АВТОМАТИЗИРОВАННЫЙ АНАЛИЗ ТОЛЩИНЫ СЛОЯ И ФАЗОВОГО СОСТАВА МИКРОСТРУКТУРЫ УПРОЧНЁННОГО ЧУГУНА, ПОЛУЧЕННОГО МЕТОДОМ LOST FOAM CASTING

АННОТАЦИЯ

В статье представлен алгоритм автоматизированного анализа микроструктур армированного чугуна, полученного методом литья по выплавляемым моделям (Lost Foam Casting). Алгоритм реализован на языке C++ с использованием библиотеки OpenCV и включает этапы предварительной обработки изображений, сегментации фаз, определения морфологических характеристик и автоматического измерения толщины науглероженного слоя. Полученное среднее значение толщины слоя составило 0,43 мм, что полностью соответствует диапазону 0,40–0,45 мм, указанному в работе [2]. Дополнительно определены процентное содержание матрицы, графита и белой фазы, а также количество графитовых включений, их нодулярность и плотность. Эти показатели позволяют более детально охарактеризовать структуру материала и оценить её влияние на эксплуатационные свойства. Предложенный метод исключает влияние человеческого фактора, сокращает время анализа и может быть эффективно применён в производстве и научных исследованиях.

ABSTRACT

This paper presents an automated algorithm for the microstructural analysis of reinforced cast iron produced by the Lost Foam Casting method. The algorithm, implemented in C++ using the OpenCV library, includes image preprocessing, phase segmentation, extraction of morphological characteristics, and automated measurement of the carburized layer thickness. The obtained average thickness of 0.43 mm fully corresponds to the 0.40–0.45 mm range reported in [2]. Additionally, the percentage distribution of the matrix, graphite, and white phase, as well as the number, nodularity, and density of graphite inclusions, were determined. These parameters provide a more detailed characterization of the material’s structure and allow assessment of its impact on performance properties. The proposed method eliminates human-factor influence, reduces analysis time, and can be effectively applied in both industrial and scientific research.

Ключевые слова: микроструктура, автоматизированный анализ, C++, OpenCV, чугун, Lost Foam Casting.

Keywords: microstructure, automated analysis, C++, OpenCV, cast iron, Lost Foam Casting.

Введение

Армированные чугуны, полученные методом литья по выплавляемым моделям, находят широкое применение в машиностроении и других отраслях [1] благодаря сочетанию высокой прочности, износостойкости и технологичности. Одним из ключевых параметров, определяющих эксплуатационные свойства таких материалов, является толщина науглероженного слоя, формирующегося при взаимодействии стальной арматуры с чугунной матрицей [2].

В опубликованных исследованиях измерение толщины этого слоя выполнялось вручную с использованием оптической микроскопии [8], что требует высокой квалификации специалиста, занимает значительное время и подвержено влиянию человеческого фактора. В частности, в работе [2] для армированных чугунов с диаметром проволоки 3 и 4 мм была определена толщина науглероженного слоя 0,40–0,45 мм.

В настоящей работе предложен алгоритм автоматизированного анализа микроструктурных изображений армированного чугуна на основе библиотеки OpenCV (C++) [3, 9], позволяющий воспроизвести результаты исследования и дополнить их новыми количественными характеристиками, включая процентное соотношение фаз, морфологические параметры графита (количество, плотность, нодулярность) [4–7]. Автоматизация обеспечивает повышение точности и воспроизводимости измерений, а также сокращает время анализа.

Материалы и методы исследования

В качестве исходных данных использовано микроструктурное изображение армированного чугуна (рис. 1), представленное в работе [2]. Образец был получен методом литья по выплавляемым моделям с использованием стальной арматуры [2]. Микроструктурный снимок был сделан с применением оптического микроскопа при увеличении 500× [8], сохранён в формате PNG с разрешением 2048×1536 px. Масштаб изображения соответствовал 1900 px/мм, что было использовано для пересчёта пиксельных величин в миллиметры.

Обработка изображения и автоматизация измерений выполнялись на языке программирования C++ с использованием библиотеки OpenCV 4.11.0 [3, 9]. Компиляция проводилась в среде Microsoft Visual Studio 2022 под управлением операционной системы Windows 10 Pro 64-bit. Для оптимизации вычислений применялись параллельные потоки OpenMP [1].

Алгоритм цифровой обработки включал следующие основные этапы:

1. Предварительная обработка

• Фильтрация шумов с использованием медианного фильтра для устранения импульсных помех и сохранения границ.
• Коррекция контраста методом CLAHE (Contrast Limited Adaptive Histogram Equalization) для улучшения локальной детализации.
• Преобразование изображения в цветовую модель HSV (Hue, Saturation, Value) для более устойчивой сегментации по цветовым признакам.

2. Сегментация фаз

• Цветовое пороговое выделение матрицы, графита и белой фазы.
• Построение маски фазового состава с наложением цветовой разметки (рис. 2).

3.   Анализ морфологии графита

• Построение бинарной маски графитовых включений (рис. 3).
• Расчёт количества частиц, нодулярности (доля сфероидальных частиц в общей массе) и плотности включений.

4.   Определение науглероженного слоя

• Автоматическое выделение яркой зоны вблизи границы со стальной арматурой.
• Измерение средней и медианной толщины слоя по всей длине контакта (рис. 4).

Следует отметить, что параметры процентного содержания фаз, морфологии графита и плотности включений в работе [2] не приводились. В настоящем исследовании они рассчитаны впервые, что расширяет понимание микроструктуры армированного чугуна.

Результаты и обсуждение

Сравнительный анализ полученных автоматизированным методом данных с результатами, приведёнными в работе [2], представлен в таблице 1.

Таблица 1.

Сравнение толщины науглероженного слоя

Как видно из таблицы, полученные в ходе автоматического измерения значения толщины науглероженного слоя полностью согласуются с диапазоном, приведённым в работе [2]. Это подтверждает корректность разработанного алгоритма измерений.

Дополнительно, в рамках данного исследования впервые проведён количественный анализ фазового состава и морфологии графита (табл. 2), что ранее в работе [2] не выполнялось.

Таблица 2.

Количественные показатели микроструктуры (автоматизированный анализ)

Анализ данных табл. 2 показал, что высокая доля графита (44,59 %) при относительно низкой нодулярности (30,95 %) свидетельствует о значительном присутствии пластинчатых и вермикулярных форм графита, что потенциально снижает механические свойства, в частности ударную вязкость. Плотность графитовых включений (1431,56 шт/мм²) указывает на мелкое распределение частиц, что может благоприятно влиять на износостойкость, но при этом повышать хрупкость материала.

Белая фаза (37,90 %) представлена цементитной сеткой и участками ледебурита, формирующимися в зонах повышенного охлаждения. Её значительное количество вблизи науглероженного слоя может способствовать повышению твёрдости в этой области, что полезно для износостойких элементов, но может вызывать риск возникновения трещин при ударных нагрузках.

Таким образом, автоматизированный анализ позволил не только подтвердить данные по толщине науглероженного слоя, но и получить комплекс дополнительных характеристик, которые расширяют представление о структуре армированного чугуна и могут использоваться для оптимизации технологии литья, направленной на повышение эксплуатационных свойств материала.

Заключение

В настоящей работе разработан и апробирован алгоритм автоматизированного анализа микроструктурных изображений армированного чугуна[3-7,9], полученного методом литья по выплавляемым моделям. Алгоритм реализован на языке C++ с использованием библиотеки OpenCV и включает этапы предварительной обработки, сегментации фаз, выделения и измерения науглероженного слоя, а также расчёта морфологических характеристик графита.

Результаты автоматических измерений толщины науглероженного слоя (среднее значение – 0,43 мм, медианное – 0,44 мм) полностью согласуются с диапазоном 0,40–0,45 мм, приведённым в работе [2], что подтверждает достоверность и точность предложенного метода.

Дополнительно проведён комплексный количественный анализ фазового состава и морфологии графита, включающий определение процентного содержания матрицы, графита и белой фазы, а также расчёт нодулярности и плотности графитовых включений. Эти параметры не рассматривались в работе [2] и получены впервые в рамках данного исследования. Анализ показал, что выявленные структурные характеристики могут быть использованы для прогнозирования механических свойств материала и корректировки технологических режимов литья с целью оптимизации эксплуатационных свойств армированного чугуна.

Автоматизация анализа позволила исключить влияние человеческого фактора, обеспечить воспроизводимость результатов и существенно сократить время обработки данных, что делает предложенный подход перспективным для внедрения в производственные условия и применения в научных исследованиях в области материаловедения.

Список литературы:

1. Гонсалес, Р., Вудс, Р. Цифровая обработка изображений. – М.: Техносфера, 2020. – 1104 с.
2. Kaliuzhnyi, P., Shalevska, I., Sliusarev, V. Microstructure of Reinforced Cast Iron Produced by Lost Foam Casting // Archives of Metallurgy and Materials. – 2023. – Vol. 68, No. 4. – P. 1369–1375. – DOI: 10.24425/amm.2023.146202.
3. Каримов, С. Я. Извлечение и оценка морфологических параметров частиц на SEM-изображениях с применением C++ и OpenCV // Journal of New Century Innovations. – 2025. – № 78(3). – С. 96–102.
4. Yin, Y., Wang, L., Li, H. Quantitative analysis of phases in cast iron microstructures using image segmentation techniques // Journal of Materials Research and Technology. – 2022. – Vol. 19. – P. 1955–1968. – DOI: 10.1016/j.jmrt.2022.06.015.
5. Куликов, И. С., Иванов, В. А. Автоматизация металлографического анализа микроструктур с использованием технологий компьютерного зрения // Проблемы современной науки и образования. – 2022. – № 7(165). – С. 55–61.
6. Bala, S., Dutta, M., Saha, R. Automated measurement of grain size in metallographic images using image processing // Measurement. – 2020. – Vol. 165. – P. 108–120. – DOI: 10.1016/j.measurement.2020.108120.
7. Chen, L., Wang, X., Zhang, H. Automatic microstructure segmentation in metallographic images using deep learning techniques // Materials Characterization. – 2021. – Vol. 175. – P. 111052. – DOI: 10.1016/j.matchar.2021.111052.
8. Бернштейн, М. Л., Рахштадт, А. Г. Металловедение и термическая обработка стали: справочник. Т. 1. Методы испытаний и исследований. – М.: Металлургия, 1983. – 352 с.
9. Самандаров, И. Р., Маншуров, Ш. Т., Душатов, Н. Т., Миратоев, З. М., Мустафин, Р. Р. Обработка изображений в C++ с помощью библиотеки OpenCV // Universum: технические науки. – 2023. – № 5-2(110). – С. 19–28.