AMME 00 th Metoda statystycznej oceny klasy uszkodze materiałów pracujcych w warunkach pełzania * L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek Zakład Technologii Procesów Materiałowych i Technik Komputerowych w Materiałoznawstwie Instytut Materiałów Inynierskich i Biomedycznych, Politechnika lska ul. Konarskiego 8a, -00 Gliwice, Poland W pracy przedstawiono metod statystycznej analizy obrazów struktur metalograficznych elementów instalacji cinieniowych pracujcych w warunkach pełzania, dla oceny klasy uszkodzenia materiału. Dokonano porównania wyników oceny klasy stanu uszkodzenia z metod bazujc na sieciach neuronowych.. WPROWADZENIE Bardzo wysokie koszty inwestycyjne instalacji energetycznych i wzgld gospodarczy stawiaj wymogi okrelenia praktycznej trwałoci rozporzdzalnej oraz okrelenia czasu bezpiecznego eksploatacji urzdze lub ich elementów po zakoczeniu eksploatacji w czasie wynikajcym z obliczeniowej trwałoci rozporzdzalnej. Problem sprowadza si zatem do okrelenia dla danego urzdzenia, instalacji lub elementu tzw. trwałoci resztkowej, definiowanej jako rónica czasu midzy praktyczn i obliczeniow trwałoci rozporzdzaln. Analiza metod prognozowania trwałoci resztkowej wskazuje na konieczno stosowania zintegrowanych sposobów postpowania polegajcych na połczeniu oblicze w oparciu o standardowe dane materiałowe jak i metod polegajcych na badaniach i próbach materiału po eksploatacji, a w szczególnoci metod polegajcych na ocenie stanu uszkodzenia materiału przy uyciu replik organicznych. Powoduje to celowo opracowania metody prostego i jednoznacznego sposobu okrelania przydatnoci materiałów do dalszej eksploatacji na podstawie bada struktury materiału[]. Celem podjtych prac jest opracowanie komputerowej metody analizy obrazów struktur metalograficznych oraz wykorzystano statystyczn metod klasyfikacji przetworzonych obrazów otrzymanych za pomoc mikroskopii elektronowej. Stanowi one kontynuacj prac opisanych w [] nad opracowaniem skutecznej metody klasyfikacji uszkodzenia materiałów w celu jej zastosowania w komputerowym systemie prognozowania trwałoci resztkowej. Zastosowanie takiego systemu umoliwi znaczne przyspieszenie wykonywania oblicze zwizanych z opracowaniem prognozy, zobiektywizuje wnioskowanie oraz wyeliminuje błdy przypadkowe. * Autorzy uczestnicz w realizacji projektu CEEPUS Nr PL-0/00 kierowanego przez Prof. L.A. Dobrzaskiego
98 L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek. MATERIAŁ I METODYKA BADA Materiał badawczy został opracowany na podstawie zdj struktur metalograficznych o rónym stopniu zaawansowania procesów zniszczenia materiału powstałych w wyniku pełzania, otrzymanych za pomoc elektronowej mikroskopii skaningowej. We wstpnym etapie pracy w analizowanych strukturach metalograficznych wyekstrahowano istotne dla rozwizania zadania cechy obrazów, takie jak pustki powstajce w trakcie procesu pełzania, które charakteryzuje: kształt, wielko oraz poziom szaroci pkni wystpujcych na obrazach zapisanych w 6 odcieniach szaroci. W dalszej kolejnoci zastosowano do analizy filtracj oraz detekcj krawdzi pustek widocznych na obrazach. W celu wykrycia krawdzi pustek mona korzysta z pierwszej pochodnej funkcji opisujcej zmiany stopni szaroci obrazu ekstrema funkcji. W pracy zastosowano lokalne gradienty, które s wystarczajcym przyblieniem teje pochodnej []. W analizowanych obrazach interesujce punkty zostały wydzielone z obrazu poprzez filtracj oraz wykrycie krawdzi obszarów o jasnoci wikszej od zadanego progu, w wyniku zastosowania gradientu jako rónicy wartoci ssiednich punktów. W badaniach zastosowano filtry górnoprzepustowy (F) i dolnoprzespustowy (F), których posta dobrano w wyniku weryfikacji eksperymentalnej. Schemat postpowania podczas analizy obrazu przedstawia rysunek. Na rys. a przedstawiono map bitow z widocznym pkniciem powikszonym 000-krotnym, natomiast na rys. b ten sam fragment po filtracji mask F, a na rys. c fragment po filtracji mask F. Filtr F umoliwia wydobycie punktów, wyranie rónych od tła obrazu, w zalenoci od otoczenia rozpatrywanego piksela w tym przypadku jest to najblisze ssiedztwo (maska x) po jednym pikselu w kadym z omiu kierunków. Natomiast w wyniku zastosowania filtra F otrzymuje si efekt podobny do zwikszenia kontrastu. Analogicznie jak w przypadku filtra F analizowane jest ssiedztwo rozpatrywanego piksela. F 0 () F 8 () a) b) c) Rys.. Widok pknicia: a) przed filtracj, b) po filtracji F, c) po filtracji F
Metoda statystycznej oceny klasy uszkodze 99 Stosujc filtracj i detekcj krawdzi stworzono baz wzorców struktur (rys. ) odpowiadajc kolejnym klasom uszkodzenia[]: klasa I materiał nie wykazuje uszkodze spowodowanych pełzaniem, klasa II powstawanie pustek, klasa III rozwój pustek, klasa IV powstawanie mikropkni, klasa V powstawanie makropkni. a) obraz wyjciowy obraz po filtracji F obraz po filtracji F b) c) d) e) Rys.. Przykładowe obrazy struktur rzeczywistych, po filtracji mask F oraz wykryciu krawdzi: a) I klasy, b) II klasy, c) III klasy, d) IV klasy, e) V klasy
00 L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek Dla zestawionych wzorców obrazów odpowiadajcych kolejnym klasom uszkodzenia zastosowano wskanik w opisujcy kształt i wielko pustek lub pkni, pozwalajcy na okrelenie klasy zmczenia materiału w trakcie procesu pełzania: S S w Smax gdzie: S powierzchnia rednia pustek wykrytych, S max powierzchnia najwikszej pustki w danej strukturze. max = S () Nastpnie, na podstawie analizy 0 wzorcowych obrazów struktur, wyznaczono wartoci liczbowe współczynnika w, odpowiadajce kadej z klas uszkodzenia materiału, które zestawiono w tabeli. Tak okrelone zakresy wartoci współczynnika w wprowadzono do programu komputerowego, a nastpnie na ich podstawie zweryfikowano algorytm postpowania wykorzystujc do tego celu 0 obrazów struktur (po 6 na kad z klas), których nie wykorzystywano wczeniej do okrelenia wartoci współczynnika w. Obrazy struktur weryfikujcych poprawno klasyfikowania przez program komputerowy przygotowano w sposób analogiczny do sposobu postpowania z obrazami, na podstawie których okrelono warto współczynnika. Tabela. Wartoci współczynnika w dla poszczególnych klas Lp. Klasa zniszczenia Wartoci współczynników poszczególnych klas materiału. I 0,0000 < w 0,000. II 0,000 < w 0,70. III 0,70 < w 0,000. IV 0,000 < w,7000. V,7000 < w. WYNIKI Wyniki poprawnoci klasyfikowania obrazów 0 struktur przez program komputerowy przy zastosowaniu rónych filtrów przedstawiono na rysunku. W wyniku analizy uzyskanych rezultatów stwierdzono, e dla zastosowanych zakresów współczynnika w filtracja filtrem F dała duo lepsze wyniki ni filtracja filtrem F. Po filtracji przy zastosowaniu maski filtra F program zaklasyfikował poprawnie 7 sporód prezentowanych 0 obrazów struktur co daje skuteczno rozpoznawania 90%. Natomiast przy zastosowaniu maski filtra F program zaklasyfikował poprawnie jedynie 0 sporód 0 przedstawionych struktur. Metoda wykorzystujca sztuczne sieci neuronowe przedstawiona w pracy [] pozwala na uzyskiwanie porównywanej zgodnoci (9%) jak dla filtra F (rys. ).
Metoda statystycznej oceny klasy uszkodze 0 Numer struktury danej klasy 0 6 7 8 9 0 6 7 8 9 0 6 7 8 9 0 Wyniki klasyfikacji obrazów struktur po filtracji Przy zastosowaniu filtra F Przy zastosowaniu filtra F Rzeczywista klasa obrazu Rys.. Wykres wyników poprawnoci klasyfikowania obrazów struktur przez program komputerowy Numer struktury danej klasy 0 6 7 8 9 0 6 7 8 9 0 Odpowiedzi sieci neuronowych Odpowied sieci SN00--0 Odpowied sieci SN00-0-0 Odpowied sieci SN00--0 Rzeczywista klasa obrazu Rys.. Wykres odpowiedzi sieci neuronowych
0 L.A. Dobrzaski, M. Krupiski, R. Maniara, W. Sitek. PODSUMOWANIE W pracy przedstawiono metod klasyfikacji obrazów struktur metalograficznych na podstawie analizy cech obrazu z wykorzystaniem metod statystycznych. Decydujcy wpływ na poprawno klasyfikacji ma rodzaj zastosowanego filtru w trakcie przetwarzania obrazów oraz jednoczenie warto przedziału współczynnika dla kadej z klas zniszczenia materiału. W dalszym cigu prowadzone s prace nad popraw skutecznoci działania programu, a uzyskane dotychczas wyniki stanowi pomoc w optymalizacji jego działania. Naley przypuszcza, powizania obydwu metod, wykorzystujcych analiz statystyczna obrazów oraz sieci neuronowe pozwoli na uzyskiwanie wikszej sprawnoci rozpoznawania klasy uszkodzenia materiału. LITERATURA. L.A. Dobrzaski: Podstawy nauki o materiałach i materiałoznawstwo; materiały inynierskie z podstawami projektowania materiałowego, Wydawnictwo Naukowo- Techniczne, Warszawa 00.. M. Nieniewski: Morfologia matematyczna w przetwarzaniu obrazów, Akademicka Oficyna Wydawnicza PLJ, Warszawa 998.. L.A. Dobrzaski, W. Sitek, M. Krupiski, 0 th International Scientific Conference AMME 00, s. 7-7.. J. Wonicki: Podstawowe techniki przetwarzania obrazu, Wydawnictwo Komunikacji i Łcznoci, Warszawa 996.. Praca zbiorowa pod red. J. Zabrodzkiego: Grafika komputerowa metody i narzdzia, Wydawnictwo Naukowo-Techniczne, Warszawa 99. 6. L. Wojna, M. Majorek: Komputerowa analiza obrazu, FOTOBIT DESIGN S.C., Kraków 99. 7. R. Tadeusiewicz: Systemy wizyjne robotów przemysłowych, Wydawnictwo Naukowo Techniczne, Warszawa 99. 8. W. Krysicki, J. Bartos, W. Dyczka, K. Królikowska, M. Wasilewski: Rachunek prawdopodobiestwa i statystyka matematyczna w zadaniach, Wydawnictwo PWN, Warszawa 998.