Seria: T R A N S P O R T z. 40 N r kol. 1490
T eresa P A M U Ł A
ZA STO SO W AN IE SIECI NEURONOW EJ DO OKREŚLANIA W ŁASNO ŚCI PO ŁĄCZEŃ SPAW ANYCH
S treszczen ie. W artykule przedstaw iono próbę zastosow ania sieci neuronow ej do oceny struktur spoin niskow ęglow ych. Zaproponow ano użycie trój w arstw ow ej jednokierunkow ej nieliniow ej sieci do przetw arzania obrazów m ikroskopow ych spoin i pow iązania ich z bazą danych w łasności. Z astosow ano sigm oidalną funkcję przejścia. N aukę sieci przeprow adzono w ykorzystując m etodę propagacji w stecznej z różnym i w spółczynnikam i uczenia d la każdej z warstw.
M ikroskopow e obrazy spoin potraktow ano ja k tekstury i przygotow ano ciągi uczące dla sieci w ykorzystując m etody klasyfikacji tekstur.
THE NEURAL NETWORK APPLICATION FOR ASSESING THE PROPERTIES OF WELDED JOINTS
S u m m a ry . The paper presents an attem pt to apply a neural netw ork for assessing the properties o f low carbon w elds. A three layer unidirectional non linear net w as designed to interpret the contents o f m icroscopic im ages o f the w elds and com bine it w ith the contents o f a database o f w eld properties. For this purpose a sigm oidal transfer functions w ere used. The course o f the net training w as carried out using backpropagation idea w ith different learning rates and m om entum coefficients for the net layers.
The w eld im ages w ere treated as textures. A m ethod for preparing training sequences was devised, based on texture analysis m ethods.
1. W STĘP
D o w y konyw ania konstrukcji spaw anych najczęściej w ykorzystuje się niskostopow e i niskow ęglow e stale konstrukcyjne. D la konstruktora istotne są w ypadkow e w łasności m echaniczne p ospaw anych elem entów . Sposób spaw ania determ inuje strukturę i w łasności
m echaniczne złączy spaw anych. D ostarczana energia cieplna podczas w y k o n y w an ia spoiny i szybkość chłodzenia d e c y d u ją o strukturze spoiny (rys. 1). W toku badań p rzyjm uje się zw ykle, że p aram etrem odw zorow ującym dostarczaną energię je s t en erg ia przypadająca na jed n o stk ę długości spoiny podczas w ykonyw ania spaw u zw ana e n erg ią liniow ą.
W w yniku analizy m etalograficznej spoin niskow ęglow ych stw ierdzono, że struktura w tórna, p o jaw iająca się w spoinach w w yniku przem iany austenitu, m oże w duży m stopniu decydow ać o w łasnościach spoin, zw łaszcza o ich udam ości. W tak ich spoinach m ożna w yróżnić trzy odm iany ferrytu zgodnie z klasyfikacją M iędzynarodow ego Instytutu Spaw alnictw a, a m ianow icie:
- ferryt początkow y (FP),
- ferryt uboczny p łytkow y (bocznopłytkow y) (FB ), - ferryt drobnoziarnisty (FD).
W pracy [7] określono zależność m iędzy en erg ią liniow ą a p o w ierzch n ią zajm ow aną przez odm iany ferry tu na obrazie m ikroskopow ym spoin, k tó rą ilustruje tabl. 1.
T a b l i c a 1 U d z i a ł p o w i e r z c h n i o w y f e r r y t u w s p o i n i e T . I . M . E .
LP- [kJ/cm] Ei
U dział pow ierzchniow y [%]
F erryt początkow y
Ferryt
b ocznopłytkow y
Ferryt
d robnoziarnisty Inne
1 9,60 6,79 0,39 92,08 0,74
2 16,80 17,26 3,06 79,04 0,64
3 22,40 21,59 3,00 74,81 0,60
4 32,30 25,82 3,69 69,93 0,56
5 45,9 39,04 3,70 56,80 0,46
Z analizy dan y ch zam ieszczonych w tablicy w ynika, że zw iększenie energii liniow ej pow oduje zw iększenie obszaru zajm ow anego przez ferryt początkow y. U dział pow ierzchniow y ferrytu bocznopłytkow ego nie ulega w iększym zm ianom przy w zroście energii. P ow iększanie obszaru ferrytu początkow ego od b y w a się kosztem zm niejszenia pow ierzchni ferrytu drobnoziarnistego.
Przedstaw ione zależności m ają charakter m onotoniczny. N a podstaw ie analizy obrazu spoiny, tj. udziału pow ierzchniow ego składników , m ożna jednoznacznie określić energię liniow ą.
E nergia liniow a spaw u określa w łasności m echaniczne spoiny [7], W iążąc o braz spoiny z bazą danych o jej w łasnościach, m ożna uzyskać (przydatne w p raktyce spaw alniczej) narzędzie określania w łasności spoin.
Do realizacji tego zadania zaproponow ano w ykorzystanie teorii sieci neuronow ych. Sieć neuronow a um ożliw ia klasyfikację i znajdow anie zw iązków m iędzy zbioram i cech.
Z astosow anie sieci neuronow ej wym aga:
- określenia jej optym alnej struktury,
- w ybrania funkcji przejścia i sposobu uczenia, - określenia ciągów uczących.
Energia liniow a 45,9 kJ/cm Energia liniow a 9,6 kJ/cm Rys. 1. P rzykładow e obrazy m ikroskopow e spoin o pow iększeniu 250x
Fig. 1. Instances o f m ikroscopic im ages o f w elds mag. 250x
2. ST R U K TU R A SIEC I N EU R O N O W E J
Pow ierzchnia spoiny je s t strukturą niejednorodną. Przyjęto tek stu ro w ą reprezentację za
wartości obrazu spoiny. Tekstura określa lokalne cechy statystyczne obrazu. M ikroskopow y obraz spoiny w 250-krotnym pow iększeniu obejm uje w ycinek o pow ierzchni około 0,5% ca
łego przekroju spoiny. R ozm iar odm ian ferrytu uzasadnia przyjęcie podstaw ow ego rozm iaru tekstury na 64x64 piksele. Stąd w ycinek obejm uje kilkadziesiąt tekstur. W celu określenia cech spoiny z dostatecznie m ałym błędem należy poddać w spólnej analizie zbiory co naj
mniej kilkunastu losow o w ybranych w ycinków spoiny tak, aby stanow iły one nie m niej niż 5
% całkow itej pow ierzchni.
N a podstaw ie inform acji z w yjść sieci o liczbie tekstur z danej klasy (w cyklu) m ożna określić udział pow ierzchniow y składników spoiny odw zorow anych przez tekstury, a w dalszej kolejności pow iązać go z w łasnościam i m echanicznym i spawu.
Do rozpoznaw ania obrazów tekstur (64x64 piksele) zastosow ano trójw arstw ow ą nieli
niow ą sieć neuronow ą. Z astosow ano sigm oidalną funkcję przejścia neuronu. Spraw dzono kilka konfiguracji sieci i w ybrano optym alną ze w zględu na efektyw ność uczenia się. N a rys. 2 przedstaw iono w y b ran ą strukturę sieci.
Proces uczenia sieci przeprow adzono m etodą propagacji w stecznej. W toku przeprow a
dzonych cykli uczenia dobrano optym alne w spółczynniki nauki kolejnych w arstw sieci.
W spółczynniki uczenia były najw iększe dla w arstwy w yjściow ej.
Rys. 2. S chem at połączeń sieci neuronow ej dla obrazu 64x64 Fig. 2. N eural netw ork diagram for a 64x64 im age
R ys. 3. Podział obrazu na podobrazy o rozdzielczości 64x64 piksele (obraz po binaryzacji) Fig. 3. Partitioning o f im age into 64x64 pixel patches
2.1. W stępne przetw orzenie obrazu
W celu zredukow ania różnic w naśw ietleniu obrazów i zm niejszeniu rozm iaru inform acji podaw anej n a sieć obrazy pom iarow e zostały zbinaryzow ane z progiem rów nym średniej w artości pikseli na obrazie. B inaryzację w ykonano globalnie dla całego obrazu (binaryzacja lokalna - dla obrazów 64x64 - pow odow ała niepotrzebne ujaw nienie szczegółów ).
2.2. P odział obrazu
Do celów analizy obraz podzielono n a podobrazy o rozm iarach 64x64 piksele (dla obrazu o pow iększeniu 250-krotnym ). Takie podejście elim inuje 2 problem y:
- um ożliw ia zw iększenie długości ciągu uczącego przez w prow adzenie dużej liczby m ałych obrazów ,
- uniezależnia w ynik od liczby obrazów w ykonanych dla danej spoiny (o w łasnościach m ożna w nioskow ać dopiero na podstaw ie analizy kilkunastu lub w ięcej obrazów , które stanow ią ok. 5% pow ierzchni danej spoiny).
3. D O B Ó R C IĄ G U U C ZĄ CEG O
Do uzyskania dużej dokładności klasyfikacji istotne są rozm iary zbioru uczącego oraz ja kość obrazów w zorcow ych w ykorzystanych do nauki sieci. P rzygotow anie takich zbiorów je st uciążliw e i bardzo pracochłonne. Zaproponow ano w ykorzystanie m etod klasyfikacji tek
stur do analizy zaw artości m ikroskopow ych obrazów spoin i przygotow ania ciągów uczą
cych. W ten sposób m ożna odejść od uciążliw ego w yodrębniania obiektów , w ty m przypad
ków odm ian ferrytu, a w ykorzystać prostsze algorytm y statystycznej obróbki pikseli obrazu.
O braz m ikroskopow y spoiny potraktow any został jak o obraz teksturow y. W celu doboru praw idłow ych ciągów uczących obrazy poklasyfikow ano w edług cech obrazów teksturo- wych.
Do uczenia sieci o strukturze przedstaw ionej na rys.4 przygotow ano 240 obrazów tekstur, po 80 z każdej z 3 klas (w początkow ym etapie badań uw zględniono tylko 3 rodzaje ob
razów , docelow o będzie ich 4 lub w ięcej). K lasy obrazów tekstur ró żn ią się p ro p o rcją białych pikseli i czarnych, a także liczbą elem entów o małej pow ierzchni (ferryt drobnoziarnisty) i o dużej pow ierzchni (ferryt początkow y, bocznopłytkow y).
3.1. Cechy obrazów teksturow ych
C echy obrazów teksturow ych m ożna obliczyć na podstaw ie m acierzy przyległości (co- occurence-M atrix).
P rzykładow a m acierz przyległości dla obrazu o 4 kolorach:
0 3 3 0 3 3 0
0 3 3 0 3 3 0
2 1 2 1 1 1 2
0 3 3 0 3 3 0
0 3 3 0 3 3 0
2 1 2 1 1 1 2
0 1 2 3
Przykładow a m acierz przyległości dla obrazu binarnego.
W ybrane cechy obrazów teksturow ych:
E N E R G IA
E ^ n c s u j )}2
N N«•=iy=i___________________________
K O N T R A ST
K = ii(i-j) 2 Cs(i,j )
'=17=1
0 0 0 8
---►
0 0 6 0
0 6 0 0
8 0 0 8
V
0 1 1 0 1 1 0
0 1 1 0 1 1 0 0 1
1 1 1 1 1 1 1 [ a | b j 0 0 8
0 1 1 0 1 1 0 ► 1
b i
8 20
0 1 1 0 1 1 0 r
1 1 1 1 1 1 1
E N T R O PIA
E t= - Z Z Q o. y) iog q o-, j )
- =1 7=1 ______________________
JE D N O R O D N O ŚĆ
,-=i j=11 + |i - 7|
3.2. W ybór obrazów ciągu uczącego
O brazy (w ielkości 64x64 piksele) do ciągu uczącego zostały w ybrane na p odstaw ie wyżej w ym ienionych cech obrazów teksturow ych. Potraktow anie tych obrazów ja k o teksturo we um ożliw iło zautom atyzow anie sposobu w yboru obrazów dla ciągu uczącego, który liczy po 80 elem entów d la każdej z trzech klas.
W tablicy 2 przedstaw iono zakresy w artości takich cech, jak : energia, kontrast, entropia d la klas obrazu tekstury o rozm iarze 64x64 piksele. M inim alne i m aksym alne w artości dla danej cechy w yznaczono dośw iadczalnie na podstaw ie badań cech kilkuset obrazów , do których w y korzystano oprogram ow anie w łasne w ykonane w środow isku zintegerow anym DELPHI.
W w yniku ty ch badań stw ierdzono, że w ygląd ponad 90% obrazów spełniających kryteria przynależności do danej klasy (tabl. 2) je s t zgodny z przew idyw anym . W celu zw iększenia dokładności w nioskow ania w następnych badaniach dołożone zostanią dodatkow e k ry teria przynależności obrazu do danej klasy.
T ablica 2 Zakresy w artości cech obrazów teksturow ych dla danej klasy obrazów
ciągu uczącego R odzaj obrazu E oc
M iń r * . ' i-§~---
M ax
K oń
M in
m
M ax
Ęntr M in
opia
k l.l 53*10r 60* 10s 800 1100 -2800 -1800
kl.2 61*105 66*105 500 700 -1800 -1300
kl.3 67* 105 84*105 400 600 -1300 -800
Przykładow e obrazy klasy 1
Przykładow e obrazy klasy 2
Przykładow e obrazy klasy 3
Rys. 4. P rzykładow e obrazy m ikroskopow e Fig. 4. Instances o f m ikroscopioc im ages
4. W Y N IK I B A D A Ń
W yniki rozpoznania sieci dla obrazów testow ych po 150000 iteracji przy 240- elem entow ym ciągu uczącym , po 80 obrazów o rozdzielczości 64x64 z każdej z trzech klas.
P rzykładow e w yniki rozpoznania obrazu spoiny o pow iększeniu 250-krotnym przedstaw iono n a ry s .5. N um ery na obrazie oznaczają przynależność podobrazu do jednej z trzech klas. M ożem y w ten sposób uzyskać inform ację o zaw artości procentow ej
elem entów z danej klasy na je d n y m obrazie lub w cyklu obrazów z danej spoiny, co um ożliw ia obliczenie w łasności m echanicznych tej spoiny.
R ys. 5. P odział obrazu na podobrazy o rozm iarze 64x64 piksele Fig. 5. Partitioning o f im age into 64x64 pixel patches
K ażdy z o b razów je s t w prow adzany do sieci i po spraw dzeniu w szy stk ich podobrazów m ożna podać pro cen to w ą zaw artość elem entów graficznych z klasy 1, 2 lub 3 n a obrazie.
N a przykładow ym obrazie procentow a zaw artość elem entów z każdej klasy je st następująca:
- klasy 1 je s t 8/30* 100% ~ 27% , - klasy 2 je s t 15/30* 100% = 50% , - klasy 3 je s t 7/30*100% = 2 3 % .
5. W Y ŻSZ A JA K O ŚĆ R O Z PO ZN A W A N IA . W N IO SK I
W celu p odniesienia klasy diagnostycznej sieci przew idziano dalsze prace ek sp ery m en talne w obszarach:
- dodatkow ych klas obrazów , - zm ian algorytm u uczenia sieci, - zm ian struktury sieci,
- zw iększenie rozm iaru ciągu uczącego.
O p ra c o w a n a sie ć n e u ro n o w a u m o ż liw ia k la s y fik a c ję s p o in z e w z g lę d u n a p ro p o rc je z a w a rto ś c i fe rry tó w . U z y s k a n e w y n ik i p o tw ie r d z a ją k o n ie c z n o ś ć p rz y g o to w a n ia z n a c z n ie o b s z e rn ie js z e j b a z y sk la s y fik o w a n y c h o b ra z ó w s p o in , ta k ab y m o ż n a b y ło z w ię k s z y ć d o k ła d n o ś ć u c z e n ia sieci. A n a liz a c z a su n a u k i sie c i w y k a z a ła k o n ie c z n o ś ć m o d y f ik a c ji a lg o r y tm u u a k tu a ln ia n a w a g o ra z z w ię k s z e n ia m o c y o b lic z e n io w e j k o m p u te ra w c e lu o s ią g n ię c ia o d p o w ie d n ic h c z a só w p rz e tw a r z a n ia o b ra z ó w ta k d u żej b a z y d a n y c h .
L iteratura
1. O sow ski S.: Sieci neuronow e w ujęciu algorytm icznym . W NT, W arszaw a 1996.
2. P am uła T.: Środow isko program ow e system u przetw arzania obrazów do określania param etrów ruchu drogow ego. Z eszyty N aukow e Politechniki Śląskiej, Transport z.30, G liw ice 1998.
3. T adeusiew icz R.: Sieci neuronow e. A kadem icka O ficyna W ydaw nicza, W arszaw a 1993.
4. T adeusiew icz R.: E lem entarne w prow adzenie do techniki sieci neuronow ych z przykładow ym i program am i. A kadem icka O ficyna W ydaw nicza, W arszaw a 1998.
5. K orbicz J., O buchow icz A ., U ciński D.: Sztuczne sieci neuronow e. A kadem icka O ficyna W ydaw nicza, W arszaw a 1994.
6. W ebber C. J. S.: Feature recognition w ith m inim al assum ptions by neural se lf organisation. TSI Intelligent A utom ation and Soft C om puting, vol. 9 1998.
7. A dam iec J.: Praca doktorska, K atow ice 2000.
8. B hadeshia H .K .D .H .: N eural N etw orks in M aterials Science, ISIJ International 1999.
R ecenzent: Prof. J.Piecha
A b s tra c t
The paper presents an attem pt to apply a neural netw ork for assessing the properties o f low carbon w elds. T he properties are determ ined by the m icrostm cture o f the w elds. This structure is form ed in the process o f m elting and cooling o f steel in the w eld. The process and the resulting structure m ay be described using a set o f variables such as: linear energy o f w elding, ferrite content and w eld properties.
A three layer unidirectional non linear net w as designed to analyse the w elding data. M i
croscopic im ages o f the w elds, w ere used as inputs and com bined w ith the contents o f a data
base o f w eld properties. The course o f the net training, w as carried out using the backpropa- gation schem e w ith different learning rates and m om entum coefficients for the net layers.
The w eld im ages w ere treated as textures. A m ethod for preparing training sequences was devised, based on texture analysis methods.
The application o f the proposed neural netw ork proved to be successful. Further research is needed to optim ise the learning rate and fidelity o f structure recognition.