Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения
Автор: Емельянова Мария Геннадьевна, Смаилова Сауле Сансызбаевна, Бакланова Ольга Евгеньевна
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 1 т.47, 2023 года.
Бесплатный доступ
В статье рассматривается задача автоматического обнаружения поверхностных дефектов сварных соединений труб из нержавеющей стали в процессе производства. Показаны возможные дефекты, возникающие при дуговой сварке металла неплавящимся электродом в среде инертного газа. Приведено обоснование выбора метода решения задачи на основе моделирования и вычитания фона. Предлагается алгоритм обнаружения поверхностных дефектов сварных соединений на кадрах видеопоследовательностей, учитывающий специфику конкретной области. Модели фона строились методами усреднения кадров и Гауссовой смеси. Проведены экспериментальные исследования работы алгоритма на примерах обработки кадров видеопоследовательностей, полученных со статичной камеры. Полученные результаты подтверждают, что для автоматического обнаружения дефектов сварки подходящим является метод построения модели фона, основанный на усреднении кадров, поскольку дефекты различны и имеют характерные особенности. Предлагаемый алгоритм позволяет обнаруживать и выделять дефектную область в сварном соединении на кадрах видеопоследовательностей. Результаты экспериментов показывают, что алгоритм удовлетворяет требованиям непрерывного оперативного обнаружения поверхностных дефектов.
Визуальный контроль, сварные соединения, дефект, машинное зрение, вычитание фона
Короткий адрес: https://sciup.org/140296248
IDR: 140296248 | DOI: 10.18287/2412-6179-CO-1137
Список литературы Обнаружение поверхностных дефектов сварных соединений при визуальном контроле методами машинного зрения
- ISO 17637:2016. Non-destructive testing of welds - Visual testing of fusion-welded joints. Vernier, Geneva, Switzerland: ISO; 2016.
- GOST R ISO 17637-2014. Non-destructive testing. Visual inspection of joints made by fusion welding [In Russian]. Moscow: "Standartinform" Publisher; 2015.
- ISO 6520-1:2007. Welding and allied processes - Classification of geometric imperfections in metallic materials -Part 1: Fusion welding. Vernier, Geneva, Switzerland: ISO; 2007.
- GOST R ISO 6520-1-2012. Welding and related processes. Classification of defects in geometry and continuity in metallic materials. Part 1. Fusion welding [In Russian]. Moscow: "Standartinform" Publisher; 2014.
- Muravyov SV, Pogadaeva EYu. Computer-aided recognition of defects in welded joints during visual inspections based on geometric attributes. Russ J Nondestruct Test 2020; 56(3): 259-267. DOI: 10.1134/S1061830920030055.
- Sun J, Li C, Wu XJ, Palade V, Fang W. An effective method of weld defect detection and classification based on machine vision. IEEE Trans Industr Inform 2019; 15(12): 6322-6333. DOI: 10.1109/TII.2019.2896357.
- Fan X, Gao X, Liu G, Ma N, Zhang Y. Research and prospect of welding monitoring technology based on machine vision. Int J Adv Manuf Technol 2021; 115: 3365-3391. DOI: 10.1007/s00170-021-07398-4.
- Li L, Xiao L, Liao H, Liu S, Ye B. Welding quality monitoring of high frequency straight seam pipe based on image feature. J Mater Process Technol 2017; 246: 285-290. DOI: 10.1016/j.jmatprotec.2017.03.031.
- Hou W, Zhang D, Wei Y, Guo J, Zhang X. Review on computer aided weld defect detection from radiography images. Appl Sci 2020; 10(5): 1878. DOI: 10.3390/app10051878.
- Boaretto N, Centeno TM. Automated detection of welding defects in pipelines from radiographic images DWDI. NDT & E Int 2017; 86: 7-13. DOI: 10.1016/j.ndteint.2016.11.003.
- Valavanis I, Kosmopoulos D. Multiclass defect detection and classification in weld radiographic images using geometric and texture features. Expert Syst Appl 2010; 37(12): 7606-7614. DOI: 10.1016/j.eswa.2010.04.082.
- Kazantsev I, Lemahieu I, Salov GI, Denys R. Statistical detection of defects in radiographic images in nondestructive testing. Signal Proces 2002; 82: 791-801. DOI: 10.1016/S0165-1684(02)00158-5.
- Zou Y, Du D, Chang B, Ji L, Pan J. Automatic weld defect detection method based on Kalman filtering for real-time radiographic inspection of spiral pipe. NDT & E International 2015; 72: 1-9. DOI: 10.1016/j.ndteint.2015.01.002.
- Nixon M, Aguado A. Feature extraction and image processing for computer vision. 4th ed. Academic Press; 2020. ISBN: 978-0-12-814976-8.
- Andriyanov NA, Dementiev VE, Tashlinskii AG. Detection of objects in the images: from likelihood relationships towards scalable and efficient neural networks. Computer Optics 2022; 46(1): 139-159. DOI: 10.18287/2412-6179-CO-922.
- Xu Y, Jixiang D, Zhang B, Xu D. Background modeling methods in video analysis: a review and comparative evaluation. CAAI Trans Intell Technol 2016; 1: 43-60. DOI: 10.1016/j.trit.2016.03.005.
- Sobral A, Vacavant A. A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos. Comput Vis Image Underst 2014; 122: 4-21. DOI: 10.1016/j.cviu.2013.12.005.
- Stauffer C, Grimson WEL. Learning patterns of activity using real-time tracking. IEEE Trans Pattern Anal Mach Intell 2000; 22(8): 747-757. DOI: 10.1109/34.868677.
- Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction. Proc 17th IEEE Int Conf on Pattern Recognition (ICPR) 2004; 1: 28-31. DOI:10.1109/ICPR.2004.1333992.
