аспирант с 01.01.2015 по 01.01.2025
Россия
Россия
Россия
Представлены современные подходы к автоматизации анализа микроструктуры металлических материалов, направленные на повышение точности и эффективности исследований. Описана разработка программного обеспечения для идентификации и классификации зерен в металлах, что является ключевым аспектом в изучении их структуры и прогнозировании механических свойств. Программа включает модули для частично автоматизированной обработки изображений, анализа характеристик зерен, визуализации результатов и интеграции с алгоритмами машинного обучения. Специализированные инструменты позволяют выделять границы зерен, анализировать их размеры, форму, ориентацию, а также автоматически вычислять размеры пикселей для точного анализа. Программное обеспечение разработано на языке программирования Python с использованием библиотек OpenCV, NumPy и Scikit-Image, что обеспечивает широкие возможности для дальнейшего внедрения адаптивных алгоритмов машинного обучения. Основные этапы работы программы включают загрузку и подготовку изображений, выделение границ и контуров структурных элементов, сегментацию изображений и анализ характеристик зерен. Результаты анализа представляются в виде автоматически сформированного отчета. Описана реализация системы автоматического распознавания масштабной линии на микрофотографиях, что позволяет точно определять размеры пикселей и, соответственно, размеры зерен. Это важно для повышения точности расчетов и анализа микроструктуры металлов. Разработанное программное обеспечение ориентировано на применение в научных исследованиях и промышленности, таких как контроль качества металлических материалов, оптимизация процессов термомеханической обработки и создание материалов с уникальными свойствами.
металл, изображение, микроструктура, характеристика зерен, машинное обучение
Введение
В настоящее время металлургия является одной из наиболее развитых и разнообразных отраслей промышленности. Огромное количество различных металлов и сплавов играют ключевую роль в производстве множества товаров и устройств – от бытовых до высокотехнологичных. Открытие и использование различных металлических материалов привели к необходимости их классификации, которая в мировой практике разделяет металлы на две основные категории: черные и цветные. Черные металлы, как правило, включают железо и его сплавы, в то время как все остальные металлы, такие как медь, алюминий, титан, цинк и многие другие, относятся к группе цветных металлов [1].
Отрасль черной металлургии специализируется на процессах, связанных с добычей и переработкой железных руд, а также производством таких важных материалов, как чугун, сталь и ферросплавы, которые затем используются в различных отраслях, включая машиностроение, строительство и производство оборудования. Производство проката и различных изделий из черных металлов также является важной частью этой отрасли, поскольку качество этих материалов напрямую влияет на прочность и долговечность многих конструкций. Предприятия цветной металлургии занимаются добычей и переработкой руд цветных металлов и их сплавов. В зависимости от физических свойств и области применения цветные металлы делятся на тяжелые (медь, свинец, олово, никель) и легкие (алюминий, титан, магний). Эти материалы играют незаменимую роль в производстве электронных компонентов, авиакосмической продукции, энергетического оборудования и других высокотехнологичных товаров [1].
В исходном состоянии металлы выглядят монолитными и структурно однородными. Однако при увеличении с помощью электронного микроскопа в 10 000 раз становится очевидным, что эти материалы обладают сложной внутренней структурой. В частности, они состоят из множества мелких зерен, имеющих правильную форму и называемых кристаллами. Эти структуры имеют важное значение для характеристик металла, таких как прочность, пластичность, износостойкость и др. Изучение этих структур и характеристик является важной частью материаловедения, а также ключевым фактором при производстве высококачественных металлических изделий. Сложность современных конструкций и повышенные требования к эксплуатационным характеристикам материалов требуют совершенствования технологий производства заготовок и деталей из металлических сплавов с заранее заданными механическими свойствами. Это особенно важно в условиях растущей сложности конструкций и увеличения функциональных нагрузок на материалы. Одним из наиболее значимых процессов, влияющих на качество и механические свойства металлических материалов, является пластическая деформация. Этот процесс заключается в изменении формы металлического материала с одновременным перераспределением его внутренних структурных компонентов.
В результате пластической деформации не только формируются размеры и конфигурация деталей, но и изменяются их механические свойства, такие как прочность, пластичность и износостойкость. Эти характеристики напрямую зависят от изменений, происходящих в микроструктуре металла.
Процесс пластической деформации осуществляется в условиях сложного нагружения, когда на металл воздействуют силы различного характера и направления. Это создает многофакторные процессы, которые существенно влияют на итоговые свойства материала. Поэтому для достижения оптимальных результатов необходимо учитывать комплекс факторов, включая характеристики исходного материала
и параметры технологического процесса. В условиях современной промышленности и научных исследований для анализа и контроля этих процессов требуется применение современных подходов и технологий. В частности, для изучения структурных изменений в деформированных металлических сплавах разрабатываются и активно используются специализированные программы, позволяющие моделировать процессы пластической деформации на микро- и макроуровнях. Такие программы позволяют анализировать влияние различных факторов на конечные свойства материала и прогнозировать их изменение в процессе производства [2, 3].
Особое внимание в последние годы уделяется внедрению нейросетевых технологий, которые значительно расширяют возможности анализа сложных процессов в металлургии. Искусственные нейронные сети способны обрабатывать большие объемы данных, выявлять скрытые закономерности и предсказывать оптимальные параметры для управления технологическими процессами. Использование нейросетевых алгоритмов позволяет более точно и эффективно описывать нелинейные зависимости между различными технологическими параметрами и механическими свойствами конечного продукта. Это открывает новые возможности для улучшения качества продукции, повышения эффективности процессов и разработки инновационных материалов с уникальными функциональными свойствами, что является важным шагом на пути к созданию новых металлических сплавов. Поэтому можно сказать, что развитие технологий пластической деформации, использование современных методов анализа и моделирования, а также внедрение нейросетевых технологий являются важнейшими аспектами современных исследований и производства в области металлургии и машиностроения. Эти инновационные подходы позволяют эффективно решать задачи, связанные с улучшением качества продукции, созданием новых материалов и внедрением передовых инженерных решений, отвечающих высоким стандартам и требованиям современных технологий.
Постановка задачи
Рассмотрим задачу разработки программного обеспечения (ПО) для анализа структуры металлических материалов и автоматического поиска и классификации зерен. Такое ПО должно автоматизировать процесс выявления и классификации зерен в металлах, что является важным этапом в исследовании их структуры и прогнозировании механических свойств. Для достижения цели необходимо учесть следующие функциональные модули [4–6]:
– модуль обработки изображений: автоматизированное распознавание и выделение зерен на микроструктурных изображениях, полученных с помощью металлографических исследований. Этот модуль должен обеспечивать разделение соседних зерен (границы зерен), устранение шума и артефактов изображения, выделение областей с разной структурой (например, мелкозернистая или крупнозернистая структура);
– модуль анализа характеристик зерен: вычисление таких параметров, как средний размер зерна, форма и ориентация зерен, плотность границ зерен, характер распределения размеров зерен по области;
– инструменты визуализации результатов: предоставление пользователю удобных способов просмотра результатов анализа, включая цветовую классификацию зерен, статистические графики и гисто-
граммы;
– интеграция с методами машинного обучения: использование нейронных сетей для распознавания зерен на изображениях с различным качеством и разрешением, автоматической классификации зерен по их форме, размеру и другим характеристикам;
– требования к ПО.
Для успешной разработки ПО необходимо учитывать следующие аспекты:
– совместимость с оборудованием: ПО должно поддерживать изображения, полученные с различных микроскопов (оптических, электронных и др.);
– высокая производительность: обработка изображений должна быть оптимизирована для работы с большими объемами данных без значительных затрат времени;
– удобство использования: пользовательский интерфейс должен быть интуитивно понятным, чтобы специалисты без глубоких знаний в программировании могли эффективно работать с ПО;
– масштабируемость: возможность расширения функционала, например добавления новых алгоритмов анализа или интеграции с базами данных результатов исследований.
На первом этапе разработки необходимо определить ключевые параметры для анализа зерен, провести тестирование алгоритмов обработки изображений и машинного обучения. Дальнейшая реализация включает следующие шаги: создание прототипа системы, включающего базовые функции обработки изображений; тестирование прототипа на реальных данных, полученных из лабораторных исследований; разработка инструментов визуализации и отчетности; внедрение адаптивных алгоритмов машинного обучения для повышения точности анализа.
Разработанное ПО может быть использовано в следующих задачах: контроль качества металлических материалов в промышленности; научные исследования в области материаловедения и физики металлов; оптимизация процессов термомеханической обработки [7].
Методы и результаты исследования
Разработка специализированного ПО становится ключевым этапом в решении задачи автоматизации анализа микроструктуры металлических материалов. Для повышения точности вычисления количества зерен, обнаружения неметаллических включений и значительного увеличения скорости обработки микрофотографий необходимо создать инструмент, который сможет интегрировать современные методы цифровой обработки изображений. Разработанный прототип реализован на языке программирования Python с использованием библиотек OpenCV, NumPy и Scikit-Image, обеспечивает широкие возможности для дальнейшего внедрения адаптивных алгоритмов машинного обучения для повышения точности анализа. Эти инструменты позволяют эффективно решать задачи, связанные с анализом изображений, включая их предварительную обработку, сегментацию и количественный анализ структурных элементов [8, 9].
Программа работает следующим образом:
1. Загрузка изображения.
2. Подготовка изображения для последующего анализа.
3. Применение алгоритмов обработки изображений для выделения границ и контуров структурных элементов на поверхности металла.
4. Сегментация изображения и выделение отдельных областей, представляющих собой зерна металла.
5. Анализ размеров, формы и других характеристик зерен для каждой выделенной области.
Результаты анализа представлены в виде отчета, автоматически сформированного программой. На рис. 1–3 приведены примеры изображений, обработанных с помощью разработанного ПО с применением различных методов анализа [10].
Рис. 1. Реализация метода обнаружения зерен
Fig. 1. Implementation of the grain detection method
Рис. 2. Реализация метода обнаружения черных сегментов
Fig. 2. Implementation of the black segment detection method
Рис. 3. Реализация метода обнаружения белых сегментов
Fig. 3. Implementation of the white segment detection method
В связи с необходимостью определения точного размера пикселя для выполнения качественного расчета размеров и количества зерен была добавлена функция распознавания и считывания размера масштабной линии на микрофотографии. Ниже представлена реализация данного функционала (рис. 4).
Рис. 4. Реализация системы обнаружения масштабной линии
Fig. 4. Implementation of a scale line detection system
На изображении микроструктуры при помощи метода распознавания Хафа ищется масштабная линия. Далее для демонстрации работоспособности данного метода и для верификации найденная линия выделяется белым цветом. Следующим этапом по формуле вычисляется размер пикселя. Найденная длина пикселя в дальнейшем интегрируется в алгоритм расчета размера зерен.
Заключение
Создание ПО для анализа структуры металлов и поиска зерен позволит автоматизировать рутинные задачи и повысить точность исследований, что станет важным вкладом в развитие материаловедения и машиностроения.
Наши планы включают внедрение инновационных возможностей, таких как непрерывная работа с микроскопом, чтобы предоставить пользователям более гибкий и эффективный инструмент для исследования. Кроме того, мы разрабатываем дополнительные функции, которые будут реализованы с помощью нейросетей и специально адаптированы для работы с аддитивными технологиями. Это позволит расширить сферу применения данного ПО.
1. Металл, все о металле, свойства металлов // Акрос Сталь. URL: acrossteel.ru/sprav_steel_10.html (дата обращения: 12.12.2024).
2. Bartenschlager J., Dillinger J., Escherich W., Günter W., Ignatowitz E., Oesterle S., Reißler L., Stephan A., Vetter R., Wieneke F. Fachkunde Metall Mechanische Technologie. Haan: Europa-Lehrmittel, 2010. 625 p.
3. Балеев И. А., Земцов А. Н., Зыбин М. И., Смирнов В. А. Распознавание дефектов на металлических сплавах с помощью алгоритмов компьютерного зрения OpenCV // Инженер. вестн. Дона. 2021. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2021/6874 (дата обращения: 12.12.2024).
4. Bai Min, Urtasun Raquel. Deep Watershed Transform for Instance Segmentation. URL: arxiv.org/abs/1611.08303 (дата обращения: 16.12.2024).
5. Lammers D., Wachenfeld S. Objekterkennung in Bilddaten. Münster: University Münster, 2003. 22 p.
6. Color Space Conversions // docs.opencv.org. URL: https://docs.opencv.org/3.4/d8/d01/group_imgproc_color_conversions.html (дата обращения: 27.12.2024).
7. Свидетельство № 2021614913. Программа для ЭВМ 2021613777. Программное обеспечение структурно-механических характеристик металлических материалов при многоэтапном пластическом деформировании / Манцеров С. А., Дудников Д. О., Огурцов Н. А., Галкин В. В., Гаврилов Г. Н.; опубл. 24.03.2021.
8. Дудников Д. О., Огурцов Н. А. Подход к разработке программного обеспечения для анализа микроструктуры металлических материалов при помощи ЭВМ // Будущее технической науки: XXII Всерос. молодеж. науч.-техн. конф., посвящ. 125-летию основания Нижегород. гос. техн. ун-та им. Р. Е. Алексеева (Н. Новгород, 24–26 мая 2023 г.): сб. материалов. Н. Новгород: Изд-во Нижегород. ГТУ им. Р. Е. Алексеева, 2023. С. 791.
9. Дудников Д. О., Огурцов Н. А., Панов А. Ю. Разработка программы для ЭВМ, предназначенной для экспериментальных исследований микроструктуры металлических материалов // Инженер. вестн. Дона. 2024. № 1. URL: ivdon.ru/uploads/article/pdf/IVD_5_1y24_dudnikov_ogurtsov_panov.pdf_01d1a0a1f8.pdf (дата обращения: 27.12.2024).
10. Огурцов Н. А., Дудников Д. О. Разработка системы обработки данных микроструктуры металлических материалов // Цифровые технологии в современной молодежной науке: материалы VIII Всерос. Науч. студен. конф. НИУ ВШЭ (Н. Новгород, 17-18 апреля 2024 г.). Н. Новгород: Изд-во НИУ ВШЭ – Нижний Новгород, 024. С. 60–63.
