Application of digital image processing technique in the microstructure analysisand the machinability investigation

Cover Page

Cite item

Full Text

Abstract

Introduction. The world is at the stage of creating an interdisciplinary approach that will be implemented in metallurgical research. The paper formulates the technique of image analysis in the study of processing at different depths from the mold-metal interface. The purpose of the work. Processing of a cast-iron workpiece within the first 3.5 mm of thickness from the mold-metal interface is a serious problem of solid processing. The study of machinability at different depths is a key requirement of the industry for ease of processing. Machinability will determine a number of factors, including tool consumption, workpiece surface quality, energy consumption, etc. The method of investigation. Image analysis is performed to determine the percentage of graphite in etched and non-etched samples. K-means clustering allows to create a new image from a given one with a clear separation of white and black areas by converting a digital image into a binary image using a threshold value for segmentation. The volume fraction of perlite, the volume fraction of graphite and the average size of graphite flakes in microns are used as input variables for the machinability of cast iron. Results and discussion. The output, that is, the segmented image, will be the input function for calculating the workability index using formulas. Thus, microstructural analysis will help predict the workability index of grey cast iron ASTM A48 Class 20. Using this method and the program, based on the microstructure, it is possible to predict in advance the characteristics of the machining of the part, taking into account possible changes in the casting process itself.

About the authors

M. Sheladiya

Email: mvsheladiya@gmail.com
M.Tech.(Engineering), Assistant Professor, 1. Gujarat Technological University, Ahmedabad, 382424, India; 2. Atmiya University, Faculty of Engineering & Technology, Yogidham Gurukul, Kalawad Road, Rajkot, 360005, India; mvsheladiya@gmail.com

S. Acharya

Email: shailee.acharya@gmail.com
D.Sc. (Engineering), Sardar Vallabhbhai Patel Institute of Technology, Affiliated to GTU, Vasad, 388306, India, shailee.acharya@gmail.com

A. Kothari

Email: amkothari.ec@gmail.com
Doctor of Philosophy, Associate Professor, Atmiya University, Faculty of Engineering & Technology, Yogidham Gurukul, Kalawad Road, Rajkot, 360005, India, amkothari.ec@gmail.com

G. Acharya

Email: gdacharya@rediffmail.com
D.Sc. (Engineering), Professor, Atmiya Institute of Technology and Science, Yogidham Gurukul, Kalawad Road, Rajkot, 360005, India, gdacharya@rediffmail.com

References

  1. Image based analysis of complex microstructures of engineering materials / T. Wejrzanowski, W. Spychalski, K. Rózniatowski, K. Kurzydlowski // International Journal of Applied Mathematics and Computer Science. – 2008. – Vol. 18 (1). – P. 33–39.
  2. Samuels L.E. Light microscopy of carbon steels. – Materials Park, Ohio: ASM International, 1999.
  3. Electron backscatter diffraction in materials science / A.J. Schwartz, M. Kumar, B.L. Adams, D.P. Field. – 2nd ed. – New York: Springer US Publ., 2009. – 403 p. – ISBN 978-0-387-88135-5. – doi: 10.1007/978-0-387-88136-2.
  4. Krauss G. Steels: processing, structure, and performance. – Materials Park, Ohio: ASM International, 2015.
  5. Understanding deep learning techniques for image segmentation / S. Ghosh, N. Das, I. Das, U. Maulik // ACM Computing Surveys (CSUR). – 2019. – Vol. 52 (4). – P. 1–35.
  6. Tu Z., Bai X. Auto-context and its application to high-level vision tasks and 3d brain image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2009. – Vol. 32 (10). – P. 1744–1757.
  7. Kang B.-H. A review on image and video processing // International Journal of Multimedia and Ubiquitous Engineering. – 2007. – Vol. 2 (2). – P. 49–64.
  8. Collins T.J. Image for microscopy // Biotechniques. – 2007. – Vol. 43 (S1). – P. S25–S30.
  9. Kaur D., Kaur Y. Various image segmentation techniques: a review // International Journal of Computer Science and Mobile Computing. – 2014. – Vol. 3 (5). – P. 809–814.
  10. Dhanachandra N., Chanu Y.J. Image segmentation method using k-means clustering algorithm for color image // Advanced Research in Electrical and Electronic Engineering. – 2015. – Vol. 2 (11). – P. 68–72.
  11. Yedla M., Pathakota S.R., Srinivasa T.M. Enhancing K-means clustering algorithm with improved initial center // International Journal of Computer Science and Information Technologies. – 2010. – Vol. 1 (2). – P. 121–125.
  12. Dhanachandra N., Manglem K., Chanu Y.J. Image segmentation using K-means clustering algorithm and subtractive clustering algorithm // Procedia Computer Science. – 2015. – Vol. 54. – P. 764–771.
  13. Mode Inference using enhanced Segmentation and Pre-processing on raw Global Positioning System data / A. Nawaz, H. Zhiqiu, W. Senzhang, Y. Hussain, A. Naseer, M. Izhar, Z. Khan // Measurement and Control. – 2020. – Vol. 53 (7–8). – P. 1144–1158.
  14. Application of digital image processing for implementation of complex realistic particle shapes/morphologies in computer simulated heterogeneous microstructures / Singh H., Mao Y., A. Sreeranganathan, A.M. Gokhale // Modelling and Simulation in Materials Science and Engineering. – 2006. – Vol. 14 (3). – P. 351–363.
  15. Application of digital image processing for automatic detection and characterization of cracked constituent particles/inclusions in wrought aluminum alloys / S.G. Lee, Y. Mao, A.M. Gokhale, J. Harris, M.F. Horstemeyer // Materials Characterization. – 2009. – Vol. 60 (9). – P. 964–970.
  16. Kakani S.L. Material science. – New Delhi: New Age International, 2006. – 656 p.
  17. Narkhede H.P. Review of image segmentation techniques // International Journal of Science and Modern Engineering. – 2013. – Vol. 1 (8). – P. 54–61.
  18. Celebi M.E., Kingravi H.A., Vela P.A. A comparative study of efficient initialization methods for the k-means clustering algorithm // Expert Systems with Applications. – 2013. – Vol. 40 (1). – P. 200–210.
  19. Kodinariya T.M., Makwana P.R. Review on determining number of Cluster in K-Means Clustering // International Journal of Advance Research in Computer Science and Management Studies. – 2013. – Vol. 1 (6). – P. 90–95.
  20. Likas A., Vlassis N., Verbeek J.J. The global k-means clustering algorithm // Pattern Recognition. – 2003. – Vol. 36 (2). – P. 451–461.
  21. Vermunt J.K. K-means may perform as well as mixture model clustering but may also be much worse: Comment on Steinley and Brusco // Psychological Methods. – 2011. – Vol. 16, no. 1. – P. 82–88.
  22. Шеладия М.В., Ачарья Ш.Г., Ачарья Г.Д. Технологическое исследование влияния параметров механической обработки на срок службы инструмента // Обработка металлов (технология, оборудование, инструменты). – 2020. – Т. 22, № 4. – С. 41–53. – doi: 10.17212/1994-6309-2020-22.4-41-53.
  23. Moore W., Lord J.O. Gray cast iron machinability: quantitative measurements of graphite and pearlite effects // Modern Castings. – 1959. – Vol. 35 (4). – P. 55–60.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».