دانلود رایگان مقاله الگوریتم برای شناسایی و تشخیص عیوب لوله های صنعتی

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.

2. الگوریتم پیشنهادی 

          الگوریتم پیشنهادی، نقص لوله‌های صنعتی را از طریق پردازش تصویر تشخیص می‌دهد. که در سه بخش مرتب شده است. بخش اول اعمال قبل از پردازش، دومی استخراج لوله از پس‌زمینه و سومی شناسایی نقص است. خلاصه ای از روش ما در زیر توسط یک فلوچارت(شکل 1) نشان داده شده است.

A. اعمال قبل از پردازش

          داده‌های خام (تصویر RGB) به‌دست آمده از دوربین‌های دیجیتال برای تجزیه‌وتحلیل بیشتر داده‌ها پردازش می‌شود. که شامل تبدیل مقیاس [9]، تشخیص لبه و حذف اشیاء پر سر و صدا موجود در تصویر خام است. مراحل متفاوت پردازش داده زیر نشان داده شده است.

          1) تشخیص لبه‌ها: در تصویر RGB که تبدیل به سیاه و سفید شده است و سپس الگوریتم گرادیان سوبل [10]، برای تشخیص تغییرات شدید و حفظ نقص به‌کار گرفته شده است. لبه سوبل شیب مرز اشیاء را حفظ می‌کند. گرادیان بردار است و مولفه‌های اندازه‌گیری در جهت  x و y است. مولفه‌ها با استفاده از رابطه (1) و (2) پیدا شده است.

 B. استخراج لوله 

           استخراج لوله بخش مهمی از این الگوریتم است. همان‌گونه که سروصدا در پس‌زمینه در نقص (سوراخ و ترک) مشکلاتی ایجاد می‌کند، استخراج لوله از پس‌زمینه ضروری است. این بخش شامل اجرای پیکسل به پیکسل تصاویر و انجام محاسبات متعدد با استفاده از این پیکسل و پیکسل‌های اطراف آن است. که شامل سه مرحله است. از نتیجه تصویر لبه، الگوریتم اشیاء ناخواسته را حذف می‌کند. سپس یک محدوده در اطراف لوله برای حضور برخی سر و صدا در تصویر ایجاد می‌شود و آخرین استخراج لوله از پس زمینه انجام می‌شود. با استخراج لوله، تصویر آزمون به شیوه‌ای مناسب‌تر برای پردازش بیشتر ارائه شده است. الگوریتم پیشنهاد شده در زیر توصیف شده است.

           1) حذف شی ناخواسته: ابتدا، نقص و مرز اشیاء برجسته می‌شود. بنابراین، اشیاء (برخی از نقاط، برخی از اشیاء کوچک و پر سر و صدا) در پیش‌زمینه و پس‌زمینه همانگونه که در شکل 5 نشان داده شده باقی می‌مانند. هدف اصلی تنها حفظ نقص در پیش‌زمینه است. بنابراین، اشیاء غیرضروری باید حذف شوند. حذف شی ناخواسته از فرمول زیر پیروی می‌کند (6).

Abstract

           This paper proposes an effective algorithm for detecting and distinguishing defects in industrial pipes. In many of the industries, conventional defects detection methods are performed by experienced human inspectors who sketch defect patterns manually. However, such detection methods are much expensive and time consuming. To overcome these problems, a method has been introduced to detect defects automatically and effectively in industrial pipes based on image processing. Although, most of the image-based approaches focus on the accuracy of fault detection, the computation time is also important for practical applications. The proposed algorithm comprises of three steps. At the first step, it converts the RGB image of the pipe into a grayscale image and extracts the edges using Sobel gradient method, after which it eliminates the undesired objects based on their size. Secondly, it extracts the dimensions of the pipe. And finally this algorithm detects and identifies the defects i.e., holes and cracks on the pipe based on their characteristics. Tests on various kinds of pipes have been carried out using the algorithm, and the results show that the accuracy of identification rate is about 96% at hole detection and 93% at crack detection.

I. INTRODUCTION

          Visual defect detection has drawn increasing attention in recent years since it has been an important and complicated task in the field of computer vision. It has a wide range of application areas including automatic object detection, object surveillance activity analysis and human computer interaction. In this paper, an algorithm for detecting certain manufacturing errors that may arise in case of industrial pipes is developed, which the manufacturing company can then investigate and solve. The detection and identification of defects on industrial pipes is the most important step during the post manufacture inspection. Although, it can be performed manually by experienced human inspectors but such manual inspection of industrial pipes has a number of drawbacks including high costs, laborious, low efficiency and time consuming. Therefore, an image processing based algorithm for the detection of defects is proposed. Some systems for defect detection have already been developed as commercial products. However, since long time to cope with defect detection, several techniques have been proposed using image processing [1,2]. Abdel-Qader et al. developed a method by using wavelet transform, Fourier transform, Sobel filter, and canny filter in [3]. Hutchinson et al. in [4] used a canny filter and the wavelet transform for defect detection. Another automated method has also been performed by Wu Xue-Fei, Bai Hua in [5]. It is based on image processing, a defect feature extracting method under HSV color space. They have used QFCM (Quick Fuzzy C-Mean clustering) segmentation arithmetic. Another one among the proposed methods is based on morphological operation of underground pipe defects. Shivprakash Iyer and K. Sinha [6] used smoothing using morphological operation, segmentation using edge detection. Nowadays, extensive sophisticated researches are being performed all over the world. Recently, automatic defect and contaminant inspection system has been developed for inspecting the inner surface of Heating, Ventilation and Air Conditioning (HV AC) ductwork pipeline [7]. In that paper instead of Sobel edge detection, they have used SUSAN edge detection where edges are detected by circular mask. Over there, seeded k-mean clustering approach has been used to classify features such as hole, crack and rust. But the feature extraction method used in this proposed work is different from those discussed till now. Another important application of image processing is the morphological segmentation based on edge detection captured by CCTV that is used by Tung-Ching Su et al [8]. They have used the specific method to detect defects such as multiple fractures, debris, hole, collapse, open joint and so on. But they have not distinguished between defects, rather marked them only. Most of these algorithms are designed to detect cracks for underground pipes. However, for the pipes in the industries, these algorithms may not always perform accurately to distinguish the defects i.e., holes and cracks.

          This proposed algorithm is divided into three sections. In the first section, it carries out some pre-processing in the whole image including gray scale conversion, edge detection and noisy object elimination. In the next section, the pipe is extracted from the whole image and in the last one, identification method is applied. In section one, the ROB image is converted to a gray scale image and then edge detection is done using Sobel gradient method [10]. After applying Sobel gradient method [10], the resultant image may contain some noisy objects which can create erroneous results in the algorithm. To minimize their effect, these unwanted objects are eliminated according to their sizes. Then a bounding-box is generated to surround the pipe. [n the second section, fundamental morphological operation [11] is applied to describe about region shape and connect disjoint lines. Finally some fundamental features i.e., area and perimeter are calculated for each object. Afterwards the defects such as hole and crack are distinguished based on their area to perimeter ratio.

II. PROPOSED ALGORITHM

          The proposed algorithm detects the defects in the industrial pipes through image processing. [t is arranged in three sections. First section is declared pre-processing, second one as extraction of pipe from background and third one is defect identification. Summary of our method is shown in below by a flowchart (Fig. 1).

A. Pre-processing

           The raw data (RGB image) acquired from digital camera are pre-processed for further data analysis. It includes the gray scale conversion [9], edge detection and elimination of noisy objects present in the raw image. The different data-processing stages are depicted below.

          1) Edge detection: At the RGB image is converted to grayscale and then Sobel gradient algorithm [10] is applied to detect the sharp changes, to preserve the defects. Sobel edge gradient preserves the boundary of objects. The gradient is a vector and the components are measured in the x and y direction. The components are found using (I) and (2).

B. Extraction of Pipe

           Pipe extraction is an important part of this algorithm. As noises in background create problems with the defects (hole and cracks), extraction of pipe from background is necessary. This section involves running through images pixel by pixel and performing numerous calculations using this pixel and its surrounding pixels. It is consists of three steps. From resulting edge image, algorithm eliminates unwanted objects. Then, a bounding-box is created surrounding the pipe for the presence of some noises in image. And last extraction of pipe from background is done. By extracting the pipe, test image is represented in a more appropriate manner for further processing. The proposed algorithm is elaborately described below.

          1) Unwanted object elimination: First, defects and the boundary of objects are distinguished. Therefore, objects (some dots, some small objects and noises) remain in the foreground and background as shown in Fig. 5. The main purpose of this is to keep only the defects in the foreground. So, needless objects should be eliminated. Unwanted object elimination follows the following formulas (6).

چکیده

1. مقدمه 

2. الگوریتم پیشنهادی 

A. اعمال قبل از پردازش

B. استخراج لوله 

C. شناسایی نقص 

3. نتیجه آزمایشات

4. نتیجه‌گیری 

منابع

Abstract

1. INTRODUCTION

2. PROPOSED ALGORITHM

A. Pre-processing

B. Extraction of Pipe

C. Defect Identification

3. EXPERIMENTAL RESULT

4. CONCLUSIONS

References