Classification of welding fedects in radiographic images DWDI of pipeline: an approach with ensemble of Extreme Learning Machines

The inspection of radiographic images of welded joints is very subjective and is subject to errors of interpretation by the inspector. In this context, a great effort has been made in the last years to develop automatic and semiautomatic methods for detecting defects in welded joints. This research work presents an automated method for the detection and classification of defects in radiographic images of welded joints of pipes obtained by the double wall double image (DWDI) exposure technique obtained in real field situations and which generally have a lower quality than the images used in other studies. The proposed methos identifies the region of the weld bead, detects the discontinuities and classifies them as defects and non-defects, highlighting in the image the result. Classifiers are evalueted using methods of classification by multilayer perceptron (MLP) neural networks, extreme learning machines (ELM) neural networks, and Support Vector Machines (SVM). The proposed method for identifying the region of interest reached 100% precision in the segmentation od the weld bead. The SVM classifier performed better than the MLP and ELM classifiers in all scenarios tested. Using ELM ensembles, an F_score of 85,7% was obtained for a test patterns database, satisfactoryresults when compared to similar works. The use of ensembles of ELMs represents a gain of only 0,5% in the F-score compared to the best result of the individually trained network, however, with the use of ensemble decision threshold ranges, the presented method allows to show the discontinuities about which the ensemble is not sure, highlighting in the image these discontinuities as a region of uncertainty, leaving to the specialist the final evaluation of these discontinuities. The image resulting from the application of the method serves as an aid to the expert in the elaboration of reports.A inspeção de defeitos de soldagem em imagens radiográficas de tubulações é bastante subjetiva e está sujeita a erros de interpretação por parte do inspetor laudista. Dentro desse contexto, nos últimos anos tem-se visto um grande esforço no desenvolvimento de métodos automáticos e semiautomáticos de detecção de defeitos em juntas soldadas. Este trabalho apresenta um método automatizado para detecção e classificação de defeitos em imagens radiográficas de juntas soldadas de tubulações obtidas pela técnica de exposição radiográfica parede dupla vista dupla (PDVD), obtidas em reais situações de campo e que, geralmente, têm uma qualidade mais baixa do que as imagens usadas em outros estudos. O método proposto identifica na imagem a região do cordão de solda, detecta as descontinuidades e classifica as mesmas em defeitos e não defeitos, destacando na imagem o resultado. São avaliados classificadores a partir de métodos de classificação por redes neurais Multilayer Perceptron (MLP), redes neurais Extreme Learning Machines (ELM) e classificador estatístico Support Vector Machines (SVM). O método proposto para identificação da região de interesse atingiu 100% de precisão na segmentação do cordão de solda. O classificador SVM apresentou um desempenho melhor que os classificadores MLP e ELM em todos os cenários testados. Com a utilização de ensembles de ELMs obteve-se um F-score de 85,7% para o banco de padrões de teste, resultados satisfatórios quando comprados com trabalhos semelhantes. O uso de ensembles de ELMs representa um ganho de apenas 0,5% no F-score em comparação com o melhor resultado de rede treinada individualmente, entretanto, com o uso de faixas de limiares de decisão do ensemble, o uso do método permite mostrar as descontinuidades sobre as quais o ensemble não tem certeza, destacando na imagem estas descontinuidades. A imagem resultate da aplicação do método serve como auxílio ao especialista na elaboração de laudos