数字射线检测焊接缺陷模式识别算法.docVIP

数字射线检测焊接缺陷模式识别算法 　　摘要： 为了准确提取与识别焊缝射线数字成像中焊接缺陷，本文提出了一种基于神经网络的模式识别算法。首先，分析了非线性模式分类的基本原理，通过人工神经网络实现对焊缝内存在的焊接缺陷进行分类；然后，采用缺陷的几何特征作为分类算法的输入数据，并应用神经网络关联标准理论评估鉴别能力，证明了特征提取的质量重要性优于数量；最后，将基于神经网络的主要非线性鉴别分量的识别算法应用于缺陷识别中，并通过大量实验分析与评价其分类性能。实验结果数据证明该算法在焊接缺陷模式识别方面具有较高的效率。 　　Abstract： In order to extract and recognize welding defects in digital X-ray images， this paper proposes a neural network based on pattern recognition algorithm. Firstly， the fundamental of the nonlinear pattern classification has been analyzed. By means of artificial neural network， the classification of welding defects in welding lines has been realized. Later on， the geometric feature of the welding defect has been adopted for input data. The identification ability was evaluated by neural network association standard theory. It proved that quality was more important than quantity. At last， the neural network based on principal discrimination components has been applied to defect identification and satisfying result has been achieved. The experimental result proved this necognition has high efficiency. 　　关键词： 焊接缺陷；缺陷识别；关联标准；非线性模式；神经网络 　　Key words： weld defects；defect identification；correlates of standard；nonlinear pattern；neural networks 　　中图分类号：O434 文献标识码：A 文章编号：1006-4311（2015）25-0115-05 　　0 引言 　　数字射线检测较其他方法而言具有较高的图像精度。目前，在对焊接质量进行评价时，尚需采用传统方法，如检验员的目测。这种方法对经验要求较高，发生错误的概率也较高[1-2]。对于数字射线检测缺陷的分类，也有数字智能化的算法应用。其自动检测步骤大致如下：第一，胶片图像数字化或直接进行数字射线图像生成；第二，图像的预处理；第三，焊缝缺陷的识别和分类；最后，检验结果的获取与后处理。 　　本文使用线性分类算法将神经关联的标准用于研究各种缺陷特征，并证明了特征提取的质量重要性优于数量，以提高分类成功的概率。主要鉴别分量（PCD：Principal Components of Discrimination）算法在其它研究领域比较常用。采用此算法，通过神经网络执行，用于减少输入维数，并且对等级分离区的二维性进行可视化。 　　1 模式识别及分类算法 　　1.1 缺陷特征的提取 　　数字射线图像的噪声一般作为随机分散的像素出现，并且相邻像素值并没有耦合特征。低通滤波器一般用于降低噪声，采用直方图均衡或拉伸的算法对对比度进行优化。从而提高图像的对比度，更容易地检测到焊缝和缺陷[3-4]。 　　图像进行预处理之后，需要提取焊缝的形状和位置特征。文献[5]提取了10种特征，开发了自动焊缝射线照片检验系统。文献[6]提出采用10种焊接缺陷特征，将特征用于缺陷识别，需要比分类器图像像素处理更少的信息。但是需要非常大的输入空间，计算较为复杂。 　　本文算法采用四种特征形成系列非线性模式分类数据输入，如下： 　　①位置（P= h/H）：缺陷到焊缝中心的距离（h）之间与发生缺陷的焊缝厚度（H）之比。H用于求焊缝厚度变化的平均值，此类变化经常