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).