Optimalizace nastavení tomografické stanice GE phoenix pro plastové součásti obsahující kovové části

Abstract

Rentgenová výpočetní tomografie je nástroj využívaný hlavně v medicínské diagnostice. S vývojem této techniky a zlepšení přesnosti tomografických systémů se tomografie začala používat pro průmyslové aplikace především kvůli nedestruktivní analýze vnitřní struktury vzorků. Při skenování nízko-absorpčních materiálů spolu s vysoko-absorpčními (například plast s kovem) však dochází k negativnímu ovlivnění rekonstruovaných dat. Toto ovlivnění znemožňuje analýzu vnitřní struktury. Existují dvě možnosti, jak tyto artefakty eliminovat. Buď použít algoritmy k redukci kovových artefaktů, nebo se jim pokusit vyhnout již při skenování. Tato bakalářská práce se zaměřuje na optimalizaci nastavení tomografické stanice pro pozorování plastových součástí obsahujících kovové části. Bude pozorován vliv použitého filtru rentgenového záření, vliv použití kolimátoru a vliv polohy vzorku na kvalitu dat. Kvalita dat bude hodnocena jak porovnáním tak s využitím kritérií jako kontrast, šum a ostrost hran.X-ray computed tomography is a tool mostly used in a medical diagnosis. A development of the technique and an improvement an in accuracy of tomographic systems enabled an utilization of the tomography in industrial applications. The tomography allows non-destructive analysis of inner structure. There is a negative influence of a reconstructed area if a low-absorption and high-absorption materials are scanned together. This influence makes analysis of the inner structure impossible. There are two options to eliminate these artifacts. We can use algorithms to reduce metal artifacts, or we can try to avoid them when performing the scan. This bachelor thesis focuses on an optimization of tomographic station adjustment for the plastic components including metal parts. The effect of an usage of X-ray filter or collimator and effect of a sample orientation on data quality will be observed. We use tools like contrast, noise and edge sharpness to evaluate data quality.