基于BP神经网络的船舶焊缝缺陷图像识别_高岚
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
支持向量机方法是在统计学习理论上发展的新方法但它的精度神经网络样本训练与测试与向量机的支持向量个数有直接关系在一定训笔者选取了张焊缝缺陷图像作为训练样练精度下支持向量的个数越少其泛化性能越本其中裂纹张未焊透张未熔合张气孔高然而由于缺陷类别样本数不同容易导致误识张和夹渣张
第 34 卷 第 3 期 2012 年 6 月
图2
船舶焊缝图像预处理流程图
。 船舶焊缝图像识别流程如
图1
船舶焊缝图像识别流程图 图3 各过程处理图像
1
1． 1
船舶焊缝缺陷图像预处理
图像预处理 X 射线检测焊缝原始图像存在着灰度区间比 1． 2
较窄、 缺陷边缘模糊、 图像噪声多、 缺陷特征有时
船舶焊缝图像特征提取 船舶焊缝缺陷主要分为 6 类： 裂纹、 未熔合、 未焊透、 气孔、 条状夹渣及球状夹渣， 要想正确地
（ 2）
E 则有 i X j 如果网络的层数较多， 则计算量就大， 收敛速度
第 34 卷
第3 期
高
岚， 等： 基于 BP 神经网络的船舶焊缝缺陷图像识别 表3 识别 项目 裂纹 未焊透 未熔合 气孔 夹渣 准确率 / % 网络识别结果 隐含层 11 3 3 4 2 3 60
［8 － 10 ］ 。 正常量， α、 η 范围为 0 ＜ α、 η ＜1
2． 2
BP 神经网络设计 理论分析证明， 具有单隐含层的 BP 神经网
络可以映射所有连续函数， 只有学习不连续函数 时才需要两个或以上的隐含层， 因此， 笔者设计具 输出层和隐含层的 3 层结构 BP 神经 有输入层、 网络来进行船舶焊缝缺陷图像的识别 。隐含层节 点数的选取应满足容量和学习速度的要求 ， 隐含 层节点数越多就越能精确地逼近训练样本构成的 区域， 但易产生过拟合现象， 降低泛化能力； 反之， 如果节点数过少， 则会产生欠拟合现象， 达不到逼 近精度， 从而学习不能收敛。 隐含层节点数目可 按下面的隐含层节点经验公式计算得到 ： p = 槡 m +n +a （ 5） 式中： p 为隐含层节点数； m 为输入节点数； n 为输出节点数； a 为 1 ～ 10 之间的常数。 5 将前面选取的 5 个特征参数作为输入节点， 种焊缝缺陷类型作为输出节点， 根据式 （ 5 ） 得到 经过样本训练， 不断 隐含层节点数的初始值为 5 ， 改变隐含层节点数， 以选取最佳隐含层节点数。 网络各单元之间的连接权值和阈值随机地赋予 ［ 0， 1］ 之间的值， 为了避免每一步权值的调整方 向是同向的， 应用随机数来得到这些权值和阈值 ， 学习速率取 0． 015 ， 相关系数取 0． 850 ， 全误差定 为 0． 001 。网络训练结果如表 1 所示。 通过表 1 可知， 隐含层节点数取 12 时， 网络能很快地收敛。 因此， 笔者设计的网络是 5 × 12 × 5 的 3 层结构， 如图 4 所示。
［ 1］ 张晓光， 高顶． 射线检测焊接缺陷的提取和自动识 M］ ． 北京： 国防工业出版社， 2004 ： 21 － 22． 别［ ［ 2］ 万彩婷． 基于 BP 神经网络的图像识别与跟踪研究 ［ D］ ． 西安： 西安电子科技大学图书馆， 2006． ［ 3］ ALAKNANDA R S， ANAND P K． Flaw detection in radiographic weld images using morphological approach ［ J］ ． NDT ＆ E International， 2006 ， 39 （ 1 ） ： 29 － 33． ［ 4］ 高岚， 赵永珠， 范世东， 等． 基于 HU 不变矩的船舶 ． 船 海 工 程， 2009 ， 38 焊缝缺 陷 图 像 特 征 提 取［J］ （ 2 ） ： 94 － 95． ［ 5］ 刘粲， 谢小鹏， 陆丕青， 等． 基于 BP 神经网络的铁谱 ． 润滑与密封， 2010 ， 35 磨粒图像识别方法研究［J］ （ 4 ） ： 72 － 74． ［ 6］ 翟俊海， J］ ．河 赵文秀， 王熙照． 图像特征提取研究［ 2009 （ 1 ） ： 106 － 110． 北大学学报： 自然科学版， ［ 7］ 杨枝灵， M］ ． 王开． 数字图像获取处理及实践应用［
高
1 岚， 胡 1 亮， 罗 1 2 乐， 田凯伟 （ 1． 武汉理工大学 能源与动力工程学院， 湖北 武汉 430063 ； 2． 广东省深圳市海事局， 广东 深圳 518000 ）
摘
要： 提出了一种基于 BP 神经网络的船舶焊缝缺陷图像识别的方法， 通过对船舶焊缝图像进行预处
理， 提取出有用的目标缺陷， 再进行缺陷特征参数计算， 将特征参数和焊缝缺陷类型分别作为输入层和输出 BP 神经网络能较准确地 层， 利用 BP 算法设计 3 层结构的神经网络， 对样本进行训练和识别 。实验结果表明， 识别出船舶焊缝缺陷。 关键词： BP 神经网络； 图像识别； 图像预处理； 特征参数； 船舶焊缝缺陷 中图分类号： TP391． 4 DOI： 10． 3963 / j． issn． 2095 － 3852． 2012． 03． 003
［ 6 －7 ］ 。 度。周长平方与面积比越大， 区域形状越复杂
为了加快收敛速度， 一般以上一次的权 就慢。因此， ， 系数作为本次协整的依据之一 故有修正公式：
k k －1 Δ W ij （ t + 1 ） = － ηd i X j + αΔ W ij （ t）
（ 4）
式中： η 为学习速率， 即步长； α 为权系数修
武 汉理工大学学报（ 信息与管理工程版） JOURNAL OF WUT（ INFORMATION ＆ MANAGEMENT ENGINEERING）
Vol． 34 No． 3 Jun． 2012 文献标志码： A
文章编号： 2095 － 3852 （ 2012 ） 03 － 0271 － 04
基于 BP 神经网络的船舶焊缝缺陷图像识别
［2 ］
被淹没等缺点， 这对焊缝图像分析和评价的效果 产生了影响， 因此正确提取缺陷特征， 对焊缝图像 进行预处理是非常必要的。通过对船舶焊缝胶片 运用中值滤波、 模糊增强、 成像的特点进行分析， 图像二值化， 以及图像区域消除等图像处理算法 ， 提取出所需要的目标焊缝特征并计算特征参数 ，
［3 － 5 ］ 。船舶焊缝图像预处理 为识别分类做好铺垫 流程如图 2 所示， 各过程处理图像如图 3 所示。
273
缺陷个数 隐含层 /个 10 5 5 5 5 5 — 4 2 3 4 4 68
隐含层 隐含层 12 13 5 2 4 5 5 84 2 3 3 4 2 56
图4
BP 网络结构图
2． 3
BP 神经网络样本训练与测试
果特征不明显， 就容易出现误判； 支持向量机方法 是在统计学习理论上发展的新方法， 但它的精度 与向量机的支持向量个数有直接关系， 在一定训 练精度下， 支持向量的个数越少， 其泛化性能越 高， 然而由于缺陷类别样本数不同， 容易导致误识 别的概率相对较大； BP 神经网络对待识别的对象 不需要有太多了解， 具有一定智能化处理的优点。 因此， 笔者设计的基于 BP 神经网络的焊缝缺陷 图像识别模型更为有效， 通过增加训练样本数量 和选用更好的图像特征参数， 能进一步提高识别 效果。
2
（ 1）
m 式中： X i 为实际输出； Y i 为输出单元的期望 值。用 SIGMOID 函数来描述单个神经元的输入
输出关系。由于 BP 算法按误差函数 E 的负梯度 方向修改权系数， 故权系数修改量为： Δ W ij = － η
k 设 di =
E E k － 1 =－η k Xj W ij U i
2
2． 1
船舶焊缝缺陷图像识别
BP 算法 BP 算法是一种有教师学习算法， 在训练时需
要指定输入矢量与目标输出矢量。 BP 算法的本 质就是求取误差函数的最小值， 它采用非线性规 按误差函数的负梯度方向 划中的最速下降方法， 。 修改权系数 网络输出误差定义为： E = 1 2 （ Xm ∑ i i － Yi ）
面积 周长 / mm2 / mm 2． 90 6． 15
3
结论
将 BP 神经网络方法应用到船舶焊缝缺陷图 像识别中， 利用 BP 神经网络的信息， 分布式储存 于连接权值系数中， 网络具有较高容错性， 可有效 地解决船舶焊缝胶片数字化和图像输入的过程中 存在噪声和输入图像的部分损失等问题， 大大提 高船舶焊缝缺陷图像识别的准确率 。 参考文献：
笔者选取了 30 张焊缝缺陷图像作为训练样 本， 其中裂纹 7 张、 未焊透 3 张、 未熔合 6 张、 气孔 7 张和夹渣 7 张。 同时选取 25 张典型的焊缝缺 陷图像作为测试对象， 这些样本不需要参加训练， 其中裂纹、 未焊透、 未熔合、 气孔和夹渣各 5 张。 部分类型缺陷特征参数训练样本数据如表 2 所 示。在网络学习开始之前， 将焊缝缺陷图像的特 征参数序列输入到网络的输入层 。
表1 隐含层 节点数 / 个 5 6 7 8 9 10 11 12 13 学习速率 / dip 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 网络训练结果 平均 误差 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 相关 系数 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 迭代次数 /次 16 613 15 618 19 049 13 389 16 024 10 377 12 391 8 004 12 096
收稿日期： 2011 － 11 － 11． 作者简介： 高 岚（ 1965 － ） ， 女， 吉林榆树人， 武汉理工大学能源与动力工程学院教授； 博士．
272
武汉理工大学学报（ 信息与管理工程版）
2012 年 6 月
识别这些缺陷， 就需要找到能反映其本原的特征 ， 根据缺陷影像的几何形状、 影像在图中的相对位 置及影像的黑度分布来进行判断 。分析一个缺陷 一般先通过缺陷图像的形状进行初步判断 ， 图像， 然后通过不同的特征参数进一步地描述和识别 ， 为最终的识别和分类做好铺垫。 （ 1 ） 缺陷面积 S。 计算焊缝图像缺陷内包括 缺陷边界所有像素的数目， 即缺陷区域大小。 （ 2 ） 缺陷周长 L。缺陷外边缘的长度， 通常用 缺陷边缘上相邻的两两像素之间的距离之和来计 算。取缺陷边缘上一像素点为起点， 在八连通区 2 的链码的个 域内， 统计边缘像素中长度为 1 和槡 数和相应方向的链码个数与长度的积值再相加 ， 即周长值。 （ 3 ） 缺陷长轴 l1 和短轴 l2 。取缺陷边界上任 意向量之间的距离最大值， 即为缺陷的长轴； 在确 定长轴两像素点形成的直线后求斜率， 求得短轴 的方向， 然后在边缘数组内求出与长轴垂直的长 即为短轴。 度最大的两像素点形成的直线， （ 4 ） 周长与面积比 L / S。 用来描述缺陷形状 当形状为圆时， 周长与面积比最小； 反之 的参数， 越呈长条形， 周长与面积比就越大。 （ 5 ） 周长平方与面积比 L2 / S。通过计算缺陷目 来判定该区域的形状复杂程 标区域的周长和面积，
表2 缺陷 气孔 部分类型缺陷特征参数训练样本数据 长轴 / 短轴 / mm 1． 99 /1． 81 6． 00 /0． 90 4． 89 /0． 96 2． 08 /2． 01 8． 09 /1． 10 周长 周长平方与 面积比 面积比 2． 12 2． 98 3． 34 2． 06 2． 21 13． 04 41． 43 38． 16 13． 12 40． 15
X 射线检测产生的船舶焊缝图像存在着对比 度不高、 缺陷边缘不清晰、 图像噪声多、 背景起伏 ［1 ］ 大等缺陷 ， 因此选取一种合适的焊缝图像缺陷 它将直接影响焊 提取及识别方法显得尤为重要， 。 缝的分类及最终的等级评定 目前， 模式特征不 同， 其判别决策方法也不同， 主要有统计模式识 模糊模式识别和神经网络识别等方法。 但统 别、 计模式识别和模糊模式识别方法需要做大量的计 算统计， 识别速度慢， 判别函数选取困难， 没有自 学习功能， 这都严重影响了其应用效果。 而通过 BP 神经网络方法实现图像识别， 不仅可以处理一 些环境信息复杂、 背景知识不清楚、 推理规则不明 确的问题， 允许样品有较大的缺损和畸变， 而且运 行速度快， 自适应性能好并具有较高的分辨率。 因此， 笔者将 BP 神经网络方法应用于船舶焊缝 缺陷图像识别中 图 1 所示。
第 34 卷 第 3 期 2012 年 6 月
图2
船舶焊缝图像预处理流程图
。 船舶焊缝图像识别流程如
图1
船舶焊缝图像识别流程图 图3 各过程处理图像
1
1． 1
船舶焊缝缺陷图像预处理
图像预处理 X 射线检测焊缝原始图像存在着灰度区间比 1． 2
较窄、 缺陷边缘模糊、 图像噪声多、 缺陷特征有时
船舶焊缝图像特征提取 船舶焊缝缺陷主要分为 6 类： 裂纹、 未熔合、 未焊透、 气孔、 条状夹渣及球状夹渣， 要想正确地
（ 2）
E 则有 i X j 如果网络的层数较多， 则计算量就大， 收敛速度
第 34 卷
第3 期
高
岚， 等： 基于 BP 神经网络的船舶焊缝缺陷图像识别 表3 识别 项目 裂纹 未焊透 未熔合 气孔 夹渣 准确率 / % 网络识别结果 隐含层 11 3 3 4 2 3 60
［8 － 10 ］ 。 正常量， α、 η 范围为 0 ＜ α、 η ＜1
2． 2
BP 神经网络设计 理论分析证明， 具有单隐含层的 BP 神经网
络可以映射所有连续函数， 只有学习不连续函数 时才需要两个或以上的隐含层， 因此， 笔者设计具 输出层和隐含层的 3 层结构 BP 神经 有输入层、 网络来进行船舶焊缝缺陷图像的识别 。隐含层节 点数的选取应满足容量和学习速度的要求 ， 隐含 层节点数越多就越能精确地逼近训练样本构成的 区域， 但易产生过拟合现象， 降低泛化能力； 反之， 如果节点数过少， 则会产生欠拟合现象， 达不到逼 近精度， 从而学习不能收敛。 隐含层节点数目可 按下面的隐含层节点经验公式计算得到 ： p = 槡 m +n +a （ 5） 式中： p 为隐含层节点数； m 为输入节点数； n 为输出节点数； a 为 1 ～ 10 之间的常数。 5 将前面选取的 5 个特征参数作为输入节点， 种焊缝缺陷类型作为输出节点， 根据式 （ 5 ） 得到 经过样本训练， 不断 隐含层节点数的初始值为 5 ， 改变隐含层节点数， 以选取最佳隐含层节点数。 网络各单元之间的连接权值和阈值随机地赋予 ［ 0， 1］ 之间的值， 为了避免每一步权值的调整方 向是同向的， 应用随机数来得到这些权值和阈值 ， 学习速率取 0． 015 ， 相关系数取 0． 850 ， 全误差定 为 0． 001 。网络训练结果如表 1 所示。 通过表 1 可知， 隐含层节点数取 12 时， 网络能很快地收敛。 因此， 笔者设计的网络是 5 × 12 × 5 的 3 层结构， 如图 4 所示。
［ 1］ 张晓光， 高顶． 射线检测焊接缺陷的提取和自动识 M］ ． 北京： 国防工业出版社， 2004 ： 21 － 22． 别［ ［ 2］ 万彩婷． 基于 BP 神经网络的图像识别与跟踪研究 ［ D］ ． 西安： 西安电子科技大学图书馆， 2006． ［ 3］ ALAKNANDA R S， ANAND P K． Flaw detection in radiographic weld images using morphological approach ［ J］ ． NDT ＆ E International， 2006 ， 39 （ 1 ） ： 29 － 33． ［ 4］ 高岚， 赵永珠， 范世东， 等． 基于 HU 不变矩的船舶 ． 船 海 工 程， 2009 ， 38 焊缝缺 陷 图 像 特 征 提 取［J］ （ 2 ） ： 94 － 95． ［ 5］ 刘粲， 谢小鹏， 陆丕青， 等． 基于 BP 神经网络的铁谱 ． 润滑与密封， 2010 ， 35 磨粒图像识别方法研究［J］ （ 4 ） ： 72 － 74． ［ 6］ 翟俊海， J］ ．河 赵文秀， 王熙照． 图像特征提取研究［ 2009 （ 1 ） ： 106 － 110． 北大学学报： 自然科学版， ［ 7］ 杨枝灵， M］ ． 王开． 数字图像获取处理及实践应用［
高
1 岚， 胡 1 亮， 罗 1 2 乐， 田凯伟 （ 1． 武汉理工大学 能源与动力工程学院， 湖北 武汉 430063 ； 2． 广东省深圳市海事局， 广东 深圳 518000 ）
摘
要： 提出了一种基于 BP 神经网络的船舶焊缝缺陷图像识别的方法， 通过对船舶焊缝图像进行预处
理， 提取出有用的目标缺陷， 再进行缺陷特征参数计算， 将特征参数和焊缝缺陷类型分别作为输入层和输出 BP 神经网络能较准确地 层， 利用 BP 算法设计 3 层结构的神经网络， 对样本进行训练和识别 。实验结果表明， 识别出船舶焊缝缺陷。 关键词： BP 神经网络； 图像识别； 图像预处理； 特征参数； 船舶焊缝缺陷 中图分类号： TP391． 4 DOI： 10． 3963 / j． issn． 2095 － 3852． 2012． 03． 003
［ 6 －7 ］ 。 度。周长平方与面积比越大， 区域形状越复杂
为了加快收敛速度， 一般以上一次的权 就慢。因此， ， 系数作为本次协整的依据之一 故有修正公式：
k k －1 Δ W ij （ t + 1 ） = － ηd i X j + αΔ W ij （ t）
（ 4）
式中： η 为学习速率， 即步长； α 为权系数修
武 汉理工大学学报（ 信息与管理工程版） JOURNAL OF WUT（ INFORMATION ＆ MANAGEMENT ENGINEERING）
Vol． 34 No． 3 Jun． 2012 文献标志码： A
文章编号： 2095 － 3852 （ 2012 ） 03 － 0271 － 04
基于 BP 神经网络的船舶焊缝缺陷图像识别
［2 ］
被淹没等缺点， 这对焊缝图像分析和评价的效果 产生了影响， 因此正确提取缺陷特征， 对焊缝图像 进行预处理是非常必要的。通过对船舶焊缝胶片 运用中值滤波、 模糊增强、 成像的特点进行分析， 图像二值化， 以及图像区域消除等图像处理算法 ， 提取出所需要的目标焊缝特征并计算特征参数 ，
［3 － 5 ］ 。船舶焊缝图像预处理 为识别分类做好铺垫 流程如图 2 所示， 各过程处理图像如图 3 所示。
273
缺陷个数 隐含层 /个 10 5 5 5 5 5 — 4 2 3 4 4 68
隐含层 隐含层 12 13 5 2 4 5 5 84 2 3 3 4 2 56
图4
BP 网络结构图
2． 3
BP 神经网络样本训练与测试
果特征不明显， 就容易出现误判； 支持向量机方法 是在统计学习理论上发展的新方法， 但它的精度 与向量机的支持向量个数有直接关系， 在一定训 练精度下， 支持向量的个数越少， 其泛化性能越 高， 然而由于缺陷类别样本数不同， 容易导致误识 别的概率相对较大； BP 神经网络对待识别的对象 不需要有太多了解， 具有一定智能化处理的优点。 因此， 笔者设计的基于 BP 神经网络的焊缝缺陷 图像识别模型更为有效， 通过增加训练样本数量 和选用更好的图像特征参数， 能进一步提高识别 效果。
2
（ 1）
m 式中： X i 为实际输出； Y i 为输出单元的期望 值。用 SIGMOID 函数来描述单个神经元的输入
输出关系。由于 BP 算法按误差函数 E 的负梯度 方向修改权系数， 故权系数修改量为： Δ W ij = － η
k 设 di =
E E k － 1 =－η k Xj W ij U i
2
2． 1
船舶焊缝缺陷图像识别
BP 算法 BP 算法是一种有教师学习算法， 在训练时需
要指定输入矢量与目标输出矢量。 BP 算法的本 质就是求取误差函数的最小值， 它采用非线性规 按误差函数的负梯度方向 划中的最速下降方法， 。 修改权系数 网络输出误差定义为： E = 1 2 （ Xm ∑ i i － Yi ）
面积 周长 / mm2 / mm 2． 90 6． 15
3
结论
将 BP 神经网络方法应用到船舶焊缝缺陷图 像识别中， 利用 BP 神经网络的信息， 分布式储存 于连接权值系数中， 网络具有较高容错性， 可有效 地解决船舶焊缝胶片数字化和图像输入的过程中 存在噪声和输入图像的部分损失等问题， 大大提 高船舶焊缝缺陷图像识别的准确率 。 参考文献：
笔者选取了 30 张焊缝缺陷图像作为训练样 本， 其中裂纹 7 张、 未焊透 3 张、 未熔合 6 张、 气孔 7 张和夹渣 7 张。 同时选取 25 张典型的焊缝缺 陷图像作为测试对象， 这些样本不需要参加训练， 其中裂纹、 未焊透、 未熔合、 气孔和夹渣各 5 张。 部分类型缺陷特征参数训练样本数据如表 2 所 示。在网络学习开始之前， 将焊缝缺陷图像的特 征参数序列输入到网络的输入层 。
表1 隐含层 节点数 / 个 5 6 7 8 9 10 11 12 13 学习速率 / dip 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 0 ． 015 网络训练结果 平均 误差 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 0 ． 001 相关 系数 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 0 ． 850 迭代次数 /次 16 613 15 618 19 049 13 389 16 024 10 377 12 391 8 004 12 096
收稿日期： 2011 － 11 － 11． 作者简介： 高 岚（ 1965 － ） ， 女， 吉林榆树人， 武汉理工大学能源与动力工程学院教授； 博士．
272
武汉理工大学学报（ 信息与管理工程版）
2012 年 6 月
识别这些缺陷， 就需要找到能反映其本原的特征 ， 根据缺陷影像的几何形状、 影像在图中的相对位 置及影像的黑度分布来进行判断 。分析一个缺陷 一般先通过缺陷图像的形状进行初步判断 ， 图像， 然后通过不同的特征参数进一步地描述和识别 ， 为最终的识别和分类做好铺垫。 （ 1 ） 缺陷面积 S。 计算焊缝图像缺陷内包括 缺陷边界所有像素的数目， 即缺陷区域大小。 （ 2 ） 缺陷周长 L。缺陷外边缘的长度， 通常用 缺陷边缘上相邻的两两像素之间的距离之和来计 算。取缺陷边缘上一像素点为起点， 在八连通区 2 的链码的个 域内， 统计边缘像素中长度为 1 和槡 数和相应方向的链码个数与长度的积值再相加 ， 即周长值。 （ 3 ） 缺陷长轴 l1 和短轴 l2 。取缺陷边界上任 意向量之间的距离最大值， 即为缺陷的长轴； 在确 定长轴两像素点形成的直线后求斜率， 求得短轴 的方向， 然后在边缘数组内求出与长轴垂直的长 即为短轴。 度最大的两像素点形成的直线， （ 4 ） 周长与面积比 L / S。 用来描述缺陷形状 当形状为圆时， 周长与面积比最小； 反之 的参数， 越呈长条形， 周长与面积比就越大。 （ 5 ） 周长平方与面积比 L2 / S。通过计算缺陷目 来判定该区域的形状复杂程 标区域的周长和面积，
表2 缺陷 气孔 部分类型缺陷特征参数训练样本数据 长轴 / 短轴 / mm 1． 99 /1． 81 6． 00 /0． 90 4． 89 /0． 96 2． 08 /2． 01 8． 09 /1． 10 周长 周长平方与 面积比 面积比 2． 12 2． 98 3． 34 2． 06 2． 21 13． 04 41． 43 38． 16 13． 12 40． 15
X 射线检测产生的船舶焊缝图像存在着对比 度不高、 缺陷边缘不清晰、 图像噪声多、 背景起伏 ［1 ］ 大等缺陷 ， 因此选取一种合适的焊缝图像缺陷 它将直接影响焊 提取及识别方法显得尤为重要， 。 缝的分类及最终的等级评定 目前， 模式特征不 同， 其判别决策方法也不同， 主要有统计模式识 模糊模式识别和神经网络识别等方法。 但统 别、 计模式识别和模糊模式识别方法需要做大量的计 算统计， 识别速度慢， 判别函数选取困难， 没有自 学习功能， 这都严重影响了其应用效果。 而通过 BP 神经网络方法实现图像识别， 不仅可以处理一 些环境信息复杂、 背景知识不清楚、 推理规则不明 确的问题， 允许样品有较大的缺损和畸变， 而且运 行速度快， 自适应性能好并具有较高的分辨率。 因此， 笔者将 BP 神经网络方法应用于船舶焊缝 缺陷图像识别中 图 1 所示。