استخراج عیوب از تصاویر رادیوگرافی جوش با استفاده از اطلاعات محلی در فضای تبدیل
محورهای موضوعی : مهندسی الکترونیک
سیده زهرا موسوی
1
(گروه مهندسی برق، دانشگاه آزاد اسلامی، واحد بوشهر، بوشهر، ایران)
احمد کشاورز
2
(استادیار، دانشگاه خلیج فارس بوشهر، گروه برق، بوشهر، ایران)
کلید واژه: تصویر رادیوگرافی, ناحیه جوش, عیوب جوش, Radiography images, Weld area, weld defects,
چکیده مقاله :
رادیوگرفی یکی از پرکاربردترین انواع آزمایش‌های غیر مخرب جوش می‌باشد، تصاویر رادیوگرافی در حال حاضر توسط انسان تفسیر می‌شوند، به منظور افزایش دقت و سرعت تفسیر و همچنین کاهش هزینه‌ها به دنبال راهی جهت تفسیر اتوماتیک این تصاویر جهت تشخیص عیوب جوش می‌باشیم. مهم‌ترین مرحله اتوماتیک کردن این فرایند، استخراج صحیح عیوب از تصویر رادیوگرافی می‌باشد، از اینرو در این مقاله با استفاده از تکنیک‌های پردازش تصویر راهکار جدیدی را جهت استخراج عیوب از ناحیه جوش اریه می‌دهد. در روش پیشنهادی بعد از جداسازی ناحیه جوش با استفاده از تطبیق هیستوگرام واعمال فیلتر وینر به بهبود کیفیت تصویر و حذف نویزهای موجود پرداخته، پس از آن به منظور استفاده بهینه از اطلاعات تصویر در جهات مختلف، از تبدیل موجک تصویر استفاده کرده و سپس با اعمال تکنیک‌هایی نظیر آستانه گذاری محلی، عملیات مورفولوژی و لبه یابی روی جزهای حاصل از تبدیل ویولت به استخراج ناحیه عیب تصاویر پرداخته خواهد شد.
Radiography is one of most common methods for testing the quality of weld. At present radiographic images are interpreted by humans. In order to increase accuracy and speed of interpretation and costs decrease ,We are looking for a way to automatic detect of weld defects. The correct extraction of defects is The most important step to automatic processing. Therefore ,in this paper a new strategy to extract the weld defects using image processing techniques is proposed. In the proposed method after segmentation Region Of Interest (ROI), histogram matching and Weiner filter were used to remove noise and enhance the quality of image, then For optimum utilization of image data in different directions, Wavelet transform is used. Afterward by applying techniques such as local thresholding, morphology and edge detection on the components of the wavelet transform defect area of Radiography images was extracted
_||_
1- دادخواه، امیر و سعید رضا،1390، تکنولوژی بازرسی جوش، چاپ سوم، تهران، انتشارات آزاده، صفحه 284
[2] Arulmozhi N, Manoharan N, Sheela RB, Venkatraman B, Baldev R. Isolation of defects in radiographic weld images with wavelet denoising using Log-Gabor filter. Int Conf Comput Intell Multimedia Appl 2007:394–9.
[3]Barbara Burke Hubburd, "The World According to Wavelets",A.K.Peters, 1998.
[4] Coltuc D, Bolon P, Chassery JM. Exact histogram specification. IEEE Trans Image Process 2006;15(5):1143–52
[5] C. Sidney Burrus, Ramesh A. Gopinath, Haitao Guo,"Introduction to Wavelets and Wavelet Transforms: A Primer,Prentice Hall, 1997.
[6] daSilvaRomeuR,SiqueiraMarcioHS,VieiradeSouzaMarcos Paulo, Rebello Joawidetildeo MA,Calowidehatb LuizP.Estimatedaccuracyofclassification of defectsdetectedinweldedjointsbyradiographytests.NDTEInt 2005;38:335–43.
[7] Frosio I, Lucchese M, Lissandrello F, Borghese NA. Automatic contrast enhancement in digital radiography. Nucl Sci Symp Conf 2008:4331–4.
[8]Gonzalez,R.c.and Woods,R.H. [2002].Digital Image Processing.2 nd.,Prentice Hall,Upper Saddle River,Nj.
[9]Gonzalez,R.c.and Woods,R.E.and Edding s.I,” Digital Image Processing using matlab “,last Edition,prentice Hall inc,2004
[10] KasbanH,ZahranO,ArafaH,El-KordyM,ElarabySayedMS,AbdEl-SamieFE. Welding defectdetectionfromradiographicimageusingcepstralapproach. NDT EInt2011;44(2):226–31.
[11] Kasban H, Zahran O, Arafa H, El-Kordy M, Elaraby, Sayed MS, et al. Quanti- tative and qualitative evaluation of gamma radiographic image enhancement. Int J Signal Process Image Process Pattern Recognition 2012;5(2):73–87.
[12] Li, X., Tso, S. K., Guan, X., Huang, Q. (2006), "Improving Automatic Detection of Defects in Castings by Applying Wavelet Technique", IEEE Transactions on Industrial Electronics,vol. 53, no. 6, pp. 1927-1934
[13] LiaoTW,NiJ.AnautomatedradiographyNDTsystemforweldinspection: Part II.FlawDetection.NDTEInt1998;31(3):183–92.
[14] Juan Zapata, Rafael Vilar, Ramón Ruiz. "Performance evaluation of an automatic inspection system of weld defects in radiographic images based on neuro-classifiers." Expert Systems with Applications 38.7 (2011): 8812-8824.
[15] SaravananT,BagavathiappanS,PhilipJ,JayakumarT,RajB.Segmentationof defects fromradiographyimagesbythehistogramconcavitythreshold method. Insight2007;49(10):578–84.
[16] SilvaRR,MeryD.State-of-the-artofweldseaminspectionbyradiography testing: PartI:imageprocessing.MaterEval2007;65(6):643–7.
[17] Wang G, Liao TW. Automatic identification of different types of welding defects in radiographic images. NDT E Int 2002;35:519–28.
[18] WangG,LiaoTW.Automaticidentificationofdifferenttypesofwelding defects inradiographyimages.NDTEInt2002;35:519–28.
[19] Wang X, Wong BS, Tui CG, Khoo KP, Foo F. Image enhancement for radio- graphic non-destructive inspection of the aircraft. In: Proceedings of Asia– Pacific Conference on NDT, New Zealand; 2006.
[20] Zahran, O., Kasban, H., El-Kordy, M., El-Samie, F.E.A.," Automatic weld defect identification from radiograp imagehics ", NDT &E International (Elsevier), July, 2013, vol. 57.pp. 26-35.
