JPH0896136A - 溶接欠陥の評価システム - Google Patents
溶接欠陥の評価システムInfo
- Publication number
- JPH0896136A JPH0896136A JP6254141A JP25414194A JPH0896136A JP H0896136 A JPH0896136 A JP H0896136A JP 6254141 A JP6254141 A JP 6254141A JP 25414194 A JP25414194 A JP 25414194A JP H0896136 A JPH0896136 A JP H0896136A
- Authority
- JP
- Japan
- Prior art keywords
- defect
- defects
- image
- welding
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/006—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to using of neural networks
Abstract
(57)【要約】 （修正有）
【目的】溶接欠陥の放射線透過撮映から得られる画像デ
ータに対し、欠陥識別を迅速確実に行う。 【構成】試験体の放射線撮影記録した画像データを画像
処理することにより、欠陥候補像を検出し、検出した欠
陥候補像の形状，濃度等の特徴パラメータを算出し、溶
接条件等を特徴パラメータとして加え、予め識別すべき
欠陥，欠陥の種類，非欠陥の特徴パラメータ間の相関関
係等を学習記憶させた神経回路網５を介して、欠陥、非
欠陥及び欠陥の種類を識別するようにする。また、欠陥
データについてエキスパートシステムを併用させて、よ
り高度化した判別及び迅速な判定を可能にする。
ータに対し、欠陥識別を迅速確実に行う。 【構成】試験体の放射線撮影記録した画像データを画像
処理することにより、欠陥候補像を検出し、検出した欠
陥候補像の形状，濃度等の特徴パラメータを算出し、溶
接条件等を特徴パラメータとして加え、予め識別すべき
欠陥，欠陥の種類，非欠陥の特徴パラメータ間の相関関
係等を学習記憶させた神経回路網５を介して、欠陥、非
欠陥及び欠陥の種類を識別するようにする。また、欠陥
データについてエキスパートシステムを併用させて、よ
り高度化した判別及び迅速な判定を可能にする。
Description
【０００１】
【産業上の利用分野】開示技術は、溶接構造物の溶接継
手の溶接欠陥に対処するためにＸ線等の放射線検査によ
るフイルム画像やイメージインテンシファイヤの画像か
ら検出された欠陥候補像からブローホールや融合不良等
の欠陥を計算機を介し判定する技術分野に属する。
手の溶接欠陥に対処するためにＸ線等の放射線検査によ
るフイルム画像やイメージインテンシファイヤの画像か
ら検出された欠陥候補像からブローホールや融合不良等
の欠陥を計算機を介し判定する技術分野に属する。
【０００２】
【従来の技術】従来、例えば、発電所設備の配管等の大
型構造物の溶接継手部分等の溶接部位にエックス線等の
放射線を照射して該溶接部分の透過像を得て、該透過像
に現われる溶接欠陥を所定の計器により計測し、その大
きさや位置、傾き等の欠陥特徴量を数量的なデータと
し、該データを所定に処理してブローホールや融合不良
等の溶接欠陥の種類をフイルム画像から推定する方法に
関する技術が種々開発され、例えば、特開平３−２０９
５８２号発明にみられるような技術が開発されており、
特に、該欠陥特徴量相互の関係を溶接欠陥の種類ごとに
データの知識ベースとして構築し、所定数複数のルール
を作成し、溶接欠陥を検出する溶接部位のフイルム画像
からの欠陥特徴量を所定のデータ処理を行い、欠陥推定
ルールとし照合し選択的な照合の結果、所定の欠陥推定
ルールを満足する処理データに対しては直接的に確信度
を付与し、或いは、溶接者や検査員が当該溶接に関して
保有しているユーザインプット情報のエキスパートシス
テムと併せて総合的に設定された推定ルールと照合し、
確信度を総合的に計算して最終的な確信度を付与し、当
該溶接欠陥の種類を推定する方法に係る手法が開発され
ている。
型構造物の溶接継手部分等の溶接部位にエックス線等の
放射線を照射して該溶接部分の透過像を得て、該透過像
に現われる溶接欠陥を所定の計器により計測し、その大
きさや位置、傾き等の欠陥特徴量を数量的なデータと
し、該データを所定に処理してブローホールや融合不良
等の溶接欠陥の種類をフイルム画像から推定する方法に
関する技術が種々開発され、例えば、特開平３−２０９
５８２号発明にみられるような技術が開発されており、
特に、該欠陥特徴量相互の関係を溶接欠陥の種類ごとに
データの知識ベースとして構築し、所定数複数のルール
を作成し、溶接欠陥を検出する溶接部位のフイルム画像
からの欠陥特徴量を所定のデータ処理を行い、欠陥推定
ルールとし照合し選択的な照合の結果、所定の欠陥推定
ルールを満足する処理データに対しては直接的に確信度
を付与し、或いは、溶接者や検査員が当該溶接に関して
保有しているユーザインプット情報のエキスパートシス
テムと併せて総合的に設定された推定ルールと照合し、
確信度を総合的に計算して最終的な確信度を付与し、当
該溶接欠陥の種類を推定する方法に係る手法が開発され
ている。
【０００３】該種従来の技術にあっては放射線を透過し
た試験フイルムはテレビカメラにより画像データとして
計測機器等に取り込まれ、次いで、取り込んだ画像デー
タから画像処理により欠陥候補像を検出して画像処理時
に算出された特徴パラメータを用いてヒストグラムや相
関分布等の統計的手法を用いて欠陥と非欠陥の識別や当
該欠陥の種類の識別を行っている。
た試験フイルムはテレビカメラにより画像データとして
計測機器等に取り込まれ、次いで、取り込んだ画像デー
タから画像処理により欠陥候補像を検出して画像処理時
に算出された特徴パラメータを用いてヒストグラムや相
関分布等の統計的手法を用いて欠陥と非欠陥の識別や当
該欠陥の種類の識別を行っている。
【０００４】
【発明が解決しようとする課題】しかしながら、画像処
理により検出した欠陥候補像の中には溶接内部に存在す
る欠陥像以外に溶接部表面のくぼみ等の表面形状に起因
する濃度異常領域も検出することがあり、これに対し従
来技術にあっては画像処理時に算出された特徴パラメー
タを用いて統計的手段等により欠陥と非欠陥の分類、及
び、当該欠陥の種類の識別を行うようにしているが、欠
陥候補像の数が多い場合はコンピュータ等の計算機器で
の計算量が欠陥候補像の数に対して比例的に増大して処
理時間が多大にかかるという欠点がある。
理により検出した欠陥候補像の中には溶接内部に存在す
る欠陥像以外に溶接部表面のくぼみ等の表面形状に起因
する濃度異常領域も検出することがあり、これに対し従
来技術にあっては画像処理時に算出された特徴パラメー
タを用いて統計的手段等により欠陥と非欠陥の分類、及
び、当該欠陥の種類の識別を行うようにしているが、欠
陥候補像の数が多い場合はコンピュータ等の計算機器で
の計算量が欠陥候補像の数に対して比例的に増大して処
理時間が多大にかかるという欠点がある。
【０００５】又、従来の技術にあっては画像処理時に算
出された特徴パラメータを用いて単純な統計処理によっ
て欠陥，非欠陥の識別を行うために、検査員の識別能力
を再現出来ず、誤検出や過検出が多くなるという不都合
さがあった。
出された特徴パラメータを用いて単純な統計処理によっ
て欠陥，非欠陥の識別を行うために、検査員の識別能力
を再現出来ず、誤検出や過検出が多くなるという不都合
さがあった。
【０００６】このような欠陥種類識別に用いる欠陥の形
状や濃度等をパラメータ化して計算機により欠陥を識別
することによる時間的ロスや多大なエネルギーを使うこ
とに対しては近時人間の神経細胞を模擬した素子（ニュ
ーロン）を組み合わせて１つのネックワークを構成し、
該ネットワークにある規則を学習させることにより、人
間の判断と同じような情報処理機能を装置として実現し
ようとする神経回路網（以下ＮＮと略称）を介して計算
速度の低下や誤検出や過検出を防ごうとする技術開発
が、例えば、特開平３−１４４３５０号公報，特開平３
−６６８４５号公報，特開平４−２２０６４号公報，特
開昭５１−１４６８６号公報等に開示されている。
状や濃度等をパラメータ化して計算機により欠陥を識別
することによる時間的ロスや多大なエネルギーを使うこ
とに対しては近時人間の神経細胞を模擬した素子（ニュ
ーロン）を組み合わせて１つのネックワークを構成し、
該ネットワークにある規則を学習させることにより、人
間の判断と同じような情報処理機能を装置として実現し
ようとする神経回路網（以下ＮＮと略称）を介して計算
速度の低下や誤検出や過検出を防ごうとする技術開発
が、例えば、特開平３−１４４３５０号公報，特開平３
−６６８４５号公報，特開平４−２２０６４号公報，特
開昭５１−１４６８６号公報等に開示されている。
【０００７】しかしながら、これらの先行技術にあって
は単純な統計処理では分類出来ない複雑な多変数の相関
関係を神経回路網にサンプルデータを学習させることに
よって短時間でそれらの相関関係を解析出来るものでは
なく、又、欠陥，非欠陥の分類や当該欠陥の種類の識別
を高精度で実現するには至ってはいないものである。
は単純な統計処理では分類出来ない複雑な多変数の相関
関係を神経回路網にサンプルデータを学習させることに
よって短時間でそれらの相関関係を解析出来るものでは
なく、又、欠陥，非欠陥の分類や当該欠陥の種類の識別
を高精度で実現するには至ってはいないものである。
【０００８】特に、特開平３−１４４３５０号公報にあ
っては神経回路網を用いるメリットはあるものの鋼板表
面の傷検査を誤検出と過検出を共に最適に抑えることが
出来る等の利点はあるものの、放射線透過試験を用いた
溶接欠陥識別にＮＮを使用することは出来ない欠点があ
る。
っては神経回路網を用いるメリットはあるものの鋼板表
面の傷検査を誤検出と過検出を共に最適に抑えることが
出来る等の利点はあるものの、放射線透過試験を用いた
溶接欠陥識別にＮＮを使用することは出来ない欠点があ
る。
【０００９】
【発明の目的】この出願の発明の目的は上述従来技術に
基づく各種溶接構造物の溶接欠陥、及び、非欠陥、並び
に、該欠陥の種類の識別を行う問題点を解決すべき技術
的課題とし、神経回路網への入力データとして特徴パラ
メータを用い、構造物の溶接部の欠陥と非欠陥、更には
該欠陥の種類の識別を行うことが出来るように、更には
これまで構築されているエキスパートシステムを併用さ
せて溶接欠陥と非欠陥の識別を高能率で精度良く実現す
る溶接欠陥の神経回路網を介しての評価システムを提供
せんとするものである。
基づく各種溶接構造物の溶接欠陥、及び、非欠陥、並び
に、該欠陥の種類の識別を行う問題点を解決すべき技術
的課題とし、神経回路網への入力データとして特徴パラ
メータを用い、構造物の溶接部の欠陥と非欠陥、更には
該欠陥の種類の識別を行うことが出来るように、更には
これまで構築されているエキスパートシステムを併用さ
せて溶接欠陥と非欠陥の識別を高能率で精度良く実現す
る溶接欠陥の神経回路網を介しての評価システムを提供
せんとするものである。
【００１０】
【課題を解決するための手段・作用】上述目的に沿い先
述特許請求の範囲を要旨とするこの出願の発明の構成
は、前述課題を解決するために、溶接構造物に対する欠
陥，非欠陥、更には当該欠陥の種類の識別を行うに際
し、放射線透過試験によって得られた像を画像データと
して取り込み、次いで、計算機を介して画像処理により
濃度異常領域をも欠陥候補像として検出し、更に、検出
した欠陥候補像の形状，濃度等の特徴パラメータを算出
し、又、溶接条件等を特徴パラメータに加え、予め識別
すべき欠陥，非欠陥として当該欠陥の特徴パラメータ間
の相関関係等を学習記憶させた神経回路網により欠陥と
非欠陥と識別し、この際、欠陥の種類をも識別するよう
にする。
述特許請求の範囲を要旨とするこの出願の発明の構成
は、前述課題を解決するために、溶接構造物に対する欠
陥，非欠陥、更には当該欠陥の種類の識別を行うに際
し、放射線透過試験によって得られた像を画像データと
して取り込み、次いで、計算機を介して画像処理により
濃度異常領域をも欠陥候補像として検出し、更に、検出
した欠陥候補像の形状，濃度等の特徴パラメータを算出
し、又、溶接条件等を特徴パラメータに加え、予め識別
すべき欠陥，非欠陥として当該欠陥の特徴パラメータ間
の相関関係等を学習記憶させた神経回路網により欠陥と
非欠陥と識別し、この際、欠陥の種類をも識別するよう
にする。
【００１１】このように学習記憶させた神経回路網は単
純な積和の式で表せるために計算速度は従来の推論処理
に比し、溶接欠陥の種類の推定方法の処理速度が著しく
向上し、更にこれまで構築されていたエキスパートシス
テムを併用させることにより該識別能力の高度化，正確
化を可能にするようにする技術的手段を講じたものであ
る。
純な積和の式で表せるために計算速度は従来の推論処理
に比し、溶接欠陥の種類の推定方法の処理速度が著しく
向上し、更にこれまで構築されていたエキスパートシス
テムを併用させることにより該識別能力の高度化，正確
化を可能にするようにする技術的手段を講じたものであ
る。
【００１２】
【実施例】この出願の発明のより具体的な実施例を図１
〜図１０を参照して説明すれば以下の通りである。
〜図１０を参照して説明すれば以下の通りである。
【００１３】まず、この出願の発明において能力的に作
用する神経回路網については１実施例として説明する
と、図８に示す様に、入力層の素子数は１５、中間層の
数は１、該中間層の素子数は８、そして、出力層の素子
数は２の構造とされており、該神経回路網の構造は体積
状欠陥候補像（第１種欠陥候補像），面状欠陥候補像
（第２種欠陥候補像）に対する構造は同一のものが用い
られている。
用する神経回路網については１実施例として説明する
と、図８に示す様に、入力層の素子数は１５、中間層の
数は１、該中間層の素子数は８、そして、出力層の素子
数は２の構造とされており、該神経回路網の構造は体積
状欠陥候補像（第１種欠陥候補像），面状欠陥候補像
（第２種欠陥候補像）に対する構造は同一のものが用い
られている。
【００１４】而して、学習については図９に示す様に、
入力層には画像データに算出された形状，濃度等の特徴
パラメータ、及び、溶接条件等の特徴パラメータを入力
し出力には非欠陥ならば（１，０）、欠陥ならば（０，
１）を出力するように行うようにされる。
入力層には画像データに算出された形状，濃度等の特徴
パラメータ、及び、溶接条件等の特徴パラメータを入力
し出力には非欠陥ならば（１，０）、欠陥ならば（０，
１）を出力するように行うようにされる。
【００１５】而して、欠陥と非欠陥の識別方法は予め学
習記憶させておいた第１種，第２種欠陥候補像専用の神
経回路網で行うが、実際の欠陥候補像の特徴パラメータ
を入力した場合、入力層から出力される値は（１，
０），（０，１）にはならず、そのため欠陥，非欠陥の
識別については図１０に示す様に、２つの出力値の対象
関係を比較することによって行う。
習記憶させておいた第１種，第２種欠陥候補像専用の神
経回路網で行うが、実際の欠陥候補像の特徴パラメータ
を入力した場合、入力層から出力される値は（１，
０），（０，１）にはならず、そのため欠陥，非欠陥の
識別については図１０に示す様に、２つの出力値の対象
関係を比較することによって行う。
【００１６】即ち、出力値（ａ，ｂ）であった場合、ａ
＞ｂならば非欠陥、ａ≦ｂならば欠陥とする方法で識別
を行うようにされている。
＞ｂならば非欠陥、ａ≦ｂならば欠陥とする方法で識別
を行うようにされている。
【００１７】上述の操作により欠陥と非欠陥の識別を行
い、設計によっては当該欠陥と識別された欠陥候補像の
みを次の欠陥種類識別エキスパートシステムによって、
より正確な評価が可能となるようにするために、計算量
の軽減による処理速度の向上、及び、エキスパートシス
テムの直列的併用処理により検査能力の高度化が可能と
なるものである。
い、設計によっては当該欠陥と識別された欠陥候補像の
みを次の欠陥種類識別エキスパートシステムによって、
より正確な評価が可能となるようにするために、計算量
の軽減による処理速度の向上、及び、エキスパートシス
テムの直列的併用処理により検査能力の高度化が可能と
なるものである。
【００１８】図１，図２に神経回路網のみで溶接構造物
の溶接欠陥の種類，非欠陥の種類を識別する実施例を示
す態様であり、１はこの出願の発明の要旨の中心を成す
溶接欠陥の神経回路網を介しての評価システムを示すも
のであり、現場に於ける非試験単位に対する放射線撮影
された放射線透過試験フイルム２に対しＩＴＶカメラ３
によってその画像データとして取り込み、次にコンピュ
ータ等による画像処理装置４を介してフイルム２よりの
画像データよりの濃度異常領域を欠陥候補像として検出
し、又、検出した欠陥候補像の形状，濃度等の特徴パラ
メータを算出し、予め識別すべき欠陥，欠陥の種類、非
欠陥の特徴パラメータを学習記憶させた神経回路網５に
より欠陥と非欠陥とを識別し、更には欠陥の種類をも識
別するようにした態様である。
の溶接欠陥の種類，非欠陥の種類を識別する実施例を示
す態様であり、１はこの出願の発明の要旨の中心を成す
溶接欠陥の神経回路網を介しての評価システムを示すも
のであり、現場に於ける非試験単位に対する放射線撮影
された放射線透過試験フイルム２に対しＩＴＶカメラ３
によってその画像データとして取り込み、次にコンピュ
ータ等による画像処理装置４を介してフイルム２よりの
画像データよりの濃度異常領域を欠陥候補像として検出
し、又、検出した欠陥候補像の形状，濃度等の特徴パラ
メータを算出し、予め識別すべき欠陥，欠陥の種類、非
欠陥の特徴パラメータを学習記憶させた神経回路網５に
より欠陥と非欠陥とを識別し、更には欠陥の種類をも識
別するようにした態様である。
【００１９】この場合、ＩＴＶカメラ３により放射線透
過試験フイルム２の画像信号を画像処理装置４に取り込
み、画像処理をすることで溶接欠陥と溶接部のくぼみ部
分の表面形状に起因する単なる濃度異常領域の情報を特
徴パラメータとして定量化し、神経回路網によって溶接
欠陥と非欠陥との識別を行うが、予め学習記憶させた神
経回路網は単純な積和の式で表せるため計算速度は従来
の複雑な推論過程に比して数段速いものである。
過試験フイルム２の画像信号を画像処理装置４に取り込
み、画像処理をすることで溶接欠陥と溶接部のくぼみ部
分の表面形状に起因する単なる濃度異常領域の情報を特
徴パラメータとして定量化し、神経回路網によって溶接
欠陥と非欠陥との識別を行うが、予め学習記憶させた神
経回路網は単純な積和の式で表せるため計算速度は従来
の複雑な推論過程に比して数段速いものである。
【００２０】尚、欠陥と非欠陥を識別する神経回路網は
予め欠陥，非欠陥について画像処理より算出した特徴パ
ラメータと結果を入力して学習記憶させておくものであ
り、当該特徴パラメータについては図６，図７に示す様
な欠陥候補像の形状，濃度等の情報が多種類算出されて
いるものである。
予め欠陥，非欠陥について画像処理より算出した特徴パ
ラメータと結果を入力して学習記憶させておくものであ
り、当該特徴パラメータについては図６，図７に示す様
な欠陥候補像の形状，濃度等の情報が多種類算出されて
いるものである。
【００２１】そして、コンピュータ４により算出された
欠陥候補像の特徴量のパラメータを予め学習させた欠
陥，非欠陥を識別する神経回路網に入力する。
欠陥候補像の特徴量のパラメータを予め学習させた欠
陥，非欠陥を識別する神経回路網に入力する。
【００２２】尚、第１種の体積欠陥候補像、及び、第２
種の面状欠陥候補像の分離は形状データをもとに行うも
のである。
種の面状欠陥候補像の分離は形状データをもとに行うも
のである。
【００２３】上述実施例は神経回路網のみで欠陥の種
類，非欠陥の種類を識別する態様であるが、次に、図
３，図４，図５に示す実施例は上述神経回路網による欠
陥，非欠陥の識別後のデータの第１種の欠陥，第２種の
欠陥についてエキスパートシステムを併用して行うもの
であり、或いは、神経回路網の欠陥，非欠陥の識別後の
第１種の欠陥，第２種の欠陥に対しエキスパートシステ
ムによる欠陥種類分類、及び、フイルム自体の合否判定
を行う態様である。
類，非欠陥の種類を識別する態様であるが、次に、図
３，図４，図５に示す実施例は上述神経回路網による欠
陥，非欠陥の識別後のデータの第１種の欠陥，第２種の
欠陥についてエキスパートシステムを併用して行うもの
であり、或いは、神経回路網の欠陥，非欠陥の識別後の
第１種の欠陥，第２種の欠陥に対しエキスパートシステ
ムによる欠陥種類分類、及び、フイルム自体の合否判定
を行う態様である。
【００２４】まず、図３，図５に示す神経回路網と前記
特開平３−２０９５８２号の直列併用処理形式の１つの
態様であり、まず、現場に於ける試験体の放射線撮影さ
れたフイルム２をＩＴＶカメラ３によりその画像データ
をアナログ信号とし取り込むようにし、しかも、画像デ
ータから欠陥候補像の特徴パラメータの計算を行うコン
ピュータ４に入力し、欠陥候補像の特徴パラメータのデ
ータは検出した欠陥候補像の形状，濃度等の情報を各欠
陥候補像ごとに上述図８に示した入力層に１５種類の各
特徴パラメータを入力するようにする。
特開平３−２０９５８２号の直列併用処理形式の１つの
態様であり、まず、現場に於ける試験体の放射線撮影さ
れたフイルム２をＩＴＶカメラ３によりその画像データ
をアナログ信号とし取り込むようにし、しかも、画像デ
ータから欠陥候補像の特徴パラメータの計算を行うコン
ピュータ４に入力し、欠陥候補像の特徴パラメータのデ
ータは検出した欠陥候補像の形状，濃度等の情報を各欠
陥候補像ごとに上述図８に示した入力層に１５種類の各
特徴パラメータを入力するようにする。
【００２５】そして、コンピュータ４により算出された
欠陥候補像の特徴パラメータを予め学習させた欠陥，非
欠陥を識別するＮＮ１に入力する。
欠陥候補像の特徴パラメータを予め学習させた欠陥，非
欠陥を識別するＮＮ１に入力する。
【００２６】而して、該ＮＮ１から導出した欠陥データ
のみを次のステップである特開平３−２０９５８２号の
エキスパートシステムに引き渡し、当該エキスパートシ
ステムにより欠陥の種類の識別検査結果の出力を行う。
のみを次のステップである特開平３−２０９５８２号の
エキスパートシステムに引き渡し、当該エキスパートシ
ステムにより欠陥の種類の識別検査結果の出力を行う。
【００２７】又、更に、欠陥，非欠陥の識別能力を向上
させるべく、図４に示す実施例のようにコンピュータ４
により導出された欠陥候補像の特徴パラメータを予め学
習させた第１種の体積欠陥候補像，第２種の面状欠陥候
補像各々専用のＮＮ２，ＮＮ３に入力する。
させるべく、図４に示す実施例のようにコンピュータ４
により導出された欠陥候補像の特徴パラメータを予め学
習させた第１種の体積欠陥候補像，第２種の面状欠陥候
補像各々専用のＮＮ２，ＮＮ３に入力する。
【００２８】そして、当該ＮＮ２，ＮＮ３により検出し
た欠陥データのみを次のステップである前述特開平３−
２０９５８２号のエキスパートシステムに引き渡し、当
該エキスパートシステムにより欠陥の種類の識別検査の
出力を行うようにする。
た欠陥データのみを次のステップである前述特開平３−
２０９５８２号のエキスパートシステムに引き渡し、当
該エキスパートシステムにより欠陥の種類の識別検査の
出力を行うようにする。
【００２９】このようにする後者の実施態様によれば、
更に、欠陥，非欠陥の識別能力が向上する。
更に、欠陥，非欠陥の識別能力が向上する。
【００３０】尚、上述各実施例のフローチャートは図１
２，図１３に示す通りである。
２，図１３に示す通りである。
【００３１】エキスパートシステムとＮＮを併用し、欠
陥識別に適用した結果、表１に示す様に、放射線透過試
験フイルム２００枚に対し、画像処理により検出した欠
陥候補像１１５２個のうち、排除出来ない非欠陥を５５
個に減少させることにより、エキスパートシステムの処
理時間は１１５分から４１分に短縮出来ることが分る。
陥識別に適用した結果、表１に示す様に、放射線透過試
験フイルム２００枚に対し、画像処理により検出した欠
陥候補像１１５２個のうち、排除出来ない非欠陥を５５
個に減少させることにより、エキスパートシステムの処
理時間は１１５分から４１分に短縮出来ることが分る。
【００３２】又、識別結果はエキスパートシステムのみ
の処理では排除出来ない非欠陥数が２１１個であるのに
対してＮＮを併用することにより５５個に減少し、識別
結果が向上していることが分る。
の処理では排除出来ない非欠陥数が２１１個であるのに
対してＮＮを併用することにより５５個に減少し、識別
結果が向上していることが分る。
【００３３】
【表１】
【００３４】当該実施例によれば、基本的に溶接製品の
溶接欠陥と非欠陥の識別を効率的に行い、設計としては
欠陥と識別された欠陥候補像のみを次の欠陥種類識別エ
キスパートシステムに併用させることが出来るため計算
量の軽減により処理速度の向上、及び、特開平３−２０
９５８２号の直列併用処理によって識別能力の高度化が
実現される。
溶接欠陥と非欠陥の識別を効率的に行い、設計としては
欠陥と識別された欠陥候補像のみを次の欠陥種類識別エ
キスパートシステムに併用させることが出来るため計算
量の軽減により処理速度の向上、及び、特開平３−２０
９５８２号の直列併用処理によって識別能力の高度化が
実現される。
【００３５】
【発明の効果】従来の特開平３−２０９５８２号の手法
においては放射線透過試験フイルムからはテレビカメラ
により画像データとして取り込まれ、次に、取り込んだ
画像データから画像処理により欠陥候補像を検出し、画
像処理時に算出された特徴量パラメータを用いてヒスト
グラムや相関分布等の統計的手法を用いて欠陥と非欠陥
の識別、及び、欠陥自体の種類識別を行っているため
に、欠陥候補像の中には溶接の内部に存在する欠陥像以
外に溶接部のくぼみ等の表面形状に起因する濃度異常領
域を検出する場合があり、欠陥候補像の量が自然的に多
くなる場合には、コンピュータ等の計算機器での計算量
が欠陥候補像の数に比例して増大し、処理時間に膨大な
量がかかり、それだけ、結果データの判定が遅くなると
いうことが避けられ、検出した欠陥候補像の形状，濃度
等の特徴パラメータを算出し、又、溶接条件をも特徴パ
ラメータに加えて予め識別すべき欠陥（欠陥の種類），
非欠陥の特徴パラメータ間の相関関係等を学習記憶させ
た神経回路網により欠陥と非欠陥とを識別し、更には、
欠陥の種類をも識別することが極めて短時間に能率良く
出来るという優れた効果がある。
においては放射線透過試験フイルムからはテレビカメラ
により画像データとして取り込まれ、次に、取り込んだ
画像データから画像処理により欠陥候補像を検出し、画
像処理時に算出された特徴量パラメータを用いてヒスト
グラムや相関分布等の統計的手法を用いて欠陥と非欠陥
の識別、及び、欠陥自体の種類識別を行っているため
に、欠陥候補像の中には溶接の内部に存在する欠陥像以
外に溶接部のくぼみ等の表面形状に起因する濃度異常領
域を検出する場合があり、欠陥候補像の量が自然的に多
くなる場合には、コンピュータ等の計算機器での計算量
が欠陥候補像の数に比例して増大し、処理時間に膨大な
量がかかり、それだけ、結果データの判定が遅くなると
いうことが避けられ、検出した欠陥候補像の形状，濃度
等の特徴パラメータを算出し、又、溶接条件をも特徴パ
ラメータに加えて予め識別すべき欠陥（欠陥の種類），
非欠陥の特徴パラメータ間の相関関係等を学習記憶させ
た神経回路網により欠陥と非欠陥とを識別し、更には、
欠陥の種類をも識別することが極めて短時間に能率良く
出来るという優れた効果がある。
【００３６】又、処理速度における効果のみならず、上
述の実施例の具体的な効果として提示した表２に示す通
り、欠陥識別能力の高度化に寄与する効果がある。
述の実施例の具体的な効果として提示した表２に示す通
り、欠陥識別能力の高度化に寄与する効果がある。
【００３７】即ち、ＮＮを適用した場合、これに適用し
ない場合に比べて欠陥候補像を欠陥とそれ以外の非欠陥
とに分類する能力が向上する優れた効果が奏される。
ない場合に比べて欠陥候補像を欠陥とそれ以外の非欠陥
とに分類する能力が向上する優れた効果が奏される。
【００３８】
【表２】
【００３９】このように本手法を用いることにより構造
物の溶接部の検査に出される放射線透過試験によって得
られる像の数が多くなれば、検査員の作業量、及び、検
査時間が増加し、欠陥データの判定が遅くなることが避
けられず、又、欠陥の識別能力の向上に優れた効果が奏
される。
物の溶接部の検査に出される放射線透過試験によって得
られる像の数が多くなれば、検査員の作業量、及び、検
査時間が増加し、欠陥データの判定が遅くなることが避
けられず、又、欠陥の識別能力の向上に優れた効果が奏
される。
【００４０】又、欠陥像の抽出については専門検査員の
識別能力を神経回路網を用いた技術により、更に特開平
３−２０９５８２号のエキスパートシステムを併用させ
て欠陥種類の識別、及び、等級分類による合否判定の能
力向上が出来るという優れた効果が奏される。
識別能力を神経回路網を用いた技術により、更に特開平
３−２０９５８２号のエキスパートシステムを併用させ
て欠陥種類の識別、及び、等級分類による合否判定の能
力向上が出来るという優れた効果が奏される。
【図１】この出願の発明の１実施例の模式フロー図であ
る。
る。
【図２】同、フローチャート図である。
【図３】他の実施例の模式フロー図である。
【図４】同、他の実施例の変形模式フロー図である。
【図５】同、両実施例のフローチャート図である。
【図６】ＮＮの入力特徴量の模式図である。
【図７】図６の続葉図である。
【図８】ＮＮの模式構造図である。
【図９】同、学習の模式図である。
【図１０】ＮＮによる識別方法の模式図である。
【図１１】学習終了を判断するためのフローチャート図
である。
である。
【図１２】この出願の発明のシステムのフローチャート
図である。
図である。
【図１３】同、図１２図の続葉図である。
２ 放射線透過試験フィルム ３ ＩＴＶカメラ ４ 画像処理装置（コンピュータ） ５，５' ，５''，５''' 神経回路網 ６ エキスパートシステム
フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｈ０４Ｎ 7/18 Ｂ // Ｇ０１Ｎ 23/18 (72)発明者 道場 康二 兵庫県神戸市中央区東川崎町３丁目１番１ 号 川崎重工業株式会社神戸工場内 (72)発明者 川野 征士郎 兵庫県神戸市中央区東川崎町３丁目１番１ 号 川崎重工業株式会社神戸工場内 (72)発明者 神岡 光浩 兵庫県神戸市中央区東川崎町３丁目１番１ 号 川崎重工業株式会社神戸工場内 (72)発明者 杉本 幸治 兵庫県明石市川崎町１番１号 川崎重工業 株式会社明石工場内 (72)発明者 井内 貞夫 兵庫県明石市川崎町１番１号 川崎重工業 株式会社明石工場内
Claims (2)
- 【請求項１】溶接部位に対する放射線照射によって得ら
れる処理画像によって算出した欠陥特徴パラメータを入
力データとし溶接部の欠陥と非欠陥そして欠陥の種類を
識別する評価システムにおいて、上記画像をテレビカメ
ラにより画像データとして取り込み欠陥候補画像を検出
し、このようにして検出した欠陥候補画像の特徴パラメ
ータを計算機により算出し、又溶接方法，板厚，材料等
の溶接条件をも特徴パラメータとして加え、これに対し
予め識別すべき欠陥の種類、非欠陥の特徴パラメータ間
の相関関係等を学習記憶させた神経回路網を介して欠陥
と非欠陥を識別し、更に該欠陥の種類を識別するように
することを特徴とする溶接欠陥の評価システム。 - 【請求項２】溶接部位に対する放射線照射によって得ら
れる処理画像によって算出した欠陥特徴パラメータを入
力データとし溶接部の欠陥と非欠陥そして欠陥の種類を
識別する評価システムにおいて、上記画像をテレビカメ
ラにより画像データとして取り込み欠陥候補画像を検出
し、このようにして検出した欠陥候補画像の特徴パラメ
ータを計算機により算出し、又溶接方法，板厚，材料等
の溶接条件をも特徴パラメータとして加え、これに対し
予め識別すべき欠陥の種類、非欠陥の特徴パラメータ間
の相関関係を学習記憶させた神経回路網を介して欠陥と
非欠陥を識別し、更に該欠陥の種類を識別するように
し、該欠陥に対して溶接者や検査者が当該溶接に関して
保有しているユーザインプット情報のエキスパートシス
テムと併せて推定ルールと照合し、総合的に計算した確
信度を最終的な確信度として付与し、当該溶接欠陥の種
類を推定するようにすることを特徴とする溶接欠陥の評
価システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6254141A JP2968442B2 (ja) | 1994-09-26 | 1994-09-26 | 溶接欠陥の評価システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6254141A JP2968442B2 (ja) | 1994-09-26 | 1994-09-26 | 溶接欠陥の評価システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0896136A true JPH0896136A (ja) | 1996-04-12 |
| JP2968442B2 JP2968442B2 (ja) | 1999-10-25 |
Family
ID=17260795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6254141A Expired - Fee Related JP2968442B2 (ja) | 1994-09-26 | 1994-09-26 | 溶接欠陥の評価システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2968442B2 (ja) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10302049A (ja) * | 1997-04-28 | 1998-11-13 | Kumamoto Techno Porisu Zaidan | 画像識別装置および方法および画像識別装置を備えた画像検出識別装置ならびに画像識別用プログラムを記録した媒体 |
| KR20020084869A (ko) * | 2001-05-04 | 2002-11-13 | 현대중공업 주식회사 | 용접 조인트 형상의 자동 인식 방법 |
| JP2006502001A (ja) * | 2002-03-27 | 2006-01-19 | プラクスエア・テクノロジー・インコーポレイテッド | 溶接のためのルミネッセンス検知システム |
| JP2013253905A (ja) * | 2012-06-08 | 2013-12-19 | Mitsubishi Heavy Ind Ltd | 欠陥判定装置、放射線撮像システム、及び欠陥判定方法 |
| CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
| JP2019195811A (ja) * | 2018-05-07 | 2019-11-14 | 株式会社神戸製鋼所 | 溶接監視装置、溶接監視方法、及びプログラム |
| WO2020012523A1 (ja) * | 2018-07-09 | 2020-01-16 | 富士通株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| JP2020144688A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社Ihi | 学習方法、学習装置、及び当該学習装置を備える溶接欠陥検出装置 |
| JP2020159758A (ja) * | 2019-03-25 | 2020-10-01 | 豊田合成株式会社 | 発光装置の製造方法および半田接合部検査装置 |
| JP2021001774A (ja) * | 2019-06-20 | 2021-01-07 | 株式会社小松製作所 | 非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法 |
| JP2021050959A (ja) * | 2019-09-24 | 2021-04-01 | 株式会社 システムスクエア | 検査装置及びプログラム |
| US10989672B2 (en) | 2016-08-18 | 2021-04-27 | Fujifilm Corporation | Defect inspection device, defect inspection method, and program |
| CN113808094A (zh) * | 2021-09-10 | 2021-12-17 | 武汉联开检测科技有限公司 | 一种射线检测焊接缺陷图像评级系统及方法 |
| JPWO2022014019A1 (ja) * | 2020-07-16 | 2022-01-20 | ||
| CN113966527A (zh) * | 2019-06-13 | 2022-01-21 | 株式会社V技术 | 激光修复方法、激光修复装置 |
| CN114096368A (zh) * | 2019-07-11 | 2022-02-25 | 株式会社V技术 | 激光修复方法、激光修复装置 |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2022149465A1 (ja) * | 2021-01-08 | 2022-07-14 | コニカミノルタ株式会社 | 解析装置、解析システム、解析プログラム、および解析方法 |
| CN115088125A (zh) * | 2020-03-20 | 2022-09-20 | 舍弗勒技术股份两合公司 | 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
| KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
| CN115193741A (zh) * | 2022-08-22 | 2022-10-18 | 中国特种设备检测研究院 | 射线底片自动分拣系统 |
| WO2022259290A1 (ja) * | 2021-06-07 | 2022-12-15 | 日揮グローバル株式会社 | 溶接データ処理装置、及び、溶接データ処理方法 |
| KR20230091248A (ko) * | 2021-12-15 | 2023-06-23 | (주)글로벌엔지니어링 | 딥 러닝 알고리즘을 이용한 고정자 코일의 tig 용접 시스템 |
| US11815468B2 (en) | 2019-09-12 | 2023-11-14 | Aisin Corporation | Image restoration apparatus, image restoration method, image restoration program, restorer generation apparatus, restorer generation method, restorer generation program, determiner generation apparatus, determiner generation method, determiner generation program, article determination apparatus, article determination method, and article determination program |
| CN117538334A (zh) * | 2024-01-09 | 2024-02-09 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
-
1994
- 1994-09-26 JP JP6254141A patent/JP2968442B2/ja not_active Expired - Fee Related
Cited By (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10302049A (ja) * | 1997-04-28 | 1998-11-13 | Kumamoto Techno Porisu Zaidan | 画像識別装置および方法および画像識別装置を備えた画像検出識別装置ならびに画像識別用プログラムを記録した媒体 |
| KR20020084869A (ko) * | 2001-05-04 | 2002-11-13 | 현대중공업 주식회사 | 용접 조인트 형상의 자동 인식 방법 |
| JP2006502001A (ja) * | 2002-03-27 | 2006-01-19 | プラクスエア・テクノロジー・インコーポレイテッド | 溶接のためのルミネッセンス検知システム |
| JP2013253905A (ja) * | 2012-06-08 | 2013-12-19 | Mitsubishi Heavy Ind Ltd | 欠陥判定装置、放射線撮像システム、及び欠陥判定方法 |
| US9733200B2 (en) | 2012-06-08 | 2017-08-15 | Mitsubishi Heavy Industries, Ltd. | Defect judging device, radiography system, and defect judging method |
| US10989672B2 (en) | 2016-08-18 | 2021-04-27 | Fujifilm Corporation | Defect inspection device, defect inspection method, and program |
| JP2019195811A (ja) * | 2018-05-07 | 2019-11-14 | 株式会社神戸製鋼所 | 溶接監視装置、溶接監視方法、及びプログラム |
| CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
| WO2020012523A1 (ja) * | 2018-07-09 | 2020-01-16 | 富士通株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| JPWO2020012523A1 (ja) * | 2018-07-09 | 2021-05-13 | 富士通株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
| JP2020144688A (ja) * | 2019-03-07 | 2020-09-10 | 株式会社Ihi | 学習方法、学習装置、及び当該学習装置を備える溶接欠陥検出装置 |
| JP2020159758A (ja) * | 2019-03-25 | 2020-10-01 | 豊田合成株式会社 | 発光装置の製造方法および半田接合部検査装置 |
| CN113966527A (zh) * | 2019-06-13 | 2022-01-21 | 株式会社V技术 | 激光修复方法、激光修复装置 |
| JP2021001774A (ja) * | 2019-06-20 | 2021-01-07 | 株式会社小松製作所 | 非破壊検査システム、学習済みの排ガス処理フィルタ検査モデルの製造方法、および学習用データの生成方法 |
| CN114096368A (zh) * | 2019-07-11 | 2022-02-25 | 株式会社V技术 | 激光修复方法、激光修复装置 |
| US11815468B2 (en) | 2019-09-12 | 2023-11-14 | Aisin Corporation | Image restoration apparatus, image restoration method, image restoration program, restorer generation apparatus, restorer generation method, restorer generation program, determiner generation apparatus, determiner generation method, determiner generation program, article determination apparatus, article determination method, and article determination program |
| JP2021050959A (ja) * | 2019-09-24 | 2021-04-01 | 株式会社 システムスクエア | 検査装置及びプログラム |
| CN115088125A (zh) * | 2020-03-20 | 2022-09-20 | 舍弗勒技术股份两合公司 | 用于检查电化学电池、尤其燃料电池的双极板的方法和检查设施 |
| JPWO2022014019A1 (ja) * | 2020-07-16 | 2022-01-20 | ||
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| WO2022149465A1 (ja) * | 2021-01-08 | 2022-07-14 | コニカミノルタ株式会社 | 解析装置、解析システム、解析プログラム、および解析方法 |
| WO2022259290A1 (ja) * | 2021-06-07 | 2022-12-15 | 日揮グローバル株式会社 | 溶接データ処理装置、及び、溶接データ処理方法 |
| CN113808094A (zh) * | 2021-09-10 | 2021-12-17 | 武汉联开检测科技有限公司 | 一种射线检测焊接缺陷图像评级系统及方法 |
| KR20230091248A (ko) * | 2021-12-15 | 2023-06-23 | (주)글로벌엔지니어링 | 딥 러닝 알고리즘을 이용한 고정자 코일의 tig 용접 시스템 |
| CN115121895A (zh) * | 2022-04-28 | 2022-09-30 | 广东省威汇智能科技有限公司 | 基于深度学习的选择波峰焊预警方法、装置及存储介质 |
| KR102450965B1 (ko) * | 2022-06-30 | 2022-10-06 | 주식회사 아이브 | 인공지능 기반의 자동화된 불량 검출 학습 모델 훈련 장치 및 방법 |
| CN115193741A (zh) * | 2022-08-22 | 2022-10-18 | 中国特种设备检测研究院 | 射线底片自动分拣系统 |
| CN115193741B (zh) * | 2022-08-22 | 2024-02-20 | 中国特种设备检测研究院 | 射线底片自动分拣系统 |
| CN117538334A (zh) * | 2024-01-09 | 2024-02-09 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2968442B2 (ja) | 1999-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0896136A (ja) | 溶接欠陥の評価システム | |
| Wang et al. | Automatic identification of different types of welding defects in radiographic images | |
| Shafeek et al. | Automatic inspection of gas pipeline welding defects using an expert vision system | |
| US5182775A (en) | Method of processing radiographic image data for detecting a welding defect | |
| Mery et al. | A review of methods for automated recognition of casting defects | |
| US20090279772A1 (en) | Method and System for Identifying Defects in NDT Image Data | |
| WO2021251064A1 (ja) | 情報処理装置、判定方法、および情報処理プログラム | |
| Tyystjärvi et al. | Automated defect detection in digital radiography of aerospace welds using deep learning | |
| KR20130100266A (ko) | 납땜 이음의 품질을 검사하는 방법 | |
| Aoki et al. | Application of artificial neural network to discrimination of defect type in automatic radiographic testing of welds | |
| CN112150410A (zh) | 一种焊缝缺陷的自动检测方法及其系统 | |
| JPH05281199A (ja) | 探傷データ評価装置及び方法 | |
| JP7385529B2 (ja) | 検査装置、検査方法、および検査プログラム | |
| CN115719332A (zh) | 一种焊接质量检测方法 | |
| Enriquez et al. | Prediction of Weld Current Using Deep Transfer Image Networks Based on Weld Signatures for Quality Control | |
| Amrhein et al. | Characterization of computer tomography scanners using the probability of detection method | |
| Palakal et al. | Intelligent computational methods for corrosion damage assessment | |
| CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN114187256A (zh) | 一种焊缝x射线照片缺陷检测方法 | |
| Mohamad et al. | Image enhancement process on digital radiographic image with weld discontinuities | |
| Purnomo et al. | Weld Defect Detection and Classification based on Deep Learning Method: A Review | |
| Aoki et al. | Intelligent image processing for abstraction and discrimination of defect image in radiographic film | |
| CN112767365A (zh) | 一种探伤方法 | |
| TWM604396U (zh) | 基於射線照相的焊道檢查系統 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080820 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090820 Year of fee payment: 10 |
|
| LAPS | Cancellation because of no payment of annual fees |