Для контроля технического состояния резинотехнических изделий (РТИ) существенное значение имеет усовершенствование методов видеометрического анализа степени разрушения и старения резины в агрессивной среде. Основным фактором, определяющим степень разрушения резинового изделия, является степень покрытия его трещинами, которая характеризуется количеством, суммарной площадью, периметром трещин, геометрической формой и рядом других параметров. В процессе создания методики оценки степени разрушения РТИ возникает задача разработки алгоритма машинного зрения для оценки степени покрытия образца трещинами, а также определения характеристик разрушения. Для разработки алгоритма обработки изображений проведен ряд экспериментальных исследований по искусственному состариванию ряда образцов изделий, изготовленных из различных резин. В ходе экспериментов была получена серия снимков ряда образцов вулканизатов в реальном времени. Для достижения поставленных целей изначально производится стабилизация освещенности полученного массива изображений с использованием фильтра Гаусса. После этого для каждого изображения применяется операция бинаризации. Для выделения контуров поверхностных повреждений образца применяется алгоритм Кэнни. Обнаруженные контуры преобразуются в массив точек. Однако одна трещина может быть выделена как несколько контуров. Поэтому был разработан алгоритм объединения контуров по критерию минимума расстояния между ними. В конце производится расчёт морфологических признаков каждого контура (площадь, периметр, длина, ширина, угол наклона, фрактальная размерность Минковского). Приводятся графики полученных с помощью методики параметров разрушения образцов РТИ. Разработанная методика позволяет автоматизировать оценку степени старения РТИ в телеметрических системах, исследовать динамику процесса старения полимеров, получать исходную информацию для математического моделирования процессов старения полимеров, прогнозировать изменение состояния РТИ с течением времени.

резнинотехнические изделия, машинное зрение, алгоритм, методика, климатическая камера

1. Li L., Sun L., Ning G., Tan S. Automatic pavement crack recognition based on BP neural network // Promet – Traffic&Transportation. 2014. V. 26. № 1. P. 11-22.

2. Broberg P., Runnemalm A. Detection of Surface Cracks in Welds using Active Thermography // 18th World Conference on Nondestructive Testing, Durban, South Africa. 2012. P. 16-20.

3. Boonprakong P., Chamnongthai K. Bark Rubber Tree Crack Detection and Classification using Fractal Dimension // Proceedings of the 7th WSEAS International Conference on Robotics, Control & Manufacturing Technology, Hangzhou, China, April 15-17. 2007. P. 229-232.

4. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. 620 с.

5. Bradsky G., Kaehler A. Learning OpenCV. O’Reilly, 2008. 580 p.

6. OpenCV 2.4.11.0 documentation [Электронный ресурс]. Режим доступа: http://docs.opencv.org/.

7. Шуплецов Ю.В., Ампилова Н.Б. Алгоритм вычисления размерности Минковского для полутоновых изображений // Известия Российского государственного педагогического университета им. А.И. Герцена. 2014. № 165. С. 99-106.