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

ОБРАБОТКА МЕТАЛЛОВ Том 23 № 4 2021 26 ТЕХНОЛОГИЯ Т а б л и ц а 2 Ta b l e 2 Полученная на выходе микроструктура травленных образцов Etched Condition sample microstructure output Глубина от поверхности / Depth from surface Процент черного ( перлит ) / Black Percentage (Pearlite) Процент белого ( феррит ) / White Percentage (Ferrite) 0,5 мм 65,73 34,27 1,0 мм 44,41 55,59 1,5 мм 49,98 50,02 2,0 мм 52,02 47,98 2,5 мм 67,30 32,70 3,0 мм 66,51 33,49 3,5 мм 57,57 42,43 в травленном состоянии . Объемный процент перлита и феррита доступен после травления образцов . Результаты и обсуждение Важным показателем обрабатываемости в слу - чае твердого черного металла является твердость . В случае серого чугуна микроструктура является более фундаментальным показателем [22]. В 1956 году Мур и Лорд исследовали влияние микроструктуры на показатель обрабатываемо - сти и разработали уравнение , специально пред - назначенное для серого чугуна [23]: 195, 5 1, 26 11, 7 1, 26 , vp vg g M V V S = - + + где V vp и V vg – относятся к объемным долям пер - лита и графита в микроструктуре соответствен - но ; S g – определяется средним размером пласти - нок графита в микрометрах . В табл . 3 показана взаимосвязь между обрабатываемостью как вы - ходным параметром и микроструктурными пара - метрами как входными параметрами . На рис . 3 показано изменение обрабатываемости на раз - ной глубине от границы раздела форма – металл . Заключение В текущем исследовании изучается показа - тель обрабатываемости серого чугуна на различ - ной глубине от поверхности . Доступное значе - ние обрабатываемости достигает максимума на глубине , близкой к 3,5 мм . Объемная доля пер - лита , графита и средних пластинок графита рас - сматривается как входная функция для обраба - тываемости . Более высокое значение пластинок графита доминирует над значением показателя обрабатываемости . Список литературы 1. Image based analysis of complex microstructures of engineering materials / T. Wejrzanowski, W. Spy- chalski, K. Ró ż niatowski, K. Kurzyd ł owski // Interna- tional Journal of Applied Mathematics and Computer Science. – 2008. – Vol. 18 (1). – P. 33–39. 2. Samuels L.E. Light microscopy of carbon steels. – Materials Park, Ohio: ASM International, 1999. 3. Electron backscatter diffraction in materials science / A.J. Schwartz, M. Kumar, B.L. Adams, D.P. Field. – 2nd ed. – New York: Springer US Publ., 2009. – 403 p. – ISBN 978-0-387-88135-5. – DOI: 10.1007/978-0-387-88136-2. 4. Krauss G. Steels: processing, structure, and perfor- mance. – Materials Park, Ohio: ASM International, 2015. 5. Understanding deep learning techniques for image segmentation / S. Ghosh, N. Das, I. Das, U. Maulik // ACM Computing Surveys (CSUR). – 2019. – Vol. 52 (4). – P. 1–35. 6. Tu Z., Bai X. Auto-context and its application to high-level vision tasks and 3d brain image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2009. – Vol. 32 (10). – P. 1744–1757. 7. Kang B.-H. A review on image and video processing // International Journal of Multimedia and Ubiquitous Engineering. – 2007. – Vol. 2 (2). – P. 49–64.