ПРОБЛЕМЫ АВТОМАТИЗАЦИИ КОНТРОЛЯ МАГНИТНЫХ ПОЛЕЙ РАССЕЯНИЯ С ПОМОЩЬЮ МАГНИТНЫХ ЖИДКОСТЕЙ
Магнитные жидкости (МЖ) как новые искусственные перспективные материалы для приборостроения, медицины и сепарации полезных ископаемых появились раньше, чем термин «нанотехнологии». МЖ представляют собой стабилизированные коллоидные растворы ферро- или ферримагнитных частиц в немагнитных носителях. Размер магнитных частиц составляет порядка 10 нм, поэтому МЖ иногда рассматривают как нанодисперсные материалы. За почти 50 лет исследования и применения МЖ были разработаны электромеханические преобразователи, герметизаторы, датчики физических величин, сепараторы и рентген-контрастные вещества для медицинских исследований.
На основе магнитных жидкостей получены индикаторные среды, используемые для визуализации дефектов на поверхности изделий, способных намагничиваться в слабых магнитных полях. Разработка таких индикаторных сред позволила предложить новые способы и устройства для контроля магнитных полей рассеяния магнитных головок (МГ) и сигналограмм [1,2,3,4], устройство для визуализации магнитного поля, способы определения полей рассеяния МГ и коэрцитивной силы магнитного носителя, метод моделирования критических зон записи. Индикаторными средами, способными визуализировать поля рассеяния микроскопических намагниченных объектов или дефекты на поверхностях изделий, способных намагничиваться в слабых магнитных полях являются: магнитные жидкости, мелкодисперсные эмульсии магнитных жидкостей [5-8], магнитные жидкости с микрокапельными агрегатами [9].
В настоящее время развитие технологии производства и применение вычислительной техники позволяет не только проводить многосторонние исследования хаpaктеристик разнообразных технических устройств, но и ставит задачу по автоматизации процесса измерений, повышению точности получаемых результатов, что позволит значительно сократить время исследования и число занятых в исследовательском процессе людей.
При использовании магниточувствительных жидкостей необходимо контролировать такие их параметры как количество и размеры дисперсной фазы, распределение по размерам, поли-или монодисперсность их состава. Использование в качестве датчиков магнитных полей рассеяния микрокапельных агрегатов размером порядка 1 мкм ставит задачу контроля их прострaнcтвенного расположения, размеров и формы. Для автоматизации способов контроля магнитных полей рассеяния микроскопических объектов, описанных в работах [1-13], необходимо реализовать получение, оцифровку и распознавание изображений, полученных с помощью магнитооптических датчиков.
Распознавание видеоизображений является отраслью, использующей возможности самых разных областей математики, средств вычислительной техники и методов программирования. Наиболее распространенными методами распознавания изображений являются экстремально-корреляционные, статистические, структурно-лингвистические, геометрических инвариантов. Эти методы основаны на сравнении эталонного и анализируемого изображений непосредственно или через вторичные признаки. Вне зависимости от метода качество сравнения в сильной степени зависит от идентичности условий освещения и наблюдения анализируемого и эталонного изображений.
Целью данной работы является автоматизация анализа видео и фотоизображений микроскопических датчиков, полученных разными методами для контроля полей рассеяния магнитных головок и сигналограмм.
Контролируемыми параметрами могут быть размеры, форма, расположение и перемещение микроспокических объектов внутри датчика.
Разработаны алгоритмы для выделения цельных непрерывных объектов, основанные на теории графов, а именно, на волновом принципе нахождения пути с минимальным количеством вершин.
Для дисперсионного анализа микрофотографий разработано программное средство MJ_FOTOSCAN [14]. Работа программы состоит из 2-х основных этапов: оцифровки и анализа. После оцифровки микрофотографий следует этап их распознавания и анализа количества и размера агрегатов МЖ. Разработанная программа производит следующие операции: преобразует фотографию в серой цветовой гамме (градация серого цвета) в монохромное изображение; полученное монохромное изображение подвергается последующему распознаванию и анализу. Методика анализа дискретизированного черно-белого изображения основана на выделении отдельных групп черных точек, которые непосредственно соединены друг с другом, то есть являются соседними по горизонтали и вертикали. После этого программа строит диаграмму распределения агрегатов по размерам. На основании полученной диаграммы можно сделать вывод о возможности применения данной МЖ для получения датчиков магнитного поля и оценить их чувствительность.
Алгоритм процесса распознавания, анализа и моделирования динамики движения объектов на изображениях состоит из основных шагов:
1) получение исходного изображения (путем сканирования, видеокамера, Web-камера,
фотографирования, снятия информации с сенсорных датчиков и т.п.);
2) предобработка изображения, которая включает этапы нормализации и сегментации:
2.1) нормализация изображения (в том числе регистрация изображений, нормализация яркости, фильтрация изображения, бинаризация изображения, преобразование цветного изображения в тоновое, устранение шумов, выравнивание гистограммы яркости и т.п.);
2.2) сегментация изображения для выделения объектов и областей, представляющих интерес для решения поставленной задачи;
2.2.1) обработанное изображение состоит из двух цветов (черного и белого). Выполняется поиск ограниченных областей черного цвета, и при нахождении выполняется заливка объекта в уникальный цвет палитры RGB;
2.2.2) после заливки объекта на изображении информация о его месте нахождения и цвете выбранной заливки записывается в базу данных;
2.2.3) генерация нового, уникального цвета, повтор выполнения первой операции. Так как залитые области на изображении имеют уже не черный цвет, вследствие чего продолжаемая обработка изображения игнорирует найденные объекты и продолжает поиск новых, закрашенных в черный цвет;
2.2.4) на данном этапе мы имеем изображение, на котором объекты закрашены в разные цвета и информация о «точке столкновения» с объектом и цвете заливки записана в базу данных. Далее выполняется последовательное чтение записей и производится анализ каждой закрашенной области на изображении, при котором вычисляются точные координаты границ (вертикальных и горизонтальных), производится точный подсчет количества пикселей объекта и образ, преобразованный в массив, состоящий из координат каждой точки закрашенной области, записываются в базу данных. Данный набор операций применяется к каждому объекту, в результате образы каждой области изображения хранятся в базе данных;
2.2.5) применение алгоритмов предобработки изображений к выделенным областям (выделение остова, выделение контура и т.п.).
3) повторение выполнения первых двух шагов с интервалом времени, необходимым для выполнения операций получения и обработки изображения. По достижению нужного количества обработанных изображений переходим к следующему шагу распознавания образов;
4) применение одного или нескольких алгоритмов распознавания к полученным моделям объектов изображений, хранящихся в базе данных, по которым со 100% точностью можно восстановить каждое исходное черно-белое изображение. К объектам, хранящимся в таком виде можно применить любой способ описания, сравнения и сопоставления друг с другом;
5) поиск подобных объектов, находящихся на разных изображениях по выбранному методу сравнения и условий подобия. Построение геометрической модели движения с учетом времени и свойств объекта. Построение визуальной модели движения объектов на основе геометрической модели и образа объекта, хранящегося в базе данных. Данный этап можно производить параллельно с остальными этапами моделирования и динамически, с небольшим отставанием во времени следить за движением изучаемого объекта и отображать результаты в режиме реального времени.
Программная реализация описанного алгоритма основана на использовании сервера баз данных с реляционной архитектурой на основе MS SQL Server 2000.
СПИСОК ЛИТЕРАТУРЫ:
- А.с. 943618 (CCCР), Опубл. в Б.И.,1982, N 28.
- А.с. 949558 (CCCР), Опубл. в Б.И.,1982, N 29
- А.с. 1483485 (CCCР), Опубл. в Б.И.,1989, N 20
- А.с. 1465843 (CCCР), Опубл. в Б.И.,1989, N 10
- А.с. 940049 (CCCР), Опубл. в Б.И.,1982, N 24
- А.с. 966735 (CCCР), Опубл. в Б.И.,1982, N 38
- А.с. 1132213 (CCCР), Опубл. в Б.И.,1984, N 48
- Шагрова Г.В. Магниточувствительные жидкости для визуализации дефектов //Сборник научных трудов «10-я юбилейная международная Плесская конференция по магнитным жидкостям», Плес, Россия, сентябрь 2002. с. 172-177
- Шагрова, Г. В. Визуализация и определение полей рассеяния магнитных сигналограмм //11- международная Плесская конференция по магнитным жидкостям: сб. науч. тр./ Плес, сентябрь, 2004. - с.345 -350.
- А. с. 741137 (CCCР) Опубл. Б.И.,1980, N 22
- Скибин, Ю. Н., Чеканов В. В. Использование двойного лучепреломления в феррожидкости для построения спектра магнитных полей Магнитная гидродинамика, 1977 -. № 2, с. 137 - 138.
- Патент РФ 2005310 Опубл. в Б.И., 1993, N 47-48.
- Патент РФ 2019853 Опубл. в Б.И., 1994, N 17.
- Дроздова В.И., Федоров С.О. Программный комплекс для анализа дисперсного состава многокомпонентных систем// Компьютерное моделирование 2005 /Материалы VI международной конференции, Санкт-Петербург, 2005г. С. 361 - 363.
Статья в формате PDF 309 KB...
19 04 2024 19:46:34
Статья в формате PDF 112 KB...
18 04 2024 1:58:40
Статья в формате PDF 120 KB...
16 04 2024 4:18:10
Статья в формате PDF 251 KB...
15 04 2024 12:11:30
Статья в формате PDF 109 KB...
14 04 2024 21:20:46
Статья в формате PDF 122 KB...
13 04 2024 7:17:11
Статья в формате PDF 275 KB...
12 04 2024 11:41:22
Статья в формате PDF 124 KB...
10 04 2024 6:23:41
Статья в формате PDF 560 KB...
07 04 2024 23:34:35
Статья в формате PDF 113 KB...
06 04 2024 3:44:38
Статья в формате PDF 107 KB...
05 04 2024 3:21:21
Статья в формате PDF 113 KB...
04 04 2024 18:39:29
Статья в формате PDF 261 KB...
03 04 2024 0:20:15
Статья в формате PDF 121 KB...
02 04 2024 4:13:57
Статья в формате PDF 139 KB...
01 04 2024 23:55:42
Статья в формате PDF 262 KB...
31 03 2024 7:42:55
Статья в формате PDF 253 KB...
30 03 2024 20:29:28
Статья в формате PDF 124 KB...
28 03 2024 1:25:39
Статья в формате PDF 364 KB...
27 03 2024 0:15:56
Статья в формате PDF 129 KB...
26 03 2024 1:53:45
Статья в формате PDF 249 KB...
23 03 2024 0:53:28
Статья в формате PDF 112 KB...
22 03 2024 19:50:39
Статья в формате PDF 285 KB...
21 03 2024 7:27:23
20 03 2024 8:32:15
Статья в формате PDF 257 KB...
19 03 2024 4:32:12
Статья в формате PDF 268 KB...
18 03 2024 6:48:47
Анализ полученных результатов мониторинга воды Волго – Каспийского бассейна показал, что: уровень мутагенной активности загрязнений природных волжских вод достигает наибольшего значение в летний период; наиболее напряженная эколого- генетическая ситуация складывается в районах р. Бузан и г. Нариманов, находящихся в непосредственной близости от Газопереpaбатывающего завода; показатель уровня мутагенности водной среды с 1998 по 2001 г. незначительно снизился, но превышает предельно допустимое значение на 59%; сера, добываемая на АГПЗ увеличивает показатель мутагенности загрязнений на 62%; использование фильтров на основе циалита способствует снижению мутагенности природной воды на 58%, пpaктически приближая её к предельно допустимому значению 0,37%. ...
17 03 2024 22:43:22
Статья в формате PDF 107 KB...
16 03 2024 10:29:18
Статья в формате PDF 122 KB...
15 03 2024 23:13:10
Статья в формате PDF 110 KB...
14 03 2024 14:59:54
Статья в формате PDF 124 KB...
13 03 2024 19:29:24
Статья в формате PDF 127 KB...
12 03 2024 0:35:23
Статья в формате PDF 111 KB...
11 03 2024 9:59:56
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::