Traducido del inglés al español - www.onlinedoctranslator.com
Procesamiento de imágenes IET
Artículo de investigación
Detección de defectos de soldadura basada en la
mejora de la imagen local
ISSN 1751-9659
Recibido el 13 de julio de 2018 Revisado
el 24 de julio de 2019 Aceptado el 4 de
septiembre de 2019 E-First el 23 de
octubre de 2019 doi: 10.1049/ietipr.2018.5840 www.ietdl.org
zhang lin1, Zhang Ying Jie1, Dai Bochao1, ChenBo1, Li Yangfan1
1Escuela
de Ingeniería Mecánica, Universidad Xi'an Jiaotong, 28 West Xianning Road, Xi'an, Shaanxi, República Popular China
Correo electrónico: yjzhang@mail.xjtu.edu.cn
Abstracto:La detección de defectos de soldadura en una imagen radiográfica es un tema importante en el campo de los ensayos industriales no destructivos. Para mejorar la precisión de la segmentación de defectos de soldadura, se propone
un enfoque de mejora de imagen local. En este algoritmo, se considera el requisito de mejora del contraste al extraer el cordón de soldadura y segmentar el defecto de soldadura. Toda la detección de defectos se lleva a cabo mediante tres
procedimientos: mejora de la imagen, extracción del cordón de soldadura y segmentación de defectos. En primer lugar, se propone un método para determinar el factor de falta de homogeneidad de píxeles localizados (LPIF). Luego, en base
a los resultados de LPIF, se aplica el método Otsu para segmentar la costura de soldadura y se identifican los defectos mediante un algoritmo de región creciente. Los autores compararon LPIF con ecualización de histogramas, ecualización de
histogramas adaptativa, y algoritmos de ecualización de histograma adaptativo de contraste limitado y evaluó su rendimiento mediante el uso de indicadores como el contraste de la imagen, la definición de la imagen y la intensidad de los
bordes. Además, los autores compararon los resultados de segmentación de las imágenes mejoradas de defectos con la imagen original para estudiar más a fondo el efecto del método en la segmentación de defectos de soldadura. Se
prueban más de 70 imágenes que contienen varios tipos de defectos. Los resultados experimentales demuestran que la calidad de las imágenes mejoradas de defectos mejora significativamente y tiene una alta precisión de segmentación
relativa de más del 92 %. los autores compararon los resultados de segmentación de las imágenes mejoradas de defectos con la imagen original para estudiar más a fondo el efecto del método en la segmentación de defectos de soldadura. Se
prueban más de 70 imágenes que contienen varios tipos de defectos. Los resultados experimentales demuestran que la calidad de las imágenes mejoradas de defectos mejora significativamente y tiene una alta precisión de segmentación
relativa de más del 92 %. los autores compararon los resultados de segmentación de las imágenes mejoradas de defectos con la imagen original para estudiar más a fondo el efecto del método en la segmentación de defectos de soldadura. Se
prueban más de 70 imágenes que contienen varios tipos de defectos. Los resultados experimentales demuestran que la calidad de las imágenes mejoradas de defectos mejora significativamente y tiene una alta precisión de segmentación
relativa de más del 92 %.
1. Introducción
En los últimos años, los ensayos radiográficos (RT) son una de las técnicas más
populares para la detección de defectos de soldadura en ensayos no
destructivos (END) [1], que se pueden utilizar en muchos campos, como
industrias químicas, aeronáuticas, de energía nuclear, y así sucesivamente [2].
En el proceso de RT, las imágenes de soldadura siempre se ven afectadas por el
dispositivo de imagen, el entorno, la dosis fotográfica y otros factores. Por lo
tanto, hay muchos inconvenientes, como el bajo contraste, la escala de grises
estrecha y la mala resolución. También son las características de las imágenes
RT y darán lugar a problemas relacionados con el procesamiento de imágenes
posterior y el sistema de detección automática. Además, es difícil extraer con
precisión los defectos de soldadura de las imágenes RT de baja calidad, y
contienen mucha información útil que no se puede recuperar [3].
En la actualidad, se han propuesto varios métodos de preprocesamiento de
imágenes para mejorar la calidad de las imágenes RT, y son la base de la detección de
defectos de soldadura. El bajo contraste es una de las deficiencias inherentes de las
imágenes radiográficas, por lo que la mejora del contraste es especialmente
importante en la detección de defectos.
Para mejorar el contraste de las imágenes radiográficas, algunos
algoritmos de mejora de imagen tradicionales se resumen como
ecualización de histograma (HE), ecualización de histograma
adaptable (AHE), ecualización de histograma adaptable limitada por
contraste (CLAHE) y muchos otros. HE [4] mejora el contraste
asignando aproximadamente el mismo número de píxeles a todos los
valores de intensidad disponibles. Sin embargo, se lleva a expensas
de las zonas que ya tienen un buen contraste. Debido a que una
imagen radiográfica digital tiene solo un número finito de escalas de
grises, no es posible realizar una ecualización ideal. AHE [5] puede
mejorar el contraste de cada píxel en relación con su vecindario local
de forma adaptativa. Sin embargo, puede ocurrir un realce excesivo y
una apariencia poco natural de las imágenes radiográficas
mejoradas. CLAHE [6] es una versión mejorada de AHE,
Además, en [7] se presenta un algoritmo de mejora de imagen radiográfica
(MSRE) de varios pasos que se ajusta a la segmentación de defectos de
soldadura. Resuelve los problemas conflictivos que existen en los algoritmos de
mejora convencionales, como la amplificación de ruido, la borrosidad de la
imagen, la pérdida de bordes, la mejora excesiva y la mejora insuficiente.
Muchos investigadores han estudiado la detección de defectos de soldadura
utilizando varios métodos, y se pueden clasificar en tres tipos: extracción de
características de textura, métodos de sustracción de fondo, métodos de
aprendizaje automático. En la primera clase, Mery y Berti [8] propusieron un
esquema para detectar defectos de soldadura basado en tres pasos:
segmentación, extracción de características de textura y clasificación. En la
segunda clase, como los más utilizados, se utilizan enfoques de sustracción de
fondo en el sistema, ya que pueden proporcionar características completas del
objetivo en movimiento en la mayoría de los casos [9]. Sin embargo, el
algoritmo de sustracción de fondo tiene dos inconvenientes principales. Una es
que solo se aplica al caso en que los valores de gris del primer plano y el fondo
de la imagen tienen un cierto grado de diferencia, de lo contrario, la tasa de
reconocimiento del algoritmo disminuirá. La otra es que es demasiado sensible
a los cambios ambientales. Con el objetivo de resolver los problemas
mencionados anteriormente, se propone un método de sustracción de fondo
modificado [10] basado en modelos de mezcla gaussiana para extraer las áreas
características de los defectos de soldadura. En la tercera clase, se aprende un
clasificador del conjunto de entrenamiento mediante el método de aprendizaje
automático [11]. El clasificador puede detectar los tipos específicos de defectos
de soldadura.
Incluso algunas técnicas de detección están basadas en computadora; solo
se utilizan para tipos de defectos específicos. Por ejemplo, Hou desarrolla un
modelo de detección automáticaet al.[12] para defectos de soldadura basados
en redes neuronales profundas, y puede obtener una tasa de precisión superior
al 90%. Sin embargo, no está disponible para diferentes tipos de defectos de
soldadura. Luego, se desarrolló un marco propuesto por Wang [13] para
detectar diversos tipos de defectos.
El objetivo de nuestro trabajo es presentar la metodología y evaluar la
precisión de extracción de los defectos de soldadura. Nuestro trabajo tiene los
siguientes aportes. En primer lugar, basándonos en el trabajo de Ding [14],
propusimos un método de mejora de imagen mejorado, a saber, el factor de
falta de homogeneidad de píxeles localizados (LPIF), que resuelve algunas
deficiencias mencionadas en el pasado, como el bajo contraste y el ruido.
Luego, en base a los resultados de LPIF, la región de la costura de soldadura se
extrae mediante el método Otsu [15] y los defectos de soldadura se detectan
mediante el algoritmo de crecimiento de la región [16]. Al comparar estos
resultados experimentales, podemos encontrar que los resultados basados en
LPIF proporcionan un mejor rendimiento que los métodos HE, AHE, CLAHE. Las
métricas de evaluación son la precisión de segmentación relativa, el tiempo de
ejecución y algunos indicadores de calidad de imagen.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
2647
Ω1=
q∈L pag
Yo p−yo q≤t
(1)
Ω2=
q∈L pag
Yo p−yo q>t
(2)
dóndepagyqson dos pixeles de imagenI, yL⋅representa los
barrios depagoq. El umbraltse puede calcular usando
t=
Figura 1Procedimiento del sistema de detección de defectos de soldadura
El resto de este documento está organizado de la siguiente manera: La
metodología de este documento se describe en la Sección 2. En la Sección 2.1 se
presenta un enfoque mejorado de mejora de la imagen. Se puede aplicar en la
mejora de imágenes para imágenes de bajo contraste y ruidos de defectos. En
∑pag∈L pag,q∈L q,pag≠qYo p−I(q)
dóndenortees el número de píxeles en la imagenI.
Los píxeles en Ω1son similares conpag, mientras que los píxeles en Ω
se ajusta, habrá más
difieren conpag. Si el tamaño deL pag
[14], el NCF de un solo píxel se definió como
FCN =
método Otsu y se realiza en función del resultado de la mejora de la imagen. En
la Sección 2.3, se presenta un método mejorado de crecimiento de regiones,
soldadura. Los resultados experimentales de la comparación se discuten en la
Sección 3. La Sección 4 presenta la conclusión y un resumen de nuestras futuras
direcciones de investigación.
2. Metodología
Los procedimientos principales de nuestro sistema de detección de defectos de
soldadura se muestran en la Fig. 1, que consta de tres técnicas principales, a saber,
mejora de imágenes, segmentación de cordones de soldadura y extracción de
En detalle, la mejora de la imagen tiene dos propósitos: uno es mejorar el
efecto visual de la imagen y mejorar la claridad de los componentes de la
imagen. El otro es hacer que la imagen sea más conductiva para el
procesamiento por computadora. En resumen, el propósito de la mejora de
imágenes es mejorar las cualidades de las imágenes. Teniendo en cuenta que
las imágenes de defectos radiográficos siempre están influenciadas por algunos
factores como los tipos, posiciones, tamaños y condiciones de formación de
imágenes de los defectos, lo que resultó en una distribución desigual del nivel
de gris y ruidos complejos. Teóricamente, estos problemas se pueden abordar
mediante el uso de enfoques de mejora de imágenes.
Algunos enfoques son efectivos para ayudar a la segmentación del defecto,
como la reducción de ruido [17] y la mejora del contraste. y Qiet al.
[18] propusieron un enfoque de eliminación de ruido basado en un algoritmo de
correlación de componentes independientes (ICA). Este documento se centra en
(4)
en FNC,tes un umbral global de imagenI, por lo que el NCF tiene
algunos inconvenientes en el caso de una imagen que tiene poco
contraste. Además, si una imagen incluye ciertos ruidos alrededorpag, los
resultados de la segmentación pueden ser mucho peores. Para resolver
esta dificultad, se propone un modelo computacional LPIF. En el que LPIF
utiliza NCF en parches locales. En comparación con LPIF con NCF, el LPIF
pondera los píxeles mediante la función gaussiana. Con base en NCF,
definimos el factor de coherencia de vecindario localizado (LPIF) como
Ω2
LPIF =
2.1 Método de mejora de imagen local
El objetivo de la mejora de la imagen es mejorar el contraste de
intensidad de la imagen de entrada, resaltar el primer plano
(regiones defectuosas) y mantener constante el fondo (regiones de
fondo sin importancia).
Ω2
Ω1
dónde⋅se refiere al número de elementos en un conjunto.
defectos de soldadura.
Algunos de los defectos, como las grietas transversales, tienen poco
contraste y ruidos, por lo que se propone un nuevo método de mejora de
la imagen que no es sensible al ruido.
son
2
píxeles en Ω1aún menos en Ω2. Estas dos piezas son complementarias. En
la Sección 2.2, el objeto de la costura de soldadura se segmenta mediante el
mediante el cual se pueden detectar los defectos dentro de la costura de
(3)
norte
(5)
L pag
NCF solo calcula la diferencia de intensidad entre el píxel central y los
píxeles vecinos, que es solo un método de segmentación. LPIF se
considera como la diferencia de brillo entre un píxel central y sus
alrededores. Si las intensidades de los píxeles vecinos del área
cuadrada son altas, el valor será grande. En este caso, pertenecen al
área inconsistente. Por ejemplo, los últimos píxeles se alojan tanto en
el residente objetivo como en el borde del fondo. Los principales
pasos del LPIF se pueden resumir de la siguiente manera:
Paso 1: Dejarpagser el píxel central. Al principio,i← 0, S0X,y←
pag,I0X,y←pag, entoncesI0X,ycontiene sólo un píxel. y ahora
dejai←i+1.
Paso 2:S1X,ycontiene todos los barrios deS0X,y distancia de un dentro
no incluye los píxeles en
píxel. Tenga en cuenta queS1X,y
I0X,y.Dejari← 1y actualizarI1X,y
porI1X,y=S0X,y∪S
Obviamente,I1X,y píxeles
incluye3 × 3píxeles, yS1X,yincluye 8
X ,y .
1
Paso 3: Similarmente,S2X,yson los barrios deS1X,ydentro de un píxel
en la distancia espacial. Tenga en cuenta queS2X,yno incluye los
píxeles enI1X,y.Dejar
buscar una nueva forma de mejorar la imagen con la mejora del contraste y la
i← 2,
eliminación de ruido. Las técnicas de mejora de la imagen se utilizan para reducir los
ruidos de la imagen y mejorar el contraste de la imagen. En este artículo, se propone y
utiliza el enfoque del factor de falta de homogeneidad de píxeles localizados (LPIF)
para mejorar el contraste de imágenes en imágenes radiográficas.
Se propone un algoritmo de árbol de coherencia conectado para la
segmentación de imágenes sin conocimiento previo, y se utiliza un factor de
coherencia de vecindad (NCF) para predecir los píxeles en un conjunto diferente
[14].
2648
entonces
I2X,y=S0X,y∪S
X,y∪S
1
X,y.
2
AhoraI2X,ycontiene5 × 5píxeles, yS2X,ycontiene 16 píxeles. Etapa 4
: Suponer queSnorteX,ycontiene los barrios de Snorte−1X,ydentro de
un ancho de píxel, pero no los elementos enInorte−1X,y. Cuando
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Dada una imagen de nivel de grisI,pages un píxel en la imagenI.L pag
se denota por las vecindades espaciales depag. Hay algunos píxeles enL
pag,que tienen la misma intensidad depag.
La intensidad de la región de defectos de soldadura difiere de su
fondo. Por lo tanto, el cálculo de contraste se puede utilizar para
distinguirlos entre sí. Los conjuntos de dos píxeles se definen de la
siguiente manera:
actualizarInorteX,ypor
InorteX,y=S0X,y∪S 1X,y∪S
2
X,y∪ ⋯ ∪S
norte
X,y.
Es fácil ver esoInorteX,ycontiene totalmente2norte+1 × 2norte+1
píxeles, ySnorteX,ycontiene8nortepíxeles
Para representar visualmente el proceso anterior, el proceso de
actualización deIiX,yySiX,yse muestra en la Fig. 2, el valor deiosciló entre
0 anorte. De arriba a abajo, las cuatro filas corresponden a los cuatro
pasos anteriores.
Del análisis anterior se puede deducir
IiX,y=S0X,y∪S
X,y∪S 2 X,y∪ ⋯ ∪S
1
norte
X,y
(6)
Para simplificar, (6) se puede reescribir de la siguiente forma:
Ii=S0∪S∪1S
(7)
∪ ⋯ ∪Snorte,i=1, 2, …,norte
2
Prominenciatise puede expresar como
ti=SiX,y−significa Si−1X,y
(8)
dóndesignifica SiX,yse calcula por
∫∫
significa SiX,y=
Ω
(9)
kGRAMOX,y yoiX,ydXdy
Figura 2Actualización deSiX,yyIiX,y
La conexión entreLPIFX,yy (8) se expresa como
LPIFX,y=
1, siti>0
0, siti≤ 0
(10)
El promedio ponderado de Gauss hace que la prominencia sea evidente.
Aquí, kGRAMOX,yes un peso gaussiano bidimensional. ElkGRAMOX,y
la función se define como
(11)
kGRAMOX,y=ami−X2 +y2 /2σ2
dóndeσes el radio del núcleo de convolución, yaes un parámetro
normalizado. En general, el cálculo dease describe como
a=
1
2πσ2
(12)
Según las definiciones anteriores, el valor de LPIF se calcula mediante
LPIFX,y=
LPIF
∑norte
i=1
(13)
norte
El proceso de cálculo descrito por pseudocódigo se muestra en la
Fig. 3, y el cálculo de algunas ecuaciones corresponde a los
comentarios en el código.
El objetivo de LPIF en el procedimiento de detección de defectos es
mejorar la eficiencia y precisión de la identificación de defectos. En este
artículo, la novedad es que el método de mejora de imagen LPIF supera
las deficiencias de no ser adecuado para imágenes de bajo contraste y ser
sensible al ruido.
2.2 Extracción de cordones de soldadura
La segmentación de imágenes consiste en dividir la imagen original en diferentes
regiones, especialmente para adoptar regiones con cambios abruptos en el nivel de
Fig. 3Las ecuaciones corresponden a los comentarios en el código.
Para implementar la extracción del cordón de soldadura, la imagen
original se procesa previamente utilizando el método LPIF. Luego, el
algoritmo de umbral de Otsu se usa para extraer la costura de soldadura
debido a su simplicidad y bajos requisitos de cálculo.
La idea del método Otsu es maximizar la variación entre
clases, minimizar la variación dentro de la clase y luego
distinguir mejor el primer plano y el fondo.
En el método de Otsu, el dentro de la claseσ2ωSe define como
gris y regiones homogéneas. La segmentación de imágenes es una clave para el
procesamiento de imágenes, y hay muchos métodos de segmentación que se pueden
proponer, como el umbral [19] y los métodos de cuenca [20]. Sin embargo, son
σω2 t=ω0t σ2
t+ω1t σ2
0
t
1
(14)
sensibles a los ruidos y consumen mucho tiempo debido al bajo contraste y la
borrosidad de los bordes de las imágenes radiográficas.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
2649
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
i←norte,
fondo de la imagen se pueden distinguir tanto como sea posible. En
este caso, el umbral se fijó en 120 que incluyen tanto defectos como
antecedentes.
Asumiendo esa imagenItieneLescalas de grises yLva de 0 aL–1. La
resolución de escala de grises adoptada fue de 8 bits (256 niveles). Y el
nivel de gris promedio de toda la imagen se expresa de la siguiente
manera:
2.3 Segmentación de defectos de soldadura
En general, el crecimiento de regiones es una técnica de procesamiento de
imágenes simple y puede dar buenos resultados donde los bordes son difíciles
de detectar y obtener mejores resultados en una imagen con ruido. Se usa para
la segmentación de regiones conectadas, y el objetivo del crecimiento de la
región es usar las características de la imagen para asignar píxeles individuales
en una imagen de entrada a conjuntos de píxeles llamados región. Además,
también es adecuado para imágenes que contienen una sola área conectada o
varias áreas conectadas. Sin embargo, el inconveniente es que el coste de
cálculo del método es elevado.
En este artículo, se propone un algoritmo mejorado de crecimiento de regiones.
En qué semilla se selecciona primero dentro de una región defectuosa.
L−1
m=∑yo
(15)
i=0
Luego, se define un nuevo criterio de crecimiento de regiones mediante el uso de pilas para
mejorar la eficiencia de los algoritmos de crecimiento de regiones tradicionales.
El proceso del método de crecimiento de la región basado en la pila se
yPise calcula por
describe a continuación:
no
Pi=
(dieciséis)
norte
dóndenodenota el número de píxeles de niveliynortees el
número de píxeles de la imagen.
Si una imagen de entrada tieneLniveles de gris
(generalmente,L=256), entonces para un dadot, los píxeles de
una imagen se dividen en dos clases R1= 0, 1, 2, …,tyR2=t+1,t+2,
…,L−1 .R1yR2corresponden a las regiones de objeto y fondo. Las
probabilidades de las dos clases.ω0yω1puede ser,
respectivamente, calculado por
t−1
ω0t=∑Pi
(17)
i=0
L−1
ω1t=∑Pi
(18)
i=t
Paso 1: Escaneo de la imagenIsecuencialmente, encontrando el primer píxel que
no ha pertenecido y configurando el píxel paraX0,y0.
Paso 2: centrado enX0,y0,X,yson los 4 vecinos adyacentes de
X0,y0.SiX0,y0satisface el criterio de crecimiento,X,yyX0,y0se
fusionan en la misma región, yX,yse empuja en la pila. Paso 3:
Tome un píxel de la pila y trátelo comoX0,y0,volviendo al paso 2.
Etapa 4: Regrese al paso 1 cuando la pila esté vacía.
Paso 5: Repita los pasos 1 a 4 hasta que se pertenezcan a todos los píxeles de la imagen y se
termine el crecimiento.
Especificar varios puntos de semilla, y usar el píxel con el valor de gris
igual al punto de semilla como punto de semilla, y luego enfocarse en
el punto de semilla. Si la diferencia entre el valor de gris de un punto
de píxel y el punto inicial no supera el umbral, se considera que el
punto de píxel y el punto inicial tienen similitudes.
En concreto, si la diferencia de intensidad entre un píxel centralpagy sus píxeles
vecinos es muy pequeño (es decir, la intensidad del píxel está por debajo de un
umbral), es concebible que el píxelpagserá un punto interior de una región
Otsu demostró que minimizar la varianza intraclase es equivalente a
maximizando la varianza entre clases, por lo que la varianza entre clasesσ2 bes
interesada y podría tomarse como un píxel semilla utilizado para hacer crecer la
región.
En la Sección 3 se describirá una discusión más detallada sobre los niveles de precisión de
definido como
la extracción de defectos mediante el uso de LPIF.
σb2t=σ2−σ2
ωt=ω0m0−mT
+ω1m1−m2 T
2
(19)
Porque
3 Resultados y análisis
La calidad de la imagen radiográfica es importante en el proceso de detección
ω0m0+ω1m1=mT
(20)
ω0+ω1= 1
(21)
Entonces (19) se reescribe como
σb2t=ω0t ω1t m0t−m1t2
(22)
dóndem0es el nivel medio de gris de la región de primer plano, ym1
denota el nivel medio de gris del área de fondo.
El método Otsu es adecuado para la segmentación de cordones de
soldadura. En el que se supone que el histograma de la imagen es bimodal. El
cordón de soldadura se puede extraer fácilmente mediante el método Otsu, que
se muestra en la Fig. 4b.
de defectos de soldadura; luego se reproduce el método de mejora de imagen
un papel importante en la detección de defectos de soldadura. En la detección de
defectos de soldadura, los defectos se dividen generalmente en seis tipos: escoria (SL),
grieta (CR), porosidad (PO), penetración incompleta (IP), fusión
incompleta (IF) y sin defecto (ND) [21], como se muestra en la Fig. 5.
Además, hemos experimentado con 71 imágenes RT y la distribución
del conjunto de muestras se muestra en la Fig. 6. El tamaño de
subfiguras Figs. 5a–ees 121 × 219, 190 × 454, 176 × 425, 217 × 672 y
298 × 726 píxeles, respectivamente.
Realizamos experimentos con el tiempo de ejecución en una PC con
CPU Intel(R) Core(TM) i7-7700K a 4,20 GHz y 8,00 GB de RAM. Todos los
métodos anteriores se codificaron y ejecutaron en MATLAB R2014a (win64
de 64 bits).
Las imágenes originales (ORI) y las imágenes mejoradas por los diferentes
métodos de mejora se muestran en las Figs. 7–11, respectivamente. Las
subfiguras (a) de las Figs. 7–11 muestran las imágenes originales del defecto, y
están mejoradas por HE, AHE, CLAHE y LPIF, como se muestra en las subfiguras
(b)–(e) de las Figs. 7–11, respectivamente.
De las figs. 7–11, podemos ver que las imágenes de defectos de RT se
mejoraron significativamente con AHE y LPIF. Excepto por la Fig. 10C, AHE
sobre-mejoró el ORI. Los defectos de soldadura mejorados se hicieron
evidentes, aunque exhibieron borrosidad y un bajo contraste en el ORI. Sin
embargo, los resultados de HE y CLAHE no fueron satisfactorios,
particularmente cuando la imagen RT original tenía un contraste relativamente
bajo o alto. Subjetivamente, pudimos ver claramente que los resultados fueron
Figura 4Imagen original e imagen de extracción de costura de soldadura
(a)Imagen original,(b)Resultado de extracción de costura de soldadura
2650
mejorados en exceso por HE en el caso de bajo contraste.
El tiempo de cálculo de los métodos mejorados que consisten en
HE, AHE, CLAHE y LPIF se muestra en la Tabla 1. Tiempo1 para
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
dóndeω0yω1denotan las posibilidades de que un píxel pertenezca
al primer plano o al fondo, respectivamente.σrepresenta la
varianza entre las dos clases.
Mediante la elección del umbral mínimot, el primer plano y el
En comparación con HE, AHE, CLAHE, el rendimiento de nuestro método
definición de imagen (DEF), intensidad de borde (EIN) [22]. La definición de
estos indicadores se describe a continuación.
CON define el contraste de escala de grises de la imagen. Dada una imagenI con
tamañoMETRO×norte, y el CON se calcula mediante
propuesto se demuestra mediante los experimentos comparativos de evaluación de
calidad de imagen y segmentación de defectos de algunas imágenes mejoradas. Las
métricas de evaluación se utilizan para evaluar la calidad de imagen de las imágenes
σ2
CON =
∑METRO
i=1
mejoradas, como el contraste de imagen (CON),
4
∑j=1Ii,j−m/METRO×norte
norte
(23)
1/4
dóndemyσrepresentan los valores medios de la imagenI,
respectivamente.
DEF representa el grado de nitidez de cada franja de detalle y los
bordes de una imagen, y se describe mediante
DEF =
1
METRO−1norte−1
METRO×norte∑ ∑
i=1 j=1
2
Ii,j−Ii+1,j+Ii,j−Ii,j+1
2
2
(24)
EIN se define como
NIE =
i=1
∑METRO
∑norte
j=1
gx2+gy2
(25)
METRO×norte
dóndegxygyrepresentan los componentes del gradiente en elX dirección y
laYdirección basada en el operador de Sobel en la imagen I,
respectivamente.
Figura 5Diferentes tipos de defectos de soldadura.
(a)SL,(b)CR,(C)CORREOS,(d)propiedad intelectual,(mi)SI,(F)DAKOTA DEL NORTE
Para describir cuantitativamente la calidad de la imagen
mejorada, los valores CON, DEF y EIN de las imágenes mejoradas se
calcularon de acuerdo con (23)–(25), como se muestra en la Tabla 2.
En la tabla, los indicadores de la las imágenes mejoradas por LPIF
mejoraron significativamente. En comparación con ORI, los valores
CON, DEF y EIN de LPIF mejoraron al menos en un 93,62, 128,98 y
44,4 %, respectivamente. Además, los mayores rangos de
Figura 6Distribución del tipo de defecto del conjunto de muestras
Figura 7Diferentes resultados de mejora para la escoria
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
2651
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Time5 corresponden al tiempo de ejecución de las Figs. 7–11,
respectivamente. Se puede ver que el tiempo computacional de LPIF
es mucho menor que otros métodos de mejora.
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
Figura 11Diferentes resultados de mejora para la fusión incompleta
Figura 9Diferentes resultados de mejora de la porosidad
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
tabla 1
Tipo
Tiempo computacional de los métodos de mejora.
HEAHECLAAYUDASI
tiempo1(s)
0.135
0.145
1.719
0.079
tiempo2(s)
0.211
0.136
4.772
0.054
tiempo3(s)
0.189
0.206
4.189
0.053
tiempo4(s)
3.442
2.306
7.839
0.789
tiempo5(s)
0.486
0.284
11.960
0.076
como ejemplo, en comparación con ORI, los valores CON, DEF y EIN
de HE mejoraron en un 234,93, 135,05 y 123,81 %, respectivamente.
Sin embargo, de la Fig. 7b, pudimos ver claramente que la integridad
de la escoria es destruida por HE y también existe un realce excesivo
local. Es decir, el algoritmo HE no puede obtener el resultado
satisfactorio, y las razones principales son la mejora local
característica de HE y su sensibilidad al ruido.
Figura 10Diferentes resultados de mejora para la penetración incompleta
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
LPIF fueron mayores que los de HE, AHE y CLAHE. Los valores CON de LPIF
fueron superiores en al menos 30,68, 16,38, 9,97% a los de HE, AHE,
CLAHE, respectivamente; los valores de DEF de LPIF fueron superiores en
al menos 20,68, 6,88, 62,23% a los de HE, AHE, CLAHE, respectivamente;
los valores EIN de LPIF fueron superiores en al menos 15,27, 135,94, 9,3%
a los de HE, AHE, CLAHE, respectivamente. Usando los valores de
evaluación de la calidad de la porosidad en la Tabla 2
2652
Para estudiar más a fondo el efecto del LPIF propuesto en la
segmentación de defectos, se realizó una segmentación de crecimiento de
regiones. La semilla en crecimiento fue la misma para cada tipo de defecto
y el umbral fue de 0,35.
Los resultados de segmentación de las imágenes de defectos de RT
mejoradas por diferentes métodos de mejora se muestran en las Figs. 12–16,
respectivamente. Subfiguras (a) Figs. 12–16 utilizan el método de crecimiento de
regiones directamente basado en la imagen original. Las subfiguras (b)–(e) de
las Figs. 12–16 muestran los resultados de segmentación de las imágenes de
defectos mejoradas por HE, AHE, CLAHE y LPIF, respectivamente.
En las Figs. 12–16, las regiones defectuosas se extraen mediante un método
de crecimiento de regiones basado en ORI y diferentes métodos mejorados.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Figura 8Diferentes resultados de mejora para crack.
No.
1
Evaluación de la calidad de las imágenes mejoradas
Tipo
ESTAFA
DEF
EIN
O YO
ÉL
AHE
21.142
3.1253
0.078
31.325
2.3861
0.131
35.175
7.9321
0.064
CLAHE
14.824
3.8936
0.031
LPIF
O YO
ÉL
AHE
40.936
15.508
0.151
419.060
3.3555
0.025
345.050
6.3668
0.007
275.710
3.4771
0.006
CLAHE
316.900
3.7990
0.001
LPIF
O YO
ÉL
AHE
959.109
7.6835
0.101
103.450
1.7365
0.021
225.190
3.2695
0.004
128.310
2.3879
0.012
CLAHE
92.709
2.5159
0.043
LPIF
O YO
ÉL
AHE
346.480
4.0816
0.047
18.830
1.4296
0.002
32.426
1.3327
0.001
15.471
3.8047
0.002
CLAHE
59.245
1.9855
0.006
LPIF
O YO
ÉL
AHE
71.913
4.0665
0.023
2241
0.9755
0.009
3296.1
0.8272
0.007
2828.2
2.7795
0.003
CLAHE
8162.6
1.4502
0.003
LPIF
8976.6
3.1743
0.013
Imagen
SL
2
RC
3
correos
4
IP
5
SI
Figura 12Resultados de segmentación para SL
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Las estadísticas de píxeles en las regiones defectuosas de las Figs. 12–16 se muestran
en la Tabla 3.
Para evaluar cuantitativamente los resultados de la segmentación, la
Las evaluaciones cuantitativas de los resultados de la segmentación de
defectos se muestran en la Tabla 4. En la tabla,RA0representa el relativo
Precisión de segmentación de los resultados de crecimiento de la región
basados en imágenes RT originales.RA1,RA2,RA3yRA4denota el relativo
precisión relativa de la segmentaciónRASe define como
precisiones de segmentación de los resultados de crecimiento de la región
RA=1 -
nortemi−norteMETRO× 100%
norteMETRO
(26)
basados en imágenes mejoradas por HE, AHE, CLAHE y LPIF, respectivamente.
Como se muestra en la Tabla 3 y la primera columna de la Tabla 4, los píxeles de
los resultados de segmentación basados en LPIF están más cerca de norte
dóndenortemirepresenta la suma de los píxeles de la región defectuosa obtenidos por
las imágenes mejoradas y la segmentación creciente de la región, ynorteMETRO
denota la suma de los píxeles de la región del defecto obtenidos por los resultados de
la segmentación manual, que se puede considerar como un valor aproximadamente
verdadero.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
METRO.
El LPIF propuesto puede mejorar drásticamente el valor de precisión de
segmentación relativa. Después de analizar una serie de resultados de segmentación
de 71 imágenes de prueba, podemos encontrar que la precisión de segmentación
relativa de los resultados de crecimiento de la región basados en imágenes RT
originales es generalmente inferior al 69 %, y la precisión de segmentación mínima
2653
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Tabla 2
Figura 14Resultados de segmentación para PO
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Figura 15Resultados de segmentación por IP
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
el valor es 3.8%. El LPIF propuesto tiene mayorRAde >92%, y esto
El valor del 92% es el valor mínimo en todos los resultados de segmentación de
diversos defectos.
Se puede concluir de la Tabla 4 que la precisión de segmentación
relativa de la imagen originalRA0 fue inferior al 68,5% que
el de CLAHERA3.Muestra que el uso del LPIF propuesto mejoró la
precisión de segmentación relativa de la escoria de 58.6 a
2654
92,4%, el de fisura del 61,7 al 93,6%, el de porosidad del 49,3 al
96,1%, el de penetración incompleta del 3,8 al 98,3%, y el de
68,4-98,5%. Además, las precisiones relativas de segmentación
mejoraron con el uso de HE, AHE y CLAHE. Sin embargo, los
rangos de mejora de estos métodos mejorados fueron más bajos
que el rango de mejora de LPIF.
Además, los operadores de Canny siempre son los preferidos para el seguimiento de
contornos, mientras que los contornos obtenidos tienen discontinuidades debido a
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Figura 13Resultados de segmentación para CR
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Tabla 3
(a)
(b)
(C)
(d)
(mi)
Tabla 4
Tipo
SL
RC
correos
IP
SI
Estadísticas de píxeles de las Figs. 12–16
Figura 12
Figura 13
Figura 14
Figura 15
Figura 16
85
87
126
100
156
757
1318
1774
1006
1148
621
447
319
465
396
9838
5120
5823
3889
4926
3349
5218
3363
5365
4967
Evaluaciones cuantitativas de los resultados de la segmentación
norteMETRO
145
1226
412
5013
4895
RA0, %
RA1, %
RA2, %
RA3, %
RA4, %
58.6
61.7
49.3
3.8
68.4
60
92.5
91.5
97,9
93.4
86,9
55.3
77.4
83.8
68.7
68,9
82.1
87.1
77.6
90.4
92.4
93.6
96.1
98.3
98.5
Figura 18Contorno de los resultados de segmentación para CR
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Figura 17Contorno de resultados de segmentación para SL
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
bordes agrietados. Para obtener contornos suaves, se realizan algunos
procesos morfológicos de dilatación seguidos de erosión de los bordes. El
seguimiento y análisis de contornos es una de las operaciones más utilizadas
después de la segmentación de imágenes. Los resultados de la segmentación
del contorno de los defectos de soldadura se analizan adicionalmente, como se
muestra en las Figs. 17–21.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
La integridad de los resultados de la segmentación combinada con la
suavidad puede garantizar una alta precisión, y la integridad se mide por
el número de píxeles en la región de segmentación, y la suavidad se mide
por la suavidad de los bordes de los resultados de la segmentación. Si
bien solo analizamos el valor EIN anterior, el grado de suavidad en los
bordes de las Figs. 17–21 no se evalúa en este documento. Luego
planeamos desarrollar más indicadores de evaluación para comparar la
suavidad de los bordes de los resultados del seguimiento del contorno.
2655
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Figura 16Resultados de segmentación para IF
Figura 21Contorno de los resultados de segmentación para IF
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Figura 20Contorno de resultados de segmentación para IP
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Además, al experimentar con una imagen de defecto global, las imágenes
mejoradas se muestran en la Fig. 22 y los resultados de segmentación
correspondientes se muestran en la Fig. 23. Fig. 22amuestra la imagen del
defecto global original, y está mejorada por HE, AHE, CLAHE y LPIF, como se
muestra en las Figs. 22b–mi, respectivamente. En la Fig. 23, los resultados de
segmentación de la imagen de defecto global mejorada por diferentes métodos
de mejora se muestran en la Fig. 23. Fig. 23ase implementa mediante el método
de crecimiento de regiones basado directamente en la imagen original. higos.
23b–mimuestran los resultados de segmentación de las imágenes de defectos
mejoradas por HE, AHE, CLAHE y LPIF, respectivamente. El tamaño de la imagen
de defecto global original es de 345 × 841 píxeles.
Para la imagen RT del defecto global, las estadísticas de píxeles de los resultados
de la segmentación se muestran en la Tabla 5, y las evaluaciones cuantitativas de los
resultados de la segmentación del defecto global se muestran en la Tabla 6. En la
tabla,norteMETROdenota la suma de la región del defecto
píxeles obtenidos por los resultados de la segmentación manual,RA0representa
la precisión de segmentación relativa de los resultados de crecimiento de la
región en función de la imagen de defecto global original.RA1,RA2,RA3yRA4
indican las precisiones de segmentación relativas de los resultados de
crecimiento de la región basados en imágenes que fueron mejoradas por HE,
AHE, CLAHE y LPIF, respectivamente.
En el caso de la imagen de defecto global, la precisión de segmentación
relativa basada en el método LPIF es alta que en otros métodos mejorados
anteriores. La precisión de segmentación relativa basada en el método AHE es
un valor negativo y significa que el método AHE puede no ser adecuado para la
mejora de imágenes de defectos globales.
En resumen, el método LPIF propuesto tiene las
siguientes ventajas: (i) es un enfoque localizado y evita la
2656
Figura 22Diferentes resultados de mejora para una imagen de defecto global
(a)O YO,(b)ÉL,(C)EH,(d)CLAHE,(mi)LPIF
inconvenientes de los métodos de umbral global. (ii) Este enfoque es la
resistencia al ruido. (iii) Beneficiándose de la simulación del mecanismo
visual, el objeto de destino es mucho más claro cuando se filtra con LPIF.
El cálculo del método de crecimiento de la región es relativamente simple,
pero sensible a los ruidos, y LPIF supera la deficiencia de la sensibilidad a
los ruidos. Los resultados experimentales demuestran que el método
propuesto no solo tiene un buen efecto de mejora de imagen, sino
también una influencia muy beneficiosa en la segmentación de defectos
de RT.
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Figura 19Contorno de resultados de segmentación para PO
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
(a)ORI + RG,(b)ÉL + RG,(C)AHE + RG,(d)CLAHE + RG,(mi)LPIF + RG
Tabla 5Estadísticas de píxeles de la Fig. 22
Tipo
(a)
(b)
(C)
(d)
(mi)
píxeles
308
336
1030
299
532
Tabla 6
Evaluaciones cuantitativas de los resultados de la segmentación
norteMETRO
450
RA0, %
RA1, %
RA2, %
RA3, %
RA4, %
68.44
74.67
− 28,89
66.44
81.78
4. Conclusiones
En este documento se propuso un método mejorado de mejora de
imágenes llamado LPIF. El enfoque se llevó a cabo principalmente en tres
pasos. En primer lugar, la mejora de la imagen local se realizó mediante el
algoritmo LPIF. En base a los resultados obtenidos, se utiliza el método
Otsu para la detección de cordones de soldadura. Finalmente, los defectos
se extraen utilizando un método de crecimiento de regiones. Esta ventaja
del enfoque propuesto fue alta en la precisión de detección. Los
resultados del experimento comparativo mostraron que el enfoque
propuesto podría mejorar significativamente la calidad de la imagen y la
precisión de la segmentación de defectos. Además, evitó las deficiencias
de los algoritmos de mejora tradicionales, como HE, AHE, CLAHE.
Experimentó con diversas imágenes de defectos de RT, el método LPIF
propuesto combinado con Otsu y el método de crecimiento de regiones es
robusto y tiene la generalidad de aplicación a imágenes de soldadura de
bajo contraste. Por lo tanto, es muy útil para mejorar las imágenes RT de
bajo contraste y mejorar la precisión de la detección de defectos de
soldadura.
Sin embargo, el método LPIF propuesto aumentó el tiempo de cálculo
y la complejidad de la manipulación directa de las regiones locales y
perdió el factor de tiempo real. En el trabajo futuro se intentará
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs.
2647-2658 © La Institución de Ingeniería y Tecnología 2019
hecho para optimizar el algoritmo propuesto para mejorar aún más su
eficiencia y adaptabilidad.
5 Reconocimiento
Este trabajo fue apoyado por el Proyecto de Investigación de la Fundación
Natural de la provincia de Shaanxi (subvención n.º 2017ZDJC-21), el Proyecto
Abierto para el Instituto de Investigación de Desarrollo de Calidad de China de
la Universidad Jiaotong de Shanghai (subvención n.º 2016-05) y la Fundación
Nacional de Ciencias Naturales de China (subvención n.º 51875445).
6 Referencias
[1]
[2]
[3]
[4]
Wang, G., Liao, TW: 'Identificación automática de diferentes tipos de defectos de
soldadura en imágenes radiográficas',END E Int., 2002,35, (8), pp. 519–528 Vilar, R.,
Zapata, J., Ruiz, RC: 'Un sistema automático de clasificación de defectos de soldadura
en imágenes radiográficas',END E Int., 2009,42, (5), págs. 467–476 Mu, WL, Gao, JM,
Jiang, HQ, et al.: 'Algoritmo de evaluación de la calidad de la imagen radiográfica
basado en el análisis de topología de red',Conocimiento, 2014,56, (1), págs. 10–14
Valavanis, I., Kosmopoulos, D.: 'Detección y clasificación de defectos multiclase en imágenes
radiográficas de soldadura utilizando características geométricas y de textura',Sistema
experto aplicación, 2010,37, (12), págs. 7606–7614
2657
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
Figura 23Resultados de segmentación para IF
[6]
[7]
[8]
[9]
Zahran, O., Kasban, H., El-Kordy, M., et al.: 'Identificación automática de defectos de
soldadura a partir de imágenes radiográficas',END E Int., 2013,57, págs. 26–35 Wang,
X., Wong, BS, Tui, CG, et al.: 'Mejora de la imagen para la inspección radiográfica no
destructiva de la aeronave'. proc. En t. Conf. Conferencia Asia-Pacífico on NDT,
Auckland, Nueva Zelanda, noviembre de 2006, no. 24
Dang, C., Xiao, Y., Gao, J., et al.: 'Mejora de la imagen radiográfica en varios pasos
conforme a la segmentación de defectos de soldadura',Proceso de Imagen IET., 2015,
9, (11), págs. 943–950
Mery, D., Berti, MA: 'Detección automática de defectos de soldadura usando características de
textura',Insight - No destr. Prueba. cond. Monitorear, 2003,45, (10), pp. 676–681 Piccardi, M.:
[15] Malarvel, M., Sethumadhavan, G., Bhagi, PCR, et al.: 'Una versión mejorada del método de
Otsu para la segmentación de defectos de soldadura en imágenes de radiografía X',
Óptica –Int. J. Opción de electrones de luz., 2017,109, págs. 109–118
[16] Rathod, VR, Anand, RS: 'Detección de defectos de soldadura NDE y extracción de características
mediante el enfoque de segmentación',En t. J. de Paradigmas de Inteligencia Avanzada, 2011,
3, (3/4), págs. 286–304
[17] Malarvel, M., Sethumadhavan, G., Bhagi, PCR, et al.: 'Eliminación de ruido basada en difusión
anisotrópica en imágenes de radiografía X para detectar defectos de soldadura',
Dígito. Proceso de señal., 2017,68, págs. 112 a 126
[18] Qi, A., Bai, H., Liu, T., et al.: 'Detección de señal de defecto de soldadura basada en algoritmo ICA
'Técnicas de sustracción de fondo: una revisión',Internacional IEEE Conf. sist., 2005,4, págs.
optimizado de enjambre de partículas'. Internacional IEEE Conf. Proceso de señal e imagen.,
3099–3104
Beijing, China, 2017, págs. 458–461
[10] Jun, S., Chao, L., Xiao, JW, et al.: 'Un método efectivo de defecto de soldadura
detección y clasificación basada en visión artificial',Trans. IEEE. inf.ind., 2019,
99, págs. 1 y 1
[11] Boaretto, N., Centeno, TM: 'Detección automatizada de defectos de soldadura en tuberías
a partir de imágenes radiográficas dwdi',END E Int., 2017,86, págs. 7 a 13
[12] Hou, W., Wei, Y., Guo, J., et al.: 'Detección automática de defectos de soldadura mediante
red neuronal profunda',J. Phys., Conf. Ser., 2018,933, pag. 012006
[13] Wang, L.: 'Detección precisa de defectos a través de reconstrucción escasa para
radiografías de soldadura',END E Int., 2018,94, págs. 62–69
[19] Yazid, H., Arof, H., Yazid, H., et al.: 'Umbralización automatizada en radiografía
imagen para uniones soldadas',No destruir. Prueba Eva., 2012,27, (1), págs. 69–80
[20] Shen, J., Yang, XZ: 'Un nuevo método para la detección de defectos de tejidos basado en
cuenca de textura',J. Gráfico de imagen., 2009,14, (10), págs. 1997–2003
[21] Zhang, X., Gao, D.: 'Extracción y reconocimiento automático de defectos de soldadura por detección
de rayos' (Prensa de la Industria de Defensa Nacional, Beijing, 2004)
[22] Kasban, H., Zahran, O., Arafa, H.: 'Evaluación cuantitativa y cualitativa para la mejora de
imágenes radiográficas gamma',En t. J. Proceso de señal. Proceso de imagen.
Reconocimiento de patrones., 2012,5, (2), págs. 73–88
[14] Ding, J., Ma, R., Chen, S.: 'Un algoritmo de árbol de coherencia conectado basado en escalas para la
segmentación de imágenes',Trans. IEEE. Proceso de imagen., 2008,17, (2), págs. 204– 216
2658
Proceso de Imagen IET., 2019, vol. 13 edición. 13, págs. 2647-2658
© La Institución de Ingeniería y Tecnología 2019
17519667, 2019, 13, Descargado de https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/iet-ipr.2018.5840 por Readcube (Labtiva Inc.), Wiley Online Library el [23/06/2023]. Consulte los Términos y condiciones (https://onlinelibrary.wiley.com/terms-and-conditions) en Wiley Online Library para conocer las reglas de uso; Los artículos de OA se rigen por la Licencia Creative Commons aplicable
[5]