В настоящее время существует значительное количество различных информационных систем, позволяющих автоматизировать разработку управляющих программ для станков с ЧПУ. Особенно эффективными эти системы могут быть в случае обработки сложных поверхностей, требующих многопроходной обработки с различными траекториями и возможной сменой инструмента. Одним из примеров подобных сложных поверхностей являются художественные гравировки на различных изделиях. Под гравировкой понимается процесс, связанный с нанесением изображения (текстов, узоров, геометрических фигур, логотипов и так далее) путем неполного погружения гравировального инструмента в какой-либо материал. Такими материалами могут быть различные виды металлов и сплавов, акрил, древесина, текстолит, искусственный мрамор, стекло и т.д.

В настоящее время подобные гравировки изготавливаются либо вручную, либо с использованием лазерных или электрохимических станков. Однако ручные гравировальные работы требуют очень высокой квалификации работника, и, соответственно, существенно удорожают изделие. Поэтому рассматриваемая задача автоматизации, прежде всего, интересна с точки зрения переноса дорогостоящего труда мастера по созданию ручной гравировки в массовое производство с минимальными затратами ресурсов и времени.

Стоит отметить, что в настоящее время уже существует несколько подходов к автоматизации нанесения гравировки на готовое изделие, заключающихся в использовании дорогостоящего лазерного оборудования. Такой подход имеет как ряд преимуществ, среди которых скорость нанесения гравировального рисунка, точность выполнения гравировки, возможность выполнения рисунка на труднодоступных участках изделия, так и ряд недостатков, таких как: невозможность контроля точности и глубины гравировочного рисунка, негативное температурное воздействие лазерного луча на различные материалы. Кроме того, лазерная гравировка характеризуется относительно "грубой" поверхностью с характерными следами удаления материала.

Электрохимическая гравировка также не дает возможности воспроизвести мелкие элементы, сглаживает острые кромки и размывает штрихи. Кроме того, на поверхности рисунка остаются следы от отверстий для подвода электролита, которые приходится удалять вручную.

Все эти недостатки делают актуальной задачу поиска путей изготовления художественных гравировок с использованием гравировально-фрезерных станков с ЧПУ, эти станки достаточно производительны, позволяют контролировать глубину обработки в широких диапазонах, не требуют предварительной подготовки материала и позволяют обрабатывать заготовки в широком диапазоне размеров. Однако при этом возникает задача автоматизации разработки управляющих программ для нанесения гравировки на основе рисунка художника, эталонной гравировки на образце изделия или гравировке на мастер-инструменте для изготовления катодов для электрохимической обработки.

Для решения задачи автоматизации процесса переноса гравировки с входного изображения на готовое изделие станком с ЧПУ путем распознавания контуров обработанной поверхности изделия и последующей генерации программы для станка целесообразно использовать научную базу компьютерного зрения, которое активно использует теорию и практику распознавания образов. Данная область знаний широко применяется в различных сферах нашей жизни, наиболее известными из которых являются: судебная экспертиза, медицина, видеонаблюдение, а также промышленность. Так, например, эта область науки находит применение в рентгенографии, термографии, используется в системах безопасности аэропортов и других общественных мест. В промышленности интенсивно используются методики распознавания очертаний объектов и их цветов, а также оптическое распознавание символов, на основе чего построен широкий спектр различных датчиков и приборов.

Во многих автоматизированных технических системах, таких как, системы управления технологическими процессами, системы проектирования объектов, имеют дело с графическими представлениями реальных объектов. Несмотря на обширную научную базу теории "машинного зрения" и широкую практику применения этой области знаний, остается ряд моментов, требующих тщательного изучения. В частности, это касается разработки новых методик автоматизированной обработки изображений гравировок с целью нанесения их на готовое изделие, с помощью станков с ЧПУ. Процесс преобразования графического изображения в гравировку для большинства станков с ЧПУ затруднен рядом факторов. Во-первых это трудоемкость данной задачи, кроме того нехватка программного обеспечения для преобразования графических изображений в конечные наборы команд для станка.

В целях повышения производительности и автоматизации изготовления изделий с использованием гравировки на фрезерных станках с ЧПУ необходимо разработать новую методику для обработки изображений с гравировкой. Объектом исследования является автоматизация технологических процессов с использованием фрезерных станков с ЧПУ. Предмет исследования - процессы автоматизированного нанесения гравировальных рисунков. Среди методов исследования можно отметить методы математического моделирования, теории обработки изображений, векторной алгебры, а также аналитической и дифференциальной геометрии.

Задачу подготовки данных для автоматической генерации программы для станка с ЧПУ в первом приближении можно свести к бинаризации исходного изображения детали с гравировкой, сегментации изображения путем его кластеризации с целью выделения исследуемой области и последующее детектирование границ гравировального рисунка.

числовое программное управление гравировка станок

Задача сегментации изображений и нахождения области гравировки является первым этапом автоматизации разработки программ для станков с ЧПУ. Следует отметить, что одна из основных трудностей в задачах распознавания образов состоит в определении, какие пиксели подлежат распознаванию, а какие следует игнорировать [1,2]. Сегментация - классическая задача компьютерного зрения, сводящаяся к разбиению изображения на области, содержащие различную информация, представляющую интерес для задачи распознавания. Естественно, что такой областью в рамках задачи, рассматриваемой в данной статье, будет область изображения, в которой находится гравировка.

Сложность отнесения областей изображения к различным классам заключается в том, что некоторые части изображения с разными объектами могут быть подобны друг другу. Схожесть участков может достигать такой степени, что в них могут содержаться наборы пикселей одинакового цвета, более того области могут отличаться друг от друга не характеристиками отдельно взятых пикселей, а только внешним видом некоторых групп пикселей. В общем случае стратегия нахождения различий подобных областей состоит в применении взвешенных сумм характеристик групп пикселей, и использовании при этом разных наборов весовых коэффициентов. Данная методика позволяет сглаживать шумы на изображениях, определять края и другие элементы изображения [1].

Например, расчет локального среднего значения в фиксированной области изображения можно представить в виде формулы (1)

, (1)

где R - изображение, получаемое на выходе, F - входное изображение [1].

В процессе кластеризации происходит разбиение множества векторов признаков на подмножества (кластеры). Компонентами векторов признаков могут быть:

1. Значения интенсивности.

2. Цветовые коды (RGB) или вычисленные на основе таких кодов цветовые характеристики.

3. Вычисленные характерные признаки.

4. Текстурные характерные признаки.

В общем случае любой характерный признак, сопоставимый пикселям, может быть использован для их группировки [2].

Обычно в процессе кластеризации по характерным признакам пикселей сначала они группируются, а затем с помощью алгоритмов маркировки связных компонент находятся связные области. Если предположить, что у нас имеется K кластеров с математическими ожиданиями , то квадратичную ошибку можно вычислить по формуле (2) [2,3]

. (2)

Данная величина, в рассматриваемой задаче, характеризует близость исходных данных к назначенным для них кластерам. Например, при кластеризации методом наименьших квадратов можно было бы перебирать все возможные разбиения на K кластеров и найти тот вариант, при котором D принимает минимальное значение, но так как данный подход требует очень больших вычислительных ресурсов, на практике используются приближенные методики [2].

Одним из наиболее популярных и продуктивных методов автоматической кластеризации является метод итерационной кластеризации по математическому ожиданию (interactive K-means clustering). Данный метод представляет собой простой итерационный алгоритм поиска экстремума. Суть алгоритма заключается в минимизации суммарного квадратичного отклонения содержимого кластеров от центров этих кластеров. Кратко алгоритм можно описать следующим образом:

1. Счетчику итераций присваивается значение ic = 1.

2. Случайно выбираются K значений математических ожиданий .

3. Для каждого вычисляется расстояние для k = 1, …, K и помещается в кластер с ближайшим вектором математического ожидания.

4. Инкрементируется значение счетчика итераций ic.

5. Корректировка значений математических ожиданий для получения нового множества за счет вычисления новых центров кластеров через центр масс.

6. Повторять шаги 3 - 5 до тех пор, пока при всех k не будет выполняться равенство [2,4].

Данный алгоритм всегда завершается, так как количество разбиений на конечном множестве также всегда будет конечно [2].

К сожалению, применительно к рассматриваемой задаче сегментации области гравировки, данный метод и построенные на его основе методы автоматической сегментации не способны давать решение с гарантированным результатом, которого требует задача автоматизации технологического процесса. В описанном выше методе разбиение происходит на основе предположения, что векторы признаков внутри одного объекта должны быть максимально "похожи", а между объектами максимально "не похожи". Следует отметить, что сама по себе подобная постановка задачи автоматической сегментации не является достаточно четкой [5]. Проблемой применимости рассмотренного алгоритма и аналогичных методик кластеризации к задаче исследования, является выделение векторов признаков. Это связано с тем, что гравировка, как было описано выше, выполняется на различных материалах, а гравировальный рисунок может быть абсолютно произвольным, что довольно размыто, определяет границы предположений для кластеров входных изображений, из чего можно сделать вывод о низкой применимости алгоритмов автоматической сегментации к исследуемой задаче.

В связи с недостатками методов автоматической сегментации, в настоящее время все большее внимание уделяется методам интерактивной сегментации, данные методы в большинстве случаев способны дать более ожидаемые результаты по сравнению с автоматическими методами за счет ввода дополнительных данных от пользователя в процессе работы алгоритма. Такие методы обычно подразумевают деление изображения на 2 области - область объекта и фона соответственно, что и требуется в задаче исследования. На данный момент эталонным методом интерактивной сегментации считается метод сегментации на графах - "Graph Cut" [5].

Основная идея метода заключается в минимизации пропускных способностей всех ребер графа путем его разреза (s - t) на два непересекающихся множества S и T, такие, что , . Данный метод работает с изображением как с графом, с вершинами в пикселях [6,7]. Метод предполагает введение двух дополнительных вершин S - истока и T - стока. Соседние пиксели с вершинами p и q связаны ребрами с весом, рассчитанным по формуле (3)

, (3)

где , - цвета пикселей, д - настраиваемый параметр, dist (p,q) - евклидово расстояние между пикселями [6,7].

Пользователь указывает в качестве входных данных пиксели, принадлежащие объекту и фону, эти вершины связываются с вершинами истока и стока, а ребрам придается бесконечно большие веса. Решение задачи сегментации с помощью данного метода, как было описано выше, сводится к нахождению минимального разреза графа, пиксели после разреза попавшие в граф с истоком помечаются как объект, со стоком - как фон. Из алгоритма видно, что пиксели, отнесенные пользователем к объекту - всегда будут классифицированы как объект, об этом свидетельствует бесконечно большой вес ребер, соединяющий вершины помеченных пикселей с истоком и стоком соответственно.

Наглядно алгоритм можно представить следующим рисунком (рис.1.) [6,7].