اندازهگیری دمای شمش فولاد با استفاده از سیستم بینایی ماشین و الگوریتم ژنتیک در شرایط متغیر
محورهای موضوعی : عملیات حرارتیمهدی عباسقلی پور 1 , بهزاد محمدی الستی 2 , جلال الدین قضاوتی 3
1 - گروه مهندسی مکانیک، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
2 - گروه مهندسی مکانیک، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
3 - گروه مهندسی مکانیک، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران
کلید واژه: الگوریتم ژنتیک, پردازش تصویر, شمش فولاد, اندازهگیری دما, بینایی ماشین, حد آستانه,
چکیده مقاله :
یکی از پارامترهای مهم در عملیات نورد گرم، اندازهگیری دمای شمش خروجی از کوره است. براین اساس طراحی یک سیستم الکترونیکی هوشمند خودکار، همانند سیستم بینایی ماشین برای اندازهگیری دمای شمش به صورت زمان واقعی ضرورت مییابد. در تحقیق حاضر سیستم بینایی ماشین پیشنهادی برای تهیه تصاویر مناسب از شمش داخل کوره، پردازش تصویر بر پایه تفکیک حدود آستانه در فضای رنگی HSI و استخراج خصوصیات آن (اندازهگیری دمای شمش)، طراحی شد. برای بررسی تغییر در شرایط نورپردازی، با استفاده از الگوریتم ژنتیک، حدود آستانه سه محدوده دمایی (محدوده دمایی 1 معادل با 1500-1200، محدوده دمایی 2 معادل با1200-900، محدوده دمایی 3 معادل با900-600 درجه سانتیگراد) در تصاویر موزاییکی شمش گداخته، تعیین و مورد تحلیل قرار گرفت. تحلیل عملکرد الگوریتم ژنتیک در فضای رنگی HSI آشکار ساخت که در شرایط متغیر، تفکیک تصویر رنگی براساس این الگوریتم عملکرد معادلی با تحلیل خوشه بندی در تصاویر دارد. بنابراین با این روش میتوان به تأثیرات شرایط نورپردازی متغیر با پذیرش یک محدوده خطا غلبه کرد.
The temperature measurement of steel bar is a significant parameter in the hot-rolled steel processing. Furthermore, measuring of steel bar temperature at real time requires an automatic intelligent electronic system such as machine vision system. In this study, a machine vision system is proposed (designed)to provide appropriate images of the steel bar in furnace, process images based on discrimination thresholds and to extract feature (the temperature measurement of steel bar). The threshold limit value for three different temperature ranges; (1200°C -1500°C), (900°C -1200°C) and (600°C -900°C) are assumed to be 1, 2 and 3, respectively, to investigate and analyze variable lighting conditions in HSI color space using genetic algorithm (GA HSI). The performance analysis of proposed GA HSI reveals that color image segmentation by GA HSI and cluster analysis method have the same performance. Therefore, this method can overcome the effect of lighting conditions with acceptance of an error range.
[1] ا ایرانپور بروجنی، ح. شیخ، خ. فرمنش و ف. قدس، م"طالعه همگنسازی و رفتار ترمومکانیکی سوپر آلیاژ اینکونل 718 در حین فرآیند تبدیل شمش ریختگی به بیلت"، فصلنامه علمی پژوهشی مهندسی مواد مجلسی، دوره 5، شماره اول، ص 35-42، 1390.
[2] ا. جعفری، س. م. عباسی، م. مرکباتی و م. سیف اللهی، "تاثیر نوع فرآیند ذوب مجدد بر ریزساختار و سختی سوپرآلیاژ پایه نیکل ریختگیIN100"، فصلنامه علمی پژوهشی مهندسی مواد مجلسی، دوره 9، شماره 2، ص 55-65، 1394.
[3] R. W. Waynant & M. N. Ediger, “Electro-optics handbook”, Citeseer, 2000.
[4] A. R. Jha, A. Jha & D. A. Jha, “Infrared technology: applications to electrooptics, photonic devices, and sensors”, Wiley New York, 2000.
[5] R. Rech, N. Muller, R. Lamm & S. Kirchhoff, “Laser measurements on large open die forgings”, Stahl und eisen, Vol. 126, No. 2, pp. 53-57, 2006.
[6] N. Bouzida, A. Bendada & X. P. Maldague, “Visualization of body thermoregulation by infrared imaging”, Journal of Thermal Biology, Vol. 34, No. 3, pp. 120-126,2009.
[7] B. F. Jones, “A reappraisal of the use of infrared thermal image analysis in medicine”, IEEE transactions on medical imaging, Vol. 17, No. 6, pp. 1019-1027, 1998.
[8] F. Ring, “Thermal imaging today and its relevance to diabetes”, Journal of diabetes science and technology, Vol, 4, No. 4, pp. 857-862, 2010.
[9] J. H. Tan, E. Ng, U. R. Acharya & C. Chee, “Infrared thermography on ocular surface temperature: a review”, Infrared Physics & Technology, Vol. 52, No. 4, pp. 97-108, 2009.
[10] Knobel, R.B., Guenther, B.D., Rice, H.E., “Thermoregulation and thermography in neonatal physiology and disease”, Biological research for nursing, Vol. 13, No. 3, pp. 274-282, 2011.
[11] م. ویژه،" تصویربرداری حرارتی و کاربرد آن در صنعت شیشه و سرامیک"، دومین کنگره سرامیک ایران، تهران، انجمن سرامیک ایران، دانشگاه علم و صنعت ایران،1374.
[12] ا. رخشان، م. خلیل زاده، م. آذرنوش و ا. محمدیان، "آشکارسازی استرس با استفاده از تصویربرداری حرارتی چهره"، پانزدهمین کنفرانس بین المللی سالانه انجمن کامپیوتر ایران، تهران، انجمن کامپیوتر، مرکز توسعه فناوری نیرو،1388.
[13] K. Hammouche, M. Diaf & P. Siarry, “A multilevel automatic thresholding method based on a genetic algorithm for a fast image segmentation”,Computer Vision and Image Understanding, Vol. 109, No. 2, pp. 163-175, 2008.
[14] H. Zheng, L. X. Kong & S. Nahavandi,“Automatic inspection of metallic surface defects using genetic algorithms”, Journal of materials processing technology, Vol. 125, pp. 427-433, 2002.
[15] R. C. Gonzalez, “Woods. RE, Digital Image Processing”, Reading, Mass, 1992.
[16] M. Alireza, “Genetic Algorithms. Naghoos-andisheh Publishing Co. Tehran-Iran”, 2007.
[17] D. Goldberg, “Genetic algorithms in search, optimization, and machine learning. Reading, MA: Addison-Wesley”, Objective Function, vol. 18, 1989.
[18] T. BVack, “Optimal M utation Rates in Genetic Search”, Proc. of the 5th International Conference on Genetic Algorithms, pp. 2-8, 1993.
[19] D. E. Goldberg, “Sizing populations for serial and parallel genetic algorithms”, Proceedings of the 3rd international conference on genetic algorithms, Morgan Kaufmann Publishers Inc., pp. 70-79, 1989.
_||_