Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов
Предложено три новых алгоритма сегментации цифровых рентгенотелевизионных изображений сварных швов, которые предназначены для автоматического обнаружения дефектов. Данные алгоритмы основаны на адаптивных методах пороговой обработки. Показано, что оптимальное значение порога устанавливается для каж...
Gespeichert in:
| Veröffentlicht in: | Техническая диагностика и неразрушающий контроль |
|---|---|
| Datum: | 2009 |
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут електрозварювання ім. Є.О. Патона НАН України
2009
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/103408 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов / Я.П. Лазоренко, Е.В. Шаповалов, Т.Г. Скуба, Д.Д. Топчев, Ф.С. Клищар // Техническая диагностика и неразрушающий контроль. — 2009. — № 4. — С. 37-42. — Бібліогр.: 8 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859655325321265152 |
|---|---|
| author | Лазоренко, Я.П. Шаповалов, Е.В. Скуба, Т. Г. Топчев, Д.Д. Клищар, Ф.С. |
| author_facet | Лазоренко, Я.П. Шаповалов, Е.В. Скуба, Т. Г. Топчев, Д.Д. Клищар, Ф.С. |
| citation_txt | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов / Я.П. Лазоренко, Е.В. Шаповалов, Т.Г. Скуба, Д.Д. Топчев, Ф.С. Клищар // Техническая диагностика и неразрушающий контроль. — 2009. — № 4. — С. 37-42. — Бібліогр.: 8 назв. — рос. |
| collection | DSpace DC |
| container_title | Техническая диагностика и неразрушающий контроль |
| description | Предложено три новых алгоритма сегментации цифровых рентгенотелевизионных изображений сварных швов,
которые предназначены для автоматического обнаружения дефектов. Данные алгоритмы основаны на адаптивных
методах пороговой обработки. Показано, что оптимальное значение порога устанавливается для каждой точки
изображения на основе свойств ее локальной окрестности. Для выбора оптимального порогового значения использованы следующие критерии: среднеквадратический, моментный и энтропийный. Экспериментальное исследование
показало эффективность предложенных алгоритмов сегментации, что делает возможным их применение в системах
автоматизированного рентгенотелевизионного контроля.
Three new algorithms of segmentation of digital X-Ray TV images of welds have been proposed, which are designed for
automatic defect detection. These algorithms are based on adaptive methods of threshold treatment. In these methods the
optimum threshold value is set for each image point based on the properties of its local vicinity. Selection of the optimum
threshold value was performed on the basis of the following criteria: mean root square, instant and entropy. Experimental
study has shown the effectiveness of the proposed segmentation algorithms, which enables their application in systems of
automated X-Ray TV inspection.
|
| first_indexed | 2025-12-07T13:39:01Z |
| format | Article |
| fulltext |
УДК 581.518.54:621.791.9
ИССЛЕДОВАНИЕ АЛГОРИТМОВ СЕГМЕНТАЦИИ
РЕНТГЕНОТЕЛЕВИЗИОННЫХ ИЗОБРАЖЕНИЙ СВАРНЫХ
ШВОВ ДЛЯ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ДЕФЕКТОВ
Я. П. ЛАЗОРЕНКО, Е. В. ШАПОВАЛОВ, Т. Г. СКУБА, Д. Д. ТОПЧЕВ, Ф. С. КЛИЩАР
Предложено три новых алгоритма сегментации цифровых рентгенотелевизионных изображений сварных швов,
которые предназначены для автоматического обнаружения дефектов. Данные алгоритмы основаны на адаптивных
методах пороговой обработки. Показано, что оптимальное значение порога устанавливается для каждой точки
изображения на основе свойств ее локальной окрестности. Для выбора оптимального порогового значения исполь-
зованы следующие критерии: среднеквадратический, моментный и энтропийный. Экспериментальное исследование
показало эффективность предложенных алгоритмов сегментации, что делает возможным их применение в системах
автоматизированного рентгенотелевизионного контроля.
Three new algorithms of segmentation of digital X-Ray TV images of welds have been proposed, which are designed for
automatic defect detection. These algorithms are based on adaptive methods of threshold treatment. In these methods the
optimum threshold value is set for each image point based on the properties of its local vicinity. Selection of the optimum
threshold value was performed on the basis of the following criteria: mean root square, instant and entropy. Experimental
study has shown the effectiveness of the proposed segmentation algorithms, which enables their application in systems of
automated X-Ray TV inspection.
В настоящее время ведутся интенсивные работы
по созданию систем автоматизированного рент-
геновского контроля [1–5]. Основной целью ис-
следований является синтез эффективных алгорит-
мов расшифровки рентгеновских изображений,
обеспечивающих надежное обнаружение и иден-
тификацию дефектов сварного шва. Однако к нас-
тоящему времени систему, пригодную для внед-
рения в производство, реализовать пока не
удалось.
Целью данной статьи является исследование
эффективности новых алгоритмов сегментации
рентгенотелевизионных изображений сварных
швов, предназначенных для автоматического об-
наружения дефектов.
В существующих подходах к обнаружению де-
фектов сварных швов на рентгеновских изобра-
жениях цифровая обработка обычно осуществля-
ется в два этапа [1, 3, 5]. На первом выполняется
сегментация рентгеновского изображения. Сег-
ментация представляет собой отделение областей
изображения, которые соответствуют дефектам
сварного шва, от фона — нормальной структуры
шва. Результатом сегментации является двухуров-
невое (бинарное) изображение, на котором одним
уровнем яркости выделяются искомые области, а
другим — фон. На втором этапе с помощью ме-
тодов распознавания образов выполняется клас-
сификация выделенных областей на два класса:
дефект и ложное обнаружение. На этом этапе из
рассмотрения исключаются области, которые не
содержат дефектов сварного шва.
Поскольку дефекты являются объектами, вы-
деляющимися на более светлом (или темном) фо-
не, то для их обнаружения целесообразно приме-
нять методы пороговой обработки [6]. В методах
пороговой обработки разметка точек изображения
на два класса (объект и фон) осуществляется пу-
тем сравнения их яркости с некоторым порогом.
Если на изображении искомые объекты (дефекты)
представляют собой светлые области на более
темном окружающем фоне, то при удачном вы-
боре порога их яркость будет превышать порого-
вое значение, а уровень яркости фона будет ниже
этого порога. Так как яркость изображения на раз-
ных участках шва, как правило, достаточно силь-
но изменяется, то на практике применяют методы
локальной пороговой обработки, в которых порог
выбирается отдельно для каждой точки изобра-
жения в зависимости от свойств ее локальной ок-
рестности.
Применяемые в настоящее время алгоритмы
сегментации рентгеновских изображений [2, 4, 5]
основаны на выделении границ областей дефектов
и адаптивной пороговой обработке и построены
таким образом, что качество сегментации во мно-
гом определяется некоторыми изначально задава-
емыми параметрами. Поэтому при одних и тех
же значениях параметров для разных дефектов и
изображений сварных швов эти алгоритмы могут
давать разное качество сегментации. Так как ме-
тодика выбора оптимальных значений параметров
для данных алгоритмов отсутствует и подходящие
значения выставляются «вручную», то обеспече-
© Я. П. Лазоренко, Е. В. Шаповалов, Т. Г. Скуба, Д. Д. Топчев, Ф. С. Клищар, 2009
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009 37
ние высокого качества сегментации рентгеновс-
ких изображений, а следовательно, и корректнос-
ти выделения дефектов, представляет определен-
ную сложность.
Для обеспечения высокого качества сегмен-
тации рентгенотелевизионных изображений в
данной работе предлагается использовать адап-
тивные алгоритмы пороговой обработки, которые
способны найти наилучшее значение порога ис-
ходя только из распределения яркости на изоб-
ражении и не требуют для корректности своей ра-
боты набора правильно заданных значений пара-
метров.
Перед сегментацией в синтезированных в дан-
ной работе алгоритмах цифровой обработки на ис-
ходных изображениях осуществляется выделение
области сварного шва. Процедура выделения
сварного шва основана на алгоритмах пороговой
обработки и выделения границ областей. На рис. 1
приведено рентгенотелевизионное изображение,
на котором границы сварного шва выделены с по-
мощью разработанного алгоритма белыми лини-
ями. Последующая обработка цифровых изобра-
жений проводится в области сварного шва.
Для повышения качества сегментации выпол-
нялась предварительная обработка исходных
изображений, которая заключалась в сглаживании
шума на изображении и повышении контраста.
Для сглаживания шума применяли два простран-
ственных фильтра: медианный [6] и так называ-
емый сигма-фильтр [7]. Применение медианного
фильтра обусловлено тем, что он эффективно ус-
траняет импульсный шум, и при этом приводит
к меньшему размытию изображения, чем линей-
ные сглаживающие фильтры с маской того же раз-
мера [6]. После подавления импульсного шума ме-
дианным фильтром осуществлялась фильтрация
сигма-фильтром, который сглаживает только од-
нородные по яркости (согласно определенному
критерию) участки изображения. Благодаря этому
сглаживание и подавление шума выполняется
только в областях, соответствующих нормальной
структуре сварного шва, а области изображения
со значительными перепадами яркости, в которых
находятся дефекты, остаются неискаженными.
Медианный фильтр [6] представляет собой
пространственный фильтр, который заменяет зна-
чение яркости в заданной точке изображения на
медиану ряда яркостей пикселей, лежащих в ло-
кальной окрестности этой точки, покрываемой мас-
кой фильтра. При этом центральный элемент маски
находится в точке, в которой выполняется замена
яркости, а маска должна состоять из нечетного ко-
личества элементов. Медианой последовательности
чисел, состоящей из нечетного количества элемен-
тов N, называется тот ее элемент, для которого су-
ществует (N – 1)/2 элементов, меньших или равных
ему по величине, и (N – 1)/2 элементов, больших
или равных ему по величине. Если последователь-
ность чисел, состоящую из нечетного количества
элементов, упорядочить по возрастанию или убы-
ванию, то медианой будет элемент, лежащий в ее
центре. Обработка цифрового изображения медиан-
ным фильтром состоит в проходе маской фильтра
по всем точкам изображения и замещении яркостей
точек соответствующими медианами. В данной ра-
боте использовали медианный фильтр с квадратной
маской размером 3 3 точки изображения. Данный
фильтр подавляет характерный для рентгенотеле-
визионных изображений импульсный шум разме-
ром 1...4 точки.
Сигма-фильтр [7] представляет собой прост-
ранственный усредняющий фильтр, осуществля-
ющий сглаживание только однородных по яркос-
ти участков изображения, не искажая области с
достаточно большими перепадами яркости, в ко-
торых могут быть дефекты сварного шва. Яркость
заданной точки изображения f(x, y) (f — функция
яркости) заменяется на среднее значение яркости
μ ее локальной окрестности, если f(x, y) – μ > 2kσ
и N ≤ Nш, где σ — среднеквадратическое откло-
нение шума на изображении; k — регулировочный
параметр, k ≈ 1; N — количество точек (i, j) ло-
кальной окрестности, для которых выполняется
условие f(i, j) – μ > 2kσ; Nш — максимальный размер
импульсного шума. В данной работе оценка σ для
заданного рентгенотелевизионного изображения де-
лается следующим образом. Область сварного шва
на изображении разбивается на блоки размером
20 20 точек. Для каждого из этих блоков вычис-
ляется среднеквадратическое отклонение. Значение
σ вычисляется как медиана последовательности
этих среднеквадратических отклонений. На рис. 2
приведен результат обработки сигма-фильтром
фрагмента рентгенотелевизионного изображения.
Фильтрация осуществлялась со следующими зна-
чениями параметров: локальная окрестность разме-
ром 9 9 точек; Nш = 20; k = 1,0.
Для повышения контраста рентгенотелеви-
зионных изображений использовали операцию
линейного контрастирования [6], которая заклю-
чается в линейном растяжении диапазона яркости
изображения на полный динамический диапазон,
благодаря чему увеличивается контрастность
Рис. 1. Выделение области сварного шва с помощью разрабо-
танного алгоритма
38 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009
изображения. Применение этой процедуры связа-
но с тем, что яркость на исходном рентгенотеле-
визионном изображении распределена только на
каком-то одном ограниченном участке полного
динамического диапазона. После линейного кон-
трастирования повышается общий контраст изоб-
ражения.
Кроме перечисленных выше процедур цифро-
вой обработки в качестве метода, позволяющего
улучшить результаты сегментации, в данной ра-
боте исследовали метод вычитания фона [3]. С по-
мощью этого метода осуществляется устранение
фоновой составляющей изображения с сохранением
информации о дефектах. Процедура вычитания фо-
на состоит в том, что из исходного изображения
формируется так называемое изображение фона, на
котором исключены или сильно сглажены изобра-
жения дефектов. Потом изображение фона вычи-
тается из исходного изображения. На полученном
в результате бесфоновом изображении в областях
без дефектов уровень яркости приблизительно ну-
левой (присутствует некоторая шумовая составля-
ющая), а там, где есть дефекты, яркость сохраняется
на уровне разности между яркостью дефекта и ок-
ружающего его фона. Таким образом, на бесфоно-
вом изображении дефекты могут быть отличены от
фона по уровню яркости, а значение яркости может
интерпретироваться как мера отклонения от нор-
мальной структуры сварного шва.
Для формирования изображения фона приме-
няли медианную фильтрацию с квадратной мас-
кой. Если маска фильтра имеет размеры N N, то
на изображении фона будут исключены дефекты
с площадью не более половины площади маски,
т.е. дефекты, площадь которых не превышает N2/2
точек изображения. Также корректно будет иск-
лючен любой дефект большего размера, если каж-
дый его фрагмент, в процессе фильтрации попа-
дающий в маску фильтра, по площади не превы-
шает N2/2 точек. Все остальные дефекты, не удов-
летворяющие перечисленным выше условиям,
при вычислении фона исключены не будут, что
приведет к их искажению на бесфоновом изоб-
ражении. В данной работе использовали маску ме-
дианного фильтра размером 17 17, обеспечива-
ющую правильное выявление дефектов, имеющих
площадь, не превышающую 144 точки изображе-
ния. Такая площадь соответствует размеру дефек-
та 12 12 точек. На рис. 3 показано изображение,
полученное в результате применения процедуры
вычитания фона. Для наглядности к преобразо-
ванному изображению было применено также ли-
нейное контрастирование.
Предложенные алгоритмы сегментации рент-
генотелевизионных изображений основаны на ме-
тодах локальной пороговой обработки. Значение
порога вычисляется для каждой точки изображе-
ния на основе гистограммы распределения яркос-
ти в локальной окрестности этой точки. Опти-
мальный пороговый уровень разделяет гистограм-
му на две части, которые соответствуют дефекту
и фону. Такое разделение гистограммы может
быть сделано только в том случае, если гистог-
рамма не является унимодальной, т. е. содержит
более чем один локальный максимум. Поэтому в
разработанных в данной работе алгоритмах сег-
ментации перед выбором порога для заданной
точки изображения осуществляется проверка гис-
тограммы на наличие более чем одного локаль-
ного максимума. Если гистограмма содержит
один локальный максимум, то принимается реше-
ние, что соответствующая точка принадлежит фо-
ну. Если локальных максимумов более одного, то
выполняется пороговая обработка.
В данной работе исследовали три адаптивных
алгоритма пороговой обработки, каждому из них
соответствует определенный критерий выбора оп-
тимального порога. В этих алгоритмах использова-
ли следующие критерии выбора порога: среднек-
вадратический, моментный и энтропийный.
Метод пороговой обработки, в котором ис-
пользуется среднеквадратический критерий выбо-
ра порога, описан в работе [8]. В нем рассматри-
вается аппроксимация исходного изображения
двухуровневым: S(x, y) ∈ {a0, a1}, (a0 < a1). Сог-
ласно этому методу наилучшему порогу соответ-
ствует такой, при котором среднеквадратическое
отклонение σ(a0, a1, t) сегментированного изоб-
ражения от исходного является наименьшим.
Квадрат среднеквадратического отклонения:
σ2(a0, a1, t) = ∑
i = 1
t – 1
(i – a0)
2pi + ∑
i = t
L
(i – a1)
2pi, (1)
где t — значение порога; L — количество уровней
яркости исходного цифрового изображения; pi —
значение гистограммы яркости исходного изоб-
Рис. 2. Применение сигма-фильтра для подавления шума:
а — исходное изображение; б — преобразованное
Рис. 3. Процедура вычитания фона: а — исходное изображе-
ние; б — преобразованное
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009 39
ражения для i-го уровня яркости.
Гистограмма яркости рассматривается как
оценка распределения вероятностей:
pi = ni
⁄ n; i = 1, 2, …, L; pi > 0; ∑
i = 1
L
pi = 1, (2)
где ni — количество точек изображения, имеющих
яркость i; n — общее количество точек изобра-
жения.
В работе [7] доказано, что
σ2(t) = mina0, a1
σ2 (a0, a1, t) = σ2(μ0, μ1, t) ∑
i = 1
t – 1
(i – μ0)
2pi +
+ ∑
i = t
L
(i – μ1)
2pi,
(3)
где
μ0 = 1
ω0
∑
i = 1
t
ipi; μ1 = 1
ω1
∑
i = t + 1
L
ipi;
ω0 = ∑
i = 1
t
pi; ω1 = ∑
i = t + 1
L
pi.
(4)
Следовательно, оптимальному порогу t* соот-
ветствует наименьшее значение σ2(t).
Моментный критерий выбора порога [8] осно-
ван на рассмотрении моментов mj от первого до
третьего порядка исходного изображения f(x, y):
mj = ∑
i = 1
L
(i)jpi, j = 1, 2, 3. (5)
Оптимальным считается порог, обеспечиваю-
щий равенство соответствующих моментов сег-
ментированного и исходного изображений. Мо-
менты сегментированного изображения g(x, y)
имеют вид:
mj
′ = ∑
l = 0
1
(al)
jωl, j = 1, 2, 3, (6)
где a0, a1 — представительные уровни яркости
сегментированных областей S(x, y). Оптимальное
значение порога t* определяется из условия
mj
′ = mj для j = 1, 2, 3.
Принимая во внимание, что ω0 + ω1 = 1, ус-
ловие равенства первых трех моментов можно за-
писать в виде системы уравнений:
ω0 + ω1 = 1, ω0a0 + ω1a1 = m1,
ω0a0
2 + ω1a1
2 = m2, ω0a0
3 + ω1a1
3 = m3.
(7)
В рассматриваемом случае алгоритм решения
системы (7) сводится к решению системы линей-
ных уравнений относительно вспомогательных
переменных b0 и b1:
b0 + b1m1 = – m2,
b0m1 + b1m2 = –m3, (8)
решению квадратного уравнения a2 + b1a + b0 =
= 0, дающего значения представительных уровней
яркости a0, a1, и, наконец, к подстановке этих зна-
чений в первые два уравнения (7) для получения
значений ω0 и ω1. Значение ω0 позволяет опре-
делить оптимальный порог t*, минимальный из
удовлетворяющих неравенству:
ω0 ≤ ∑
i = 1
t
pi. (9)
Энтропийный критерий к выбору порога [8]
состоит в следующем. Если изображение состоит
из двух классов однородных по яркости точек, то
оптимальным порогом t*, разбивающим изобра-
жение на эти два класса, будет порог, при котором
энтропии распределений яркости полученных час-
тей изображения будут максимальны. Энтропии
H0 и H1 каждого из этих распределений опреде-
ляются выражениями:
H0 = log2ω(t) + H(t)
ω(t)
, (10)
H1 = log2[1 – ω(t)] + H(L) – H(t)
1 – ω(t)
, (11)
где H(t) = – ∑
i = 1
t
pilog2pi, H(L) = – ∑
i = 1
L
pilog2pi — час-
тичная и полная энтропии гистограммы {pi}, i =
= 1…L; ω(t) = ∑pi
i = 1
t
.
Для нахождения наилучшего значения порога
используется следующая критериальная функция:
ψ(t) = H0 + H1. (12)
Поскольку каждое из слагаемых H0 и H1 ха-
рактеризует равномерность распределения яркос-
тей на соответствующих интервалах и резко
уменьшается при попадании в данный интервал
«чужого» фрагмента гистограммы, максимум
функции ψ(t), достигаемый при некотором зна-
чении t*, будет соответствовать наилучшему ва-
рианту сегментации.
Результаты сегментации фрагмента рентгено-
телевизионного изображения с помощью трех
предложенных алгоритмов пороговой обработки
40 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009
приведены на рис. 4. В качестве локаль-
ной окрестности при выборе порога ис-
пользовали окно размером 11 11 точек
изображения.
Для оценки эффективности предло-
женных алгоритмов сегментации рент-
генотелевизионных изображений про-
вели экспериментальное исследование,
в котором оценивали качество сегмен-
тации набора тестовых изображений. В
качестве тестовых образцов использова-
ли четыре цифровых рентгенотелеви-
зионных изображения сварных швов
труб большого диаметра (рис. 5), пре-
доставленных Харцызским трубным за-
водом. Разработанные алгоритмы циф-
ровой обработки были реализованы в
виде программного модуля на языке
С++.
Оценку качества сегментации тесто-
вых изображений проводили на основе
следующих критериев:
– на результирующем бинарном
изображении должны быть выделены
все дефекты;
– форма выделенных дефектов на би-
нарном изображении должна соответс-
твовать форме дефектов на исходном
изображении.
Степень соответствия формы выде-
ленных областей на бинарном изобра-
жении форме дефектов на исходном
изображении оценивали визуально.
Предварительную обработку тесто-
вых изображений выполняли в такой
последовательности: медианная филь-
трация; сигма-фильтрация; линейное
контрастирование; вычитание фона.
Полученные после сегментации би-
нарные изображения обрабатывали ме-
дианным фильтром с маской размером
3 3 для исключения отдельных шумо-
вых точек.
В результате проведенных исследова-
ний установлено, что все три алгоритма
сегментации рентгенотелевизионных
изображений корректно (согласно двум
сформулированным выше критериям)
выделяют области с дефектами. На тестовых изоб-
ражениях были выделены все дефекты. Форма вы-
деленных областей соответствовала (с точки зре-
ния визуальной оценки) форме изображений са-
мих дефектов. Все три алгоритма при проверке
на тестовых изображениях показали одинаковое
качество сегментации. На рис. 6 приведен резуль-
тат сегментации одного тестового изображения с
помощью трех предложенных алгоритмов сегмен-
тации.
Исходя из проведенных исследований можно
сделать выводы, что предложенные алгоритмы
сегментации рентгенотелевизионных изображе-
ний сварных швов являются эффективными. Вы-
сокая эффективность данных алгоритмов делает
перспективным их применение для обнаружения
дефектов сварных швов в системах автоматизиро-
ванного рентгенотелевизионного контроля.
1. Лазоренко Я. П. Автоматическое распознавание дефек-
тов на радиационных изображениях сварных швов (Об-
Рис. 4. Адаптивная пороговая обработка с помощью трех предложенных
алгоритмов: а — исходное изображение; б — выбор порога по среднеквад-
ратическому критерию; в — моментный подход к выбору порога; г — эн-
тропийный метод выбора порога
Рис. 5. Тестовые изображения сварных швов, которые использовались для
оценки эффективности предложенных алгоритмов сегментации рентгено-
телевизионных изображений
Рис. 6. Результат сегментации тестового изображения с помощью трех
предложенных алгоритмов с применением вычитания фона: а — исходное
изображение; б — среднеквадратический алгоритм; в — моментный алго-
ритм; г — энтропийный алгоритм
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009 41
зор) // Техн. диагностика и неразруш. контроль. — 2008.
— № 3. — С. 31–37.
2. Alghalandis S., Alamdari G. Welding defect pattern recogni-
tion in radiographic images of gas pipelines using adaptive
feature extraction method and neural network classifier //
23rd World gas conference, 2006.
3. Wang G., T. W. Liao. Automatic identification of different
types of welding defects in radiographic images // NDT&E
International. — 2002. — № 35. — P. 519–528.
4. Weld defect detection in industrial radiography based digital
image processing / N. Nacereddine, M. Zelmat, S. S. Belaifa,
M. Tridi // Proc. of world academy of science, engineering
and technology. — 2005. — January. — 2. — ISSN 1307-
6884.
5. Mery D., Berti M. A. Automatic detection of welding defects
using texture features // Intern. symp. on computed tomog-
raphy and image processing for industrial radiology, 2003.
6. Гонсалес Р., Вудс Р. Цифровая обработка изображений.
— М.: Техносфера, 2006. — 1072 с.
7. Бакут П. А., Колмогоров Г. С. Сегментация изображе-
ний: методы выделения границ областей // Зарубежная
радиоэлектроника. — 1987. — № 10. — С. 25–47.
8. Бакут П. А., Колмогоров Г. С., Ворновицкий И. Э. Сег-
ментация изображений: методы пороговой обработки //
Там же. — 1987. — № 10. — С. 6–24.
Ин-т электросварки им. Е. О. Патона НАН Украины,
Киев
Поступила в редакцию
10.10.2008
Назарчук З. Т., Скальський В. Р. Акустико-емісійне діагностування елементів
конструкцій: Наук.-техн. посібник. У 3 т. — Київ: Наук. думка, 2009.
Т.1. Теоретичні основи методу акустичної емісії. — 287 с.
У монографії викладено основи поширення пружних хвиль у твердому тілі з позицій теорії
пружності. Описано особливості їх проходження у стрижнях і пластинах, взаємодії з різними
включеннями, несуцільностями, вільними поверхнями. Класифіковано й детально описано най-
поширеніші типи пружних хвиль, які застосовують для проведення неруйнівного контролю ме-
тодом акустичної емісії з метою діагностування виробів та елементів конструкцій. На засадах
основних положень механіки руйнування викладено взаємозв’язок зародження й розвитку
тріщин у твердих тілах із хвильовими процесами, які супроводжують ці явища. Наведено роз-
рахункові моделі та розв’язки низки нестаціонарних динамічних задач теорії тріщин,
проілюстровано залежності між характеристиками тріщин і параметрами сигналів акустичної
емісії.
Т.2. Методологія акустико-емісійного діагностування. — 263 с.
Розглянуто методичні особливості добору і реєстрування сигналів акустичної емісії в умовах
лабораторних досліджень та експлуатації об’єктів контролю. Описано методики визначення
міцнісних характеристик, статичної тріщиностійкості конструкційних матеріалів. Розглянуто
методологічні основи оцінки їх об’ємної пошкодженості за параметрами акустичних сигналів.
Показано інваріантність акустико-емісійного вимірювання об’ємного пошкодження матеріалів
стосовно товщини матеріалу, способу його навантаження, типу випробовуваних зразків. На-
ведено методики встановлення базових характеристик конструкційних матеріалів для запро-
понованих критеріїв і моделей. Викладено методичний підхід, що грунтується на новому критерії
оцінювання типів руйнування матеріалів на етапі субкритичного розвитку. Підтверджено
ефективність створеного методологічного підгрунтя щодо визначення зародження і розвитку
руйнування на різних конструкційних матеріалах: сталях (у вихідному стані й після тривалого
експлуатування), чавунах, алюмінієвих сплавах, бетоні, залізобетоні, композитних матеріалах
тощо.
Т.3. Засоби та застосування методу акустичної емісії. — 327 с.
Описано підходи до побудови акустико-емісійної апаратури різного функціонального призна-
чення. Розглянуто особливості застосування первинних перетворювачів пружних хвиль у
електричні сигнали, найуживаніші конструкційні матеріали для їх виготовлення, класифікацію
перетворювачів за різними ознаками й особливостями конструкційного виконання. Наведено
принципові електричні схеми основних вузлів і блоків портативних засобів відбору, обробки і
зберігання акустико-емісійної інформації, отриманої під час виконання діагностичних робіт, опис
їх функціонування та основні технічні характеристики. Продемонстровано ефективність методу
на прикладі реального діагностування низки великогабаритних конструкцій тривалої експлуа-
тації.
Для наукових працівників та інженерів-дослідників, а також аспірантів і студентів вищих
навчальних закладів зі спеціальностей діагностика матеріалів і конструкцій, методи неруйнівного
контролю, фізична акустика, механіка руйнування тощо.
З питань придбання посібників звертатися за тел.: 0322-63-12-64, Скальський В. Р.
42 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №4,2009
|
| id | nasplib_isofts_kiev_ua-123456789-103408 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0235-3474 |
| language | Russian |
| last_indexed | 2025-12-07T13:39:01Z |
| publishDate | 2009 |
| publisher | Інститут електрозварювання ім. Є.О. Патона НАН України |
| record_format | dspace |
| spelling | Лазоренко, Я.П. Шаповалов, Е.В. Скуба, Т. Г. Топчев, Д.Д. Клищар, Ф.С. 2016-06-16T10:21:00Z 2016-06-16T10:21:00Z 2009 Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов / Я.П. Лазоренко, Е.В. Шаповалов, Т.Г. Скуба, Д.Д. Топчев, Ф.С. Клищар // Техническая диагностика и неразрушающий контроль. — 2009. — № 4. — С. 37-42. — Бібліогр.: 8 назв. — рос. 0235-3474 https://nasplib.isofts.kiev.ua/handle/123456789/103408 581.518.54:621.791.9 Предложено три новых алгоритма сегментации цифровых рентгенотелевизионных изображений сварных швов, которые предназначены для автоматического обнаружения дефектов. Данные алгоритмы основаны на адаптивных методах пороговой обработки. Показано, что оптимальное значение порога устанавливается для каждой точки изображения на основе свойств ее локальной окрестности. Для выбора оптимального порогового значения использованы следующие критерии: среднеквадратический, моментный и энтропийный. Экспериментальное исследование показало эффективность предложенных алгоритмов сегментации, что делает возможным их применение в системах автоматизированного рентгенотелевизионного контроля. Three new algorithms of segmentation of digital X-Ray TV images of welds have been proposed, which are designed for automatic defect detection. These algorithms are based on adaptive methods of threshold treatment. In these methods the optimum threshold value is set for each image point based on the properties of its local vicinity. Selection of the optimum threshold value was performed on the basis of the following criteria: mean root square, instant and entropy. Experimental study has shown the effectiveness of the proposed segmentation algorithms, which enables their application in systems of automated X-Ray TV inspection. ru Інститут електрозварювання ім. Є.О. Патона НАН України Техническая диагностика и неразрушающий контроль Неразрушающий контроль Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов Studying the algorithms of segmentation of X-ray TV images of welds for automatic detection of defects Article published earlier |
| spellingShingle | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов Лазоренко, Я.П. Шаповалов, Е.В. Скуба, Т. Г. Топчев, Д.Д. Клищар, Ф.С. Неразрушающий контроль |
| title | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| title_alt | Studying the algorithms of segmentation of X-ray TV images of welds for automatic detection of defects |
| title_full | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| title_fullStr | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| title_full_unstemmed | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| title_short | Исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| title_sort | исследование алгоритмов сегментации рентгенотелевизионных изображений сварных швов для автоматического обнаружения дефектов |
| topic | Неразрушающий контроль |
| topic_facet | Неразрушающий контроль |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/103408 |
| work_keys_str_mv | AT lazorenkoâp issledovaniealgoritmovsegmentaciirentgenotelevizionnyhizobraženiisvarnyhšvovdlâavtomatičeskogoobnaruženiâdefektov AT šapovalovev issledovaniealgoritmovsegmentaciirentgenotelevizionnyhizobraženiisvarnyhšvovdlâavtomatičeskogoobnaruženiâdefektov AT skubatg issledovaniealgoritmovsegmentaciirentgenotelevizionnyhizobraženiisvarnyhšvovdlâavtomatičeskogoobnaruženiâdefektov AT topčevdd issledovaniealgoritmovsegmentaciirentgenotelevizionnyhizobraženiisvarnyhšvovdlâavtomatičeskogoobnaruženiâdefektov AT kliŝarfs issledovaniealgoritmovsegmentaciirentgenotelevizionnyhizobraženiisvarnyhšvovdlâavtomatičeskogoobnaruženiâdefektov AT lazorenkoâp studyingthealgorithmsofsegmentationofxraytvimagesofweldsforautomaticdetectionofdefects AT šapovalovev studyingthealgorithmsofsegmentationofxraytvimagesofweldsforautomaticdetectionofdefects AT skubatg studyingthealgorithmsofsegmentationofxraytvimagesofweldsforautomaticdetectionofdefects AT topčevdd studyingthealgorithmsofsegmentationofxraytvimagesofweldsforautomaticdetectionofdefects AT kliŝarfs studyingthealgorithmsofsegmentationofxraytvimagesofweldsforautomaticdetectionofdefects |