Application of digital image processing technique in the microstructure analysis and the machinability investigation

ОБРАБОТКА МЕТАЛЛОВ Том 23 № 4 2021 22 ТЕХНОЛОГИЯ структуры можно наблюдать и анализи - ровать с помощью различных методов микроскопии [2]. Характеристики микроструктуры , т . е . размер зерна , измеряются в микронном ( или миллиметровом ) масштабе . Каче - ственные и количественные данные ста - новятся доступны из микроструктуры . Это свидетельствует о важности анализа микроструктурных изображений [3, 4]. В приложении , ориентированном на принятие решений , при сегментации изо - бражения пиксели можно точно клас - сифицировать на несколько различных групп [5, 6]. При сегментации изображе - ния оно делится на несколько дискретных областей на основе сходства пикселей . Существует множество применений этого метода , включая обработку медицинских изображений , здравоохранение , обработ - ку изображений дорожного движения , металлур - гическую отрасль , распознавание образов и т . д . [7–9]. Существует множество методов сегмента - ции изображений , в том числе на основе класте - ризации , нейронных сетей , пороговых значений , границ и т . д . С учетом удобства использования и надежности получаемых результатов лучшая сег - ментация изображений обычно выполняется ме - тодом кластеризации , включая метод K - средних , метод нечеткой кластеризации C - средних , суб - трактивную кластеризацию и т . д . [10]. Алгоритм кластеризации K - средних – один из лучших вариантов для пользователей . Он прост в исполнении и быстрее в вычислениях , чем другие кластеры [11], он может работать с боль - шим количеством переменных и давать разные результаты для разных кластеров . Итак , важно начать с правильного количества K - кластеров . После этого необходимо начать с K - значения центроидов . Начальное значение центроидов будет определять кластеры . Таким образом , это показатель того , что правильный выбор значе - ния центроида является важной задачей [12]. Многие методы сегментации цветных изобра - жений были исключены . Но большинство из них основаны на приложениях . Таким образом , уни - версального метода сегментации цветного изо - бражения до сих пор не существует . Работа кла - стеризации K - средних показана на рис . 1 в виде блок - схемы . Целью работы является получение микро - структурной количественной информации с помощью анализа изображений и ее исполь - зование для прогнозирования обрабатываемо - сти материала . Существует тесная взаимосвязь между обрабатываемостью и количественной микроструктурной информацией , доступной с помощью программного обеспечения для анали - за изображений . Существует также потребность в применении междисциплинарных подходов в области машиностроения . Методика исследований Фундаментальная цель сегментации изобра - жения – преобразование изображения в интер - претируемую форму для дальнейшего анализа . Но большинство входных изображений берутся из разных областей на основе различных прило - жений . Одни изображения не видны , на других присутствует шум , а некоторые имеют низкое качество . Поэтому перед тем как отправить изо - бражение на сегментацию , его требуется пред - варительно обработать [13]. Существует много методов предварительной обработки . Эти мето - ды можно классифицировать в зависимости от типа обработки , такой как точечная обработка , обработка с использованием маски , удаление шума и т . д . В зависимости от типа входного изо - бражения используется один из методов . Однако чаще всего используются методы точечной об - Рис . 1. Блок - схема кластеризации K - средних Fig. 2. K -means clustering fl ow char t