=Paper=
{{Paper
|id=Vol-1482/595
|storemode=property
|title=Параллельные технологии в задаче идентификации и анализа коррозионной трещины
(Parallel computing in identification of steel corrosion processes)
|pdfUrl=https://ceur-ws.org/Vol-1482/595.pdf
|volume=Vol-1482
}}
==Параллельные технологии в задаче идентификации и анализа коррозионной трещины
(Parallel computing in identification of steel corrosion processes)==
https://ceur-ws.org/Vol-1482/595.pdf
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Параллельные технологии в задаче идентификации
и анализа коррозионной трещины
М.Р. Еникеев, И.М. Губайдуллин
Институт нефтехимии и катализа РАН
В данной работе рассматривается проблема идентификации и анализа дефектов в
смежных задачах изучения зарождения коррозионного растрескивания под напряже-
нием (КРН), а также использования параллельных вычислений для повышения ско-
рости обработки и анализа входных данных для этого типа задач. Приведен анализ
экспериментов по коррозионным трещинам.
1. Введение
Современное развитие химической промышленности, разработка новых технологических
процессов, протекающих в агрессивных средах, предъявляют высокие требования к конструк-
ционным материалам. Наиболее важными конструкционными материалами являются металлы
и их сплавы. В процессе эксплуатации изделий, вследствие химического или электрохимиче-
ского взаимодействия их с окружающей средой происходит коррозия [1].
Процессы коррозии необратимы и часто приводят к отказам различных машин и аппаратов,
металлоконструкций, в связи с этим, их необходимо обнаруживать на ранних стадиях, давать
количественную оценку коррозионного повреждения, прогнозировать опасность развития в
случае непринятия мер по усилению коррозионной защиты. Установление причин коррозион-
ного разрушения позволяет правильно выбрать метод защиты.
Сложность задачи исследования, сложность и разнообразие коррозионной среды и условий
коррозии заставляют разрабатывать систему методов исследования и испытаний, которая по-
зволяла бы ответить на поставленные теорией и практикой вопросы.
По способу оценки методы исследования коррозии металлов подразделяются на количест-
венные и качественные.
Среди количественных методов исследования коррозии часто применяют весовой, объем-
ный, электрохимический, магнитометрический и другие методы. Одним из главных недостат-
ков этих подходов является относительная трудоемкость проведения анализа и невозможность
применить эти методы вне лабораторных условий. Качественные методы испытания не дают
полной характеристики стойкости металлов, но позволяют установить характер и интенсив-
ность коррозионного процесса [2].
С точки зрения визуальных методов оценки, как и большинство природных явлений, кор-
розия по существу является сложной и нерегулярной, поэтому морфология и изображения по-
верхности, подвергшейся коррозионному разрушению, не могут быть совершенно идентичны-
ми даже в случае использования одного и того же материала и коррозионной среды. Еще одна
особенность, которая затрудняет анализ коррозии с помощью визуальных методов, – это широ-
кое разнообразие объектов для анализа при оценке коррозии. Например, в зависимости от кор-
розионной среды, механизма коррозионного процесса, характера дополнительных воздействий
на корродирующий металл в процессе его взаимодействия с внешней средой возможны различ-
ные процессы образования коррозии: кавитационая коррозия, питтинговая коррозия, коррози-
онное растрескивание под напряжением. Критерии анализа на основе изображений для данных
процессов будут кардинально отличаться.
Таким образом, подведем итоги: изображения прокорродировавшего металла нерегулярны
и невоспроизводимы. Разработка математической модели, позволяющей количественно описы-
вать процессы на межфазных границах в широком ряду испытательных сред и металлов, и ос-
нованной на обработке изображений прокорродировавшей поверхности, даст возможность бо-
лее полного использования методов визуального контроля и более глубокого понимания меха-
низмов реакций на межфазных границах. Системой, реализующей такую модель, может быть
система компьютерного зрения.
595
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Для задачи визуального контроля за экспериментом можно выделить общую схему поиска
повреждений поверхности:
1) Предварительная обработка изображения.
2) Сегментация изображения.
3) Анализ параметров дефектов
Рассмотрим содержание этой подробно для коррозионного растрескивания под напряжени-
ем.
2. Задача поиска объектов: питтинговая коррозия
Оценка коррозионного растрескивания под напряжением состояло в анализе входных дан-
ных в виде изображений трубной стали X70 в различных растворах (рис. 1). В качестве крите-
рия оценки трещины на образце стали использовалась фрактальная размерность. Целью обра-
ботки серии изображений был поиск взаимосвязи между структурными изменениями трещины
и с химическим и механическим воздействием на неё.
Рис. 1. Примеры входных данных для трубной стали X70
В качестве предварительной обработки изображения использовались фильтры шумоподав-
ления и фильтры повышения контрастности и чёткости. В частности, для повышения четкости
использовался метод линейной растяжки гистограммы, который имеет следующий вид:
b 255 / (max min)
a b * min
dst(x, y) a b *src(x, y),
где a и b – коэффициенты растяжения, max и min – соответственно максимальное и мини-
мальное значения яркости на изображении, src и dst – исходное и обработанное изображения
соответственно.
В качестве фильтра шумоподавления использовался медианный фильтр. Благодаря своим
характеристикам медианный фильтр при оптимально выбранной апертуре (размер окна фильт-
ра) может сохранять без искажений резкие границы объектов, подавляя некоррелированные и
слабо коррелированные помехи и малоразмерные детали. В аналогичных условиях алгоритмы
линейной фильтрации неизбежно "размывают" резкие границы и контуры объектов (рис. 2).
После проведения операции шумоподавления, поиск трещины для анализа можно осуще-
ствлять различными способами. Эта задача сводится к поиску границы на изображении, в дан-
ном случае можно наблюдать резкое изменение яркости. Такую задачу можно решать напри-
мер, детектором границ Кенни. Так как этот детектор восприимчив к шуму, можно привести
входные изображения к бинарному виду, и разделить все входные пиксели изображения на
"сигнал" и "шум".
Существуют различные подходы к бинаризации, которые условно можно разделить на 2
группы: пороговые и адаптивные. Пороговые методы бинаризации оперируют всем изображе-
596
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
нием, используя характеристику (порог), позволяющую разделить все изображение на две об-
ласти. Адаптивные методы работают с участками изображений и используются при неодно-
родном освещении объектов. В нашем случае освещение нельзя назвать неоднородным, поэто-
му использовалась пороговая бинаризация.
Рис. 2. Применение медианного фильтра. Левое изображение – до применение фильтра, правое –
после
Для определения оптимального порога бинаризации предложено большое количество раз-
личных подходов. Наиболее удачным из них представляется подход Otsu [3], который предпо-
лагает не только определение оптимального порога бинаризации, но и вычисление некоторого
критерия бимодальности, то есть оценку того, действительно ли исследуемая гистограмма со-
держит именно два выраженных пика.
Рис. 3. Применение операции бинаризации по Отсу
Применение операции бинаризации для входного изображения отображено на рис. 3. Та-
ким образом получаем бинарное изображение, которое явным образом задаёт границы объекта.
Вот эта совокупность пикселей, составляющих границу объекта и есть контур объекта. Чтобы
оперировать полученным контуром, его необходимо как-то представить (закодировать). В дан-
ном случае использовался метод, упоминаемый во второй главе данной работы, цепной код
Фримена.
Выделив контуры на изображении и отфильтровав контуры слишком малого размера, по-
лучим искомый профиль трещины (рис. 4).
597
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Рис. 4. Профиль трещины после проведения операции распознования
Характеристика коррозионного растрескивания велась при помощи фрактального анализа.
Для образца стали при растрескивании была рассчитана фрактальная размерность. На рисунке
8 представлен образец стали с выделенной границей, осуществленной с помощью приведенных
выше методов, и соответствующая ей рассчитанная фрактальная размерность на рисунке 5.
Рис. 5. Фрактальная размерность образца коррозионного растрескивания под напряжением
Для образца стали при растрескивании была рассчитана фрактальная размерность. На ри-
сунке 6 можно увидеть образец стали с выделенной границей, осуществленной с помощью
приведенных выше методов, и соответствующую ей рассчитанную фрактальную размерность
на рисунке 6.
Обработка серии эккспериментов анализа коррозионного растрескивания трубной стали
X70 проводилась для различных раствовров [4].
Таблица 1. Растворы для анализа коррозионного растрескивнаия трубной стали X70
Состав раствора Наименование Скорость
Фон + 1мМ Na2S Образец 5 0,18
Фон Образец 17 0,13
Фон + 10 мМ Образец 20 0,62
Mg(H2PO4)2
Фон + 30 мМ NaHCO3 Образец 21 0,14
NS4 + боратный буфер Образец 22 0,4
598
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
NS4 + 50 мМ Образец 23. 0,62
Mg(H2PO4)2
Фон + 1 мМ Na2S Образец 26 0,17
Целью анализа являлось установление взаимосвязи скорости роста трещины и её фрак-
тальной размерности. В первоначальных входных данных, для каждого образца раствора, су-
ществовало несколько наборов изображений, различных участков трещины. На рисунке 6 ото-
бражены входные данные соответствующие образцу №5.
Рис. 6. Пример набора входных данных для образца 5
Был проведен расчет по входным данным для всех представленных образцов, используя
алгоритмы распознавания описанные в данной работе. Результат расчета представлен на ри-
сунке 7а. Проанализировав данный результат, было предположено, что данная хаотичная "кор-
реляция" обусловлена тем, что трещина представляет собой объект, состоящий из трех подъ-
обьектов: часть вырезанная лобзиком, усталостная трещина и коррозионная трещина. Для того
чтобы получить коррлеяцию между скорость роста трещины и ее фрактальной размерностью,
необходимо использовать только участки коррозионной трещины. Как можно заметить из ри-
сунка 7б, данные по взаимосвязи можно разделить на два кластера (выделены синим и крас-
ным), такое поведение обсуждается, возможно, что оно зависит от раствора, в котрой реаигиру-
ет трубная сталь, с другой стороны, с учетом относительно малого количества входных данных,
это поведение можно отнести к погрешности получения исходных данных по скорости.
Рис. 7. Взаимосвязь скорости роста трещины и её фрактальной размерности а) без учета типа тре-
щины, б) учет только коррозионной трещины
4. Параллельные вычисления в процессе работы детектора
При решении задачи детектировании пузырьков возникает вопрос о сокращении времени
расчетов. Распараллелить решение задачи можно на уровне параллелизма данных [5].
599
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Уровень параллелизма данных
Название модели "параллелизм данных" происходит оттого, что параллелизм заключается
в применении одной и той же операции к множеству элементов данных. В нашем случае, этой
моделью удобно пользоваться для набора кадров. Для параллельной обработки кадров удобно
использовать такую технологию программирования, как OpenMP.
Уровень распараллеливания алгоритмов
Следующий уровень, это распараллеливание отдельных процедур и алгоритмов. Сюда
можно отнести алгоритмы фильтрации изображения, обработки, выделения объектов изобра-
жения по типам и т. д. На этом уровне абстракций удобно использовать такую технологию, как
OpenCV в связке с GPU.
Для параллельной обработки GPU модуль OpenCV содержит в себе несколько уровней
функциональности. На нижнем уровне находятся реализации служебных операций, таких как
инициализация и управление GPU, работа с памятью, механизм асинхронных вызовов. Уров-
нем выше реализован широкий набор базовых функций обработки изображений: различные ме-
тоды фильтрации, поиск максимума, аффинные преобразования, вычисление разности изобра-
жений в различных нормах и т.д. Список этих алгоритмов постоянно обновляется, в целом они
призваны облегчить разработку алгоритмов компьютерного зрения самого высокого уровня.
В OpenCV контейнером для хранения данных (в том числе изображений) служит класс
Mat. По аналогии в GPU модуле реализован класс GpuMat, практически с той же функциональ-
ностью, но хранящий данные в видеопамяти. Библиотека OpenCV предоставляет удобные сред-
ства обмена информацией между GPU и CPU. Основную часть GPU модуля составляют функ-
ции, имеющие интерфейс, идентичный CPU части OpenCV, с тем лишь отличием, что они при-
нимают на вход объект типа GpuMat. Программный интерфейс модуля (API) создан макси-
мально близким к интерфейсу CPU части OpenCV, что облегчает перенос существующего кода
на GPU. Однажды загрузив изображение на видеокарту, можно использовать различные функ-
ции обработки, которые будут производиться целиком на видеокарте.
Плюсом данного метода является простота реализации и удовлетворительный результат
времени ускорения расчета для экспериментатора. В целом для задачи анализа КРН ускорение
составило 4.5 раза.
Литература
1. Еникеев М.Р., Малеева М.А., Губайдуллин И.М. Исследование механизма развития корро-
зионных поражений с использованием компьютерного зрения // Журнал Средневолжского
математического общества. 2013. Т. 15. № 3. С. 70-75
2. M. Weisner, J. Ihlemann H.H., Muller, E. Lankenau, G. Huttmann Optical coherence tomography
for process control of laser micromachining // Review of Scientific Instuments. 2010, T. 81 №3,
033705.
3. N. Otsu. «A threshold selection method from gray-level histograms». IEEE Trans. Sys., Man.,
Cyber. 9, 1979, p.: 62-66.
4. Богданов Р. И. Закономерности коррозионного растрескивания под напряжением трубной
стали Х70 в грунтовых электролитах с pH близким к нейтральному : дис. канд. хим. наук :
05.17.03 - М. 2012.- 196 с.
5. Еникеев М.Р., Сайфуллина Л.С., Губайдуллин И.М Использование технологии параллель-
ных вычислений при разработке прибора автоматического контроля параметров детали
сложной геометрической формы // В сборнике: Параллельные вычислительные технологии
(ПаВТ'2012) Труды международной научной конференции. Ответственные за выпуск: Л.Б.
Соколинский, К.С. Пан. 2012. С. 721.
600
Суперкомпьютерные дни в России 2015 // Russian Supercomputing Days 2015 // RussianSCDays.org
Parallel computing in identification of steel corrosion processes
Marat Enikeev and Irek Gubaydullin
Keywords: Parallel computing, metal corrosion, computer vision, image processing
The purpose of this paper is investigation of corrosion process using method of computer
vision. GPU using to process experiment.