محاسبه قطر نانومتری پودر چوب، مرحله کلیدی دستیابی هوشمندانه مش پودر چوب در طول پردازش و تولید در صنعت تولید پودر چوب است. برای به دست آوردن تصویر میکرو از پودر نانو چوب، روش پر کردن سوراخ برای پر کردن تصویر باینری ذرات پودر چوب اتخاذ شده است. خطوط ذرات پودر چوب با استفاده از اپراتور تشخیص لبه استخراج می شود و آزمایش کنترل بر این اساس انجام می شود. روش خط شکل همزمان با برازش شکل هندسی ذرات پودر چوب اتخاذ می شود و طولانی ترین ضلع یا قطر شکل حل می شود تا قطر به دست آید. علاوه بر این، بر اساس استاندارد تبدیل، تعداد مش ذرات محاسبه می شود. انتظار میرود روش ارائهشده در این مطالعه، اتوماسیون صنعت پردازش گلولههای چوب را تسهیل کند، در حالی که این روش دارای کاربرد بهینه و اهمیت مرجع برای اندازهگیری انواع دیگر ذرات است.
تحقیق در مورد ساختار و خواص مواد در مقیاس نانو یک نکته حیاتی در طول توسعه علم و فناوری مدرن است، در حالی که انقلاب صنعتی نقطه عطف پیشرفت در قرن بیست و یکم است. در صنعت چوب، انتظار می رود که فناوری نانو دور جدیدی از انقلاب فناوری را آغاز کند. انجام مطالعات روی پودر چوب از منظر فناوری نانو، به یک جهت گیری حیاتی برای محققان علم چوب تبدیل شده است، بنابراین تحقیقات روی چوب را از دیدگاه ماکرو به دیدگاه میکرو سلول ها تبدیل می کند . نانومتر واحد طول است که به اختصار Nm نامیده می شود. اگر نانومتر با سلول های چوبی در علم چوب مقایسه شود، آنگاه قطر سلول چوبی تقریباً 3×10-6 متر است که معادل تقریباً 30 میکرومتر و 30000 نانومتر است . در این مطالعه، قطر پوشش نانو و زیر نانو ذرات پودر چوب باید در محدوده 1000 تا 40000 نانومتر باشد. به طور خاص، ذرات با قطر بین 1000 تا 8000 نانومتر به عنوان ذرات نانو پودر چوب شناخته می شوند. ذرات با قطر بین 8000 تا 20000 نانومتر به عنوان ذرات پودر چوب زیر نانو نامیده می شوند. به ذرات با قطر بین 20000 تا 40000 نانومتر پودر چوب بسیار ریز گفته می شود. در حالی که ذرات با قطر بیش از 40000 نانومتر به عنوان پودر چوب معمولی نامیده می شوند . قطرهای مختلف پودر چوب نتوانست صحنه کاربرد را پشت سر بگذارد، مانند پودر چوب مخصوص پلاستیک، پودر بامبو، پودر چوب، بتونه چوب با توری عمومی پودر مش بالا از مش 50 تا 700. علاوه بر این، پودر چوب مورد استفاده در آروماتراپی به طور کلی مش 70-90 و غیره است . در طول تولید صنعتی، اندازه گیری اندازه ذرات نانو پودر چوب پیچیده است. روش غربالگری سنتی دارای قوانین آماری خاصی است، اما تشخیص و پیشبینی مقادیر خاص دشوار است. برای برآورده ساختن الزامات اندازه گیری هوشمند و خودکار اندازه ذرات پودر چوب در طول تولید صنعتی، شناسایی یک رویکرد راحت و سریع ضروری است. با قضاوت از مطالعه، روش اندازهگیری اندازه ذرات نانو بر اساس برازش گراف قادر است نیازهای صنعتیسازی را برآورده کند. از دیدگاه کلان، پودر چوب صرفاً نوعی پودر است. با این حال، با قضاوت از روی مشاهدات میکروسکوپی، پودر چوب تجمع تعداد زیادی الیاف کوتاه است و مواد خام متعددی در طول تولید پودر چوب وجود دارد. علاوه بر این، پس از فرآیندهای پردازش مانند خرد کردن و گاز شنت، پودر چوب به اشکالی مانند خاک اره، تراشه های چوب، ضایعات چوب، نی و پوسته بادام زمینی وجود دارد. به عنوان مثال، ساختار فیبری از شکل ذرات پودر چوب با ترکیبی نسبتاً غنی شده که عمدتاً حاوی سلولز، همی سلولز و محتوای خاکستر و لیگنین است، نشأت میگیرد. علاوه بر این، چنین پودر چوب کاملاً همه کاره است و به عنوان یک ماده خام جدید قابل استفاده برای صرفه جویی در انرژی و حفاظت از محیط زیست در نظر گرفته می شود [5،6،7،8]. تصویر میکروسکوپی رایج پودر چوب در شکل 1 نشان داده شده است.
مواد و روش ها 2.1. شکل زمینه از طریق مشاهده تصاویر میکروسکوپی پودر چوب، مشخص شد که ذرات پودر چوب به طور کلی کروی یا میله ای شکل هستند، اما وقتی از منظر دو بعدی تصاویر آنالیز می شوند، این ذرات گرد یا مستطیل شکل هستند. بنابراین، شباهت بین ذرات پودر چوب به شکل مستطیل و دایره ابتدا بر اساس زمینه شکل آنها تحلیل می شود. پس از آن، قطر پودر چوب را می توان به روشی دقیق به دست آورد. اگر شکل هدف به عنوان مجموعه ای از نقاط در نظر گرفته شود، آنگاه می توان فرض کرد که شکل در اصل با مجموعه محدودی از نقاط نمایش داده می شود. در واقع، شکل را می توان با مجموعه ای مجزا از نقاط نمونه برداری بالایی در داخل یا خارج از کانتور جسم نشان داد، که لزوماً لازم نیست با نقاط کلیدی مانند حداکثر انحنا و نقاط تغییر شکل سازگار باشند. به طور کلی، نقاط روی شکل را می توان با فاصله یکسان سازی درشت نمونه برداری کرد که روشی نسبتاً ساده است، اما باید توجه داشت که روش مبتنی بر کانتور برای استفاده از کانتور داخلی شکل امکان پذیر نیست . بر اساس کانتور شکل، زمینه شکل به عنوان مجموعه ای از نقاط کانتور در نظر گرفته می شود ?={?0،?1،...، ، که عمدتاً رابطه فضایی بین یک نقطه مرجع و سایر نقاط در توالی کانتور را نشان می دهد. برای هر نقطه مشخصه ?? در مجموعه نقاط کانتور، رابطه موقعیت را می توان بین سایر نقاط ویژگی در مجموعه نقاط کانتور و ?? از طریق الگوریتم زمینه شکل محاسبه کرد و به هیستوگرام شکل مربوطه منجر شد. از طریق این هیستوگرام اطلاعات ?? و سایر نقاط ویژگی را می توان به ترتیب ثبت کرد. متعاقباً موضوع تطبیق اشکال تصویر به موضوع شناسایی نقطه متناظر بین دو نقطه مشخصه از طریق مقایسه هیستوگرام دو شکل تبدیل خواهد شد. با فرض اینکه کانتور به صورت تکه ای صاف است، در صورتی که n به اندازه کافی بزرگ باشد، می توان تقریبی از شکل به دست آورد. با توجه به اینکه شکل و نتایج نمونهگیری میتواند از نمونهای به نمونه دیگر متفاوت باشد، و امکان تطبیق نقاط کلاسهای مختلف در پشت سر هم وجود دارد، در نظر گرفتن کل مجموعه بردارها بهعنوان یک توصیفکننده شکل، نادرست است. بنابراین، توصیفکننده زمینه شکل در این پژوهش اتخاذ شده است. توصیفگر قادر به تعیین توزیع از طریق موقعیتهای نسبی بین نقاط نمونهبرداری محدود است که قوی، فشرده است و میتواند تصمیمگیری را تسهیل کند.
در گرافیک، پردازش تصاویر و تبدیل گرافیک به تصویر، الگوریتم پر کردن ناحیه به عنوان یک الگوریتم حیاتی و اساسی در نظر گرفته می شود پر کردن ناحیه به روش اختصاص دادن یک رنگ معین به یک نقطه (معمولاً به عنوان نقطه بذر) در ناحیه ای که با تعریف چهار متصل یا هشت متصل مطابقت دارد، قبل از گسترش این رنگ به کل منطقه، اشاره دارد. نقص عمده الگوریتم پر کردن سوراخ این است که نگهداری و مرتب کردن انواع جداول بسیار پرهزینه است. در مورد الگوریتم پر کردن بذر، نقص عمده این است که به ساختار پشته ای نیاز دارد و بر این اساس، فضای ذخیره سازی کافی برای تسهیل استقرار ساختار پشته دارد. علاوه بر این، هنگامی که چندین شی برای پر کردن وجود دارد، انتخاب نقاط بذر یک به یک خطر کاهش کارایی را به همراه دارد و در برخی موارد ممکن است غیرممکن باشد. اگرچه الگوریتم پر کردن علامت لبه چند ضلعی سریع است، اما در هنگام پر کردن ناحیه شکل دلخواه ناقص است. این کمبود به ویژه در موردی که لازم است شکل اصلی در طول پردازش تصاویر دست نخورده باقی بماند برجسته است . بر اساس ویژگی های ذرات پودر چوب و تصاویر میکروسکوپی، یک الگوریتم به طور گسترده برای پر کردن سوراخ در ناحیه شکل دلخواه اتخاذ شده است [23،24،25]. الگوریتم مبتنی بر پر کردن بذر رایج ترین نوع الگوریتم برای پر کردن منطقه است. با فرض اینکه یک نقطه مشخص در کانتور بسته شناخته شده است، می توان نقاط پیکسل دیگر مجاور نقطه دانه را شناسایی کرد که در داخل کانتور قرار دارند. روش سرریز به عنوان ساده ترین الگوریتم پر کردن بذر در نظر گرفته می شود. مراحل پردازش به شرح زیر مشخص شده است: اول، بررسی عنصر تصویر از موقعیت A در ناحیه مورد نظر، به طوری که تشخیص دهد که آیا یک سوراخ است (به عنوان مثال، 0). اگر چنین است، به رنگ منطقه تنظیم می شود. گام بعدی ادامه یافتن تکراری به شناسایی 4 یا 8 همسایگی آن است تا پر شدن 4 ناحیه متصل یا 8 ناحیه متصل را متوجه شوید. این الگوریتم فقط برای پر کردن ناحیه تعریف شده داخلی قابل استفاده است. رویههای الگوریتم پر کردن مرز مانند روشهای روش آب سیلابی است. تفاوت در قضاوت این است که آیا پیکسل در موقعیت B در داخل منطقه قرار دارد و به آن دسترسی پیدا نکرده است. این روش شامل دو مرحله است: اول، مقایسه پیکسل با مقدار مرزی منطقه برای بررسی اینکه آیا پیکسل بخشی از منطقه است یا خیر. دوم، بررسی اینکه آیا به پیکسل دسترسی پیدا کرده است یا خیر. این الگوریتم در روش ساده است، اما ممکن است به دلیل استفاده از ذخیره سازی پشته منجر به سرریز پشته شود. بنابراین، این روش برای پر کردن سوراخ های بزرگ قابل اجرا نیست. بر اساس ویژگی های تصویر آرد چوب، الگوریتم پرکردن بذر در این مقاله اتخاذ شده است.
استخراج کانتور استخراج کانتور ذرات پودر چوب، پیش نیاز محاسبه قطر پودر چوب به روشی دقیق است که به دست آوردن تعداد مش پودر چوب را تسهیل می کند. در این تحقیق بر اساس شرایط واقعی نویز زیاد و کنتراست کم تصاویر میکروسکوپی ذرات پودر چوب، عملگرهای متعددی از جمله اپراتور سوبل، اپراتور رابرتز، عملگر پریویت، اپراتور لاپلاسی و اپراتور Canny اتخاذ شده است. برای پردازش تصاویر پودر چوب در اندازه نانو و استخراج کانتور ذرات پودر چوب.
از طریق محاسبه قطر پودر چوب می توان حداقل هندسه خارجی را برای ذرات پودر چوب به دست آورد. به طور خاص، طولانی ترین لبه به عنوان قطر در نظر گرفته می شود. بنابراین، به دست آوردن حداقل هندسه خارجی می تواند بر محاسبه قطر پودر چوب تأثیر بگذارد. از نظر روش مرسوم برای به دست آوردن حداقل شکل هندسی خارجی هدف، هدف کلی حل کانتور محدب کانتور هدف است و سپس روش چرخش یا برآمدگی برای به دست آوردن حداقل مساحت شکل اتخاذ می شود . این الگوریتمها با قضاوت در این مطالعه، کاستیهای مربوط به خود را دارند. به عنوان مثال، دقت نتایج محاسبه تا حد زیادی تحت تأثیر زاویه چرخش است و برای افزایش دقت نتایج، یک زاویه چرخش کوچک تنها گزینه خواهد بود که همچنین منجر به هدر رفتن منابع سیستم خواهد شد. حل پوشش هندسی مبتنی بر الگوریتم ژنتیک ترکیبی و بازپخت شبیه سازی شده به حل مشکل انتخاب زاویه هر چرخش در روش چرخش معمولی کمک می کند، اما این روش بسیار وقت گیر است و پاسخگویی به تقاضای بلادرنگ دشوار است. در طول استخراج ویژگی، اغلب انتظار میرود که مقادیر دیگری مرتبط با ویژگیهای هندسی، مانند محیط، مساحت و مرکز، در حالی که حداقل هندسه خارجی را شناسایی میکند، به دست آورد. با این حال، الگوریتم های موجود قادر به دستیابی به این هدف نیستند. در این مطالعه، روشی مبتنی بر ترکیب کد زنجیره راس و گرین گسسته اتخاذ شده است که استخراج سریع حداقل هندسه خارجی تصویر هدف را تسهیل میکند.
تاریخ انتشار: 1403/04/31
شکیبا باشید...