应用人工神经网络判别X射线探伤底片的设想39703.docx

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：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。Abstrractt: TThiss paaperr iss gooingg too reeseaarchh thhe pproccesss X-rayy innspeectiion neggatiives aautoomattic graadinng mmethhodss. FFirsst uusinng XX-raay iimaggingg annd ddigiitall immagee prroceessiing tecchnoologgy, thrrouggh tthe feaaturres cappturringg onn poost-preetreeatmmentt X-rayy innspeectiion neggatiives iimagge tto oobtaain thee sttatee chharaacteerissticcs oof pprodductts wwelddingg liines iinteernaal ffaullts. Thhen, coombiine witth aartiificciall neeuraal nnetwworkk too reealiize modde iidenntifficaatioon, esttabllishhingg sttatee iddenttifiicattionn moodell. AAnd finnallly ccompplette tthe auttomaaticc grradiing ideentiificcatiion of thee weeldiing linnes iinteernaal ffaullts bassed on thee iddenttifiicattionn moodell.关键词：射射线探伤伤、图像像预处理理、特征征提取、BBP反向向传播网网络、自自适应学学习建模模能力Key WWordds: Raddiall Teestiing, Immagee Prretrreattmennt, Feaaturres Cappturringg, BBackk Prropaagattionn Neetwoork, Seelf-adaaptiive abiilitty ttowaard moddel esttabllishhingg焊接是制造造和连接接各种过过程构件件最重要要的方法法，而无无损探伤伤则是检检验焊接接质量好好坏的重重要手段段。焊接接技术的的发展是是和无损损探伤技技术的提提高分不不开的。随随着焊接接方法和和工艺的的改进，目目前焊缝缝的质量量以能完完全达到到母材的的水平。但但是，由由于影响响焊接质质量的因因素太多多，诸如如电流、焊焊件、焊焊材、焊焊剂、环环境以及及认为的的因素等等等，即即使是十十分成熟熟的焊接接工艺，也也难免在在焊缝中中残留一一定的缺缺陷。所所以，要要检查构构件的阿阿可靠性性和安全全性，焊焊缝自然然是检查查的重点点。射线探伤是是应用较较早的检检验方法法。利用用射线照照相检验验焊缝内内部缺陷陷具有准准确、可可靠、直直观等优优点，射射线照相相底片不不仅可以以用于缺缺陷的分分析，而而且还能能作为质质量凭证证存档，这这是其它它无损检检测方法法所无法法比拟的的。对焊缝X射射线底片片的评定定一般是是人工进进行的。因因底片质质量受光光源、被被测材质质和冲洗洗水平等等客观因因素的影影响，以以及检测测人员的的水平、经经验不一一，所以以误判、漏漏判的现现象难免免发生,而由此此所造成成经济上上损失也也是巨大大的。 现代图象处处理技术术已被广广泛应用用在遥感感、生物物医学、地地质、海海洋、气气象、农农业、灾灾害治理理等诸多多领域。图图象处理理内容丰丰富,主主要有采采集与量量化(通通过物理理装置取取得离散散图象）、对对比度增增强(扩扩大图象象动态范范围）、图图象平滑滑(滤除除噪音）、图图象锐化化(再现现和强化化图象边边缘）、图图象分割割(将图图象分成成若干有有意义的的区域)、特征征提取、模模式识别别、编码码压缩及及恢复重重建等（见见图1）。 图图1图图象处理理流程图图近年来，在在部分结结构简单单，状态态已知的的产品检检测中采采用了计计算机图图像处理理方法。常常用的方方法是帧帧比较法法，这种种方法将将实际拍拍摄的产产品图像像减去标标准模板板图像，根根据相减减结果判判断产品品是否有有缺陷，如如在电路路板检测测中，常常采用该该方法进进行元件件的缺失失检测。然然而，由由于锅炉炉压力容容器产品品的焊缝缝组成结结构多变变，纹路路复杂，无无法做出出具有普普遍代表表性的标标准模板板图像，因因此采用用帧比较较法无法法得到令令人满意意的结果果。针对这一问问题，本本文提出出了一种种具有普普遍意义义的复杂杂产品内内部构件件状态的的自动检检测方法法。具体体探讨研研究对XX射线探探伤底片片的自动动判定定定级方法法，依据据X 射射线成像像和数字字图像处处理技术术，通过过对预处处理后XX射线探探伤底片片图像的的特征提提取，得得到产品品焊缝内内部缺陷陷的状态态特征，并并结合人人工神经经网络方方法实现现模式识识别，建建立状态态识别模模型，并并依据识识别模型型，完成成产品焊焊缝内部部缺陷的的自动分分类识别别。与上述帧比比较法相相比，本本文所述述方法将将被检测测构件状状态特征征信息压压缩为一一维分布布的灰度度信息，并并利用人人工神经经网络模模式识别别方法进进行了分分类判别别，在保保证检测测结果可可靠性的的同时，有有望提高高检测效效率。一 系统设备及及工作原原理焊缝缺陷计计算机自自动识别别系统组组成如图图2所示示。由高高精度转转鼓式发发片机或或负片扫扫描仪等等图像转转换装置置负责把把X射线线底片转转变为模模拟图像像（图像像采集），然然后用AA/D转转换器将将模拟图图像量化化成8bbit灰灰度图像像输入计计算机处处理。图 像转换器A / D转 换计算机监视器打印机存储器 图2 系统统组成框框图二 图像预处理理经量化后的的底片图图像中，不不可避免免地存在在多种噪噪声。为为了正确确无误地地抽取缺缺陷特征征，需要在底片片自动评评定前进进行适当当处理，其其中包括括：（一）灰度度变换 焊缝XX射线照照相底片片图像的的灰度范范围一般般较窄，对对比度差差，尤其其是在缺缺陷部位位。经过过灰度变变换可使使图像动动态范围围加大，拉拉宽图像像灰度域域，使得得图像清清晰，特特征明显显。（二）滤波波噪声使图像像模糊，分分析困难难。滤波波操作可可有效地地消除多多种干扰扰，突出出图像中中的目标标对象，是是图像预预处理最最重要的的工作。由传感器或或信道引引起的噪噪声通常常呈现孤孤立离散散性分布布,常与与邻域象象素有比比较明显显的差异异。噪声声消除平平滑时，系系统顺序序检测每每一个象象素，以以当前象象素f（jj，k）为为中心，取取一个NN×N的的窗口（NN=3，55，7， ），ff（j，kk）与邻邻域象素素f（mm，l）之之差的绝绝对值为为i。其中中，m=(jj1)+(j11);ll=(k11)+(k1);i=11,2,(N×（NN1）)。再定定义一个个统计变变量CNNT（初初始值为为零）、门门限值VV和噪声声参照值值Y。将将i逐个与与V作比比较，如如果iiV，CCNT加加1。比比较完毕毕，判断断CNTT是否大大于Y，如如果条件件为真，则则确认ff（j，kk）为噪噪声，继继而用窗窗口象素素均值代代之。否否则，ff（j，kk）不变变。（三）图像像二值化化只有两个灰灰度级的的图像称称为二值值图像，即即只有“0”和“1”两个灰灰度级的的图像。金金属结构构图像二二值化时时，最常常用 的的方法是是设定某某一阈值值T，大大于T的的像素群群以1表表示，小小于等于于T的像像素群以以0表示示。将焊焊缝X射射线照相相底片图图像二值值化后有有利于对对图像边边界的跟跟踪。（四）焊缝缝缺陷的的轮廓线线跟踪计算机对经经过预处处理、二二值化后后的缺陷陷图像进进行光栅栅扫描，寻寻找还未未打上已已跟踪标标记的边边界点BB(0)，如发发现这样样的点，就就开始一一条边界界线的跟跟踪。在在B(00)的88邻域中中，按逆逆时针的的顺序，判判断像素素的值，将将最先遇遇到的11像素BB(1)作为下下一个边边界像素素进行跟跟踪。 在BB(1)的8邻邻域中，继继续按逆逆时针方方向寻找找1像素素，并把把它定义义为 BB(2)。用同同样的方方法可求求出B(3)、B(44)、。如果果B(mm+1)=B(1), B(m)=B(00),则则一条边边界跟踪踪结束，B(0) 、B(1) 、B(m-1)形成一个缺陷边界线。在跟踪过程程中，对对每个BB(i)分别赋赋给一个个以跟踪踪标记。三 物理量的计计算根据GB333233-877标准，主主要焊缝缝缺陷分分为五类类：（一）裂纹纹：在底底片上成成像一般般较清晰晰，中间间略宽，两两头尖细细，有时时曲折多多齿，具具有尖锐锐的端部部和较大大的长宽宽比，表表现为一一条直线线或曲线线状的缺缺陷。（二）未焊焊透：一一般呈现现在底片片焊缝投投影影象象的中间间，在射射线底片片上呈现现连续的的规则黑黑线。（三）未熔熔合：形形状近似似未焊透透和线状状夹渣，在在底片上上特征呈呈一边直直，另一一边不齐齐，颜色色深浅较较均匀，有有一定宽宽度的线线条，位位置在焊焊缝影象象的一侧侧。（四）圆形形缺陷：残留在在焊缝中中的熔渣渣、气孔孔等，形形状不规规则，缺缺陷长、宽宽之比一一般小于于等于33。（五）长形形缺陷：长、宽宽之比大大于3的的缺陷。 为识别别上述缺缺陷，主主要需要要计算以以下物理理量：（1） 缺陷周长（LL）；（2） 缺陷长径（LL1）；（3） 缺陷短径（LL2）；（4） 缺陷面积（SS）；（5） 周长平方面面积比（PP）：PP=L22/S，能能较好反反映边界界特征的的参数。当当缺陷为为圆形时时，L22/S最最小。缺缺陷越长长，边界界越不规规则，LL2/S越越大。周周长平方方面积比比对缺陷陷边界形形状非常常敏感。（6） 长宽比：LL1/LL2是国国标规定定的使用用标准。实实验结果果表明，LL1/LL2小于于等于33，可以以比较准准确地判判别出圆圆形缺陷陷。（7） 面积像素数数与周长长像素数数之比（FF）：FF=S/L，反反映单位位边界长长度所围围缺陷面面积的大大小，对对L1/L2大大于3的的长形缺缺陷，若若F小于于1.22，则一一般是裂裂纹。四 计算机自动动定级一般神经网网络识别别系统由由预处理理，特征征提取和和神经网网络分类类器组成成。预处处理就是是将原始始数据中中的无用用信息删删除，平平滑，二二值化和和进行幅幅度归一一化等。神神经网络络识别系系统中的的特征提提取部分分不一定定存在，这这样就分分为两大大类：（一）有特特征提取取部分的的：这一一类系统统实际上上是传统统方法与与神经网网络方法法技术的的结合，这这种方法法可以充充分利用用人的经经验来获获取模式式特征以以及神经经网络分分类能力力来识别别字符。特特征提取取必须能能反应整整个待识识别物体体的特征征。但它它的抗干干扰能力力不如第第2类。在这里，可可利用上上述对缺缺陷的特特征分析析，简单单地确定定如下缺缺陷特征征识别规规则：IF L1/L23 THHEN 可归类类为圆形形缺陷ELSE IF FF1.22 THEEN 可归归类为裂裂纹ELSE IF 边边界水平平方向像像素数/边界总总像素0.88 TTHENN 可归归类为未未焊透ELSE IF LL1/LL25 THHEN 可可归类为为未焊透透ELSE 可可归类为为长形夹夹渣除去上述可可定性的的缺陷之之外在底底片发现现的几何何阴影图图像，可可视为伪伪缺陷。具体实施时时，可根根据GBB33223-887标准准对缺陷陷的判定定方法、收收集的经经验知识识（尤其其是对底底片伪缺缺陷的判判定经验验）整理理归纳为为几何形形状参数数作为输输入特征征向量存存入数据据库，然然后再送送到神经经网络输输入层，用用BP反反向传播播网络算算法训练练模块建建立神经经网络模模型，用用此模型型对底片片缺陷进进行自动动判别和和定级。（二）无特特征提取取部分的的：省去去特征抽抽取，整整个待识识别缺陷陷直接作作为神经经网络的的输入，这这种方式式下，系系统的神神经网络络结构的的复杂度度大大增增加了，输输入模式式维数的的增加导导致了网网络规模模的庞大大。此外外，神经经网络结结构需要要完全自自己消除除模式变变形的影影响。但但是网络络的抗干干扰性能能好，识识别率高高。构造神经网网络分类类器首先先要选择择适当的的网络结结构：神神经网络络分类器器的输入入就是缺缺陷的几几何特征征向量；神经网网络分类类器的输输出节点点应该是是缺陷类类型。几个数字字输出层层就有几几个神经经元，每每个神经经元代表表一种缺缺陷；隐隐层数要要选好，每每层神经经元数要要合适，目目前有很很多采用用一层隐隐层的网网络结构构。然后后要选择择适当的的学习算算法，这这样才会会有很好好的识别别效果。在在学习阶阶段应该该用以往往人工判判定的实实例制定定大量的的样本进进行训练练学习，通通过样本本的大量量学习对对神经网网络的各各层网络络的连接接权值进进行修正正，使其其对样本本有正确确的识别别结果，这这就像人人的记忆忆一样，网网络中的的神经元元就像是是人脑细细胞，权权值的改改变就像像是人脑脑细胞的的相互作作用的改改变，神神经网络络在样本本学习中中就如同同人记忆事事物的特特征一样样，学习习样本时时的网络络权值调调整就相相当于人人记住各各种缺陷陷的形象象，网络络权值就就是网络络记住的的内容，网网络学习习阶段就就像人由由不认识识缺陷到认认识缺陷陷反复学学习过程程是一样样的。神神经网络络是按整整个特征征向量的的整体来来记忆缺缺陷的，只只要大多多数特征征符合曾曾学习过过的样本本就可识识别为同同种缺陷陷，所以以当样本本存在较较大噪声声时神经经网络分分类器仍仍可正确确识别。在在缺陷识别别阶段，只只要将输输入进行行预处理理，特征征提取后后的特征征向量作作为神经经网络分分类器的的输入，经经过网络络的计算算，分类类器的输输出就是是识别结结果。 将以以上概述述成具体体的BPP网络算算法：（1）初始始化网络络及学习习参数，如如设置网网络初始始权矩阵阵、学习习因子等等。（2）提提供训练练模式，训训练网络络，直到到满足学学习要求求。（3）前前向传播播过程：对给定定训练模模式输入入，计算算网络的的输出模模式，并并与期望望模式比比较，若若有误差差，则执执行（44）；否否则，返返回（22）。（44）后向向传播过过程：aa.计算算同一层层单元的的误差；b.修修正权值值和阈值值；c.返回（22）。本文提出的的焊缝XX射线底底片图像像自动检检测方法法具有自自适应学学习建模模能力，特特征空间间压缩为为一维分分布的简简单灰度度信息，具具有良好好的检测测性能。人工神神经网络络模式识识别方法法是近些些年提出出的新方方法，为为图像识别别研究提提供了一一种新手手段，它它具有一一些传统统技术所所没有的的优点：良好的的容错能能力、分分类能力力强、并并行处理理能力和和自学习习能力。因因而，采采用神经经网络识识别方式式是一种种很好的的选择。- 10 -