《2022年应用人工神经网络判别X射线探伤底片的设想.doc》由会员分享，可在线阅读，更多相关《2022年应用人工神经网络判别X射线探伤底片的设想.doc（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、应用人工神经网络判别X射线探伤底片的设想 SOME DISCUSSION ABOUT ESTABLISHING X-RAY INSPECTION NEGATIVES AUTOMATIC GRADING SYSTEM THROUGH APPLICATION OF ARTIFICIAL NEURAL NETWORK MODE IDENTIFICATION TECHNOLOGY文章摘要：讨论研究X射线探伤底片的自动断定定级方法，运用X射线成像和数字图像处理技术，通过对预处理后X射线探伤底片图像的特征提取，得到产品焊缝内部缺陷的状态特征，结合人工神经网络方法实现形式识别，建立状态识别模型，并依照识别模
2、型，完成产品焊缝内部缺陷的自动分类识别。Abstract: This paper is going to research the process X-ray inspection negatives automatic grading methods. First using X-ray imaging and digital image processing technology, through the features capturing on post-pretreatment X-ray inspection negatives image to obtain the state
3、characteristics of products welding lines internal faults. Then, combine with artificial neural network to realize mode identification, establishing state identification model. And finally complete the automatic grading identification of the welding lines internal faults based on the identification
4、model.关键词：射线探伤、图像预处理、特征提取、BP反向传播网络、自习惯学习建模才能Key Words: Radial Testing, Image Pretreatment, Features Capturing, Back Propagation Network, Self-adaptive ability toward model establishing焊接是制造和连接各种过程构件最重要的方法，而无损探伤则是检验焊接质量好坏的重要手段。焊接技术的开展是和无损探伤技术的提高分不开的。随着焊接方法和工艺的改良，目前焊缝的质量以能完全到达母材的水平。但是，由于妨碍焊接质量的要素太多，诸如
5、电流、焊件、焊材、焊剂、环境以及认为的要素等等，即便是十分成熟的焊接工艺，也难免在焊缝中残留一定的缺陷。因而，要检查构件的阿可靠性和平安性，焊缝自然是检查的重点。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陷具有精确、可靠、直观等优点，射线照相底片不仅能够用于缺陷的分析，而且还能作为质量凭证存档，这是其它无损检测方法所无法比较的。对焊缝X射线底片的评定一般是人工进展的。因底片质量受光源、被测材质和冲洗水平等客观要素的妨碍，以及检测人员的水平、经历不一，因而误判、漏判的现象难免发生,而由此所造成经济上损失也是宏大的。 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、气象、农
6、业、灾祸治理等诸多领域。图象处理内容丰富,主要有采集与量化(通过物理装置获得离散图象）、比照度加强(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）、图象分割(将图象分成假设干有意义的区域)、特征提取、形式识别、编码压缩及恢复重建等（见图1）。 图1图象处理流程图近年来，在部分构造简单，状态已经知道的产品检测中采纳了计算机图像处理方法。常用的方法是帧比较法，这种方法将实际拍摄的产品图像减去标准模板图像，依照相减结果推断产品是否有缺陷，如在电路板检测中，常采纳该方法进展元件的缺失检测。然而，由于锅炉压力容器产品的焊缝组成构造多变，纹路复杂，无法做出具有普遍代表性的标准模板
7、图像，因而采纳帧比较法无法得到令人满意的结果。针对这一咨询题，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。详细讨论研究对X射线探伤底片的自动断定定级方法，依照X 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形式识别，建立状态识别模型，并依照识别模型，完成产品焊缝内部缺陷的自动分类识别。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压缩为一维分布的灰度信息，并利用人工神经网络形式识别方法进展了分类判别，在保证检测结果可靠性的同时，有望提高检测效率。一 系统设备及工作原理焊缝缺陷计算
8、机自动识别系统组成如图2所示。由高精度转鼓式发片机或负片仪等图像转换装置负责把X射线底片转变为模仿图像（图像采集），然后用A/D转换器将模仿图像量化成8bit灰度图像输入计算机处理。图 像转换器A / D转 换计算机监视器打印机存储器 图2 系统组成框图二 图像预处理经量化后的底片图像中，不可防止地存在多种噪声。为了正确无误地抽取缺陷特征，需要在底片自动评定前进展适当处理，其中包括：（一）灰度变换 焊缝X射线照相底片图像的灰度范围一般较窄，比照度差，尤其是在缺陷部位。通过灰度变换可使图像动态范围加大，拉宽图像灰度域，使得图像明晰，特征明显。（二）滤波噪声使图像模糊，分析困难。滤波操作可有效地消
9、除多种干扰，突出图像中的目的对象，是图像预处理最重要的工作。由传感器或信道引起的噪声通常呈现孤立离散性分布,常与邻域象素有比较明显的差异。噪声消除平滑时，系统顺序检测每一个象素，以当前象素f（j，k）为中心，取一个NN的窗口（N=3，5，7， ），f（j，k）与邻域象素f（m，l）之差的绝对值为i。其中，m=(j1)+(j1);l=(k1)+(k1);i=1,2,(N（N1）)。再定义一个统计变量CNT（初始值为零）、门限值V和噪声参照值Y。将i逐一与V作比较，假如iV，CNT加1。比较完毕，推断CNT是否大于Y，假如条件为真，则确认f（j，k）为噪声，继而用窗口象素均值代之。否则，f（j，k
10、）不变。 （三）图像二值化只有两个灰度级的图像称为二值图像，即只有“0”和“1”两个灰度级的图像。金属构造图像二值化时，最常用 的方法是设定某一阈值T，大于T的像素群以1表示，小于等于T的像素群以0表示。将焊缝X射线照相底片图像二值化后有利于对图像边界的跟踪。（四）焊缝缺陷的轮廓线跟踪计算机对通过预处理、二值化后的缺陷图像进展光栅，寻找还未打上已跟踪标记的边界点B(0)，如发觉如此的点，就开场一条边界限的跟踪。在B(0)的8邻域中，按逆时针的顺序，推断像素的值，将最先遇到的1像素B(1)作为下一个边界像素进展跟踪。 在B(1)的8邻域中，接着按逆时针方向寻找1像素，并把它定义为 B(2)。用同
11、样的方法可求出B(3)、B(4)、。假如B(m+1)=B(1), B(m)=B(0),则一条边界跟踪完毕，B(0) 、B(1) 、B(m-1)构成一个缺陷边界限。在跟踪过程中，对每个B(i)分别赋给一个以跟踪标记。三 物理量的计算依照GB3323-87标准，主要焊缝缺陷分为五类：（一）裂纹：在底片上成像一般较明晰，中间略宽，两头尖细，有时曲折多齿，具有锋利的端部和较大的长宽比，表现为一条直线或曲线状的缺陷。（二）未焊透：一般呈如今底片焊缝投影影象的中间，在射线底片上呈现连续的规则黑线。（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
12、置在焊缝影象的一侧。（四）圆形缺陷：残留在焊缝中的熔渣、气孔等，形状不规则，缺陷长、宽之比一般小于等于3。（五）长形缺陷：长、宽之比大于3的缺陷。 为识别上述缺陷，主要需要计算以下物理量：（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数。当缺陷为圆形时，L2/S最小。缺陷越长，边界越不规则，L2/S越大。周长平方面积比对缺陷边界形状特别敏感。（6） 长宽比：L1/L2是国标规定的使用标准。实验结果说明，L1/L2小于等于3，能够比较精确地判别出圆形缺陷。（7） 面积像素数与周
13、长像素数之比（F）：F=S/L，反映单位边界长度所围缺陷面积的大小，对L1/L2大于3的长形缺陷，假设F小于1.2，则一般是裂纹。四 计算机自动定级一般神经网络识别系统由预处理，特征提取和神经网络分类器组成。预处理确实是将原始数据中的无用信息删除，平滑，二值化和进展幅度归一化等。神经网络识别系统中的特征提取部分不一定存在，如此就分为两大类：（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，这种方法能够充分利用人的经历来获取形式特征以及神经网络分类才能来识别字符。特征提取必须能反响整个待识别物体的特征。但它的抗干扰才能不如第2类。在这里，可利用上述对缺陷的特征分析，简单
14、地确定如下缺陷特征识别规则：IF L1/L23 THEN 可归类为圆形缺陷ELSE IF F1.2 THEN 可归类为裂纹ELSE IF 边界水平方向像素数/边界总像素0.8 THEN 可归类为未焊透ELSE IF L1/L25 THEN 可归类为未焊透ELSE 可归类为长形夹渣除去上述可定性的缺陷之外在底片发觉的几何阴影图像，可视为伪缺陷。详细施行时，可依照GB3323-87标准对缺陷的断定方法、搜集的经历知识（尤其是对底片伪缺陷的断定经历）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，用此模型对底片缺陷进展自动判
15、别和定级。（二）无特征提取部分的：省去特征抽取，整个待识别缺陷直截了当作为神经网络的输入，这种方式下，系统的神经网络构造的复杂度大大增加了，输入形式维数的增加导致了网络规模的庞大。此外，神经网络构造需要完全本人消除形式变形的妨碍。但是网络的抗干扰功能好，识别率高。构造神经网络分类器首先要选择适当的网络构造：神经网络分类器的输入确实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，每个神经元代表一种缺陷；隐层数要选好，每层神经元数要适宜，目前有特别多采纳一层隐层的网络构造。然后要选择适当的学习算法，如此才会有特别好的识别效果。在学习阶段应该用以往人工断定
16、的实例制定大量的样本进展训练学习，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展修正，使其对样本有正确的识别结果，这就像人的经历一样，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互相作用的改变，神经网络在样本学习中就好像人经历事物的特征一样，学习样本时的网络权值调整就相当于人记住各种缺陷的形象，网络权值确实是网络记住的内容，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经历缺陷的，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，因而当样本存在较大噪声时神经网络分类器仍可正确识别。在缺陷识别阶段，只要将输入进展预处理，特征提取
17、后的特征向量作为神经网络分类器的输入，通过网络的计算，分类器的输出确实是识别结果。 将以上概述成详细的BP网络算法：（1）初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。（2）提供训练形式，训练网络，直到满足学习要求。（3）前向传播过程：对给定训练形式输入，计算网络的输出形式，并与期望形式比较，假设有误差，则执行（4）；否则，返回（2）。（4）后向传播过程：a.计算同一层单元的误差；b.修正权值和阈值；c.返回（2）。本文提出的焊缝X射线底片图像自动检测方法具有自习惯学习建模才能，特征空间压缩为一维分布的简单灰度信息，具有良好的检测功能。人工神经网络形式识别方法是近些年提出的新方法，为图像识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错才能、分类才能强、并行处理才能和自学习才能。因而，采纳神经网络识别方式是一种特别好的选择。