علیرضا آزادیان - کارشناسی ارشد مهندسی پرتو پزشکی ، تهران ، دانشگاه صنعتی امیرکبیر
فائزه لطفی کاظمی - کارشناسی ارشد مهندسی پرتو پزشکی ، تهران ، دانشگاه صنعتی امیرکبیر
مجید صالحی - کارشناسی ارشد مهندسی پرتو پزشکی ، تهران ، دانشگاه صنعتی امیرکبیر

تشخیص غیر مخرب عیوب جوشکاری به خصوص در پروژه های صنعتی مساله ای است که امروزه بدلیل سرعت بالا و هزینه های کمتر و دقت بالاتر و همچنین سالم ماندن قطعه بعد از تست از این رو مورد توجه بسیار قرار گرفته است. به این خاطر که در تست های غیر مخرب غالبا بازرسی توسط افراد و انسان صورت می گیرد و تفسیر های متفاوت بازرسان نتایج در برابر خطای انسانی آسیب پذیر خواهد بود. از این رو با استفاده از کامپیوتر و شبکه های عصبی و یادگیری عمیق بر آن شده اند تا خطای انسانی را حذف کنند و نتایج با دقت بالاتری بدست آورده شود. در تست رادیوگرافی ۲با استفاده از پرتو های گاما و اشعه ایکس تصاویر بر روی فیلم رادیوگرافی ظاهر می شود که اگر قطعه دارای نقص و عیب باشد تصاویر روشن تر یا دارای نقاط تیره تر و سیاه تر خواهند بود.دراین مطالعه ابتدا داده های خام تصاویررادیوگرافی از لوله های گاز را به صورت عملی از طریق شرکت آذران جوش شاهین جمع آوری شده و سپس توسط متخصص مکانیک از طریق تست های اولیه عیوب لوله هاتشخیص داده شد . سپس داده ها بر اساس نوع عیب ها به سه دسته ی سالم و ناسالم از نوع متخلل و ناسالم ار نوع ناپیوستگی خطی تقسیم شدند ( ۴۸ سالم تخلل - ۵۶ ناپیوستگی خطی - ۳۶ ). در مرحله ی بعد جهت افزایش داده ها و بالاتر بردن صحت کار از روش افزایش داده یا ugmentationdata a۱ استفاده شد . براساس این روش داده هایی جدید از روی داده های قبلی ساخته شده تا شبکه را به چالش بکشد و حساسیت شبکه را به یک سری از دیتاها کمتر کند . در آخر از روش شبکه عصبی عمیق ۴ ارائه شده جهت استخراج ویژگی ها و طبقه بندی خودکار داده ها استفاده کرده ایم. و از داده های جدید جهت تست شبکه استفاده کرده ایم که در نتیجه دقت و صحت طبقه بندی این روش برابر با ۹۲ % و ۹۶ % است . نتایج این پژوهش نشان داد که استفاده از روش های یادگیری می تواند با دقت مطلوبی لوله ها با عیوب متفاوت را از به صورت خودکار هم تشخیص دهد

تست غیر مخرب، رادیوگرافی، شبکه عصبی عمیق ، افزایش داده