دانلود رایگان ترجمه مقاله استفاده از پردازش تصویر برای تشخیص عیوب لوله های صنعتی (آی تریپل ای ۲۰۱۴)

 

 

این مقاله انگلیسی در نشریه آی تریپل ای در ۶ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۱۳ صفحه بوده و آماده دانلود رایگان می باشد.

 

دانلود رایگان مقاله انگلیسی (pdf) و ترجمه فارسی (pdf + word)
عنوان فارسی مقاله:

یک الگوریتم برای شناسایی و تشخیص عیوب لوله های صنعتی با استفاده از پردازش تصویر

عنوان انگلیسی مقاله:

An Algorithm to Detect and Identify Defects of Industrial Pipes Using Image Processing

دانلود رایگان مقاله انگلیسی
دانلود رایگان ترجمه با فرمت pdf
دانلود رایگان ترجمه با فرمت ورد

 

مشخصات مقاله انگلیسی و ترجمه فارسی
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۶ صفحه با فرمت pdf
نوع نگارش مقاله پژوهشی (Research article)
نوع ارائه مقاله کنفرانس
رشته های مرتبط با این مقاله مهندسی کامپیوتر – مهندسی برق
گرایش های مرتبط با این مقاله مهندسی الگوریتم ها و محاسبات – مهندسی الکترونیک – هوش مصنوعی
چاپ شده در مجله (ژورنال)/کنفرانس کنفرانس بین المللی نرم افزار، اطلاعات دانش، مدیریت صنعتی و برنامه های کاربردی (SKIMA)
کلمات کلیدی تشخیص نقص – شناسایی نقص – پردازش تصویر – صنعت لوله
کلمات کلیدی انگلیسی Defect detection – defect identification – image processing – pipe industry
ارائه شده از دانشگاه گروه مهندسی برق و الکترونیک، دانشگاه بین المللی اسلامی چیتاگونگ (IIUC)
شناسه دیجیتال – doi https://doi.org/10.1109/SKIMA.2014.7083567
لینک سایت مرجع https://ieeexplore.ieee.org/document/7083567
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
نشریه آی تریپل ای – IEEE
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه با فونت ۱۴ B Nazanin
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود رایگان
کیفیت ترجمه

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

کد محصول F2308

 

بخشی از ترجمه

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.
۱) 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 ۵ 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 (۶).
اگر اندازه یک شی بسیار بزرگ باشد، آستانه بهینه (Tarea) مقدار اکثر اشیاء ناخواسته را دور می‌اندازد. بنابراین، الگوریتم تمام اجزای متصل (اشیاء) که کمتر از پیکسل Tarea هستند حذف می‌کند. در شکل ۵، می‌توان دید که شی ناخواسته حذف شده است. با این وجود، برخی از صداها هنوز باقیست. بنابراین استخراج لوله لازم است.
C. شناسایی نقص
در این مرحله، اشیاء باقی‌مانده به‌عنوان نماینده‌ای از سوراخ و شکاف پس از روش گرادیان سوبل در نظر گرفته می‌شوند. قبل از تشخیص نقص، عملیات مورفولوژیکی بر تصویر شیب سوبل استفاده می‌شود. ترکیدگی‌های باریک باید حذف شوند مگر اینکه الگوریتم نتیجه غیرمنتظره‌ای برگرداند. نقص بااستفاده از ویژگی‌های زیر مشخص شده است.
۱) مورفولوژی ریاضی: روش اتساع و فرسایش برای اتصال خطوط مجزا انجام می‌شود. منطقه متصل شده با استفاده از اتساع در شکل ۸ (الف) نشان داده شده است، فرسایش برای بازسازی اندازه اصلی شی و در نتیجه حذف گسست از پیکسل‌های روشن استفاده شده است. در شکل ۹ (ب)، دیده می‌شود که خطوط مجزا به هم پیوسته‌اند. پس از آن، سوراخ و شکاف نماینده‌ها از هم جدا است و اطلاعات برای پیگیری و طبقه‌بندی نقص استفاده می‌شود.
۲) تشخیص نقص: الگوریتم به‌طوری کار می‌کند که هر شی در داخل لوله به جای اشیاء که دارای منطقه بزرگ هستند قابل شناسایی باشد. این مورد در شکل۱۰ نشان داده شده است. که در آن obj(i).area = هر نقص به بزرگی محدوده جعبه و obj(l).area = مساحت بزرگ محدوده است.
۳) طبقه‌بندی نقص: برای استخراج ویژگی نقص در تصویر ورودی، الگوریتم، مساحت، محیط و مشتق مساحت نسبت به محیط را محاسبه می‌کند. زیرا که الگوریتم محدوده‌ای براساس نقص مربوطه ایجاد می‌کند و سپس با توجه به ویژگی‌ها، نتیجه شناسایی می‌شود. این مورد در رابطه (۱۱) نشان داده شده است.

که در آن Obj(i).Area و Obj(i).Perimeter تعداد پیکسل‌ها در ناحیه و فاصله بین یک جفت مجاور از پیکسل‌ها در اطراف ناحیه مرزی هستند.
در مورد سوراخ، محیط و مساحت نزدیک به یکدیگر هستند. بنابراین این ویژگی می‌تواند مانند r_ap<1.10 و r_ap>0.80 تعریف شود.
در صورت ترکیدگی، محیط نسبتا کمتر یا بیشتر از مساحت است. بنابراین، این ویژگی می‌تواند مانند r_ap>1.10 و r_ap<0.80 تعریف شود. شکل ۱۱ خروجی نهایی الگوریتم پیشنهادی را نشان می‌دهد.

۳٫ نتیجه آزمایشات
الگوریتم پیشنهاد شده در تصاویر مختلفی از لوله‌ها که شامل نقص از جمله سوراخ و ترکیدگی هستند مورد آزمایش قرار گرفته است. هدف اصلی تشخیص موثر نقص و تشخیص آنها را با توجه به ویژگی‌های خود است. در آزمایشات، مقدار Tarea به ۴ اختصاص یافته است. این بدین معنی است که مساحت اشیاء کمتر از ۴ پیکسل حذف شده است. به‌عنوان مثال، در شکل ۳ اشیاء کوچک همراه با سوراخ در پس‌زمینه ظاهر شده‌اند. بنابراین، اگر مساحت اشیاء کوچک کمتر از ۴پیکسل باشد، الگوریتم کوچک اشیاء را دور می‌اندازد. پس از آن، اتساع مورفولوژیکی و فرسایش برای از بین بردن گسست پیکسل‌های سفید نشان داده شده است در شکل ۸ با شش پیکسل قطر دیسک مسطح انجام می‌گیرد. مساحت به نسبت محیط (RAP) تصمیم می‌گیرد که نقص آیا یک سوراخ و یا یک ترکیدگی است. اگر مقدار RAP در داخل محدوده‌ی ۰٫۸ و ۱٫۱ باشد این الگوریتم نقص را به‌عنوان سوراخ شناسایی می‌کند. از سوی دیگر، اگر ارزش RAP بیش از محدوده‌ی ۰٫۸ به ۱٫۱ باشد الگوریتم آن را به‌عنوان یک ترکیدگی شناسایی می‌کند. الگوریتم در بسیاری از تصاویر حاوی سوراخ (۳۰) و ترکیدگی (۴۵) تست شده است. با توجه به ویژگی‌ها، نقص تشخیص داده شده و شناسایی شده و توسط محدوده سبز محدود شده است. شکل ۱۲ و ۱۳ نتایج تجربی از تصاویر RGB ورودی و شناسایی نقص مربوطه در محدود مستطیل شکل نمایش داده است. در هر دو تصویر ترکیدگی و سوراخ به درستی مشخص شده است. نسبت مساحت (RAP ) برای ترکیدگی ۱٫۴۳ و ۱٫۵۲۴۷ است. این الگوریتم سوراخ را به درستی شناسایی می‌کند (به عنوان مثال، ۰٫۸۴ و ۰٫۹۲).
این الگوریتم با موفقیت قادر به شناسایی اکثریت نقص‌ها است. در بعضی از تصاویر، این الگوریتم نمی‌تواند ترکیدگی با خطوط مجزا شناسایی کند.

به‌عنوان نتیجه، به جای بیان کردن آن مانند نقص تنها، این الگوریتم ممکن است آن را نقص چندتایی شناسایی کند (شکل ۱۴). سوراخی صحیح تشخیص داده شده همان‌گونه که ناپیوستگی در سوراخ وجود ندارد. مقادیر RAP برای دو سوراخ متفاوت به ترتیب ۰٫۹۵ و ۰٫۹۱ است. بااین‌حال، با توجه به حضور ناپیوستگی در ترکیدگی، این الگوریتم بیش از یک مقدار RAP نشان می‌دهد.

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا