Определение объёмного содержания волокон в слоистых композитах оптическими методами
Автор: Комаров Валерий Андреевич, Павлов Александр Александрович
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 3 т.46, 2022 года.
Бесплатный доступ
Рассматривается задача определения объёмного содержания армирующего волокна в нитях слоистых композитов с тканевыми заполнителями. В качестве источника информации о структуре материала используются цифровые микроизображения шлифованной поверхности поперечных сечений композитов. Обсуждаются методы и особенности анализа растровых микроскопических снимков гетерогенного материала, связанные с переменной яркостью пикселей и размытостью границ «волокно-связующее». В целях сокращения трудоёмкости и повышения объективности обработки изображений предлагается и строится специальный автоэнкодер. Изложение сопровождается сквозным демонстрационным примером исследования структуры типового конструкционного углепластика. Показано существенное ускорение процесса обработки изображений с использованием свёрточного автоэнкодера и хорошее согласование результатов с тщательным ручным анализом.
Композит, волокно, объёмная доля, микроснимок, обработка, автоэнкодер
Короткий адрес: https://sciup.org/140295000
IDR: 140295000 | DOI: 10.18287/2412-6179-CO-1068
Список литературы Определение объёмного содержания волокон в слоистых композитах оптическими методами
- Niu MCY. Composite airframe structures: Practical design information and data. 3rd ed. Granada Hills: Adaso/Adastra Engineering Center; 2000. ISBN: 978-962-7128-06-6.
- Lomov S, Ivanov DS, Verpoest I, Zako M. Full-field strain measurements for validation of meso-FE analysis of textile composites. Compos Part A Appl Sci Manuf 2008; 39(8): 1218-1231. DOI: 10.1016/j.compositesa.2007.09.011.
- Gommer F, Endruweit A, Long A. Quantification of micro-scale variability in fibre bundles. Compos Part A Appl Sci Man-uf2016; 87: 131-137. DOI: 10.1016/j.compositesa.2016.04.019.
- Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern 1979; 9(1): 62-66. DOI: 10.1109/tsmc.1979.4310076.
- Shi Z, Setlur S, Govindaraju V. Digital image enhancement using normalization techniques and their application to palm leaf manuscripts. 2005. Source: (https://cedar.buffalo.edu/~zshi/Papers/kbcs04_261.pdf).
- Sauvola J, Pietikainen M. Adaptive document image bina-rization. Pattern Recognit 2000; 33(2): 225-236. DOI: 10.1016/s0031-3203(99)00055-2.
- Su B, Lu S, Tan C. Binarization of historical document images using the local maximum and minimum. Proc 9th IAPR Int Workshop on Document Analysis Systems 2010: 159-165. DOI: 10.1145/1815330.1815351.
- Castellanos FJ, Gallego AJ. A selectional auto-encoder approach for document image binarization. Pattern Recognit 2019; 86: 37-47. DOI: 10.1016/j.patcog.2018.08.011.
- Pastor-Pellicer J, España-Boquera S, Zamora-Martínez F, Ze-shan AfZal M, Castro-Bleda MJ. Insights on the use of convo-lutional neural networks for document image binarization. In Book: Rojas I, Joya G, Catala A, eds. Advances in Computational Intelligence. Part II. Springer International Publishing; 2015: 115-126. DOI: 10.1007/978-3-319-19222-2_10.
- Peng X, Cao H, Natarajan P. Using convolutional encoderdecoder for document image binarization. 14th IAPR Int Conf on Document Analysis and Recognition 2017: 708713. DOI: 10.1016/j.patcog.2018.08.011.
- Rehman A, Saba T. Neural networks for document image preprocessing: State of the art. Artif Intell Rev 2014; 42(2): 253-273. DOI: 10.1007/s10462-012-9337-z.
- Bank D, Koenigsteain N, Giryes R. Autoencoders. Source: (https://www.researchgate.net/publication/339945889_Aut oencoders).
- About Keras. The Functional API. Source: (https://keras.io/guides/functional_api/).
- About Keras. Keras API reference: Convolution 2D layers. Source: (https://keras.io/api/layers/convolution_layers/con volution2d/).
- Turchenko V, Luczak A. Creation of a deep convolutional auto-encoder in caffe. Source: (https://www.researchgate.net/publication/286302172_Creation_of_a_Deep_Convolutional_Auto-Encoder_in_Caffe).
- About Keras. Keras API reference: MaxPooling2D layer. Source: (https://keras.io/api/layers/pooling_layers/max_po oling2d/).
- About Keras. Keras API reference: UpSampling2D layer. Source: (https://keras.io/api/layers/reshaping_layers/up_sa mpling2d/).
- About Keras. Keras API reference: Optimizers_Adam. Source: (https://keras.io/api/optimizers/adam/).
- Kingma D, Ba J. Adam: A method for stochastic optimization. Source: (https://www.researchgate.net/publication/269935079_Ada m_A_Method_for_Stochastic_Optimization).
