Page 49 - КЛАСИФІКАЦІЯ ЛОКАЛІЗОВАНИХ ДЕФЕКТІВ ЗВАРНИХ ШВІВ НА РЕНТГЕНІВСЬКИХ ЗОБРАЖЕННЯХ ТРУБ

49

Z  Z
0
T  1 k . (1.8)
2

k
2. За допомогою порогу T сегментуємо зображення на дві частини: об’єкт

і фон. Обчислюємо середнє значення інтенсивності зображення в двох частинах
Z і Z окремо:
O B

 k z i , ( j ) N , (i ) j  k z i , ( j ) N , (i ) j
Z  z (i , j )T , Z  z (i , j )T , (1.9)
 z (i , j )T k N , (i ) j  z (i , j )T k N , (i ) j
O B

де z(i, j) – значення інтенсивності зображення в точці (i, j), N(i, j) – кількість

пікселів з яскравістю z(i,j).
3. Обчислюємо новий поріг:

Z  Z
T K  1  O B . (1.10)
2

K
4. Якщо T =T K+1 , то кінець циклу, T K+1 оптимальний поріг, інакше K:= K+1
і перейти до пункту 2.

У роботі [3] для сегментації зварного шва запропоновано

використовувати штучну нейронну мережу. Лавсон та Паркер застосували

штучні нейронні мережі, а саме, тришаровий перцептрон з алгоритмом

зворотного поширення для сегментації зварного шва. Нейронна мережа для

кожного пікселя зображення робила оцінку імовірності того, що цей піксель

лежить в області зварного шва.Вектор вхідних ознак охоплює шість елементів:

координати, локальне середнє значення, медіану, максимальне значення у вікні

розміром 3х3 та поточне значення інтенсивності зображення. Прихований шар

складається з п’яти елементів а останній шар – з одного елемента. Навчання

проводили на трьох зображеннях з відношенням кількості пікселів фону до