Machine Vision Application For Automatic Defect Segmentation In Weld Radiographs
Objektif penyelidikan ini adalah untuk membangunkan satu kaedah peruasan kecacatan kimpalan automatik yang boleh meruas pelbagai jenis kecacatan kimpalan yang wujud dalam imej radiografi kimpalan. Kaedah segmentasi kecacatan automatik yang dibangunkan terdir:i daripada tiga algoritma utama, iaitu...
Saved in:
| Main Author: | |
|---|---|
| Format: | Thesis |
| Language: | English |
| Published: |
2006
|
| Subjects: | |
| Online Access: | http://eprints.usm.my/31360/1/SOO_SAY_LEONG.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Objektif penyelidikan ini adalah untuk membangunkan satu kaedah peruasan
kecacatan kimpalan automatik yang boleh meruas pelbagai jenis kecacatan kimpalan
yang wujud dalam imej radiografi kimpalan. Kaedah segmentasi kecacatan automatik
yang dibangunkan terdir:i daripada tiga algoritma utama, iaitu algoritma penyingkiran
label, algoritma pengenalpastian bahagian kimpalan dan algoritma segmentasi
kecacatan kimpalan. Algoritma penyingkiran label dibangunkan untuk mengenalpasti
dan menyingkirkan label yang terdapat pada imej radiograf kimpalan secara automatik,
sebelum algoritma pengenalpastian bahagian kimpalan dan algortima segmentasi
kecacatan diaplikasikan ke atas imej radiografi. Satu algoritma pengenalpastian
bahagian kimpalan juga dibangunkan dengan tujuan mengenalpasti bahagian kimpalan
dalam imej radiogaf secara automatik dengan menggunakan profil keamatan yang
diperoleh daripada imej radiografi.
The objective of the research is to develop an automatic weld defect
segmentation methodology to segment different types of defects in radiographic
images of welds. The segmentation methodology consists of three main algorithms.
namely label removal algorithm. weld extraction algorithm and defect segmentation
algorithm. The label removal algorithm was developed to detect and remove labels that
are printed on weld radiographs automatically before weld extraction algorithm and
defect detection algorithm are applied. The weld extraction algorithm was developed to
locate and extract welds automatically from the intensity profiles taken across the
image by using graphical analysis. This algorithm was able to extract weld from a
radiograph regardless of whether the intensity profile is Gaussian or otherwise. This
method is an improvement compared to the previous weld extraction methods which
are limited to weld image with Gaussian intensity profiles. Finally. a defect
segmentation algorithm was developed to segment the defects automatically from the
image using background subtraction and rank leveling method. |
|---|