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

OBRABOTKAMETALLOV Vol. 23 No. 4 2021 23 TECHNOLOGY работки , так как они обладают существенными преимуществами . Во многих областях , включая микроструктурную обработку и анализ изобра - жений , цифровая обработка изображений игра - ет очень важную роль . Для обработки пикселей цифрового изображения используется компью - терный алгоритм . При обработке изображений для более про - стых задач используются сложные алгоритмы , что приводит к устранению искажений сигнала и нарастающего шума . Двумерные изображения могут быть смоделированы для многомерных систем с использованием цифровой обработки изображений [14, 15]. В этой исследовательской работе тот же метод цифровой обработки изо - бражений используется для характеристики ми - кроструктуры чугуна с пластинчатым графитом . Существует два способа получения изобра - жений : с помощью цифровой камеры или с по - мощью аналоговой . Однако такие эффекты , как освещение , шумы , разрешение и прочие , делают необходимым использование техники цифровой обработки изображений . Она дает возможность преобразовать относительно плохое изображе - ние в качественное . В настоящей исследователь - ской работе изображения пластинчатого графита получены с помощью цифрового микроскопа , и для получения желаемых результатов была про - ведена дальнейшая обработка . Наблюдение за микроструктурой выполня - ется при разном увеличении в соответствии с требованиями . Основная цель микроструктур - ного анализа – оценка микроструктуры , которая выполнятся для соотнесения микроструктуры как входных данных с различными механиче - скими свойствами , включая ковкость , хрупкость и пластичность на выходе [16]. Полученные лю - бым способом микроструктурные изображения с темными пятнами требовали дальнейшей об - работки . Она заключалась в предварительной обработке , обнаружении границ и фильтрации [17]. Первоначально изображение сегментиру - ется с заранее заданным пороговым значением с усилением . После этого граница зерен чугуна с пластинчатым графитом идентифицируется с помощью метода обнаружения краев . Метод кластеризации K- средних Центральное положение каждого кластера определяется с помощью K - кластеров в мето - дике кластеризации K - средних [18–20]. Ите - рации по шагам продолжаются до постоянной минимальной суммы квадратичной ошибки . Типичные шаги включают вычисление средне - го значения каждого кластера , присвоение каж - дой точки ближайшему кластеру на основе вы - числения расстояния от среднего значения . При этом соблюдается следующее математическое условие . 1 1 j dK i j j i D G Z = = = - å å , где d j и Z j – это количество пикселей и центр j - го кластера ; K – общее количество кластеров . Метод K - средних нацелен на минимизацию D и удовлетворяет следующему условию : 1 . i j j i j g C Z G d Î = å В наборе данных G = { g i , I = 1, 2, …, n }, g i – образец в d - мерном пространстве , а C = { C 1 , C 2 , …, C q } – сегмент , который выполнил условие G = Uq i = 1 C i . Изображения микроструктуры серого чугу - на с пластинчатым графитом оцениваются на предмет обрабатываемости . С этой целью для анализа готовятся тестовые образцы . Обработка чугунной заготовки в пределах первых 3,5 мм от границы раздела форма – металл является суще - ственной проблемой . Микроструктура , сформи - рованная в пределах первых 3,5 мм от границы раздела форма – металл , оценивается с помощью цифрового микроскопа . Для расчета обрабаты - ваемости необходимо знать значение содержа - ния графита в процентах , которое трудно опре - делить с помощью цифрового микроскопа . Требование выполняется с помощью класте - ризации K - средних в Python . На рис . 2 показано входное изображение , подаваемое в программу Python , и обработанное изображение справа , до - ступное как выход данного входного изображения в графической области программного обеспечения Python . В табл . 1 приведена процентная доля бе - лой области , которая представляет собой перлит , и процентная доля черной области , являющаяся графитом , полученные в результате кластеризации K - средних . Образцы протравлены в нитали для четкого выявления границ . В табл . 2 представле - ны выходные данные микроструктуры образца