چکیده مقاله
جوشکاری اجزای خطوط لوله نفت و گاز اهمیت زیادی دارند و به طور قابل توجهی به ایمنی حمل و نقل گاز طبیعی کمک می کنند در حال حاضر آزمون رادیوگرافی با فیلم و آشکارسازها برای بازرسی کیفی جوش ها استفاده می شوند با این حال، روش های بازرسی برای شناسایی خودکار با دقت بالا برای اندازه ها و انواع مختلف نقص جوش با مشکل مواجه هستند برای پرداختن به این چالش در این تحقیق یک روش هوشمند برای تشخیص نقص مبتنی بر رویکرد یادگیری عمیق ارائه شده است در ابتدا از یک روش بهبود کنتراست برای مجموعه ای از تصاویر رادیوگرافی استفاده شده که بر اساس الگوریتم فیلتر گوسین و روش حذف زمینه پردازش شده اند سپس یک معماری شبکه YOLO v۱۱ از این رادیوگراف های بهبود یافته برای یادگیری توزیع ویژگی های چندین نقص معمولی توسعه داده شده است این مدل از روش های ترکیب ویژگی چندمقیاسی برای شناسایی موثر اندازه ها و انواع مختلف نقص استفاده می کند نتایج به دست آمده از شبکه آموزش داده شده بر روی یکسری از تصاویر رادیوگراف نشان می دهد که استفاده از YOLO v۱۱ با تصاویر پردازش شده بر اساس الگوریتم فیلتر گوسین و روش حذف زمینه نسبت به استفاده از YOLO v۱۱ در تصاویر رادیوگرافی بدون پردازش به ۲۰٪ بهبود در شناسایی عیوب جوش به طور خودکار دست پیدا می کند و می تواند به طور موثر کارایی بازرسی را بهبود بخشد و توسعه تشخیص خودکار اشعه ایکس را ارتقا دهد
کلیدواژهها
نویسندگان
شیوه ارجاع
موافقی، امیر و مرتضایی، علی و یاحقی، عفت و شجاعی، امیر احمد و کشاورز نسب، علی،1404،تشخیص هوشمند عیوب جوش خط لوله با YOLO v۱۱ و پیش پردازش با فیلتر گوسین و روش حذف زمینه،هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی،تهران
ارائهشده در
مجموعه مقالات هشتمین کنفرانس بین المللی جوشکاری و آزمایش های غیرمخرب، بیست و ششمین کنفرانس ملی جوش و بازرسی، پانزدهمین کنفرانس ملی آزمایش های غیرمخرب و چهارمین کنفرانس ملی ساخت افزایشی20 بهمن 1404 · تهران