Цифровые методы экспресс-диагностики качества веществ различной физико-химической природы (обобщающая статья) Текст научной статьи по специальности «Прочие технологии»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

ЦИФРОВЫЕ МЕТОДЫ ЭКСПРЕСС-ДИАГНОСТИКИ КАЧЕСТВА ВЕЩЕСТВ РАЗЛИЧНОЙ ФИЗИКО-ХИМИЧЕСКОЙ ПРИРОДЫ (обобщающая статья) Ткаль В. А., Жуковская И. А., Шараева А. В., Водолазова Н. Н.

Новгородский филиал Санкт-Петербургского государственного экономического университета, http:// www.finec-nv.ru

173000 Великий Новгород, Российская Федерация

Поступила в редакцию 20.03.2016

Представлена действительным членом РАЕН В.А. Бушуевым

В работе предлагаются методики экспресс-диагностики качества веществ различной физико-химической природы, регистрации их цвета и его изменения при воздействии различных внешних факторов, основанные на цифровой обработке изображений. Объектом цифровой обработки являются оцифрованные с помощью профессиональных планшетных сканеров и цифровых аппаратов изображения исследуемых веществ. Оценка качества вещества и регистрируемых в нем изменений основана на построении разностного контраста (нулевого и ненулевого), яркостных характеристик, профилей интенсивности, областей равного контраста и разложении оцифрованного изображения по цветовым каналам, что позволяет количественно оценить качество и изменение диагностируемых объектов, а также снизить субъективный фактор, вызванный их визуальным восприятием. Визуально невоспринимаемые изменения в веществе легко регистрируются с помощью оцифровывающих устройств. Нулевой разностный контраст соответствует абсолютно одинаковым изображениям и отсутствию влияния исследуемого фактора на данное вещество. Разработанные методики оценки качества, регистрации изменений, исследования и визуализации протекающих в веществе процессов, выявления фальсифицированной продукции, сравнения эффективности различных методов, вейвлет-базисов и т.д. просты в реализации, обладают экспрессностью, доступностью и апробированы при диагностике веществ различной физико-химической природы.

Ключевые слова: вещество, диагностика, цифровая обработка, вейвлет-анализ, монокристалл, изображение, методика, экспрессность, количественные критерии, цвет, разностный контраст, яркостная характеристика, профиль интенсивности, область равного контраста, визуализация

УДК 004.932

Содержание

1. введение (55)

2. используемые подходы, оборудование и программное обеспечение (56)

3. Анализ результатов диагностики качества различных веществ (61)

3.1. Сравнение эффективности различных цифровых методов устранения фоновой неоднородности поляризационно-оптического контраста монокристалла 6Н^1С (62)

3.2. компьютерная диагностика качества мясного сырья и мясной продукции (68)

3.3. Компьютерная диагностика качества воды (65)

4. Компьютерная диагностика сухого и мокрого способов посола мяса (66)

4.1. Методика, основанная на анализе ОРК и ПИ (67)

4.2. Методика, основанная на разложении изображения по цветовым каналам (68)

4.3. Методика, основанная на регистрации разностного контраста (69)

4.4. Комбинированная методика (69) 5. заключение (70)

Литература (70) 1. ВВЕДЕНИЕ

В природе практически нет веществ, которые с течением времени и под воздействием различных внешних факторов не изменяли бы свои физико-химические параметры и характеристики. Скорости этих изменений в значительной степени определяются физико-химической природой вещества, длительностью и интенсивностью воздействия. В целом ряде случаев контроль этих изменений представляет собой важнейшую проблему для народного хозяйства, науки и техники.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

различной физико-химической природы, находящихся в разных агрегатных состояниях [11-18, 20].

При сравнении между собой качества различных изображений, методов и методик, изменений, вызванных в веществе различными внешними факторами, важна не только качественная, но и их количественная оценка. При этом существенным является простота, наглядность, надежность и экспрессность оценки, возможность ее переноса на различные объекты исследования [14, 15, 18, 19, 21, 26-28].

Данная работа представляет собой краткий обзор цифровых экспресс-методов и методик исследования качества веществ различной физико-химической природы и контроля изменений, происходящих в них под действием внешних факторов. Представлены экспериментальные результаты применения цифровой обработки для диагностики качества монокристаллических материалов, мясного сырья, мясной продукции, воды, исследования различных способов посола мяса многокомпонентной смесью, полученные при использовании единого подхода в получении количественной информации об исследуемом объекте [14-25].

2. ИСПОЛЬЗУЕМЫЕ ПОДХОДЫ, ОБОРУДОВАНИЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

В основе цифровых методик исследования и диагностики веществ различной физико-химической природы, включая регистрацию цвета и его изменения, лежит их оцифровка с помощью профессиональной аппаратуры и последующая математическая обработка полученных изображений в специализированных программах.

Для оцифровки можно использовать планшетные сканеры, например, Epson Perfection 4890 Photo с оптическим разрешением 4800 dpi и динамическим диапазоном 3.8 D или Epson Perfection V 750 Pro с разрешением 6400 dpi и динамическим диапазоном 4.0 D (или аналогичные по характеристикам сканеры других фирм с высокой глубиной резкости).

При исследовании, в частности, жидких веществ и при необходимости большего

Регистрация изменений и определение их скорости достигается применением различных методов и методик, отличающихся друг от друга разрешением, чувствительностью, сложностью их практической реализации, экспрессностью и т.д. Для регистрации малейших изменений необходимо, как правило, дорогостоящее оборудование, приборы, высококвалифицированные специалисты и вспомогательные материалы, что доступно в основном крупным предприятиям, научным центрам и лабораториям. Средние и мелкие предприятия не могут обеспечить требуемый уровень исследования и диагностики и довольствуются более доступными методами и оборудованием, полагаясь на предъявляемые поставщиками сертификаты качества, и пренебрегают изменениями параметров и характеристик веществ. Этот подход не всегда допустим и оправдан, особенно, если речь идет о контроле качества сырья и продуктов питания, лекарственных препаратов, выявления фальсифицированной продукции, регистрации изменений и деградационных процессов в материалах и многослойных структурах, применяемых в микроэлектронике и т.д. Отсюда возникает задача совершенствования старых и разработки новых методов и методик контроля качества веществ различной физико-химической природы, доступных для широкого круга исследователей [1-25].

Для оперативного исследования и контроля качества различных веществ необходимы методы, обладающие экспрессностью, простотой, доступностью, информативностью и обеспечивающие высокую надежность и достоверность получаемой информации. Поэтому не случайно большие надежды и перспективы возлагаются на современные компьютерные и информационные технологии с соответствующим программным и аппаратным обеспечением [6-8, 19-21].

Цвет относится к важнейшим характеристикам вещества и напрямую связан с изменением его физико-химических параметров и характеристик. Таким образом, регистрация изменений цвета, не воспринимаемых визуально, может быть положена в основу методик экспресс-диагностики и исследования качества веществ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

разрешения более предпочтительным является использование в качестве оцифровывающего устройства цифрового аппарата, например, Olympus Camedia C-5060, который с помощью оптической насадки со встроенным дополнительным объективом устанавливается на оптический микроскоп. На столик микроскопа помещается кювета с исследуемым веществом. Использование профессиональных цифровых аппаратов с более высоким разрешением позволяет исключить применение оптической насадки.

Исследуемое вещество помещается в специальные кюветы, изготовленные из высококачественного стекла толщиной 1 мм, например, из стекла, используемого при изготовлении ядерных фотопластинок. Размеры кювет предусматривают одновременное сканирование нескольких исследуемых образцов.

Для устранения влияния стекла на результат оцифровки первоначально проводится съемка кюветы без исследуемого вещества. Далее в кювету помещается исследуемое вещество, и снова проводится съемка. В дальнейшем из оцифрованного изображения кюветы с веществом вычитается изображение пустой кюветы.

Оцифровка интересных для исследования областей вещества проводится в ручном режиме при одних и тех же установках сканера и цифрового аппарата, контролируемом внешнем освещении и стабилизированной подсветке микроскопа. Предпочтительнее оцифровку проводить в затемненной комнате.

Для исключения влияния на получаемое изображение различных внешних факторов каждый образец или выбранная его область оцифровываются не менее пяти раз. Это позволяет исключить или учесть разброс определяемых в дальнейшем цветовых характеристик и, следовательно, сделать исследования более объективными и надежными.

В процессе исследования образцы хранятся в холодильнике, морозильных камерах или в естественных условиях при строго контролируемых режимах.

Для обработки оцифрованных изображений используются профессиональные программы, например, Image-Pro Plus 6.0, Matlab, Mathcad

или аналогичные им, предоставляющие большие возможности по сравнению с программным обеспечением сканера. Поэтому первоначально изображение, как оригинал, сканируется при максимально возможных аппаратных характеристиках по разрешению и количеству уровней квантования, что называется "как есть" и сохраняется в форматах PSD, TIFF или BMP, обеспечивающих минимальную потерю полезной информации. На практике для ряда объектов изменения цветовых характеристик можно надежно зафиксировать при меньших разрешениях, что приводит к уменьшению размера оцифрованного изображения и времени его дальнейшей обработки (подбирается экспериментально). Анализируемые

изображения должны иметь обязательно одинаковые размеры и формат [19-21].

Основные этапы цифровой обработки оцифрованных изображений исследуемых объектов и определяемые характеристики представлены на рис. 1.

Для оцифрованных изображений в трех цветовых каналах (синем, зеленом и красном), например, в программе Image-Pro Plus 6.0, строится разностный контраст (РК), яркостные характеристики (ЯХ), профили интенсивности (ПИ) и области равного контраста (ОРК). Экспериментально установлено, что для ряда веществ при сравнении их изображений наибольшие различия, вызванные действием внешнего фактора, сильнее проявляются в одном из цветовых каналов, который в дальнейшем выбирается в качестве основного [14, 15, 20, 21].

Разностный контраст—это результат вычитания одного изображения из другого, например:

Подготовка образцов

Оцифровка исследуемого объект» с помощью

ПЛаНШСТНОГО L i;:ll!i рЯ II ТИ ГЩфриПиГИ ;1ГТП:ф,|Т:»

Цифровая обработка ОЦ||ф|Н)ВаННЬ[Х ИЗОцражеНПЙ с помощью специализированных программ «tMallab», MatJicad, «Adobe Photoshop» или «Image-Pro Plus»

Построен ie областей (линии) рюшного контраста

СОРК>

Разложение изображения на цветовые компоненты (синюю, зеленую, красную)

Гэссс-размытле изображения

Построение разностного контраста (PK)

Построение яркостных характеристик (ЯХ)

Построение профилей

1ПГТСНС11В1ЮСТН(Г111}

Сравнение и анализ экспериментальных данных

Рис. 1. Последовательность цифровой обработки и опр

ВОДОЛАЗОВА Н.Н. ИНфОрМАЦИОННЫЕ ТЕХНОЛОГИИ

изображений до и после какого-либо воздействия на вещество; изображений различных образцов, если требуется выявить их отличие друг от друга по цветовым характеристикам; изображений кюветы с веществом и без него, если требуется исключить влияние стекла кюветы на результат оцифровки и т.д. Если сравниваемые изображения абсолютно одинаковые, то получается однородный по фону нулевой РК. Если имеются различия, не выявляемые визуально, то получается не однородный по фону ненулевой РК. Различия изображений исследуемых веществ и их РК регистрируются построением ЯХ.

Яркостные характеристики показывают распределение точек изображения по интенсивности: по оси абсцисс откладывается интенсивность I в градациях серого цвета (для 8-битного изображения 255 градаций, для 16-битного изображения 65535 градаций), а по оси ординат — количество точек N имеющих данную интенсивность. При диагностике качества вещества нулевые и ненулевые РК могут быть визуально неразличимы, но максимальные значения ЯХ надежно фиксируют их различие.

Профили интенсивности показывают изменение интенсивности в выбранном для построения направлении: по оси ординат откладывается интенсивность I в градациях серого цвета, а по оси абсцисс — размер изображения в пикселях. Профили интенсивности, построенные для нулевого РК, имеют вид прямых горизонтальных линий, а ЯХ — вертикальных (рис. 2,а). При наличии даже незначительных цветовых отличий построенные ЯХ отражают этот факт (рис. 2,б). ПИ являются менее информативными по сравнению с ЯХ, но в некоторых методиках они являются основными для получения

качественной и количественной информации об исследуемом объекте или процессе.

В ряде случаев для устранения влияния на результат цифровой обработки особенностей экспериментального контраста целесообразно сравнивать ЯХ и ПИ не исходных оцифрованных изображений, а их РК и нулевых РК [20, 21].

На практике качество изображений и эффективность цифровой обработки оцениваются визуально и во многом зависят от квалификации и остроты зрения специалистов, которые могут по-разному оценить одно и то же изображение, результат его цифровой обработки, оптимальность выбора той или иной методики и т.д. Для устранения субъективности необходимо ввести объективные количественные критерии оценки изображений, в качестве которых можно использовать, например, следующие [25-27].

1. Среднеквадратичное отклонение или стандартное отклонение (М5Е) — статистический показатель рассеивания значений случайной величины относительно ее математического ожидания. Данная величина безразмерна и равна среднему квадрату ошибок (разностей интенсивности соответствующих пикселей) двух изображений: оригинального X и обработанного У Чем меньше значение MSE, тем ближе друг к другу сравниваемые изображения.

2. Пиковое отношение сигнала к шуму (PSNR) часто используется для измерения уровня искажений при сжатии изображений, для сравнения различных методик реставрации сигналов и для изучения влияния различных параметров на производительность того или иного алгоритма. Величина PSNR варьируется в пределах 2040 и, чем ближе обработанное изображение к оригинальному, тем выше значение данной метрики. Высокое значение PSNR не дает

5000000 1ST N1 600000 500000 JSI N

4000000 ft

: 1 1

зооооо _I н - ц_ зооооо \— н i-

юооооо о 200000 -Г 2ООООО - Ч—]

о 1ооооо ч rf - 1ООООО 0 -н И V

о 1ОО 200 1 о ОО 200 1 О 1 ОО 200 1 о IOO 200

I I 200 юо I 200 юо о I

IOO llJiitóllUrVu юо о

0 ЮОО 2000 зооо О 1 ООО 2000 зооо 0 ЮОО 2000 зооо о ЮОО 2000 зооо

Речная вода

Вода после очистки

Речная вода

Вода после очистки

Рис. 2. ЯХ и ПИ, построенные в программе Image-Pro Plus 6.0 для изображений речной и очищенной воды, полученных цифровым аппаратом: а — для нулевых РК (речная вода-речная вода, вода после очистки-вода после очистки); б — до и после очистки воды.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

гарантии, что человеку восстановленное изображение покажется качественным, а означает только определенную схожесть обработанного и исходного изображений. Метрики Р8ЫЯ и М8Е не имеют абсолютного значения.

3. Показатель структурного сходства (881М) — метрика измерения сходства двух изображений по трем компонентам: сходности по яркости, сходности по контрасту и структурному сходству. Для измерения качества обработанного изображения необходимо наличие исходного изображения. Данная методика разработана как замена метрик М8Е и Р8ЫЯ, не учитывающих особенности человеческого восприятия. В отличие от М8Е и Р8ЫЯ расчет показателя структурного сходства основан не на попиксельном сравнении изображений, а на сравнении блоков пикселей определенного размера, как правило, это блоки 8*8 пикселей. Далее полученные значения объединяются в итоговый результат. Результат измерения 881М располагается в диапазоне от минус 1 до плюс

1. Если значение 881М равно 1, то сравниваемые изображения полностью идентичны [27, 28].

В качестве примера на рис. 3 представлен результат применения этих трех метрик для оценки качества восстановления вейвлетами Dmey и 8ут8 зашумленного теоретического изображения краевой дислокации для монокристалла 6Н-8Ю (гексагональный полиморф карбида кремния) и различных полос пропускания.

В ходе проведенных исследований установлено, что метрика оценки качества восстановления оцифрованных изображений по структурной схожести (881М) более перспективна по сравнению с метриками Р8ЫЯ и М8Е. Причина — учет метрикой 881М яркостных, контрастных и структурных особенностей сравниваемых изображений. Лучшие результаты восстановления зашумленного изображения краевой дислокации получены для вейвлета 8ут8. Основным недостатком этих метрик является невысокая экспрессность, обусловленная необходимостью проведения вычислений.

Обработанное изображение MSE PSNR SSIM

Dmey summa (3-4) 262,6938 23,9363 0,9401

Dmey summa (3-5) 194,9144 25,2324 0,9447

Dmey summa (3-6) 111,6201 27,6534 0,9540

Dmey summa (3-7) 80,5342 29,0710 0,9571

Dmey summa (3-8) 88,1790 28,6772 0,9567

Dmey overlay (3-4) 176,2482 25,6696 0,9379

Dmey overlay (3-5) 120,8628 27,3079 0,9344

Dmey overlay (3-6) 128,1268 27,0544 0,9441

Dmey overlay (3-7) 137,4368 26,7498 0,9452

Dmey overlay (3-8) 146,1950 26,4815 0,9405

Sym8 summa (3-4) 192,1072 25,2954 0,9340

Sym8 summa (3-5) 182.1101 25,5275 0,9448

Sym8 summa (3-6) 209,6032 24,9168 0,9477

Sym8 summa (3-7) 95,2864 28,3405 0,9542

Sym8 summa (3-8) 73,0280 29,4959 0,9567

Sym8 overlay (3-4) 142,3848 26,5962 0,9276

Sym8 overlay (3-5) 103,5984 27,9773 0,9291

Sym8 overlay (3-6) 113,7682 27,5706 0,9376

Sym8 overlay (3-7) 119,0258 27,3744 0,9395

Sym8 overlay (3-8) 136,9708 26,7645 0,9372

в г

Рис. 3. Результат восстановления вейвлетами Стеу и Зут8 и оценка эффективности восстановления метриками Ы5Е, PSNR и SSIM зашумленного теоретического изображения краевой дислокации монокристалла бН^гС: а — исходное изображение; б — зашумленное изображение; в — результат восстановления для различных полос пропускания; г — оценки эффективности

восстановления тремя метриками.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Наиболее простой, эффективной и экспрессной является методика количественной оценки качества изображений, основанная на построении РК, ЯХ и ПИ, предложенная авторами работ [19, 23]. Вся необходимая информация об изображениях в течение 30-60 секунд получается в специализированной для обработки сложных сигналов программе ImagePro Plus 6.0. Методика была апробирована при сравнении большого количества разнообразных оцифрованных изображений веществ различной физико-химической природы и показала высокую эффективность, чувствительность, экспрессность и доступность для широкого круга исследователей [14-22].

Рассмотрим применение данной методики для оценки качества восстановления с помощью вейвлетов Dmey и Sym8 на примере зашумленного теоретического изображения винтовой дислокации в монокристалле 6H-SiC (рис. 4).

SymS

. J

inn 200

dm ay

mo 200

|dmey—dmey

5

1« 10(1

J

101 20»

1

100 JOil

800 iuiksv.it

[

200 Hill

I0fl

209 I

400 BOO пик« it

Рис. 4. Результат обработки вейвлетами Стеу и Зут8 и оценка эффективности восстановления (построение РК, ЯХ и ПИ) зашумленного теоретического изображения винтовой дислокации для монокристалла бН^гС. Стрелкой показано направление снятия ПИ.

Восстановленные этими вейвлетами изображения винтовой дислокации визуально практически не отличаются друг от друга и передают все основные особенности исходного теоретического контраста. Построенные РК Sym8-исходное (1) и Dmey-исходное (2), которые не являются нулевыми, также неразличимы, следовательно, восстановленные изображения качественно отличаются от исходного. Не является нулевым РК Sym8-Dmey (3), но нулевыми являются РК исходное-исходное, Sym8-Sym8 и Dmey-Dmey (4).

Остается открытым вопрос: какой вейвлет лучше восстанавливает зашумленное изображение и какое из них ближе к исходному?

Все изображения имеют одинаковые размеры и формат. Количественную оценку качества восстановления и определение лучшего вейвлета можно дать сравнением максимальных значений ЯХ разностного контраста, которые являются различными: для нулевых РК (исходное-исходное, Sym8-Sym8 и Dmey-Dmey) — 900000, для ненулевых РК Sym8-исходное - ~450000, Dmey-исходное - ~220000 и Sym8-Dmey - ~300000. Максимальные значения ЯХ для исходного контраста — ~600000, вейвлета Sym8 — ~450000 и Dmey — ~220000. Так как значение максимума ЯХ для вейвлета sym8, включая и РК Sym8—исходное, ближе к исходному и РК исходное-исходное, то он и является наиболее оптимальным для восстановления. Чем ближе обработанное вейвлетами зашумленное изображение к исходному теоретическому и чем меньше разница максимальных значений их ЯХ, тем выше качество цифровой обработки. Следовательно, в качестве количественного критерия эффективности цифровой обработки разными вейвлетами можно использовать максимумы ЯХ.

Для экспериментального контраста монокристалла 6Н^С, содержащего изображения краевых дислокаций, при устранении вейвлетами Sym8 и Dmey зернистости получен аналогичный результат (рис. 5). Вейвлет Sym8 оказался более эффективным, чем вейвлет Dmey, что подтверждает ранее полученные результаты

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

' 1 • t

тт 100 200

Исходное

Sym8

Dmey

0 ТОО 200 1

Sym8— Dmey

Рис. 5. Количественная оценка эффективности устранения вейвлетами sym 8 и dmey зернистости топографического контраста

монокристалла 6H-SiC.

при обработке зашумленного контраста краевой дислокации с использованием метрик М8Е, Р8ЫЯ и 881М.

Аналогичным образом можно сравнивать между собой эффективность различных методов цифровой обработки изображений, выявлять изменения, происходящие в исследуемом веществе с течением времени, контролировать технологические процессы, выявлять

фальсифицированную продукцию, подделки картин и т.д. [14-22].

3. АНАЛИЗ РЕЗУЛЬТАТОВ ДИАГНОСТИКИ КАЧЕСТВА РАЗЛИЧНЫХ ВЕЩЕСТВ

Приведем несколько примеров применения рассмотренных выше методик цифровой обработки для диагностики качества веществ различной физико-химической природы, включая регистрацию их цвета и его изменения, построение РК, ЯХ, ПИ и ОРК. Проведем оценку качественных и количественных различий сравниваемых оцифрованных изображений и изменения, происходящие в веществе.

3.1. Сравнение эффективности различных цифровых методов устранения фоновой неоднородности поляризационно-оптического контраста монокристалла 6Н^С

Фоновая неоднородность проявляется в сильном разбросе степени почернения различных участков топограмм и фотонегативов, что затрудняет анализ и регистрацию дефектов структуры [4, 19, 22, 24]. Исходный контраст (рис. 6,а) имеет затемненные и засветленные области, в которых выявление дефектов структуры

монокристалла затруднено. Применяя различные методы цифровой обработки, основанные на анализе яркостных (рис. 6,в) или частотных характеристик (рис. 6,б,г), можно устранить фоновую неоднородность.

Эффективность сравниваемых методов различна, но в случае применения методов 1 и 2 (Табл. 1 и рис. 6,б и в) отдать предпочтение одному из них затруднительно. Анализ РК и ЯХ восстановленных контрастов (рис. 6,б и в) свидетельствует о том, что, несмотря на их большую визуальную схожесть, результат цифровой обработки

Нулевой РК РК между контрастами бив

Рис. 6. Устранение фоновой неоднородности поляризационно-оптического контраста монокристалла бН^гС различными цифровыми методами: а — исходный; б — 1 метод; в — 2 д; г — 3 метод, д — нулевой РК и его ЯХ; е — РК между контрастами б и в и его ЯХ.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

поляризационно-оптического изображения монокристалла этими методами по

качеству различен.

Цифровая обработка экспериментального контраста, содержащего изображения дефектов структуры, на основе дискретного вейвлет-анализа дает лучший результат по сравнению с цифровой обработкой, основанной на анализе яркостных характеристик. Наиболее полно применение дискретного вейвлет-анализа на основе пирамидального алгоритма Маллата и различных вейвлет-базисов для решения практических задач рассмотрено в работе [19, 22]. Неоднородный фон и контраст, формируемый дефектами структуры, находятся в разном частотном диапазоне: неоднородный фон занимает низкие и сверхнизкие частоты, а контраст от дефектов находится на средних и высоких частотах. Используя алгоритм дискретного вейвлет-разложения, можно провести раздельную фильтрацию низких и высоких частот.

При дискретном вейвлет-анализе проводится декомпозиция двухмерного сигнала — разложение изображения в ряд базисных элементов, помноженных на определенные коэффициенты, характеризующие

частотный спектр сигнала. В общем виде обработка сводится к преобразованию полученных коэффициентов. При обратном преобразовании происходит восстановление сигнала — реконструкция, которая и является конечным результатом цифровой обработки. Вейвлет-анализ позволяет оценить и разделить частоты, соответствующие дефектам и зашумляющим факторам.

При декомпозиции сигнала получается два вида коэффициентов:

масштабные (коэффициенты

аппроксимации) несут информацию

о низкочастотной (НЧ) составляющей изображения, т.е. о грубой аппроксимации изображения при разных масштабах (уровнях) его представления;

детализирующие (детальные

коэффициенты) несут информацию о высокочастотной (ВЧ) составляющей

изображения, т.е. о мелких деталях контраста

на анализируемых масштабах, т.е. о дефектах структуры. Для двумерного сигнала имеем набор из трех видов детальных коэффициентов: горизонтальных, вертикальных и диагональных, передающих особенности контраста в указанных направлениях.

В качестве базисной функции при цифровой обработке изображения монокристалла 6Н^С (рис. 6) 1 и 3 методами используется вейвлет Симлета с начальным масштабом функции, равным 8 ^ут8). В таблице 1 представлена краткая характеристика трех методов, примененных для цифровой обработки этого изображения.

3.2. Компьютерная диагностика качества мясного сырья и мясной продукции

Научный и практический интерес представляет перенос части рассмотренных выше методик для экспресс-диагностики качества мясного сырья, продуктов питания, жидких веществ, оценки влияния на их качество различных технологических и внешних факторов. Применяя методы компьютерной диагностики, основанные на регистрации цвета и его изменения, можно предложить методики оценки качества и соответствия стандартам мясного сырья, мясной и другой продукции, поступающей на перерабатывающие предприятия и в торговую сеть. Для исследуемых веществ можно создать атласы эталонных изображений с известными цветовыми характеристиками и измененными под воздействием контролируемых внешних факторов. Для регистрации качественных и количественных различий между образцами до и после внешних воздействий необходимо построить РК, ПИ, ЯХ и ОРК. Количеством ОРК можно варьировать в зависимости от требуемой точности регистрации изменений цвета [14-18, 20-21].

Представление изображений в черно-белом формате также используется для оценки качества вещества и принятия правильного решения, но наиболее удобными для диагностики являются цветные изображения. При оценке качества полезно разложение изображений по цветовым каналам — синему, зеленому и красному.

INFORMATION TECHNOLOGIES

Таблица 1

Основные этапы цифровой обработки различными методами

Номер метода Основа метода Последовательность цифровой обработки изображений

1 Дискретный вейвлет-анализ (частотный анализ) Устранение фоновой неоднородности достигается обнулением на этапе реконструкции масштабных коэффициентов. В реконструкции участвуют только детализирующие коэффициенты определенного набора верхних уровней разложения. Проводится ВЧ фильтрация детальных вейвлет-коэффициентов. На разных частотах выявляются особенности изображения и ранее нерегистрируемые детали дефектов структуры. Диапазон уровней, участвующих при реконструкции изображения, формирует полосу пропускания ВЧ фильтра. Недостаток: большое время обработки ~90-100 с и наличие явления элайзинга.

2 Анализ яркостных характеристик 1 этап. Проводится гаусс-размытие исходного изображения (подбирается экспериментально). На изображении теряются все мелкие детали контраста, относящиеся к дефектам структуры. 2 этап. Строится РК между размытым и исходным изображениями. 3 этап. Проводится коррекция динамического диапазона полученного РК.

3 Дискретный вейвлет-анализ (частотный анализ) 1 этап. На всех уровнях декомпозиции обнуляются детализирующие коэффициенты. По мере увеличения уровня декомпозиции теряются ВЧ детали изображения, и начинает преобладать НЧ информация. Подбирается оптимальный уровень декомпозиции, а это, как правило, последние уровни. При реконструкции получается обработанное изображение, содержащее информацию только о фоновой неоднородности. Информация о дефектах на восстановленном контрасте отсутствует. 2 этап. Строится РК между двумя изображениями: первое - исходный контраст, второе - контраст, полученный на 1 этапе и содержащий только фоновую неоднородность. На полученном РК наблюдается элайзинг (флуктуации интенсивности), зависящий от выбранного уровня декомпозиции. 3 этап. Применяется гаусс-размытие к РК, полученному на 2 этапе. Радиус размытия подбирается экспериментально и составляет, примерно, 10-80 пикселей. 4 этап. Строится результирующий РК между размытым РК и РК, полученным на 2 этапе, проводится коррекция его динамического диапазона. Полученный РК имеет более высокую проработку основных деталей контраста при практически полном подавлении явления элайзинга. Время цифровой обработки в 10-12 раз меньше (8-10 с), чем по первой и второй методикам [19, 22, 24].

Мясо разных производителей, различных регионов и морфологических частей туши отличается по цвету, а их качество зависит от породы скота, кормовой базы, заболеваний, условий транспортировки, хранения, забоя, действия внешних факторов и т.д. Различия мяса по цвету и по качеству визуально выявить очень сложно. Покажем возможность регистрации этого различия, используя построение РК, ПИ, ЯХ и ОРК.

Образцы мяса размером ~6*6 см и толщиной ~1 см помещаются в закрываемые сверху стеклянные кюветы. Время от подготовки образца до его оцифровки не превышало пяти минут. Кюветы с мясом после первичной оцифровки хранятся в холодильнике при температуре 4-6°С или при других исследуемых режимах. В некоторых экспериментах образцы можно хранить в естественных условиях при комнатной температуре. В этом случае кюветы не снимаются со сканера, и последующее сканирование исследуемых образцов проводится через установленные в эксперименте интервалы времени.

Для устранения влияния на результат диагностики стекла кюветы необходимо построить РК между оцифрованными изображениями кюветы с мясом и пустой

кюветы. Для уменьшения влияния на ЯХ, ПИ и ОРК флуктуаций интенсивности, обусловленных влиянием границ между волокнами мышечной ткани, исходные оцифрованные изображения подвергаются небольшому гаусс-размытию (радиус размытия ~ 10-20 пикселей). После этого для размытых изображений строятся РК, ЯХ, ПИ и ОРК.

Оцифровка мяса в ручном режиме и последующая цифровая обработка позволяют надежно зафиксировать отличие цветовых характеристик исследуемых образцов как для разных производителей, так и для различных частей туши.

В качестве примера на рис. 7 представлены отсканированные в ручном режиме при разрешении 600 dpi образцы мяса говядины трех разных производителей — условно A, B и С, взятые из шейного отруба туши. При визуальном контроле все отобранные образцы мяса по цвету практически не отличаются.

Условия хранения и транспортировки, неоднократная заморозка и разморозка мясного сырья приводят к снижению его качества и изменению цвета, и как результат, к снижению качества мясных продуктов [16, 20-21]. На

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

г / Ь 1

, т

А 1

и ' . ,1 ¥ ''

т

к

3 , с

№

' 1 1

м 1

и \

\\ \

¡1

в г

Рис. 7. Цифровая обработка изображений говядины производителей Л., В и С, взятых из шейного отруба туши: а — исходное; б— после

гаусс-размытия (радиус размытия 20 пикселей); в — ПИ и г — ЯХ, снятые для красной (К), синей (С) и зеленой (З) компонент.

рис. 8 представлены изображения говядины, послеДующей разм°р°зке при температуре

взятой из наружной части тазобедренного 14-16°С. Изменения пзега °бразца мяса, не

отруба туши, которая была подвергнута видимые изначально человеческим глазом

заморозке при температуре минус 18°С и надежно фиксируются по РК (нулевому и

ненулевому), ЯХ и ПИ.

I

200

N

3 1 1 с к

к 6Ш -1"

с 3

1

1000 1

100 200

100

200

200 100 N

3 С К

К 4«ХИ

с 20000

3 10000

0 100 200 0 100 2001

200 1

200

100

к

100 200 гамм

2001

б г

Рис. 8. Изображения, ПИ и ЯХ говядины наружной части тазобедренного отруба: а — охлажденный свежий образец; б — после

заморозки при температуре минус 18°С и последующейразморозке при t=14-160С; в — нулевой РК (а—а); г — РК, полученный

вычитанием изображений б и а.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

200000

100000

160000 140000 120000 100000

1,0 хрше:

180000 160000 140000 120000 100000 80000

Зчас»

6 часов

160000 140000 120000 100000

9 часов

а б в а б б

Рис. 9. Результат цифровой обработки изображений колбасы вареной "Докторская": а — исходные, б — РК, полученный

вычитанием изображений после хранения и исходного; в — ЯХ.

Изменения цвета, ЯХ и ПИ изображений колбасы вареной "Докторская" (ГОСТ Р 521962003) в зависимости от времени ее хранения при температуре 14-16°С и влажности воздуха 85% представлены на рис. 9. Визуально изменения цвета образца не фиксируется, однако РК и ЯХ дают качественную и количественную оценку происшедших в исследуемом объекте изменений [17, 20-22].

Используя данный подход и зная изменение цвета (максимума ЯХ) для эталонных образцов продукции, которая хранилась при условиях, рекомендованных ГОСТ, можно организовать контроль условий хранения продукции органами госконтроля и госнадзора.

При диагностике качества мясного сырья, мясной продукции и сравнении экспериментальных данных можно для каждого цветового канала построить зависимости изменения максимальных значений ЯХ от исследуемого фактора. Сопоставляя полученные зависимости с аналогичными для выбранных эталонных образцов, можно оценить качество поставляемого сырья и произведенной продукции для разных производителей, а также влияние на образцы различных исследуемых факторов [20-22].

3.3. Компьютерная диагностика качества воды

В работах [14, 15, 20, 21] приводятся результаты экспресс-диагностики качества речной и питьевой воды. Применяя рассмотренную выше экспресс-методику, можно надежно оценить

качество воды и ее соответствие санитарным нормам для данного региона и требованиям стандартов. Результаты диагностики воды хорошо коррелируют с результатами, полученными по юстированным методикам в лабораториях водоочистительной станции.

Для установления связи между физико-химическими параметрами воды и ее цветовыми характеристиками приведем следующие показатели: цветность, мутность, рН и щелочность, которые за все время проведения эксперимента для различных проб воды очень сильно изменялись (таблица 2). Цветность и мутность оказывают наиболее сильное влияние на изменение цветовых характеристик воды и особенно на ЯХ.

Для оценки экспериментальной

погрешности определения цветовых

характеристик изображений один и тот же образец оцифровывался несколько раз. Для каждого изображения строились РК, ЯХ и ПИ. Определенная экспериментальная погрешность

Таблица 2

Физико-химические показатели проб воды

Дата Мутность, мг/л Цветность, град рн Щелочность

Норма по Сан ПиН 1,5 20 6.0-9.0 1.10

проба воды речная счищен-ная речная счищен-ная речная счищен-ная речная счищен-ная

1 6 0.45 77 11 7.54 6.35 1.4 0.46

2 23.8 0.24 70 10 7.36 6.25 1.45 0.48

3 6.1 0.7 105 10 7.5 6.45 1.4 0.65

4 7.2 0.95 117 7 7.15 6.15 1.15 0.31

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

не превышала 1-2% и была обусловлена в основном изменением освещенности анализируемого вещества при оцифровке.

Точки на рис. 10 соответствуют максимальным значениям ЯХ питьевой воды для трех цветовых каналов. Для каждой цветовой компоненты можно выделить область, которая соответствует требованиям СанПиН к воде для данного региона. Если максимальные значения ЯХ проб воды попадают в эту область, то вода соответствует по цветовым характеристикам требованиям СанПиН. Если максимумы ЯХ не попадают в эту область, то вода не удовлетворяет требованиям СанПиН и необходима ее дополнительная очистка и контроль.

По полученным экспериментальным данным для трех цветовых каналов проведен расчет коэффициента корреляции между некоторыми физико-химическими параметрами и цветовыми характеристиками воды (таблица 3).

Анализ полученных результатов показывает, что цветность воды наиболее сильно коррелирует со значениями ЯХ для зеленого цветового канала по ординате (Ы) и красного канала по абсциссе (I), причем зависимость является прямой. С увеличением цветности воды возрастают максимальные значения ЯХ для зеленого и красного каналов. Мутность воды имеет наибольшую и прямую корреляцию со значениями ЯХ для синего и красного каналов

8 10"

а □ Щ

-П

к

51

7 10 " ¿

Tí

I

6 10J

5 105 4 1Q5

3 1(,J0 50 ICO 150 200 250

Рис. 10. Допустимые области нахождения максимальных значений ЯХ питьевой воды, соответствующие СанПиН: С, З и К — синий, зеленый и красный цветовые каналы. Черные точки — результаты диагностики воды, взятой на одном из пищевых предприятий.

Таблица 3

Коэффициенты корреляции физико-химических показателей воды и яркостных характеристик оцифрованных изображений

Показатель Коэффициент корреляции

Синий канал Зеленый канал Красный канал

X Y X Y X Y

Цветность -0.496 -0.234 0.583 0.989 0.882 -0.509

Мутность -0.378 0.989 -0.505 0.012 -0.455 0.967

рН -0.755 -0.179 -0.222 0.961 -0.452 0.080

Щелочность -0.790 -0.317 0.105 0.969 0.908 0.141

по N. Показатель рН воды наиболее сильно коррелирует со значениями ЯХ для зеленого канала по Ы, а щелочность — со значениями для зеленого канала по N и красного — по I. Таким образом, физико-химические показатели качества воды имеют хорошую корреляцию с максимальными значениями ЯХ для каждого из трех цветовых каналов, и выбор ЯХ, как инструмента оценки качества воды, является обоснованным и объективным.

К важнейшим показателям качества пива и вин помимо вкуса относится их цвет, следовательно, регистрация цвета и его изменения может быть положена в основу цифровых экспресс-методик. Данный подход применен авторами работ при исследовании разных производителей, процесса его старения, регистрации и идентификации частиц различной физико-химической природы без применения специальных красителей, а также выявления фальсифицированной пивной и винной продукции [13, 19-20].

4. КОМПЬЮТЕРНАЯ ДИАГНОСТИКА СУХОГО И МОКРОГО СПОСОБОВ ПОСОЛА МЯСА

Отработка методик визуализации процесса посола и определения его количественных характеристик (скорости процесса и глубины проникновения смеси и ее отдельных компонент) проводилась на охлажденном мясе цыплят-бройлера. Исследовался сухой и мокрый способы посола мяса смесью состава соль-перец-чеснок в соотношении 1:0.11:1. При мокром способе концентрация соли в рассоле составляла 12%.

Для каждого эксперимента отбирались пять образцов мяса размером, примерно, 5x7 см и толщиной ~1 см, которые укладывались в стеклянные кюветы. Один образец обсыпался по боковой поверхности посолочной смесью, три

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

других — компонентами смеси, соответственно, солью, перцем и чесноком, пятый образец был контрольным, и по нему оценивалось влияние на мясо внешних факторов. Все кюветы с образцами закрывались сверху стеклом. При всех способах посола пропитка мяса проходила только со стороны его боковой поверхности, хотя в реальных условиях процесс посола идет через всю поверхность. В течение первого часа оцифровка мяса проводилась через каждые 15 мин, а далее — через каждые 30 мин. В промежутках между оцифровкой кюветы с образцами не снимались со стекла сканера. В ряде экспериментов образцы хранились в холодильнике при температуре 4-6°С.

При посоле происходит изменение цвета мяса, которое начинается с боковых областей и связано с проникновением в мясо посолочной смеси и отдельных ее компонент. Визуально провести четкую границу между пропитанными и непропитанными областями, а также определить глубину проникновения каждой из компонент смеси в мясо не представляется возможным.

В работах [18, 20-21] рассматриваются четыре цифровых методики визуализации процесса посола и определения его количественных

характеристик, которые хорошо укладывались в предложенные теоретические модели.

4.1. Методика, основанная на анализе ОРК и ПИ

Скорости процесса посола мяса смесью и ее отдельными компонентами по различным направлениям отличны друг от друга [18, 2021]. На рис. 11 представлена теоретическая модель процесса посола. Цифрами показаны четыре направления, по которым снимались ПИ, включая направления вдоль и перпендикулярно волокнам мышечной ткани (рис. 11,а и б). Применив к оцифрованным изображениям небольшое гаусс-размытие можно уменьшить влияние волокон мышечной ткани на ОРК и ПИ.

В основемоделилежитрегистрацияизменений цвета оцифрованного изображения мяса при посоле. В идеальном случае ПИ имеют вид, представленный на рисунке 11,в: 1 — исходный, 2-4 — для различного времени посола /, причем 11<12<13 и 1<1<1, где I — глубина проникновения смеси или ее компонент. Увеличение времени посола приводит к изменению контраста и ПИ. При построении ОРК выбирается оптимальное число градаций цвета, но не менее пяти для трехкомпонентной смеси: две градации дает мясо

-гл

■»С.о

¥

А-в^ М С

гг

КЛ-

-ЗДг

С'В С'М

1_I

1 г

Исходим 29 90

Н6 199 289 <И$

т

=2= 0

1

А 1 \

1

А Ч N

* •—- ■"ч N

/ ¿3

\

Рис. 11. Теоретическая модель (1) визуализации процесса посола мяса смесью, состоящей из трех компонент Л, В и С (2): а — исходное оцифрованное изображение, цифрами 1—4 показаны направления снятия ПИ; б — ОРК при времени посола и в — ПИ при времени посола t1 <1^2<1^} (1.< <2<3 — глубина посола); г — контраст при пяти градациях цвета; 2 —размытый экспериментальный

контраст, ОРК и ПИ при разном времени посола в мин.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

часть. Лучшая визуализация процесса посола наблюдается при обработке всего изображения образца.

Данная методика цифровой обработки отличается от предыдущей отсутствием гаусс-размытия, при котором возможна незначительная потеря полезной информации. В ее основе лежит перевод оцифрованного цветного изображения в черно-белый формат (рис. 12,в), построение для него ОРК (рис. 12,г), которые для лучшей визуализации процесса посола и разделения областей проникновения смеси и отдельно ее компонент можно представить в цветном формате (рис. 12,д). Аналогично ранее предложенной методике по ОРК и ПИ определяются количественные характеристики процесса посола — глубина проникновения смеси и ее компонент, скорость процесса и т.д.

и его соединительная ткань, а три градации — три компоненты посолочной смеси (условно А, В и С). Предполагается, что компоненты А, В и С имеют различные коэффициенты диффузии в мясо. Первая область формирует контраст, создаваемый компонентами А, В и С; вторая — компонентами В и С и третья — компонентом С.

Сопоставляя ОРК, ПИ и зная размеры мяса, можно определить глубину проникновения посолочной смеси и отдельно ее компонент. Зная время посола (/) и глубину проникновения (/), легко оценить скорость процесса по формуле: V = I/£. (1)

п п \ '

4.2. Методика, основанная на разложении изображения по цветовым каналам

Суть методики продемонстрирована на рис. 12. Цифровой обработке может подвергаться не все изображение, а только наиболее интересная его

б

сная

клена*

СИНЯЯ в

Д§сУ

;краснця *

С Я ■ЙКШ В1

зеленая ■

1 : лт

СИНЯЯ г

.красная

■ \

;;«леная —

3:

■ ь 1 А _ - ' . • «пен

синяя

Д 1

К Ш 1

б

крас 1^

эедсная

V

синяя в

1 т 1

красная

,1 Н '',. 1; ¡*Я. 'у Г. 1

1С.1С113Я

1 г

синяя г

[ т- в

красная

ш V

тедсная

1 31

синяя д 2

Рис. 12. Разложение исходного (1) и после мокрого способа посола в течение 1050 минут (2) изображений по цветовым каналам: а — исходное изображение; б— выделенная область; в — выделенная область в черно-белом формате и в представлении по цветовым каналам.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Оцифровка исходного изображения требует некоторого времени, в течение которого мясо цыплят-бройлера находится в контакте со смесью, поэтому на исходном изображении (1) при построении ОРК фиксируется тонкий черный или фиолетовый слой, в который проникла посолочная смесь (рис. 12,г и д). По экспериментальному контрасту, зная размеры образца мяса и пикселя, можно рассчитать глубину проникновения смеси и ее отдельных компонент. Более точное определение глубины проникновения смеси и ее компонент достигается при сравнении исходных и снятых после посола ПИ.

4.3. Методика, основанная на регистрации разностного контраста

Данная методика развивает ранее представленные методики и основана на анализе РК, полученного вычитанием двух изображений: исходного и после посола. Если изменений цвета мяса нет, то имеем нулевой РК, а ПИ представляют собой прямую линию (рис. 13, профиль 1). При посоле концентрация компонент смеси убывает вглубь мяса. Построенный РК отражает это обстоятельство изменением цвета и соответственно ПИ (рис. 13, профили 2-6).

Количественные характеристики процесса посола определяются из построенных РК, ОРК и ПИ, например, зная время посола (/) и оценив глубину проникновения (Т), можно, используя формулу 1, рассчитать скорость процесса.

300

Применение гаусс-размытия РК позволяет уменьшить влияние границ между волокнами мышечной ткани на ОРК и ПИ и повысить точность методики.

По данной методике последовательно записывается РК между исходным изображением и изображением мяса при различном времени посола и далее по изменению РК, ОРК и ПИ можно судить о динамике процесса, об особенностях проникновения смеси и ее компонент в мясо. Можно определить РК, например, между двумя изображениями мяса при разном времени посола и оценить изменения цветовых характеристик за какой-то выбранный отрезок времени.

4.4. Комбинированная методика

Методика представляет собой сочетание ранее описанных методик и позволяет при постепенном увеличении числа градаций цвета проследить изменение экспериментального контраста, вызванное изменением концентрации компонент в мясе по глубине. Кажущееся на первый взгляд усложнение методики и увеличение времени цифровой обработки оказываются незначительным. Выигрыш заключается в более объективной и достоверной регистрации изменений цветовых характеристик мяса при посоле, а, следовательно, определенные количественные параметры процесса являются более точными и объективными.

Полученные экспериментальные результаты по оценке скорости посола для различных его способов представлены в таблице 4.

В результате проведенных исследований для разных видов посола показана возможность его визуализации, определения скорости и глубины проникновения в мясо посолочной смеси и отдельно для каждой ее компоненты.

Таблица 4

Скорость посола для различных компонент смеси, полученная из анализа областей РК и ПИ, выраженная в см/час

Пиксели

Рис. 13. ПИ и их изменение при посоле, регистрируемое по третьей методике: 1 — при нулевом РК; 2-6 — после посола в течение времени 1-14 — глубина посола

пр

способ Члосола компо-Ч нент смеси Сухой Мокрый

вдоль волокон перпендикулярно волокнам вдоль волокон перпендикулярно волокнам

Соль 8-13 6-11 5-9 4-6

Перец 0.02-0.035 0.015-0.025 0.1-0.18 0.06-0.08

Чеснок 0.06-0.11 0.04-0.09 0.18-0.35 0.11-0.23

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Работа выполнена в Совместной с ФТИ им. А.Ф. Иоффе РАН научно-учебной лаборатории "Компьютерные технологии в дифракционной диагностике материалов" Филиала СПбГЭУ в г. Великий Новгород.

ЛИТЕРАТУРА

1. Боуэн ДК, Таннер БК. Высокоразрешающая рентгеновская дифрактометрия и топография. Пер. с англ. Шульпиной ИЛ, Аргуновой ТС. СПб., Наука, 2002, 274 с.

2. Суворов ЭВ. Физические основы современных методов исследования реальной структуры кристаллов. Черноголовка, 1999, 232 с.

3. ШульпинаИЛ.Рентгеновская дифракционная топография. Этапы и тенденции развития. Поверхность. Рентгеновские, синхротронные и нейтронные исследования, 2000, 4:3-20.

4. Данильчук ЛН, Окунев АО, Ткаль ВА. Рентгеновская топография на основе эффекта Бормана. LAP LAMBERT Academic Publishing Germany, 2012, 341 с.

5. Чуи Ч. Введение в вейвлеты. М., Мир, 2001. 412 с.

6. Сойфер ВА. Методы компьютерной обработки изображений. М., Физматлит, 2001, 784 с.

7. Шлихт ГЮ. Цифровая обработка цветных изображений. М., ЭКОМ, 1997, 336 с.

8. Гонсалес Р, Вудс Р. Цифровая обработка изображений. М., Техносфера, 2005, 1072 с.

9. Антипова ЛВ, Глотова ИА, Рогов ИА. Методы исследования мяса и мясных продуктов. М., Колос, 2004, 571 с.

10. Траубенберг СЕ, Осташенкова НВ, Андриевская ОВ, Попова ЗВ. Теоретические и практические основы применения инструментальных методов анализа для контроля качества и безопасности пищевых продуктов. Известия вузов. Пищевая технология, 2003, 5(6):97-101.

11. Антипова ЛВ, Глотова ИА, Панов ВП, Титов СА. Контроль цветности мяса и мясных продуктов на основе методов спектрофотометрии. Мясная индустрия, 2002, 8:48-50.

12. Герасимов АВ, Бурыгина ЯС. Метод определения цветовых параметров продуктов питания. Хранение и переработка сельхозсырья, 2003, 8:82-83.

Помимо рассмотренных выше примеров цифровые методики применялись для диагностики качества бензина, молока, меда, детского питания, сока и других веществ.

ЗАКЛЮЧЕНИЕ

Анализ полученных экспериментальных результатов свидетельствует о перспективности применения разработанных цифровых экспресс-методик диагностики качества и его количественной оценки для веществ различной физико-химической природы.

Цифровые методы, основанные на анализе яркостных и частотных характеристик, можно эффективно использовать для регистрации дефектов структуры различных монокристаллов, регистрация которых визуально затруднена наличием зашумляющих контраст факторов (фоновой неоднородности, зернистости фотоэмульсии).

Разностный контраст (нулевой и ненулевой), яркостные характеристики, профили интенсивности и области равного контраста можно использовать как инструменты количественной и качественной оценки изображений, эффективности методов цифровой обработки и выбранного вейвлет-базиса.

Для большого количества веществ различной физико-химической природы цветявляется одной из важнейших их характеристик. Регистрация цвета и его изменения с течением времени или при воздействии различных внешних факторов может быть положена в основу цифровых методов экспресс-диагностики качества вещества и выявления фальсифицированной продукции.

Рассмотренные выше цифровые методики позволяют визуализировать процессы посола мяса многокомпонентными смесями, определить скорость и глубину проникновения в него как смеси, так и отдельно ее компонент, исследовать старение пива и другие процессы, протекающие в веществе.

Таким образом, рассмотренные выше методы и методики, перспективны для веществ, у которых при воздействии на них внешних факторов имеет место невидимое визуально изменение цвета.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

13. Краснов АЕ, Николаева СВ, Красников СА, Кузнецова ЮГ, Дроханов АН. Цветомикроструктурный анализ качества пищевых продуктов. Мясная индустрия, 2004, 11:52-60.

14. Жуковская ИА, Шараева АВ, Иванова ТД, Мягкова ЮА, Ткаль ВА. Экспресс-диагностика оценки качества и выявление фальсифицированной продукции. Заводская лаборатория. Диагностика материалов. 2014, 12(80):60-66.

15. Ткаль ВА, Окунев АО, Шараева АВ. Экспресс-диагностика, основанная на регистрации цветовых характеристик исследуемого вещества. Заводская лаборатория. Диагностика материалов. 2008, 11(74):32-37.

16. Ткаль ВА, Окунев АО, Глущенко ЛФ, Шараева АВ. Контроль качества мясного сырья по цветовым характеристикам. Мясная индустрия, 2007, 6:61-64.

17. Ткаль ВА, Окунев АО, Шараева АВ. Применение компьютерных технологий для исследования изменений цвета колбасных изделий. Мясная индустрия, 2007, 9:34-37.

18. Ткаль ВА, Окунев АО, Глущенко ЛФ, Шараева АВ. Цифровые методы визуализации процесса посола мяса. Хранение и переработка сельхозсырья, 2005, 10:19-24.

19. Ткаль ВА, Окунев АО, Жуковская ИА. Яркостный и частотный анализ изображений дефектов структуры. LAP LAMBERT Academic Publishing Germany, 2012, 385 с.

20. Ткаль ВА, Шараева АВ, Жуковская ИА. Компьютерная диагностика качества. LAP LAMBERT Academic Publishing Germany, 2012, 285 с.

21. Ткаль ВА, Окунев АО, Шараева АВ. Цифровые методы экспресс-диагностики качества пищевых продуктов и визуализации процесса посола мяса. Великий Новгород, НовГУ им. Ярослава Мудрого, 2008, 316 с.

22. Ткаль ВА, Жуковская ИА. Цифровые методы повышения качества экспериментального контраста дефектов структуры монокристаллов. Заводская лаборатория. Диагностика материалов, 2013, 4:28—37.

23. Ткаль ВА, Петров МН. Количественная оценка эффективности вейвлет-обработки изображений дефектов структуры

монокристаллов. Поверхность. Рентгеновские, синхротронные и нейтронные исследования, 2011, 5:14-20.

24. Ткаль ВА, Петров МН, Воронин НА, Дзюба ИВ. Устранение фоновой неоднородности экспериментального контраста дефектов структуры монокристаллов. Поверхность. Рентгеновские, синхротронные и нейтронные исследования, 2010, 1:30-37.

25. Ткаль ВА, Дзюба ИВ, Данильчук ЛН. Моделирование теоретического контраста дефектов структуры различного типа с "зашумляющими факторами". Поверхность. Рентгеновские, синхротронные и нейтронные исследования. 2009, 10:59-65.

26. Роджерс Д. Алгоритмические основы машинной графики. М., Мир, 1989.

27. Ahumada AJ Jr. Computational image quality metrics: a review. In: SID Symposium Digest, 1993, 305-308.

28. Avcibas I, Sankur B and Sayood K. Statistical evaluation of image quality measures. J. Electronic Imaging, 2002, 11(2):206-223.

Ткаль Валерий Алексеевич

д.ф.-м.н., профессор

Новгородский филиал Санкт-Петербургского государственного экономического университета, кафедра гуманитарных и естественнонаучных дисциплин, лаборатория "Компьютерные технологии в дифракционной диагностике материалов" (совместно с ФТИ им. А.Ф. Иоффе РАН), начальник лаборатории 8/7, ул. Большая Московская, 173000 Великий Новгород, Россия Valery.Tkal@yandex.ru

Жуковская Инга Анатольевна

Новгородский филиал Санкт-Петербургского государственного экономического университета, кафедра гуманитарных и естественнонаучных дисциплин, лаборатория "Компьютерные технологии в дифракционной диагностике материалов" (совместно с ФТИ им. А.Ф. Иоффе РАН) 8/7, ул. Большая Московская, 173000 Великий Новгород, Россия ingaleks@mail.ru

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Водолазова Надежда Николаевна

к.с./х.н., доцент

Новгородский филиал Санкт-Петербургского государственного экономического университета, кафедра гуманитарных и естественнонаучных дисциплин, лаборатория "Компьютерные технологии в дифракционной диагностике материалов" (совместно с ФТИ им. А.Ф. Иоффе РАН) 8/7, ул. Большая Московская, 173000 Великий Новгород, Россия vodolazovanadezhda@mail.ru

Шараева Анна Вадимовна

к.т.н., доцент

Новгородский филиал Санкт-Петербургского государственного экономического университета, кафедра гуманитарных и естественнонаучных дисциплин, лаборатория "Компьютерные технологии в дифракционной диагностике материалов" (совместно с ФТИ им. А.Ф. Иоффе РАН)

8/7, ул. Большая Московская, 173000 Великий

Новгород, Россия

asharaeva@mail.ru

DIGITAL METHODS OF EXPRESS-DIAGNOSTICS QUALITY OF SUBSTANCES OF DIFFERENT PHYSICOCHEMICAL NATURE

Valery A. Tkal', Inga A. Zhukovskaya, Anna V. Sharaeva, Nadezhda N. Vodolazova

Branch of St. Petersburg state economic University in Veliky Novgorod, http://www.finec-nv.ru 173000 Veliky Novgorod, Russia

Valery.Tkal@yandex.ru, ingaleks@mail.ru, asharaeva@mail.ru, vodolazovanadezhda@mail.ru

Abstract. The present work offers the methods of express diagnostics of quality of substances of different physicochemical nature, recording their color and its changes under influence of various external factors, based on digital image processing. The object of digital processing is digitized using professional flatbed scanners and digital image apparatuses of the investigated substances. Quality assessment of substances and registration of it changes based on building of differential contrast (zero and not zero), the luminance characteristics of intensity profiles, areas of equal contrast and the decomposition of the digitized image by color channels, which allows to quantify the quality and the change of the diagnosed objects, and reduces the subjective factor due to their visual perception. No visually perceive changes in the material are easily registered by the digitizers. Zero differential contrast corresponds to identical images and there is no influence of the investigated factor on this substance. The developed method of quality assessment, registration, changes, research, and visualizations taking place in the substance of the processes, detection of counterfeit products, as comparing with efficiency of different methods, wavelet bases, etc., is easy to implement, has the immediacy, accessibility and tested in the diagnosis of substances of different physicochemical nature.

Keywords: substances, diagnostics, digital processing, wavelet analysis, single crystal, image, technique, express analysis, quantitative criteria, color, difference contrast, brightness feature, intensity profile, region of equal contrast, visualization

UDC 004.932

Bibliography — 28 references RENSIT, 2016, 8(1):55-72

Received -20.03.2016 DOI: 10.17725/rensit.2016.08.055