بهبود تباین با حذف زمینه تصاویر پرتونگاری صنعتی مخازن بزرگ آب و نفت با استفاده از گراف های عامل تصادفی

در پرتونگاری صنعتی مخازن بزرگ، وجود نویز، ناهمگنی ضخامت، پراکندگی فوتونی در پرتو و زمینه های ناخواسته و فاصله فیلم تا بدنه مخزن می توانند موجب کاهش قابلیت آشکارسازی عیوب و افت کیفیت پرتونگاره ها می شود. در این پژوهش، روشی مبتنی بر مدل گراف های عاملی تصادفی (Stochastic Factor Graphs; SFG) برای حذف زمینه و بهبود کیفیت تصاویر پرتونگاری ارائه شده است. در این روش، وابستگی های آماری بین پیکسل ها و ویژگی های ساختاری تصویر در قالب یک گراف عاملی مدل سازی شده و با تخمین بهینه پارامترها، مولفه های زمینه از نواحی حاوی اطلاعات عیب و جوش تفکیک می شوند. سپس تصویر حاصل به منظور افزایش تباین از پرتونگاره اصلی به صورت پیکسل به پیکسل کم می شود. نتایج نشان داد که روش پیشنهادی توانسته است کیفیت تشخیص عیوب را به طور محسوسی افزایش دهد. بر اساس ارزیابی انجام شده توسط متخصصین پرتونگاری، میزان بهبود کنتراست در ناحیه IQI از ۲۰% در تصویر اصلی به ۸۹% در تصویر بازسازی شده افزایش یافته است. همچنین دقت تشخیص خط جوش از ۴۰% به ۸۳%، عیوب از ۴۷% به ۹۴%، حروف سربی از ۸۳% به ۱۰۰% و خط کش سربی از ۹۰% به ۱۰۰% ارتقا یافته است. این نتایج بیانگر بهبود قابل توجه تباین، کاهش اثر زمینه و افزایش قابلیت مشاهده جزئیات ریز در تصاویر پرتونگاری مخازن بزرگ است. یافته های این مطالعه نشان می دهد که مدل SFG می تواند به عنوان یک ابزار موثر برای حذف زمینه و بهبود کیفیت تصاویر پرتونگاری صنعتی به کار گرفته شود و نقش مهمی در افزایش دقت بازرسی های غیرمخرب، کاهش خطای اپراتور و ارتقای قابلیت اطمینان ارزیابی مخازن و سازه های جوشی ایفا کند.

کلیدواژه ها:

مخازن ذخیره سازی بزرگ ، گراف های عاملی تصادفی ، رادیوگرافی صنعتی ، شناسائی عیوب ، آزمون های غیرمخرب