Содержание к диссертации
Введение
1 Анализ современного состояния проблемы. Формулировка задачи исследования 9
1.1.Технологический процесс рентгенографического контроля лопаток ГТД 9
1.2 Анализ требований к автоматизированной системе контроля рентгенограмм 13
1.3 Современные методы распознавания образов 15
1.4 Классификация методов распознавания 20
1.4.1 Общая схема классификации . 20
1.4.2 Статистические методы 21
1.4.3 Алгоритмы вычисления оценок (ABO) . 30
1.4.4 Биолого-психологические методы 35
1.4.5 Структурные методы 42
1.5 Формулировка задачи исследования 50
1.6 Выводы по разделу 1 51
2 Разработка и исследование методики выявления и распознавания дефектов при анализе рентгенограмм 54
2.1 Общая схема технологического процесса автоматизированного контроля рентгенограмм 54
2.2 Особенности биолого-психологического восприятия дефектов рентгенограмм 55
2.3 Восприятие образов системами технического зрения 58
2.4 Изменение характеристик изображения 59
2.5 Структурное распознавание образов 63
2.6 Обучение при распознавании 72
2.7 Выводы по разделу 2 75
3 Разработка и исследование алгоритмов для построения автоматизированной системы рентгенографического контроля 77
3.1 Схема функционирования системы автоматизированного контроля рентгенограмм 77
3.2 Обработка изображения методом пространственной области 80
3.3 Алгоритмы предварительной обработки изображения 83
3.3.1 Усреднение окрестности 84
3.3.2 Усредненная фильтрация (медианный фильтр) 85
3.3.3 Усреднение изображений (интегрирование) 93
3.4 Алгоритм выделения контрастных неравномерностеи -пороговое разделение 94
3.5 Алгоритмы синтаксического разбора 100
3.5.1 Отсев незначащих контрастных неравномерностеи 100
3.5.2 Синтаксический анализ дефектов 101
3.6 взаимодействие с экспертом 110
3.6.1 Улучшение качества изображения 110
3.6.2 Алгоритм экспертного анализа 116
3.7 Выводы по разделу 3 119
4 Экспериментальное исследование алгоритмов. оценка экономического эффекта внедрения 121
4.1 Алгоритмы предварительной обработки 121
4.2 Выделение дефектов 126
4.3 Синтаксический анализ дефектов 128
4.4 Повышение интенсивности контроля 130
4.5 Экономическая эффективность 131
4.6 Выводы по разделу 4 135
Заключение 137
Список использованных источников 140
- Современные методы распознавания образов
- Особенности биолого-психологического восприятия дефектов рентгенограмм
- Обработка изображения методом пространственной области
- Алгоритмы предварительной обработки
Введение к работе
В настоящее время качеству выпускаемой продукции уделяется очень большое внимание. Большинство предприятий стремится повысить качество продукции путем внедрения новых методов промежуточного контроля деталей и узлов изделия.
Неразрушающий контроль является важнейшей частью системы качества подавляющего большинства современных предприятий, в том числе и ОАО «НПО Сатурн». Высокое и стабильное качество выпускаемой продукции обеспечивается комплексным применением традиционных и новых методов не-разрутающего контроля.
К неразрушающим методам контроля относятся все методы обнаружения или измерения основных свойств или рабочих характеристик материалов, деталей, узлов газотурбинных двигателей в целом с помощью испытаний, которые не уменьшают их пригодности к применению.
Рентгенографический контроль относится к одному из видов неразрушающего контроля продукции с использованием ионизирующего излучения [1,2].
Однако, если в области ультразвукового или токових-ревого контроля уже достигнут высокий уровень автоматизации, то в отношении рентгенографического контроля лопаток газотурбинных двигателей (ГТД) остается не до конца решенным целый комплекс вопросов, связанных с устранением ручного труда и повышением степени автоматизации до уровня, соответствующего их серийности [3] .
Отсутствие должного уровня автоматизации оказывает негативное влияние на условия работы труда персонала, не позволяет интенсифицировать процесс контроля без привлечения на вредный участок производства новых сотрудников, достоверность результатов контроля (удовлетворяющая современным требованиям}, может оказаться недостаточной в самое ближайшее время вследствие повышения требований к ней.
Актуальность работы обуславливается необходимостью автоматизации процессов рентгенографического контроля с целью повышения производительности труда и достоверности результатов контроля, снижения количества людей занятых на вредном участке производства, улучшения условий труда [4] .
Объектом исследования данной работы является технологический процесс рентгенографического контроля лопаток ГТД, получаемых методами точного литья.
Предметом исследования являются методы, позволяющие автоматизировать процесс анализа рентгенографических изображений .
Цель работы - интенсификация процессов восприятия и анализа рентгенограмм, исключение влияния человеческого фактора на выявление дефектов лопаток ГТД.
Для выполнения работы используются следующие методы исследования: анализ факторов, влияющих на достоверность результатов контроля; исследование и систематизация известных признаков выявления и анализа дефектов; исследование современных методов распознавания контурных изображений; теории вероятности и математической статистики; разработка и экспериментальное исследование программных средств автоматизированной системы рентгенографического контроля.
Научная новизна работы заключается в следующем: сформулирован комплекс критериев для выявления и таксономической классификации дефектов с применением структурно-биологических методов; для исключения влияние эффекта одновременного контраста предложена формула выявления контрастных неравно-мерностей с вариативным порогом невосприятия, обеспечивающая выявление объектов с положительным и отрицательным перепадом контраста относительно фона; разработан алгоритм для отсева псевдодефектов (структуры металла); - разработан адаптивный двухуровневый алгоритм син таксического анализа выявленных дефектов, реализующий предложенную таксономическую схему классификации дефектов по типам и учитывающий топологию дефектов и их взаимо влияние для выдвижения возможного решения по годности из делия.
Достоверность результатов диссертационных исследований подтверждена данными теоретических расчетов и экспериментальными исследованиями действующих алгоритмов.
Материалы диссертационной работы прошли апробацию в докладах на конференциях: - I Всероссийская научно - техническая конференция «Компьютерные технологии в науке, проектировании и производстве (г. Нижний Новгород, 1999г.] XXVI конференция молодых ученых и студентов (г. Рыбинск, 1999 г.}
Всероссийская выставка «Школа 2 002» (г. Москва 2002г.)
По материалам . диссертации опубликовано 5 печатных работ, из которых 2 статьи, 3 тезисов докладов [5-9] .
Диссертация состоит из введения, четырех разделов, заключения и двух приложений на 167 листах, содержит 52 рисунка, 17 таблиц, список использованных источников из 102 наименований. Диссертация оформлена с учетом требований [10,11].
Б первом разделе проведен анализ современного состояния участка рентгенографического контроля, анализ требований, предъявляемых к современной автоматизированной системе рентгенографического контроля, анализ методов распознавания контурных изображений. Сформулированы задачи исследования.
Во втором разделе разрабатывается и исследуется методика для выявления и распознавания дефектов в процессе рентгенографического контроля лопаток.
В третьем разделе разрабатывается и исследуется система автоматизированного контроля рентгенограмм, разрабатываются и исследуются алгоритмы, на основании которых строится программное обеспечение системы автоматизированного контроля рентгенограмм.
В четвертом разделе рассматриваются вопросы применения разработанных алгоритмов/ приведены рекомендации по их использованию, рассчитан возможный экономический эффект от внедрения в производство системы автоматизированного контроля.
В приложениях приведены эталонные снимки дефектов, данные по выявлению брака лопаток ГТД за 1999 - 2002 гг., акты внедрения результатов диссертационной работы.
Диссертация выполнена на кафедре «Вычислительные системы» Рыбинской государственной авиационной технологической академии им. П. А. Соловьева (РГАТА).
Современные методы распознавания образов
Основной задачей, возникающей в связи с созданием автоматизированной системы рентгенографического анализа, является автоматизация процесса распознавания образов. Образ - это описание объекта. Распознавание человеком конкретных образов можно рассматривать как психофизиологическую задачу, связанную с процессом взаимодействия индивида с определенным физическим раздражителем. При восприятии образа индивид реализует процесс индуктивного вывода и устанавливает ассоциативную связь между своим восприятием, определенными понятиями (ориентирами), установленными им на основании прошлого опыта. Следовательно, распознавание образа человеком - это вопрос оценки относительных шансов на то, что исходные данные соответствуют тому или иному известному множеству статистических совокупностей, определяющихся прошлым опытом человека и предоставляющих ориентиры и априорную информацию для распознавания [24] .
В задачах распознавания можно выделить два основных направления. 1. Изучение способностей к распознаванию, которыми обладает человек. 2. Развитие теории и методов построения устройств, предназначенных для решения задач распознавания в определенных областях. Усилия в первом направлении прилагаются, как правило, психологами, как в рамках собственных исследований, так и по «заказам» со стороны представителей второго направления - ученых и инженеров. Развитие же теории и методов построения распознающих систем связано как с развитием самой вычислительной техники, так и с разработкой соответствующего программного обеспечения. Распознавание образов - это отнесение исходных данных к определенному классу с помощью существенных признаков или свойств, характеризующих эти данные [25,26]. Следовательно, основные функции системы распознавания заключаются в обнаружении и выделении общих признаков образов, описывающих объекты, принадлежащие к одному и тому же классу, узнавание этого образа в любой другой обстановке и отнесении его к одному из заданных классов. Процесс распознавания состоит в том, что система распознавания на основании сопоставления апостериорной информации относительно каждого поступившего на вход системы объекта или явления с априорным описанием классов принимает решение о принадлежности этого объекта (явления) к одному из классов. Правило, которое каждому объекту ставит в соответствие определенное наименование класса, называют решаюлщм правилом. Так, в [27] сказано, что в отыскании таких решающих правил на основании заданных описаний классов и заключается проблема распознавания. При определении решающих правил (решающих границ в признаковом пространстве) в зависимости от объема исходной априорной информации рассматриваются следующие ситуации [28] . 1. Количество исходной информации достаточно для того, чтобы путем ее анализа и непосредственной обработки определить решающие правила (системы распознавания без обучения). 2. Количество исходной информации недостаточно для определения решающих правил на основе ее непосредственной обработки, в связи с чем реализуется процедура обучения (обучающиеся системы распознавания) . Назначение систем распознавания - получить информацию, необходимую для принятия определенных решений, о принадлежности неизвестного объекта (явления) к тому или иному классу. Именно так обстоит дело в системах медицинской и технической диагностики, геологической разведки, метеорологического прогноза, криминалистике, системах распознавания целей и т.п. Поэтому системы распознавания, являясь частью системы управления (автоматической или автоматизированной) , должны строиться с учетом обеспечения наиболее эффективного использования всего набора допустимых решений. Этот факт накладывает на построение систем распознавания следующие ограничения [27,29]. 1. При прочих равных условиях повышение эффективности принимаемых решений следует связывать со степенью детализации определения или назначения либо характера распознаваемого объекта или явления. Степень детализации определяется количеством классов, на которое подразделено множество объектов или явлений. 2. Эффективность принимаемых системой управления решений при прочих равных условиях зависит от точности определения принадлежности распознаваемого объекта или явления к соответствующему классу. Точность же определения или ошибка распознавания при заданном по точности априорном описании классов определяется размерностью и информативностью признакового пространства, объемом и качеством апостериорной информации о значениях признаков, которыми характеризуется распознаваемый объект. Иначе говоря, расширение алфавита классов, увеличивающее степень детализации определения назначения либо характера распознаваемого объекта, при неизменном словаре признаков увеличивает ошибку распознавания.
Особенности биолого-психологического восприятия дефектов рентгенограмм
Как видно из схемы, все программное обеспечение системы разделяется на три основных блока: - блок подготовки данных для анализа - производит предварительную обработку информации, выделение яркостных неравномерностей и их предварительную фильтрацию (отсейвает те выделенные неравномерности, которые не могут быть дефектами); - блок анализа данных - производит непосредственное распознавания дефектов (разделение их на классы) на основе априорной информации и во взаимодействии с экспертом); - блок архивации данных - представляет собой базу ранее исследованных рентгенограмм, а также эталонных образцов. При исследовании существующих методов выявления и распознавания контурных изображений (к ним относятся и дефекты, обнаруживаемые на рентгенограммах [46,47,48]) было выяснено, что для применения в системе рентгенографического анализа наиболее приемлемыми по своим характеристикам являются биолого-психологический и структурно-лингвистический подходы. В каждом из них имеются желательные и нежелательные особенности. Рассмотрим подробнее каждый из них, опираясь на выводы сделанные при предварительном исследовании, т.е. при исследовании биологического метода будем ориентироваться на выявление, а структурного - распознавание дефектов. Выявление изображений дефектов на рентгенограммах, подпадает под явление одновременного контраста [49,50]. Но, учитывая важность решаемой задачи и специфичные особенности [51], присущие рентгенограммам литых изделий (наличие визуальной информации о структуре металла и достаточно малые размеры выявляемых дефектов), необходимо провести исследования, с целью выявления реальных показателей восприимчивости зрения экспертов - дефектоскопи CTOB Исследования производились на основании теории, изложенной в пункте выявить показатели контрастной чувствительности человеческого зрения в идеальных условиях (неравномерности на ровном фоне); - выявить показатели контрастной чувствительности в условиях одновременного контраста; выяснить влияние формы дефекта на контрастную чувствительность; - выяснить зависимость восприимчивости эксперта от времени. В качестве экспертов на начальном этапе исследований привлекались студенты Рыбинского авиационного колледжа. Уточнение результатов - в рентген-лаборатории корпуса №4 9 ОАО «НПО «Сатурн» с привлечением экспертов - дефектоско-пистов. Построение двухэтапного плана исследований объясняется немногочисленностью экспертов, работающих в рентген-лаборатории и их высокой загруженностью. В процессе исследований было выяснено, что восприимчивость неподготовленного человека (студента) при выявлении контрастных неравномерностей ниже, чем у эксперта (по-видимому, это явление можно объяснить тренированностью зрения) . Поэтому при подсчете окончательных результатов применялись поправочные коэффициенты. В конечном итоге были выявлены следующие закономерности: - показатели восприимчивости эксперта при оптимальных условиях контроля (отсутствие зашумленности и близкорасположенных неравномерностей) практически не отличаются от результатов, описываемых в источниках [37,38], и составляют в среднем 3-4%; - в случае одновременного контраста, т.е. присутствия других контрастных неравномерностей или визуальной информации о структуре металла, характерной для отливок, чувствительность резко падает и составляет 5-7 %. Кроме того, она в существенной мере зависит от взаимного расположения пятен (дефектов); - форма дефекта не оказывает влияния на процесс выявления, поскольку эксперт вначале видит неравномерность фона и лишь затем воспринимает ее форму (при краткой демонстрации изображения с легко выявляемыми дефектами эксперт может показать места их расположения, но не может описать их вид) ; - восприимчивость человеческого глаза в значительной степени зависит от времени исследования (рисунок 13) , так, например, наблюдалась ее понижение в начале и в конце рабочего дня. Длительность первого периода составляет от 10 до 20 мин и может быть объяснена «врабатываемо-стью», а второго - от 30 мин до 1 ч в зависимости от интенсивности работы в течение дня (утомляемость). Система технического зрения для выявления неравно-мерностей контраста, построенная на принципах биолого-психологического восприятия, избавлена от недостатков, присущих человеческому зрению (рисунок 13) . Рассмотрим характеристики восприятия контурных изображений системой технического зрения и человеком, сравним их с требованиями, предъявляемыми к выявлению дефекта в процессе анализа рентгенограмм [23,52-55]. Соответствующие данные приведены в таблице 8. Таким образом, проанализировав характеристики системы технического зрения, построенной на биолого-психологических принципах и сравнив эти данные с требованиями к системе рентгенографического контроля, можно сделать вывод о том, что система подобного рода не только не снижает качество выделения дефектов, но также снимает неблагоприятное влияние фактора человеческой усталости и ошибок восприятия.
Обработка изображения методом пространственной области
Грамматику можно определить («вывести»), используя априорные сведения об образах, либо проанализировав выборочное множество образов. Каждый объект, подвергнутый предварительной обработке, представляется затем некоторой структурой языкового типа (например, цепочкой или графом). Процесс получения представления объекта включает две процедуры: - разбиение («сегментация») объекта; - выделение признаков — непроизводных элементов. Для того чтобы найти представление объекта через его подобразы, необходимо сегментировать объект и в результате этой операции идентифицировать (выделить) его непроизводные элементы и действующие в объекте отношения между ними. Другими словами, все объекты, прошедшие предварительную обработку, разбиваются на подобразы и непроизводные элементы в.соответствии с предварительно определенными синтаксическими или комбинаторными операциями. Каждый подобраз, в свою очередь, отождествляется с некоторым заданным набором непроизводных элементов. В результате каждый объект получает свое представление с помощью некоторого набора непроизводных элементов и ряда фиксированных синтаксических операций.
Система должна обладать способностью обнаруживать синтаксические связи, существующие в объекте. Решение о синтаксической правильности представления объекта (т.е. о принадлежности его к определенному классу, задаваемому определенной синтаксической системой или грамматикой) вырабатывается «синтаксическим анализатором», иначе называемым «блоком грамматического разбора». При выполнении синтаксического анализа (грамматического разбора) анализатор обычно воспроизводит полное синтаксическое описание объекта в виде дерева грамматического разбора, если соответствующий объект является синтаксически правильным. В противном случае объект либо отклоняется, либо подвергается анализу с помощью других заданных грамматик, позволяющих описывать другие классы изучаемых объектов.
Одна из самых распространенных в распознавании процедур — это сопоставление с эталоном. Цепочка непроизводных элементов, представляющая поданный на вход системы объект, сопоставляется с цепочками непроизводных элементов, представляющими все эталонные объекты или объекты обучающей выборки. Распознаваемый объект с помощью выбранного критерия согласия или подобия относится к тому классу, к которому принадлежит и эталонный объект, обнаруживший наилучшее согласие с ним. Иерархическая структурная информация при этом практически игнорируется. В то же время полный разбор цепочки, представляющей распознаваемый объект, позволяет полностью изучить его иерархическое структурное описание. Между этими двумя крайностями заключена масса промежуточных подходов. В частности, можно сформировать набор тестов для проверки наличия или отсутствия определенных подобразов или непроизводных элементов, так же как комбинации и тех, и других. Результаты такой проверки, которую можно проводить с помощью процедур просмотра таблиц, построения дерева решения или логического анализа, используются для выработки классификационного решения. Отметим, что каждый из этих тестов может являться и процедурой сопоставления с эталоном, и процедурой грамматического разбора/ определенными для поддерева, представляющего подобраз. Выбор конкретной процедуры распознавания зависит от специфических особенностей задачи. Если распознавание требует работы с полным описанием объекта, то необходим грамматический разбор. В других случаях полного разбора можно избежать, ограничившись более простыми методами.
Для того чтобы получить грамматику, характеризующую структурную информацию об изучаемом классе объектов, требуется блок вывода грамматики, обеспечивающий вывод соответствующей грамматики по заданному набору обучающих объектов, представленных описаниями структурного типа. (В настоящее время этот этап, как правило, выполняется разработчиком системы «вручную».) Эта процедура аналогична обучению в других методах распознавания. Структурное описание соответствующего класса формируется в процессе обучения на примерах реальных выборочных объектов этого класса. Такое описание в форме грамматики используется затем для представления объектов и синтаксического анализа. В более общем случае обучение может предусматривать определение наилучшего набора непроизводных элементов и получение соответствующего структурного описания классов объектов или явлений.
В процессе распознавания образов одной из основных задач является задача классификации, т. е. разделения множества исходных данных на однородные в некотором смысле подмножества. В нашем случае критерии такого разделения не могут быть точно и непосредственно формализованы вследствие наличия на рентгенограмме кроме дефектов еще и дополнительной информации, к дефектам не относящейся.
Рассмотрим пространство признаков, которые выбраны адекватно поставленной задаче. Первый этап решения состоит в том, чтобы отобразить в этом пространстве «облако» точек (или, может быть, единственную точку), связанных с одним и тем же классом, а затем определить один или несколько прототипов, представляющих будущие классы. Эти представители классов вовсе не обязательно должны совпадать с какими-то конкретными реализациями, по которым получены результаты экспериментальных измерений или наблюдений. Скорее наоборот, имея некоторые первоначальные сведения о прототипах, можно управлять процессом измерений или иным методом получения исходных данных. Обычно прототипы называют именами представляемых ими классов. На последующих этапах они используются для распознавания неизвестного образа, исходные данные о котором получены таким же методом, как и данные об уже известных образах.
Основу предлагаемого способа классификации составляет процесс обучения [66,67,68], в задачу которого входит постепенное усовершенствование алгоритма разделения предъявляемых объектов на классы. Этот процесс обычно стремятся, по возможности, автоматизировать. С этой целью отбирают часть предъявляемых объектов и используют их, в процессе обучения для «тренировки» системы.
Алгоритмы предварительной обработки
Средняя заработная плата эксперта составляет 3000 р. Таким образом, расходы на оплату труда плюс отчисления на социальные нужды составили в 2002г. 343980 р. При осуществлении контроля лопаток в соответствии со схемой, приведенной на рисунке 2, с применением рентген-видиконов себестоимость контроля в основном складывается из: - амортизационных расходов на оборудование; - стоимости энергетических ресурсов; - расходов на заработную плату работников; - отчислений на социальные нужды (36,5% от заработной платы) . Амортизационные расходы на оборудование и затраты на энергетические ресурсы в обоих случаях сопоставимы. Следовательно, основное снижение себестоимости достигается за счет исключения из техпроцесса переноса информации на рентгеновскую пленку и интенсификации процесса выявления дефектов и разбраковки лопаток. Отказ от применения рентгеновской пленки дает экономию 1472740,78 р. (по данным 2002 г.) за счет отсутствия затрат на пленку и сопутствующие ей материалы. Кроме этого, сокращаются 2 рабочих места, связанные с обработкой пленки, что уменьшает затраты на 98280 р. Улучшение временных показателей дефектации лопаток позволяет сократить количество рабочих, занятых непосредственно экспертизой до 1 человека, что дает сокращение затрат еще на 98280 р. Следовательно, суммарная экономическая эффективность только по участку рентгенографического контроля корпуса №49 в ценах 2002 г. составляет 1669300,78 р. Следует также учитывать экономический эффект от повышения достоверности результатов контроля, возникающий за счет снижения числа повторных проверок изделий на других этапах работы, но на сегодняшний момент осуществить его количественную оценку не представляется возможным. 1. Экспериментальные исследования алгоритмов предва рительной обработки показали преимущество алгоритма меди анной фильтрации при устранении импульсного шума. В то же время, при гауссовском распределении шумов алгоритмы функционируют практически аналогично, но при фильтрации с усреднением окрестности наблюдается размытие границ, ко торое увеличивается при увеличении апертуры фильтра. 2. По результатам исследования алгоритма выделения яркостных неравномерностей (возможных дефектов) можно сделать вывод о том, что данный алгоритм отвечает предъявленным требованиям (таблица 4), но вследствие особенностей технологического процесса изготовления лопаток возникает необходимость применения алгоритма предварительной фильтрации. 3. На первом уровне алгоритма распознавания существует вероятность опознать как дефект (усадочную раковину или неметаллическое включение) незначащую контрастную не равномерность, пропущенную блоком подготовки данных. После проведения синтаксического анализа на втором уровне алгоритма распознавания, подобные ошибки устраняются. 4. При изменении значений критериев принятия решения (размеры, форма, место расположения дефекта) рассмотренные алгоритмы могут быть применены в других областях рентгенографического анализа. Основные научные и практические результаты работы показали возможность создания автоматизированной системы рентгенографического контроля позволяющей интенсифицировать процесс дефектации и повысить достоверность результатов контроля. В процессе выполнения работы были получены следующие основные результаты. 1. Проведенный анализ технологического процесса рентгенографического контроля лопаток ГТД показал необхо димость интенсификации процесса контроля и повышения дос товерности результатов за счет уменьшения влияния челове ческого фактора. Для достижения этой цели необходимо ис пользовать методы автоматизированного выявления и распо знавания контурных изображений 2. Анализ существующих методов выявления и распознавания контурных изображений (к которым относятся контролируемые дефекты) показал, что ни один из них не удовлетворяет в полной мере требованиям, предъявляемым к выявлению и распознаванию дефектов. Для выявления и распознавания дефектов в процессе контроля предложен комбинированный метод на основе биолого-психологического и структурно-лингвистического подходов. 3. Сформулирован комплекс критериев для выявления и таксономической классификации дефектов с применением структурно-биологических методов. 4. Разработана методика анализа рентгенограмм на основе экспертной системы обработки и анализа изображений. 5. Предложена формула выявления контрастных неравно-мерностей с вариативным порогом невосприятия, обеспечивающая выявление объектов с положительным и отрицательным перепадом контраста относительно фона. Алгоритм, построенный на данной формуле, выявляет 100 % неравномерностей, являющихся дефектами, но наряду с ними выделяются и псевдодефекты. Разработан и исследован алгоритм отделения истинных дефектов от структуры металла. Вероятность прохода псевдодефектов через фильтр предварительного отсева не превышает 3%. 6. Разработан и исследован двухуровневый адаптивный алгоритм синтаксического анализа выявленных дефектов, позволяющий не только определить тип дефекта, но и найти вероятностное решение по годности изделия. Обучение во взаимодействии с экспертом повышает точность выдвигаемых системой решений. 7. На основе полученных в диссертационной работе результатов предложена концепция автоматизированной системы рентгенографического контроля лопаток ГТД. Полученные зависимости, программы выявления и распознавания дефектов могут быть использованы при опытно-конструкторской разработке автоматизированной системы рентгенографического контроля. 8. При незначительных доработках автоматизированная система может быть использована для организации рентгенографического контроля не только изделий, изготавливаемых методами точного литья, но и других литейных изделий, а также сварочных швов. Результаты диссертационной работы внедрены в промышленность . Применение автоматизированной системы рентгенографического контроля в технологическом процессе контроля лопаток ГТД повысит достоверность результатов контроля и увеличит производительность труда.
