Тип работы:
Предмет:
Язык работы:


Разработка системы бесконтактного контроля дефектов лакокрасочного покрытия автомобиля

Работа №111378

Тип работы

Магистерская диссертация

Предмет

технология машиностроения

Объем работы70
Год сдачи2022
Стоимость4915 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
50
Не подходит работа?

Узнай цену на написание


Введение 3
1 Анализ дефектов лакокрасочного покрытия 5
2 Обзор систем контроля дефектов лакокрасочного покрытия 15
2.1 Анализ методов контроля дефектов лакокрасочного покрытия 15
2.2 Анализ систем контроля дефектов лакокрасочного покрытия 17
3 Математические модели функционирования системы контроля 21
3.1 Улучшение качества изображений 21
3.2 Бинаризация изображений 32
3.3 Текстурный анализ изображений 40
3.4 Определение геометрических характеристик дефектов 44
4 Алгоритмы работы системы контроля 52
5 Структура системы контроля 60
Заключение 65
Список используемых источников 66


Лакокрасочные покрытия современного автомобиля являются не только элементом оформления его экстерьера, но и защитным покрытием кузовных деталей. С точки зрения потребителя лакокрасочное покрытие автомобиля должно отвечать, прежде всего, эстетическим требованиям, что подразумевает отсутствие видимых дефектов. С точки зрения производителей автомобилей немаловажными являются и защитные функции лакокрасочного покрытия, на выполнение которых также оказывает влияние наличие различного рода дефектов.
Данная диссертационная работа направлена на решение проблемы автоматизации поиска визуальных дефектов лакокрасочного покрытия кузова автомобиля. Актуальность выбранной темы объясняется высокой трудоемкостью используемых на производстве методов контроля.
В производственных условиях чаще всего применяется визуальный контроль, который выполняется специально обученным контролером. Основным достоинством такого метода контроля является простота его реализации и отсутствие сложных технических устройств, что делает его одним из самых эффективных методов контроля. Такой метод позволяет определить наличие дефекта, а в случае необходимости классифицировать его. Следует заметить, что при определении дефекта с его последующей классификацией от контролера требуется высокая квалификация. Основным недостатком визуального метода определения дефектов лакокрасочного покрытия является человеческий фактор. Это объясняется тем, что выполняемые работы относятся к высокому классу зрительных работ, то есть приводят к повышенной утомляемости, напряжению анализаторов и психоэмоциональным перегрузкам. Следствием этого является снижение производительности процесса и субъективности получаемых результатов. Устранение данных проблем традиционно решается путем применения различных устройств, чаще всего оптических. Основной недостаток данного подхода заключается в его низкой производительности и больших затратах времени на подготовительные работы. В ряде случаев также требуется создание специальных условий контроля и специальной предварительной подготовки поверхности, что еще больше увеличивает трудоемкость процедуры контроля. Кроме того, данные приспособления чаще всего не позволяют автоматизировать процесс контроля.
В последнее время активно разрабатываются автоматизированные системы выявления дефектов лакокрасочного покрытия. Данное направление является достаточно перспективным, но труднореализуемым, так как требует разработки специальных технических средств и специализированного программного обеспечения, что делает данные системы дорогостоящими.
В связи с этим автоматизация поиска визуальных дефектов лакокрасочного покрытия автомобиля перспективная научно-техническая задача.
Из вышесказанного следует, что цель данной магистерской диссертации заключается в повышении качества и быстродействия поиска дефектов лакокрасочного покрытия автомобиля путем разработки соответствующей автоматизированной системы контроля.
Сформулируем задачи, направленные на достижение цели диссертации:
- проанализировать возможные дефекты лакокрасочного покрытия;
- рассмотреть существующие систем контроля дефектов лакокрасочного покрытия, включая методы и системы контроля;
- разработать математические модели функционирования системы
контроля, включая модели улучшения качества изображений, бинаризации изображений, текстурного анализа изображений, определения геометрических характеристик дефектов;
- разработать алгоритмы работы системы контроля;
- разработать структуру системы контроля.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Работа над магистерской диссертацией позволила решить сложную научно-техническую задачу по разработке автоматизированной системы по поиску дефектов лакокрасочного покрытия на основе обработки цифровых изображений объектов. Основные результаты работы приведены ниже.
На первом этапе работы проанализированы возможные дефекты лакокрасочного покрытия, выявлены наиболее часто встречаемые. На основании чего сформулированы требования к техническим характеристикам системы контроля.
По результатам анализа существующих методов и систем контроля дефектов лакокрасочного покрытия выявлены наиболее перспективные, учтены их недостатки и предложено применить схему бесконтактной системы контроля на основе цифровой обработки изображений.
Исходя из принятой схемы системы контроля, предложен математический аппарат, реализующий обработку изображения, который включает в себя модели улучшения качества изображений, бинаризации изображений, текстурного анализа изображений и определения геометрических характеристик дефектов.
На основании предлагаемого математического аппарата разработаны алгоритмы работы системы контроля, структурные схемы установки контроля и организации программного обеспечения. Это позволило обеспечить требуемый уровень автоматизации процесса контроля, требуемое быстродействие и точность контроля.
В результате разработана автоматизированная система контроля дефектов лакокрасочного покрытия автомобиля, обеспечивающая требуемые характеристики качества и быстродействия контроля. При этом непосредственно в процессе контроля контролер не участвует, что позволило исключить влияние человеческого фактора. Следовательно, цель работы можно считать достигнутой.



1. А.В. Демин, Е.Н. Сечак, С.П. Присяжнюк Определение состава объекта по его гиперспектральному изображению // КО. 2021. №3. URL: https:ZZcyberleninka.ru/articleZn/opredelenie-sostava-obekta-po-ego- giperspektralnomu-izobrazheniyu(дата обращения: 07.05.2022).
2. Белоконь А.В., Проскурин А.В., Фаворская М.Н. Классификация методов синтеза текстур // Актуальные проблемы авиации и космонавтики.
2011. №7. URL: https://cyberleninka.ru/article/n/klassifikatsiya-metodov-sinteza- tekstur(дата обращения: 11.05.2022).
3. Богучарский С. И. Обработка изображений на основе комбинированного векторного квантования с использованием полуконтролируемого обучения // Вестник Нац. техн. ун-та «ХПИ» : сб. науч. тр. Темат. вып. « Математическое моделирование в технике и технологиях». Харьков : НТУ «ХПИ». 2014. No 6 (1049). С. 20-29.
4. Генза С.А. Нейросетевой подход к анализу текстур // Актуальные
проблемы авиации и космонавтики. 2018 №14. URL:
https:ZZcyberleninka.ru/articleZn/neyrosetevoy-podhod-k-analizu-tekstur (дата
обращения: 18.05.2022).
5. Гонсалес Р.С. Цифровая обработка изображений / Р.С. Гонсалес, Р.Е. Вудс ; пер. с англ. Л И. Рубанова, П.А. Чочиа ; науч. ред. П.А. Чочиа. - Третье изд., испр. и доп. - Москва : Техносфера, 2019. - 1103 с.
6. Горячкин Б.С., Китов М.А. КОМПЬЮТЕРНОЕ ЗРЕНИЕ // E-Scio.
2020. №9 (48). URL: https://cyberleninka.ru/article/n/kompyuternoe-zrenie-1
(дата обращения: 27.05.2022).
7. ГОСТ 9.072-2017. Единая система защиты от коррозии и старения. Покрытия лакокрасочные. Термины и определения. - Введ. 20-04-2017. - М. : Изд-во стандартов, 2018. - 40 с.
8. Грузман И.С. Цифровая обработка изображений в информационных системах: Учеб. Пособие / И.С.Грузман, В.С.Киричук, В.П. Косых и др. -
Новосибирск: Изд-во НГТУ, 2002. - 352 с.
9. Гусарова Н.Ф., Маятин А.В. Человеко-машинные методы обработки
изображений // Научно-технический вестник информационных технологий, механики и оптики. 2005. №22. URL:
https://cyberleninka.ru/article/n/cheloveko-mashinnye-metody-obrabotki- izobrazheniy(дата обращения: 20.05.2022).
10. Джо К.О., Гергет О. М. Методы и алгоритмы сегментации
изображений // Автоматизация и моделирование в проектировании и управлении. 2020. №2 (8). URL: https://cyberleninka.ru/article/n/metody-i-
algoritmy-segmentatsii-izobrazheniy (дата обращения: 15.05.2022).
11. Золотовский Д.В., Костюк А.И. Параллельная обработка и
идентификация изображений // Известия ЮФУ. Технические науки. 1999. №2. URL: https://cyberleninka.ru/article/n/parallelnaya-obrabotka-i-
identifikatsiya-izobrazheniy (дата обращения: 27.05.2022).
12. Куликова Ю.Д. Предварительная обработка изображений с недостаточной освещенностью // Актуальные проблемы авиации и космонавтики. 2017. №13. URL: https://cyberleninka.ru/article/n/predvaritelnaya- obrabotka-izobrazheniy-s-nedostatochnoy-osveschennostyu(дата обращения: 27.05.2022).
13. Мамаев Н.В. HeNLM-LA: Локально-адаптивный алгоритм нелокального среднего на основе разложения по функциям Эрмита / Н.В. Мамаев, А.С. Лукин, Д.В. Юрин // Программирование. - 2014. - Т. 40, No 4. - С. 46-54.
14. Мин И. В. Сегментация изображений на основе выделения текстурных и цветовых признаков // Современные техника и технологии : материалы XIX Междунар. науч.-практ. конф. Томск : Томск. политех. ун-т,
2012. С. 290-292.
15. Неразрушающий контроль и диагностика : справочник / В.В. Клюев [и др.] ; под ред. В. В. Клюева. - 3-е изд., перераб. и доп. - Москва : Машиностроение, 2005. - 656 с.
16. Никитин В.В. Телевидение в системах физической защиты / В.В. Никитин, А.К. Цыцулин. - СПб.: СПбГЭТУ «ЛЭТИ», 2001. - 132 с.
17. Пат. 2159426 МПК G01N 27/82 Способ магнитооптического контроля изделия / Левый С. В., Агалиди Ю. С.; заявитель и патентообладатель Левый С. В., Агалиди Ю. С.. - № 99122303/28; заявл. 25.10.1999; опубл. 20.11.2000 Бюл. № 32. - 7 с.
18. Пат. 2697427 МПК G01N 15/06 Диагностический комплекс для контроля состояния защитного лакокрасочного покрытия / Евсюткин А. В., Устинов Е. М., Алчинов В. И., Питайкин Д. А., Сонин Н. С.; заявитель и патентообладатель Федеральное государственное казенное военное образовательное учреждение высшего образования "Военная академия материально-технического обеспечения имени генерала армии А.В. Хрулёва". - № 2018119786; заявл. 11.01.2017; опубл. 14.11.2018 Бюл. № 32. - 10 с.
19. Применение переключающихся медианных фильтров для восстановления зашумленных изображений / С.С. Бухтояров, А.Л. Приоров, И.В. Апальков, В.В. Хрящев // Вопросы радиоэлектроники: Серия общетехническая. - 2006. - Т. 4, No 2. - С. 137-147.
20. Пролетарский А.В. Практикум по цифровой обработке изображений в компьютерных сетях : учебное пособие / А. В. Пролетарский, А. Н. Алфимцев, И. И. Лычков. - Москва : МГТУ им. Н.Э. Баумана, 2016. - 72 с. [Электронный ресурс]. - URL: https:ZZe.lanbook.com/book/103521(дата обращения: 19.04.2022).
21. Прэтт У. Цифровая обработка изображений: в 2 -х кн. / У. Прэтт, Д.С. Лебедев. - М.: Мир, 1982. - Кн. 1. - 310 с.; кн. 2. - 790 с.
22. Пылькин А.Н. Методы и алгоритмы сегментации изображений : [монография] / А.Н. Пылькин, Р.В. Тишкин. - Москва : Горячая линия- Телеком, 2010. - 91 с.
23. Селянкин В.В. Компьютерное зрение. Анализ и обработка изображений : учебное пособие / В. В. Селянкин. - Санкт-Петербург : Лань,
2019. - 152 с. [Электронный ресурс]. - URL:
https:ZZe.lanbook.com/book/113938(дата обращения: 25.03.2022).
24. Сурин В.А. Модель нелинейного фильтра для цифровой обработки контрастных изображений / В.А. Сурин, А.Н. Тырсин // Автометрия. - 2018. - Т. 54, No 2. - С. 54-62.
25. Сурин В.А. Об обработке зашумленных контрастных изображений // Вестник ЮУрГУ. Серия: Математика. Механика. Физика. 2021. №1. URL: https:ZZcyberleninka.ru/articleZn/ob-obrabotke-zashumlennyh-kontrastnyh- izobrazheniy(дата обращения: 14.05.2022).
26. Тырсин А.Н. Робастное построение регрессионных зависимостей на основе обобщенногометода наименьших модулей / А.Н. Тырсин // Записки научных семинаров ПОМИ РАН. - 2005. - Т. 328. - С. 236-250.
27. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. Neural Computing. Theory and Practice. М. : Мир, 1992. 240 с.
28. Харинов Михаил Вячеславович Устойчивая сегментация изображения // Вестник БГУ. Математика, информатика. 2012. №9. URL: https:ZZcyberleninka.ru/articleZn/ustoychivaya-segmentatsiya-izobrazheniya (дата обращения: 27.05.2022).
29. Черепанов Н.В., Буслаев С.П. Применение и развитие системы электронного архива конструкторской, технологической и технической документации для хранения и использования электронных документов машиностроительного предприятия и его правовое обеспечение // Инновации и инвестиции. 2021. №9. URL: https://cyberleninka.ru/article/n/primenenie-i- razvitie-sistemy-elektronnogo-arhiva-konstruktorskoy-tehnologicheskoy-i- tehnicheskoy-dokumentatsii-dlya-hraneniya-i(дата обращения: 20.05.2022).
30. Яковлев Д.С., Фаворская М.Н. Технологии фильтрации текстур //
Актуальные проблемы авиации и космонавтики. 2011. №7. URL: https:ZZcyberleninka.ru/articleZn/tehnologii-filtratsii-tekstur (дата обращения:
03.05.2022).
31. Arai, Kohei. Advances in Computer Vision: Proceedings of the 2019 Computer Vision Conference (CVC), Volume 2. Springer, 2019.
32. Favorskaya, Margarita N., and Lakhmi C. Jain, eds. Computer Vision in Control Systems-4: Real Life Applications. Vol. 136. Springer, 2017.
33. Hassaballah, Mahmoud, and Khalid M. Hosny, eds. Recent Advances in Computer Vision: Theories and Applications. Vol. 804. Springer, 2018.
34. Ren Y. Review of convolutional neural network optimization andtraining in image processing / Y. Ren, X. Cheng //Proceedings of SPIE - TheInternational Society for Optical Engineering 10. Сер. "Tenth International Symposium on Precision Engineering Measurements and Instrumentation" - 2019. P. 110-123.
35. Scherer, Rafal. Computer vision methods for fast image classification and retrieval. Springer International Publishing, 2020.
36. Wang H. Low-rank matrix recovery via smooth rank function and itsapplication in image restoration / H. Wang, R. Zhao, Y. Cen, F. Zhang, Q. He, L. Liang, M. Zeng / International Journal of Machine Learning and Cybernetics. -
2018. Т. 9. № 9. P. 1565-1576.
37. Weber L. Registration of phase-contrast images in propagation-based x-ray phase tomography / L. Weber, A. Hansch, F. Peyrin, S. Rit, M.Langer, A. Pacureanu, P.Cloetens, U.Wolfram //Journal of Microscopy. Vol. 269 №1. - 2018. P. 36-47.
38. Wu Y. Analysis and reduction of the phase error caused by the non-impulse system psf in fringe projection profilometry / Y. Wu, X. Cai, J. Zhu, H. Yue, X. Shao, // Optics and Lasers in Engineering 127 - 2020. P. 105-118.
39. Xue F. Recursive sure for image recovery via total variationminimization / F. Xue, J. Liu, X. Ai //Signal, Image and Video Processing. -
2019. Т. 13. № 4. P. 795-803.
40. Zhu X. Attention-aware perceptual enhancement nets for low-resolution image classification / X. Zhu, Z. Li, X. Li, S. Li, F. Dai // Information Sciences 515 - 2020, P. 233 - 247.


Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ