Wykorzystanie metod sztucznej inteligencji do wizyjnej analizy właściwości warstw wierzchnich

• Autorzy: Wójcicki T.

Identyfikatory

DOI

10.5604/12345865.1131495

Warianty tytułu

EN

The use of artificial intelligence methods for visual analysis of properties of surface layers

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano wybrany fragment realizowanych prac badawczych dotyczących możliwości automatycznego prognozowania właściwości materiałowych na podstawie analiz zdjęć cyfrowych. Przedstawiono oryginalny, holistyczny model prognozowania właściwości warstw wierzchnich oparty na wieloetapowym procesie obejmującym wybrane metody przetwarzania i analiz obrazów, inferencji z wykorzystaniem baz wiedzy apriorycznej i wielowartościowej logiki rozmytej, a także symulacji metodami elementów skończonych. Omówiono charakterystykę warstw wierzchnich oraz podstawowe technologie ich wytwarzania obejmujące: procesy mechaniczne, cieplne, cieplno-mechaniczne, cieplno-chemiczne, elektrochemiczne, fizyczne. Przedstawiono wykorzystane w opracowanym modelu metody klasyfikacji obrazów warstw wierzchnich. Opisano cele stosowania wybranych metod przetwarzania i analizy obrazów cyfrowych, w tym techniki: poprawy jakości obrazów, segmentacji, transformacji morfologicznych, rozpoznawania obrazów oraz symulacji zjawisk fizycznych w strukturach materiałowych.

EN

The article presents a selected area of research on the possibility of automatic prediction of material properties based on the analysis of digital images. Original, holistic model of forecasting properties of surface layers based on a multi-step process that includes the selected methods of processing and analysis of images, inference with the use of a priori knowledge bases and multi-valued fuzzy logic, and simulation with the use of finite element methods is presented. Surface layers characteristics and core technologies of their production processes such as mechanical, thermal, thermo-mechanical, thermo-chemical, electrochemical, physical are discussed. Developed methods used in the model for the classification of images of the surface layers are shown. The objectives of the use of selected methods of processing and analysis of digital images, including techniques for improving the quality of images, segmentation, morphological transformation, pattern recognition and simulation of physical phenomena in the structures of materials are described.

Słowa kluczowe

PL

analiza obrazów; warstwa wierzchnia; sztuczna inteligencja; logika rozmyta

EN

image analysis; surface layer; artificial intelligence; fuzzy logic

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Biuletyn Wojskowej Akademii Technicznej
• Rocznik: 2014
• Tom: Vol. 63, nr 4
• Strony: 211--222
• Opis fizyczny: Bibliogr. 25 poz., rys.

Twórcy

autor

Wójcicki T.

• PIB w Radomiu, Instytut Technologii Eksploatacji, 26-600 Radom, ul. Pułaskiego 6/10

Bibliografia

• [1] Dyzek E., Badania warstwy wierzchniej w aluminium i stopach aluminium za pomocą anihilacji pozytonów i metod komplementarnych, Instytut Fizyki Jądrowej im. Henryka Niewodniczańskiego, Kraków, 2008.
• [2] Kula P., Inżynieria warstwy wierzchniej, Wydawnictwo Politechniki Łódzkiej, Łódź, 2000.
• [3] Hermann K., Crystallography and Surface Structure, Wiley, Germany, 2011.
• [4] Vickerman J., Gilmore I., Surface Analysis. The Principal Techniques, Wiley, UK, 2011.
• [5] Kurzydłowski K., Ralph B., The Quantitative Description of the Microstructure of Materials, CRC Press, USA, 1995.
• [6] Szala J., Zastosowanie metod komputerowej analizy obrazu do ilościowej oceny struktury materiałów, Zeszyty Naukowe Politechniki Śląskiej — Hutnictwo, Katowice, 2001.
• [7] Ghosh S., Dimiduk D., Computational Methods for Microstructure Property Relationships, Springer, USA, 2011.
• [8] Ryś J., Metalografia ilościowa. Wydawnictwa AGH, Kraków, 1982.
• [9] Burger W., Burge M., Digital Image Processing, Springer, USA, 2009.
• [10] Bai X., Zhou F., Liu Z., Jin T., Xue B., Multi Scale Adaptive Median Filter for Impulsive Noise Removal, International Conference ICICIS, China, 2011.
• [11] Adams A., High-Dimensional Gaussian Filtering For Computational Photography, Stanford University, USA, 2011.
• [12] Acton S., Ray N., Biomedical Image Analysis: Segmentation, Morgan & Claypool, USA, 2009.
• [13] Deriche R., Using Canny’s criteria to derive an optimal edge detector recursively implemented, Int. J. Computer Vision, vol. 1, USA, 1987.
• [14] El-Sayed M., Algorithms for Image Thresholding, LAP Lambert Academic Publishing, Germany, 2012.
• [15] Mirmehdi M., Xie X., Suri J., Handbook of Texture Analysis, Imperial College Press, London, 2008.
• [16] Zaborowicz M., Boniecki P., Przybylak A., Sieć neuronowa typu MLP jako narzędzie w komputerowej analizie obrazów, Journal of Research and Applications in Agricultural Engineering, vol. 55, nr 2, Poznań, 2010.
• [17] Stateczny A., Sztuczne sieci neuronowe ze wsteczną propagacją błędów w filtracji pomiarów nawigacyjnych, Zeszyty Naukowe Wyższej Szkoły Morskiej, Szczecin, 1998.
• [18] Luciano da Fontoura C., Cesar R., Shape Analyisis and Classification, CRC Press, USA, 2001.
• [19] Thompson B., Cannonical Correlation Analysis, Uses and Interpretation, SA GE Publications, California, 1984.
• [20] Grefenstette J., Genetic Algorithms for Machine Learning, Kluwer Academic Publishers, USA, 1993.
• [21] Koch K., Introduction to Bayesian Statistics, Springer-Verlag, Berlin, 2007.
• [22] Yegnanarayana B., Artificial Neural Networks, PHI, Delhi, 2009.
• [23] Pegat A., Modelowanie i sterowanie rozmyte, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2003.
• [24] Rauch Ł., Madej Ł., Pawłowski B., Numerical Simulations of Hypoeutectoid Steel under Loading Conditions, Based on Image Processing and Digital Material Representation, Second International Symposium CompIMA GE2010, USA, 2010.
• [25] Malkin A., Isayev A., Rheology, Concepts, Methods & Applications, Chemtec Publishing, USA, 2006.

Uwagi

PL

Artykuł opracowany na podstawie referatu wygłoszonego na X Szkole–Konferencji „Metrologia Wspomagana Komputerowo — MWK’2014” Waplewo, 27-30 maja 2014.