Науковий вісник НГУ

Нелінійний динамічний аналіз текстурних змін нерівностей зварювання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 19 листопада 2016

Опубліковано: 18 листопада 2016

Перегляди: 3798

Authors:

Шугуан У, Кафедра електроніки та інформаційних технологій, Цзянменьський політехнікум, Цзянмень, Гуандун, Китай

Іцін Чжоу, Кафедра електроніки та інформаційних технологій, Цзянменьський політехнікум, Цзянмень, Гуандун, Китай

Abstract:

Мета. Завдяки своєму різноманіттю, текстон зварювального зображення мало помітний, і дефекти зварювання важко виявити автоматично. Метою даної роботи є визначення текстурних змін зображення зварювального шва задля знаходження дефектів зварювання та визначення оптимального числа елементів, зокрема, у хаотичному динамічному режимі.

Методика. Текстура характеризується ентропією подібності, що розраховується у фазовому просторі. Часові ряди реконструюються з ентропією значень субзображень для вибору з відповідних параметрів текстури. Застосовуючи хаотичну теорію, ми запропонували метод пошуку зони різких текстурних змін.

Результати. Спочатку ми отримуємо ентропію подібності у фазовому просторі, а потім, за допомогою метода пошуку зони змін текстури нерівностей, ми знаходимо область змін відповідної текстури.

Наукова новизна. Нами проведене дослідження області різких текстурних змін. Розглянута реконструкція принципу часових рядів, ентропія подібності визначення порогу мутації.

Практична значимість. На практиці, можливо реконструювати часові ряди з ентропією значень субзображень на першому етапі, ці результати набагато більш точні в зоні різких текстурних змін.

References/Список літератури

1. Zhou, H., Zheng, J. and Wei, L., 2013. Texture aware image segmentation using graph cuts and active contours. Pattern Recognition, Vol. 46, No. 6, pp. 1719–1733.

2. Asha, V., Bhajantri, N. U. and Nagabhushan, P., 2012. Automatic Detection of Texture-defects using Texture-periodicity and Jensen-Shannon Divergence. Journal of Information Processing Systems, Vol. 8, No. 2, pp. 548–553.

3. Gernot Stübl, 2013. Periodicity Estimation of Nearly Regular Textures Based on Discrepancy Norm. Proc of SPIE, Vol. 8661, pp. 45–78.

4. Chen, Mi and Strobl, J., 2013. Multispectral textured image segmentation using a multi-resolution fuzzy Markov random field model on variable scales in the wavelet domain. International Journal of Remote Sensing, Vol. 34, No. 13, pp. 4550–4569.

5. Spampinato, C., Palazzo, S. and Kavasidis, I., 2013. A texton-based kernel density estimation approach for background modeling under extreme conditions. Computer Vision & Image Understanding, Vol. 122, No. 4, pp. 74–83.

6. Kennel, Pol, Fiorio, C. and F. Borne, 2015. Supervised image segmentation using Q-Shift Dual-Tree Complex Wavelet Transform coefficients with a texton approach. Formal Pattern Analysis & Applications, Vol. 18, No. 2, pp. 1–11.

7. Basha, S. R. and Reddy, P. K., 2015. Discrimination of Textures Using Texton Patterns. Global Journal of Computer Science and Technology, Vol. 15, No. 3, pp. 1–7.

05_2016_Shuguang
2016-11-15  789.01 KB  896

• < Попередня
• Наступна >