提高分类的数据融合技术在X射线检查

提高分类的数据融合技术在X射线检查

摘要。
DS证据（DS）证据理论的发展，作为处理不确定，不准确，不完整的信息，试图克服的限制，传统的概率论。在本文中，我们提出了一个分类系统，这种融合理论的基础上。该系统的性能评价在2D和3D透视数据。得到的结果是非常有前途的，并鼓励我们在其他应用程序中使用这个系统，即超声数据进行分类。

1。介绍

X射线检查是一种传统的非破坏性的测试方法进行全面测试 工业零部件，如铝铸件在汽车行业。安全规范。 和质量控制的任务是检查过程中的主要焦点。数字图像 处理，计算智能和硬件的进步使这项任务自动化。 虽然真正的缺陷的检测是客观的，在X射线检查的一个主要的困难 检测的误报（或错误的缺陷），特别是如果是非常小的，低对比 缺陷被检测到。因此，减少了良好的部件，而不抑制比 缺少真正的缺陷的风险是一个严峻的挑战。 自动检测和识别的缺陷，需要计算机图像 处理，图像分析和决策过程。的图像处理的步骤是关键 检测潜在的缺陷。在所述图像分析步骤，特征提取进一步 分类之间真正的缺陷，TD和虚假的缺陷FD。我们的干预是在 分类步骤，在数据融合理论的基础上，我们制定了具体的方法 不同来源的信息结合在一起，以便改善真 真正的缺陷分类率和误报。为了使不同的融合 可能的源，从源空间的过渡到一个共同的空间被称为“质量 值“空间的地方。我们提出了一个完全自动的质量，价值归属 没有必要对专家的监督程序。分类器的性能进行量化 在正确分类率分别为真正的缺陷和误报， 使用受试者工作特征曲线（ROC）。所开发的分类 从分段系统，被称为数据融合的分类器（DFC），是用来区分缺陷 二维X光图像和3D-CT卷在这两种情况下，它给了高精确度和 可靠的决策。

在接下来的部分，数据融合理论的介绍，然后第3节描述的分类算法。在第四部分恢复之后，应用程序和结果。第五部分介绍了在讨论和未来的改进。

2。数据融合

数据融合发现有用的应用程序在多源环境中，当数据是不确定的，不精确的，那里有丢失数据的可能性。在决策过程中，应用数据融合的目的是建立一个更加有针对性的决策。的普遍关注，是成功的一个元素x分类为一类次法眼的框架，利用信息FJ提供的资源j。

2.1普林西比

最常用的模型在数据融合中的概率方法，可能的方法和证据理论（DS证据理论）。这些理论的不确定性表示，通过信任措施的不完善信息。对于每个类Ci，值M（C I / FJ（x））的表示这样的事实给予的信心，一个
元素x属于一类次，使用FJ源j所提供的信息。的数据融合过程包括三个步骤，在图1中示出。

图1。数据融合过程步骤：知识建模，结合信任和决策[1]。

前处理的目的是提取的参数的x。所选择的参数必须是相关的目标。在一些应用中，如铸造缺陷，专家的选择可以作为我们选择的重要参数。的类，这些类提供识别框架，必须对应的应用程​​序的需求，并根据问题的类型，这些类可以是独占的（一个真正的和其他假）或（中间的符号OR）。
M（次）的措施，使我们能够量化的假设，即一个元素x是类词的信心。信任措施提出的每一个理论融入共同的数学框架，但靠自己的能力来模拟一些细微的语言（概率，真实性，信仰，必要性，可信性）区分。在接下来的步骤中，我们结合各种来源的信心措施用于获得单一的一套信任措施。最后，根据对决策的标准，我们选择的类，它有最高的信心。

在接下来的部分，Demspter-Shafer理论（也称为证据理论）。

2.2证据理论

DS证据理论（DS），[2] [3]，是一个总体框架，它提供了更多的灵活性概率论。它适合与不确定性的原因，并可以区分的不确定性和不精确性。这是这样实现的特定的，使得能够处理复合假说。 DS理论也适用于从不同的来源的信息相结合。对于一个给定识别框架的类或假设（一组），DS理论的特殊性，是任何来源的信息，可以给一块的证据的任意子集，它可以是一个简单的假设Hi或简单的联合假设。此外，这些假设并不一定是独家的，例如： {朋友，敌人，中立};因此，2的应用程序，因为它包含的所有命题的信息源可以提供证据的工作空间。信息来源识别框架的子集分配质量值

推导的质量分布是最重要的步骤，因为它代表了知识的实际应用中，以及在所选择的信息源引入的不确定性[4]：
0M（A）1，前面已经提到过，一个信息源的质量值分配到任何假设。也就是说，如果一个信息源无法区分两个命题Ai和Aj，它分配一个质量值的设置包括两个命题（艾AJ）。

2.3融合过程

登普斯特的组合规则提供了一个数学关系的措施结合在一起的信心（称为大规模值）从不同的信息来源。为m1，m2，从两个不同的源的质量分布相结合与登普斯特正交规则（结膜的组合）。

其中，K是信号源之间的冲突的措施，在这个方程中，它被引入作为归一化因子。较大的K时，更多的来源是冲突和感少它们的组合。因此一些学者，特别是Smets [5]，需要使用Dempster组合规则没有正常化。事实上，当K增大时，熔化的质量增加，虽然它是不相关的增加的信心。出于这个原因，当使用归一化的规则，冲突ķ必须被包括在决定标准。

这是可能的，以显示，通过连续的组合的质量值的迭代，登普斯特强度的操作员的确定性[6]。换句话说，当两个独立的传感器的动作导致喜欢一个假设，在此假设授予的信任将合并，这不一定是贝叶斯概率的情况下与后大。

3。分类算法：数据融合分类（DFC）

问题是每个检测到的对象进行分类，这两个类的：在一个缺陷（TD）或假缺陷（FD）。在Dempster-Shafer理论的框架，这三个假设：H1：这个对象是一个缺陷H2：该对象是一个虚假的报警H3 = H1H2：无知

检测到的对象都是通过列表的几何和灰度级为基础的功能。每个测量的功能被认为是一个信息源，而预期的组合中的两个或两个以上功能的提高分类性能。为了结合起来，功能值必须转化为质量值，每一种假说识别框架。我们已开发出一种原始的方法，自动归属的质量值测量对检测到的对象的功能。实现的方法是使用每个功能直方图的信息来源。使用直方图功能的空间划分成区域，并指定这些地区的每一个相应的质量值的H1假设。补充至1的影响到H3的假说，并没有质量的被分配到H2期间组合，以避免任何冲突。地区之间的平滑过渡是通过使用模糊集，如介绍[4]。该方法可以被概括如下：

3.1学习一组已知的对象

特征提取和直方图计算
从功能区域：真正的缺陷比例P（I）计算在每个直方图区间i。一个区域被定义为一个稳定的真正的缺陷比例（通过一个标准上的p（ⅰ）的衍生物）
群众归属地：M（H1）= P（地区），M（H3）= 1 - M（H1），M（H2）= 0
不同群众的组合规则：归Demspter正交规则（成对，三个或全部功能）和统计规则（平均数和中位数群众）。 选择的最佳来源（成功源）相对于原来的外部
检查系统或整体破案率满足输入需求。

3.2未知物体的一组上的验证

特征提取只使用选定的来源
群众的归属
群众相结合
性能测试

[7]中给出了该方法的更详细的描述。

3.3措施

为了测量的性能的源极，一个阈值S被施加上的质量值m（H1）中的每个功能，和每一个组合后。米（H1）高于该阈值的对象的质量被认为是真正的缺陷，和其他为假。分类结果进行比较，以真正的专家作出的决定，下列税率计算：

- 正确的决策速度（PCD）：数量的truedefectscorrectlyclassifiedfalsedefectscorrectlyclassified
PCDtotalnumberof truedefectsandfalsedefects

真正的缺陷分类率（PTD）：真正的正确分类的缺陷数
PTD
真正的缺陷总数
- 虚假的缺陷分类率（PFD）：

虚假缺陷正确分类数
PFD
虚假缺陷总数

4。应用程序和结果

我们测试建议的分类算法DFC上的二维X线数据集和三维计算机断层扫描（CT）数据集。在第一种情况下，DFC系统相比，自动透视（ISAR），开发的EZRT弗劳恩霍夫和用于生产的铸件射线的质量控制与智能系统。 ISAR系统的信息可以在参考文献[8]。在本文中，我们将恢复得到的结果。关于每个应用程序的详细说明，请参阅论文[9]和[10]。

4.1铸件射线照相数据集

此数据集提取工业铸件射线图像。分割后，检测对象的特点是由一组11个功能（如面积，对比度，音量，等等..）。每个对象都被归类到TD和FD手动的放射学专家，他的决定被视为真正的决定。数据集是由361对象。它包含231真正的缺陷包括TD氧化物，气体空隙和孔隙度和130虚假缺陷FD（参见图2）。该数据集被划分成两个部分，一个学习数据库（形成65 FD和115 TD），和测试数据集（形成65 FD和116 TD）。

图2。真或假的缺陷出现在红色矩形区域作为一个更光明的。的左侧出现一个真正的缺陷，并在右侧出现的人为检查部分的结构所造成的。

首先，在学习过程中的学习数据集。然后，选择最好的来源，使整体分类率最高的R.之后的测试数据集被列为使用选定的最佳来源。他们的学习和测试数据集上的性能进行了比较ISAR的表现。结果恢复下令降低获得的测试数据集上的整体分类率R在下面的表1。

表1中。整体速率R表演2D铸件射线照相的分类利用ISAR和数据融合的分类。

4.2铸件三维CT数据集

三维CT数据集是铝铸件。它包含442对象（或潜在缺陷）专家真假缺陷分类（见图3）。只有44的对象是真正的缺陷，其余的398对象都是假的缺陷，因此该数据集很不平衡。存在的缺陷是从不同的类型：孔隙率，裂缝和空隙。假缺陷是由于噪声，CT文物和作为潜在的缺陷的结构元件的分割。自动分类的目的，是衡量每个对象总数的30功能。这些功能代表了输入信号源的DFC的信息系统自动分类条目对象为真或假的缺陷。

对于学习和测试过程中，完整的数据集分为：
- 学习数据集：226潜在的缺陷包括：200个假警报和26个真正的缺陷。

​

图3。从三维CT卷提取的切片视图的零件：一个真正的缺陷（表面缺陷）的左侧显示为较暗的区域，并在右侧的一个假警报（重建人工制品）出现时，较暗的区域，以及作为。

DFC系统的结果列于表2通过降低R.订购

5。讨论和观点

首先，利息，这种分类的方法是，它是完全“透明”的，
即如神经网络技术，例如，它不是一个黑盒子。分类得到的结果非常好，在比较证明上的二维数据（没有实际的系统的3D数据）的实际的工业系统。这一点尤其明显的误报的分类率大大提高了数据融合系统。关于组合规则，实际上平均数或中位数的质量出现好转，DFC组合，可能是因为使用的所有功能，而与的登普斯特谢弗规则，使用的所有功能下降的表现。 Dempster组合规则的合并来源，其行为与一个完整的分析不在本文的讨论范围。值得一提的是，翻译任何功能到一个共同的空间，让他们的组合（使用的统计规则，或正交和登普斯特）的质量属性的方法（可以比作一个信心的措施）是一个非常有用的工具。我们目前的工作是类似的方法应用到其他的三维数据，即从复合材料超声波检测。

参考文献

[1]杜普伊斯。 O.，“融合恩特雷里奥斯LESdonnéesultrasonores和图像radioscopie一个高级解决方案：：应用非盟控制的警戒线soudure”。融洽的这些研究所国家科学Appliquées里昂，2000年。
[2]登普斯特A.，“上和下诱导的多值映射的概率”。数理统计年鉴。 38，325-339，1967。
[3]谢弗，G.，“证据”的数学理论。普林斯顿大学出版社，普林斯顿大学。页。 297，1976。

[4] Kaftandjian五等，“不确定性建模使用Dempster-Shafer理论，为提高检测的焊缝缺陷”。模式识别快报，第24卷，第547-564页，2003年。
[5]泰勒法则P.，“相结合，在传递信度模型”，IEEE证据。模式分析与机器智能，第12卷，N°5页。 447-458，1990。
[6] Gacogne L.，“元素logique floue”，巴黎：爱马仕。 ISBN 2-86601-618-1，1997。
[7]奥斯曼A.等，通过使用DS证据数据融合论“的”改进的X射线铸件检验的可靠性。模式识别快报32，页168-180，2011。
[8]福克斯T. U.，Huetten U.，哈斯勒和Wenzel T.，“一个新的系统，全自动铝铸件的”数字平板探测器的X光片检查。第9届欧洲无损检测会议（ECNDT），2006年九月25号至29日，德国柏林。
[9]奥斯曼A.等，“应用程序的数据融合理论与支持向量机的X-RAY铸件检验”。 ：非破坏性检测，莫斯科2010年6月7-11日第10届欧洲会议。
[10]奥斯曼A等人，“三维分割的CT数据，采用数据融合和支持向量机”的自动分类。第10届国际会议的的人工视觉QCAV'2011，2011年6月28日至30日，法国Saint-Etienne的质量控制。