Advanced measurement and quantification of industrial CT data

Abstract

In modernen industriellen Produktions- und Forschungsprozessen ist die zerstörungsfreie Werkstoffprüfung (ZfW) ein wichtiger Bestandteil. Dabei wird oft Computer Tomographie (CT) eingesetzt, um Einblicke in das Innere des Objektes zu bekommen. In solchen Datensätzen können bestimmte Merkmale automatisch erkannt und quantifiziert werden.<br />Allerdings werden darin die ursprünglichen Grenzen zwischen zwei Materialien nicht mehr korrekt abgebildet.<br />In dieser Diplomarbeit wird ein Verfahren vorgestellt, womit diese Grenzen aus dem realen Objekt wieder hergestellt werden können. Diese Rekonstruktion basiert auf einem einfachen Prinzip zur Erkennung von Kanten, wie sie auch in der Bildverarbeitung eingesetzt wird. Diese Grenze wird entlang des Gradienten der Daten gesucht und das Ergebnis in einem sogenannten Distance Field abgebildet.<br />Aus diesen Ergebnissen wird anschließend das genaue Volumen einzelner Merkmale durch Over-Sampling berechnet. Für verschiedene Arten von Datensätzen wird gezeigt, dass die Rekonstruktion dieser Grenze auf Subvoxel-Ebene einer genaueren Darstellung entspricht, als die zuvor segmentierte Region selbst. Diese Ergebnisse werden außerdem mit einer Methode verglichen, die durch Glättung die Darstellung der ursprünglichen Region verbessert.<br />

Non-destructive testing (NDT) is a vital part in today's industrial production and research processes. Such testing procedures often use Computed Tomography (CT) in order to get insights of the inner parts of an object. During the analysis of different objects, certain features can be automatically segmented and quantified in the CT dataset. However, due to various effects during the acquisition of the data, the original boundaries of two materials within the objects are not accurately represented in the dataset.<br />This thesis describes a method to reconstruct these boundaries for automatically segmented features on a subvoxel level of the dataset.<br />They are searched along the gradient of the data, using an edge-detection approach commonly used in image processing. The result is then represented as a distance field and further quantified through over-sampling and measuring.<br />For a variety of datasets it is shown that these reconstructed boundaries are indeed providing a more accurate representation of the original segmented region. Further comparisons are made with a method that simply tries to improve the visual appearance through smoothing.