|
Аннотация.
В работе рассматриваются практические вопросы использования компьютерной томографии в задачах неразрушающего контроля для оценки геометрических параметров объектов в промышленности и лабораторных исследованиях. Обзор источников показал, что большинство опубликованных работ опирается на закрытые данные, что существенно затрудняет проведение научных исследований в части воспроизведения результатов и сравнения различных методов томографической реконструкции и анализа реконструированных данных. В качестве решения этой проблемы предложено использовать численное моделирование с использованием программного обеспечения с открытым исходным кодом. Предложена оригинальная схема виртуального конвейера генерации тестовых данных. Программная часть конвейера реализована в виде набора python-скриптов, проведены численные эксперименты.
Ключевые слова:
неразрушающий контроль, рентгеновская компьютерная томография, компьютерная симуляция.
DOI: 10.14357/20790279240406
EDN: CZKOHZ Стр. 46-55.
Литература
1. Buzug T.M. Computed tomography // Springer handbook of medical technology. Berlin; Heidelberg: Springer, 2008. P. 311-342. DOI: 10.1007/978-3-540-39408-2. 2. Withers P.J., Bouman C., Carmignato S., Cnudde V., Grimaldi D., Hagen C.K., Maire E., Manley M., Du Plessis A., Stock S.R. X-ray computed tomography // Nature Reviews Methods Primers. 2021. Vol. 1. No. 1. P. 18. DOI: 10.1038/s43586-021-00015-4. 3. Arlazarov V.L., Nikolaev D.P., Arlazarov V.V., Chukalina M.V. X-ray Tomography: the Way from Layer-by-layer Radiography to Computed Tomography // Computer Optics. 2021. Vol. 45. No. 6. P. 897-906. DOI: 10.18287/2412-6179-CO-898. 4. Dewulf W., et al. Advances in the metrological traceability and performance of X-ray computed tomography // CIRP Annals. 2022. Vol. 71. No. 2. P. 693-716. DOI: 10.1016/j.cirp.2022.05.001. 5. Adler J., Oktem O. Learned Primal-Dual Reconstruction // IEEE Transactions on Medical Imaging. 2018. Vol. 37. No. 6. P. 1322-1332. DOI: 10.1109/TMI.2018.2799231. 6. Ge R., He Y., Xia C., Sun H., Zhang Y., Hu D., Chen S., Chen Y., Li S., Zhang D. DDPNet: A Novel Dual-Domain Parallel Network for Low-Dose CT Reconstruction // Medical Image Computing and Computer Assisted Intervention MICCAI 2022. Cham: Springer Nature Switzerland. 2022. P. 748-757. DOI: 10.1007/978-3-031-16446-0_71. 7. Niu C., Li M., Guo X., Wang G. Self-supervised dual-domain network for low-dose CT denoising // Developments in X-ray Tomography XIV. SPIE. 2022. Vol. 12242. P. 122420H. DOI: 10.1117/12.2633197. 8. Yamaev A.V., Chukalina M.V., Nikolaev D.P., Kochiev L.G., Chulichkov A.I. Neural network regularization in the problem of few-view computed tomography // Computer Optics. Institution of Russian Academy of Sciences, Image Processing Systems Institute of the Russian Academy of Sciences (IPSI RAS). 2022. Vol. 46. No. 3. P. 422-428. DOI: 10.18287/2412-6179-CO-1035. 9. Bulatov K.B., Ingacheva A.S., Gilmanov M.I., Kutukova K., Soldatova Z.V., Buzmakov A.V., Chukalina M.V., Zschech E., Arlazarov V.V. Towards monitored tomographic reconstruction: algorithm-dependence and convergence // Computer Optics. Institution of Russian Academy of Sciences, Image Processing Systems Institute of the Russian Academy of Sciences (IPSI RAS). 2023. Vol. 47. No. 4. P. 658-667. DOI: 10.18287/2412-6179-CO-1238. 10. Zhou Z., Song J., Xie X., Shu Z., Ma L., Liu D., Yin J., See S. Towards Building AI-CPS with NVIDIA Isaac Sim: An Industrial Benchmark and Case Study for Robotics Manipulation // 2024 IEEE/ACM 46th International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP). Los Alamitos, CA, USA: IEEE Computer Society. 2024. P. 263-274. DOI: 10.1145/3639477.3639740. 11. Xu B., Gao F., Yu C., Zhang R., Wu Y., Wang Y. Omnidrones: An efficient and flexible platform for reinforcement learning in drone control // IEEE Robotics and Automation Letters. IEEE. 2024. 12. Chernyshova Y.S., Gayer A.V., Sheshkus A.V. Generation method of synthetic training data for mobile OCR system // ICMV 2017. Bellingham, Washington: Society of Photo Optical Instrumentation Engineers (SPIE), 2018. Vol. 10696. P. 106962G1-106962G7. DOI: 10.1117/12.2310119. 13. Gayer A.V., Chernyshova Y.S., Sheshkus A.V. Effective real-time augmentation of training dataset for the neural networks learning // ICMV 2018. Bellingham, Washington: Society of Photo-Optical Instrumentation Engineers (SPIE). 2019. Vol. 11041. P. 110411I1-110411I7. DOI: 10.1117/12.2522969. 14. Ketcham R.A., Hanna R.D. Beam hardening correction for X-ray computed tomography of heterogeneous natural materials // Computers & Geosciences. 2014. Vol. 67. P. 49-61. DOI: 10.1016/j.cageo.2014.03.003. 15. Lifton J.J., Liu T. Evaluation of the standard measurement uncertainty due to the ISO50 surface determination method for dimensional computed tomography // Precision Engineering. 2020. Vol. 61. P. 82-92. DOI: 10.1016/j. precisioneng.2019.10.004. 16. Buscher K.J., Degel J.P., Oellerich J. A Comprehensive Survey of Isocontouring Methods: Applications, Limitations and Perspectives // Algorithms. MDPI. 2024. Vol. 17. No. 2. P. 83. DOI: 10.3390/a17020083. 17. Shen T., Munkberg J., Hasselgren J., Yin K., Wang Z., Chen W., Gojcic Z., Fidler S., Sharp N., Gao J. Flexible Isosurface Extraction for GradientBased Mesh Optimization // ACM Transactions on Graphics. 2023. Vol. 42. No. 4. P. 37-1. DOI: 10.1145/3592430. 18. Xue L., Xu J., Ma K., Li Z., Wang J. Adaptive and High-Precision Isosurface Meshes from CT Data // Journal of Nondestructive Evaluation. Springer. 2024. Vol. 43. No. 3. P. 85. DOI: 10.1007/s10921-024-01102-8. 19. Leonard F., Brown S.B., Withers P.J., Mummery P.M., McCarthy M.B. A new method of performance verification for x-ray computed tomography measurements // Measurement Science and Technology. IOP Publishing. 2014. Vol. 25. No. 6. P. 065401. DOI: 10.1088/0957-0233/25/6/065401. 20. Wu M., FitzGerald P., Zhang J., Segars W.P., Yu H., Xu Y., De Man B. XCIST—an open access x-ray/CT simulation toolkit // Physics in Medicine & Biology. IOP Publishing. 2022. Vol. 67. No. 19. P. 194002. DOI: 10.1088/1361-6560/ac9174. 21. Paramonov P., Francken N., Renders J., Iuso D., Elberfeld T., De Beenhouwer J., Sijbers J. CADASTRA: a versatile and efficient mesh projector for X-ray tomography with the ASTRA-toolbox // Optics Express. Optica Publishing Group. 2024. Vol. 32. No. 3. P. 3425-3439. DOI: 10.1364/OE.498194. 22. Musy M., Jacquenot G., Dalmasso G., Lee J., Soltwedel J., Pujol L., de Bruin R., Tulldahl M., Zhou Z.-Q., Enjalbert R., Claudi F., Hacha B., Badger C., Lu X., Sol A., Pollack A., Schneider O., Daizhirui, ScottOZ R., Mitrano P., Brodersen P., Schlomer N., kerrinrapid M., Wor J., Matzkin F., Evan, Hrisca D., Lerner B., Sullivan B., Yershov A. marcomusy/vedo: 2024.5.2 // Zenodo. 2024. DOI: 10.5281/zenodo.11846434. 23. Bartscher M., Illemann J., Neuschaefer-Rube U. ISO test survey on material influence in dimensional computed tomography // Case Studies in Nondestructive Testing and Evaluation. 2016. Vol. 6. P. 79-92. Special Issue: Industrial computed tomography. DOI: 10.1016/j.csndt.2016.04.001. 24. Schroeder W., Maynard R., Geveci B. Flying edges: A high-performance scalable isocontouring algorithm // 2015 IEEE 5th Symposium on Large Data Analysis and Visualization (LDAV). 2015. P. 33-40. DOI: 10.1109/LDAV.2015.7348069. 25. Li C., Xue J., Zheng N., Du S., Zhu J., Tian Z. Fast and robust isotropic scaling iterative closest point algorithm // 2011 18th IEEE International Conference on Image Processing. 2011. P. 1485-1488. DOI: 10.1109/ICIP.2011.6115724.
|
