راهکاری به منظور تشخیص وجود حباب در لاستیک خودرو در تصاویر رادیو گرافی با استفاده از تکنیک های پردازش تصویر

اطمینان از تولید تایرهای بدون عیب امری مهم در صنعت تولید تایر می باشد. تست x-ray یکی از مهمترین تست‌ها جهت آشکارسازی عیوبی است که توسط چشم انسان قابل تشخیص نیست. با توجه به اینکه بررسی تصاویر x-ray توسط اپراتور فرایندی زمان‌گیر و هزینه‌بر است لذا استفاده از بینایی ماشین و یادگیری ماشین امری مهم در این صنعت به شمار می‌رود. در این مقاله راهکاری جدید به منظور تشخیص عیوب تایر در تصاویر x-ray بر اساس تکنیک‌های پردازش تصویر جهت استخراج ویژگی‌های بافتی از تصویر ارائه شده است. در روش پیشنهادی، ابتدا تصویر هموارسازی می‌شود. سپس فیلتر گوسی و میانه مورد استفاده قرار گرفت تا یک تصویر جدید که در آن ناهمگونی در الگوهای تصویر وردی نشان داده می‌شود، تولید شود و در ادامه برای آشکارسازی این نوع عیوب از ویژگی‌های ساختارشناسانه و انتقال فضا استفاده شده است. با اعمال تبدیل فوریه سریع دوبعدی و بررسی نواحی موجود در تصویر، عیب تشخیص داده می‌شود. به منظور ارزیابی راهکار پیشنهادی مجموعه دادگان تایر با تصاویر x-ray تهیه شد که با اعمال الگوریتم پیشنهادی بر روی این مجموعه دقت خوبی در تشخیص و بازشناسی نوع عیب به دست آمد. دقت به دست آمده نشان می‌دهد که الگوریتم پیشنهادی از کارآیی بالایی در مرحله تشخیص عیب برخوردار است.

asolution to detect bubble defect in tires radiographicimages using image processing techniques

ensuring the production of defected tires is important in the tire industry. x-ray test is one of the most essential tests to detect defects that are not detectable by the humaneye. due to the fact that the examination of x-ray images by the operator is a time consumingand costly process, so the use of machine vision and machine learning techniques is an important issue in this industry. in this paper, a new approach to detect tire defects in x-ray images based on image processing techniques to extract texture characteristics from theimage is presented. in the proposed method, the image is smoothed first, the gaussian and middle filters were then used to produce a new image in which heterogeneity is shown in the input image patterns, and then structural features and space transfer were used to detect these types of defects. the defect is detected by applying a fast 2d fourier transform and examining the areas in the image. in order to evaluate the proposed solution, the tire data set was prepared with x-ray images, which by applying the proposed algorithm on this set, accuracy in diagnosing and recognizing the type of defect was obtained. the obtained accuracy shows that the proposed algorithm has a high efficiency in the defect detection stage.