کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6758288 1431267 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Accurate defect detection via sparsity reconstruction for weld radiographs
ترجمه فارسی عنوان
تشخیص نقص دقیق از طریق بازسازی فشاری برای رادیوگرافی جوش
کلمات کلیدی
تشخیص دقیق نقص، تصاویر اشعه ایکس، تقسیم بندی، تست غیر مخرب، بازسازی تنش،
ترجمه چکیده
تشخیص نقص در رادیوگرافی جوش یک موضوع تحقیق مهم در زمینه آزمایش غیر مخرب صنعتی است. بسیاری از تکنیک های شناسایی توسط کامپیوتر برای تشخیص نقص طراحی شده اند. با این حال، این تکنیک ها عمدتا برای شناسایی انواع معیوب مورد استفاده قرار می گیرند. آنها نمیتوانند برای تشخیص انواع مختلف نقص استفاده شوند، که یک کار دشوار است زیرا تعداد و نوع نقص در رادیوگرافی جوش معمولا پیش از آن ناشناخته است و نقایص مختلف ممکن است خواص بصری مختلف را در شکل، اندازه، بافت، کنتراست و موقعیت . این مقاله با الهام از مکانیزم بازرسی بصری کارآموزان کارآزموده، این مقاله یک چارچوب جدید برای شناسایی انواع مختلف نقص از تصاویر اشعه ایکس ایجاد می کند. در چارچوب، تعداد زیادی از تصاویر عادی اشعه ایکس برای اولین بار به عنوان یک تجربه کارگران جمع آوری شده است؟ و تشخیص نقص را هدایت کنید. سپس یک فرهنگ لغت از مجموعه طبیعی جمع آوری شده یاد می شود. این می تواند به طور انتخابی پس زمینه و منطقه جوش یک تصویر تست را بازسازی در حالی که سرکوب مناطق معیوب از طریق بازسازی اسپارتی. با محاسبه تصویر اختلاف بین تصویر تست و تصویر بازسازی شده آن، نقص ها به عنوان بازه های بازسازی به خوبی برجسته شده و از تصویر متفاوت جدا شده اند. آزمایش های گسترده نشان داده اند که روش پیشنهادی، نقص های متنوع را با دقت بیشتری نسبت به روش های پیشرفته تر تشخیص می دهد.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی عمران و سازه
پیش نمایش مقاله
تشخیص نقص دقیق از طریق بازسازی فشاری برای رادیوگرافی جوش
چکیده انگلیسی
Detecting defects in weld radiographs is an important research topic in the field of industrial non-destructive testing. Many computer-aided detection techniques have been designed for detecting defects. However, these techniques are mainly used to detect specific defective types. They cannot be applied to detect diverse types of defects, which is a difficult task because the number and types of defects in weld radiographs are generally unknown in advance, and different defects may exhibit different visual properties in shapes, sizes, textures, contrasts and positions. Inspired by the experienced workers' visual inspection mechanism, this paper develops a novel framework to detect diverse types of defects from X-ray images. In the framework, a large number of normal X-ray images are firstly collected to serve as “workers' experience” and guide the defect detection. Then, a dictionary is learned from the collected normal set. It can selectively reconstruct the background and the weld region of a test image while suppressing defective regions via sparsity reconstruction. By computing the difference image between the test image and its reconstructed image, flaws are well highlighted as the reconstruction residuals and separated from the difference image. Extensive experiments have shown that the proposed technique detects diverse defects more accurately compared with the state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: NDT & E International - Volume 94, March 2018, Pages 62-69
نویسندگان
, , , , , ,