Глава 1. Применение модернизированного алгоритма

УТВЕРЖДАЮ
Директор НИИЯФ МГУ
профессор
__________________ М.И. Панасюк
«____» _________ 2007 г.
ИТОГОВЫЙ ОТЧЕТ за 2006-07 г.г.
по ДОГОВОРУ № 199-06 от 03.07.2006 г.
" Развитие алгоритмов автоматизации
оценки и классификации данных УЗК
и их программная реализация "
Руководитель проекта
зав. лабораторией НИИЯФ МГУ, д.ф.-м.н.
И.Г.Персианцев
_______________
Исполнители проекта:
с.н.с. НИИЯФ МГУ, к.ф.-м.н.
Доленко С.А.
_______________
с.н.с. НИИЯФ МГУ, к.ф.-м.н.
Шугай Ю.С.
_______________
м.н.с. НИИЯФ МГУ
Агапкин О.А.
_______________
м.н.с. НИИЯФ МГУ
Шаров С.А.
_______________
аспирант физического факультета МГУ
Гужва А.Г.
_______________
студент физического факультета МГУ
Буренков И.А.
_______________
2007г.
Оглавление
Оглавление ..................................................................................................................................... 2
Введение ......................................................................................................................................... 3
Основные результаты ................................................................................................................ 3
Глава 1. Применение модернизированного алгоритма вероятной локализации
несплошностей для локализации и оконтуривания несплошностей и определения их типа
по изображениям систем АВГУР 4 и АВГУР 5 ......................................................................... 5
1.1. Обработка изображения с помощью модернизированного алгоритма вероятной
локализации несплошности программы Image Viewer ....................................................... 5
1.2. Визуализация и обработка протокольных файлов с помощью библиотеки
Visualize.xla и шаблонов Visualize.xlt, Protocol.xlt и Protocol300.xlt. ................................ 9
Глава 2. Описание алгоритма локализации и оконтуривания несплошностей и
определения их типа по файлам изображений системы АВГУР .......................................... 22
Приложение 1. "Старая" система признаков ......................................................................... 34
Приложение 2. Новая система признаков ............................................................................. 36
Приложение 3. Некоторые понятия нечёткой логики и её использование в
рассматриваемом алгоритме ................................................................................................... 39
Глава 3. Исследование возможности идентификации дефектов на изображениях,
полученных с помощью ультразвуковой диагностики основного металла трубопроводов 41
3.1. Постановка задачи ............................................................................................................ 41
3.2. Исследуемые объекты ...................................................................................................... 41
3.2.1 Искусственные дефекты ............................................................................................. 42
3.2.1.1 Таблица разделения дефектов по типам ............................................................. 42
3.2.1.2 Изображения дефектов ......................................................................................... 43
3.2.2 Шумовые объекты ....................................................................................................... 50
3.3. Исследования некоторых алгоритмов, которые могут быть использованы для
классификации изображений .................................................................................................. 51
3.3.1 Использование порогового отсечения для удаления шума и артефактов ............. 51
3.3.2 Определение дефектов/ шума с помощью гистограммы ......................................... 51
3.3.2.1 Кластеризация на основе признаков, получаемых из гистограммы ................ 52
3.3.3 Кластеризация на основе признаков, получаемых из геометрических размеров и
интенсивности ....................................................................................................................... 54
3.3.4 Исследование зависимости размера объекта на изображении от физического
размера дефекта .................................................................................................................... 62
3.4. Выводы............................................................................................................................... 63
Литература по теме .................................................................................................................. 63
2
Введение
В 2006-2007 годах велись работы по следующим основным направлениям:
1)
Доработка алгоритма и пакета программ для автоматизированной локализации,
оконтуривания и определения типа несплошностей, в том числе для сварных
соединений произвольного других типов, помимо ДУ-300 (Главы 1, 2);
2)
Исследование
возможности
идентификации
дефектов
на
изображениях,
полученных с помощью УЗ диагностики основного металла трубопроводов
нормальными волнами (Глава 3).
Основные результаты
1) Произведены
испытания
алгоритмов
локализации,
оконтуривания
и
автоматизированного измерения параметров несплошностей ДУ-300 на некотором
количестве данных, полученных системой "Авгур 5".
2) Осуществлена
доработка
программы
Image
Viewer
по
следующим
направлениям: улучшена диагностика ошибок, возникающих при использовании слишком
больших файлов данных; доработан модуль изготовления фильтров из изображений при
работе с изображениями Авгур 5; исправлены мелкие ошибки; исправлена работа
алгоритмов считывания и преобразования данных при работе с изображениями Авгур 5;
добавлена возможность увеличения выбранной области на изображении.
3) Реализована
автоматизированная
классификация
изображений
по
типам
дефектов для новой системы признаков на основе разработанной Заказчиком системы
весовых коэффициентов.
4) Проведены испытания полученного алгоритма на предоставленных Заказчиком
данных несплошностей различных типов. Сделан вывод о необходимости уточнения
системы весовых коэффициентов.
5) При автоматизированном определении типа несплошности подключён модуль,
осуществляющий определение типа с помощью нечёткой логики по новой системе
признаков.
6) Произведена модернизация макросов обработки данных в Microsoft Excel для
работы с данными других типов (помимо ДУ-300).
7) В связи с модификациями алгоритмов и программ комплекса Image Viewer Visualize за последние полтора года, написаны обновлённые Руководство по эксплуатации
и описание алгоритма. Оба документа переданы Заказчику и включены в настоящий
Отчёт (Главы 1, 2).
3
8) Проведено
исследование
возможности
идентификации
дефектов
на
изображениях, полученных с помощью УЗ диагностики основного металла трубопроводов
нормальными волнами. Произведён сравнительный анализ различных методов обработки
изображений на имевшемся массиве данных. Вынесено заключение о нецелесообразности
продолжения исследований в данном направлении. Работы, проделанные в этом
направлении, описаны в настоящем Отчёте (Глава 3).
4
Глава 1. Применение модернизированного алгоритма
вероятной локализации несплошностей для локализации
и оконтуривания несплошностей и определения их типа
по изображениям систем АВГУР 4 и АВГУР 5
Руководство пользователя
Версия 4.0.4
(20.07.07)
1.1. Обработка изображения с помощью модернизированного
алгоритма вероятной локализации несплошности программы Image
Viewer
Ниже описывается порядок обработки изображения с помощью алгоритма
вероятной локализации несплошностей в программе Image Viewer. (Более подробное
описание самой программы и объяснение реализованных в ней алгоритмов приводятся в
документации к программе Image Viewer.)
1) Загрузите программу Image Viewer (версия 2.4.7 или позднее). Версию
программы можно посмотреть, выбрав пункт О программе в меню Справка. После
первой загрузки программа находится в режиме анализа, который необходим для
осуществления требуемой обработки. Если в процессе работы режим был изменён, то при
выходе из программы и повторном входе в неё будет установлен тот режим, который был
выбран последним. Если программа оказалась в режиме, отличном от режима анализа,
установите требуемый режим работы, выбрав из меню Вид пункт Режим анализа.
2) Загрузите изображение, которое необходимо обработать. Для этого:

Для
файлов
изображений
системы
АВГУР
4
выберите
пункт
Загрузить изображение > Данные Авгур 4.2 меню Файл или нажмите клавишу
F2. Загружаемое изображение должно иметь формат изображений (*.i*) системы
АВГУР 4.

Для
данных
изображений
системы
АВГУР
5
выберите
пункт
Загрузить изображение > Данные Авгур 5.2 меню Файл. В этом случае Вам
5
придётся пройти стандартную процедуру аутентификации пользователя системы
Авгур 5, после чего Вы увидите стандартный интерфейс выбора данных для
анализа системы Авгур 5. За разъяснениями о назначении органов управления
этого интерфейса и о порядке работы с ним обратитесь, пожалуйста, к
документации системы Авгур 5.
После загрузки изображения окно программы выглядит так, как показано на Рис.1.
Рис. 1. Основное окно программы Image Viewer в режиме анализа.
3) В случае, если область существенных сигналов (область возможной локализации
несплошностей) занимает малую долю изображения (особенно часто это бывает при
работе с изображениями, загруженными из базы данных Авгур 5.2), настоятельно
рекомендуется воспользоваться оператором Увеличение для того, чтобы исключить из
обработки заведомо неинформативные части изображения. Порядок использования этого
оператора подробно описан в Руководстве пользователя программы Image Viewer.
Подобная
предобработка
позволяет
существенно
сократить
время
обработки
6
изображения, а для особо сложных изображений обработка без предварительного
увеличения может вообще оказаться невозможной.
4) Установите параметры используемых алгоритмов:
а) В окне Имя фильтра в правой части экрана выберите имя файла фильтра,
соответствующего обрабатываемому изображению. В случае, если имя требуемого файла
в списке отсутствует, его можно добавить туда с помощью пункта Добавить к списку
меню Фильтр. Смысл файла фильтра – задание функции точечного источника,
соответствующей данному изображению. Более подробно о создании и редактировании
фильтров можно прочитать в документации к программе Image Viewer.
б) В рамке Параметры отражения в окно Z трубы введите Z-координату
плоскости отражения (в миллиметрах), соответствующей данному изображению. По
умолчанию этот параметр устанавливается равным максимальной по модулю координате
Z загруженного изображения, что в большинстве случаев не соответствует реальному
положению плоскости отражения.
в) Параметр Сдвиг по X соответствует возможному сдвигу изображения по оси X
при отражении. По умолчанию сдвиг считается равным нулю, однако Вы можете ввести
другое значение (в миллиметрах). Оно может быть положительным или отрицательным, и
не обязательно должно быть целым.
г) Выберите из списка требуемый порядок отражения. При установке порядка
отражения, равного 0, отражения не учитываются, а все данные, лежащие ниже Z трубы,
игнорируются. При порядке отражения 1 учитываются прямые сигналы в диапазоне по Z
от 0 до Z трубы и однократные отражения в диапазоне от Z трубы до 2*Z трубы (этот
вариант рекомендуется для работы с данными ДУ-300). При выборе порядка отражения,
равного 2, будут учтены прямые сигналы в диапазоне по Z от 0 до Z трубы, однократные
отражения в диапазоне от Z трубы до 2*Z трубы и двукратные отражения в диапазоне от
2*Z трубы до 3*Z трубы.
д) Установите коэффициент уровня отсечки шума в окне Коэфф в правой нижней
части экрана. Рекомендуемое значение – 1.
е) Установите значение относительного уровня для расчёта контуров в окне
Уровень в правой нижней части экрана. Рекомендуемое значение – 0.7.
5) Нажмите на кнопку ВЛНМ. При этом будет осуществлён запуск макрооператора вероятной локализации несплошности модернизированного. В процессе
выполнения макро-оператора будут проделаны следующие операции:
7
а) На изображении будет осуществлена отсечка шума с указанным значением
коэффициента.
б) Произойдет линейная фильтрация изображения с
указанным в окне
Имя фильтра текущим фильтром.
в) Произойдет отражение изображения относительно указанного в рамке
Параметры отражения значения Z трубы, с учётом указанных значений Сдвига по X и
Порядка отражения.
г) Произойдёт расчёт максимумов изображения, полученного после фильтрации, но
до отражения (на этапе б)).
д) Произойдет отражение полученного изображения с максимумами относительно
указанного в рамке Параметры отражения значения Z трубы, с учётом указанных
значений Сдвига по X и Порядка отражения.
е) Будет вызван алгоритм вероятной локализации несплошностей (ВЛН) для двух
отражений (изображений, полученных на этапах в) и д) описанной обработки), с
указанными файлом фильтра и относительным уровнем при расчёте контуров.
В процессе выполнения каждого из этапов а)-е) счётчик текущего состояния (в
правом нижнем углу окна программы) пробегает весь диапазон от 0 до 100%. Поэтому во
время выполнения макро-оператора ВЛНМ счётчик пройдёт от 0 до 100% несколько раз.
По окончании обработки в списке окон появится ещё одна строка (начинающаяся с
"ВЛНМ"), а на экране появится изображение с контурами.
6) Если для дальнейшей обработки требуется использование маски, необходимо
загрузить требуемую маску (меню Маска -> Загрузить маску) и наложить её на
изображение (меню Маска -> Наложить маску). Маска одновременно отображается во
всех окнах изображений. Перемещать маску по изображениям можно комбинациями
клавиш:
- Alt+(курсорная клавиша) – перемещение в указанном направлении на один шаг
изображения;
- Alt+Shift+(курсорная клавиша) – перемещение в указанном направлении на
десять шагов изображения.
Более подробно назначение пунктов меню Маска и порядок работы с ними
описаны в Руководстве пользователя программы Image Viewer.
7) Запишите результат работы алгоритма на диск для дальнейшей визуализации
несплошности и продолжения обработки. Для этого выберите из меню Файл пункт
8
Экспорт областей ВЛН. При этом курсор в списке изображений должен оставаться на
строке с результатом операции ВЛНМ. Предлагаемое по умолчанию имя протокольного
файла представляет собой название окна изображения и содержит название и параметры
выполненных операций. Тип записываемого файла – CSV. Более подробно формат файла
ВЛН и особенности работы с ним описаны в Приложении 2 к Руководству пользователя
программы Image Viewer. Там же можно прочитать о проблемах, которые иногда
возникают при переносе CSV-файлов с одного компьютера на другой, и о способах
борьбы с ними.
1.2. Визуализация и обработка протокольных файлов с помощью
библиотеки Visualize.xla и шаблонов Visualize.xlt, Protocol.xlt и
Protocol300.xlt.
Работы
с
библиотекой
Visualize.xla
и
шаблонами
Visualize.xlt,
Protocol.xlt
и
Protocol300.xlt производятся в следующем порядке.
1) Если у Вас загружен Microsoft Excel, выгрузите его.
2) Перепишите библиотеку Visualize.xla в подкаталог системного диска Documents and
Settings\<имя текущего пользователя>\Application Data\Microsoft\AddIns, а шаблоны
Visualize.xlt, Protocol.xlt и Protocol300.xlt в подкаталог Documents and Settings\<имя
текущего
пользователя>\Application
Data\Microsoft\Шаблоны.
(Например,
если
операционная система установлена на диске D:, а пользователь входит в систему под
именем Sidoroff, то следует использовать подкаталоги
D:\Documents and Settings\Sidoroff\Application Data\Microsoft\AddIns и
D:\Documents and Settings\Sidoroff\Application Data\Microsoft\Шаблоны,
соответственно.
Обратите внимание, что папки Application Data и Microsoft являются скрытыми, а
Проводник Windows по умолчанию не показывает скрытые файлы и папки. Для доступа к
нужным папкам воспользуйтесь программой, которая умеет показывать скрытые файлы и
папки
(например,
FAR Manager
или
Windows Commander),
или
измените
соответствующую установку в Проводнике Windows: меню Сервис – Свойства папки –
вкладка Вид – пункт Скрытые файлы и папки – Показывать скрытые файлы и
папки. После этого надо нажать кнопку OK для применения сделанного изменения
только к текущей папке, или кнопку Применить ко всем папкам для применения его ко
всем папкам на Вашем компьютере.
9
3)
Запустите
Microsoft
Excel.
Найдите
в
списке
надстроек
(меню
Сервис-
>Надстройки…) надстройку Visualize и включите флажок рядом с её названием.
Нажмите OK. В верхней части экрана должна появиться дополнительная панель
инструментов, содержащая восемь кнопок: Подготовка, Округление, Несплошности,
3D График,
Сохранить,
Протокол,
Протокол ДУ-300
и
О программе.
При
последующих запусках Microsoft Excel эта панель будет появляться автоматически, пока
Вы не снимете флажок в списке надстроек (меню Сервис->Надстройки…). Нажав на
кнопку О программе, можно узнать текущую версию программы. В данном описании
предполагается версия 4.0.4 или позднее.
4) Загрузите в Microsoft Excel требуемый протокольный CSV-файл, полученный в
программе Image Viewer, как это было описано выше. Им может быть как файл
экспертного голосования (имя начинается с символов Эг), так и файл с координатами
контуров вероятной локализации несплошности (имя начинается с символов ВЛН). В
первом случае Вы увидите один лист с пятью колонками чисел (координаты, отсчёт и
амплитуда максимумов), во втором – лист более сложной структуры, в левой верхней
ячейке которого содержится идентификационная метка "ВЛН 1.2.1", а сам файл содержит
информацию о контурах локализации несплошности и другую служебную информацию.
Если идентификационная метка имеет вид "ВЛН 1.0", "ВЛН 1.1" или "ВЛН 1.2", это
означает, что загруженный файл был получен в одной из более старых версий программы
Image Viewer, и часть функциональности при дальнейшей обработке может оказаться
недоступной.
5) Нажмите кнопку Подготовка на панели инструментов. При этом будет загружен
шаблон для обработки данных и вызвана макрокоманда, которая копирует данные в
шаблон, правильно настраивает графики и включает автофильтр. После выполнения
макрокоманды экран будет выглядеть примерно так, если использовался протокольный
файл операции экспресс-голосования:
10
Рис. 2.
Примерный
результат
выполнения
операции
Подготовка
для
протокольного файла операции экспресс-голосования.
и примерно так, если использовался протокольный файл операции вероятной локализации
несплошности (настоятельно рекомендуется использовать именно этот способ обработки):
Рис. 2.
Примерный
результат
выполнения
операции
Подготовка
для
протокольного файла операции вероятной локализации несплошности.
11
Стрелки рядом с названиями столбцов в четвёртой строке означают, что включен
автофильтр, т.е. возможность автоматической фильтрации списка в соответствии с
желаемыми диапазонами каждого столбца. Чёрные стрелки около названий координат Y,
X означают, что фильтрация списка по значениям этих столбцов в данный момент не
используется. Синяя стрелка рядом с названиями столбцов Z и Отсчет означают, что
используется фильтрация списка по значениям в этих столбцах. Об использовании
фильтрации свидетельствует также синий цвет номеров строк (и то, что они идут не по
порядку – например, 4, 17, 19 и т.д.)
После окончания выполнения макрокоманды фильтры установлены таким образом, что
показываются только строки, в которых:

координата Z больше или равна 3;

значение интенсивности (столбец Отсчет) больше или равно округлённому до
целого числа вверх значению уровня шума в исходном изображении, переданному
из программы Image Viewer (ячейка P3);

размер контура по Z (столбец Rz) меньше или равен утроенной полной ширине
функции фильтра по Z, округлённой вверх до ближайшего целого;

размер контура по X (столбец Rx) меньше или равен утроенной полной ширине
функции фильтра по X, округлённой вверх до ближайшего целого.
Вы можете самостоятельно изменять эти и все другие фильтры (см. ниже).
6) Если это необходимо, можно произвести округление координат до целого миллиметра
по осям X и Y и до 0.5 мм по оси Z. Для этого необходимо вызвать макрокоманду
округления, нажав кнопку Округление на панели инструментов. Отменить эту операцию
невозможно, для возврата к неокруглённым значениям необходимо загрузить (и
подготовить) исходный файл заново. Следует отметить, что в процессе работы алгоритма
локализации и оконтуривания несплошностей округление производится автоматически по
окончании работы алгоритма. Пользоваться округлением до запуска обработки в этом
случае не рекомендуется, т.к. это может сказаться на результатах локализации и
определения типа несплошностей.
7) Чтобы просмотреть полученную информацию о несплошностях в графическом виде,
можно перейти на один из листов XZ, YX или YZ, или на лист График (все эти листы
находятся слева от текущего листа Data). На каждом из этих листов показана проекция
12
найденных при экспресс-голосовании точек локальных максимумов на соответствующую
плоскость. Диаметр кружка обозначает интенсивность в соответствующей точке (площадь
кружка пропорциональна интенсивности). Подчеркнем, что на всех диаграммах
отображаются только те точки, которые в данный момент выбраны фильтрами на листе
Data. Переход между листами удобно осуществлять с помощью клавиатуры: Ctrl+PgUp –
к предыдущему листу, Ctrl+PgDn – к следующему листу.
8) Изменение фильтров. Вы можете самостоятельно включать, отключать и изменять
критерии, по которым работают автофильтры (на листе Data). Для этого откройте список
вариантов фильтрации, нажав на стрелку рядом с заголовком соответствующего столбца
(например, столбца X, см. Рис. 3):
Рис. 3. Изменение автофильтра.
Первый вариант (Все) означает отсутствие фильтрации по значению данной переменной.
13
Второй вариант (Первые 10…) позволяет отфильтровать заданное количество (штук или
процентов) наибольших или наименьших элементов данного списка. В контексте
решаемых задач он не особенно интересен.
Начиная с четвёртой строки, перечислены все значения, которые принимает данная
переменная (т.е. которые встречаются в данном столбце). Выбор одного из значений
позволяет ограничиться только теми строками, для которых в рассматриваемом столбце
стоит именно указанное число.
Наибольший интерес представляет третий вариант (Условие…). Выбор этой строки
приводит к появлению формы задания условия:
Могут (не обязательно) одновременно использоваться два условия, объединённые по "И"
(требуется, чтобы оба выполнялись одновременно) или по "ИЛИ" (достаточно
выполнения одного из них). Левый список содержит возможные отношения:
14
Правый список содержит все значения, которые принимает соответствующая переменная:
Однако в это поле можно ввести и своё значение, которого нет в списке. Например, можно
установить условие "X больше или равно –1".
Подчеркнем, что условия, установленные в разных столбцах, складываются по "И", т.е.
должны выполняться одновременно.
Установив желаемые условия, Вы можете проверить, что получилось, взглянув на
диаграммы на остальных листах книги.
9) Добившись требуемого результата (отфильтровав только те точки, которые, по мнению
эксперта, относятся к несплошности), можно распечатать лист Data или скопировать его
фрагмент (не целый лист!) в другой файл. При этом будут распечатываться или
копироваться только отфильтрованные точки. Можно также записать всю книгу в файл.
Для этого рекомендуется нажать кнопку Сохранить на панели инструментов. При этом
по умолчанию будет предложено имя файла, соответствующее тому, которое имел
исходный протокольный (CSV) файл.
10) В случае, если работа идёт с результатом операции ВЛН, можно запустить алгоритм
локализации, оконтуривания и определения типа несплошностей. Этот алгоритм
осуществляет:

необходимую фильтрацию точек;
15

определение типа несплошности, основываясь на методике, представляющей собой
усовершенствованный и модифицированный вариант "Методики анализа и оценки
данных автоматизированного ультразвукового контроля системами серии "АВГУР"
(МЭ-АОД-2001)";

определение типа несплошности по новой системе признаков с использованием
нечёткой логики;

локализацию и оконтуривание найденных несплошностей с использованием
априорных соображений для трубопроводов типа ДУ-300;

локализацию и оконтуривание найденных несплошностей в общем виде без
использования априорных соображений, характерных для определённого типа
объекта.
Более подробно алгоритм описан в Главе 2. Для запуска алгоритма нажмите кнопку
Несплошности на панели инструментов. Перед этим следует предварительно задать в
ячейке J3 значение Z шва. Как правило, для объектов, отличных от ДУ-300, можно
ставить Z шва=Z трубы, т.е. копировать в ячейку J3 значение из ячейки I3. Введённое
значение используется только при обработке алгоритмом для ДУ-300.
11) По окончании работы алгоритма на экране появится сообщение об окончании
обработки. Активным оказывается лист График (несплошности), на который нанесены
контуры несплошностей, обнаруженных алгоритмом для ДУ-300. Помимо них, на графике
может присутствовать некоторое количество точек красного цвета, которые не вошли в
контура, обнаруженные программой, однако являются "подозрительными" и нуждаются
в обязательной проверке экспертом. Контуры несплошностей, обнаруженные общим
алгоритмом
(без
учёта
типа
объекта),
можно
видеть
на
листе
График (общие сглаженный).
Подробное описание алгоритма локализации несплошностей и определения их типа
приведено в Главе 2.
ВНИМАНИЕ!
Результаты
работы
программы
не
могут
служить
окончательным заключением о наличии и координатах несплошностей.
Окончательное решение должно приниматься экспертом на основании
заключения программы, изображения в системе "Авгур" или программе
Image Viewer, вида A-сканов и собственного опыта.
16
12) Помимо листа с графиком несплошностей, в книге после обработки отображаются
следующие листы:

Data. Это лист с исходными данными. В процессе работы данного макроса он не
изменяется.

Данные фильтрованные. На листе содержатся точки, оставшиеся после работы
фильтра на листе Data и алгоритма определения типа несплошности. В правой части
листа (столбцы с L по T) содержатся результаты определения наличия тех или иных
признаков для каждой точки. Более подробно эти результаты разъясняются в описании
алгоритма.
Обнаруженные контура локализации, удовлетворяющие признаку СЛ, маркируются
разными цветами, как на листе Данные фильтрованные, так и на расположенных в
нижней части листа диаграммах с тремя проекциями данных. То же происходит и на
последующих листах График (Ф), YZ (Ф), XZ (Ф) и YX (Ф) (эти листы скрыты). На
всех
диаграммах
отображаются
только
точки,
присутствующие
на
листе
Данные фильтрованные.
Для облегчения анализа данных, приводимых на трёх диаграммах, существует
следующая возможность. При двух последовательных щелчках мышью по какой-либо
точке данных на одной из диаграмм эта точка отмечается на всех трёх диаграммах
жирной красной (для красных точек – чёрной) границей. В таблице в верхней части
листа отмеченная точка выделяется жирным начертанием шрифта.
Подчеркнём, что для правильного использования этой возможности необходим не
один двойной щелчок мышью по точке данных на диаграмме (при этом вызывается
диалоговое окно формата объекта), а два отдельных щелчка (первый ставит фокус на
соответствующий ряд данных на соответствующей диаграмме, второй – выбирает
искомую точку). После того, как одна из точек выбрана, для выбора другой точки на
той же диаграмме достаточно одного щелчка, для выбора точки на другой диаграмме
снова потребуются два щелчка. При выборе другой точки, щелчке по любому другому
месту листа или переходе на другой лист все пометки с ранее отмеченной точки
снимаются.
Этот лист также содержит автофильтр, однако его изменение не приведёт к
повторному запуску алгоритма локализации несплошностей и определения их типа;
изменяются лишь четыре перечисленных выше листа с графиками. В случае
необходимости
изменить
фильтрацию
первоначальных
данных
рекомендуется
проделать это на листе Data, а затем повторно запустить обработку, нажав на кнопку
Несплошности. Результат обработки (как количество и локализация несплошностей,
17
так и их тип) при изменении фильтрации первоначальных данных могут также
измениться.

Диагностика. На этом листе протоколируются результаты определения типа
несплошностей обоими алгоритмами определения типа (по старой и по новой
системам признаков). В данной версии по новой системе признаков диагностируются
шесть типов несплошностей, названия которых перечислены в листе Диагностика,
строка 14. В столбце, соответствующем каждому из этих типов, могут присутствовать
по одной или несколько записей, соответствующих результатам анализа различных
пар контуров. Для каждой пары контуров и каждого типа несплошности проверяется
выполнение одного или нескольких признаков; каждый признак имеет свой вес,
зависящий от априори заданного начального значения, значения локального параметра
нечёткости для данного признака (оба этих значения "зашиты" в программу) и от
общего параметра "нечёткости" системы (ячейка Q3 на листе Data). Значение общего
параметра "нечёткости", равное 1, считается рекомендуемым. При установке этого
параметра в 0 все правила переходят к предельному случаю чёткой (булевой) логики.
В то же время, этому параметру может быть присвоено любое вещественное значение,
большее 0.

Несплошности. На этом листе приведены координаты точек, вошедших в контура
несплошностей, определённые по результатам работы программы для ДУ-300, и
подозрительных точек. Все эти точки нарисованы на графиках на листах
График (несплошности) и График (несглаженный верх). Значения цветовых кодов
ячеек и дополнительных столбцов справа от координат разъясняются в описании
алгоритма.

График (несглаженный верх). На этом листе приведены те же контура объединённых
несплошностей, что и на листе График (несплошности), однако без учёта
сглаживания верхнего контура (контур отображается в несглаженном виде). Об
алгоритме сглаживания верхнего контура можно прочитать в описании алгоритма.

Несплошности общие. На этом листе приведены координаты точек, вошедших в
контура несплошностей, определённые по результатам работы программы без учёта
специфики конкретных типов трубопроводов, и подозрительных точек. Все эти точки
нарисованы
на
графиках
на
листах
График (общие сглаженный)
и
График (общие несглаженный). Значения цветовых кодов ячеек и дополнительных
столбцов справа от координат разъясняются в описании алгоритма.

График (общие несглаженный).
На
этом
листе
приведены
те
же
контура
объединённых несплошностей, что и на листе График (общие сглаженный), однако
18
без учёта сглаживания верхнего контура (контур отображается в несглаженном виде).
Об алгоритме сглаживания верхнего контура можно прочитать в описании алгоритма.
13) На всех имеющихся в книге диаграммах могут отображаться линии маски в виде
чёрных жирных линий, если перед экспортом областей ВЛН из программы Image Viewer
на изображение была наложена маска. Если этого сделано не было, линии маски
отображаться не будут. Маска отображается в том же положении относительно
изображения, в каком она находилась в момент экспорта областей ВЛН. Перемещение
маски внутри Microsoft Excel невозможно.
14) Помимо листов, отображаемых по умолчанию после окончания обработки, в книге
имеются и другие листы, содержащие графики исходных и фильтрованных данных в
проекциях на разные плоскости, а также подробный протокол работы алгоритма. В случае
необходимости эти листы можно отобразить путём вызова соответствующего пункта
меню Microsoft Excel (Формат – Лист – Отобразить…).
15) Помимо просмотра проекций данных на разные плоскости (на графиках на разных
листах рабочей книги), есть возможность просмотра данных в виде трёхмерного графика.
Для этого необходимо перейти на желаемый лист книги (Data, Данные фильтрованные,
Несплошности или Несплошности общие) и нажать кнопку 3D График. При этом на
экране возникнет дополнительная форма с трёхмерным графиком, на который нанесены
точки текущего листа. При этом пользователь имеет следующие возможности:

Повернуть всю трёхмерную картину под произвольным углом. Для этого следует,
удерживая клавишу Ctrl, расположить курсор мыши на графике и нажать левую
кнопку мыши. Перемещая мышь, следует добиться желаемого угла зрения, а затем
отпустить кнопку мыши, после чего график будет перерисован с новым углом зрения.
Помимо этого, можно задать числовые значения угла поворота и угла наклона в
соответствующих полях. Можно также отобразить проекцию картины на одну из
координатных плоскостей, выбирая из списка Вид (в самом низу формы) вид B, C или
D.

Изменить тип меток: шар (по умолчанию) или круг.

Изменить размер меток. По умолчанию размер всех шариков одинаков, однако можно
установить, чтобы радиус, площадь или объём метки-шарика были пропорциональны
интенсивности отображаемой точки.
19

Изменить цвет меток. По умолчанию интенсивность всех отображаемых точек
закодирована цветом в соответствии с принадлежностью точек к тем или иным
выделенным на текущем графике контурам (особенно это удобно для листа Данные
фильтрованные). Можно установить рисование всех меток в цветовой гамме Авгур 4
или всех меток синим цветом.

Изменить проекцию отображения с перспективной (по умолчанию) на ортогональную.

Напечатать трёхмерный график так, как он выглядит в данный момент.

В случае изменения данных в текущем листе без закрытия графика, перерисовать
график.
16) Следует подчеркнуть, что заключительная стадия обработки включает в себя помимо
алгоритмов, общих для всех видов объектов, также алгоритмы, предназначенные только
для работы с данными ДУ-300. Поэтому результаты, получаемые на листах
Несплошности, График (несплошности) и График (несглаженный верх), справедливы
только для данных ДУ-300. Для работы с данными других типов сварных соединений
необходимо
пользоваться
Данные фильтрованные,
результатами,
полученными
Несплошности общие,
на
листах
График (общие сглаженный)
и
График (общие несглаженный).
17) В случае, если результат обработки не удовлетворяет пользователя, он может
изменить фильтры на листе Data и запустить обработку повторно. Можно также удалить
отдельные точки (например, "подозрительные" точки, помеченные на графиках красным)
путём
удаления
соответствующих
строк
на
листе
Несплошности
(на
листе
Несплошности общие), или наоборот, включить "подозрительные" точки в состав тех или
иных
контуров,
также
путём
редактирования
листа
Несплошности
(листа
Несплошности общие).
18) Добившись желаемого результата, можно записать весь файл на диск с помощью
кнопки Сохранить на панели инструментов. При этом по умолчанию будет предложено
имя файла, соответствующее тому, которое имел исходный протокольный (CSV) файл.
19) В случае, если пользователя интересует результат обработки без учёта специфики типа
сварного соединения, и полученный результат его полностью удовлетворяет, можно
воспользоваться автоматической генерацией протокола, нажав на панели инструментов
кнопку Протокол. При этом пользователю будет задан вопрос, сглаженные или
20
несглаженные верхние точки использовать. Затем вся необходимая информация будет
перенесена из листа Несплошности общие в новую книгу, в которую предварительно
будет загружен шаблон протокола контроля сварного соединения. Координаты
несплошности окажутся вписанными в шаблон протокола; пользователю останется только
исправить информацию в ячейках, помеченных жёлтым цветом (местонахождение и
номер шва, тип трубопровода, параметры сварного соединения, фамилию эксперта и т.п.).
20) В случае, если обрабатывались данные ДУ-300, и полученный результат полностью
удовлетворяет
пользователя,
можно
воспользоваться
автоматической
генерацией
протокола, нажав на панели инструментов кнопку Протокол ДУ-300. При этом
пользователю будет задан вопрос, сглаженные или несглаженные верхние точки
использовать. Затем вся необходимая информация будет перенесена из листа
Несплошности в новую книгу, в которую предварительно будет загружен шаблон
протокола контроля сварного соединения ДУ-300. Координаты несплошности окажутся
вписанными в шаблон протокола; пользователю останется только исправить информацию
в ячейках, помеченных жёлтым цветом (местонахождение и номер шва, параметры
сварного соединения, фамилию эксперта и т.п.).
21) Нажав кнопку О программе на панели инструментов, можно узнать номер
установленной версии программной библиотеки Visualize.xla. Помимо этого, данную
кнопку следует использовать в случаях, если в результате сбоя программы какие-либо из
кнопок на панели инструментов окажутся запрещёнными – при нажатии на кнопку
О программе возможность нажатия на все остальные кнопки панели инструментов будет
восстановлена. Об обнаруженном сбое следует сообщить разработчику, предоставив ему
файл данных и описание последовательности действий, при которых происходит сбой.
21
Глава 2. Описание алгоритма локализации и
оконтуривания несплошностей и определения их типа
по файлам изображений системы АВГУР
Версия алгоритма 4.0.4 от 9 июля 2007 г.
Терминология:
Контур – двумерный объект в одном В-срезе.
Характеризуется координатами соответствующего ему максимума и размерами по Z и по
X.
3D-контур – трёхмерный объект, состоит из совокупности контуров, находящихся в
смежных B-срезах.
Длинный 3D-контур или СЛ-контур – 3D-контур, имеющий длину не менее 4 срезов.
Алгоритм
1. Информация о маске (если таковая имеется) перемещается с листа Data на лист Mask
(проделывается на этапе подготовки).
2. Для каждого максимума (каждой строки) рассчитываются размеры контура
локализации несплошности по Z и по X (выполняется на этапе подготовки).
3. На листе Data включаются автофильтры (выполняется на этапе подготовки):

По амплитуде – оставляются точки с амплитудой, превышающей уровень шума
(ячейка P3), округлённый до целого числа вверх;

По координате Z – оставляются точки с Z ≥ 3 мм;

По координатам X и Z оставляются точки с размерами контура (Rx и Rz) меньше
утроенной
полной
ширины
функции
фильтра
(т.е.
достаточно
хорошо
сфокусированные).
4. Фильтрованные данные копируются с листа Data на лист Данные фильтрованные.
5. Производится проверка наличия в строке 3 на листе Data всех параметров,
необходимых для обработки.
В зависимости от номера версии формата файла ВЛН, некоторые из этих параметров
могут отсутствовать, и потребуется их введение в соответствующие ячейки вручную.
6. Производится проверка вложенности контуров.
22
В некоторых предыдущих версиях алгоритма, если один контур был вложен внутрь
другого, то меньший контур заменялся на больший, при этом координаты максимумов для
обоих контуров не изменялись. В данной версии алгоритма размеры контуров не
изменяются, однако информация об обнаруженном вложении контуров записывается на
лист протокола.
Далее производится проверка признаков старой системы признаков (пп.7-21) (см.
Приложение 1).
7. Производится проверка признака А1.
7.1. Превышение контрольного уровня не проверяется, т.к. считается, что это делается
посредством фильтрации по амплитуде сигнала с помощью автофильтра на листе
Data.
7.2. Проверяется, чтобы размер каждого контура был не менее 50% размера элемента
разрешения (по X и по Z). Все контуры, не удовлетворяющие этому условию,
помечаются как кандидаты на удаление, а соответствующие им строки изменяют
цвет шрифта на красный. (Вообще говоря, если в процессе исходной обработки
изображения с помощью программы Image Viewer производилась фильтрация
изображения с правильной функцией фильтра (соответствующей элементу
разрешения), то такого быть не должно.)
7.3. Если после этого не останется ни одного контура, то делается вывод о том, что
несплошность не обнаружена (в данной версии алгоритма контура не удаляются,
а лишь помечаются как кандидаты на удаление, и этого никогда не происходит).
8. Производится поиск контуров в соседних плоскостях, координаты максимумов для
которых отличаются меньше, чем на половину элемента разрешения по X и по Z. Все
такие 3D-контура, состоящие из совокупностей двух и более контуров в соседних
плоскостях, перенумеровываются в столбце "3D".
9. Производится объединение контуров и 3D-контуров, если выполняются следующие
условия:
9.1. Расстояние между максимумами, соответствующими концам рассматриваемых
контуров по оси Y, по X и по Z меньше половины элемента разрешения,
умноженной на коэффициент, пропорциональный расстоянию между этими
максимумами по Y. Коэффициент пропорциональности P_coeff задаётся в ячейке
K3 листа Data и по умолчанию равен 0.5.
23
9.2. Расстояние между ними по Y меньше длины меньшего из двух рассматриваемых
3D-контуров, или меньше 4 (пропущены 1 или 2 слоя).
Объединённые 3D-контура перенумеровываются в столбце "ОК".
10. Производится
проверка
всех
контуров,
не
вошедших
в
3D-контура,
на
подтверждение в соседних слоях по следующей схеме:
o Контур A считается подтверждённым в слое B, если в слое B найдётся максимум,
удалённый от максимума контура A по X и по Z не более чем на половину
элемента разрешения. Если ни в одном из четырёх соседних слоёв (по 2 в каждую
сторону) контур A не подтверждается, но во всех этих четырёх соседних слоях есть
другие контура (что говорит о том, что нет потери контакта), то он помечается как
кандидат на удаление, а соответствующая ему строка изменяет цвет шрифта на
синий.
o Если после этого не останется ни одного контура, то делается вывод о том, что
несплошность не обнаружена (в данной версии алгоритма контура не удаляются, а
лишь помечаются как кандидаты на удаление, и этого никогда не происходит).
11. Производится проверка признака ЭЛ.
11.1.
Убеждаемся, что в каждом B-срезе не более одного контура. Если
обнаруживается B-срез, в котором два или более контуров, то в соответствующих
строках столбца "ЭЛ" ставятся минусы, а дальнейшая проверка этого признака
прекращается.
11.2.
Для каждого контура проверяется выполнение условия, что его размеры по
Z и по X не превышают элемента разрешения более, чем на 100% (то, что они не
менее 50%, уже проверено в п.7.2). Проверка идёт сверху вниз, для всех контуров,
для которых условие выполнено, в столбце "ЭЛ" ставится плюс. Если
обнаруживается
контур,
для
которого
это
условие
нарушено,
то
в
соответствующей ему строке в столбце "ЭЛ" ставится минус, и дальнейшая
проверка этого признака прекращается.
11.3.
Для каждого контура проверяется выполнение условия, что он не
принадлежит ни одному 3D-контуру длиной 4 или больше. Если это условие
нарушено, то в столбце "ЭЛ" ставится минус, и дальнейшая проверка этого
признака прекращается. (Реально это означает, что вместо признака ЭЛ будет
зафиксирован, по крайней мере, признак СЛ.)
11.4.
Если условию удовлетворили все контура, то делается вывод о том, что
несплошность непротяжённого типа.
24
12. Производится проверка признака ГР.
12.1.
Производится проверка того, что хотя бы в одном B-срезе имеется более
одного контура. Если это не так, то признак считается несостоявшимся, проверка
контуров не производится.
12.2.
Проверяются все контура. Каждый из них должен не превышать размеров
элемента разрешения более чем на 100% по X и Z. Помимо этого, проверяется,
выполнение условия, что контур не принадлежит ни одному длинному 3D-контуру
(длиной 4 или больше). Если контур удовлетворяет этим условиям, то в
соответствующей строке столбца "ГР" ставится плюс; если нет – ставится минус, и
дальнейшая проверка этого признака прекращается.
12.3.
Если все строки оказались удовлетворяющими признаку ГР, то он считается
состоявшимся, и делается вывод о том, что имеется скопление непротяжённых
несплошностей.
13. Производится проверка признака СЛ.
13.1.
Среди перенумерованных в п.9 (столбец "ОК") 3D-контуров отыскиваются
те, длина которых превышает 3. Все такие длинные 3D-контура обозначаются
разными цветовыми кодами (первые 10) в столбце "СЛ".
13.2.
Если ни одного длинного 3D-контура не найдено, то считается, что признак
СЛ не зафиксирован. Если найден хотя бы один длинный 3D-контур, то признак
считается зафиксированным, и подсчитывается количество длинных 3D-контуров
(далее будем называть их СЛ-контурами).
14. Производится проверка признака НТ.
14.1.
Проверяются все 3D-контура, удовлетворяющие признаку СЛ, т.е длинные
3D-контура.
14.2.
Для каждой точки такого 3D-контура проверяется, достаточно ли он тонкий,
т.е. что размеры контура в плоскости XZ не превышают размера элемента
разрешения по X и Z более чем на 100%. Если для данного контура это условие
выполнено, в соответствующей строке столбца "НТ" ставится плюс; если не
выполнено – ставится минус.
14.3.
Подсчитывается количество 3D-контуров, для которых условие п.14.2
выполнено для всех точек (во всех плоскостях). Если таких контуров нет, то
признак НТ считается не состоявшимся. Если такие контура есть, то признак
считается состоявшимся, подсчитывается количество нитевидных контуров, и
делается вывод о том, что несплошность нитевидного типа.
25
15. Производится проверка признака ЦП.
15.1.
Проверяются все пары 3D-контуров, удовлетворяющие признаку НТ. Если
противоположные концы двух контуров (начало одного и конец другого) имеют
одинаковые координаты по X и Z (с точностью до половины элемента
разрешения), а расстояние между ними больше, чем размер по оси Y меньшего из
двух этих контуров, то считается, что они образуют цепь. В процессе такой
проверки может выясниться, что один из контуров уже принадлежит какой-то
цепи, тогда второй будет также отнесён к этой цепи. Принадлежность контура к
той
или
иной
цепи обозначается простановкой
номера цепи
во всех
соответствующих этому контуру строках столбца "ЦП".
15.2.
Если ни одной цепи не обнаружено, признак ЦП считается не
состоявшимся.
Если
цепи
есть,
то
признак
считается
состоявшимся,
подсчитывается количество цепей, и делается вывод о том, что имеется цепь
несплошностей.
16. Производится проверка признака МЭ.
Признак считается состоявшимся, если удаётся найти плоскость, имеющую более двух
контуров, не принадлежащих протяжённым несплошностям СЛ. Такие контура
(строки) помечаются знаком плюс в столбце "МЭ"; при этом признак МЭ считается
состоявшимся, и фиксируется многоэлементная несплошность.
17. Производится поиск плоскостной несплошности (ПЛ).
Производится проверка всех пар длинных 3D-контуров. Несплошность считается
плоскостной, если найдётся пара длинных контуров, удовлетворяющих следующим
требованиям:
17.1. Количество B-срезов, в которых наблюдаются контура, принадлежащие обоим
рассматриваемым 3D-контурам ("перекрытие" 3D-контуров), не менее 4.
17.2. На
каждом
B-срезе
угол
между
прямой,
соединяющей
максимумы
соответствующих контуров, и осью Z составляет не более 45 градусов.
Измеренные в каждой плоскости углы отображаются в столбце "Углы в
плоскостях, град". Например, запись "1:1.91" в строке, принадлежащей контуру
№2, означает, что в данной плоскости (для данного значения Y) угол между
прямой, соединяющей максимум контура №2 с максимумом контура №1, и осью Z
составляет 1.91 градуса. Симметричная запись "2:1.91" будет присутствовать в
строке, соответствующей тому же значению Y для контура №1. Если в данной
плоскости (для данного Y) имеются более двух длинных контуров, в ячейке
26
столбца "Углы в плоскостях, град" будут присутствовать значения углов для всех
пар контуров. Например, запись "1:1.91 3:17.2" в строке, соответствующей
контуру №2, будет означать, что в данной плоскости угол между прямой,
соединяющей максимум контура №2 с максимумом контура №1, и осью Z
составляет 1.91 градуса; а угол между прямой, соединяющей максимум контура
№2 с максимумом контура №3, и осью Z составляет 17.2 градуса.
17.3. После построения регрессионной прямой в трёх измерениях через все максимумы
каждого из двух 3D-контуров, угол между такими прямыми не превышает 20
градусов. В данной реализации алгоритма этот признак не учитывается, а угол
между прямыми выводится в столбце "ПЛ, Угол, град" в случае выполнения
признаков 17.1 и 17.2. При этом используется та же запись, что и в п.17.2, однако
угол выписывается один раз для каждого контура, в строках, соответствующих
началам соответствующих контуров.
Если плоскостные несплошности обнаруживаются, количество таких несплошностей
подсчитывается.
18. (Используется только для ДУ-300).
Для каждого из длинных 3D-контуров определяется, может ли он относиться к "верху"
объединённой несплошности, к её "низу", или либо к тому, либо к другому. Если все
точки данного длинного 3D-контура имеют координату Z, удовлетворяющую неравенству
Zшва – 1 мм  Z  Zтрубы,
контур
считается
относящимся
к
"низу"
объединённой
несплошности. Если все точки данного длинного 3D-контура имеют координату Z,
удовлетворяющую неравенству Z < Zшва – 1 мм, контур считается относящимся к "верху"
объединённой несплошности. Если часть точек данного контура удовлетворяют одному
неравенству, а часть – другому, считается, что контур может относиться как к "низу", так
и к "верху" объединённой несплошности ("смешанный" тип). (Это не совсем правильная
ситуация, которая может приводить к странным на первый взгляд выводам; скорее всего,
она свидетельствует о неправильном значении Z шва.) Сделанные выводы фиксируются в
столбце ТипКонт листа Несплошности (в соответствующих строках записывается слово
"верх", "низ", "см/верх" или "см/низ").
19. Производится объединение длинных 3D-контуров (удовлетворяющих признаку СЛ)
в объединённые несплошности по следующим критериям. Произвольные два контура
имеют четыре границы, причём, если контура перекрываются, две из них (не
обязательно принадлежащие одному контуру) всегда лежат между границами другого
контура ("между" понимается в смысле нестрогого неравенства). Назовём такие
27
границы внутренними. Контура считаются принадлежащими одной объединённой
несплошности, если перекрытие этих контуров, понимаемое как количество B-срезов
от одной внутренней границы до другой, составляет не менее 3 (по сравнению с
критерием п.17.1 это требование является гораздо более мягким). Помимо этого,
проверяется, чтобы ни в одном из B-срезов угол между прямой, соединяющей точки
двух рассматриваемых контуров, и осью Z (по п.17.2) не превышал 45 градусов (в
противном случае такие контура не объединяются). Такое объединение контуров в
несплошности применяется рекурсивно, так что в результате одну объединённую
несплошность могут составить несколько исходных длинных 3D-контуров. Найденные
таким образом объединённые несплошности перенумеровываются в столбце Неспл.
Внимание! Если какой-либо контур не перекрывается ни с каким другим
контуром, в данной версии алгоритма он будет отнесён к отдельной объединённой
несплошности, независимо от того, имеет ли он для ДУ-300 тип "верх", "низ" или
смешанный.
20. Если не состоялся ни один из признаков, фиксируется несплошность неопределённого
типа.
21. Общая итоговая диагностика типа несплошности по старой системе признаков
записывается в лист Диагностика.
22. На
листе
Данные фильтрованные
включается
автофильтр,
позволяющий
отфильтровывать точки по любому из признаков.
23. На всех четырёх графиках с фильтрованными данными производится раскраска точек
в соответствии с цветовыми кодами в столбце СЛ. (Следует отметить, что из-за
особенностей реализации графиков в Excel, при изменении параметров автофильтра на
листе Данные фильтрованные цветовые коды точек на графиках перестают
соответствовать длинным контурам, обнаруженным при определении признака СЛ.)
Точки, соответствующие контурам, помеченным как кандидаты на удаление, на
графиках на листе Данные фильтрованные и на листах с графиками XZ(Ф), YZ(Ф) и
YX(Ф) будут белыми с цветной штриховкой, с направлением штрихов слева-снизу
направо-вверх (если они были помечены на этапе алгоритма п.7.2) или слева-сверху
направо-вниз (если они были помечены на этапе алгоритма п.10). Цвет штриховки
будет определяться цветовым кодом в столбце СЛ. На листе График(Ф) все точкикандидаты на удаление (помеченные в любом из двух указанных случаев) будут иметь
цветной контур и белую сердцевину.
24. Полученные однозначные контура выписываются на отдельный лист Несплошности.
28
25. Лист Несплошности копируется под именем Несплошности общие для последующей
обработки, не использующей априорной информации о типе сварного соединения.
26. (Только для ДУ-300.) Точки, не вошедшие в объединённые несплошности и лежащие
ниже выявленных контуров, удаляются.
Обработка п.п.27-32 не использует априорной информации о типе сварного
соединения.
27. На листе Несплошности общие оставляется только по две не подозрительные точки
для каждого Y: самая верхняя и самая нижняя, независимо от абсолютных значений
координат. Если разность координат верхней и нижней точки при этом менее 2 мм, то
оставляется только верхняя.
28. Точки размечаются как верхние, нижние или смешанные (точка считается смешанной,
если для данного Y она одна). Смешанные точки дублируются и помечаются одна как
"Верх/смеш", другая как "Низ/смеш". При этом размеры несплошности могут быть
оценены с избытком. (Альтернатива – можно сделать верхнее/нижнее отнесение для
каждого СЛ-контура, как это сделано для ДУ-300 (см.ниже)).
29. Для верхних и для нижних точек по отдельности производится сглаживание по
следующему алгоритму:
29.1.
Верхняя
следующим
часть
образом.
принадлежащие
каждой
Для
верхней
объединённой
каждой
части
той
точки
же
несплошности
рассматриваются
объединённой
сглаживается
её
соседи,
несплошности
и
расположенные в пределах расстояния плюс-минус два слоя по Y от
рассматриваемой точки (таких соседей не более 4). Значение координаты Z для
рассматриваемой точки устанавливается равным минимальному значению Z среди
этой точки и её соседей.
29.2.
Нижняя
следующим
часть
образом.
принадлежащие
каждой
Для
нижней
объединённой
каждой
части
той
точки
же
несплошности
рассматриваются
объединённой
сглаживается
её
соседи,
несплошности
и
расположенные в пределах расстояния плюс-минус два слоя по Y от
рассматриваемой точки (таких соседей не более 4). Значение координаты Z для
рассматриваемой точки устанавливается равным максимальному значению Z
среди этой точки и её соседей.
29
30. Полученные объединённые несплошности без учёта сглаживания верхней части по
п.29.1 рисуются на листе График (общие несглаженный).
31. На тот же график наносятся в виде красных кружков отдельные точки, не вошедшие в
объединённые несплошности.
32. Лист
График (общие несглаженный)
дублируется
под
именем
График (общие сглаженный). На новом листе для рисования каждой объединённой
несплошности используются данные, полученные при сглаживании по п. 29.
Обработка п.п. 33-37 использует априорную информацию о характерных признаках
сварного соединения типа ДУ-300.
33. На данном этапе используются результаты разделения длинных 3D-контуров на
"верхние", "нижние" и "смешанные" (п.18). На листе Несплошности для каждой из
полученных объединённых несплошностей в каждом из B-срезов оставляется по одной
"верхней" и одной "нижней" точке, причём среди "нижних" точек оставляется точка с
максимальным значением Z, а среди "верхних" – с минимальным. "Смешанные"
контура по п.18 могут на этом этапе быть отнесены как к "верхним", так и к "нижним",
при этом учитываются соответственно только "верхние" или только "нижние" точки
смешанных контуров. Предполагается, что, как правило, смешанный контур является
результатом нестандартного отражения, и окончательная принадлежность точек этого
контура должна устанавливаться экспертом.
34. Для верхних и для нижних точек по отдельности производится сглаживание по
следующему алгоритму:
34.1.
Верхняя
следующим
часть
образом.
принадлежащие
каждой
Для
верхней
объединённой
каждой
части
той
точки
же
несплошности
рассматриваются
объединённой
сглаживается
её
соседи,
несплошности
и
расположенные в пределах расстояния плюс-минус два слоя по Y от
рассматриваемой точки (таких соседей не более 4). Значение координаты Z для
рассматриваемой точки устанавливается равным минимальному значению Z среди
этой точки и её соседей.
34.2.
Нижняя
следующим
часть
образом.
принадлежащие
каждой
Для
нижней
объединённой
каждой
части
той
точки
же
несплошности
рассматриваются
объединённой
сглаживается
её
соседи,
несплошности
и
расположенные в пределах расстояния плюс-минус два слоя по Y от
30
рассматриваемой точки (таких соседей не более 4). Значение координаты Z для
рассматриваемой точки устанавливается равным максимальному значению Z
среди этой точки и её соседей.
34.3.
Для всех "нижних" точек с координатой Z, лежащей в диапазоне от
Zшва + 0.5 мм до Zшва + 2 мм или в диапазоне от Zшва - 1 мм до Zшва устанавливается
Z = Zшва.
35. Полученные объединённые несплошности без учёта сглаживания верхней части по
п.34.1 рисуются на листе График (несглаженный верх).
36. На тот же график наносятся в виде красных кружков отдельные точки, не вошедшие в
объединённые
несплошности
и
лежащие
выше
выявленных
контуров,
или
обнаруженные в плоскостях по Y, где для зафиксированных контуров не выявлено ни
одной точки.
37. Лист
График (несглаженный верх)
дублируется
под
именем
График
(несплошности). На новом листе для рисования каждой объединённой несплошности
используются данные, полученные при сглаживании её верхней части по п.34.1.
38. На листе Data включается точность отображения координат 0.1 мм. На листе
Данные фильтрованные включается точность отображения координат 0.1 мм по Y и
Z и 1 мм по X. На листах Несплошности и Несплошности общие производится
округление координат до 1 мм по X и Y и до 0.5 мм по Z. Таким образом, на графиках
на
листах
График (несглаженный верх),
График (несплошности),
График
(общие сглаженный) и График (общие несглаженный) отображаются округлённые
значения, а на всех остальных графиках в книге – неокруглённые.
39. На всех графиках в книге отображаются линии маски, если информация о маске
присутствовала в исходном CSV-файле с данными об областях ВЛН.
Определение признаков дефектов с использованием нечёткой логики
(по новой системе признаков, см. Приложение 2).
Краткое введение в некоторые понятия нечёткой логики приведено в Приложении 3.
Порядок обработки выглядит следующим образом.
1. Рассматриваются 16 признаков наличия несплошности. Часть из этих признаков
устанавливаются по одному СЛ-контуру, часть – по двум.
2. Рассматриваются все зафиксированные СЛ-контура и отдельно все пары таких
СЛ-контуров. Для каждого контура проверяется выполнение всех признаков,
31
дающих заключение по одному контуру; для каждой пары – выполнение всех
признаков, дающих заключение по паре контуров.
3. Условия выполнения всех признаков являются размытыми (нечёткими). Общая
"степень нечёткости" всей обработки характеризуется параметром Fuzziness,
задаваемым до начала обработки в ячейке Q3 листа Data. По умолчанию
значение этого параметра равно 1. Уменьшение этого параметра ведёт к
уменьшению "степени нечёткости" принятия решений; при обращении этого
параметра в 0 нечёткая логика отключается, а каждый из признаков
характеризуется степенью выполнения 0 или 1 (булева логика). В случае если
параметр
Fuzziness
отличен
от
0,
каждый
признак
характеризуется
вещественной степенью выполнения в диапазоне от 0 до 1. Степень нечёткости
вычисления каждого признака можно регулировать отдельно путём изменения
соответствующих констант внутри программы. На данном этапе пользователю
делать это не рекомендуется.
4. В данной версии алгоритма рассматриваются 6 типов несплошности:
1) трещина, 2) несплавление, 3) непровар по кромке сверху, 4) непровар корня,
5) вогнутость корня, 6) выпуклость корня. Для каждого из этих типов экспертом
был задан весовой коэффициент каждого из признаков. Оценка уверенности
алгоритма в принадлежности данного дефекта (несплошности) к тому или
иному типу формируется
путём
взвешенного
суммирования
степеней
выполнения соответствующих этому типу несплошности признаков.
5. В данной версии алгоритма такая оценка производится отдельно для каждой
пары контуров. В случае, если оценка степени уверенности алгоритма в
принадлежности данного дефекта к данному типу несплошности оказывается
больше или равна 0.7, информация об этом выписывается на листе
Диагностика в соответствующем столбце. Например, запись вида W(3,7)=0.94 в
столбце D (под заголовком Непровар по кромке сверху) означает, что по
результатам анализа пары СЛ-контуров с номерами 3 и 7 взвешенная сумма
признаков, участвующих в описании дефекта Непровар по кромке сверху,
составила 0.94. Отметим, что полученная оценка степени уверенности может
превышать единицу (доходит до 2).
6. По-видимому, для получения адекватной окончательной оценки уверенности
алгоритма в принадлежности несплошности к тому или иному типу необходимо
из оценок в каждом столбце выбрать наибольшую. Однако на данной стадии
развития
нового
алгоритма
классификации
на
лист
Диагностика
32
выписываются все оценки, превышающие 0.7, что может помочь эксперту
упростить отладку алгоритма без обращения к листу Протокол обработки.
На листе Протокол обработки выдаётся подробный пошаговый протокол работы всего
алгоритма с обоснованием тех или иных действий. По окончании обработки этот лист
оказывается скрыт.
Часть упоминаемых выше листов по окончании обработки также оказываются скрытыми.
Отобразить их снова можно из меню Microsoft Excel (Формат – Лист – Отобразить…).
33
Приложение 1. "Старая" система признаков
Данная система признаков разработана в НПЦ НК "Эхо+" в 2001 году и подробно
описана в документе "Методика анализа и оценки данных автоматизированного
ультразвукового контроля системами серии "АВГУР" МЭ-АОД-2001". Коротко приведём
здесь описание основных использованных нами признаков из этой методики и их
значения.
Признак A1. Признак наличия несплошности. Для фиксации признака A1
необходимо
одновременное
соблюдение
следующих
условий:
1)
Максимальная
амплитуда в B-слое превышает первый контрольный уровень; 2) Размер контура пятна
изображения, в котором замечено превышение первого контрольного уровня (контура
локализации несплошности), не должны быть меньше размеров элемента разрешения во
всех направлениях (Ex, Ey и Ez) с точностью 30%. Контур пятна определяется по уровню
отсечки, соответствующему 50% от локального максимума пятна.
Признак ЭЛ. Изображения несплошности не более элемента разрешения. Этот
признак применяется для изображений, имеющих не более одного контура локализации в
B-срезах изображения. Если контур локализации несплошности с точностью до 30%
представляет собой только один элемент разрешения во всех направлениях, то признак
считается состоявшимся.
Признак СЛ. Неизменность координат несплошности от слоя к слою. Признак
фиксируется для несплошности, изображение которой мало меняется от слоя к слою. Это
означает,
что
координаты
максимумов
контуров
локализации
несплошности,
наблюдаемых в соседних слоях, не изменяются более чем на половину размера элемента
разрешения.
Признак НТ. Нитевидное изображение несплошности. Размер контура локализации
несплошности: 1) в некогерентном направлении (размер в плоскости YZ) превышает 2
размера элемента разрешения в некогерентном направлении; 2) в плоскости когерентного
сканирования (XZ) не превышают более чем на 30% величины элемента разрешения.
Признак ЦП. Цепь. Признак фиксируется для изображения несплошности, у
которого контура локализации представляют собой несколько контуров,
удовлетворяющих признаку НТ, имеющих одинаковые координаты в плоскости
когерентной обработки XZ. Расстояние по оси Y между ближними границами контуров
должно быть меньше, чем размер по оси Y наименьшего из двух соседних контуров.
Признак ГР. Группа. Этот признак применяется для изображений, имеющих
несколько контуров локализации в B-срезах изображения. Если все рассматриваемые
34
контура локализации несплошностей не превышают размеров элемента разрешения более
чем на 30%, то для данного изображения фиксируется этот признак.
Признак МЭ. Многоэлементность изображения. Изображение несплошности в Bслое представляет собой совокупность более двух контуров локализации несплошности,
не являющихся зеркальными по отношению друг к другу.
Более точное описание того, как реализован поиск каждого из признаков, и как на
основании найденных признаков формируется диагностика по "старой" системе, можно
найти выше в пп.7-21.
35
Приложение 2. Новая система признаков
Новая система признаков предложена В.Г.Бадаляном на основании обширного
опыта работы с несплошностями разных типов. Следует отметить, что веса признаков
установлены из общих соображений и могут нуждаться в корректировке. Помеченное
синим курсивом пока не реализовано.
Характер
несплошности
Трещина
Несплавление
Несплавление по
кромке сверху
(от валика
усиления)
Признак
Вес
Примечание
Если пятна принадлежат плоскости
0, 6
дефекта, но не являются его верхом или
низом, причем принадлежат одному из
контуров, но с «промежуточной»
глубиной – это 100% трещина
Совокупность «пятен» - контуров,
0,7 Контура по Z
могут являться ее верхом или низом
должны
когда они компланарны
отличаться не
менее, чем на
размеры пятна по
Z
Если трещина высокая (0.5 толщины
0,6 Когда же тень есть
трубы), то нет пятен за ней (по линии
– то 100% трещина,
облучения), связанных с шумами.
Чаще всего
вершина ее
наблюдается на
отраженном луче
Амплитуда сигнал/шум > 3
0.1
Наблюдается, в основном, и на прямом, 0,5
и на отраженных (ниже Zтрубы) лучах
на одной координате Х
В D – изображении (YZ) не меняет
0,4
существенно (не более, чем на 30%)
своей высоты
Может иметь верхний и нижний концы 0,6
Амплитуда сигнал/шум >= 3
0,1
Виден только на отраженном луче.
0,6
Пятна находятся в верхней половине
0,3 После отражения
сечения шва
изображения
Если пятна принадлежат плоскости
0,5
дефекта, но не являются его верхом или
низом, причем принадлежат одному из
контуров, но с «промежуточной»
глубиной
В D – изображении не меняет
0,4
существенно своей высоты
Пятна лежат по линии разделки (т.е.
0,5
попадает на линию маски с точностью
до целого элемента разрешения).
Амплитуда сигнал/шум > 3
0,1
36
Непровар (корня)
Вогнутость корня
Выпуклость корня
Объемный дефект
(типа шлаковое
включение)
Виден на прямом и дважды
отраженном луче (всегда, когда
толщина достаточно малая).
Амплитуда сигнал/шум > 5.
Изображение мало меняется от слоя к
слою (при изменении Y).
В области корня (вблизи Z трубы, по X
вблизи корня маски) видны пятна (2
шт.) центры которых лежат на прямой,
перпендикулярной линии облучения.
Пятна хорошо сфокусированы
Видны пятна в области корня, близко
(2-3 своих размера) расположенные 3 -4
шт. по линии прозвучивания.
Пятна хорошо сфокусированы.
Амплитуда пятен – небольшая
(сигнал/шум ~ 3 – 5).
Пятна не расположены в одной
плоскости, в проекционном В-сечении
занимают область по Х размерами
большими N* размеры пятна (N больше
2), по X и Z расположены компактно
Амплитуда пятен – небольшая
(сигнал/шум ~ 3 – 5).
0,6
0,3
0.3
0,4
0,4
0,4
0,4
0,1
0,6
0,1
Таким образом, на настоящий момент реализовано определение следующих 16
признаков:
1. Если пятна принадлежат плоскости дефекта, но не являются его верхом или
низом, причем принадлежат одному из контуров, но с "промежуточной"
глубиной.
2. В "D" - изображении (YZ) не меняет существенно (не более, чем на 30%) своей
высоты.
3. Изображение мало меняется от слоя к слою (при изменении Y).
4. Амплитуда сигнал/шум > 3.
5. Амплитуда сигнал/шум > 5.
6. Наблюдается, в основном, и на прямом, и на отраженных лучах на одной
координате Х (с точностью до половины элемента разрешения).
7. Виден только на отраженном луче.
8. Виден на прямом и дважды отраженном луче.
9. Пятна находятся в верхней половине сечения шва (глубина не превышает
половины Zтрубы).
10. Может иметь верхний и нижний концы.
11. Амплитуда пятен - небольшая (сигнал/шум ~ 3 - 5).
37
12. Пятна хорошо сфокусированы.
13. Пятна лежат по линии разделки (т.е. попадает на линию маски с точностью до
целого элемента разрешения).
14. Если трещина высокая (0.5 толщины трубы), то нет пятен за ней (по линии
облучения), связанных с шумами.
15. В области корня (вблизи Z трубы, по X вблизи корня маски) видны пятна (2
шт.) центры которых лежат на прямой, перпендикулярной линии облучения.
16. Видны пятна в области корня, близко (2-3 своих размера) расположенные 3-4
шт. по линии прозвучивания.
38
Приложение 3. Некоторые понятия нечёткой логики
и её использование в рассматриваемом алгоритме
Традиционная, или Булева логика, предполагает, что ответ на вопрос о
принадлежности элемента тому или иному множеству может быть положительным
(элемент принадлежит множеству) или отрицательным (не принадлежит). Применительно
к рассматриваемой задаче это означает, что каждый из признаков может либо состояться,
либо не состояться. Соответственно, данный признак получает либо нулевой вес (если он
состоялся), либо максимальный вес, указанный в Таблице в Приложении 2. Далее, для
каждого
характера
несплошности
веса
всех
соответствующих
ему
признаков
суммируются. Если получившаяся сумма больше или равна 0.7, то считается, что вероятно
существование на рассматриваемом изображении несплошности соответствующего типа,
причём полученный суммарный вес признаков для данного типа несплошности
пропорционален оценке "уверенности" алгоритма в присутствии несплошности данного
типа (чем больше суммарный вес, тем выше уверенность).
Нечёткая логика, в отличие от традиционной, переходит от бинарного
представления о принадлежности элемента к множеству к понятию т.н. функции
принадлежности, изменяющейся в непрерывном диапазоне от 0 до 1. Например, в
терминах
традиционной
логики
принять
решение
о
принадлежности
бутылки,
заполненной жидкостью наполовину, к множеству пустых бутылок или к множеству
полных бутылок затруднительно. Единственный выход состоит во введении порогового
уровня жидкости, при превышении которого бутылка будет считаться полной, и
(возможно, другого) уровня, при жидкости ниже которого бутылка будет считаться
пустой. Очевидный недостаток такого подхода состоит в том, что небольшое изменение
уровня жидкости может приводить к резкому изменению принадлежности.
Введём вместо этого функцию принадлежности бутылки к множеству полных
бутылок, численно равную отношению текущего объёма (или уровня) жидкости в бутылке
к максимальному объёму (уровню). Тогда полностью заполненная бутылка будет иметь
функцию принадлежности, равную 1, совсем пустая – равную 0, а заполненная
наполовину – функцию принадлежности, равную 0.5. Ясно, что такая функция позволяет
гораздо более адекватно оценить состояние данного объекта (бутылки).
Аналогичным образом можно рассматривать выполнение или невыполнение в
нашем случае того или иного признака. Рассмотрим, например, признак 4 (амплитуда
отношения сигнал/шум A больше 3). В случае бинарной логики при значении амплитуды
2,99 признак не реализуется, и вес этого признака не учитывается, а при значении A=3,01
39
признак считается полностью реализованным, и его вес учитывается полностью. Ясно,
однако, что эти две ситуации отличаются мало, и скачкообразное изменение
учитываемого веса при изменении амплитуды на 0,02 не имеет под собой никакой
физической основы. Введём вместо этого нечёткую функцию принадлежности, равную 0
при А≤2, 1 при A≥4, и (A-2)/2 при 2<A<4. Значение этой функции будет изменяться
непрерывно, при A=2,99 она будет равна 0,495, а при A=3,01 – 0,505. Учитываемый вес
признака при этом будет получаться при перемножении максимального веса и значения
функции принадлежности.
"Степень нечёткости" признака будет при этом определяться шириной "переходной
области", в которой значение функции принадлежности изменяется от 0 до 1. В
приведённом примере ширина такой области равна 2. Сужая эту область, в пределе (при
её ширине, равной 0) мы переходим от нечёткой логики к обычной булевой логике.
В текущей реализации алгоритма управлять функциями принадлежности можно
следующим образом. Во-первых, существует общий параметр нечёткости F (Fuzziness)
(см. его описание выше). При его установке в 0 нечёткие функции принадлежности
переходят в булевы, значение 1 соответствует рекомендуемой "степени нечёткости",
большие его значения соответствуют сильной размытости функций принадлежности и
слабой чувствительности алгоритма к выполнению признаков. Помимо общей "степени
нечёткости", каждый признак i характеризуется своим собственным показателем
нечёткости Pi, изменяемым по тому же принципу (0 – отключено, 1 – рекомендуемое
значение, >>1 – "сильная нечёткость"). Общий показатель нечёткости получается путём
перемножения F*Pi. Такая структура позволяет регулировать как "общую нечёткость"
алгоритма, так и делать это по отдельности для каждого признака. Последнее не
рекомендуется делать обычным пользователям, и потому значения показателей Pi
"зашиты" в код программы в виде констант. Там же (в коде программы) в виде
комментариев описаны особенности реализации "нечёткости" для каждого признака.
40
Глава 3. Исследование возможности идентификации
дефектов на изображениях, полученных с помощью
ультразвуковой диагностики основного металла
трубопроводов
3.1. Постановка задачи
Целью данного исследования является изучение возможности идентификации на
изображениях, полученных с помощью ультразвуковой диагностики основного металла
трубопроводов, различных типов объектов, таких, как различные типы дефектов,
шумовые сигналы.
3.2. Исследуемые объекты
Для решения поставленной задачи необходимо понять, чем различные типы
объектов на изображении (дефекты, шумы, шов, артефакты (отражения от объектов, не
являющихся дефектами; и т.д. ) ) отличаются друг от друга. Ниже приведена таблица, в
которой отражены некоторые качественные характеристики разных типов объектов.
Объект
Дефект
Шов
Амплитуда
Высокая
Высокая
Артефакт
Средняя
Шум
Низкая
Локализация
Компактная
В перпендикуляр.
направлении
Средне
локализован
Не локализован
Форма
Произвольная
Линейная
Произвольная
Распределенный
Дефект
Изображения дефектов имеют высокую амплитуду. Для локализации дефектов
можно использовать отсечение по порогу.
Шов
Изображения швов имеют форму линейных объектов, ориентированных вдоль оси
X (для прямых швов), либо под углом к оси X (для спиральных швов). Соответственно,
для автоматического распознавания швов можно использовать алгоритмы поиска
линейных объектов (например, использующие преобразование Радона, или другие
алгоритмы).
Артефакт
Под артефактом в данном документе подразумевается объект на изображении,
имеющий амплитуду заметно выше фоновой, но не являющийся дефектом или швом. Это
может быть отслоение изоляции, грязь на поверхности трубы, помехи, либо другие
объекты.
Изображения артефактов имеют более низкую амплитуду, чем изображения
дефектов, но более высокую, чем шум. Они преимущественно менее локализованы, чем
дефекты.
Шум
41
Шум имеет низкую амплитуду и преимущественно не локализован. Области с
шумом можно определять по низкой амплитуде.
3.2.1 Искусственные дефекты
Для исследований использовались изображения, полученные из А-сканов в
результате детектирования в системе Авгур 5.
Рассматривались только изображения искусственных дефектов, которые удалось
идентифицировать. Выборка состояла из 15 объектов. Такое количество объектов не
является достаточным для выполнения исследований, и полученные на основе анализа
этих изображений результаты нельзя считать статистически существенными.
(Достаточным для решения поставленных задач было бы количество порядка нескольких
десятков объектов каждого типа.) Тем не менее, можно делать оценочные выводы об
эффективности алгоритмов, используемых для решения поставленных задач.
В исследуемом наборе объектов присутствуют дефекты разных типов:
 Выборки;
 Отверстия;
 Пропил;
 Группы объектов (несколько расположенных близко объектов, которые не
представляется возможным идентифицировать по отдельности);
В таблице ниже приводится распределение дефектов по типам.
Тип объекта
Выборка
Отверстие
Пропил
Группа объектов
Кол-во
9
3
1
2
Состав набора объектов не является сбалансированным по типам. Кол-во примеров
объектов типа отверстие и пропил является абсолютно неудовлетворительным для
проведения исследований. Достаточным для решения поставленных задач было бы
количество порядка десятков объектов каждого типа. Также, необходимо определение
обоснованного с физической точки зрения разбиения объектов на классы.
Представленный в этом отчете набор классов является всего лишь предположением, не
подкрепленным никакими существенными фундаментальными основаниями. Оценить
погрешность, которую можно достигнуть при расширении набора объектов, не
представляется возможным. Наличие даже гораздо более представительной базы не может
гарантировать качественного решения поставленных задач, но может дать существенно
более глубокое понимание того, как правильно должна быть поставлена задача, какая
система классификации является более предпочтительной и т.д.
Оценка эффективности алгоритма классификации производится по соответствию
результатов классификации объектов выборки алгоритмом и их априорной
классификации с точки зрения существенных физических характеристик. Таким образом,
в качестве количественной характеристики может выступать доля объектов, которые
классифицированы алгоритмом правильно.
3.2.1.1 Таблица разделения дефектов по типам
Ниже приведена таблица рассматриваемых объектов с указанием типа и
параметров каждого объекта. Код в столбце "Характеристика" далее используется для
краткого описания дефекта. Он формируется на основе первых букв значения типа,
формы и края объекта (например, Выборка Круглая, края Ровные = ВКР).
42
Тип
Форма (или
ориентация)
Характе
ристика
ВКН
ВКН
ВК?
ВКР
ВКР
ВКР
ВКР
ВПН
ВПН
ОКР
ОКР
ОКР
ПГР
ГГ
ГВ
Края
Неровные
???
Круглая
Выборка
Отверстие
сквозное
Пропил
Группа
объектов
Ровные
Прямоугольная
Неровные
Круглая
Ровные
Горизонтальный
Горизонтальная
Вертикальная
Ровные
Объект
Размер
D6
D17
D10
D12
D13
V7
V8
D8
D27
H11
H12
H14
D7
D19-D22
D23-D26
D=40;h=3.5
D=27;h=6
D=30;h=4
D=25;h=4
D=40;h=4
???
???
100x100;h=3.5
90x120;h=5
D=15
D=15
D=25
L=100;d=5;h=4
расст=160
???
3.2.1.2 Изображения дефектов
Изображения представляют собой 2-мерный массив точек, в котором одно
измерение соответствует различным точкам сканирования при движении преобразователя
вдоль трубы (ось X), а другое измерение соответствует принятому сигналу (ось Z). Ниже
приведена схема, описывающая процесс сканирования.
Трубопровод
Направление излучения ультразвука
Направление перемещения
преобразователей
Рис. 3.1
Продольное
сварное
соединение
Далее для каждого имеющегося изображения дефекта приведены следующие изображения
и графики соответственно:
 Восстановленное изображение объекта (построено с помощью ImgView);
 Фотография объекта на трубе;
 Изображение, показывающее положение объекта относительно преобразователей;
43


Распределение интенсивности по оси X (эта ось соответствует направлению
перемещения преобразователя на рис.1);
Распределение интенсивности по оси Z (эта ось соответствует направлению
излучения ультразвука).
Параметр X, указанный в скобках для каждого объекта, это размер изображения (не
объекта!) вдоль оси X в отсчетах на изображении. В большинстве случаев он равен 32, за
исключением нескольких крупных объектов, где он равен 64.
44
D6 (D=40;h=3.5;X=32), D8 ( 100x100;h=3.5;X=32), D7 (L=100;d=5;h=4;X=32),
D10 (D=30;h=4;X=32)
25000
4000
7000
7000
6000
6000
5000
5000
4000
4000
3000
3000
2000
2000
1000
1000
500
0
0
0
3500
20000
3000
2500
15000
2000
10000
1500
1000
5000
0
5
10
15
20
25
30
0
35
1000
800
900
700
800
5
10
15
20
25
30
0
0
35
5
10
15
20
25
30
1800
800
1200
700
1000
600
500
500
400
400
300
100
150
200
250
300
30
35
300
400
200
50
25
400
200
0
20
600
300
0
15
500
800
100
10
900
1400
600
600
5
1000
1600
700
0
35
100
200
0
0
0
50
100
150
200
250
300
350
400
450
200
100
0
0
20
40
60
80
100
120
140
160
180
0
100
200
300
400
500
600
700
800
45
D12 (D=25;h=4;X=32),D13(D=40;h=4;X=32),D17(D=27;h=6;X=32)
10000
8000
12000
9000
7000
8000
10000
6000
7000
6000
5000
5000
4000
4000
8000
6000
3000
4000
3000
2000
2000
1000
1000
0
0
0
5
10
15
20
25
30
35
2000
0
0
5
10
15
20
25
30
35
1200
1600
1400
0
5
10
50
100
15
20
25
30
35
3500
1000
3000
800
2500
1200
1000
2000
600
800
1500
600
400
1000
400
200
200
500
0
0
0
50
100
150
200
250
300
0
0
50
100
150
200
250
300
0
150
200
250
300
350
46
D19-D22 (расст=160;X=64), D23-D26 (X=32), D27 (90x120;h=5;X=32)
25000
9000
12000
8000
20000
10000
7000
6000
15000
8000
5000
6000
4000
10000
3000
4000
2000
5000
2000
1000
0
0
0
10
20
30
40
50
60
70
3000
0
0
5
10
15
20
25
30
35
1600
5
10
15
20
25
30
35
1800
1400
2500
0
2000
1600
1200
1400
2000
1000
1500
1200
800
1000
800
600
1000
600
400
400
500
200
0
200
0
0
100
200
300
400
500
600
700
0
0
100
200
300
400
500
600
0
50
100
150
200
250
300
350
400
450
47
H11 (D=15;X=32), H12 (D=15;X=32) на границе, H14 (D=25;X=32)
12000
25000
10000
20000
4000
3500
3000
8000
2500
15000
2000
6000
10000
1500
4000
1000
5000
2000
500
0
0
0
0
5
10
15
20
25
30
0
35
5
10
15
20
25
30
1800
1600
5
10
15
20
25
30
35
50
100
150
200
250
300
350
350
2000
1800
0
35
300
1600
1400
250
1400
1200
1200
1000
200
1000
150
800
800
600
100
600
400
400
200
200
50
0
0
0
0
100
200
300
400
500
600
0
100
200
300
400
500
600
0
48
V7(;X=32), V8(;X=32)
18000
3000
16000
2500
14000
12000
2000
10000
1500
8000
6000
1000
4000
500
2000
0
0
0
5
10
15
20
25
30
35
0
3000
600
2500
500
2000
400
1500
300
1000
200
500
100
5
10
15
20
25
30
35
0
0
0
50
100
150
200
250
300
350
400
450
0
50
100
150
200
250
300
350
400
450
500
49
3.2.2 Шумовые объекты
Изображения шумовых объектов имеют низкую амплитуду. Ниже приведены
изображения шумовых объектов, используемые далее при кластеризации. Примеры
шумовых изображений выбирались так, чтобы присутствовали шумы, имеющие разную
амплитуду.
Примеры 1-4
Примеры 5-8
Пример 9
50
3.3. Исследования некоторых алгоритмов, которые могут быть
использованы для классификации изображений
3.3.1 Использование порогового отсечения для удаления шума и артефактов
Так как шум имеет низкую амплитуду, то для его удаления с изображения
возможно использование отсечения по порогу. Пороговое значение целесообразно
привязать к среднему значению и стандартному отклонению, рассчитанным по всему
исходному изображению.
Было проведено исследование, в котором проводилось пороговое отсечение
изображений с разными значениями порогов:
 Среднее по изображению;
 Среднее + 1 стандартное отклонение;
 Среднее + 2 стандартных отклонения;
 Среднее + 3 стандартных отклонения.
Здесь среднее и стандартное отклонение рассчитывались по всему изображению.
В результате исследования было определено, что пороговое значение, равное
среднему + 2 стандартных отклонения, позволяет эффективно отсекать на изображении
шумовые объекты и артефакты, при этом сохраняя дефекты и швы. Этот вывод был
сделан на основании всех имеющихся изображений, для которых было априори известно
положение швов, дефектов и артефактов. При более низком пороговом значении
количество шумов на изображениях увеличивалось; при более высоком пороговом
значении один из объектов оказывался ниже уровня порога.
3.3.2 Определение дефектов/ шума с помощью гистограммы
Для классификации объектов можно использовать гистограммы интенсивности для
изображений.
В этом разделе гистограмма интенсивности используется как еще один способ
отделения изображений дефектов и шумовых изображений.
В качестве признаков используются доли точек, имеющих интенсивности,
принадлежащие заданным диапазонам.
Используется следующий набор диапазонов:
 0…5 - Диапазон 1;
 5…10 - Диапазон 2;
 10…20 - Диапазон 3;
 20…40 - Диапазон 4;
 40…80 - Диапазон 5;
 80…127 - Диапазон 6.
Выбранные границы диапазонов эквидистантны в логарифмическом масштабе, что
представляется разумным. Впрочем, не исключено, что можно найти и другое разделение
на диапазоны, которое окажется более эффективным. Однако такое исследование требует
весьма значительных затрат времени и потому не проводилось.
Ниже приведена таблица значений признаков, полученных из гистограммы. Здесь
поля содержат значение доли точек, относящихся к определенному диапазону
интенсивности. Эта доля рассчитывалась по фрагментам изображений, содержащим
дефекты. Из исходного изображения выделялся фрагмент размером 32 (по оси X) на 400
(по оси Z), содержащий объект.
51
Объект
D6
D8
D7
D10
D12
D13
D17
D19-D22
D23-D26
D27
H11
H12
H14
V7
V8
Fon1
Fon2
Fon3
Fon4
Fon5
Fon6
Fon7
Fon8
Fon9
Тип
ВКН
ВПН
ПГР
ВК?
ВКР
ВКР
ВКН
ГГ
ГВ
ВПН
ОКР
ОКР
ОКР
ВКР
ВКР
Фон
Фон
Фон
Фон
Фон
Фон
Фон
Фон
Фон
Диап 1
0.4
0.03
0.59
0.27
0.29
0.24
0.11
0.03
0.04
0.03
0.06
0.06
0.51
0.08
0.09
0.17
0.85
0.2
0.54
0.58
0.59
0.37
0.12
0.96
Диап 2
0.19
0.07
0.14
0.32
0.23
0.25
0.13
0.06
0.12
0.09
0.13
0.14
0.25
0.1
0.22
0.32
0.15
0.37
0.38
0.37
0.3
0.42
0.27
0.03
Диап 3
0.15
0.23
0.11
0.2
0.15
0.22
0.18
0.17
0.32
0.22
0.26
0.26
0.2
0.2
0.42
0.4
0
0.36
0.07
0.05
0.1
0.2
0.45
0
Диап 4
0.16
0.4
0.09
0.13
0.13
0.17
0.19
0.31
0.36
0.34
0.34
0.26
0.04
0.25
0.26
0.1
0
0.07
0
0
0.01
0
0.16
0
Диап 5
0.08
0.26
0.06
0.07
0.12
0.1
0.19
0.29
0.14
0.23
0.19
0.18
0
0.2
0.02
0
0
0
0
0
0
0
0
0
Диап 6
0.01
0.02
0.03
0.02
0.08
0.02
0.2
0.14
0.01
0.09
0.02
0.09
0
0.16
0
0
0
0
0
0
0
0
0
0
3.3.2.1 Кластеризация на основе признаков, получаемых из гистограммы
С целью исследования информативности признаков, построенных с помощью
гистограмм интенсивности, производилась кластеризация в два и три класса с помощью
сети Кохонена в пространстве приведенных выше шести признаков.
Сеть Кохонена – это нейронная сеть, обучающаяся без учителя. Этот алгоритм
широко используется для решения задач кластеризации. Заметим, что вместо этого в
принципе можно было бы использовать и другой алгоритм кластеризации.
Сравнительного исследования различных алгоритмов кластеризации в данной работе не
проводилось, однако практика показывает, что большинство алгоритмов дают в первом
приближении схожие результаты, т.к. все они основываются на расстоянии в пространстве
рассматриваемых признаков. В этом смысле гораздо большее влияние оказывает сама
система признаков, в частности, нормировка каждого из них.
При кластеризации с помощью сети Кохонена требуется заранее указать желаемое
количество кластеров (классов). При разбиении набора объектов на два класса желаемым
результатом в данном случае является отнесение шумовых объектов к одному классу, а
дефектов к другому. При разбиении на три класса желаемым результатом является
выделение в отдельный промежуточный кластер неправильно отнесенных при
кластеризации в два класса объектов.
В таблице ниже приводятся результаты разбиения набора объектов на два класса
(вторая колонка) и на три класса (третья колонка).
52
Результаты кластеризации
В 2 класса
В 3 класса
D6
ВКН
2
2
D8
ВПН
1
3
D7
ПГР
2
1
D10
ВК?
2
2
D12
ВКР
2
2
D13
ВКР
2
2
D17
ВКН
1
3
D19-D22
ГГ
1
3
D23-D26
ГВ
1
3
D27
ВПН
1
3
H11
ОКР
1
3
H12
ОКР
1
3
H14
ОКР
2
1
V7
ВКР
1
3
V8
ВКР
2
2
Fon1
Шум
2
2
Fon2
Шум
2
1
Fon3
Шум
2
2
Fon4
Шум
2
1
Fon5
Шум
2
1
Fon6
Шум
2
1
Fon7
Шум
2
2
Fon8
Шум
2
2
Fon9
Шум
2
1
Результаты разбиения исследуемого набора объектов на 2 и 3 класса
Объект
Тип
Для каждого примера (объекта) в соответствующем столбце указан номер класса, в
который попал данный объект при соответствующем разбиении набора. Следует
подчеркнуть, что сами номера классов не имеют никакого физического смысла, следует
обращать внимание лишь на то, какие объекты (примеры) были отнесены алгоритмом к
одному и тому же классу.
Из анализа результатов кластеризации можно заключить, что в случае
кластеризации в два класса в кластер 2 были отнесены преимущественно шумовые
объекты, а в кластер 1 – дефекты. Из этого можно сделать вывод, что сформированные
алгоритмом кластеры приблизительно соответствуют дефектам и шумовым объектам.
Однако оценить вероятность ошибки можно лишь статистически, причём на имеющемся
малом наборе данных.
Предположим, что сделанное предположение верно, и что желаемым ответом для
дефектов является класс 1, для шума – класс 2. (Подчеркнём ещё раз, что алгоритм
обучается "без учителя" и никак не использует эту информацию о желаемых ответах.)
Тогда можно условно рассматривать решаемую задачу как задачу классификации. Ниже
приведена матрица классификации, в которой в ячейках на главной диагонали (зелёные
ячейки) находится число правильно классифицированных примеров (дефект,
классифицированный алгоритмом как дефект, и шум, классифицированный алгоритмом
как шум), а в остальных – число неправильно классифицированных объектов.
Дефект
Шум
Классифицирован Классифицирован
как дефект
как шум
8
7
0
9
53
При кластеризации в 3 класса дополнительно появляется промежуточный класс, к
которому алгоритм в рамках аналогичных допущений относит объекты, которые с точки
зрения анализируемых признаков отличаются от шума и дефектов.
1 класс – шум
2 класс – промежуточный
3 класс - дефект
Матрица классификации для разбиения на 3 класса
Дефект
Шум
Дефект
8
0
Промежуточный Шум
5
2
4
5
Хорошо видно, что в результате кластеризации в 3 класса часть неправильно
классифицированных в первом случае дефектов были отнесены к промежуточному
классу.
Правильно
классифицированные
дефекты
в
первом
случае
были
классифицированы правильно и во втором случае, а часть правильно
классифицированных шумовых объектов была отнесена к промежуточному классу.
Можно сделать вывод, что механизм определения дефектов и шумов, основанный
на гистограммных признаках, не является приемлемым по качеству и не дает
преимуществ по сравнению с механизмом, основанным на отсечении по порогу. Этот
вывод был сделан на основании того факта, что с помощью этого механизма не удалось
добиться безошибочного отделения изображений дефектов от шумовых изображений
даже на тех данных, на которых происходило обучение.
3.3.3 Кластеризация на основе признаков, получаемых из геометрических
размеров и интенсивности
Выделяются обобщенные признаки для изображения (среднее, максимальная
интенсивность, размеры и т.д., см. ниже). Рассчитывается распределение интенсивности
вдоль оси X и оси Z (проекция на соответствующую ось с вычислением суммы) и
вычисляются признаки, характеризующие распределение интенсивности вдоль осей. На
основе значений признаков производится кластеризация с помощью сети Кохонена с
целью поисков классов изображений, определяемых на основе признаков, и визуальный
поиск соответствия между этими кластерами и существенными характеристиками
изображения.
Из-за небольшого количества примеров наиболее целесообразным представляется
проведение кластеризации в пространстве не более 2-3 признаков, поэтому приводятся
примеры кластеризации для различных комбинаций, составленных из общего списка
признаков.
Признаки
1. Расстояние от преобразователя до объекта
2. Наличие шва между преобразователем и объектом
3. Максимальная интенсивность Imax
4. Средняя интенсивность Iav по фрагменту изображения, содержащему дефект
5. Средняя интенсивность Iav2 по всем точкам с ненулевой интенсивностью после
отсечки по уровню среднее+дисперсия
6. Отношение максимальной и средней (после отсечки) интенсивности Imax /Iav2
7. Протяженность объекта по оси X и Z (расстояние от крайней левой до крайней
правой точки объекта с ненулевой после отсечки интенсивностью); Lx, Lz
54
8. Размер области, занимаемой объектом по оси X и Z (количество отсчетов выше
порога) Nx, Nz
9. Коэффициент связности (отношение количества отсчетов выше порога к размеру
области, занимаемой объектом) по оси X и Z; Nx/Lx, Nz/Lz
Результаты вычисления признаков
Объе
кт
Хара
ктери
стика
Расс
т,
мм
Чер
ез
шов
D6
D8
D7
D10
D12
D13
D17
D1922
D2326
D27
H11
H12
H14
V7
V8
ВКН
ВПН
ПГР
ВК?
ВКР
ВКР
ВКН
ГГ
325
773
115
974
248
242
394
940
0
1
0
1
0
0
0
0
ГВ
520
ВПН
ОКР
ОКР
ОКР
ВКР
ВКР
498
592
601
576
509
532
Imax
Iav
Iav2
Lx
56
77.8
72.9
63.9
98.2
66.6
123.1
117.5
I
max
/Iav
2
1.95
1.32
1.76
2
1.3
1.83
1.04
1.09
109
103
128
128
128
122
128
128
15.1
31.4
12.9
15.6
24.4
18.5
43.6
43.7
20
31
21
12
18
17
25
61
0
124
24.9
70
1.77
0
0
0
0
0
0
128
128
128
54
128
63
36
27.4
33.1
7.5
41.1
16.3
103.3
76.6
101.7
23.6
118.3
42
1.24
1.67
1.26
2.29
1.08
1.5
Lz
Nx
Nz
Nx/
Lx
Nz/
Lz
148
296
47
543
152
168
112
470
20
26
19
12
18
17
25
56
126
205
45
388
116
145
93
386
1
0.84
0.9
1
1
1
1
0.92
0.85
0.69
0.96
0.71
0.76
0.86
0.83
0.82
24
368
21
17
0.88
0.46
25
26
19
19
27
29
241
357
347
244
176
371
25
24
17
18
25
28
196
159
302
158
153
196
1
0.92
0.89
0.95
0.93
0.97
0.81
0.45
0.87
0.65
0.87
0.53
Кластеризация на основе признаков Lx и Lz
Lx и Lz – характерные размеры дефекта на изображении по оси X и Z.
Производится кластеризация точек в пространстве этих признаков в два класса с целью
определить возможные корреляции между размерами объектов на изображении и
характеристиками дефектов. После получения разбиения на кластеры рассчитывается
количество попавших в каждый кластер объектов в зависимости от их типа,
формы/ориентации и гладкости краёв.
Объект Тип Класс
Lx
Lz
D6
ВКН
1
20
148
D8
ВПН
2
31
296
D7
ПГР
1
21
47
D10
ВК?
2
12
543
D12
ВКР
1
18
152
D13
ВКР
1
17
168
D17
ВКН
1
25
112
D19-22
ГГ
2
61
470
D23-26
ГВ
2
24
368
D27
ВПН
1
25
241
H11
ОКР
2
26
357
H12
ОКР
2
19
347
H14
ОКР
1
19
244
V7
ВКР
1
27
176
V8
ВКР
2
29
371
55
На диаграмме точками обозначены объекты в координатах Lx- Lz, разные классы
(кластеры) обозначены разными цветами, а точка, в которую сходятся отрезки от всех
объектов данного кластера, соответствует центроиду этого кластера.
Можно заметить, что в пространстве этих признаков объекты были разделены на
классы по величине Lz.
Разбиение по типам
Тип\класс 1 2 Всего
Выборка
6 3
9
Пропил
1 0
1
Отверстие 1 2
3
Группа
0 2
2
Всего
8 7
15
Разбиение по форме/ориентации
Форма\класс
1 2 Всего
Круглая
6 4 10
Прямоугольная 1 1 2
Вертикальный
0 1 1
Горизонтальный 1 1 2
Всего
8 7 15
Разбиение по гладкости краев
Края\класс
1 2 Всего
Ровные
5 3
8
Неровные
3 1
4
Не определено 0 3
3
Всего
8 7
15
56
Из анализа приведённых таблиц видно, что явная взаимосвязь между размерами
дефектов, с одной стороны, и их типом, формой, ориентацией, гладкостью краёв, с другой
стороны, отсутствует.
Кластеризация на основе признаков Imax и Iav2
Imax – максимальная амплитуда на изображении. Iav2 – средняя амплитуда,
посчитанная для точек изображения, амплитуда которых больше средней плюс одна
дисперсия.
На этот раз проводилась кластеризация в три класса, т.к. на изображении в
координатах указанных признаков эти три класса легко идентифицируются (см.
диаграмму). Дальнейшее увеличение количества рассматриваемых категорий будет иметь
смысл, если при разбиении на малое количество классов, например, два типа дефектов
полностью попадут в один класс.
D6
D8
D7
D10
D12
D13
D17
D19-22
D23-26
D27
H11
H12
H14
V7
V8
ВКН
ВПН
ПГР
ВК?
ВКР
ВКР
ВКН
ГГ
ГВ
ВПН
ОКР
ОКР
ОКР
ВКР
ВКР
2
2
2
2
3
2
3
3
2
3
2
3
1
3
1
Смысл диаграммы – тот же, что и в предыдущем эксперименте.
57
Как и в предыдущем случае, после получения разбиения на кластеры
рассчитывается количество попавших в каждый кластер объектов в зависимости от их
типа, формы/ориентации и гладкости краёв. Результаты подсчёта приводятся в таблицах.
Разбиение по типам
Тип\класс 1 2
3 Всего
Выборка
1 4
4
9
Пропил
0 1
0
1
Отверстие 1 1
1
3
Группа
0 1
1
2
Всего
2 7
6
15
Разбиение по форме/ориентации
Форма\класс
1 2
3 Всего
Круглая
2 4
4
10
Прямоугольная 0 1
1
2
Вертикальный
0 1
0
1
Горизонтальный 0 1
1
2
Всего
2 7
6
15
Разбиение по гладкости краев
Края\класс
1 2
3 Всего
Ровные
2 3
3
8
Неровные
0 2
2
4
Не определено 0 2
1
3
Всего
2 7
6
15
К сожалению, из этих таблиц видно, что и в этом случае явная взаимосвязь между
интенсивностью дефектов, с одной стороны, и их типом, формой, ориентацией,
гладкостью краёв, с другой стороны, отсутствует.
Кластеризация на основе признаков Nx и Nz
Рассматриваемые в данном эксперименте признаки характеризуют размеры
интенсивной области объекта по осям X и Z. Смысл производимых действий – тот же, что
и в предыдущих экспериментах по кластеризации.
Объект
D6
D8
D7
D10
D12
D13
D17
D19-22
D23-26
D27
H11
H12
H14
V7
V8
Тип
ВКН
ВПН
ПГР
ВК?
ВКР
ВКР
ВКН
ГГ
ГВ
ВПН
ОКР
ОКР
ОКР
ВКР
ВКР
Класс
1
1
1
2
1
1
1
2
1
1
1
2
1
1
1
58
Разбиение по типам
Тип\класс 1 2 Всего
Выборка
8 1
9
Пропил
1 0
1
Отверстие 2 1
3
Группа
1 1
2
Всего
12 3
15
Разбиение по форме/ориентации
Форма\класс
1 2 Всего
Круглая
8 2
10
Прямоугольная 2 0
2
Вертикальный
1 0
1
Горизонтальный 1 1
2
Всего
12 3
15
Разбиение по гладкости краев
Края\класс
1 2 Всего
Ровные
7 1
8
Неровные
4 0
4
Не определено 1 2
3
Всего
12 3
15
Видно, что и в этом случае явная взаимосвязь между размерами интенсивной
области объектов, с одной стороны, и их типом, формой, ориентацией, гладкостью краёв,
с другой стороны, отсутствует.
Кластеризация на основе признаков Imax/Iav2, Nz/Lz и Nx/Lx
Предложенные и рассматриваемые в данном эксперименте признаки
характеризуют превышение максимальной интенсивности объекта над уровнем среднего,
рассчитанного после фильтрации, а также степень связности объекта по осям X и Z. Так
59
как пространство рассматриваемых признаков трёхмерное, ниже приводятся три
диаграммы в проекциях на каждую из координатных плоскостей в этом пространстве.
Объект
D6
D8
D7
D10
D12
D13
D17
D19-22
D23-26
D27
H11
H12
H14
V7
V8
Тип
ВКН
ВПН
ПГР
ВК?
ВКР
ВКР
ВКН
ГГ
ГВ
ВПН
ОКР
ОКР
ОКР
ВКР
ВКР
Класс
1
2
2
1
2
1
2
2
1
2
1
2
1
2
1
60
Разбиение по типам
Тип\класс 1 2 Всего
Выборка
4 5
9
Пропил
0 1
1
Отверстие 2 1
3
Группа
1 1
2
Всего
7 8
15
Разбиение по форме/ориентации
Форма\класс
1 2 Всего
Круглая
6 4
10
Прямоугольная 0 2
2
Вертикальный
1 0
1
Горизонтальный 0 2
2
Всего
7 8
15
Разбиение по гладкости краев
Края\класс
1 2 Всего
Ровные
4 4
8
Неровные
1 3
4
Не определено 2 1
3
Всего
7 8
15
Видно, что и в этом эксперименте не удалось получить явного разделения объектов
по классам, которое было бы связано со свойствами объекта. Единственным исключением
является тот факт, что вертикальный дефект (1 реализация) и горизонтальные дефекты (2
реализации) были отнесены алгоритмом к разным классам. Однако слишком малое
количество реализаций не позволяет утверждать, что данный результат не является чисто
случайным (вероятность такого исхода при случайном распределении по классам
составляет ¼). В то же время, все объекты с одинаковыми свойствами (например, с
одинаковым типом или гладкостью краёв) при количестве реализаций более 2 были
разделены алгоритмом в разные классы.
61
Таким образом, исходя из полученных результатов, можно сделать вывод, что
использованные признаки не позволяют классифицировать объекты по критериям Тип,
Форма, Гладкость краев. Кроме того, из анализа изображений становится понятно, что
объекты одного и того же типа могут иметь сильно отличающиеся изображения при
диагностике, и для того, чтобы выявить характерные особенности дефектов разных типов
(признаки, позволяющие идентифицировать типы дефектов), необходимо иметь
статистически существенное количество объектов каждого типа (по крайней мере, десятки
реализаций).
3.3.4 Исследование зависимости размера объекта на
изображении от физического размера дефекта
Одной из характеристик дефекта является его характерный размер. Ниже
приведена зависимость размера объекта на изображении по оси X (Lx) и по оси Z (Lz) от
физического размера дефекта для исследуемых дефектов. Размер вычислялся как
расстояние между крайними левой и правой (верхней и нижней) точками объекта с
ненулевой после отсечки по уровню среднее+дисперсия интенсивностью. Ниже
приводятся результаты по оси X и по оси Z.
Объект
D6
D8
D7
D10
D12
D13
D17
D19-22
D23-26
D27
H11
H12
H14
Размер
вдоль оси X,
мм
40
100
100
30
25
40
27
160
25
120
15
15
25
Lx
20
31
21
12
18
17
25
61
24
25
26
19
19
Размер
вдоль оси Z,
мм
40
100
5
30
25
40
27
100
148
296
47
543
152
168
112
470
90
15
15
25
241
357
347
244
Lz
Зависимость размера объекта на изображении
от физического размера дефекта (ось X)
Размер объекта на изображении
по оси X, отсчетов
70
60
50
2
R = 0.5386
40
30
20
10
0
0
50
100
150
200
Физический размер объекта по оси X, мм
62
А-Скан
Зависимость размера объекта на изображении
от физического размера дефекта (ось Z)
Размер объекта на изображении
по оси Z, отсчетов
600
500
R2 = 0.0996
400
300
200
100
0
0
20
40
60
80
100
120
Физический размер объекта по оси Z, мм
Исходя из экспериментальных данных, можно заключить, что в рамках
исследованного набора объектов нельзя сделать вывод о монотонной зависимости между
размером объекта на изображении и физическим размером дефекта.
3.4. Выводы
1) Шумы и артефакты на изображениях можно удалять с помощью порогового отсечения
по интенсивности, при этом изображения швов и дефектов остаются. Оптимальным
можно считать уровень пороговой отсечки, равный среднему + 2 стандартных отклонения
(статистические показатели рассчитаны по всему изображению). Однако этот вывод был
сделан на основе имеющихся в распоряжении 15 дефектов и 9 шумовых объектов; такой
статистики может оказаться недостаточно для того, чтобы утверждать, что такой алгоритм
удаления шумов будет работать во всех случаях.
2) В результате исследований не удалось выделить набора признаков, позволяющих
качественно распознавать на изображении различные типы дефектов, определять их
форму и гладкость краёв. Это обусловлено сложностью изображений, а также
неоднозначной связью между физическими параметрами объектов (размер, форма, тип и
т.д.) и изображением, получаемым при УЗ диагностике.
Фактором, существенно повлиявшим на отрицательный результат исследования,
является отсутствие репрезентативной базы изображений дефектов, что не позволяет
считать сделанные выводы полностью достоверными.
Литература по теме
1. С.Хайкин. Нейронные сети: полный курс, 2-е изд. М., "Изд.дом Вильямс", 2006.
Глава 9.
2. Г.Дебок,
Т.Кохонен.
Анализ
финансовых
данных
с
помощью
самоорганизующихся карт. М., "Изд.дом Альпина", 2001. Глава 11.
63