Автоматическая сегментация методом комплексирования интервалов агрегированием предпочтений при распознавании дефектов сварки

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

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

  1. 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.
  2. Муравьев С.В., Погадаева Е.Ю. Автоматизированное распознавание дефектов сварных соединений при визуальном контроле с использованием геометрических признаков // Дефектоскопия. 2020. №. 3. C. 49-57.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. ГОСТ Р ИСО 6520-1-2012. Сварка и родственные процессы. Классификация дефектов геометрии и сплошности в металлических материалах. Часть 1. Сварка плавлением.
  8. 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.
  9. 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.
  10. Muravyov S.V., Khudonogova L.I., Emelyanova E.Y.Interval data fusion with preference aggregation // Measurement. 2018. V. 116. P. 621-630.
  11. 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.
  12. Muravyov S.V. Ordinal measurement, preference aggregation and interlaboratory comparisons // Measurement. 2013. V. 46. No. 8. P. 2927-2935.
  13. 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.
  14. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.
  15. 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.
  16. 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.
  17. 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.
  18. Zhan Y., Zhang G. An improved OTSU algorithm using histogram accumulation moment for ore segmentation // Symmetry. 2019. V. 11. No. 3. P. 431.
  19. 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.
  20. Levandowsky M., Winter D. Distance between Sets // Nature. 1971. V. 234. P. 34-35.
  21. 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.
  22. 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

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2023