应用人工神经网络判别X射线探伤底片的设想

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 NEGATIVE’S 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，沧州欧谱通过对预处理后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。

Abstract: This paper is going to research the process X-ray inspection negative’s automatic grading methods. First using X-ray imaging and digital image processing technology, through the features capturing on post-pretreatment X-ray inspection negative’s image to obtain the state characteristics of products welding line’s 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 line’s internal faults based on the identification model.

关键词：射线探伤、图像预处理、特征提取、BP反向传播网络、自适应学习建模能力

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。 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 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． 系统设备及工作原理 焊缝缺陷计算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扫描仪等图像转换装置负责把X射线底片转变为模拟图像（图像采集），然后用A/D转换器将模拟图像量化成8bit灰度图像输入计算机处理。 图2 系统组成框图

二． 图像预处理 经量化后的底片图像中，不可避免地存在多种噪声。为了正确无误地抽取缺陷特征， 需要在底片自动评定前进行适当处理，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，对比度差，尤其是在缺陷部位。经过灰度变换可使图像动态范围加大，拉宽图像灰度域，使得图像清晰，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除多种干扰，突出图像中的目标对象，沧州欧谱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N×N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εi。其中，m=－(j－1)～+(j－1);l=－(k－1)～+(k－1);i=1,2,…,(N×（N－1）)。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εi逐个与V作比较，如果εi≥V，CNT加1。比较完毕，判断CNT是否大于Y，如果条件为真，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）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。金属结构图像二值化时，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 计算机对经过预处理、二值化后的缺陷图像进行光栅扫描，寻找还未打上已跟踪标记的边界点B(0)，如发现这样的点，就开始一条边界线的跟踪。在B(0)的8邻域中，按逆时针的顺序，判断像素的值，将最先遇到的1像素B(1)作为下一个边界像素进行跟踪。 在B(1)的8邻域中，继续按逆时针方向寻找1像素，并把它定义为 B(2)。用同样的方法可求出B(3)、B(4)、…。如果B(m+1)=B(1), B(m)=B(0),则一条边界跟踪结束，B(0) 、B(1) 、…、B(m-1)形成一个缺陷边界线。 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 根据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清晰，中间略宽，两头尖细，有时曲折多齿，具有尖锐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：一般呈现在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非常敏感。

（6） 长宽比：L1/L2是国标规定的使用标准。实验结果表明，L1/L2小于等于3，可以比较准确地判别出圆形缺陷。

（7） 面积像素数与周长像素数之比（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，若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。预处理就是将原始数据中的无用信息删除，平滑，二值化和进行幅度归一化等。神经网络识别系统中的特征提取部分不一定存在，这样就分为两大类：

（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，沧州欧谱这种方法可以充分利用人的经验来获取模式特征以及神经网络分类能力来识别字符。特征提取必须能反应整个待识别物体的特征。但它的抗干扰能力不如第2类。 在这里，可利用上述对缺陷的特征分析，简单地确定如下缺陷特征识别规则： IF L1/L2≤3 THEN 可归类为圆形缺陷 ELSE IF F≤1.2 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/L2≥5 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现的几何阴影图像，可视为伪缺陷。 具体实施时，可根据GB3323-87标准对缺陷的判定方法、收集的经验知识（尤其是对底片伪缺陷的判定经验）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行自动判别和定级。

（二）无特征提取部分的：省去特征抽取，整个待识别缺陷直接作为神经网络的输入，这种方式下，系统的神经网络结构的复杂度大大增加了，输入模式维数的增加导致了网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是网络的抗干扰性能好，识别率高。 构造神经网络分类器首先要选择适当的网络结构：神经网络分类器的输入就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，每层神经元数要合适，目前有很多采用一层隐层的网络结构。

然后要选择适当的学习算法，这样才会有很好的识别效果。在学习阶段应该用以往人工判定的实例制定大量的样本进行训练学习，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行修正，使其对样本有正确的识别结果，这就像人的记忆一样，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相互作用的改变，神经网络在样本学习中就如同人记忆事物的特征一样，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，网络权值就是网络记住的内容，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记忆缺陷的，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，所以当样本存在较大噪声时神经网络分类器仍可正确识别。沧州欧谱在缺陷识别阶段，只要将输入进行预处理，特征提取后的特征向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。 将以上概述成具体的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）提供训练模式，训练网络，直到满足学习要求。 　　

（3）前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差，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适应学习建模能力，韦氏硬度计http://www.weishiyingduji.cn 特征空间压缩为一维分布的简单灰度信息，具有良好的检测性能。人工神经网络模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：良好的容错能力、分类能力强、并行处理能力和自学习能力。因而，采用神经网络识别方式是一种很好的选择。