Wykrywanie defektów z wykorzystaniem termografii aktywnej i algorytmu k-średnich

pol Artykuł w języku polskim DOI: 10.14313/PAR_233/11

wyślij Sebastian Dudzik Politechnika Częstochowska, Wydział Elektryczny, Instytut Optoelektroniki i Systemów Pomiarowych

Pobierz Artykuł

Streszczenie

W pracy przedstawiono nową metodę wykrywania defektów materiałowych z wykorzystaniem termografii aktywnej. W celu zwiększenia kontrastu cieplnego dokonano przetwarzania wstępnego zarejestrowanej sekwencji termogramów metodami morfologii matematycznej. Do wykrywania defektów zastosowano algorytm k-średnich. W pracy zbadano wpływ miary odległości używanej w opisywanym algorytmie oraz doboru danych wejściowych na efektywność opisywanej metody. Eksperyment przeprowadzono dla próbki wykonanej z kompozytu zbrojonego włóknem węglowym (CFRP). W badaniach stwierdzono, że najmniejsze błędy wykrywania defektów za pomocą opisywanej metody uzyskuje się dla kwadratowej odległości euklidesowej.

Słowa kluczowe

algorytm k-średnich, termografia aktywna, wykrywanie defektów

Detection of Defects Using Active Thermography and k-Means Algorithm

Abstract

The paper presents a new method of detecting material defects using active thermography. In order to increase the thermal contrast, preprocessing of the recorded sequence of thermograms was carried out using mathematical morphology methods. The k-means algorithm was used to detect defects. The work examined the impact of distance measure used in the described algorithm and the selection of input data on the effectiveness of the described method. The experiment was carried out for a sample made of carbon fiber reinforced composite (CFRP). Studies have shown that the smallest errors in defect detection using the described method are obtained for the square Euclidean distance.

Keywords

active thermography, defect detection, k-means algorithm

Bibliografia

  1. Lewińska-Romicka A., Badania nieniszczące. Podstawy defektoskopii, WNT, Warszawa 2001.
  2. Maldague X.P., Theory and practice of infrared technology for nondestructive testing, John Wiley & Sons Interscience, New York 2001.
  3. Gleiter A., Spiessberger C., Busse G., Phase angle thermography for depth resolved characterization, Proc. 9th International Conference on Quantitative Infrared Thermography QiRT, Kraków, July 2–5, 2009, 435−441, DOI: 10.1063/1.3114300.
  4. Dudzik S., A simple method for defect area detection using active thermography, “Opto-Electronics Review”, Vol. 17, No. 4, 2009, 338−344, DOI: 10.2478/s11772-009-0016-9.
  5. Grys S., Minkina W., Vokorokos L., Automated characterisation of subsurface defects by active IR thermographic testing – Discussion of step heating duration and defect depth determination, “Infrared Physics & Technology” Elsevier,  Vol. 68, 2015, 84–91, DOI: 10.1016/j.infrared.2014.11.005.
  6. Minkina W., Dudzik S., Infrared Thermography – Errors and Uncertainties, John Wiley & Sons, Chichester 2009.
  7. Russ J.C., Image Processing Handbook, CRC Press LLC 2002.
  8. Dudzik S., Two-stage neural algorithm for defect detection and characterization uses an active thermography, “Infrared Physics and Technology”, Vol. 71, 2015, 187–197, DOI: 10.1016/j.infrared.2015.03.003.
  9. Trétout H., David D., Martin J., Dissenter Y., Court M., Avenas-Payan M., An evaluation of artificial neural networks applied to infrared thermograph inspection of composite aerospace structures, Review of Progress in Quantitative, Nondestructive Evaluation (14A), 827−834, DOI: 10.1007/978-1-4615-1987-4_103.
  10. Benítez H.D., Loaiza H., Caicedo E., Ibarra-Castanedo C., Bendada A., Maldague X.P., Defect characterization in infrared non-destructive testing with learning machines, “NDT & E International”, Vol. 42, No. 7, 2009, 630−643, DOI: 10.1016/j.ndteint.2009.05.004.
  11. Witten I.H., Eibe F., Data Mining. Practical Machine Learning Tools and Techniques, Elsevier 2005.
  12. Everitt B.S., Landau S., Leese M., Stahl D., Cluster analysis, John Willey & Sons 2011.
  13. Jain A.K., Dubes R.C., Algorithms for clustering data, Prentice Hall, Englewood Cliffs N.J., 1998.
  14. Guojun G., Ma C., Wu J., Data Clustering: Theory, Algorithms, and Applications, ASA-SIAM Series on Statistics and Applied Probability, SIAM, Philadelphia, ASA, Alexandria, VA, 2007.
  15. Malina W., Smiatacz M., Cyfrowe przetwarzanie obrazów, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2008.
  16. Dudzik S., Zastosowanie transformacji TOP-HAT do przetwarzania sekwencji termogramów, „Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej”, Nr 54, 2017, 35–38, XLIX Międzyuczelniana Konferencja Metrologów, Częstochowa/Koszęcin, 4–6 września 2017.