Scientific journal
Advances in current natural sciences
ISSN 1681-7494
"Перечень" ВАК
ИФ РИНЦ = 0,823

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 характеристик 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 пространственно­го 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:

  1. А.с. 943618 (CCCР), Опубл. в Б.И.,1982, N 28.
  2. А.с. 949558 (CCCР), Опубл. в Б.И.,1982, N 29
  3. А.с. 1483485 (CCCР), Опубл. в Б.И.,1989, N 20
  4. А.с. 1465843 (CCCР), Опубл. в Б.И.,1989, N 10
  5. А.с. 940049 (CCCР), Опубл. в Б.И.,1982, N 24
  6. А.с. 966735 (CCCР), Опубл. в Б.И.,1982, N 38
  7. А.с. 1132213 (CCCР), Опубл. в Б.И.,1984, N 48
  8. 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
  9. 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.
  10. А. с. 741137 (CCCР) Опубл. Б.И.,1980, N 22
  11. Скибин, Ю. Н., Чеканов В. В. Использование двойного лучепреломления в феррожидкости для построения спектра магнитных полей Магнитная гидродинамика, 1977 -. № 2, с. 137 - 138.
  12. Патент РФ 2005310 Опубл. в Б.И., 1993, N 47-48.
  13. Патент РФ 2019853 Опубл. в Б.И., 1994, N 17.
  14. 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.