Automatizace vyhledávání abnormalit z tomografických dat

Abstract

Předložená diplomová práce se zabývá automatizací procesu skenování a vyhodnocování abnormalit gascoolerů, které vznikají při jejich výrobě. Nedestruktivní testování využívá technologii CT skenování jejímž výstupem jsou obrazová data. Cílem práce je nahradit zdlouhavý proces ručního procházení dat spolehlivou algoritmizovatelnou metodou a ověřit, zda je tento směr vývoje perspektivní. V teoretické části se práce zabývá chladícími systémy v automobilech, nedestruktivním testování s těžištěm v CT technologii a rešerší softwarů pro prohlížení a analýzu CT dat. Praktická část diplomové práce se zaměřuje na problematiku ucpaných kanálků gascoolerů. Jsou popsány příčiny vzniku této abnormality, dosavadní přístup k jejímu odhalení a nový automatický přístup kontroly. Navržený algoritmus spolu s aplikaci vytvořenou pomocí Matlabu jsou testovány na konkrétních datech. Spolehlivost výsledků je v závěru porovnávána ručním hodnocením CT snímků. Pro hodnocení kvality obrazových dat je trénována hluboká neuronová síť.The presented thesis concerns the automation of the process of scanning and evaluating abnormalities of gascoolers that occur during their production. Non-destructive testing employs CT scanning technology, which generates image data as an output. The objective of the work is to replace the time-consuming manual data scanning process with a reliable algorithmic method and to assess the potential of this direction of development. The theoretical part of the thesis deals with cooling systems in cars, non-destructive testing with a focus on CT technology and a search for software for viewing and analysing CT data. The practical part of the thesis focuses on the problem of clogged gascooler ducts. The causes of this abnormality, the current approach to its detection and a new automatic inspection approach are described. The proposed algorithm together with an application developed using Matlab are tested on concrete data. Finally, the reliability of the results is evaluated by manual inspection of the CT images. A deep neural network is trained to assess the quality of the image data.