефекта, выводится исходное сообщение с надписью: «Поверхность не содержит дефектов». В случае если программой были обнаружены дефекты, выводятся исходное изображение, а также изображение класса, описывающего дефекты.
Результаты работы программы. Для тестирования работы алгоритма использовались изображения, полученные при помощи системы «Alicona Infinite Focus SL» с десятикратным увеличением. На рисунке 1 представлены исходные изображения двух видов - с дефектами и без.
Рисунок 1 - Исходные изображения: а) поверхность без дефектов; б) поверхность содержит дефект в виде коррозии
Результаты работы программы представлены на рисунках 2 и 3. На рисунке 2 показано сообщение программы об анализе изображения, не содержащего поверхностных дефектов. На рисунке 3 показаны исходное изображение и изображение класса, описывающего данный дефект.
original image without defects
Рисунок 2 - Сообщение программы об отсутствии поверхностных дефектов
а) б)
Рисунок 3 - Сообщение программы о наличие поверхностных дефектов: а) исходное изображение; б) изображение класса, описывающего дефект
Заключение. На основании проведенных тестов можно сделать вывод, что выбранные методы текстурных карт Лавса и последовательной сегментации успешно справляются с задачей распознавания поверхностных макродефектов. Алгоритм программы может быть положен в основу создания автоматизированного неразрушающего контроля качества деталей на производственных линиях.
Список литературы:
1. Sharma N. Performance comparison of Texture based approach for identification of regions in satellite image / N. Sharma, A. Verma // International Journal of Computer Applications. - 2013. -Vol. 74, № 2. - P. 10-15.
2. Шапиро Л. Компьютерное зрение: пер.с англ. / Л. Шапиро, Дж. Стокман. - М.: БИНОМ. Лаб. знаний, 2006. - 752 с.
3. Яковлева Е.В. Сравнительный анализ методов характеристик Лавса и матриц совпадений в задачах сегментации текстурных изображений / Е.В. Яковлева, Е.П. Нестерова // Прикладная радиоэлектроника. - 2009. - Т. 8, № 2.
