ЗАСТОСУВАННЯ ОБРОБКИ ЗОБРАЖЕНЬ ТА ВЕЙВЛЕТ-АНАЛІЗУ ДЛЯ ВИДІЛЕННЯ ПРОФІЛІВ ХВИЛЯСТОСТІ ТА ШОРСТКОСТІ ПРОФІЛОГРАМ МЕТАЛЕВИХ ПОВЕРХОНЬ
DOI:
https://doi.org/10.32782/mathematical-modelling/2024-7-2-10Ключові слова:
обробка зображень, вейвлет-аналіз, хвилястість, шорсткістьАнотація
Вивчення якості поверхні є важливим інженерним питанням. Технологічні проблеми належать до низки найважливіших, оскільки їх успішне вирішення визначає, зрештою, експлуатаційні показники спроєктованих виробів. Однією з таких проблем є оцінка впливу шорсткості, хвилястості і відхилень форми поверхонь деталей на їхні функціональні властивості [1–3]. Експлуатаційні властивості машин і приладів, їхні точність, надійність і довговічність залежать від якості поверхні, її мікрогеометричного і фізико-механічного стану [1–3]. Якість обробленої поверхні характеризується двома основними ознаками: фізико-механічними властивостями поверхневого шару металу і ступенем шорсткості поверхні [1–3]. Дослідження якості поверхні є надзвичайно актуальним завданням у контексті технічних і виробничих процесів. Зрозуміти взаємозв’язок між характеристиками шорсткості, хвилястості та відхиленнями форми поверхонь деталей і їхнім впливом на функціональні властивості є не лише важливим, але й необхідним для забезпечення надійної роботи машин і приладів. Адже саме ці чинники визначають експлуатаційні показники виробів і їхню довговічність. Для дослідження шорсткості та хвилястості поверхонь широко застосовуються сучасні методи обробки зображень та математичного аналізу, зокрема вейвлет-аналіз, який дає змогу виділити ключові характеристики профілограм. Використання вейвлетів разом з цифровими технологіями дає змогу з високою точністю розрізняти структури різної природи, що є важливим для розуміння процесів, які впливають на зносостійкість, міцність і функціональність деталей. Таким чином, методи аналізу шорсткості відіграють ключову роль у вдосконаленні виробничих процесів і забезпеченні високих стандартів якості оброблених поверхонь.
Посилання
Твердохліб Ю.В., Дубровін В.І., Каморкін П.А. Метод виділення профілів хвилястості та шорсткості профілограм металевих поверхонь за допомогою вейвлет-аналізу. Адаптивні системи автоматичного управління. 2015. № 1 (26). С. 26–31.
Tverdohleb J.V., Dubrovin V.I. Processing of ECG signals based on wavelet transformation. International journal of advanced science and technology. 2011. Vol. 30. P. 73–81.
Дубровін, В.І., Твердохліб, Ю.В. Спосіб визначення оптимального вейвлету для аналізу сигналів на основі дослідження його амплітудно-частотної характеристики. Запорізький національний технічний університет. Пат. 90102 Україна, МПК6 G01R 23/16. Заявл. 20.12.13; опубл. 12.05.14, бюл. № 9. 3 с.
Lee B., Juan H., Yu S. A study of computer vision for measuring surface roughness in the turning process. Advanced Manufacturing Technology. 2002. Vol. 19. P. 295–301.
Castejo’n M., Alegre E., Barreiro J. Herna’ndez L.K. On-line tool wear monitoring using geometric descriptors from digital images. International Journal of Machine Tools & Manufacture. 2007. Vol. 47. Р. 1847–1853.
Barreiro J., Castejo’n M. Alegre E. Herna’ndez L.K. Use of descriptors based on moments from digital images for tool wear. International Journal of Machine Tools & Manufacture. 2008. Vol. 48. Р. 1005–1013.
Barreiro J., Alaiz R., Alegre E., Ablanedo D. Surface finish control in machining processes using textural descriptors based on moments. Proceedings of 6th International Conference of DAAAM Baltic Industrial Engineering. Tallinnn-Estonia, 24–26 April 2008. Tallinnn, 2008. P. 209–214.
Bharati M.H., Liu J.J., MacGregor J.F., Image texture analysis: methods and comparisons. Chemometrics and Intelligent Laboratory Systems. 2004. Vol. 72 (1). P. 57–71.
Mallat S. Theory for multiresolution signal decomposition: the wavelet representation, IEEE Trans. Pattern Anal. Mach. Intell. 1989. Vol. 11. P. 674–693.
Huang K., Aviyente S. Information-theoretic wavelet packet subband selection for texture classification. Signal Processing. 2006. Vol. 86 (7). P. 1410–1420.
Hiremath P.S., Shivashankar, S. Wavelet based co-occurrence histogram features for texture classification with an application to script identification in a document image. Pattern Recognition Letters. 2008. Vol. 29. P. 1182–1189.
Kim S.C., Kang, T.J. Texture classification and segmentation using wavelet packet frame and Gaussian mixture model. Pattern Recognition. 2007. Vol. 40 (4). P. 1207–1221
Dettori L., Semler L. A comparison of wavelet, ridge let, and curvelet-based texture classification algorithms in computed tomography. Computers in Biology and Medicine. 2007. Vol. 37. P. 486–498.
Arivazhagan S., Ganesan L. Texture segmentation using wavelet transform. Pattern Recognition Letters. 2003. Vol. 24 (16). P. 3197–3203.
Latif-Ameta A., Ertuzun A. Ercil, A. An efficient method for texture defect detection: sub-band domain co-occurrence matrices. Image and Vision Computing. 2000. Vol. 18. P. 543–553.
Lin H.D. Automated visual inspection of ripple defects using wavelet characteristic based multivariate statistical approach. Image and Vision Computing. 2007. Vol. 25 (11). P. 1785–1801.
Grzesik W., Brol S. Wavelet and fractal approach to surface roughness characterization after finish turning of different workpiece materials. Journal of Materials Processing Technology. 2009. Vol. 209 (5). P. 2522–2531.
Твердохліб Ю.В., Дубровін В.І. Вейвлет-перетворення в задачі дослідження профіля металевих поверхонь. Інформаційні технології в металургії та машинобудуванні: зб. тез наук.-техн. конф. Дніпро: НметАУ, 2014. С. 6–7.
Твердохліб Ю.В. Вейвлет-перетворення в задачі розділення профілю поверхні. Збірник тез ХХ Міжнародної наукової конференції студентів, аспірантів та молодих учених (секція «Обчислювальна математика та кібернетика»). Ломоносов, 2013. С. 61–62.
Дубровін В.І., Твердохліб Ю.В. Дослідження змін ентропії та енергії на етапах декомпозиції сигналу. Радіоелектроніка, інформатика, управління. 2013. № 2 (29). С. 54–58.
Sun W., Mukherjee R., Stroeve P., Palazoglu A., Romagnoli, J.A. A multi- resolution approach for line-edge roughness detection. Microelectronic Engineering. 2009. Vol. 86 (3). P. 340–351.
Siqian Yan, Hua Yao, Haiyi Bian. Multi-Feature Extraction of Metal Cracks using Based on Wavelet Neural Network. Journal of Physics: Conference Series (JPCS). 2023. Vol. 2467. Р. 1–7.
