應(yīng)用人工神經(jīng)網(wǎng)絡(luò)判別X射線探傷底片的設(shè)想

1、PAGE 8 -應(yīng)用人工神經(jīng)網(wǎng)絡(luò)判別X射線探傷底片的設(shè)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：探討研究X射線探傷底片的自動(dòng)判定定級(jí)方法，運(yùn)用X射線成像和數(shù)字圖像處理技術(shù)，通過對(duì)預(yù)處理后X射線探傷底片圖像的特征提取，得到產(chǎn)品焊縫內(nèi)部缺陷的狀態(tài)特征，結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別，建立狀態(tài)識(shí)別模型

2、，并依據(jù)識(shí)別模型，完成產(chǎn)品焊縫內(nèi)部缺陷的自動(dòng)分類識(shí)別。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

3、 state 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 identifi

4、cation model.關(guān)鍵詞：射線探傷、圖像預(yù)處理、特征提取、BP反向傳播網(wǎng)絡(luò)、自適應(yīng)學(xué)習(xí)建模能力Key Words: Radial Testing, Image Pretreatment, Features Capturing, Back Propagation Network, Self-adaptive ability toward model establishing焊接是制造和連接各種過程構(gòu)件最重要的方法，而無損探傷則是檢驗(yàn)焊接質(zhì)量好壞的重要手段。焊接技術(shù)的發(fā)展是和無損探傷技術(shù)的提高分不開的。隨著焊接方法和工藝的改進(jìn)，目前焊縫的質(zhì)量以能完全達(dá)到母材的水平。但是，由于影響焊接質(zhì)量的

5、因素太多，諸如電流、焊件、焊材、焊劑、環(huán)境以及認(rèn)為的因素等等，即使是十分成熟的焊接工藝，也難免在焊縫中殘留一定的缺陷。所以，要檢查構(gòu)件的阿可靠性和安全性，焊縫自然是檢查的重點(diǎn)。射線探傷是應(yīng)用較早的檢驗(yàn)方法。利用射線照相檢驗(yàn)焊縫內(nèi)部缺陷具有準(zhǔn)確、可靠、直觀等優(yōu)點(diǎn)，射線照相底片不僅可以用于缺陷的分析，而且還能作為質(zhì)量憑證存檔，這是其它無損檢測(cè)方法所無法比擬的。對(duì)焊縫X射線底片的評(píng)定一般是人工進(jìn)行的。因底片質(zhì)量受光源、被測(cè)材質(zhì)和沖洗水平等客觀因素的影響，以及檢測(cè)人員的水平、經(jīng)驗(yàn)不一，所以誤判、漏判的現(xiàn)象難免發(fā)生,而由此所造成經(jīng)濟(jì)上損失也是巨大的。 現(xiàn)代圖象處理技術(shù)已被廣泛應(yīng)用在遙感、生物醫(yī)學(xué)、地質(zhì)、

6、海洋、氣象、農(nóng)業(yè)、災(zāi)害治理等諸多領(lǐng)域。圖象處理內(nèi)容豐富,主要有采集與量化(通過物理裝置取得離散圖象）、對(duì)比度增強(qiáng)(擴(kuò)大圖象動(dòng)態(tài)范圍）、圖象平滑(濾除噪音）、圖象銳化(再現(xiàn)和強(qiáng)化圖象邊緣）、圖象分割(將圖象分成若干有意義的區(qū)域)、特征提取、模式識(shí)別、編碼壓縮及恢復(fù)重建等（見圖1）。 圖1圖象處理流程圖近年來，在部分結(jié)構(gòu)簡(jiǎn)單，狀態(tài)已知的產(chǎn)品檢測(cè)中采用了計(jì)算機(jī)圖像處理方法。常用的方法是幀比較法，這種方法將實(shí)際拍攝的產(chǎn)品圖像減去標(biāo)準(zhǔn)模板圖像，根據(jù)相減結(jié)果判斷產(chǎn)品是否有缺陷，如在電路板檢測(cè)中，常采用該方法進(jìn)行元件的缺失檢測(cè)。然而，由于鍋爐壓力容器產(chǎn)品的焊縫組成結(jié)構(gòu)多變，紋路復(fù)雜，無法做出具有普遍代表性的

7、標(biāo)準(zhǔn)模板圖像，因此采用幀比較法無法得到令人滿意的結(jié)果。針對(duì)這一問題，本文提出了一種具有普遍意義的復(fù)雜產(chǎn)品內(nèi)部構(gòu)件狀態(tài)的自動(dòng)檢測(cè)方法。具體探討研究對(duì)X射線探傷底片的自動(dòng)判定定級(jí)方法，依據(jù)X 射線成像和數(shù)字圖像處理技術(shù)，通過對(duì)預(yù)處理后X射線探傷底片圖像的特征提取，得到產(chǎn)品焊縫內(nèi)部缺陷的狀態(tài)特征，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別，建立狀態(tài)識(shí)別模型，并依據(jù)識(shí)別模型，完成產(chǎn)品焊縫內(nèi)部缺陷的自動(dòng)分類識(shí)別。與上述幀比較法相比，本文所述方法將被檢測(cè)構(gòu)件狀態(tài)特征信息壓縮為一維分布的灰度信息，并利用人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法進(jìn)行了分類判別，在保證檢測(cè)結(jié)果可靠性的同時(shí)，有望提高檢測(cè)效率。系統(tǒng)設(shè)備及工作原理焊縫缺陷計(jì)

8、算機(jī)自動(dòng)識(shí)別系統(tǒng)組成如圖2所示。由高精度轉(zhuǎn)鼓式發(fā)片機(jī)或負(fù)片掃描儀等圖像轉(zhuǎn)換裝置負(fù)責(zé)把X射線底片轉(zhuǎn)變?yōu)槟M圖像（圖像采集），然后用A/D轉(zhuǎn)換器將模擬圖像量化成8bit灰度圖像輸入計(jì)算機(jī)處理。圖 像圖 像轉(zhuǎn)換器A / D轉(zhuǎn) 換計(jì)算機(jī)監(jiān)視器打印機(jī)存儲(chǔ)器 圖2 系統(tǒng)組成框圖圖像預(yù)處理經(jīng)量化后的底片圖像中，不可避免地存在多種噪聲。為了正確無誤地抽取缺陷特征，需要在底片自動(dòng)評(píng)定前進(jìn)行適當(dāng)處理，其中包括：（一）灰度變換 焊縫X射線照相底片圖像的灰度范圍一般較窄，對(duì)比度差，尤其是在缺陷部位。經(jīng)過灰度變換可使圖像動(dòng)態(tài)范圍加大，拉寬圖像灰度域，使得圖像清晰，特征明顯。（二）濾波噪聲使圖像模糊，分析困難。濾波操作可

9、有效地消除多種干擾，突出圖像中的目標(biāo)對(duì)象，是圖像預(yù)處理最重要的工作。由傳感器或信道引起的噪聲通常呈現(xiàn)孤立離散性分布,常與鄰域象素有比較明顯的差異。噪聲消除平滑時(shí)，系統(tǒng)順序檢測(cè)每一個(gè)象素，以當(dāng)前象素f（j，k）為中心，取一個(gè)NN的窗口（N=3，5，7， ），f（j，k）與鄰域象素f（m，l）之差的絕對(duì)值為i。其中，m=(j1)+(j1);l=(k1)+(k1);i=1,2,(N（N1）)。再定義一個(gè)統(tǒng)計(jì)變量CNT（初始值為零）、門限值V和噪聲參照值Y。將i逐個(gè)與V作比較，如果iV，CNT加1。比較完畢，判斷CNT是否大于Y，如果條件為真，則確認(rèn)f（j，k）為噪聲，繼而用窗口象素均值代之。否則，f

10、（j，k）不變。（三）圖像二值化只有兩個(gè)灰度級(jí)的圖像稱為二值圖像，即只有“0”和“1”兩個(gè)灰度級(jí)的圖像。金屬結(jié)構(gòu)圖像二值化時(shí)，最常用 的方法是設(shè)定某一閾值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。將焊縫X射線照相底片圖像二值化后有利于對(duì)圖像邊界的跟蹤。（四）焊縫缺陷的輪廓線跟蹤計(jì)算機(jī)對(duì)經(jīng)過預(yù)處理、二值化后的缺陷圖像進(jìn)行光柵掃描，尋找還未打上已跟蹤標(biāo)記的邊界點(diǎn)B(0)，如發(fā)現(xiàn)這樣的點(diǎn)，就開始一條邊界線的跟蹤。在B(0)的8鄰域中，按逆時(shí)針的順序，判斷像素的值，將最先遇到的1像素B(1)作為下一個(gè)邊界像素進(jìn)行跟蹤。 在B(1)的8鄰域中，繼續(xù)按逆時(shí)針方向?qū)ふ?像素，并把它定義為 B(

11、2)。用同樣的方法可求出B(3)、B(4)、。如果B(m+1)=B(1), B(m)=B(0),則一條邊界跟蹤結(jié)束，B(0) 、B(1) 、B(m-1)形成一個(gè)缺陷邊界線。在跟蹤過程中，對(duì)每個(gè)B(i)分別賦給一個(gè)以跟蹤標(biāo)記。物理量的計(jì)算根據(jù)GB3323-87標(biāo)準(zhǔn)，主要焊縫缺陷分為五類：（一）裂紋：在底片上成像一般較清晰，中間略寬，兩頭尖細(xì)，有時(shí)曲折多齒，具有尖銳的端部和較大的長(zhǎng)寬比，表現(xiàn)為一條直線或曲線狀的缺陷。（二）未焊透：一般呈現(xiàn)在底片焊縫投影影象的中間，在射線底片上呈現(xiàn)連續(xù)的規(guī)則黑線。（三）未熔合：形狀近似未焊透和線狀?yuàn)A渣，在底片上特征呈一邊直，另一邊不齊，顏色深淺較均勻，有一定寬度的線

12、條，位置在焊縫影象的一側(cè)。（四）圓形缺陷：殘留在焊縫中的熔渣、氣孔等，形狀不規(guī)則，缺陷長(zhǎng)、寬之比一般小于等于3。（五）長(zhǎng)形缺陷：長(zhǎng)、寬之比大于3的缺陷。 為識(shí)別上述缺陷，主要需要計(jì)算以下物理量：缺陷周長(zhǎng)（L）；缺陷長(zhǎng)徑（L1）；缺陷短徑（L2）；缺陷面積（S）；周長(zhǎng)平方面積比（P）：P=L2/S，能較好反映邊界特征的參數(shù)。當(dāng)缺陷為圓形時(shí)，L2/S最小。缺陷越長(zhǎng)，邊界越不規(guī)則，L2/S越大。周長(zhǎng)平方面積比對(duì)缺陷邊界形狀非常敏感。長(zhǎng)寬比：L1/L2是國標(biāo)規(guī)定的使用標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，L1/L2小于等于3，可以比較準(zhǔn)確地判別出圓形缺陷。面積像素?cái)?shù)與周長(zhǎng)像素?cái)?shù)之比（F）：F=S/L，反映單位邊界長(zhǎng)度所

13、圍缺陷面積的大小，對(duì)L1/L2大于3的長(zhǎng)形缺陷，若F小于1.2，則一般是裂紋。計(jì)算機(jī)自動(dòng)定級(jí)一般神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)由預(yù)處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成。預(yù)處理就是將原始數(shù)據(jù)中的無用信息刪除，平滑，二值化和進(jìn)行幅度歸一化等。神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中的特征提取部分不一定存在，這樣就分為兩大類：（一）有特征提取部分的：這一類系統(tǒng)實(shí)際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗(yàn)來獲取模式特征以及神經(jīng)網(wǎng)絡(luò)分類能力來識(shí)別字符。特征提取必須能反應(yīng)整個(gè)待識(shí)別物體的特征。但它的抗干擾能力不如第2類。在這里，可利用上述對(duì)缺陷的特征分析，簡(jiǎn)單地確定如下缺陷特征識(shí)別規(guī)則：IF L1/L23 THEN

14、可歸類為圓形缺陷ELSE IF F1.2 THEN 可歸類為裂紋ELSE IF 邊界水平方向像素?cái)?shù)/邊界總像素0.8 THEN 可歸類為未焊透ELSE IF L1/L25 THEN 可歸類為未焊透ELSE 可歸類為長(zhǎng)形夾渣除去上述可定性的缺陷之外在底片發(fā)現(xiàn)的幾何陰影圖像，可視為偽缺陷。具體實(shí)施時(shí)，可根據(jù)GB3323-87標(biāo)準(zhǔn)對(duì)缺陷的判定方法、收集的經(jīng)驗(yàn)知識(shí)（尤其是對(duì)底片偽缺陷的判定經(jīng)驗(yàn)）整理歸納為幾何形狀參數(shù)作為輸入特征向量存入數(shù)據(jù)庫，然后再送到神經(jīng)網(wǎng)絡(luò)輸入層，用BP反向傳播網(wǎng)絡(luò)算法訓(xùn)練模塊建立神經(jīng)網(wǎng)絡(luò)模型，用此模型對(duì)底片缺陷進(jìn)行自動(dòng)判別和定級(jí)。（二）無特征提取部分的：省去特征抽取，整個(gè)待識(shí)別

15、缺陷直接作為神經(jīng)網(wǎng)絡(luò)的輸入，這種方式下，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度大大增加了，輸入模式維數(shù)的增加導(dǎo)致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是網(wǎng)絡(luò)的抗干擾性能好，識(shí)別率高。構(gòu)造神經(jīng)網(wǎng)絡(luò)分類器首先要選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)分類器的輸入就是缺陷的幾何特征向量；神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點(diǎn)應(yīng)該是缺陷類型。幾個(gè)數(shù)字輸出層就有幾個(gè)神經(jīng)元，每個(gè)神經(jīng)元代表一種缺陷；隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當(dāng)?shù)膶W(xué)習(xí)算法，這樣才會(huì)有很好的識(shí)別效果。在學(xué)習(xí)階段應(yīng)該用以往人工判定的實(shí)例制定大量的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，通過樣本的大量學(xué)習(xí)對(duì)神經(jīng)網(wǎng)絡(luò)的各層

16、網(wǎng)絡(luò)的連接權(quán)值進(jìn)行修正，使其對(duì)樣本有正確的識(shí)別結(jié)果，這就像人的記憶一樣，網(wǎng)絡(luò)中的神經(jīng)元就像是人腦細(xì)胞，權(quán)值的改變就像是人腦細(xì)胞的相互作用的改變，神經(jīng)網(wǎng)絡(luò)在樣本學(xué)習(xí)中就如同人記憶事物的特征一樣，學(xué)習(xí)樣本時(shí)的網(wǎng)絡(luò)權(quán)值調(diào)整就相當(dāng)于人記住各種缺陷的形象，網(wǎng)絡(luò)權(quán)值就是網(wǎng)絡(luò)記住的內(nèi)容，網(wǎng)絡(luò)學(xué)習(xí)階段就像人由不認(rèn)識(shí)缺陷到認(rèn)識(shí)缺陷反復(fù)學(xué)習(xí)過程是一樣的。神經(jīng)網(wǎng)絡(luò)是按整個(gè)特征向量的整體來記憶缺陷的，只要大多數(shù)特征符合曾學(xué)習(xí)過的樣本就可識(shí)別為同種缺陷，所以當(dāng)樣本存在較大噪聲時(shí)神經(jīng)網(wǎng)絡(luò)分類器仍可正確識(shí)別。在缺陷識(shí)別階段，只要將輸入進(jìn)行預(yù)處理，特征提取后的特征向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入，經(jīng)過網(wǎng)絡(luò)的計(jì)算，分類器的輸出就是識(shí)別結(jié)果。 將以上概述成具體的BP網(wǎng)絡(luò)算法：（1）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等。（2）提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。（3）前向傳播過程