Fig. 1 shows the major steps of our

Fig. 1 shows the major steps of our welding defect classification system. This system was realized using three major techniques: digital image processing, feature extraction, and pattern classification. Digital image processing techniques are used to extract the principal objects, which are welding defects in this research, from radiographic images. Usually, defects in the original X-ray image are low in number comparing with its background information, and mixed with noises coming from various processes in the formation of X-ray images. Digital image processing techniques are employed to lessen the noise effects and to improve the contrast, so that the principal objects in the image can be more apparent than the background. Feature extraction is necessary to obtain a set of features that can describe the characteristics of welding defects. These features should be small in number and high in discriminatory power. Pattern classification methods are needed to analyze feature data and make a prediction of the defect type. Pattern classification algorithms might differ in efficiency and accuracy. Therefore, two renowned supervised algorithms: fuzzy k-nearest neighbor (K-NN) and MLP neural networks are investigated.

ผลลัพธ์ (ไทย) 1:

Fig. 1 แสดงขั้นตอนหลักของระบบการจัดประเภทความบกพร่องของเราเชื่อม ระบบนี้ถูกรับรู้โดยใช้เทคนิคหลักสาม: ประมวลผลภาพดิจิทัล การสกัดคุณลักษณะ และการจัดประเภทรูปแบบการ เทคนิคการประมวลผลภาพดิจิทัลใช้เพื่อแยกวัตถุหลัก ซึ่งมีการเชื่อมข้อบกพร่องในงานวิจัยนี้ จากภาพเจริญเต็มขั้น โดยปกติ ข้อบกพร่องในภาพเอกซเรย์ต้นฉบับได้ต่ำในจำนวนที่เปรียบเทียบกับข้อมูลของพื้นหลัง และผสมกับเสียงที่มาจากกระบวนการต่าง ๆ ในการก่อตัวของภาพเอกซเรย์ เทคนิคการประมวลผลภาพดิจิทัลเป็นลูกจ้าง เพื่อลดผลกระทบเสียง และความคมชัด ปรับปรุงเพื่อให้วัตถุหลักในภาพได้อย่างชัดเจนมากขึ้นกว่าพื้นหลัง แยกคุณลักษณะจำเป็นต้องได้รับชุดของคุณลักษณะที่สามารถอธิบายลักษณะของงานเชื่อมข้อบกพร่อง คุณลักษณะเหล่านี้ควรสูงอำนาจโจ่งแจ้ง และขนาดเล็กจำนวน วิธีการจัดประเภทรูปแบบจำเป็นต้องวิเคราะห์ข้อมูลลักษณะการทำงาน และทำให้การคาดการณ์ชนิดข้อบกพร่อง อัลกอริทึมการจัดประเภทรูปแบบอาจแตกต่างในประสิทธิภาพและความถูกต้อง ดังนั้น สองท่องเที่ยวแบบมีผู้สอนการอัลกอริทึม: เอิบ k ใกล้บ้าน (K-NN) และเครือข่ายประสาท MLP จะตรวจสอบ

ผลลัพธ์ (ไทย) 2:

มะเดื่อ 1 แสดงขั้นตอนที่สำคัญของระบบการจำแนกข้อบกพร่องของเราเชื่อม ระบบนี้ถูกตระหนักถึงการใช้สามเทคนิคที่สำคัญ: การประมวลผลภาพดิจิตอลและการสกัดคุณลักษณะและการจัดรูปแบบ เทคนิคการประมวลผลภาพดิจิตอลที่ใช้ในการแยกวัตถ​​ุหลักซึ่งจะมีการเชื่อมข้อบกพร่องในงานวิจัยนี้จากภาพเอ็กซ์เรย์ โดยปกติแล้วข้อบกพร่องในภาพ X-ray เดิมอยู่ในระดับต่ำในจำนวนเปรียบเทียบกับข้อมูลพื้นฐานของตนและผสมกับเสียงที่มาจากกระบวนการต่างๆในการก่อตัวของภาพ X-ray เทคนิคการประมวลผลภาพดิจิตอลที่ใช้ในการลดผลกระทบเสียงและความคมชัดในการปรับปรุงเพื่อให้วัตถุหลักในภาพอาจจะชัดเจนมากขึ้นกว่าพื้นหลัง การสกัดคุณลักษณะเป็นสิ่งที่จำเป็นที่จะได้รับชุดของคุณลักษณะที่สามารถอธิบายลักษณะของข้อบกพร่องเชื่อม คุณสมบัติเหล่านี้ควรมีขนาดเล็กในจำนวนสูงและอยู่ในอำนาจการเลือกปฏิบัติ วิธีการจำแนกรูปแบบที่มีความจำเป็นในการวิเคราะห์ข้อมูลคุณลักษณะและทำให้การคาดการณ์ของชนิดข้อบกพร่อง ขั้นตอนวิธีการจัดหมวดหมู่แบบอาจแตกต่างกันในประสิทธิภาพและความถูกต้อง ดังนั้นสองอัลกอริทึมที่มีชื่อเสียงภายใต้การดูแล: k เลือนเพื่อนบ้านใกล้ที่สุด (K-NN) และ MLP เครือข่ายประสาทจะถูกตรวจสอบ

ผลลัพธ์ (ไทย) 3:

รูปที่ 1 แสดงขั้นตอนหลักของการจำแนกข้อบกพร่องของเราเชื่อมระบบ ระบบนี้ก็ใช้สามวิธีหลัก : ประมวลภาพ ดิจิตอลการสกัดคุณลักษณะและประเภทรูปแบบ เทคนิคการประมวลผลภาพดิจิทัลที่ใช้สารสกัดจากวัตถุหลักซึ่งเป็นข้อบกพร่องในงานวิจัยนี้เชื่อม จากภาพถ่ายรังสี . โดยปกติข้อบกพร่องในภาพเอ็กซ์เรย์ต้นฉบับเป็นส่วนน้อยเมื่อเทียบกับข้อมูลพื้นหลัง , และผสมกับเสียงที่มาจากกระบวนการผลิตต่างๆในรูปแบบของภาพเอกซเรย์ เทคนิคการประมวลผลภาพดิจิทัล เพื่อใช้ลดเสียงผลและเพิ่มความคมชัด เพื่อให้วัตถุหลักในภาพได้ชัดเจนกว่าพื้นหลังการสกัดลักษณะเด่น จำเป็นต้องได้รับชุดของคุณลักษณะที่สามารถอธิบายลักษณะของข้อบกพร่องที่เชื่อม คุณสมบัติเหล่านี้ควรจะมีขนาดเล็ก และ มีอำนาจจำแนก . วิธีการจำแนกลวดลายจะต้องวิเคราะห์ข้อมูลและคุณลักษณะที่ทำให้การทำนายประเภทของเสีย ขั้นตอนวิธีการจำแนกรูปแบบอาจแตกต่างกันในประสิทธิภาพและความถูกต้อง ดังนั้นสองที่มีชื่อเสียงมีขั้นตอนวิธีการเพื่อนบ้านละ : ( k-nn fuzzy MLP ) และโครงข่ายประสาทเทียมแบบจำลอง