应用人工神经网络判别射线探伤底片的设想.doc

《应用人工神经网络判别射线探伤底片的设想.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、应用人工神经网络判别X射线探伤底片的设想SOMEDISCUSSIONABOUTESTABLISHINGX-RAYINSPECTIONNEGATIVE’SAUTOMATICGRADINGSYSTEMTHROUGHAPPLICATIONOFARTIFICIALNEURALNETWORKMODEIDENTIFICATIONTECHNOLOGY文章摘要：探讨研究X射线探伤底片的自动判定定级方法，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

2、人工神经网络方法实现模式识别，建立状态识别模型，并依据识别模型，完成产品焊缝内部缺陷的自动分类识别。Abstract:ThispaperisgoingtoresearchtheprocessX-rayinspectionnegative’sautomaticgradingmethods.FirstusingX-rayimaginganddigitalimageprocessingtechnology,throughthefeaturescapturingonpost-pretreatmentX-ra

3、yinspectionnegative’simagetoobtainthestatecharacteristicsofproductsweldingline’sinternalfaults.Then,combinewithartificialneuralnetworktorealizemodeidentification,establishingstateidentificationmodel.Andfinallycompletetheautomaticgradingidentificationof

4、theweldingline’sinternalfaultsbasedontheidentificationmodel.关键词：射线探伤、图像预处理、特征提取、BP反向传播网络、自适应学习建模能力-10-/10KeyWords:RadialTesting,ImagePretreatment,FeaturesCapturing,BackPropagationNetwork,Self-adaptiveabilitytowardmodelestablishing焊接是制造和连接各种过程构件最重要的方法，而

5、无损探伤则是检验焊接质量好坏的重要手段。焊接技术的发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进，目前焊缝的质量以能完全达到母材的水平。但是，由于影响焊接质量的因素太多，诸如电流、焊件、焊材、焊剂、环境以及认为的因素等等，即使是十分成熟的焊接工艺，也难免在焊缝中残留一定的缺陷。所以，要检查构件的阿可靠性和安全性，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准确、可靠、直观等优点，射线照相底片不仅可以用于缺陷的分析，而且还能作为质量凭证存档，这是其

6、它无损检测方法所无法比拟的。对焊缝X射线底片的评定一般是人工进行的。因底片质量受光源、被测材质和冲洗水平等客观因素的影响，以及检测人员的水平、经验不一，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是巨大的。-10-/10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）、图象分割(将图象分成若干有意义的区

7、域)、特征提取、模式识别、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，在部分结构简单，状态已知的产品检测中采用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，根据相减结果判断产品是否有缺陷，如在电路板检测中，常采用该方法进行元件的缺失检测。然而，由于锅炉压力容器产品的焊缝组成结构多变，纹路复杂，无法做出具有普遍代表性的标准模板图像，因此采用帧比较法无法得到令人满意的结果。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

8、方法。具体探讨研究对X射线探伤底片的自动判定定级方法，依据X-10-/10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模式识别，建立状态识别模型，并依据识别模型，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模式识别方法进行了分类判别，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