مجله علوم و فنون هسته ای

شماره جاری

آمار کلی مقالات مجله

کلیه شماره‌های مجله

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اصول اخلاقی انتشار مقاله

اعضای هیئت تحریریه (هیئت دبیران)

فرایند پذیرش مقالات

پیوندهای مفید

راهنمای نویسندگان

دریافت قالب مقاله

دریافت فرم‌ ها

راهنمای ارسال مقاله

راهنمای داوری مقالات

اسامی سالانه داوران

عضویت و راهنمای پاپلونز

اطلاعات تماس

فرم ارتباط با مجله

بهبود کیفی ناحیه‌های نقص‌ در تصاویر پرتونگاری جوش با استفاده از روش موجک مبتنی بر آستانه‌گذاری تطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 پژوهشکده‌ی راکتور و ایمنی هسته‌ای، پژوهشگاه علوم و فنون هسته‌ای، سازمان انرژی اتمی ایران، صندوق پستی: 1339-14155، تهران ـ ایران

2 گروه فیزیک، دانشگاه بین‌المللی امام خمینی (ره)، کدپستی: 96818-34148، قزوین ـ ایران

چکیده

در این مقاله، از آستانه‌گذاری تطبیقی در روش موجک برای بهبود تصویرهای پرتونگاری صنعتی استفاده شده است. از آن‌جا که کیفیت تصویرهای پرتونگاری تأثیر زیادی در تشخیص دقیق‌تر نقص‌های جوش توسط کارشناس دارد بنابراین می‌توان با الگوریتم‌های پردازش تصویر قابلیت تشخیص نقص­ها را بهبود بخشید. در این پژوهش از روش دو مرحله‌ای آستانه‌‌گذاری تطبیقی برای آشکارسازی ناحیه‌های نقص‌های جوش استفاده شده‌ است. ابتدا تصویر با استفاده از تابع موجک مورد نظر به چند سطح تجزیه و ضرایب‌ زیرنوارهای به دست آمده، توسط تابع آستانه‌گذاری، تصحیح شده و با اعمال تابع وارون موجک روی آن‌ها تصویر بازسازی شده به دست آمده است. در روش آستانه‌گذاری، برخلاف روش‌های معمول سطح زیر آستانه صفر نمی­شود، بلکه با تابع چند جمله­ای تضعیف می­شود. از مزیت­های این روش پیوستگی تابع و مشتق‌پذیری آن در سطح آستانه است. روش پیشنهادی بر روی چند فیلم پرتونگاری قطعه­های استاندارد با نقص­های مشخص اجرا شد؛ تصویرهای پردازش شده دارای کیفیت بالاتری نسبت به تصویرهای اولیه از نظر تشخیص نقص­ها بودند. نتایج به دست آمده از ارزیابی کارشناسان نشان ‌داد که ناحیه‌های نقص در تصویرهای پرتونگاری بازسازی شده با روش موجک بر مبنای آستانه‌گذاری تطبیقی واضح‌تر از تصاویر اولیه بوده و نقص در آن‌ها می‌تواند دقیق‌تر ارزیابی شود.

کلیدواژه‌ها

عنوان مقاله [English]

Quality Improvement of Defects Region in Weld Radiography Image by the Wavelet Method Based on Adaptive Thresholding

نویسندگان [English]

  • A Movafeghi 1
  • E Yahaghi 2
  • N Mohammadzadeh 1
  • B Rokrok 1

چکیده [English]

In this paper, adaptive thresholding at the wavelet transform is utilized for improving the industrial radiography images. The quality of radiographic images is a very effective parameter in the defect determining by the experts. Therefore, the defect detection capabilities can be improved by the image processing algorithms. In this research, two-stage adaptive thresholding method has been used to improve the contrast of the inspected areas. The radiographic image is decomposed to several sub-bands using the wavelet function and the obtained coefficients are corrected by the threshold function. Then, the inverse wavelet transform is applied for obtaining the corrected image. Unlike the usual methods, in the threshold function of this method, the coefficient of under the threshold level is not zero and weakened by the multi-polyminal function. The advantages of this method are the continuity and derivability at threshold level. The proposed algorithm is implemented to the several radiographs of standard welded objects with known defects. The results have been evaluated by industrial radiography experts and show that the defect regions are clearer in reconstructed images than the original radiograph according to the operator perception analysis. Mean while, the dimensions and style of defects can be evaluated more precisely by this method.

کلیدواژه‌ها [English]

  • Radiography
  • Weld Defects
  • Wavelet Method
  • Adaptive Thresholding
مراجع
[1] H.I. Shafeek, E.S. Gadelmava, A.A. Bdel-Shafy, I.M. Elewa, Assessment of welding defects for gas pipeline radiographs using computer vision, NDT & E International, 37 (2004) 291-299.
 
[2] T.Y. Lim, M.M. Ratnam, M.A. Khalid, Automatic classification of weld defects using simulated data and an MLP neural network, Insight, 49 (March 2007) 154-159.
 
[3] R.R. Da Silva, L.P. Galoba, M.H.S. Siqueira, J.M.A. Rebello, Pattern recognition of weld defects detected by radiographic tests, NDT & E International, 37 (2004) 461-470.
 
[4] A. Karimian, S. Yazdani, A. Movafeghi, Corrosion Detection Improvement of Oil and Gas Pipelines with Industrial Radiography Method by using Image Processing, International Conference on Recent Developments and Applications of Nuclear Technologies, Bialowieza, Poland, (Sep 2008) 14-17.
 
[5] M.A. Carrasco, D. Mery, Segmentation of welding defects using a robust algorithm, Materials Evaluation, (2004) 1142-1147.
 
[6] N. Nacereddine, L. Hamami, M. Tridi, N. Oucief, Histogram-based and locally adaptive  thresholding techniques for weld defect  extraction in digital  radiography, 35th  International  Conference  and  NDT  Technique Exposition, Defectoscopy, Znojmo, Czech  Republic, (Nov 2005) 8-10.
 
[7] M.K. Felisberto, H.S. Lopes, T.M. Centeno, L.V.R. Arruda, An object detection and recognition system for weld bead extraction from digital radiographs, Coputer Vision and Image Understanding, (2006) 238-249.
 
[8] D. Mery, M.A. Berti, Automatic detection of welding defects using texture features, Insight, 45 (October 2003) 676-680.
 
[9] R.C. Gonzalez, R.E. Woods, S.I. Eddins, Digital image processing using matlab, 1st edition, Prentice hall, (2004) 57-119.
 
 
[10] B.J. Yoon, P.P. Vaidyanathan, Wavelet-based denoising by customized thresholding, in Proc. ICASSP’04, 2 (May 2004) 925-928.
 
[11] Z.D. Zhao, Wavelet shrinkage denoising by generalized thresholding function, in Proc. Fourth Int. Conf. on Machine Learning and Cybernetic, 9 (Aug 2005) 5501-5506.
 
[12]      C. Jacobsen, U. Zscherpel, Crack detection in digitized radiographs with neural networks, Proceedings of the Seventh European conference on Non-Destructive Testing, 3, 8 (1998) 26-29.
 
[13]      M. Torabian, A. Karimian, M. Yazdchi, Optimization of Interpretation of Industrial Radiographs for Defect Detection in Oil and Gas Pipeline Welds, The 2nd International Conference on Technical Inspection and NDT, Iran, (2008).
 
[14] U. Lotric, Wavelet based denoising integrated into multilayered perceptron, Neurocomputing, 62 (Dec. 2004) 179-196.
 
[15] X.P. Zhang, Thresholding neural network for adaptive noise reduction, IEEE Tran. IEEE, 12, 3 (2001).
 
[16] Microtek, Operation manual of Scanmaker-1000 scanner, Microtek Co, (2005).
 
[17]      EN 14096-1, Non-destructive testing-Qualification of radiographic film digitization systems-part 1: Definitions, qualitative measurements of image quality parameters, standard reference film and qualitative control, European Norm, (2004).
 
[18]      EN 14096-2, Non-destructive testing- Qualification of radiographic film digitization systems-part 2: Minimum requirement, European Norm, (2004).
 
[19]      AEOI, Basic Radiation Safety Standards, Iranian Nuclear Regulatory Authority, Atomic Energy Organization of Iran, in Persian, (2001).
 
[20]      ISIRI-7751, Protection Against Ionization Radiation and the Safety of the Radiation Sources, Institute of Standards and Industrial Research of Iran, in Persian, (2004).
 
[21] D.L. Donoho, De-noising by soft-thresholding, IEEE Trans. Inform. Theory, 41, 3 (May 1995) 613-627.
 
[22] M. Nasri, H. Nezamabadipour, S. Saryazdi, An Adaptive denoising Method in Wavelate Domain, Iranian Journal of Electrical and Computer Engineering, 6, 1 in Persian, (2008) 15-24.
 
[23] Z. Al-Ameena, Gh. Sulonga, A. Rehmanb, M. Al-Rodhaanc, T. Sabad, A. Al-Dhel, Phase-preserving approach in denoising computed tomography medical images, Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, (2014) http://dx.doi.org/10.1080 /21681163.2014.955615.
مجله علوم و فنون هسته ای
دوره 40، شماره 1 - شماره پیاپی 87
خرداد 1398
صفحه 1-9
فایل ها
هم رسانی
ارجاع به این مقاله
آمار