🔍 Поиск готовых работ

🔍 Поиск работ

Разработка системы распознавания дефектов сварных швов труб по снимкам, полученным с установки рентгенотелевизионного контроля

Работа №206228

Тип работы

Магистерская диссертация

Предмет

информатика

Объем работы60
Год сдачи2020
Стоимость4975 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
0
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 5
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 8
1.1. Обзор существующих решений 8
1.2. Обзор программных аналогов 13
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 16
2.1. Обзор алгоритмов предобработки изображений 16
2.2. Обзор сегментационных нейронных сетей 17
2.3. Обзор классификационных нейронных сетей 21
2.4. Метрики качества моделей 22
3. ПРОЕКТИРОВАНИЕ 26
3.1. Требования к системе 26
3.2. Варианты использования системы 27
3.3. Проектирование архитектуры системы 28
3.4. Проектирование серверной части 29
3.5. Проектирование веб-интерфейса 30
3.6. Проектирование алгоритмов распознавания 31
4. РЕАЛИЗАЦИЯ 35
4.1. Средства реализации 35
4.2. Подготовка данных для обучения 35
4.3. Реализация серверной части 38
4.4. Реализация веб-интерфейса 39
4.5. Реализация алгоритмов распознавания 42
5. ТЕСТИРОВАНИЕ 47
5.1. Тестирование веб-сервиса 47
5.2. Тестирование алгоритмов распознавания 49
ЗАКЛЮЧЕНИЕ 55
ЛИТЕРАТУРА 57


В настоящее время возникает большой интерес к использованию достижений компьютерного зрения для автоматизации процесса выявления дефектов сварных швов по рентгеновским снимкам на предприятиях, занимающихся трубной отраслью. На предприятие ЧТПЗ рентгенотелевизионный контроль является одним из основных этапов для обнаружения дефектов сварных швов на ранних стадиях производства. От качества данного контроля напрямую зависит итоговый процент брака. Пропуск дефектов на ранних стадиях производства может принести большие финансовые потери предприятию, т.к. многие дефекты могут быть исправлены на первых этапах конвейерного производства.
На рентгенотелевизионный контроль непрерывно приходит большое количество труб, оператор РТК вручную просматривает рентгеновские снимки и дает заключение о допуске трубы на следующие этапы производства. Всегда существует вероятность того, что из-за усталости или невнимательности оператора, могут быть пропущены бракованные сварные швы, поэтому разработка автоматический системы распознавания дефектов является актуальной задачей для всех предприятий трубной отрасли. Даная система может выступать в качестве помощника оператору и подсвечивать дефекты на рентгеновских снимках, тем самым помогая оператору не пропустить дефектные швы.
На предприятие ЧТПЗ рентгенотелевизионное оборудование поставлялось вместе с программным обеспечением ВидеоРен Про. Данная про-грамма напрямую привязана к рентгеновскому оборудованию, и операторы работают через нее. В ВидеоРен Про есть небольшой функционал по автоматическому распознаванию дефектов и области шва, однако работает он с крайне низкой точностью. Поэтому разработка собственного программного обеспечения для решения данной задачи важна и актуальна для предприятия ЧТПЗ.
Цель и задачи исследования
Целью работы является разработка автоматической системы распознавания и классификации дефектов сварных швов труб по снимкам, полученным с установки рентгенотелевизионного контроля. Для достижения этой цели необходимо решить следующие задачи:
1) провести анализ существующих решений и методов для распознавания и классификации дефектов;
2) спроектировать архитектуру системы;
3) выбрать и обучить модели для распознавания и классификации области шва и дефектов с предварительной подготовкой данных;
4) провести тестирование моделей, отобрать лучшие и сравнить результаты с существующими решениями;
5) разработать веб-интерфейс для системы распознавания дефектов;
6) провести тестирование реализованной системы.
Структура и объем
Выпускная квалификационная работа состоит из введения, пяти основных разделов, заключения и библиографии. Объем работы составляет 60 страниц, объем библиографии - 34 наименований.
Содержание работы
В первом разделе «Анализ предметной области» приводится обзор существующих решений и программных аналогов. Во втором разделе «Теоретическая часть» описывается обзор алгоритмов предобработки изображений, сегментационных и классификационных нейронных сетей, а также описываются метрики качества. В третьем разделе «Проектирование» описываются требования к системе, варианты использования системы, приводится проектирование архитектуры в целом, а также ее компонентов, таких как серверная часть, веб-интерфейс и проектирование алгоритмов распознавания. В четвертом разделе «Реализация» описываются средства реализации, как осуществлялась подготовка данных для обучения, а также реализация серверной части, веб-интерфейса и алгоритмов распознавания. В пятом 6
разделе «Тестирование» приводятся результаты тестирования веб-интерфейса и алгоритмов распознавания. В заключении приводятся основные результаты работы и направления дальнейших исследований.


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

В рамках выпускной квалификационной работы была разработана система автоматического распознавания дефектов сварных швов по снимкам, полученным с установки рентгенотелевизионного контроля.
При этом были решены следующие задачи:
1) проведен анализ существующих решений и методов для распознавания и классификации дефектов;
2) спроектирована архитектура системы;
3) выбраны и обучены модели для распознавания и классификации области шва и дефектов с предварительной подготовкой данных;
4) проведено тестирование моделей, отобраны лучшие, выполнено сравнение результатов с существующими решениями;
5) разработан веб-интерфейс для системы распознавания дефектов;
6) проведено тестирование реализованной системы.
Направления дальнейших исследований
В дальнейшем планируется продолжить работу по этой теме, увеличить размер и многообразие обучающей выборки, повысить точности рас-познавания, где это необходимо, и реализовать работу системы в режиме реального времени.
В рамках работы были опубликованы следующие статьи, в которых описываются более простые подходы к задачам сегментации области шва и распознавания дефектов:
1. Golodov V. A., Mittseva A. A. Weld Segmentation and Defect Detection in Radiographic Images of Pipe Welds. // 2019 International Russian Automation Conference (RusAutoCon), 2019.
2. Митцева А. А., Голодов В. А. Программный комплекс для автоматического распознавания дефектов сварных швов по снимкам, полученным с установки ренгенотелевизионного контроля. // Молодой исследователь, 2019. - С. 378-382.
Также в рамках данной работы были выступления на следующих мероприятиях:
1. Выставка и конференция научно-технических и творческих работ студентов ЮУрГУ, 24-26 апреля 2019, диплом II степени.
2. Международная конференция Seymartec digital. Автоматизация металлургического производства - 2019, 29 мая 2019, г. Челябинск.



1. Wang Y., Shi F., Tong X. A Welding Defect Identification Approach in X-ray Images Based on Deep Convolutional Neural Networks. // Springer International Publishing, 2019. - Vol. 10956. - P. 53-64.
2. Liu B. et al. Weld Defect Images Classification with VGG16-Based Neural Network. // IFTC 2017: Digital TV and Wireless Multimedia Communication, 2018. - Vol. 815. - P. 215-223.
3. Dong X., Taylor C.J., Cootes T.F. Small Defect Detection Using Convolutional Neural Network Features and Random Forests. // Computer Vision - ECCV 2018 Workshops, 2018. - Vol. 11132. - P. 398-412.
4. Hou W. et al. Automatic Detection of Welding Defects using Deep Neural Network. // Journal of Physics: Conference Series, 2018. - Vol. 933. - No. 1. - P. 1-10.
5. Chen B. et al. Accurate defect detection via sparsity reconstruction for weld radiographs. // NDT and E International. Elsevier Ltd, 2018. - Vol. 94. - P. 62-69.
6. Suyama F.M. et al. Deep neural networks based approach for welded joint detection of oil pipelines in radiographic images with Double Wall Double Image exposure. // NDT and E International. Elsevier Ltd, 2019. - Vol. 105. - P. 46-55.
7. Boaretto N., Centeno T.M. Automated detection of welding defects in pipelines from radiographic images DWDI. // NDT and E International, 2017. - Vol. 86. - P. 7-13.
8. Kalaiselvi V., Aravindhar D.J. An Non Destructive Test for the Detection of Weld Defects Using Image Processing. // Indonesian Journal of Electrical Engineering and Computer Science, 2018. - Vol. 9. - No. 3. - P. 764 - 770.
9. Hou W. et al. Deep features based on a DCNN model for classifying imbalanced weld flaw types. // Measurement: Journal of the International Measurement Confederation. Elsevier Ltd, 2019. - Vol. 131. - P. 482-489.
10. Yaping L., Weixin G. Research on X-ray welding image defect detection based on convolution neural network. // Journal of Physics: Conference Series, 2019. - Vol. 1237. - P. 1-7.
11. Dong X., Taylor C.J., Cootes T.F. Automatic Inspection of Aerospace Welds Using X-Ray Images. // Proceedings - International Conference on Pattern Recognition. IEEE, 2018. - Vol. 2018. - P. 2002-2007.
12. Sun J. et al. An Effective Method of Weld Defect Detection and Classification Based on Machine Vision. // IEEE Transactions on Industrial Informatics, 2018. - Vol. 3203. - P. 1-12.
13. Mekhalfa F., Nacereddine N. Gentle Adaboost algorithm for weld
defect classification. // Signal Processing - Algorithms, Architectures, Arrangements, and Applications Conference Proceedings, SPA, 2017. -
Vol. 2017. - P. 301-306.
14. Chen F.C., Jahanshahi M.R. NB-CNN: Deep Learning-Based Crack Detection Using Convolutional Neural Network and Naive Bayes Data Fusion. // IEEE Transactions on Industrial Electronics, 2018. - Vol. 65. - No. 5. - P. 4392- 4400.
15. Ximilar platform [Electronic resource]. URL: https://www.ximilar.com/services/image-recognition/ (the date of access: 15.05.2020).
16. Программное обеспечение Видеорен-Про [Электронный ресурс].
URL: http://www.unitest-roentgen.ru/produktsiya/tsifrovaya- radiografiya/kompleksy-tsifrovoj-radiografii-gradient/217-programmnoe- obespechenie-videoren-pro.html(дата обращения: 20.10.2019).
17. Kaggle [Electronic resource]. URL: https://www.kaggle.com/ (the date of access: 18.01.2020).
18. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. // Lecture Notes in Computer Science, 2015. - P. 1-8.
19. Chaurasia A., Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation. // 2017 IEEE Visual Communications and Image Processing, VCIP, 2018. - Vol. 2018. - P. 1-4.
20. Kirillov A. et al. Panoptic feature pyramid networks. // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2019. - Vol. 2019. - P. 6392-6401.
21. Zhao H. et al. Pyramid scene parsing network. // Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2017. - Vol. 2017. - P. 6230-6239.
22. Bouwmans T. et al. Deep Neural Network Concepts for Background Subtraction: A Systematic Review and Comparative Evaluation [Electronic resource]. // arXiv.org, 2018. URL: http://arxiv.org/abs/1811.05255 (the date of access: 15.10.2019).
23. Lim L.A., Keles H.Y. Foreground Segmentation Using a Triplet Convolutional Neural Network for Multiscale Feature Encoding [Electronic resource]. // arXiv.org, 2018. URL: http://arxiv.org/abs/1801.02225 (the date of access: 10.10.2019).
24. Lim L.A., Keles H.Y. Learning Multi-scale Features for Foreground Segmentation [Electronic resource]. // arXiv.org, 2018. URL: http://arxiv.org/abs/1808.01477 (the date of access: 12.10.2019).
25. Chollet F. Xception: Deep learning with depthwise separable convolutions. // Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2017. - Vol. 2017. - P. 1800-1807.
26. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. // CoRR, 2014. - Vol. 1409.1. - P. 1-14.
27. He K. et al. Deep residual learning for image recognition. // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016. - P. 770-778.
28. Szegedy C. et al. Rethinking the Inception Architecture for Computer Vision. // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016. Vol. 2016. - P. 2818-2826.
29. Howard A.G. et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications [Electronic resource]. // arXiv.org, 2017. URL: http://arxiv.org/abs/1704.04861 (the date of access: 05.03.2020).
30. Huang G. et al. Densely connected convolutional networks. // Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR, 2017. - Vol. 2017. - P. 2261-2269.
31. Tan M., Le Q. V. EfficientNet: Rethinking model scaling for convolutional neural networks. // 36th International Conference on Machine Learning, ICML, 2019. -Vol. 2019. - P. 10691-10700.
32. Coco Annotator [Electronic resource]. URL: https://github.com/jsbroks/coco-annotator (the date of access: 07.10.2019).
33. MongoDB [Electronic resource]. URL: https://www.mongodb.com/ (the date of access: 03.02.2020).
34. Tensorflow Serving [Electronic resource]. URL: https://github.com/tensorflow/serving (the date of access: 25.04.2020).

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ
.