Analiza danych pomiarowych z tomografu komputerowego na przykładzie pomiaru defektów odlewniczych

• Autorzy: Sławomir Świłło , Dawid Myszka , Marcin Perzyk

Warianty tytułu

Die Casting Defects Measurement Based on Computer Tomography Measurement

• Języki publikacji: PL

Abstrakty

W artykule zaprezentowano nowy system tomografii komputerowej skanowania promieniami rentgena, umożliwiający generowanie obrazów prześwietlanego wyrobu aluminiowego. Jako przykład przedstawiono analizę zagazowania w aluminiowej próbce. Setki obrazów zostało zapisanych, w celu określenia położenia defektów wewnętrznych. W tym celu, po pierwsze zastosowano proces obróbki obrazu określając krawędzie badanych obiektów (z ang. edge detection) oraz usuwając błędne piksele działaniami morfologicznymi. Po drugie zbudowano trójwymiarową reprezentację obiektów w przestrzeni składając wyniki analizy z zapisanych obrazów w rozdzielczości sięgającej 100 mikrometrów. Następnie zastosowano algorytm umożliwiający porządkowanie zidentyfikowanych obiektów, prowadząc do identyfikacji poszczególnych defektów w odlewie. Na koniec przedstawiono analizę statystyczną uzyskanych wyników rekonstrukcji defektów odlewniczych pod względem częstości ich występowania, wskazując na dużą dokładność pomiarów. Pozwoliło to wykazać wysoce praktyczny aspekt zaprezentowanej metody tomografii komputerowej, szczególnie w odniesieniu do pomiarów defektów w odlewach aluminiowych.(abstrakt oryginalny)

EN

The paper presents a new computer system the X-ray tomography scanner that can produce tomographic images (sections) of the examined aluminum alloy product. An example of the blowholes formation of the aluminium die casting was used and analyzed. Hundreds of images were saved for the specimen in order to localize and measure each of the aluminum defect. First, an image processing was utilized to analyze and recognize defects based on edge detection and morphological operations. Second, a spatial three-dimensional representation was formed from numerous flat (two-dimensional) images taken with 100 microns resolution. Then, 3D label algorithm was applied to identify size and location of each of the detected defect. Finally, a statistical report was generated with detailed information as a histogram of the defects size frequency, showing the advantage of the accuracy measurement over other nondestructive techniques. Therefore, the X-ray tomography when applied in metrology and testing of materials is particularly suitable for nano-CT examination and measurement of die casting defects.(original abstract)

Słowa kluczowe

PL

Logistyka produkcji; Odlewnictwo; Pomiary

EN

Production logistics; Casting; Measurement

• Czasopismo: Logistyka
• Rocznik: 2015
• Numer: nr 4, CD 2
• Strony: 6174--6179

Twórcy

autor

Sławomir Świłło

• Politechnika Warszawska

autor

Dawid Myszka

• Politechnika Warszawska

autor

Marcin Perzyk

• Politechnika Warszawska

Bibliografia

• 1. Analysis of Casting Defects. Publisher: American Foundry Society, 3d edition, Illinois, USA, 2011
• 2. Eckart Exner H.: Stereology and 3d microscopy: useful alternatives or Competitors in the quantitative analysis of Microstructures. Image Anal Stereo, 2004, 23, p.73-82
• 3. Falęcki Z.: Analiza wad odlewów. Wydawnictwa AGH, wydanie drugie, Kraków 1997.
• 4. Filbert D., Klatte,R., Heinrich W., Purschke M.: Computer aided inspection of castings. In: IEEEIAS Annual Meeting, Atlanta, USA (1987), p. 1087-1095
• 5. Herold F., Bavendiek K., and Grigat R.: A third generation automatic defect recognition system, Proc. 16th World Conference on Non Destructive Testing, Montreal, Canada, Aug. 30-Sep. 3, 2004.
• 6. Kyllonen J., and Pietikainen M.: Visual inspection of parquet slabs by combining color and texture, Proc. IAPR Workshop on Machine Vision Applications (MVA'00), Tokyo, Japan, 2000, p. 187-192
• 7. Luebbehuesen J.: Advanced Non-Destructive Testing by High Resolution Computed Tomography for 3D analysis of Automotive Components, GE S&IT phoenix|x-ray - Advanced NDT with hi-res CT
• 8. Mery, D., Filbert, D.: Automated flaw detection in aluminum castings based on the tracking of potential defects in a radioscopic image sequence. IEEE Trans. Robotics and Automation 18, 2002, p. 890-901
• 9. Mery D., Jaeger Th., and Filbert D.: A review of methods for automated recognition of casting defects, Insight, 44(7), 2002, p. 428-436
• 10. Mery D.: A New Approach to Detecting Defects in Aluminium Die Casting. Lecture Notes in Computer Science Vol. 2749, 2003, p. 725-732
• 11. Palanisamy S., Nagarajah C. R., Graves K., Iovenitti P.: A hybrid signal pre-processing approach in processing ultrasonic signals with noise. The International Journal of Advanced Manufacturing Technology June 2009, Vol. 42, Issue 7-8, p. 766-771
• 12. Palanisamy S, Nagarajah CR, Iovenitti P.: Effects of grain size and surface roughness on ultrasonic testing of aluminium alloy die castings. Mater Eval, 2005, 63(8), p.832-836
• 13. Perzyk M. i inni: Odlewnictwo. WNT Warszawa 2003 r.
• 14. Schulenburg H., Purschke M.: Advances in the automatic evaluation of radioscopic images. In: International Conference on Computerized Tomography for Industrial Applications and Image Processing in Radiology, March 15-17, Berlin (1999), p. 241-243
• 15. Sedgewick R., Algorithms in C, 3rd Ed., Addison-Wesley, 1998, p. 11-20
• 16. Stereology and Quantitative Metallography: A Symposium Presented at the Seventy-fourth Annual Meeting, American Society for Testing and Materials, Atlantic City, N.J., 27 June-2 July, 1971
• 17. Świłło S., Perzyk M., Automatic inspection of surface defects in die castings after machining, Archives of Foundry Engineering, Vol. 11, (3), 2011, p. 231 - 236
• 18. Świłło S., Myszka D., Advanced metrology of surface defects measurement for aluminum die casting, Archives of Foundry Engineering, Vol. 11, (3), 2011, p. 227 - 230.
• 19. Świłło S., Myszka D., Komputerowy system wizyjny do kontroli defektów odlewniczych, Eksperci NEMU, Nr 2(10), 2011 r. p. 10-12
• 20. Świłło S., Perzyk M., Automated vision system for inspection of surface casting defects based on advanced computer techniques, Supplement Proceedings, Materials Properties, Characterization and Modeling TMA (The Minerals, Metals & Materials Society) 2012 141st Annual Meeting and Exhibition, Vol. 2, 2012, p. 387-394
• 21. Świłło S., Perzyk M., Surface casting defects inspection using vision system and neural network techniques, Archives of Foundry Engineering, Vol. 13, 4/2013, p. 103-106
• 22. Xu Z., Pietikainen M., and Ojala T.: Defect classification by texture in steel surface inspection, Proc. QCAV 97 International Conference on Quality Control by Artificial Vision, Le Creusot, Burgundy, France, , May 28-30, 1997. p. 179-184