Применение текстурной фильтрации при кластеризации данных рентгеновской компьютерной томографии изделий из полимерных композиционных материалов

Обложка
  • Авторы: Ширшин А.В.1,2, Федоров А.В.1, Железняк И.С.2, Пелешок С.А.2
  • Учреждения:
    1. Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет ИТМО»
    2. Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Военно-медицинская академия имени С.М. Кирова» Министерства обороны Российской Федерации
  • Выпуск: № 5 (2025)
  • Страницы: 62-67
  • Раздел: Радиационные методы
  • URL: https://journals.rcsi.science/0130-3082/article/view/283547
  • DOI: https://doi.org/10.31857/S0130308225050065
  • ID: 283547

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рентгеновская компьютерная томография (РКТ) является одним из наиболее информативных методов неразрушающего контроля полимерных композиционных материалов (ПКМ) и изделий из них. Одним из важных этапов РКТ изделий из ПКМ является сегментация, автоматизация которой представляет исследовательский интерес. В процессе сегментации важно выделить изотекстурные зоны, содержащие локальные перепады рентгеновской плотности. В настоящей работе исследованы возможности трехмерной текстурной фильтрации (гауссовым фильтром, фильтрами Габора) при кластеризации данных рентгеновской компьютерной томографии алгоритмом простой линейной итеративной кластеризации (ПЛИК, Simple Linear Iterative Clustering, SLIC) и оценена их результативность по параметрам: доля несовпадений границ кластеров с границами сегментируемых областей и сферичность кластеров, а также производительность по времени разбиения набора данных на необходимое число кластеров. Результаты исследования показали, что применение трехмерных текстурных фильтров повышает точность кластеризации и сферичность изотекстурных кластеров данных РКТ изделий из ПКМ без значимого повышения времени кластеризации в сравнении с необработанными данными. Максимальное повышение точности кластеризации наблюдалось при использовании комбинации гауссовского фильтра и фильтров Габора, при этом увеличивалось время кластеризации.

Об авторах

Александр Вадимович Ширшин

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет ИТМО»; Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Военно-медицинская академия имени С.М. Кирова» Министерства обороны Российской Федерации

Email: asmdot@gmail.com
ORCID iD: 0000-0002-1494-9626
SPIN-код: 4412-0498
Scopus Author ID: 57809284700
Россия, 197101 Санкт-Петербург, Кронверкский пр-т, 49, лит. А; 194044 Санкт-Петербург, ул. Академика Лебедева, 6Ж

Алексей Владимирович Федоров

Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет ИТМО»

Email: afedor62@yandex.ru
ORCID iD: 0000-0003-0612-922X
SPIN-код: 2489-4043
Scopus Author ID: 57219346304
Россия, 197101 Санкт-Петербург, Кронверкский пр-т, 49, лит. А

Игорь Сергеевич Железняк

Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Военно-медицинская академия имени С.М. Кирова» Министерства обороны Российской Федерации

Email: igzh@bk.ru
ORCID iD: 0000-0001-7383-512X
SPIN-код: 1450-5053
Scopus Author ID: 57201822052
Россия, 194044 Санкт-Петербург, ул. Академика Лебедева, 6Ж

Степан Андреевич Пелешок

Федеральное государственное бюджетное военное образовательное учреждение высшего образования «Военно-медицинская академия имени С.М. Кирова» Министерства обороны Российской Федерации

Автор, ответственный за переписку.
Email: peleshokvma@mail.ru
ORCID iD: 0000-0002-9460-8126
SPIN-код: 3657-9756
Scopus Author ID: 6507481006
Россия, 194044 Санкт-Петербург, ул. Академика Лебедева, 6Ж

Список литературы

  1. Dhakate P.D., Chordia S.N. Shape Memory Polymers and Composites in Aerospace Applications // International Journal of Engineering Research. 2020. V. 9. No. 11.
  2. Valueva M.I., Evdokimov A.A., Nacharkina A.V., Gubin A.M. Polymer Composite Materials And Technologies In The Automotive Industry // Proceedings of VIAM. 2022. No. 1. P. 53—65.
  3. Ramakrishna S., Mayer J., Wintermantel E., Leong K.W. Biomedical applications of polymer-composite materials: a review // Composites Science and Technology. 2001. V. 61. Biomedical applications of polymer-composite materials. No. 9. P. 1189—1224.
  4. Pires L., Magalhães F., Moreira Pinto A. New Polymeric Composites Based on Two-Dimensional Nanomaterials for Biomedical Applications // Polymers. 2022. V. 14. P. 1464.
  5. Oladele I., Adelani S., Agbabiaka O., Adegun M. Applications and Disposal of Polymers and Polymer Composites: A Review // Applications and Disposal of Polymers and Polymer Composites. 2022. V. 9. No. 3. P. 65—89.
  6. Chen J., Yu Z., Jin H. Nondestructive testing and evaluation techniques of defects in fiber-reinforced polymer composites: A review // Frontiers in Materials. 2022. V. 9. Nondestructive testing and evaluation techniques of defects in fiber-reinforced polymer composites.
  7. Garcea S.C., Wang Y., Withers P. X-ray computed tomography of polymer composites // Composites Science and Technology. 2017. V. 156.
  8. Straumit I., Lomov S., Wevers M. Quantification of the internal structure and automatic generation of voxel models of textile composites from X-ray computed tomography data // Composites Part A: Applied Science and Manufacturing. 2015. V. 69.
  9. Berg S., Saxena N., Shaik M., Pradhan C. Generation of ground truth images to validate micro-CT image-processing pipelines // The Leading Edge. 2018. V. 37. P. 412—420.
  10. Distante A., Distante C. Handbook of Image Processing and Computer Vision. V. 2. From Image to Pattern / Handbook of Image Processing and Computer Vision. 2020.
  11. Chauhan S., Rühaak W., Khan F., Enzmann F., Mielke P., Kersten M., Sass I. Processing of rock core microtomography images: Using seven different machine learning algorithms // Computers & Geosciences. 2016. V. 86. Processing of rock core microtomography images. P. 120—128.
  12. Taneja A., Ranjan P., Ujjlayan A. A performance study of image segmentation techniques / 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions). Noida, India: IEEE. 2015. P. 1—6.
  13. Mendoza A., Trullo R., Wielhorski Y. Descriptive Modeling of Textiles using FE Simulations and Deep Learning. Т. 213 // Journal Abbreviation: Composites Science and Technology. 2021.
  14. Sinchuk Y., Kibleur P., Aelterman J., Boone M., Van Paepegem W. Variational and Deep Learning Segmentation of Very-Low-Contrast X-ray Computed Tomography Images of Carbon/Epoxy Woven Composites // Materials. 2020. V. 13. P. 936.
  15. Auenhammer R., Mikkelsen L., Asp L., Blinzler B. Automated X-ray computer tomography segmentation method for finite element analysis of non-crimp fabric reinforced composites // Composite Structures. 2020. V. 256. P. 113136.
  16. Sukemi, Sukrisno E. Identification using the K -Means Clustering and Gray Level Co-occurance Matrix (GLCM) At Maturity Fruit Oil Head / 2019 Fourth International Conference on Informatics and Computing (ICIC) 2019 Fourth International Conference on Informatics and Computing (ICIC). Semarang, Indonesia: IEEE, 2019. P. 1—4.
  17. Zhou B. Image Segmentation Using Slic Superpixels and Affinity Propagation Clustering // International Journal of Science and Researc. 2015. V. 4. No. 4. IJSR. P. 1525—1529.
  18. Lowekamp B., Chen D., Yaniv Z., Yoo T. Scalable Simple Linear Iterative Clustering (SSLIC) Using a Generic and Parallel Approach // The Insight Journal. 2018.
  19. Nowosad J., Stepinski T.F. Extended SLIC superpixels algorithm for applications to non-imagery geospatial rasters // International Journal of Applied Earth Observation and Geoinformation. 2022. V. 112. P. 102935.
  20. Fedorov A., Beichel R., Kalpathy-Cramer J., Finet J., Fillion-Robin J.-C., Pujol S., Bauer C., Jennings D., Fennessy F., Sonka M., Buatti J., Aylward S., Miller J.V., Pieper S., Kikinis R. 3D Slicer as an Image Computing Platform for the Quantitative Imaging Network // Magnetic resonance imaging. 2012. V. 30. No. 9. P. 1323—1341.
  21. Zack G.W., Rogers W.E., Latt S.A. Automatic measurement of sister chromatid exchange frequency // Journal of Histochemistry & Cytochemistry. 1977. V. 25. No. 7. P. 741—753.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».