Traducido del inglés al español - www.onlinedoctranslator.com
Metadatos, citas y documentos similares en core.ac.uk
CENTRO
Proporcionado por la Bibliografía Académica de la Universidad de Ghent
Detección automática de defectos de soldadura mediante el
red neuronal convolucional
Sizyakin romanoa, Viacheslav Voronina,b, Nikolái Gapóna, Aleksandr Zelenskyb, y
Aleksandra PižuricaC
aLaboratorio.
“Métodos matemáticos de procesamiento de imágenes y sistemas inteligentes de visión artificial”,
Universidad Técnica Estatal de Don, Rostov del Don, Rusia
bUniversidad
CDepartamento
Estatal de Tecnología de Moscú “STANKIN”, Moscú, Rusia
de Telecomunicaciones y Procesamiento de la Información, TELIN-GAIM, Gante
Universidad, Gante, Bélgica
ABSTRACTO
El control de calidad de las uniones soldadas es un paso importante antes de la puesta en marcha de varios tipos
de estructuras metálicas. Los principales obstáculos para la puesta en marcha de dichas instalaciones son las áreas
donde la unión soldada se desvía de los estándares defectuosos aceptables. Los defectos de las uniones soldadas
incluyen inclusiones extrañas no soldadas, grietas, poros, etc. El artículo describe un enfoque para la detección de
los principales tipos de defectos de las uniones soldadas utilizando una combinación de redes neuronales
convolucionales y métodos de máquinas de vectores de soporte. Las redes neuronales convolucionales se utilizan
para la clasificación primaria. La máquina de vectores de soporte se utiliza para definir con precisión los límites de
los defectos. Como preprocesamiento en nuestro trabajo, utilizamos los métodos de filtración morfológica.
Palabras clave:Detección de defectos de soldadura, red neuronal convolucional (CNN), máquina de vectores de soporte (SVM),
filtrado morfológico, ecualización de histogramas
1. INTRODUCCIÓN
El análisis de la calidad de las uniones soldadas es un procedimiento obligatorio antes de la puesta en marcha de instalaciones
como gasoductos, tuberías de calefacción y otros tipos de estructuras metálicas. Este análisis es necesario para la detección y
localización de varios tipos de defectos en la soldadura. Los defectos de las uniones soldadas reducen significativamente la
durabilidad general de toda la estructura, ignorando lo que posteriormente puede conducir a importantes consecuencias
provocadas por el hombre. Hay dos tipos principales de análisis de la calidad de las uniones soldadas: destructivo y no
destructivo. Actualmente, los métodos de ensayo no destructivos se utilizan en mayor medida. Actualmente, existe una gran
cantidad de métodos de ensayo no destructivos destinados a detectar defectos en uniones soldadas. Se considera que los más
informativos y efectivos son los métodos radiográficos de pruebas no destructivas.
En la etapa inicial, los sitios con defectos sospechosos se analizan mediante rayos X. En el lado opuesto
del lugar con los supuestos defectos, se instala una película o placa especial que fija la cantidad de energía
que pasa a través del material en estudio. Después de eso, la película se escanea y se convierte a formato
digital. En la etapa final, un ingeniero de detección de fallas reconoce la imagen digitalizada. Este proceso
puede tomar una cantidad significativa de tiempo. Por ejemplo, un especialista puede tardar de 10 a 20
minutos en reconocer y archivar una sola soldadura de anillo. En el caso de, por ejemplo, un tramo de varios
kilómetros de la tubería, este proceso puede llevar más de una hora. Asimismo, cabe señalar que por
cansancio, negligencia, falta de formación o una combinación de otros factores humanos,
Simplificar significativamente y, en algunos casos, resolver por completo el problema del análisis visual de las imágenes digitalizadas, puede
utilizar los últimos logros en el campo del procesamiento de señales digitales y la visión por computadora. Los estudios modernos muestran que los
sistemas de visión por computadora pueden lograr resultados en el análisis y clasificación de imágenes cercanos a los resultados obtenidos en el
análisis visual de estas imágenes por parte de un humano. Esta afirmación se ve confirmada por investigaciones en el campo de la inteligencia
artificial basadas en el uso de tecnologías de redes neuronales.1
2. TRABAJO RELACIONADO
En el trabajo se estudió la detección de defectos de soldadura basada en el análisis de las características de la imagen textural local.2Un conjunto de
filtros Gabor.3y características de Haralick4se utilizaron para calcular las características texturales de la imagen. En total se utilizaron 14
características de Haralick, entre las cuales: contraste, correlación, entropía, dispersión, etc. Se utilizó como clasificador el método del vecino más
próximo.5
En el trabajo,6los autores utilizaron la segmentación de imágenes espaciales para detectar defectos en las uniones soldadas. El
método consta de tres pasos principales: filtración, corrección de iluminación desigual, segmentación. Para reducir el componente de
ruido, un filtro de Wiener adaptativo local7,8y un filtro digital adaptativo con lógica difusa9fueron usados. Para la corrección de la
iluminación se utilizó la filtración morfológica de imágenes, así como el procesamiento en el dominio de la frecuencia, utilizando una
transformada discreta de Fourier rápida.10se aplicaron. En la etapa final, la imagen se segmentó utilizando el método del "triángulo",11
para detectar defecto.
En el trabajo se propuso un método de detección de defectos basado en el procesamiento multietapa de la imagen, con la
posterior clasificación mediante una red neuronal.12En la etapa inicial, la imagen se preprocesó reduciendo el componente de
ruido utilizando el filtro de Wiener, mejorando el contraste de la imagen utilizando una mejora de histograma adaptativo (AHE).13
Se empleó una transformada wavelet discreta para reducir el área de procesamiento posterior. Después de todas las
transformaciones, los píxeles de la imagen se clasificaron utilizando una red neuronal completamente conectada. Los coeficientes
de asimetría y curtosis y los coeficientes cepstrales de frecuencia de Mel (MFCC) se utilizaron como descriptores.14,15
El método de detección de defectos propuesto en el trabajo.dieciséisse basa en el cálculo de un conjunto de descriptores de
textura, seguido de una clasificación basada en una red neuronal. En total, se utilizaron veintidós características de textura, que
incluyen energía, correlación, contraste y otras, basadas en los trabajos de Clausi,17Sol18y Haralick.4
En el trabajo,19los autores emplearon una arquitectura de red neuronal profunda para detectar defectos en uniones
soldadas. Para reducir la complejidad computacional, el método de umbral de Otsu20se aplicó. Este método permite
dividir la imagen en dos componentes: el fondo (que no se utiliza en la etapa de clasificación) y el primer plano (todos los
píxeles de esta área están sujetos a clasificación).
La principal desventaja de los trabajos anteriores es que, para detectar grietas, es necesario utilizar varios descriptores de
textura, lo que a su vez conduce a un aumento en los costos computacionales. Lo más cercano a nuestro trabajo es el trabajo.19
Una limitación de ese trabajo es un aumento excesivo en los límites de los defectos.
En este artículo, investigamos un nuevo método para detectar defectos en uniones soldadas. El método propuesto se basa en el
aprendizaje profundo, seguido de una detección precisa de los límites de los defectos utilizando la máquina de vectores de soporte.
3. MODELO DE DEFECTOS DE SOLDADURA
Los defectos de las conexiones soldadas representan cualquier desviación de los parámetros de las conexiones establecidos por
los documentos normativos que se formaron debido a la violación del proceso tecnológico de soldadura. Tales violaciones
pueden ser errores asociados con la elección de la tecnología de soldadura, violación del proceso de soldadura, materiales de
soldadura de mala calidad, etc. Hay seis tipos principales de defectos en las uniones soldadas: grietas, cavidades y poros,
inclusiones sólidas, no fusión y no soldadura, violación de la forma de la soldadura y otros defectos (Figura1). En nuestro caso, el
modelo matemático de la imagen que contiene el defecto se puede representar de la siguiente manera:
Yyo, j= (1−dyo, j)·Syo, j+dyo, j·Cyo, j
(1)
dóndeYyo, j-imagen que contiene varios defectos,i=1, Iyj=1, jcoordenada espacial, dondeIyj-alto y ancho de la
imagen en píxeles,Syo, j-imagen intacta,dyo, j∈ {0,1}una máscara binaria de defectos, que muestra exactamente qué
área de la imagen se dañó,Cyo, j-máscara, que contiene los valores de brillo de los defectos.
3.1 Grietas
Las grietas en las soldaduras representan una ruptura en la soldadura. Los defectos de este tipo se pueden dividir en varios tipos
longitudinales, transversales, radiales, separados, ramificados, etc. (Figura1(a)). Las razones para la formación de este tipo de defectos
incluyen la alta velocidad de enfriamiento de la unión soldada, que excede la carga máxima, errores de diseño, el uso de material de
origen de baja calidad. Las grietas son uno de los tipos de defectos más peligrosos e inaceptables.
a)
b)
d)
C)
mi)
Figura 1. Ilustración de diferentes tipos de defectos de soldadura: a) ilustración grieta, b) ilustración poro de soldadura, c) ilustración
inclusión sólida, d) ilustración área sin soldadura, e) ilustración violación de la forma
3.2 Poro de soldadura
La aparición de este tipo de defecto se debe al retraso o salida de gas en la unión soldada. Los poros se dividen en varios tipos
básicos individuales, acumulación o serie de poros, poro tubular, poro superficial, cráter, sumidero de contracción, etc. (Figura1
(b)). El motivo de la aparición de poros es causado por el uso de material de mala calidad, tratamiento de superficie deficiente o
insuficiente de materiales soldados, corta duración del baño de soldadura, etc. Los poros con una pequeña cantidad no
pertenecen a defectos inaceptables de juntas soldadas. Sin embargo, su presencia puede ser una señal para volver a revisar la
tecnología de soldadura.
3.3 Inclusión sólida
La aparición de este tipo de defecto se debe a la aparición de una sustancia extraña en la unión soldada. Las inclusiones sólidas
se dividen en escoria, fundente, óxido y metal (Figura1(C)). En el proceso de fusión y posterior mezcla de metal de electrodo,
fundente, gas atmosférico y superficies metálicas a soldar, las partículas que no tienen tiempo de flotar en la superficie del baño
de soldadura forman estas inclusiones. Al igual que los poros, las pequeñas inclusiones sólidas no representan un peligro, pero
pueden provocar una disminución de la resistencia al desgaste de toda la estructura.
3.4 Área sin soldadura
La no fusión es la ausencia de una junta entre la superficie a soldar y el metal de soldadura o la ausencia de una junta entre los
cordones de soldadura. La falla del metal fundido para alcanzar la raíz de la soldadura (Figura1(d)) se denomina sin soldadura.
Las principales causas de la falta de fusión incluyen una temperatura de fusión insuficiente en los lugares locales de la soldadura,
preparación inadecuada de las áreas soldadas, corriente de soldadura insuficiente para fundir metales, etc. Las principales
razones de la falta de soldadura incluyen; la formación de una capa de metal líquido, que impide la penetración de capas más
profundas, la limpieza insuficiente de los sitios de soldadura, así como el amperaje insuficiente para la fusión necesaria de los
metales. Este tipo de defectos, así como las grietas, son peligrosos e ignorarlos puede conducir a mayores riesgos tecnológicos.
3.5 Violación de la forma de soldadura.
Este tipo de defecto es la desviación de la geometría de la unión soldada del estándar establecido. Este tipo de defectos incluye
varias socavaduras de la unión soldada, entrada excesiva de soldadura, formación de pequeñas ranuras, varios tipos de
rugosidad de la superficie de la soldadura, etc. (Figura1(mi)). Las razones de la aparición de socavaduras se deben al uso de un
electrodo de forma irregular, movimiento inadecuado del electrodo, voltaje excesivo o corriente del arco de soldadura. Los
motivos de la afluencia se deben a una velocidad de soldadura excesiva, la inclinación incorrecta de las piezas soldadas o del
electrodo, el voltaje incorrecto o la corriente seleccionada para soldar. Los motivos de la aparición de una superficie irregular de
la unión soldada deben incluir una elección incorrecta de los electrodos soldados, la corriente y el voltaje, una preparación
deficiente de las piezas para soldar.
Figura 2. Esquema general del método propuesto
a)
b)
C)
Figura 3. Localización preliminar de defectos usando filtración morfológica: a) imagen fuente, b) imagen filtrada, ) imagen umbralizada
3.6 Otros tipos de defectos
Otros defectos incluyen defectos que no están incluidos en la descripción anterior. Estos pueden ser
salpicaduras de metal, rayones en la superficie, reducción excesiva de metal, arcos aleatorios, etc.
Resumiendo una breve descripción de los principales tipos de defectos, se debe tener en cuenta que los
diferentes defectos tienen diferentes efectos en la resistencia general de la estructura soldada. Por ejemplo,
los vapores y las inclusiones sólidas en una pequeña cantidad con un área total del 7% de la sección
transversal total de la soldadura violan levemente la resistencia de la estructura metálica, que en algunos
casos puede despreciarse. Los defectos, que en algunos casos pueden despreciarse y no eliminarse, incluyen
una convexidad excesiva, ya que no reduce la resistencia general de la estructura, pero puede conducir a una
disminución de la resistencia de la estructura bajo carga de vibración.
En nuestro trabajo, nos centraremos en la detección de cuatro tipos de defectos: grietas, no soldados, poros e
inclusiones sólidas.
4. MÉTODO PROPUESTO
El método propuesto consta de tres pasos principales: localización preliminar de los defectos mediante filtrado morfológico,
clasificación de defectos mediante una red neuronal convolucional, determinación precisa de los límites de los defectos mediante
una máquina de vectores de soporte. El esquema general del método propuesto se muestra en la Figura2.
Figura 4. Esquema general del método propuesto
4.1 Filtrado morfológico
El filtrado morfológico de imágenes es una de las técnicas populares utilizadas para la localización preliminar de defectos
en la imagen. Permite reducir el costo computacional de todo el algoritmo y, en algunos casos, reducir la probabilidad de
falsas alarmas.21En nuestro trabajo, usamos la transformación "top" y "bottom hat". Transformación “de arriba” y “de
fondo” basada en cuatro operaciones de morfología matemática binaria (apertura, cierre, erosión y
dilatación):
)
B − Yyo, j,
(2)
(
)
Sombrero de copa(Yyo, j, B) =Yyo, j−
(Yyo, j
B)⊕ B
(3)
(
)
(aquíYyo, jes una imagen en escala de rayos,Bes un elemento estructural,
w
(Yyo, j⊕B)
B - operación morfológica “Cerrar”,
(Yyo, j
B)⊕ B-operación morfológica “Abrir”, y⊕corresponde a las operaciones “Erosionar” y “Dilatar”.
sombrero de fondo(Yyo, j, B) =
(
(Yyo, j⊕ B)
El tamaño del elemento estructural.Ben nuestro trabajo se establece por 20×20 píxeles Para binarizar el resultado obtenido, usamos
un valor de umbral igual a 0.01. En la figura se muestra un ejemplo de localización preliminar de defectos.3.
4.2 Clasificación de defectos utilizando una red neuronal convolucional
Después de la localización preliminar de los defectos, cada píxel marcado con una unidad se clasifica mediante una red neuronal
convolucional. Las redes neuronales convolucionales tienen varias ventajas en comparación con los métodos tradicionales de aprendizaje
automático: no es necesario usar diferentes descriptores de textura, alta precisión de clasificación de datos, la capacidad de usar
aceleradores de gráficos de manera efectiva para acelerar los procesos de entrenamiento y clasificación.22La arquitectura de la red
neuronal convolucional propuesta se ilustra en la Figura4.
En la etapa inicial del entrenamiento de la red neuronal, los núcleos de las capas convolucionales se establecen mediante valores aleatorios.
Luego, para cada imagen de entrada, los mapas de características se calculan mediante la convolución de la imagen y algún kernel. De forma
simplificada, la función de convolución se puede definir como:
Xh,v
yo =F
(∑∑
h
Xyo-1
v
yo
h+m,v+norte·kh,v+b
)
(4)
dóndeXyoh,vmapa de características (de una capayo),kyo h,v-el núcleo de convolución,Fes la función de activación de lo oculto
capa,Xyoh+1m,v+norte-mapa de características de la capa anterior yb-sesgos
En capas ocultas, se utiliza una unidad lineal rectificada (ReLU) como función de activación:22
F(X) =máximo(0, X)
(5)
dóndeXes el valor de entrada del vector/mapa de características.
Como función de activación en la capa 2 completamente conectada, se utiliza la función "softmax", que se define mediante la
expresión:
y′=∑
miz
Carolina del Norte
r=1
mizr
(6)
dóndeCarolina del Norte-número de clases yzes el valor de salida (probabilidad) para el parche actual después de pasar por la red
neuronal de convolución. Para determinar las pérdidas en nuestro trabajo, usamos la función de entropía cruzada binaria. Esto se
define de acuerdo con la expresión:
Pérdida(s, s′) =−
1∑ norte[
norte
y·registro(y′) + (1−y)·registro(1−y′)
]
(7)
norte=1
dóndey′es la etiqueta predicha por nuestro clasificador, yyes la etiqueta de verdad básica.
La arquitectura de la red neuronal propuesta incluye cuatro capas ocultas y dos capas totalmente conectadas. La primera
capa convolucional incluye 20 mapas de características, la segunda 30, la tercera 40, la cuarta 50. La primera capa totalmente
conectada tiene una dimensión de 450 contenedores. El impulso es 0.9. Entrenarlo tomó aproximadamente 60 épocas. Para el
entrenamiento, el método de optimización propuesto por Adam en el trabajo23se usa
4.3 Mejora de imagen y filtración espacial
Para aumentar la precisión de la clasificación Conv.Net, la imagen de rayos X de entrada se procesa previamente utilizando el método de
ecualización de histograma adaptable de contraste limitado (CLAHE).24Este método es una mejora del método de ecualización de
histogramas (HE), en el que la ecualización de histogramas se produce directamente para toda la imagen.
La principal desventaja del método (HE) es el aumento del componente de ruido en áreas con un contraste casi
constante. Para corregir esta desventaja en el método CLAHE, la ecualización del histograma se realiza en mosaicos que
no se cruzan en los que se divide uniformemente la imagen original. Después de eso, el histograma de la función de
distribución acumulativa (CDF) se calcula en cada mosaico, en función de las restricciones seleccionadas. Usando valores
CDF, determine los valores de brillo igualado para los cuatro mosaicos vecinos, para el píxel al que se aplica la igualación
de brillo. El uso de la interpolación bilineal elimina los límites inducidos artificialmente.
El bloque de filtrado espacial que se muestra en la figura 5 se utiliza para ampliar el número de modalidades de entrada
mediante el filtrado espacial de la imagen de rayos X de origen. En nuestro trabajo se utilizó: imagen obtenida por filtrado
morfológico de fondo, y el tamaño del elemento estructural 20 píxeles, imagen obtenida por ecualización del histograma (HE),
imagen obtenida por ecualización adaptativa del histograma (CLAHE), imagen obtenida por corrección gamma y parámetro
g=0,55. Este procedimiento permite crear un conjunto de datos fuente multimodal imaginario que se utiliza en el bloque de
determinación precisa de los límites de los defectos.
4.4 Determinación precisa de los límites de los defectos
Una de las limitaciones de las redes neuronales convolucionales es su incapacidad para determinar con precisión la posición de
los objetos de interés en la imagen. Este problema es causado por la alta volatilidad del objeto de interés dentro del parche para
clasificación. Por ejemplo, este problema es evidente en los resultados en el trabajo,19donde además de los defectos verdaderos,
el mapa de defectos detectado también contiene falsos positivos en la vecindad del defecto.
Para resolver este problema, utilizamos la máquina de vectores de soporte (SVM),25para reclasificar los píxeles de contorno. El uso de
SVM permite separar con mayor precisión los píxeles que pertenecen a un defecto de los píxeles cercanos al defecto, pero que pertenecen
al fondo. En nuestro soporte de trabajo, la máquina vectorial usó una función lineal con un margen suave de 0.05 para construir el
hiperplano de separación. El vector que pasa por las 6 modalidades imaginarias descritas anteriormente se utiliza como dato inicial. Para
el entrenamiento se utilizaron aproximadamente 164 000 vectores que pasan por píxeles pertenecientes a defectos, así como
aproximadamente 163 000 vectores que pasan por áreas que no contienen defectos.
5. RESULTADOS EXPERIMENTALES
Para estimar la efectividad del método propuesto en nuestro trabajo como datos iniciales, utilizamos una base de datos pública de
imágenes de rayos X de uniones soldadas GDXray.26Para el entrenamiento de la red neuronal convolucional (CNN) y la máquina de
vectores de soporte (SVM) se utilizaron imágenes de rayos X de etiquetado de una serie W0001 (W0001 0003, W0001 0004, W0001 0006,
W0001 0008, W0001 0009 y W0001 0010). Las imágenes de la misma serie se utilizan como imágenes etiquetadas de verdad del terreno
(W0001 0001, W0001 0002, W0001 0005, W0001 0007).
Como métricas cuantitativas se utilizan:
a)
b)
C)
d)
mi)
F)
Figura 5. Ilustración del proceso de detección de defectos para la primera imagen de prueba: a) imagen de origen, b) imagen morfológica
umbralizada, c) Conv.Net, d) Conv.Net + filtrado morfológico (MF), e) Conv.Net + filtrado morfológico + límites mejorados, f) mapa de
defectos de verdad del terreno
FA=
FP
AllPix-DefPix
, PAG=
TP
TP+FP
, R=
TP
TP+FN
, F1 =
2relaciones públicas
(8)
PAG+R
dóndeFA-falsos positivos (falsa alarma),PAG-es precisión,R-es recordar,F1 - es la medida F1,AllPix-es total
cantidad de píxeles de la imagen (igualI×j) yDefPix-es la cantidad total de píxeles defectuosos (igual
∑I∑
j
i=1j=1
dyo, j)
Es importante señalar que el análisis visual obtuvo un resultado al usar la única red neuronal convolucional, sin el uso
de preprocesamiento en forma de filtrado morfológico, así como el posprocesamiento en forma de reclasificación de
píxeles límite, es muy cercano. al resultado presentado en el trabajo.19Cifra5muestra un ejemplo de detección de defectos
para la primera imagen de prueba W0001 0001. Tabla1resume las métricas cuantitativas para las imágenes de prueba.
El análisis de los resultados muestra la alta eficiencia del método desarrollado. El uso adicional de la máquina de vectores de
soporte como técnica de posprocesamiento ha reducido significativamente la probabilidad de falsas alarmas. De este modo,
Tabla 1. Resultados experimentales para las cuatro imágenes de prueba (MF - es un filtrado morfológico, EB - es un límite mejorado)
imagen de prueba
W0001 0001
W0001 0002
W0001 0005
W0001 0007
Método
Recordar
Falsa alarma
Precisión
Medida F1
Conv.Net.
0.5882
0.1326
0.2991
0.3966
MF+Conv.Net
0.5367
0.0554
0.4826
0.5083
MF+Conv.Net.+EB
0.4552
0.0278
0.6120
0.5221
Conv.Net.
0.8586
0.0070
0.3296
0.4764
MF+Conv.Net
0.8451
0.0043
0.4415
0.5800
MF+Conv.Net.+EB
0.6921
0.0015
0.6472
0.6689
Conv.Net.
0.8556
0.0118
0.4139
0.5579
MF+Conv.Net
0.8122
0.0071
0.5288
0.6405
MF+Conv.Net.+EB
0.7796
0.0060
0.5577
0.6502
Conv.Net.
0.8615
0.0768
0.2932
0.4375
MF+Conv.Net
0.8233
0.0526
0.3665
0.5073
MF+Conv.Net.+EB
0.7318
0.0223
0.5478
0.6266
la probabilidad de falsa alarma en la mayoría de los casos para el método desarrollado es menor en comparación con una red
neuronal convolucional estándar. La parte principal de las falsas alarmas de la red neuronal convolucional sin una detección
precisa de los límites del defecto está asociada con la alta volatilidad de los objetos clasificados dentro del parche.
6. CONCLUSIÓN
En este artículo presentamos los principales tipos de defectos en las uniones soldadas. También se propone un nuevo método de
detección de varios tipos de defectos basado en el aprendizaje profundo. La principal característica distintiva es el posprocesamiento del
mapa de defectos para reducir la probabilidad de falsas alarmas provocadas por un engrosamiento excesivo de los límites de los defectos.
Para lograr esto, usamos una máquina de vectores de soporte que usa una modalidad imaginaria como entrada. Como preprocesamiento
utilizamos filtrado morfológico, lo que permite reducir el coste computacional, así como reducir la probabilidad de falsas alarmas. El
análisis de los resultados experimentales confirmó la alta eficiencia del método desarrollado, en comparación con el método de
clasificación basado solo en el uso de una red neuronal convolucional.
Expresiones de gratitud
Este trabajo fue apoyado por el Ministerio de Educación y Ciencia de Rusia de acuerdo con el Decreto del Gobierno 218 del 9 de
abril de 2010 (número de proyecto 074-11-2018-013 del 31 de mayo de 2018 (03.G25.31.0284)).
REFERENCIAS
[1] Russakovsky, O., Deng, J., Su, H., Krause, J. y et al., "Desafío de reconocimiento visual a gran escala de Imagenet" CoRR
abs/1409.0575 (2014).
[2] Mery, D. y Berti, MA, “Detección automática de defectos de soldadura usando características de textura,”Simposio
Internacional sobre Tomografía Computarizada y Procesamiento de Imágenes para Aplicaciones Industriales en Radiología
(2003).
[3] Daugman, JG, "Relación de incertidumbre para la resolución en el espacio, la frecuencia espacial y la orientación optimizada
por filtros corticales visuales bidimensionales".Sociedad Óptica de América2(7),1160-1169 (1985).
[4] Haralick, R., Shanmugam, K. y Dinstein, I., "Características de textura para la clasificación de imágenes",Transacciones
IEEE sobre sistemas, hombre y cibernética3(6),610–621 (1973).
[5] Altman, NS, "Una introducción a la regresión no paramétrica del kernel y del vecino más cercano",El estadístico
estadounidense46 (3),175–185 (1992).
[6] Kountchev, RK, Rubin, SH, Todorov, VT y Kountcheva, RA, "Detección automática de defectos de soldadura",En t. J.
Sistemas inteligentes basados en el razonamiento3(1) (2011).
[7] Lim, J., “Procesamiento bidimensional de señales e imágenes,”Prentice Hall, Nueva Jersey(1990).
[8] González, R. y Woods, R., “Procesamiento de imágenes digitales,”Prentice Hall, Nueva Jersey(2002).
[9] Kountchev, R., Milanova, M., Todorov, V. y Kountcheva, R., “Filtro difuso adaptativo para la reducción de artefactos de
bloqueo en imágenes comprimidas con descomposición idp y jpeg,”Transacciones WSEAS en procesamiento de
señales2(7),941–948 (2006).
[10] Chu, E. y George, A., "Dentro de la caja negra fft: algoritmos de transformada rápida de Fourier en serie y en paralelo" CRC
Press, Boca Ratón, Florida(2000).
[11] Young, I., Gerbrands, J. y van Vliet, L., "Fundamentos del procesamiento de imágenes",Delft, Países Bajos
(1996).
[12] Saber, S. y Selim, GI, "Estadísticas de orden superior para la detección automática de defectos de soldadura",Diario de
Ingeniería de Software y Aplicaciones6,251–258 (2013).
[13] Coltuc, D., Bolon, P. y Chassery, J., "Especificación exacta del histograma",Transacciones IEEE sobre procesamiento de
imágenes15 (5),1143-1152 (2006).
[14] Kasban, H., Zahran, O., Arafa, H., El-Kordy, M., Elaraby, SMS y El-Samie, FEA, "Detección de defectos de
soldadura a partir de imágenes radiográficas mediante el enfoque cepstral"Pruebas y evaluación no
destructivas: una revista internacional44 (2),226–231 (2011).
[15] Kasban, H., "Aplicación de técnicas avanzadas de procesamiento de señales digitales en aplicaciones de radioisótopos
industriales",Doctor. Tesis, Facultad de Ingeniería Electrónica, Universidad de Menofia, Shibin Al Kawm(2012).
[16] Kumar, J., Anand, R. y Srivastava, S., "Clasificación de fallas de soldadura de múltiples clases usando la función de
textura para imágenes radiográficas"Conferencia Internacional sobre Avances en Ingeniería Eléctrica (ICAEE)(2014).
[17] Clausi, D., "Un análisis de las estadísticas de textura de co-ocurrencia en función de la cuantificación del nivel de gris",Revista
canadiense de teledetección28,45–62 (2002).
[18] Soh, L.-K. y Tsatsoulis, C., "Análisis de textura de imágenes de hielo marino sar usando matrices de co-ocurrencia de
nivel de gris"Transacciones IEEE sobre geociencia y teledetección37,780–795 (1999).
[19] Hou, W., Wei, Y., Guo, J., Yi, J. y Changan, Z., "Detección automática de defectos de soldadura mediante redes
neuronales profundas"10ª Conferencia Internacional sobre Ingeniería Informática y Eléctrica, IOP Conf. Serie:
Revista de Física: Conf. Serie 933(2018).
[20] Otsu, N., "Un método de selección de umbral a partir de histogramas de nivel de gris",Transacciones IEEE sobre sistemas,
hombre y cibernética9,62–66 (1979).
[21] Sizyakin, R., Cornelis, B., Meeus, L., Martens, M., Voronin, V. y Pižurica, A., "Un enfoque de aprendizaje profundo para la detección de
grietas en pinturas de paneles",Procesamiento de imágenes para investigación artística (IP4AI)(2018).
[22] Krizhevsky, A., Sutskever, I. y Hinton, G., "Clasificación de Imagenet con redes neuronales convolucionales profundas"
Avances en sistemas de procesamiento de información neuronal,1097–1105 (2012).
[23] Kingma, D. y Ba, J., “Adam: Un método para la optimización estocástica,”CoRR(2014).
[24] Zuiderveld, K., “Ecualización de histografía adaptable limitada por contraste,”Gemas Gráficas IV. San Diego: Prensa
Académica Profesional,474–485 (1994).
[25] Scholkopf, B. y Smola, A., "Aprendizaje con núcleos: máquinas de vectores de soporte, regularización, optimización y
más allá, computación adaptativa y aprendizaje automático".Cambridge, MA: La prensa del MIT(2002).
[26] Mery, D., Riffo, V., Zscherpel, U., Mondragón, G., Lillo, I., Zuccar, I., Lobel, H. y Carrasco, M., “Gdxray: The
database of Imágenes de rayos X para pruebas no destructivas.Revista de evaluación no destructiva34.4,1–12
(2015).