Page 48 - КЛАСИФІКАЦІЯ ЛОКАЛІЗОВАНИХ ДЕФЕКТІВ ЗВАРНИХ ШВІВ НА РЕНТГЕНІВСЬКИХ ЗОБРАЖЕННЯХ ТРУБ

48

ніж інших об’єктів зображення. Для верифікації поділу на два класи (шов та не

шов), Лі використовував критерій відстані між середніми значеннями ознак

кожного об’єкту та перекриття (накладання) між класами. Для критерію

відстані він зробив висновок, що ознака ширини об’єкта була найкращою, а для

критерію перекривання найкращі результати дала ознака середньоквадратичної

похибки. Використовуючи ці три ознаки для 44 даних, він застосував K-NN

нечіткий алгоритм для класифікації шва чи не шва і отримав ймовірність

класифікації 93.2% для нормалізованих даних.

Ліао і Танг [123] оцінювали можливість локалізації зварного шва за

допомогою нейронних мереж. Вони розглядали виділення зварного шва як

задачу сегментації. Для цього використовували такі ознаки: позицію піку,

ширину піку, середньоквадратичну похибку між профілем шва і Гаусівською

кривою та інтенсивність піку. Спочатку застосовували алгоритм детектування

піків і об’єктів зображення, що базується на детектуванні зміни дотичної до

лінії профілю в кожній точці, обчислювали інтенсивність і позицію знайдених

піків, вимірювали ширину та знаходили середньоквадратичну похибку. Тоді

застосовували нейронну мережу типу зворотного поширення та методику

Флетчера-Рівза для навчання мережі, щоб поділити вхідні дані на два класи:

шов та не шов.
Ліао та Лі [124, 125] запропонували метод, що полягає в поділі зображення

на вертикальні секції зі зварними швами. Далі в кожній секції аналізували
профілі інтенсивності по рядках і знаходили зони зварних швів за їх піками.

Феліберто [126] використав генетичний алгоритм для ознак позиції,
ширини, висоти та кута для визначення вікна, що відповідає еталону зварного

шва.

Ші [127] запропонував для локалізації зони зварного шва використати

порогову сегментацію за таким алгоритмом:

1. Обчислюємо максимальне та мінімальне значення інтенсивності

зображення Z і Z . Початкове значення порогу визначаємо таким чином:
k
l