Помощь студентам в учебе
РОБАСТНЫЙ ВЫБОР ПОРОГОВЫХ ЗНАЧЕНИЙ ЯРКОСТИ ДЛЯ МЕТОДОВ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ДЕФЕКТОВ СВАРНОГО ШВА
|
Введение 5
ГЛАВА 1 Сегментация изображений сварных швов 11
1.1 Представление изображений 11
1.1.1 Матричное представление 11
1.1.2 Отношение соседства 12
1.1.3 Основные типы изображений 13
1.2 Гистограммы и их параметры 15
1.3 Основные этапы распознавания изображения сварного шва 16
1.3.1 Предварительная обработка изображения 17
1.3.2 Сегментация изображения 18
1.3.3 Извлечение геометрических признаков дефектов сварки 20
1.3.4 Классификация дефектов 22
1.4 Методы сегментации на основе однородности функции яркости 24
1.4.1 Пороговые методы 24
1.4.2 Методы формирования областей 27
1.4.3 Методы кластеризации 29
1.5 Методы сегментации на основе разрывности функции яркости 30
1.5.1 Детектор границ Марра - Хилдрета 31
1.5.2 Детектор границ Кэнни 32
1.6 Предлагаемый подход к распознаванию дефектов сварки 33
Выводы к главе 1 36
ГЛАВА 2 Сегментация наращиванием областей с применением
комплексирования интервалов агрегированием предпочтений IF&PA 37
2.1 Комплексирование интервалов агрегированием предпочтений 37
2.2 Сегментация изображения методом наращивания областей 40
2.2.1 Разбиение анализируемого изображения на полосы 41
2.2.2 Выбор параметров IF&PA для расчета яркости начальных точек . 42
2.3 Алгоритм наращивания областей 46
2.4 Применение наращивания областей с вычислением порогов методом
IF&PA для автоматического распознавания дефектов сварки 51
Выводы к главе 2 56
ГЛАВА 3 Сегментация детектированием границ с применением IF&PA .. 58
3.1 Автоматическая сегментация изображений с использованием детектора
границ Кэнни в сочетании с методом IF&PA 58
3.1.1 Вычисление градиента изображения и подавление немаксимальных
точек 58
3.1.2 Применение IF&PA для расчета верхнего порога градиента 60
3.2 Консолидация результатов наращивания областей и детектирования
границ 65
3.3 Совместное применение наращивания областей и детектирования границ с вычислением порогов методом IF&PA для автоматического распознавания
дефектов сварки 66
Выводы к главе 3 72
ГЛАВА 4 Экспериментальные исследования предложенных методов
автоматического распознавания дефектов сварного шва 74
4.1 Программное обеспечение для автоматического обнаружения дефектов
сварных швов 74
4.1.1 Структура программного обеспечения 74
4.1.2 Интерфейс программного обеспечения 77
4.2 План эксперимента 79
4.2.1 Исследование наращивания областей с применением IF&PA 79
4.2.2 Исследование наращивания областей и детектирования границ с
применением IF&PA 79
4.3 Интерактивный режим для получения правильных результатов
распознавания 80
4.4 Меры качества результатов распознавания 80
4.4.1 Точность (accuracy) распознавания 80
4.4.2 Мера сходства Жаккара 80
4.4.3 Метрики Precision, Recall и F1 81
4.5 Результаты экспериментальных исследований 83
4.5.1 Результаты исследования наращивания областей с применением
IF&PA 83
4.5.2 Результаты исследования наращивания областей и детектирования
границ с применением IF&PA 94
4.5.3 Оценивание точности определения геометрических признаков 105
Выводы к главе 4 114
Заключение 116
Список сокращений и обозначений 118
Список используемой литературы 121
Приложение А. Акты внедрения диссертационной работы 132
ГЛАВА 1 Сегментация изображений сварных швов 11
1.1 Представление изображений 11
1.1.1 Матричное представление 11
1.1.2 Отношение соседства 12
1.1.3 Основные типы изображений 13
1.2 Гистограммы и их параметры 15
1.3 Основные этапы распознавания изображения сварного шва 16
1.3.1 Предварительная обработка изображения 17
1.3.2 Сегментация изображения 18
1.3.3 Извлечение геометрических признаков дефектов сварки 20
1.3.4 Классификация дефектов 22
1.4 Методы сегментации на основе однородности функции яркости 24
1.4.1 Пороговые методы 24
1.4.2 Методы формирования областей 27
1.4.3 Методы кластеризации 29
1.5 Методы сегментации на основе разрывности функции яркости 30
1.5.1 Детектор границ Марра - Хилдрета 31
1.5.2 Детектор границ Кэнни 32
1.6 Предлагаемый подход к распознаванию дефектов сварки 33
Выводы к главе 1 36
ГЛАВА 2 Сегментация наращиванием областей с применением
комплексирования интервалов агрегированием предпочтений IF&PA 37
2.1 Комплексирование интервалов агрегированием предпочтений 37
2.2 Сегментация изображения методом наращивания областей 40
2.2.1 Разбиение анализируемого изображения на полосы 41
2.2.2 Выбор параметров IF&PA для расчета яркости начальных точек . 42
2.3 Алгоритм наращивания областей 46
2.4 Применение наращивания областей с вычислением порогов методом
IF&PA для автоматического распознавания дефектов сварки 51
Выводы к главе 2 56
ГЛАВА 3 Сегментация детектированием границ с применением IF&PA .. 58
3.1 Автоматическая сегментация изображений с использованием детектора
границ Кэнни в сочетании с методом IF&PA 58
3.1.1 Вычисление градиента изображения и подавление немаксимальных
точек 58
3.1.2 Применение IF&PA для расчета верхнего порога градиента 60
3.2 Консолидация результатов наращивания областей и детектирования
границ 65
3.3 Совместное применение наращивания областей и детектирования границ с вычислением порогов методом IF&PA для автоматического распознавания
дефектов сварки 66
Выводы к главе 3 72
ГЛАВА 4 Экспериментальные исследования предложенных методов
автоматического распознавания дефектов сварного шва 74
4.1 Программное обеспечение для автоматического обнаружения дефектов
сварных швов 74
4.1.1 Структура программного обеспечения 74
4.1.2 Интерфейс программного обеспечения 77
4.2 План эксперимента 79
4.2.1 Исследование наращивания областей с применением IF&PA 79
4.2.2 Исследование наращивания областей и детектирования границ с
применением IF&PA 79
4.3 Интерактивный режим для получения правильных результатов
распознавания 80
4.4 Меры качества результатов распознавания 80
4.4.1 Точность (accuracy) распознавания 80
4.4.2 Мера сходства Жаккара 80
4.4.3 Метрики Precision, Recall и F1 81
4.5 Результаты экспериментальных исследований 83
4.5.1 Результаты исследования наращивания областей с применением
IF&PA 83
4.5.2 Результаты исследования наращивания областей и детектирования
границ с применением IF&PA 94
4.5.3 Оценивание точности определения геометрических признаков 105
Выводы к главе 4 114
Заключение 116
Список сокращений и обозначений 118
Список используемой литературы 121
Приложение А. Акты внедрения диссертационной работы 132
Актуальность темы. Контроль качества сварочных работ осуществляется посредством визуального контроля, заключающейся в осмотре поверхности изделия невооруженным глазом. Классификация дефектов определяется в соответствии с международным стандартом ГОСТ Р ИСО 6520-1-2012. Данная инспекционная задача считается трудоемкой и монотонной для оператора, особенно при большой протяженности и сложной конфигурации контролируемых объектов (например, трубопроводов) и наличии труднодоступных мест. Кроме того, известно, что результаты визуального контроля, вследствие субъективных ошибок, характеризуются уровнем правильных решений порядка 80 %.
В связи с этим целесообразно автоматизировать процесс визуального контроля, чтобы повысить его достоверность. Несмотря на накопленный в последние годы значительный опыт успешного применения машинного зрения в области визуального контроля, много проблем еще ждут своего решения. Одна из этих проблем заключается в том, что распознаваемые текстуры во время проведения процедуры контроля могут характеризоваться значительными отличиями в ориентации, масштабе, составе и других особенностях их элементов. Другая проблема состоит в нехватке вычислительных ресурсов, которые могут потребоваться для обработки сложных многоэлементных текстур.
Особую популярность для распознавания дефектов сварных швов в последние годы приобрели нейросетевые методы. Их основным недостатком является необходимость наличия обширной базы изображений дефектов для обеспечения возможности обучения системы распознавания, сложность процесса обучения и время обучения могут непредсказуемо возрастать при необходимости повышения точности распознавания; при этом устойчивость (появление значительных отклонений на выходе при незначительных изменениях на входе) системы может значительно снижаться.
Поэтому необходима разработка возможных простых технических решений при создании автоматизированной системы обнаружения и оценки дефектов сварных швов, позволяющей минимизировать влияние субъективного фактора при принятии решения о качестве сварного соединения с одновременным сокращением времени процесса визуального контроля и повышением его надежности.
Основным этапом процесса распознавания дефектов является сегментация анализируемого изображения сварного шва, т.е. его разбиение на дефектную и бездефектную области. Известные метод сегментации основываются на одном из двух фундаментальных свойств функции яркости изображения: (1) однородности и (2) разрывности. Метод наращивания областей (НО) является основным представителем подхода (1), а метод детектирования границ Кэнни (ДГК), является наиболее популярным представителем подхода (2).
Оба метода нуждаются в предварительном вычислении для них подходящих пороговых значений функции яркости. Способ выбора таких значений должен быть робастным, т.е. не зависеть от вида вероятностного распределения соответствующей величины. Перспективным кандидатом на роль такого способа является метод комплексирования интервалов агрегированием предпочтений (interval data fusion with preference aggregation, IF&PA), разработанный в научном коллективе под руководством проф. Муравьева С.В. Метод подтвердил свою надежность, точность и робастность при обработке гетероскедастичных данных в широком спектре применений.
Целью диссертационной работы является разработка и экспериментальные исследования технологии автоматического распознавания дефектов сварного шва на основе сегментации изображений методами наращивания областей и детектирования границ с робастным выбором для них пороговых значений яркости методом комплексирования интервалов агрегированием предпочтений IF&PA.
В связи с поставленной целью должны быть решены следующие задачи:
• анализ известных методов сегментации изображений;
• разработка метода автоматической сегментации изображений наращиванием областей с применением комплексирования интервалов агрегированием предпочтений;
• разработка метода автоматической сегментации изображений детектированием границ с применением комплексирования интервалов агрегированием предпочтений;
• разработка метода автоматической сегментации изображений совместным применением наращивания областей и детектирования границ;
• экспериментальные исследования предложенной технологии автоматического распознавания дефектов сварного шва.
Методы исследования. Использованы методы цифровой обработки изображений; технологии компьютерного зрения; методы преобразования и анализа изображений; методы агрегирования предпочтений. Программное обеспечение для распознавания дефектов сварных швов разработано в среде технических вычислений Matlab. Экспериментальные исследования проводились со случайным набором изображений, загруженных из сети Интернет.
Достоверность полученных результатов диссертационной работы подтверждается сравнением результатов, полученных разработанными методами, с результатами, полученными известными методами сегментации изображения .
Научная новизна
1. Предложен способ выбора подходящих числа и ориентации полос, на которые разбивается исходное анализируемое изображение сварного шва, для вычисления яркости начальных точек методом комплексирования интервалов агрегированием предпочтений (IF&PA) при осуществлении сегментации изображения в процессе наращивания дефектной и бездефектной областей; выбор осуществляется с помощью предложенного аналитического выражения для соотношения размеров связанного с дефектной областью опорного прямоугольника и размеров изображения.
2. Метод IF&PA предложено использовать для вычисления верхнего порога при детектировании границ дефектной области, для чего анализируемое изображение, являющееся результатом немаксимального подавления, разбивают на равные полосы; для каждой полосы формируют интервал, нижней границей которого является наименьшее значение градиента полосы, не равное нулю; а за верхнюю границу принимают наибольшее значение градиента полосы.
3. Предложен способ консолидации изображений, полученных наращиванием областей и детектированием границ, где элемент консолидированного изображения рассматривается принадлежащим дефектной области в случае полного пересечения контура, которому он принадлежит, с дефектной областью; все элементы консолидированного изображения, лежащие в охватываемой этим контуром области, также считаются принадлежащими дефектной области.
Практическая ценность работы. Результаты диссертационной работы могут быть использованы для построения автоматизированной системы обнаружения и оценки дефектов сварных швов, позволяющей минимизировать влияние субъективного фактора при принятии решения о качестве сварного соединения с одновременным сокращением времени процесса визуального контроля и повышением его надежности. Кроме того, разработанная в диссертации программная технология распознавания дефектов сварных соединений может быть использована для анализа изображений в самых разных других областях, например, спутниковых снимков, медицинских изображений и т.п.
Реализация и внедрение результатов работы. Результаты работы используются: в обществе с ограниченной ответственностью «Томскбурнефтегаз» (г. Томск) при визуальном контроле качества сварных швов; в акционерном обществе «DFT Vietnam Technology» (г. Ханой, Вьетнам) при разработке прикладного программного обеспечения для проверки/мониторинга качества сварки промышленных изделий; в учебном процессе отделения автоматизации и робототехники Инженерной школы информационных технологий и робототехники ТПУ. Акты внедрения приложены к диссертационной работе.
Положения, выносимые на защиту
1. Предложенная процедура сегментации наращиванием областей с робастным вычислением яркости начальных точек методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью (Accuracy) 91,1%, значительно превосходящей точность традиционных методов ^-средних (70%) и Оцу (52,2%) для случайной выборки, состоящей из 90 изображений
2. Предложенная процедура сегментации совместным применением наращивания областей и детектирования границ с робастным вычислением порогов яркости методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью 92%, значительно превосходящей точность традиционных методов ^-средних (49%) и Оцу (54%) для случайной выборки, состоящей из 150 изображений.
3. Метод консолидации результатов наращивания областей и детектирования границ позволяет удалять вызванные шумом паразитные границы дефектной области, обеспечивая повышение точности определения геометрических признаков дефектов сварки в среднем в 1,5-2 раза в зависимости от вида признака.
Апробация результатов работы. Основные результаты диссертационной работы докладывались на следующих конференциях:
XVII Международная научно-практическая конференция «Электронные средства и системы управления», г. Томск, ТУСУР, 2021 г. (доклад отмечен дипломом II степени); Международная научно-техническая конференция студентов, аспирантов и молодых учёных «Научная сессия ТУСУР - 2022», г. Томск, 2022 г.; International Conference on Information, Control, and Communication Technologies (ICCT-2022), Астрахань, 2022 г.; Международная научно-техническая конференция студентов, аспирантов и молодых учёных «Научная сессия ТУСУР - 2023», г. Томск, 2023 г. (доклад отмечен дипломом II степени).
Публикации. Основные результаты исследований отражены в 10 публикациях: 3 статьи в ведущих научных журналах и изданиях, рекомендуемых ВАК, все проиндексированы в базах данных Scopus и (или) Web of Science; 4 статьи в сборниках трудов международных и российских конференций; 3 свидетельства о государственной регистрации программ для ЭВМ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 106 наименований. Работа содержит 135 страницы основного текста, включая 37 рисунка и 17 таблиц.
Во введении обоснована актуальность темы диссертации, сформулирована цель исследований, определены решаемые задачи, указаны научная новизна и практическая ценность результатов работы.
В первой главе рассмотрены основные характеристики цифровых изображений, понятие гистограммы, основные этапы распознавания изображения сварного шва и наиболее известные методы сегментации. Обсуждается предлагаемый в диссертации общий подход к распознаванию дефектов сварки.
Во второй главе предложен метод автоматической сегментации изображения дефекта сварного шва с использованием метода наращивания областей. Начальные точки для метода наращивания областей выбираются методом комплексирования интервалов агрегированием предпочтений (IF&PA), на основе анализа гистограммы яркости изображения.
В третьей главе рассмотрен метод сегментации изображений на основе детектирования границ с помощью оператора Кэнни, где двойной порог определяется с помощью метода IF&PA. Предложен метод консолидации результатов сегментации изображений, полученных наращиванием областей и детектированием границ при их совместном применении.
В четвертой главе представлены результаты экспериментальной проверки программного обеспечения для автоматического обнаружения дефектов сварных швов, разработанного на основе алгоритмов сегментации изображений наращиванием областей и детектированием границ с применением
В связи с этим целесообразно автоматизировать процесс визуального контроля, чтобы повысить его достоверность. Несмотря на накопленный в последние годы значительный опыт успешного применения машинного зрения в области визуального контроля, много проблем еще ждут своего решения. Одна из этих проблем заключается в том, что распознаваемые текстуры во время проведения процедуры контроля могут характеризоваться значительными отличиями в ориентации, масштабе, составе и других особенностях их элементов. Другая проблема состоит в нехватке вычислительных ресурсов, которые могут потребоваться для обработки сложных многоэлементных текстур.
Особую популярность для распознавания дефектов сварных швов в последние годы приобрели нейросетевые методы. Их основным недостатком является необходимость наличия обширной базы изображений дефектов для обеспечения возможности обучения системы распознавания, сложность процесса обучения и время обучения могут непредсказуемо возрастать при необходимости повышения точности распознавания; при этом устойчивость (появление значительных отклонений на выходе при незначительных изменениях на входе) системы может значительно снижаться.
Поэтому необходима разработка возможных простых технических решений при создании автоматизированной системы обнаружения и оценки дефектов сварных швов, позволяющей минимизировать влияние субъективного фактора при принятии решения о качестве сварного соединения с одновременным сокращением времени процесса визуального контроля и повышением его надежности.
Основным этапом процесса распознавания дефектов является сегментация анализируемого изображения сварного шва, т.е. его разбиение на дефектную и бездефектную области. Известные метод сегментации основываются на одном из двух фундаментальных свойств функции яркости изображения: (1) однородности и (2) разрывности. Метод наращивания областей (НО) является основным представителем подхода (1), а метод детектирования границ Кэнни (ДГК), является наиболее популярным представителем подхода (2).
Оба метода нуждаются в предварительном вычислении для них подходящих пороговых значений функции яркости. Способ выбора таких значений должен быть робастным, т.е. не зависеть от вида вероятностного распределения соответствующей величины. Перспективным кандидатом на роль такого способа является метод комплексирования интервалов агрегированием предпочтений (interval data fusion with preference aggregation, IF&PA), разработанный в научном коллективе под руководством проф. Муравьева С.В. Метод подтвердил свою надежность, точность и робастность при обработке гетероскедастичных данных в широком спектре применений.
Целью диссертационной работы является разработка и экспериментальные исследования технологии автоматического распознавания дефектов сварного шва на основе сегментации изображений методами наращивания областей и детектирования границ с робастным выбором для них пороговых значений яркости методом комплексирования интервалов агрегированием предпочтений IF&PA.
В связи с поставленной целью должны быть решены следующие задачи:
• анализ известных методов сегментации изображений;
• разработка метода автоматической сегментации изображений наращиванием областей с применением комплексирования интервалов агрегированием предпочтений;
• разработка метода автоматической сегментации изображений детектированием границ с применением комплексирования интервалов агрегированием предпочтений;
• разработка метода автоматической сегментации изображений совместным применением наращивания областей и детектирования границ;
• экспериментальные исследования предложенной технологии автоматического распознавания дефектов сварного шва.
Методы исследования. Использованы методы цифровой обработки изображений; технологии компьютерного зрения; методы преобразования и анализа изображений; методы агрегирования предпочтений. Программное обеспечение для распознавания дефектов сварных швов разработано в среде технических вычислений Matlab. Экспериментальные исследования проводились со случайным набором изображений, загруженных из сети Интернет.
Достоверность полученных результатов диссертационной работы подтверждается сравнением результатов, полученных разработанными методами, с результатами, полученными известными методами сегментации изображения .
Научная новизна
1. Предложен способ выбора подходящих числа и ориентации полос, на которые разбивается исходное анализируемое изображение сварного шва, для вычисления яркости начальных точек методом комплексирования интервалов агрегированием предпочтений (IF&PA) при осуществлении сегментации изображения в процессе наращивания дефектной и бездефектной областей; выбор осуществляется с помощью предложенного аналитического выражения для соотношения размеров связанного с дефектной областью опорного прямоугольника и размеров изображения.
2. Метод IF&PA предложено использовать для вычисления верхнего порога при детектировании границ дефектной области, для чего анализируемое изображение, являющееся результатом немаксимального подавления, разбивают на равные полосы; для каждой полосы формируют интервал, нижней границей которого является наименьшее значение градиента полосы, не равное нулю; а за верхнюю границу принимают наибольшее значение градиента полосы.
3. Предложен способ консолидации изображений, полученных наращиванием областей и детектированием границ, где элемент консолидированного изображения рассматривается принадлежащим дефектной области в случае полного пересечения контура, которому он принадлежит, с дефектной областью; все элементы консолидированного изображения, лежащие в охватываемой этим контуром области, также считаются принадлежащими дефектной области.
Практическая ценность работы. Результаты диссертационной работы могут быть использованы для построения автоматизированной системы обнаружения и оценки дефектов сварных швов, позволяющей минимизировать влияние субъективного фактора при принятии решения о качестве сварного соединения с одновременным сокращением времени процесса визуального контроля и повышением его надежности. Кроме того, разработанная в диссертации программная технология распознавания дефектов сварных соединений может быть использована для анализа изображений в самых разных других областях, например, спутниковых снимков, медицинских изображений и т.п.
Реализация и внедрение результатов работы. Результаты работы используются: в обществе с ограниченной ответственностью «Томскбурнефтегаз» (г. Томск) при визуальном контроле качества сварных швов; в акционерном обществе «DFT Vietnam Technology» (г. Ханой, Вьетнам) при разработке прикладного программного обеспечения для проверки/мониторинга качества сварки промышленных изделий; в учебном процессе отделения автоматизации и робототехники Инженерной школы информационных технологий и робототехники ТПУ. Акты внедрения приложены к диссертационной работе.
Положения, выносимые на защиту
1. Предложенная процедура сегментации наращиванием областей с робастным вычислением яркости начальных точек методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью (Accuracy) 91,1%, значительно превосходящей точность традиционных методов ^-средних (70%) и Оцу (52,2%) для случайной выборки, состоящей из 90 изображений
2. Предложенная процедура сегментации совместным применением наращивания областей и детектирования границ с робастным вычислением порогов яркости методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью 92%, значительно превосходящей точность традиционных методов ^-средних (49%) и Оцу (54%) для случайной выборки, состоящей из 150 изображений.
3. Метод консолидации результатов наращивания областей и детектирования границ позволяет удалять вызванные шумом паразитные границы дефектной области, обеспечивая повышение точности определения геометрических признаков дефектов сварки в среднем в 1,5-2 раза в зависимости от вида признака.
Апробация результатов работы. Основные результаты диссертационной работы докладывались на следующих конференциях:
XVII Международная научно-практическая конференция «Электронные средства и системы управления», г. Томск, ТУСУР, 2021 г. (доклад отмечен дипломом II степени); Международная научно-техническая конференция студентов, аспирантов и молодых учёных «Научная сессия ТУСУР - 2022», г. Томск, 2022 г.; International Conference on Information, Control, and Communication Technologies (ICCT-2022), Астрахань, 2022 г.; Международная научно-техническая конференция студентов, аспирантов и молодых учёных «Научная сессия ТУСУР - 2023», г. Томск, 2023 г. (доклад отмечен дипломом II степени).
Публикации. Основные результаты исследований отражены в 10 публикациях: 3 статьи в ведущих научных журналах и изданиях, рекомендуемых ВАК, все проиндексированы в базах данных Scopus и (или) Web of Science; 4 статьи в сборниках трудов международных и российских конференций; 3 свидетельства о государственной регистрации программ для ЭВМ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 106 наименований. Работа содержит 135 страницы основного текста, включая 37 рисунка и 17 таблиц.
Во введении обоснована актуальность темы диссертации, сформулирована цель исследований, определены решаемые задачи, указаны научная новизна и практическая ценность результатов работы.
В первой главе рассмотрены основные характеристики цифровых изображений, понятие гистограммы, основные этапы распознавания изображения сварного шва и наиболее известные методы сегментации. Обсуждается предлагаемый в диссертации общий подход к распознаванию дефектов сварки.
Во второй главе предложен метод автоматической сегментации изображения дефекта сварного шва с использованием метода наращивания областей. Начальные точки для метода наращивания областей выбираются методом комплексирования интервалов агрегированием предпочтений (IF&PA), на основе анализа гистограммы яркости изображения.
В третьей главе рассмотрен метод сегментации изображений на основе детектирования границ с помощью оператора Кэнни, где двойной порог определяется с помощью метода IF&PA. Предложен метод консолидации результатов сегментации изображений, полученных наращиванием областей и детектированием границ при их совместном применении.
В четвертой главе представлены результаты экспериментальной проверки программного обеспечения для автоматического обнаружения дефектов сварных швов, разработанного на основе алгоритмов сегментации изображений наращиванием областей и детектированием границ с применением
1. Предложен способ выбора подходящих числа и ориентации полос, на которые разбивается исходное анализируемое изображение сварного шва, для вычисления яркости начальных точек методом комплексирования интервалов агрегированием предпочтений (IF&PA) при осуществлении сегментации изображения в процессе наращивания дефектной и бездефектной областей.
2. Метод IF&PA предложено использовать для вычисления верхнего порога при детектировании границ дефектной области, для чего анализируемое изображение, являющееся результатом немаксимального подавления, разбивают на равные полосы; для каждой полосы формируют интервал, нижней границей которого является наименьшее значение градиента полосы, не равное нулю; а за верхнюю границу принимают наибольшее значение градиента полосы.
3. Предложенная процедура сегментации совместным применением наращивания областей и детектирования границ с робастным вычислением порогов яркости методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью 92%, значительно превосходящей точность традиционных методов k-средних (49%) и Оцу (54%) для случайной выборки, состоящей из 150 изображений.
4. Предложен способ консолидации изображений, полученных наращиванием областей и детектированием границ, где элемент консолидированного изображения рассматривается принадлежащим дефектной области в случае полного пересечения контура, которому он принадлежит, с дефектной областью; все элементы консолидированного изображения, лежащие в охватываемой этим контуром области, также считаются принадлежащими дефектной области. Способ консолидации обеспечивает повышение точности определения геометрических признаков дефектов сварки в среднем в 1,5-2 раза в зависимости от вида признака.
5. Результаты диссертационной работы используются: в обществе с ограниченной ответственностью "Томскбурнефтегаз" (г. Томск) при визуальном контроле качества сварных швов; в акционерном обществе "DFT Vietnam Technology" (г. Ханой, Вьетнам) при разработке прикладного программного обеспечения для проверки/мониторинга качества сварки промышленных изделий; в учебном процессе отделения автоматизации и робототехники Инженерной школы информационных технологий и робототехники ТПУ.
2. Метод IF&PA предложено использовать для вычисления верхнего порога при детектировании границ дефектной области, для чего анализируемое изображение, являющееся результатом немаксимального подавления, разбивают на равные полосы; для каждой полосы формируют интервал, нижней границей которого является наименьшее значение градиента полосы, не равное нулю; а за верхнюю границу принимают наибольшее значение градиента полосы.
3. Предложенная процедура сегментации совместным применением наращивания областей и детектирования границ с робастным вычислением порогов яркости методом IF&PA обеспечивает автоматическое распознавание дефектов сварного шва, характеризующееся точностью 92%, значительно превосходящей точность традиционных методов k-средних (49%) и Оцу (54%) для случайной выборки, состоящей из 150 изображений.
4. Предложен способ консолидации изображений, полученных наращиванием областей и детектированием границ, где элемент консолидированного изображения рассматривается принадлежащим дефектной области в случае полного пересечения контура, которому он принадлежит, с дефектной областью; все элементы консолидированного изображения, лежащие в охватываемой этим контуром области, также считаются принадлежащими дефектной области. Способ консолидации обеспечивает повышение точности определения геометрических признаков дефектов сварки в среднем в 1,5-2 раза в зависимости от вида признака.
5. Результаты диссертационной работы используются: в обществе с ограниченной ответственностью "Томскбурнефтегаз" (г. Томск) при визуальном контроле качества сварных швов; в акционерном обществе "DFT Vietnam Technology" (г. Ханой, Вьетнам) при разработке прикладного программного обеспечения для проверки/мониторинга качества сварки промышленных изделий; в учебном процессе отделения автоматизации и робототехники Инженерной школы информационных технологий и робототехники ТПУ.
