Идентификация и оперативный контроль строительного сырья и биологических объектов оптическими методами

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ИДЕНТИФИКАЦИЯ И ОПЕРАТИВНЫЙ КОНТРОЛЬ СТРОИТЕЛЬНОГО СЫРЬЯ И БИОЛОГИЧЕСКИХ ОБЪЕКТОВ ОПТИЧЕСКИМИ МЕТОДАМИ

К. Андинг

Технический Университет Ильменау (ТУИ),

А.М. Гурович,

С.М. Латыев,

П.А. Курицын

Санкт-Петербургский Университет ИТМО,

Э. Линц

Баухаус Университет

Рассматриваются оптические методы и средства для идентификации и оперативного контроля утилизируемых строительных материалов, растительных веществ, биологических тканей и субстратов на основе структурного, колориметрического и спектрального анализа их изображения.

Введение

В различных областях и сферах жизнедеятельности возникают проблемы и задачи, связанные с идентификацией, контролем качества и состоянием тех или иных изделий, материалов и веществ. Например, при утилизации строительных материалов, для их дальнейшего использования в качестве вторичного сырья, необходимо осуществлять их сортировку по определенным видам и классам. При производстве и поставках материалов и изделий из древесины необходимо знать её породу. При сборе и хранении зерна контролируют наличие в нём нежелательных включений и появление порчи. При биологических исследованиях и проведении медицинских операций необходимо идентифицировать биологические ткани и субстраты.

Все эти задачи могут быть выполнены с помощью оптических методов и устройств, разработанных для упомянутых целей. В докладе рассматриваются результаты некоторых исследований по идентификации и оперативному контролю строительных материалов и биологических веществ, выполненных в университетах ИТМО и ТУИ, в рамках долгосрочного договора о совместном учебном и научном сотрудничестве между университетами.

Идентификация строительных материалов при их утилизации

При строительстве и разрушении зданий образуется огромное количество отходов. Основная их часть используется в дорожном строительстве и земляных работах, и лишь малая часть, около 5%, идет в качестве сырья на повторное производство строительных материалов [1]. Это обусловлено неоднородностью и сложным составом отходов, а также применяемыми технологиями в индустрии переработки. Важной проблемой при утилизации отходов в строительной индустрии, для их повторного использования в производстве строительных материалов, является автоматизированная сортировка, основанная на идентификации составляющих строительного мусора.

В настоящее время ряд фирм производит машины для размельчения мусора, извлечения из него бумаги, металлических и деревянных частей, а также изготавливает устройства для автоматического контроля и сортировки сыпучих материалов (одна из разновидностей которых - строительные отходы) [2].

Идентификацию строительных отходов можно осуществлять на основе анализа изображений объектов. Для установления эффективности данного метода были проведены исследования с помощью 3CCD-камеры и подвижной транспортной ленты, на которой располагались исследуемые пробы. Эти исследования показали недостаточно высокую степень идентификации компонентов мусора, в случае, когда строительный мусор имеет множество фракций, некоторые из которых близки по структуре и цвету. Для более уверенной идентификации фракций необходимо введение дополнительных определяющих признаков, которыми могут служить спектры отражений и поглощений светового излучения строительными материалами. В работе [3] был проведен предварительный анализ спектров отражения оптического излучения некоторыми строительными материалами, который показал возможность использования спектров видимого и инфракрасного (ИК) диапазонов для повышения достоверности идентификации. Для обоснования целесообразности использования спектров отражения нами были проведены их экспериментальные исследования для фрагментов мусора наиболее типичных строительных материалов. Спектры (рис. 1а) были записаны в диапазоне 420-770 нм с помощью спектрометра Ocean Optics USB2000+.

а

б

Рис.1 Спектры отражения строительных отходов в видимом диапазоне (а) и первая производная (б). Здесь: 1 - гипс; 2 - пористый бетон; 3 - силикатный кирпич; 4 - бетон; 5 - гранит; 6 - легкий бетон; 7 - пористый кирпич; 8 - кирпич

оптический идентификация строительный биологический

Анализ графиков показывает, что спектры отражений позволяют различать большой ряд материалов, однако некоторые подклассы трудноразличимы. Например, спектральные кривые бетона и легкого бетона практически идентичны, что делает затруднительным их распознавание. Для идентификации подклассов необходимо использовать ИК-диапазон спектра и применять математическую обработку спектров [4], позволяющую получить дополнительные индивидуальные признаки материалов строительного мусора.

Таким образом, при утилизации строительных материалов представляется целесообразным создание устройства для идентификации фракций строительного мусора на комплексной основе: как на анализе формы, структуры и цвета полученного изображения фракций, так и на анализе спектров отражения, полученных от фракций в видимой и инфра-красной областях излучения.

Идентификация пород древесины

Древесина широко используется в строительстве, производстве мебели и в качестве отделочных материалов. Различение пород лесо- и пиломатериалов при их оптовых поставках, перемещении через государственную границу и использовании в большинстве случаев осуществляется экспертами. Одним из вариантов решения задачи идентификации древесины, позволяющей избежать субъективности оценки и необходимости услуг квалифицированных экспертов, является применение спектрофотометрических и колориметрических методов неразрушающего контроля. В работах [3,4] была представлена функциональная схема разработанного ранее прибора для идентификации лиственных и хвойных пород древесины «Кедр», который основан на измерении и последующей математической обработке спектров видимого и инфракрасного светового потока, отраженного от поверхности объекта (древесины). На основе представленного в вышеупомянутых работах принципа была построена небольшая опытная партия приборов.

Опыт эксплуатации серии приборов показал высокую достоверность идентификации пород древесины (достигающую в лучших случаях 80%). Вместе с тем было выявлено, что степень достоверности зависит от влажности древесины, состояния и качества обработки её поверхности, а также от того, что спектры диффузного отражения от торцов древесины могут зависеть от ряда факторов, характерных не только для данной породы, но и, например, от состава почв, на которых произрастал объект исследования, или химических особенностей воды в регионе произрастания. Последнее обстоятельство требует пополнения базы данных приборов спектрами рассеяния образцов пород деревьев, произрастающих в различных регионах страны. Для повышения уверенности идентификации была проведена модификация прибора по следующим направлениям: использован новый ПЗС фотоприёмник ПЗС S10420-1106 производства компании Hamamatsu с динамическим диапазоном не менее 12000, что существенно улучшает метрологические параметры приборов на его основе.

В настоящее время разрабатывается усовершенствованная методика идентификации пород древесины на основе рамановской спектроскопии и создается прототип конструкции рамановской модификации прибора.

Идентификация включений и зараженных зёрен в зерновых культурах

При сборе и хранении зерновых культур, особенно используемых для производства хлебопродуктов, производят тщательный контроль их качества. При этом выявляются всевозможные включения (семена сорняков, камешки, комки земли, насекомые, зерна других культур), поврежденные, несъедобные и зараженные грибками зерна. Автоматизация этого трудоемкого контроля, требующая квалифицированного персонала, возможна на основе анализа формы, структуры и цвета изображения транспортируемого (ссыпаемого) зерна, создаваемого цветной CCD-видеокамерой [3,5,6]. Разработанный алгоритм позволяет идентифицировать контролируемое зерно по 23 классам, учитывая около 200 параметров (характерных особенностей) для каждого из 95000 объектов, имеющихся в базе данных компьютера. Проведенные исследования показали, что степень идентификации зависит от вида зернового материала и определяющих параметров (характерных особенностей и числа объектов в банке данных [6]) для каждого вида и класса зерна, что требует создания большого банка данных.

Несмотря на высокую сложность идентификации, при использовании всех 23 классов можно повысить частные степени идентификации с 68,9% до 99,3% и добиться общей степени идентификации в 93,7% с помощью метода главных компонент [6]. При объединении сходных классов в 15 главных классов можно даже получить рост частных степеней идентификации с 89,4% до 99,3% и общей степени идентификации до 96,5% [6]. Таким образом, использование метода главных компонент на этапе предварительного анализа позволяет наглядно представить полученные данные и лучше организовать классовое разделение, что ведет к повышению степени идентификации.

Идентификация биологических тканей при проведении медицинских операций

Повышение информативности и безопасности диагностических манипуляций при подготовке и проведении медицинских исследований и операций (пункция эпидурального пространства, взятие материала для морфологических исследований и прочее), проводимых вблизи жизненно важных органов (центральная нервная система, легкие, сердце, поджелудочная железа) требует применения современных, высокотехнологичных и малоинвазивных приборов. Особенно актуальной она является при проведении эпидуральной анестезии. При проведении анестезии необходимо пунктировать эпидуральное пространство так, чтобы не повредить твердую мозговую оболочку (ТМО). Опыт анестезиолога, владение мануальными навыками даже для многоопытных специалистов не позволяет исключить пункции ТМО, достигающей 0,6-0,8% [8], при существующих, мануальных методах верификации эпидурального пространства. В работе [9] изложены экспериментально опробованные оптические методы идентификации эпидурального пространства на основе оптического световода, вставляемого в просвет медицинской иглы. Дистальный полированный конец световода совпадает с концом иглы и имеет такую же форму среза. По этому световоду оптическое излучение подводится к концу иглы, а отраженный свет возвращается обратно для верификации расположения конца иглы в искомой биологической ткани.

На рис.2,а представлена функциональная схема макета одного из устройств, создающего изображение объекта идентификации (биологической ткани), прилегающей к концу иглы, а на рис. 2.б изображения тест-объектов (текста на бумаге и свиной вырезки).

а

б

Рис.2 Устройство для идентификации биологической ткани

Способы верификации могут быть различны, и основаны на анализе структуры и цвета изображения тканей, прилегающих к концу иглы, на анализе значения интенсивности отраженного излучения или анализе его спектральных характеристик.

Использование оптических методов, переводящих субъективные ощущения врача объективной информацию о положении наконечника иглы в искомых биологических тканях позволит избежать наиболее опасного осложнения - перфорации dura mater и повысить эффективность обучения врачей анестезиологической практике.

Выводы

Оптические методы идентификации и контроля качества веществ и материалов, основанные на анализе изображения и (или) спектральных характеристик объектов, обладают рядом преимуществ перед другими методами (механическими, электрическими, химическими и пр.), не воздействуют на объекты, обладают высокими быстродействием и достоверностью, могут быть использованы в различных областях и сферах научно-технической и хозяйственной деятельности.

Литература

1. Mineralische Bauabfдlle Monitoring 2010 // Arbeitsgemeinschaft Kreislaufwirtschaft Bau (KWB), 2013, P.8-12.

2. Wotruba H. Stand der Technik der sensorgestьtzten Sortierung // BHM Berg- und Hьttenmдnnische Monatshefte. 2008, V. 153, №6, P. 221-224.

3. Латыев С.М., Воронин А.А., Андинг К., Линц Э., Курицын П.А.. Оптико-электронные методы и средства идентификации веществ и материалов// Изв. Вузов. Приборостроение. 2013. Т. 56. №10. С. 81-87.

4. Воронин А.А., Смирнова Е.В., Смирнов А.П. К вопросу идентификации пород древесины с применением методов анализа спектров // Научно-технический вестник СПбГУ ИТМО. 2010. №2(66). С.5-11.

5. Strecker M. Entwicklung einer Fьhrungsvorrichtung und Bildaufnahmeeinheit fьr kleine, bewegte Objekte. Fachgebiet Qualitдtssicherung, Technische Universitдt Ilmenau, 2006.

6. Anding K. Automatisierte Qualitдtssicherung von Getreide mit ьberwachten Lernverfahren in der Bildverarbeitung. Dissertation (Dr.-Ing.), Ilmenau, Verlag ISLE 2010, 235 S.

7. Smith, L.I. A tutorial on Principal Components Analysis. University of Otago New Zealand, Department of Computer Science. 2002. www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf

8. Светлов В. А., Козлов С. П. Опасности и осложнения центральных сегментарных блоков. // Анестезиология и реаниматология. 2000, № 5, С. 82

9. Latyev S.M., Shpakov D.V., Egorov A.G., Chugunov S.A., Volchkov V.A. Identifying biological tissues by means telecommunication microsystems. // Journal of Optical Technology. 2011. V. 78, I. 1, P.66-69.

Размещено на Allbest.ru