چکیده
این مقاله یک الگوریتم موثر برای شناسایی و تشخیص نقص در لوله‌های صنعتی ارائه می‌کند. در خیلی از صنایع، روش‌های تشخیص نقص معمولا توسط نیروی انسانی با تجربه که نقص را با الگوهای دستی شناسایی می‌کنند انجام می‌شود. بااین‌حال، روش‌های تشخیص بسیار گران و وقت‌گیر هستند. برای غلبه بر این مشکلات، یک روش برای تشخیص خودکار و موثر نقص در لوله‌های صنعتی بر اساس پردازش تصویر معرفی شده است. اگر چه اغلب روش‌های مبتنی بر تصویر بر روی دقت تشخیص خطا تمرکز دارند، زمان محاسبه برای کاربردهای عملی بسیار مهم است. الگوریتم پیشنهادی شامل سه مرحله است. در گام اول، تصویر RGB از لوله را به یک تصویر سیاه و سفید تبدیل می‌کند و لبه‌ها را با استفاده از روش گرادیان سوبل مشخص می‌کند، و بعد از آن اشیا نامطلوب را بنا به اندازه آنها حذف می‌کند. در مرحله دوم، ابعاد لوله را مشخص می‌کند و در نهایت این الگوریتم نقص را به‌عنوان مثال، حفره‌ها و ترک در لوله براساس ویژگی‌های آنها را شناسایی و تشخیص می‌دهد. آزمایشات بر روی انواع لوله‌ها بااستفاده از الگوریتم انجام شده است و نتایج نشان می‌دهد که دقت نرخ شناسایی حدود 96٪ در تشخیص سوراخ و 93٪ در تشخیص ترک است.
1. مقدمه
تشخیص نقص بینایی افزایش قابل توجهی در سال‌های اخیر داشته است زیرا در زمینه بینایی کامپیوتر مهم و پیچیده است. طیف گسترده‌ای از زمینه‌های کاربرد، از جمله تشخیص خودکار شی، تجزیه‌وتحلیل فعالیت‌های نظارت بر شی و تعامل کامپیوتر با انسان است. در این مقاله، یک الگوریتم برای تشخیص خطاهایی خاص بیان شده است که ممکن است حین توسعه‌ی لوله‌های صنعتی بوجود آیند، که پس از آن شرکت نیاز به تحقیق و حل آن پیدا کند. تشخیص و شناسایی ناهنجاری‌های لوله‌های صنعتی مهم‌ترین گام در طول ساخت و بازرسی است. اگرچه، می‌تواند به‌صورت دستی به‌کمک نیروی انسانی باتجربه انجام شود اما بازرسی دستی لوله‌های صنعتی تعدادی اشکال عمده دارد از جمله می‌توان به بالا بودن هزینه‌ها، پرزحمت بودن، بهره‌وری پایین و وقت‌گیر بودن اشاره کرد. بنابراین، یک الگوریتم براساس پردازش تصویر برای تشخیص نقص ارائه شده است. درحال‌حاضر برخی از سیستم‌ها برای تشخیص نقص به‌صورت تجاری در محصولات توسعه یافته‌اند. بنابه مدت زمان طولانی برای مقابله با تشخیص نقص، چندین تکنیک بااستفاده از پردازش تصویر ارائه شده است [1،2]. عبد القادر و همکارانش یک روش بااستفاده از تبدیل موجک، تبدیل فوریه، فیلتر Sobel، و فیلتر canny در [3] ارائه کرده‌اند. هاتچینسون و همکارانش در [4] از فیلتر canny و تبدیل موجک برای تشخیص نقص استفاده کرده‌اند. یک روش خودکار دیگر نیز توسط وو ژو-فی، بای هوآ در [5] انجام شده است. این روش، یک روش استخراج ویژگی نقص در فضای رنگ HSV براساس پردازش تصویر است. آنها از تقسیم‌بندی ریاضی QFCM (خوشه‌بندی سریع فازی C-متوسط ) استفاده می‌کنند. یکی دیگر از روش‌ها در میان روش‌های پیشنهاد شده مبتنی بر عملیات مورفولوژیکی در نقص لوله‌های زیرزمینی است. Shivprakash و K. Sinha [6] از عملیات مورفولوژیکی، تقسیم‌بندی بااستفاده از تشخیص لبه استفاده می‌کنند. امروزه، تحقیقات گسترده و پیچیده‌ای در سراسر جهان انجام شده است. به‌تازگی، نقص اتوماتیک و سیستم بازرسی آلاینده برای بازرسی سطح داخلی گرمایش، تهویه و تهویه مطبوع (HVAC) خط لوله کانال [7] توسعه داده شده است. در مقاله به‌جای تشخیص لبه سوبل، از لبه SUSAN برای تشخیص استفاده کرده‌اند که در آن لبه‌ها توسط دایره شناسایی شده است. روش خوشه‌بندی K-mean برای طبقه‌بندی ویژگی‌هایی از قبیل سوراخ، ترک و پوسیدگی استفاده شده است. اما روش استخراج ویژگی مورد استفاده در این کار متفاوت از روش‌هایی است که تا به حال مورد بحث قرار گرفته است. کاربرد دیگر پردازش تصویر تقسیم‌بندی براساس تشخیص لبه‌ی گرفته شده توسط CCTV است که توسط تونگ چینگ سو و همکارانش مورد استفاده قرار گرفته است [8]. آنها روش خاصی برای تشخیص نقص مانند شکستگی‌های متعدد، خرابی، سوراخ، فروریختگی و غیره استفاده کرده‌اند. اما آنها بین نقص و نقص‌هایی که مشخص شده‌اند تمایز قایل نشدند. بسیاری از این الگوریتم‌ها برای شناسایی ترک لوله‌های زیرزمینی طراحی شده است. بااین‌حال، برای لوله‌های صنعت، این الگوریتم ممکن است همیشه دقت لازم برای تشخیص نقص به‌عنوان مثال، سوراخ و ترک را نداشته باشد.
الگوریتم پیشنهادی به سه بخش تقسیم شده است. در بخش اول، برخی اعمال قبل از پردازش تصویر کامل از جمله تبدیل مقیاس خاکستری، تشخیص لبه و حذف اشیا پر سر و صدا انجام می‌شود. در بخش بعدی، لوله کل تصویر استخراج شده و در آخرین مرحله، روش شناسایی به کار برده می‌شود. در بخش یک، تصویر RGB به یک تصویر مقیاس خاکستری تبدیل شده و سپس لبه با استفاده از روش گرادیان سوبل [10] تشخیص داده می‌شود. بعد از استفاده از روش گرادیان سوبل [10]، تصویر حاصل ممکن است حاوی برخی از اشیاء پر سروصدا باشد که می‌تواند نتایج اشتباه در الگوریتم ایجاد کند. برای به‌حداقل رساندن تاثیر آنها، این اشیاء ناخواسته با توجه به اندازه آنها حذف خواههند شد. پس یک محدوده در اطراف لوله تولید شده است. در بخش دوم، عملیات اساسی مورفولوژیکی [11] برای توصیف شکل منطقه و خطوط اتصال مجزا استفاده شده است. در نهایت برخی از ویژگی‌های اساسی به‌عنوان مثال، مساحت و محیط برای هر شیء محاسبه شده است. پس از آن نقص مانند سوراخ و پوسیدگی براساس پارمتر محیط تشخیص داده می‌شود.
این مقاله در نشریه آی تریپل ای منتشر شده و ترجمه آن با عنوان تشخیص عیوب لوله در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
An Algorithm to Detect and Identify Defects of Industrial Pipes Using Image Processing
