СИНТЕЗ  АЛГОРИТМОВ  АНАЛИЗА  ИЗОБРАЖЕНИЙ  МИКРОСТРУКТУР  ФЕРРИТО-ПЕРЛИТНЫХ  СТАЛЕЙ

Дикарев  Константин  Васильевич

студент  магистратуры  Волгоградского  государственного  технического  университета  г.  Волгоград

E-mail:  konstantin-dikarev@yandex.ru

Нищик  Александр  Владимирович

студент  магистратуры  Волгоградского  государственного  технического  университета

E-mail: 

Дикарев  Александр  Васильевич

аспирант  Ковровской  государственной  технологической  академии  им.  Дегтярева,  г.  Ковров,  Владимирская  обл.

инженер-программист  ОАО  «НИИ  Гидросвязи  «Штиль»  г.  Волгоград

E-mail: 

Гевлич  Сергей  Олегович 

к.  т.  н.,  доцент  кафедры  «Технология  материалов»  Волгоградского  Государственного  Технического  Университета, 

технический  директор  ООО  «Экспертиза»,  г.  Волгоград.

E-mail:  sgevlich@mail.ru

Петрова  Валентина  Федоровна

к.  т.  н.,  доцент  кафедры  «Технология  материалов»  Волгоградского  Государственного  Технического  Университета,  г.  Волгоград

В  статье  рассмотрены  проблемы  проведения  структурного  анализа  микроструктур  феррито-перлитных  сталей.  Описана  новая  методика  анализа  изображений  микроструктур  феррито-перлитных  сталей  на  примере  стали  09Г2С.

При  исследовании  структурных  изменений  в  конструкциях  из  стали  09Г2С  в  условиях  длительной  эксплуатации  и  при  повышенной  температуре  для  оптимизации,  повышения  точности  проводимого  структурного  анализа,  а  также  сокращения  времени  на  его  выполнение  была  разработана  методика,  позволяющая  подвергнуть  анализу  серию  изображений,  в  том  числе  и  в  полевых  условиях.  Последнее  особенно  важно  для  анализа  состояния  металлоконструкций  находящихся  в  эксплуатации.  Были  разработаны  модельные  условия  работы  ряда  конструкций  при  повышенных  температурах  в  100  ^оС,  200  ^оС  и  400  ^оС.  Структуры  исследовались  в  поле  зрения  оптического  микроскопа,  количественный  анализ  проводился  в  соответствии  с  разработанной  методикой.  Были  изучены  распределения  зерен  феррита  по  размеру,  построены  гистограммы  распределения,  по  которым  можно  обсуждать  влияние  нагрева  на  структурные  изменения.

Исследование  структурных  составляющих  ферритно-перлитных  сталей  по  изображениям  микроструктур,  зачастую,  сопряжено  с  некоторыми  трудностями,  как  при  проведении  анализа  ручными  методами  [2],  так  и  с  применением  различных  программно-аппаратных  средств.  Для  наглядности  приведем  типичное  изображение  микроструктуры  стали  09Г2С  при  500-кратном  увеличении  (рисунок  1).

Рисунок  1.  Изображение  микроструктуры  стали  09Г2С  х500.  (На  фотографии  изображена  область  шлифа  размером  100х100  мкм)

Как  видно  из  рисунка,  микроструктура  стали  относится  к  мозаичному  типу,  т.е.  в  некотором  приближении  представляет  собой  непериодическое  разбиение  плоскости  шлифа,  образуя  апериодические  структуры.  При  этом  на  снимке  присутствуют  два  типа  элементов  –  темные  области,  представляющие  собой  перлитные  колонии,  а  так  же  светлые  области,  занимающие  большую  часть  фотографии  –  зерна  феррита.  Элементы  второго  типа  имеют  малый  контраст  и  тяжело  различимы  на  снимке,  что  связано  с  наличием  очень  узких,  неконтрастных  и,  часто  разомкнутых  границ,  отделяющих  зерна,  поэтому,  определить  явно  границы  светлых  элементов  не  представляется  возможным,  используя  только  стандартные  средства  улучшения  снимков  –  нормализацию  изображения,  цветовую  и/или  яркостную  коррекцию.  Выделение  границ  на  основе  различных  сверток  так  же  не  дает  приемлемого  результата  [1]. 

В  ходе  исследования  изображений  микроструктур  стали  09Г2С,  полученных  после  различных  режимов  термообработки,  авторами  были  опробованы  различные  решения,  состоящие  в  применении  методов  структурного  анализа  изображений  на  основе  сегментации,  скелетизации,  а  так  же  методов  математической  морфологии.  В  качестве  критериев  эффективности  метода  применялось  сравнение  с  результатами  анализа  области  изображения  выполненным  ручными  методами:  секущих  [2],  а  так  же  непосредственным  измерением  всех  элементов  выбранной  области.  Для  каждого  метода  были  получены  распределения  перлитных  и  ферритных  зерен  по  размеру.  Полученные  распределения  не  являются  нормальными,  что  можно  видеть  на  рисунке  3,  а  представляют  собой  так  называемые  Gaussian  Mixture  (англ.  Гауссова  смесь)  –  смесь  нормальных  распределений.  В  связи  с  этим,  сравнения  с  эталонным  распределением  проводились  при  помощи  построения  корреляционных  функций.  По  результатам  этих  сравнений  было  сделано  заключение  о  том,  что  эффективность  исследуемых  методов  оказалась  неудовлетворительна  –  сравниваемые  распределения  оказывались  практически  некоррелированны.  Так,  методы,  основанные  на  сегментации  изображения  (трапеций,  водораздела,  разрастания  областей  [1])  в  исходном  виде  оказываются  неэффективны  из-за  малой  контрастности  границ  по  отношению  к  светлым  элементам,  по  этим  же  причинам  методы  скелетизации  [1]  так  же  оказываются  малоприменимы.  Алгоритмы,  основанные  на  методах  математической  морфологии  (эрозия  и  дилатация,  размыкание  по  примитиву  [1])  дают  весьма  неустойчивый  результат,  что  в  частности  очень  сильно  проявляется  при  анализе  серии  изображений,  когда  характеристики  яркости  и  контрастности  сильно  отличаются  от  изображения  к  изображению  в  серии.

В  общем  случае,  множество  методов  на  основе  операций  математической  морфологии  можно  свести  к  следующему  алгоритму  [1,  с.  801]:  для  исходного  изображения  применяется  операции  размыкания  по  примитиву  с  увеличением  размера  примитива  на  каждом  шаге.  Так  получается  серия  изображений,  на  каждом  из  которых  у  светлых  элементов  размерами  сопоставимыми  с  размером  примитива,  резко  снижена  яркость.  Теперь,  если  каждый  элемент  полученной  серии  вычесть  из  исходного  изображения,  а  потом  в  этой  серии  последовательно,  начиная  с  самого  последнего  изображения  вычесть  предыдущее,  то  получим  серию  изображений,  на  каждом  из  которых,  остались  лишь  элементы,  сопоставимые  по  размеру  с  размером  примитива.  Далее  задача  статистической  оценки  состоит  в  подсчете  общей  площади,  занимаемой  пикселями  с  яркостью  больше  некоторого  экспериментально  выбираемого  порога,  зависящего  от  общей  яркости  и  контрастности  изображения.  Суть  проблемы  кроется  в  формулировке  условия  отбора  оставшихся  пикселей  –  в  зависимости  от  средней  яркости,  контрастности  снимка  это  условие  может  сильно  изменятся  от  снимка  к  снимку.  Второй  основной  недостаток  метода  с  использованием  операций  математической  морфологии  –  возможность  только  статистической  оценки  изображений  и  невозможность  выделить  отдельные  зерна,  что  в  общем  случае  приводит  к  сложностям  при  контролировании  правильности  работы  метода.

При  разработке  нового  метода,  позволяющего  устранить  описанные  недостатки,  был  выбран  подход  обеспечивающий  синтез  методов  математической  морфологии  [1],  адаптивной  бинаризации  и  метода  выделения  связных  областей  –  CCL  (Connected  Components  Labeling)  [1].

Здесь  адаптивная  бинаризация  позволяет  обойти  проблему,  связанную  с  наличием  в  серии  изображений  с  разными  контрастно-яркостными  характеристиками.  За  основу  взят  метод  на  основе  статистической  оценки  окрестностей  [3].

Как  правило,  после  бинаризации  проявляется  большое  количество  остатков,  не  удаленных  размыканием.  Для  отсева  данных  остатков  применяется  метод  выделения  связанных  областей  [1,  c.  771]. 

Рисунок  2.  Исходное  изображение  микроструктуры  стали  09Г2С

а)  Выделение  светлых  элементов  размером  27  пикселей  на  исходном  изображении  по  приведенной  методике  б)  Результаты  ручного  измерения  характеристик  светлых  (ферритных)  зерен

Результатом  работы  метода  является  набор  прямоугольных  областей,  описанных  вокруг  светлых  элементов,  отделенных  от  остальных  темным  фоном.  Результат  такой  обработки  проиллюстрирован  на  рисунке  2а),  результаты  ручного  измерения  приведены  на  рисунке  2б)  (зеленые  линии).

Рисунок  3.  Распределение  зерен  по  размеру  для  области  изображения  микроструктуры  стали  09Г2С  размером  100х100  мкм.  Красным  отображены  результаты  ручного  измерения,  красным  –  результаты,  полученные  по  описываемой  методике

Описываемая  методика  позволяет  не  только  выделить  отдельные  зерна  и  определить  их  размер,  но  и  построить  границу  зерна,  т.е.  фактически  провести  анализ  геометрии  зерен.

По  характеру  распределений  полученных  ручным  и  автоматическим  методам  (см.  рис.  3),  можно  судить  о  хорошей  достоверности  результатов,  получаемых  описываемым  методом.

Результаты  работы  метода  показывают  хорошее  соответствие  эталонным  замерам,  выполненным  вручную.  Помимо  устойчивого  приемлемого  результата,  описанная  методика  позволяет  значительно  упростить,  ускорить  и  удешевить  работы,  связанные  с  контролем  качества  выпускаемой  продукции,  контролем  технического  состояния  находящихся  в  эксплуатации  различных  металлоконструкций  и  сооружений  без  применения  методов  разрушающего  контроля.

Список  литературы:

1.Гонсалес  Р.,  Вудс  Р.  Цифровая  обработка  изображений.  М.  :  Техносфера  ;  2005.  1072  с.

2.ГОСТ  5639-82.  Стали  и  сплавы.  Методы  выявления  и  определения  величины  зерна.  Технические  условия.  –  Взамен  ГОСТ  5639-65  ;  введ.  01.01.83.  М.  :  Издательство  стандартов,  2003.  –  38  с.  –  (Межгосударственный  стандарт).

3.Yahia  S.  Halabi,  Zaid  SA"SA,  Faris  Hamdan,  Khaled  Haj  Yousef.  Modeling  Adaptive  Degraded  Document  Image  Binarization  and  Optical  Character  System  //  European  Journal  of  Scientific  Research.  2009.  Vol.  28  №1.