CC BY
30
Метод обработки и анализа оптических изображений для оценки локализованного развития деформации на мезоуровне
при усталостном разрушении
М.С. Кириченко, С.В. Панин, В.И. Сырямкин
Институт физики прочности и материаловедения СО РАН, Томск, 634021, Россия
В работе описана методика выявления на оптических изображениях элементов деформационного рельефа, формирующегося в результате локализованного развития деформации в области вершины усталостной трещины, с использованием аппарата анализа изображений. Предложена численная характеристика, основанная на вычислении отношения площади элементов деформационного рельефа к площади фона, как интегральный параметр оценки степени деформированности поверхности.
Technique of processing and analysis of optical images for estimating mesoscopic localized strain evolution at fatigue fracture
M.S. Kirichenko, S.V. Panin, and V.I. Syryamkin
In the paper a technique for revealing on optical images strain-induced relief elements in the vicinity of a fatigue crack tip is proposed. This technique is based on an image analysis. A parameter, which is the ratio of the area of strain-induced relief elements to the area of a background, serves as an integral parameter estimating the degree of surface deformation.
1. Введение
Существующие методы экспериментальной механики не всегда позволяют эффективно решать проблемы анализа и/или получения адекватной численной оценки развития деформации в условиях интенсивного формирования на поверхности материала деформационного рельефа. Таким образом, разработка адаптивного алгоритма обработки и анализа изображений, основанного на оценке информативности динамических признаков, позволит создать аппарат для численного описания процессов локализованного развития деформации для исследовательских целей и прикладных задач, а также проведения неразрушающего контроля [1].
В рамках данной работы автоматическая система классификации была адаптирована для решения задач оценки деформаций в нагруженном твердом теле, основанных на выделении информативных признаков на изображениях его поверхности и нахождении оптимальных математических решений для их описания.
2. Описание метода
В основе работы предлагаемого метода лежат процедуры, традиционно используемые в системах технического зрения (рис. 1) [2].
Основными этапами работы предлагаемого алгоритма являются: 1) получение изображения; 2) фильтрация изображения с целью устранения помех; 3) бинаризация изображения с последующим разделением объектов и фона; 4) применение морфологических преобразований математической статистики с последующей формозависимой фильтрацией; 5) получение численной оценки объектов на изображении.
В результате фильтрации яркость (сигнал) каждой точки исходного изображения, искаженного помехой, заменяли некоторым другим значением яркости, которое признается в наименьшей степени искаженным помехой. Задача заключалась в том, чтобы найти рациональную вычислительную процедуру. При решении этой задачи опирались на использование вероятностных моделей изображения и помехи, а также на применение статистических критериев оптимальности [3]. Для предварительной обработки были введены алгоритмы фильтрации трех составляющих изображения:
1. Низкочастотные составляющие изображения, которые несут информацию о локализации объектов, составляющих изображение.
2. Высокочастотные составляющие изображения, которые отвечают за цветовые перепады — контуры
© Кириченко М.С., Панин С.В., Сырямкин В.И., 2004
Компьютерное изображение
V
1. Фильтрация изображения !
2. Бинаризация изображения. Выделение фона и объектов
I
3. Морфологические преобразования Формозависимая фильтрация
I
4. Расчет и анализ информативных признаков
Рис. 1. Упрощенная схема алгоритма обработки и анализа изображений
изображения. Их увеличение повышает резкость изображения (объект - фон).
3. Текстуры изображения (можно трактовать текстуру как характеристику участков в контурах изображения) [4].
Путем выполнения бинаризации решалось несколько задач. Во-первых, качество (четкость, контрастность) исходных изображений может быть достаточно низким, поэтому в результате бинаризации могут быть получены изображения, в меньшей степени подверженные влиянию этих факторов. Во-вторых, проведение процедуры бинаризации позволяет значительно сократить объем вычислений. В третьих, использование адаптивных процедур бинаризации позволяет подчеркнуть (усилить) какие-то черты, особенности, нюансы наблюдаемой картины с целью улучшения ее субъективного восприятия [5].
Следующим этапом в предлагаемой процедуре анализа изображений является геометрическое преобразование плоскости бинарного объекта — математическая морфология, используемая при формозависимой фильтрации изображений и анализе форм типовых объектов. Описание понятия «формы» в морфологическом аппарате основано на рассмотрении группы трансляций структурирующего элемента по пикселам объекта [6]. Используемый при этом аппарат теории множеств наполняется геометрическим содержанием именно за счет использования абсолютных координат.
Соответствующим образом, параметризируя структурный элемент, определяли некоторое множество характерных подпространств информативных признаков. Для выбора подпространств информативных признаков оценивали функционал эмпирического риска. Процедуру проводили в два этапа с использованием поисковых методов адаптации, что существенно экономит вычислительные ресурсы и уменьшает машинное время отработки процедуры.
Рис. 2. Оптические изображения поверхности образца сплава Д16АТ: циклическая нагрузка; N = 31103 (а); 31.2-103 (б); 31.4-103 (в); 31.6-103(г); ДN = 200; размер 512x512 пикселов
3. Методика исследований
В работе исследовали поведение образцов авиационного алюминиевого сплава Д16АТ при циклическом нагружении.
Механические испытания проводили на гидравлической испытательной машине Schenck-Sinus-100 по схеме циклического растяжения. Образцы испытывали в малоцикловой области усталости. Эволюцию деформационного рельефа поверхности и динамику роста трещин изучали на плоской грани образцов с использованием оптико-телевизионного комплекса TOMSC на базе оптического микроскопа Epiquant. Увеличение оптического микроскопа позволяло получать изображения поверхности размером 600x600 мкм (рис. 2). Размер изображений 512x512 пикселов [7].
В работе ставилась задача с использованием аппарата анализа изображений выявить на оптических изображениях элементы деформационного рельефа, формирующегося в результате локализованного развития деформации в области вершины усталостной трещины. Основным направлением исследований являлся поиск численной характеристики, способной адекватно описать «степень деформированности поверхности» и сопоставить ее с параметрами, традиционно используемыми в экспериментальной механике.
4. Результаты эксперимента
4.1. Фильтрация
Одним из наиболее эффективных вариантов фильтрации изображений стало использование винеровской фильтрации. Параметры необходимых фильтров определяли исходя из среднеквадратичного критерия качества фильтрации. Винеровское оценивание применяли в предположении, что идеальное изображение является реализацией двумерного случайного процесса с неиз-
Рис. 3. Результат винеровской фильтрации с размерами апертуры фильтра 5x5
вестными средним и ковариационной функцией. Результирующее изображение представляли как свертку входного изображения с импульсной передаточной характеристикой или функцией размывания точки оптической системы, которая вносит искажение. Результат использования винеровской фильтрации для предобработки серии анализируемых изображений приведен на рис. 3.
Заключение о качестве фильтрации принималось на основании анализа зависимости энергии фурье-спектра мощности от количества циклов нагружения при использовании различных методов предварительной обработки изображений.
Сравнительный анализ жесткости характеристик различных видов фильтрации с оригиналом позволил сделать заключение о преимуществе винеровской фильтрации перед медианной и ранговой. Основной эффект, достигаемый в процессе фильтрации, заключается в удалении высокочастотных шумов на изображении, мало различимых глазом, но значительно сказывающихся на результатах расчета численных характеристик.
4.2. Бинаризация
Процедура бинаризации явилась весьма эффективной для проведения расчетов с точки зрения одновременного усиления детальности, выделения деталей изображений и их границ с целью последующего определения статистических характеристик искажений двумерного сигнала и измерения текстурных признаков. Основная цель бинаризации состояла в преобразовании изображений к более информативному виду, удалении малоинформативных областей (в частности, области внутри усталостной трещины). В рамках наших исследований довольно часто на изображении присутствуют искажения, локализованные в определенных областях, которые вызваны дифракцией света, недостатками оптических систем, расфокусировкой и вибрацией тонкого образца.
Рис. 4. Результат бинаризации предобработанных изображений с использованием метода Отсу
В данной работе мы исследовали около десяти методов бинаризации и наилучшие результаты были получены при использовании автоматического порогового метода [8], который позволил в значительной степени сократить машинное время, требуемое для проведения данной процедуры (рис. 4).
4.3. Формозависимая фильтрация
Процедуру формозависимой фильтрации реализовывали как проблемно-ориентированную параметризацию для обнаружения объектов произвольной формы с учетом таких параметров, как ориентация, расположение и масштаб. Для решения поставленной задачи в понятие формы мы вкладывали элементы деформационного рельефа бинарного образа поверхности, которые являются одинаково ориентированными в пространстве относительно направления распространения трещины и имеют длину порядка 20-50 мкм (см. рис. 5).
Рис. 5. Результат формозависимой фильтрации бинарных образов изображений
Величина отношения площади объектов к площади фона о о о о ^ ^ 00 го ст> - б
0 200 400 Длина трещины А/, мкм
Рис. 6. Зависимость величины главного пластического сдвига от увеличения длины трещины (а); зависимость отношения площади объектов к площади фона на бинарном изображении (б)
Приведенные на рис. 5 результаты формозависимой фильтрации показывают, что использование данной процедуры позволяет эффективно удалять на изображении элементы, не относящиеся к процессу формирования деформационного рельефа.
4.4. Расчет и анализ информативных признаков
Известно, что оценку развития деформации можно получать с использованием дифференциальных и интегральных характеристик. Предлагаемый нами способ основан на выделении элементов деформационного рельефа, т.е. определении интегральных характеристик. Метод построения векторов смещений позволяет определять дифференциальные изменения, происходящие в нагруженном образце за время приращения нагрузки. В настоящей работе мы сопоставляли оценки развития деформации, полученные с использованием дифференциальных и интегральных характеристик. Для оценки изменения деформации по мере роста трещины был построен график зависимости интегрального значения главного пластического сдвига, нормированного на площадь пластической зоны, рассчитанный по полному изображению (области, характеризующейся ненулевыми векторами смещений), рис. 6, а. Хорошо видно, что по мере роста трещины интенсивность развития деформации возрастает. Также следует отметить, что для изображений, длина видимой трещины на которых превышает половину размера кадра, скорость увеличения интенсивности деформации снижается, что, по нашему мнению, связано с тем, что область локализации деформации смещается из поля зрения.
Для анализируемой серии изображений объектами являются складки экструдированного материала, формирующиеся в области вершины трещины, которые были выделены в процессе формозависимой фильтрации. Отношение площади объектов бинарного образа к площади фона предлагается использовать в качестве интегрального параметра для оценки «степени дефор-мированности поверхности материала». Результаты расчета данного параметра приведены на рис. 6, б.
Сопоставление графиков, представленных на рис. 6, показывает, что изменения дифференциальной характеристики развития деформации (главный пластический сдвиг) и интегральной характеристики деформационного рельефа на поверхности (отношение площади объект/фон на бинарном изображении) качественно подобны.
5. Заключение
На основании метода обработки интегральных характеристик оптических изображений поверхности нагруженных твердых тел предложена численная методика оценки развития локализованной пластической деформации на мезоуровне. Данная методика основана на определении отношения площади объект/фон. Полученные результаты хорошо согласуются с результатами анализа дифференциальной характеристики деформации — главным пластическим сдвигом.
Предложенный алгоритм может быть использован для анализа процессов локализованного развития деформации, сопровождающихся изменениями топографии или интенсивным формированием деформационного рельефа, а также поверхностей разрушения (для получения численной оценки характера излома).
Литература
1. Сырямкин В.И., Панин С.В. Оптико-телевизионный метод исследования поведения и диагностики состояния нагруженных материалов и элементов конструкций // Вычислительные технологии. -2003. - Т. 8. - Спец. выпуск. - С. 11-26.
2. Фор А. Восприятие и распознавание образов / Под ред. Г.П. Каты-са. - М.: Машиностроение, 1989. - 272 с.
3. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. - М.: Мир, 1988.
4. Тъюки Дж. Анализ результатов наблюдений. - М.: Мир, 1981. -160 с.
5. Абакумов В.Г., Крылов В.Н., Антощук С.Г. Обнаружение и распознавание признаков объектов с помощью сферической модели зрительного анализатора // Электроника и связь. - 2000. - Т. 2. -№ 8. - С. 211-212.
6. Пытъев Ю.П. Элементы теории и применения. - М.: Эдиториал УРСС, 2000. - 192 с.
7. Панин С.В., Сырямкин В.И., Глухих А.И. Применение спектрального анализа изображений поверхности для изучения процессов усталостного разрушения на мезомасштабном уровне // Автометрия. - 2003. - Т. 39. - № 4. - С. 79-92.
8. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man, and Cybernetics. - 1979. - V. 9. -No. 1. - P. 62-66.
