Автоматическая сегментация методом комплексирования интервалов агрегированием предпочтений при распознавании дефектов сварки
- Авторы: Муравьев С.В1, Нгуен Д.К1
-
Учреждения:
- Томский политехнический университет
- Выпуск: № 12 (2023)
- Страницы: 34-44
- Раздел: Статьи
- URL: https://archivog.com/0130-3082/article/view/649195
- DOI: https://doi.org/10.31857/S0130308223120047
- EDN: https://elibrary.ru/XIFFYI
- ID: 649195
Цитировать
Аннотация
Проверка качества сварного шва обычно выполняется в ходе визуального контроля и значительно зависит от опыта оператора. В статье предложен подход к автоматическому обнаружению и классификации дефектной области, где сегментация анализируемого фотоизображения сварного шва (т.е. его разбиение на дефектную и бездефектную области) осуществляется с помощью процедуры наращивания областей. Начальные точки для этой процедуры выбираются предложенным авторами робастным методом комплексирования интервалов агрегированием предпочтений (IF&PA) на основе анализа гистограммы изображения. Проверка предложенного подхода на реальных фотоизображениях показала его способность обнаруживать разные типы дефектов сварного шва с более высокой точностью по сравнению с традиционными методами, такими как метод Оцу и метод k-средних.
Об авторах
С. В Муравьев
Томский политехнический университет
Email: muravyov@tpu.ru
Томск, Россия
Д. К Нгуен
Томский политехнический университет
Email: nguyen@tpu.ru
Томск, Россия
Список литературы
- Nacereddine N., Goumeidane A.B., Ziou D. Unsupervised weld defect classification in radiographic images using multivariate generalized Gaussian mixture model with exact computation of mean and shape parameters // Computers in Industry. 2019. V. 108. P. 132-149.
- Муравьев С.В., Погадаева Е.Ю. Автоматизированное распознавание дефектов сварных соединений при визуальном контроле с использованием геометрических признаков // Дефектоскопия. 2020. №. 3. C. 49-57.
- Mery D., Pieringer C.Computer Vision for X-Ray Testing: Imaging, Systems, Image Databases, and Algorithms. Springer. 2021. 456 p. ISBN 978-3-030-56768-2.
- Zhang L., Zhang Y., Dai B., Chen B., Li Y. Welding defect detection based on local image enhancement // IET Image Processing. 2019. V. 13. P. 2647-2658.
- Yazid H., Arof H., Yazid H. Automated thresholding in radiographic image for welded joints // Nondestructive Testing and Evaluation. 2012. V. 27. No. 1. P. 69-80.
- Zahran O., Kasban H., El-Kordy M., Abd El-Samie F.E. Automatic weld defect identification from radiographic images // NDT & E International. 2013. V. 57. P. 26-35.
- ГОСТ Р ИСО 6520-1-2012. Сварка и родственные процессы. Классификация дефектов геометрии и сплошности в металлических материалах. Часть 1. Сварка плавлением.
- Mancas M., Gosselin B., Macq B. Segmentation using a region-growing thresholding // Proceedings of SPIE. Image Processing: Algorithms and Systems IV. 2005. V. 5672. P. 388-398.
- Sheela C.J.J., Suganthi G. Morphological edge detection and brain tumor segmentation in Magnetic Resonance (MR) images based on region growing and performance evaluation of modified Fuzzy C-Means (FCM) algorithm // Multimedia Tools and Applications. 2020. V. 79. P. 17483-17496.
- Muravyov S.V., Khudonogova L.I., Emelyanova E.Y.Interval data fusion with preference aggregation // Measurement. 2018. V. 116. P. 621-630.
- Muravyov S.V., Khudonogova L.I., Ho M.D. Analysis of heteroscedastic measurement data by the self-refining method of interval fusion with preference aggregation - IF&PA // Measurement. 2021. V. 183. P. 109851.
- Muravyov S.V. Ordinal measurement, preference aggregation and interlaboratory comparisons // Measurement. 2013. V. 46. No. 8. P. 2927-2935.
- Muravyov S.V., Emelyanova E.Y. Kemeny rule for preference aggregation: reducing all exact solutions to a single one // Measurement. 2021. V. 182. P. 109403.
- Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.
- Muravyov S.V., Pogadaeva E.Yu. Recognition Ability of Interval Fusion with Preference Aggregation in Weld Defects Images Analysis / 17th IMEKO TC10 Conference "Global Trends in Testing, Diagnostics & Inspection for 2030", Dubrovnik, Croatia. October 19-22. 2020. P. 271-276.
- Муравьев С.В., Маринушкина И.А. Обоснование выбора числа участников межлабораторных сличений // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика. Телекоммуникации. Управление. № 4. 2015. C. 81-90.
- Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. 1979. V. 9. No. 1. P. 62-66.
- Zhan Y., Zhang G. An improved OTSU algorithm using histogram accumulation moment for ore segmentation // Symmetry. 2019. V. 11. No. 3. P. 431.
- Dhanachandra N., Manglem K., Chanu Y.J. Image segmentation using K-means clustering algorithm and subtractive clustering algorithm // Procedia Computer Science. 2015. V. 54. P. 764-771.
- Levandowsky M., Winter D. Distance between Sets // Nature. 1971. V. 234. P. 34-35.
- Zhou D., Fang J., Song X., Guan C., Yin J., Dai Y., Yang R. IoU loss for 2D/3D object detection / Proceedings of the 7th International Conference on 3D Vision. Québec City, Canada, September 16-19, 2019. V. 1. P. 85-94.
- Dedkova A.A., Florinsky I.V. Geomorphometry and microelectronic metrology: Converged realms // Transactions in GIS. 2023. V. 27. No. 6. P. 1642-1661.
Дополнительные файлы
