X射线智能评片系统的研究

论文摘要

传统的射线底片质量评级方法是由人工进行评片,当人工评定检测结果时,评定人员的工作量大,眼睛易受强光损伤,效率较低,而且缺陷分析受评定人员的技术素质、经验以及外界条件的影响,结果往往会因人而异。人工评片越来越满足不了生产发展需要。随着计算机的快速发展,数字图像处理技术的发展,底片数字化,评片智能化已经成为无损射线检测的方向。在解决了X射线底片的数字化问题之后,图像缺陷的识别和分类就成为智能评片的一个重点。本文力求搭建一个智能评片系统,在图像缺陷知识库的构建和缺陷识别分类推理上做了大量的研究工作。通过大量资料的搜集,本文把知识库的知识分为两类,浅层知识库和深层知识库。浅层知识库是一个标准的模糊BP神经网络,知识表示为内部隐式,由来自缺陷图像形状特征与缺陷图像类别关系,通过学习即可获得网络有关的参数如权矩阵和阈值向量。深层知识库反映在两个方面:一是知识的自学性,二是不需通过学习直接从经验中获取的知识。在缺陷的模式识别上本文将模糊技术和人工神经网络技术相结合,选取模糊BP神经网络学习算法。大量的试验和仿真证明模糊BP神经网络利用模糊理论建立训练样本,使网络的映射能力比传统的BP神经网络的映射能力增强,提高了网络的表达能力。因此,前者的识别能力要比后者高得多。当浅层知识库不能给出正确的识别(识别结果不确定时),系统通过激活深层知识库进行推理,得出识别结果。推理机是针对数据库中的信息,选取知识库中对当前焊缝有用的知识进行推理判断。本文所设计的X射线数字底片缺陷的智能识别系统经过了大量的仿真和部分的实验,获得了比较理想的效果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 本课题的学术背景与研究意义
• 1.1.1 问题的提出
• 1.1.2 X 射线检测技术概述
• 1.1.3 课题研究学术背景和意义
• 1.2 X 射线数字化底片图像处理的研究现状
• 1.3 论文内容安排及创新点
• 第2章 X 射线底片数字图像的预处理
• 2.1 X 射线底片数字图象的特点
• 2.1.1 X 射线底片数字化
• 2.1.2 X 射线底片的特点
• 2.2 X 射线数字底片的去噪方法
• 2.2.1 X 射线数字底片的噪声模型
• 2.2.2 X 射线数字底片的去噪
• 2.3 缺陷的特征提取
• 2.3.1 缺陷特征的种类
• 2.3.2 缺陷的特征参数
• 2.3.3 缺陷特征参数的计算
• 第3章 缺陷识别知识库的建立
• 3.1 知识的表示方法
• 3.1.1 产生式表示法
• 3.1.2 逻辑式表示法
• 3.1.3 语义网络表示法
• 3.1.4 框架表示法
• 3.1.5 特征表示法
• 3.2 知识的获取
• 3.2.1 知识的归纳
• 3.2.2 深层知识库的构建
• 3.2.3 浅层知识库的构建
• 3.2.4 知识库的自学性
• 3.2.5 知识库的管理
• 第4章 焊缝缺陷的模糊神经网络识别方法研究
• 4.1 BP 神经网络的结构及算法
• 4.2 缺陷识别的模糊神经网络结构
• 4.3 网络的训练与识别
• 4.3.1 输入数据的预处理
• 4.3.2 输出数据的表征
• 4.3.3 初始权值的设计
• 4.3.4 网络的训练和识别
• 第5章 智能评片模糊神经网络专家系统的设计
• 5.1 模糊神经网络焊缝缺陷识别专家系统
• 5.1.1 系统的识别策略
• 5.1.2 系统的知识表示、获取与推理
• 5.2 系统软件设计
• 5.2.1 软件功能与开发环境
• 5.2.2 软件结构
• 5.2.3 图像显示与缺陷特征提取
• 5.2.4 模糊BP 神经网络的实现
• 5.2.5 推理解释
• 结论
• 参考文献
• 附录A 攻读学位期间所发表的学术论文
• 附录B 模糊BP 神经网络算法实现的部分源代码
• 致谢