بررسی عیوب لوله‌های گاز با روش رادیوگرافی صنعتی گاما و وردش همسان‌گرد- ناهمسان‌گرد وزن‌دار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه ریاضی، دانشکده علوم پایه، دانشگاه بوعلی سینا، همدان، ایران

2 پژوهشکده راکتور و ایمنی هسته‌ای، پژوهشگاه علوم و فنون هسته‌ای، تهران، ایران

3 گروه فیزیک، دانشگاه بین المللی امام خمینی (ره)

چکیده

یکی از روش‌های مهم برای بررسی آسیب‌های لوله‌های ضخیم در صنعت گاز و نفت اسفاده از رادیوگرافی صنعتی گاما است. به علت انرژی بالای چشمه‌های گامای استفاده شده در رادیوگرافی، نفوذپذیری در قطعات با ضخامت حدود چند اینچ بالاست و تصویر مناسبی از مشخصات داخلی لوله می‌دهد. بر اثر عوامل مختلفی مانند پراکندگی اشعه گاما و مراحل ظهور و ثبوت فیلم، تصویر ثبت شده معمولا مات شدگی دارد. کنتراست و رزولوشن تصاویر رادیوگرافی نقش مهمی در تفسیر دقیق فیلم‌های رادیوگرافی و شناسائی عیوب دارند. روش‌های مختلف پردازش تصویر اعم از حوزه فرکانس و مکان می‌توانند برای بهبود کنتراست پرتونگاره‌ها مفید باشند. روش وردش یکی از متداول‌ترین روش‌های پردازش تصویر است. انواع مختلفی از روش‌های مبتنی بر وردش برای بهبود کیفیت تصاویر در مسائل مختلف پردازش تصویر مورد استفاده قرار گرفته است. در این تحقیق از روش وردش همسانگرد- ناهمسانگرد وزندار (WAITV) برای پردازش و بهبود کنتراست تصاویر رادیوگرافی استفاده شده است. این روش بر اساس عملگرهای تفاضل افقی و عمودی وتابع وردش همسانگرد وردش ناهمسانگرد عمل می‌کند و از روش مسیر متناوب ضرایب الگوریتمی سریع را برای بهینه سازی ارائه می‌دهد. این الگوریتم بر روی 24 تصویر رادیوگرافی تهیه شده اعمال شده و تصاویر اصلی و پردازش شده توسط متخصصین ارزیابی شده‌اند. نتایج ارزیابی نشان می‌‌دهد که‌ از نظر متخصصین استفاده از روش WAITV در بهبود کنتراست تصاویر رادیوگرافی بین 10 تا 20% تاثیر داشته است. در کل لبه‌های تصاویر تیزتر شده و نواحی مختلف مانند خطوط IQI و عیوب در تصاویر پردازش شده بهتر دیده می‌شوند. همچنین متخصصین تاکید می‌کنند که با توجه به تغییرات روشنایی در پیکسل‌ها و امکان ایجاد عیوب دروغین استفاده از این روش و روش‌های پردازشی دیگر تنها در صورت مقایسه با تصویر رادیوگرافی اصلی قابل تفسیر است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating the defects of gas pipes with industrial gamma radiography method and weighted anisotropic–isotropic total variation

نویسندگان [English]

  • Mahdi Mirzapour 1
  • Amir Movafeghi 2
  • Effat yahaghi 3
1 Department of Mathematics, Faculty of Sciences, Bu-Ali Sina University, Hamedan, Iran
2 Reactor and Nuclear Safety Research School, Nuclear Science & Technology Research Institute (NSTRI), Tehran, Iran
3 Imam Khomeini International Univesity, Qazvin, Iran,
چکیده [English]

Industrial gamma radiography is used to test the defect of thick pipes in the oil and gas industry. Due to the high energy of the gamma sources used in radiography, the permeability is high in parts with a thickness of several inches and gives a good image of the internal characteristics of the pipe. Due to various factors such as the scattering of gamma rays and the stages of emergence and proofing of the film, the recorded image is usually blurred. The resolution and contrast of radiographic images have an important rule for precise interpretation and better defect detection. Different methods of image processing, both in the frequency and spatial domains, can be useful for improving the quality of radiographs. Various types of total variation-based methods have been used to improve the quality of images in different types of image processing problems. In this research, the weighted isotropic-anisotropic total variation method (WAITV) has been used to process and improve the contrast of radiographic images. This method works on the basis of horizontal and vertical differential operators and isotropic and anisotropic conversion functions and provides fast algorithmic coefficients for optimization using the alternating path method. This algorithm was applied to 24 prepared radiographic images and the original and processed images were evaluated by experts. The results of the evaluation show that, according to specialists, the use of the WAITV method has an effect of 10 to 20% in improving the contrast of radiographic images. In general, the edges of the images are sharper and different regions such as IQI lines and defects are better seen in the processed images. Experts also emphasize that due to the changes in brightness in the pixels and the possibility of creating false defects, the use of this method and other processing methods can only be interpreted when compared with the original radiographic image.

کلیدواژه‌ها [English]

  • Nondestructive testing
  • Gamma Radiography
  • Image processing
  • weighted anisotropic–isotropic total variation

مراجع

[1] Harry E M., Clinton M. L; Daniel J. Sch.; Peter J. Sh. (2016). X-Ray Imaging: Fundamentals, Industrial Techniques and Applications. Boca Raton, Fl, USA: Taylor and Francis, CRC Press. p. 187. ISBN 9781420009767.
[2] Woodford C., Ashby P. (2020) Non-Destructive Testing and Radiation in Industry, IAEA International Nuclear Information System. Retrieved 31 May 2020.
[3] Polee C, Chankow N, Srisatit S, Thong-Aram D (2015) An industrial radiography exposure device based on measurement of transmitted gamma-ray intensity, IOP Publishing, Journal of Physics: Conference Series 611  012020, doi:10.1088/1742-6596/611/1/012020
[4]. K Edalati, N Rastkhah, A Kermani, M Seiedi, A Movafeghi The use of radiography for thickness measurement and corrosion monitoring in pipes, International journal of pressure vessels and piping 83 (10), 736-741.
[5] Birchall I., Brown C.B., Knowles S.B. (1975) Gamma radiography using short half-life radioisotopes, The International Journal of Applied Radiation and Isotopes, 26(3), March, Pages 141-145, https://doi.org/10.1016/0020-708X(75)90154-4.
[6] ISO 17636-1 (2022) Non-destructive testing of welds — Radiographic testing — Part 1: X- and gamma-ray techniques with film.
[7] Mery D, Pieringer Ch. (2021) Computer Vision for X-Ray Testing: Imaging, Systems, Image Databases, and Algorithms, 2nd ed, Springer.
[8] Kasban H., Zahran O., Arafa H., El-Kordy M., Elaraby S.M.S., Abd El-Samie F.E. (2011), Welding defect detection from radiography images with a cepstral approach, NDT & E International,44, 2, 226-231, https://doi.org/10.1016/j.ndteint. 2010.005
[9] Mirzapour M, Movafeghi A, Yahaghi E (2021) Quantitative weld defect sizing using convolutional neural network-aided processing of RT images, Insight ,63 ,3 ,DOI: 10.1784/insi.2021.63.3.141
[10] Rudin L. I., Osher S., Fatemi E., (1992) Nonlinear total variation based noise removal algorithms, Physica D: Nonlinear Phenomena,. 60 (1-4), 259–268.
[11] Lysaker M., Lundervold A., Tai X.-C. (2003) Noise removal using fourth-order partial differential equation with applications to medical magnetic resonance images in space and time, IEEE Transactions on Image Processing, vol. 12, no. 12, pp. 1579–1590.
[12] Remez T., Litany O., Giryes R., Bronstein A. M. (2018) Class-aware fully convolutional Gaussian and Poisson denoising IEEE Transactions on Image Processing, vol. 27, no. 11, pp. 5707–5722.
[13] Zeng C.,  Wu C (2018) On the edge recovery property of noncovex nonsmooth regularization in image restoration, SIAM Journal on Numerical Analysis, vol. 56, no. 2, pp. 1168–1182
[14] Bui  K., Lou  Y., Park F., Xin J. (2023) Weighted Anisotropic-Isotropic Total Variation for Poisson Denoising, In 2023 IEEE International Conference on Image Processing (ICIP) (pp. 1020-1024).
[15] Lou Y., Zeng T., Osher S.,  Xin J. (2015) A weighted difference of anisotropic and isotropic total variation model for image processing,” SIAM Journal on Imaging Sciences, vol. 8, no. 3, pp. 1798–1823.
[16] [21] Lou Y., Yan M. (2018) Fast l1–l2 minimization via a proximal operator, Journal of Scientifc Computing, 74( 2), 767–785.

فایل ها

سابقه مقاله

  • تاریخ دریافت: 28 مهر 1402
  • تاریخ بازنگری: 05 بهمن 1402
  • تاریخ پذیرش: 26 اسفند 1402

هم رسانی

ارجاع به این مقاله

آمار