بهبود دقت محاسبه طول ترک در خشت رسی با استفاده از ماشین بینایی

نوع مقاله: مقاله مستقل

نویسندگان

1 دانشیار، مهندسی مکانیک، دانشگاه بیرجند، بیرجند

2 کارشناسی ارشد، مهندسی مکانیک، دانشگاه بیرجند، بیرجند

چکیده

پیچیدگی ساختاری در طبیعت ترک‌ها و وجود شاخه‌های زیاد، امکان اینکه بتوان شکل آن‌ها را با استفاده از تطبیق بر اشکال متعارف هندسی شناخت و یا اینکه بتوان با استفاده از روابط معمول ریاضی ابعاد آن‌ها را محاسبه کرد، عملاً غیرممکن ساخته است. در این مقاله، شیوه جدیدی از بررسی ابعاد ترک‌ در مواد ترد با استفاده از ماشین بینایی ارائه‌شده است. روش به دست آمده برای محاسبه ابعاد ترک در اجسام، استفاده از ماشین بینایی، تصویربرداری، پردازش تصویر، تعریف الگوریتم‌های جدیدی در نرم‌افزارهای برنامه‌نویسی و در نهایت تفسیر تصاویر به منظور بهبود دقت‌های اندازه‌گیری است. از آنجا که ترک‌ها فاقد شکل هندسی منظم و قابل پیش‌بینی هستند، نمی‌توان از روابط تعریف‌شده ریاضی جهت به دست آوردن دقیق ابعاد ترک استفاده کرد. ماشین بینایی، می‌تواند یکی از راهکارهای مناسب جهت انجام این فرآیند باشد که در این مقاله، سعی شد که دو روش متفاوت اسکلتون تصویر و نصف محیط ترک بعد از تعریف الگوریتم‌های جدید بهبوددهنده، بتوانند طول دقیق هر ترکی را با صحت و قابلیت تکرار در اختیار قرار دهند. در نهایت با اعمال الگوریتم‌ جدید در این مقاله، مشخص می‌شود که می‌توان به صورت عملی برای نمونه آزمایشی به خطای کمتر از ۱% در رزولوشن 1/0 میلی‌متر دست یافت.

کلیدواژه‌ها

موضوعات


[1] Ye J, He Y, Chen X, Zhai Z, Wang Y, He Z (2010) Pipe crack identification based on finite element method of second generation wavelets. Mech Syst Signal Pr 24(2):379–393.

[2]  Keum YT, Jeong JH, Auh KH (2000) Finite-element simulation of ceramic drying processes. Model Simul Mater Sci Eng 8(4): 541–556.

[3]  Nahvi H, Jabbari M (2005) Crack detection in beams using experimental modal data and finite element model. Int J Mech Sci 47(10): 1477–1497.

[4]  Ashenai Ghasemi F, Pourkamali Anaraki A, Rouzbahani AH (1392) Using XFEM for investigating the crack growth of cracked aluminum plates repaired with fiber metal laminate (FML) patches. Modares Mech Eng 13(14): 27-15 (In Persian).

[5]  Arakawa T, Hirose S, Senda T (1985) The detection of weld cracks using ultrasonic testing. Ndt Int 18(1): 9–16.

[6]  Longo R, Vanlanduit S, Vanherzeele J, Guillaume P (2010) A method for crack sizing using Laser Doppler Vibrometer measurements of Surface Acoustic Waves. Ultrasonics 50(1): 76–80.

[7]  Meng Y, Zhuang H (2007) Autonomous robot calibration using vision technology. Robot Comput Integr Manuf 23(4): 436–446.

[8]  Benet G, Blanes F, Simó JE, Pérez  P (2002) Using infrared sensors for distance measurement in mobile robots. Robot Auton Syst 40(4): 255-266.

[9]  LeTessier R, Coade R, Geneve B (2002) Sizing of cracks using the alternating current field measurement technique. Int J Pres Ves Pip 79(8–10): 549–554.

[10] Rupil J, Roux S, Hild F, Vincent L (2011) Fatigue microcrack detection with digital image correlation. The Journal of Strain Analysis for Engineering Design 46(6): 492–509.

[11] Gonzalez RC, Woods RE (2007) Digital image processing, 3rd edn. Prentice Hall, p. 976.

[12] Khalili K, Khatibi S, Emam SM (2013) Improving the accuracy of laser scanning using dithering technique and simultaneous laser and camera calibration. Modares Mech Eng 13(2): 92-79 (In Persian).

[13] Khalili K, Emam SM (2013) 3D M‌odel reconstruction of web production with image processing technique. Mech Eng Sharif  3-29(1): 113-124. (In Persian)

[14] Zhong Y, Zhang L (2013) Sub-pixel mapping based on artificial immune systems for remote sensing imagery. Pattern Recogn 46(11): 2902–2926.

[15] Giles AB, Massom RA, Warner RC (2009) A method for sub-pixel scale feature-tracking using Radarsat images applied to the Mertz Glacier Tongue. East Antarctica, Remote Sens. Environ. 113(8): 1691–1699.

[16] Klette G (2002) Skeletons in Digital Image Processing. The University of Auckland, New Zealand 1178-3633.

[17] Kresch R, Malah D (1998) Skeleton-based morphological coding of binary images. IEEE T Image Process 7(10): 1387–99.

[18] Bhattacharyya S, Maulik U, Dutta P (2008) A pruning algorithm for efficient image segmentation with neighborhood neural networks. Proc. IAENG 35(2): 191-200.

[19] Liu H, Wu ZH, Zhang X, Hsu DF (2013) A skeleton pruning algorithm based on information fusion. Pattern Recognit Lett 34(10): 1138–1145.

[20] Solís Montero A, Lang J (2012) Skeleton pruning by contour approximation and the integer medial axis transform. Comput Graph 36(5): 477–487.

[21] Bai X, Latecki LJ, Society IC, Liu W (2007) Skeleton pruning by contour partitioning with discrete curve evolution. IEEE T Pattern Anal 29(3): 449–462.

[22] Cornea ND, Silver D (2007) Curve-Skeleton properties , applications and algorithms. IEEE T Vis Comput Gr 13(3): 530-548.

[23] Image Processing Toolbox; http://www.mathwork.com