Метод обробки зображень теплового контролю футерованих об’єктів
/ 6
- Деталі
- Категорія: Інформаційні технології, системний аналіз та керування
- Останнє оновлення: 13 січня 2015
- Опубліковано: 13 січня 2015
- Перегляди: 4541
Автори:
В.О. Ємельянов, кандидат технічних наук, Севастопольський інститут банківської справи Університету банківської справи Національного банку України, cтарший викладач кафедри інформаційних технологій та систем, м. Севастополь, АР Крим
Реферат:
Мета. Створення методу обробки зображень термограм футерованих об'єктів для визначення місць прогару їх футерування та корпусу.
Методика. Для попередньої обробки зображень термограм застосовано метод адаптивного перетворення локального контрасту, а також фільтри Превітта, Собеля, Робертса та Canny. Використано апарат нейронних мереж для розпізнавання термограм.
Результати. Описані етапи методу обробки зображень теплового контролю футерованих об'єктів. Запропонована та описана методика обробки зображень термограм рухомих міксерів та чавуновозів. Запропоновано спосіб підвищення якості зображень термограм за рахунок адаптивного перетворення локального контрасту. Досліджено підхід до виділення інформативних зон зображення термограм методом фільтрації. Показані порівняльні результати фільтрації зображень термограм для відділення зон прогару від фону. Розроблено алгоритм векторизації зображень термограм для виділення зон прогару на фільтрованому зображенні.Обґрунтовано вибір нейронних мереж для вирішення задачі розпізнавання зображень термограм футерованих об'єктів. Показані результати обробки зображень термограм рухомих міксерів та чавуновозів для визначення їх технічного стану.
Наукова новизна. Уперше розроблено метод обробки зображень теплового контролю футерованих об'єктів, заснований на поєднанні апарату нейронних мереж і класичних методів обробки зображень, що дозволяє проводити діагностику стану футерованих об'єктів (визначення зон прогару) для запобігання виходу їх з ладу.
Практична значимість. Практичне значення отриманих результатів полягає в тому, що наукові положення даної роботи дозволяють здійснювати технічну діагностику футерованих об'єктів за допомогою визначення їх зон прогару футеровки та корпусу.
Список літератури / References:
1. Živčák, J., Hudák, R., Madarász, L. and Rudas, I.J. (2013), Methodology, Models and Algorithms in Thermographic Diagnostics, Springer.
2. Gerasimos, R. (2010), Intelligent Industrial Systems: Modeling, Automation and Adaptive Behavior, Industrial Systems Institute & National Technical University of Athens, Greece.
3. Czichos, H. (2013), Handbook of Technical Diagnostics, Springer.
4. Головко В. Мониторить „здоровье“ футеровки конвертеров будут лазерные сканеры. / В. Головко // Металлург. – 2011. – №34. – С. 2–3.
Golovko, V. (2011), “Laser scanners will monitor the “health” of converter lining”, Metallurg, Vol. 34, pp. 2–3.
5. Модернизация и комплексное оснащение современным оборудованием предприятий металлургии / Г.С. Суков, Ю.Н. Белобров, Н.Н. Попов, В.А. Дзержинский // Металлургия: Тенденции развития. – 2008. –№3. – С.4–7.
Sukov, G.S., Belobrov, Iu.N., Popov, N.N. and Dzerginskii, V.A. (2008), “Modernization and integrated by modern equipment in metallurgy”, Metallurgiya: Tendentsyi Razvitiya, Vol. 3, pp. 4–7.
6. Petrou, M. (2010), Image Processing: The Fundamentals, Wiley.
7. Gonzalez, R.S. and Woods, R.E. (2002), Digital Image Processing, Prentice, USA.
8. Емельянов В.А. Моделирование нейронных сетей распознавания металлографических изображений для диагностики состояния сталей / В.А. Емельянов // Электротехнические и компьютерные системы – 2013. – №12(88) – С. 125–131.
Yemelyanov, V.A. (2013), “Neural networks modeling for metallographic image recognition to diagnose steels condition”, Electrotekhnicheskiye i Kompyuternye Sistemy, Vol. 12(88), pp. 125–131.
9. Haykin, S. (2008), Neural Networks and Learning Machines, (3rd Edition), Prentice Hall.
 2014_6_yemelyanov
|
|
 2015-01-13  443.63 KB  983 |
|
Архів журналу