应用人工神经网络判别X射线探伤底片的设想

第-1-页共12页山有路勤为径，学海无涯苦作舟SOMEDISCUSSIONABOUTESTABLISHINGX-RAYINSPECTIONNEGATIVE’SAUTOMATICGRADINGSYSTEMTHROUGHAPPLICATIONOFARTIFICIALNEURALNETWORKDEIDENTIFICATIONTECHNOLOGYX射线成像和数字图像处理技术，通过对预处理后X射线探伤底片图Abstract:ThispaperisgoingtoresearchtheprocessX-rayinspectionnegative’sautomaticgradingmethods.FirstusingX-rayimaginganddigitalimageprocessingtechnology,throughthefeaturescapturingonpost-pretreatmentX-rayinspectionnegative’simagetoobtainthestatecharacteristicsofproductsweldingline’sinternalfaults.Then,combinewithartificialneuralnetworktorealizemodeidentification,establishingstateidentificationmodel.Andfinallycompletetheautomaticgradingidentificationoftheweldingline’sinternalfaultsbasedontheidentificationmodel.关键词：射线探伤、图像预处理、特征提取、BP反向传播网络、自第-2-页共12页山有路勤为径，学海无涯苦作舟KeyWords:RadialTesting,ImagePretreatment,FeaturesCapturing,BackPropagationNetwork,Self-adaptiveabilitytowardmodellishing焊接是制造和连接各种过程构件最重要的方法，而无损探伤则是射线探伤是应用较早的检验方法。利用射线照相检验焊缝内部缺不一，所以误判、漏判的现象难免发生,而由此所造成经济上损失也现代图象处理技术已被广泛应用在遥感、生物医学、地质、海洋、第-3-页共12页山有路勤为径，学海无涯苦作舟气象、农业、灾害治理等诸多领域。图象处理内容丰富,主要有采集与量化(通过物理装置取得离散图象)、对比度增强(扩大图象动态范围)、图象平滑(滤除噪音)、图象锐化(再现和强化图象边缘)、图象义的区域)、特征提取、模式识别、编码压缩及恢复重建等(见图1)。近年来，在部分结构简单，状态已知的产品检测中采用了计算机第-4-页共12页山有路勤为径，学海无涯苦作舟针对这一问题，本文提出了一种具有普遍意义的复杂产品内部构件状态的自动检测方法。具体探讨研究对X射线探伤底片的自动判X对预处理后X射线探伤底片图像的特征提取，得到产品焊缝内部缺陷的状态特征，并结合人工神经网络方法实现模式识别，建立状态识别模型，。与上述帧比较法相比，本文所述方法将被检测构件状态特征信息发片机或负片扫描仪等图像转换装置负责把X射线底片转变为模拟第-5-页共12页山有路勤为径，学海无涯苦作舟转换器A/D转换计算机经量化后的底片图像中，不可避免地存在多种噪声。为了正确无(一)灰度变换(二)滤波由传感器或信道引起的噪声通常呈现孤立离散性分布,常与邻象素，以当前象素f(j，k)为中心，取一个N×N的窗口(N=3，第-6-页共12页山有路勤为径，学海无涯苦作舟其中，m=－(j－1)~+(j－1);l=－(k－1)~+(k－1);i=1,2,…,(N×(N－k(三)图像二值化个灰度级的图像。金属结构图像二值化时，最常用的方法是设定(四)焊缝缺陷的轮廓线跟踪的值，将最先遇到的1像素B(1)作为下一个边界像素进行跟踪。第-7-页共12页山有路勤为径，学海无涯苦作舟(一)裂纹：在底片上成像一般较清晰，中间略宽，两头尖细，有时曲折多齿，具有尖锐的端部和较大的长宽比，表现为一条直(二)未焊透：一般呈现在底片焊缝投影影象的中间，在射线底(三)未熔合：形状近似未焊透和线状夹渣，在底片上特征呈一边直，另一边不齐，颜色深浅较均匀，有一定宽度的线条，位置(四)圆形缺陷：残留在焊缝中的熔渣、气孔等，形状不规则，(五)长形缺陷：长、宽之比大于3的缺陷。(1)缺陷周长(L)；(2)缺陷长径(L1)；(3)缺陷短径(L2)；(4)缺陷面积(S)；(5)周长平方面积比(P)：P=L2/S，能较好反映边界特征的参第-8-页共12页山有路勤为径，学海无涯苦作舟(6)长宽比：L1/L2是国标规定的使用标准。实验结果表明，(7)面积像素数与周长像素数之比(F)：F=S/L，反映单位边组成。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。神经网络识别系统中的特征提取部分不一(一)有特征提取部分的：这一类系统实际上是传统方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别字符。特征提取必须能反在这里，可利用上述对缺陷的特征分析，简单地确定如下缺IFL1/L2≤3THEN可归类为圆形缺陷ELSEIFF≤1.2THEN可归类为裂纹ELSEIF边界水平方向像素数/边界总像素≥0.8THEN第-9-页共12页山有路勤为径，学海无涯苦作舟ELSEIFL1/L2≥5THEN可归类为未焊透ELSE可归类为长形夹渣具体实施时，可根据GB3323-87标准对缺陷的判定方法、收集的经验知识(尤其是对底片伪缺陷的判定经验)整理归纳为几何形状参数作为输入特征向量存入数据库，然后再送到神经网络输入层，用BP反向传播网络算法训练模块建立神经网络模型，(二)无特征提取部分的：省去特征抽取，整个待识别缺陷直接作为神经网络的输入，这种方式下，系统的神经网络结构的复网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是网类器的输入就是缺陷的几何特征向量；神经网络分类器的输出节点应该是缺陷类型。几个数字输出层就有几个神经元，每个神经很多采用一层隐层的网络结构。然后要选择适当的学习算法，这第-10-页共12页山有路勤为径，学海无涯苦作舟样才会有很好的识别效果。在学习阶段应该用以往人工判定的实例制定大量的样本进行训练学习，通过样本的大量学习对神经网络的各层网络的连接权值进行修正，使其对样本有正确的识别结果，这就像人的记忆一样，网络中的神经元就像是人脑细胞，权值的改变就像是人脑细胞的相互作用的改变，神经网络在样本学习中就如同人记忆事物的特征一样，学习样本时的网络权值调整网络学习阶段就像人由不认识缺陷到认识缺陷反复学习过程是一样的。神经网络是按整个特征向量的整体来记忆缺陷的，只要大多数特征符合曾学习过的样本就可识别为同种缺陷，所以当样本只要将输入进行预处理，特征提取后的特征向量作为神经网络分(1)初始化网络及学习参数，如设置网络初始权矩阵、学习(2)提供训练模式，训练网络，直到满足学习要求。(3)前向传播过程：对给定训练模式输入