Wykorzystanie technik bazujących na teorii zbiorów przybliżonych w procesie detekcji i klasyfikacji niezgodności spawalniczych

Main Article Content

Leszek Misztal

Abstract

Przetwarzanie znaczących ilości informacji pochodzących z obrazów radiograficznych oraz automatyczne wykrywanie wad połączeń spawalniczych z dużą dokładnością jest możliwe dzięki zastosowaniu rozwiązań opartych na teorii zbiorów przybliżonych oraz zastosowaniu jej w systemach komputerowych, które umożliwiają szybkie przetwarzanie znaczących ilości danych. Wspomniana metoda ma solidne podstawy matematyczne, których zastosowanie umożliwia określenie istotności atrybutów mających znaczenie dla identyfikacji niedoskonałości, natomiast ostateczna ocena reguł tworzy bazę wiedzy umożliwiająca komputerowe wskazywanie określonej klasy wady spoiny. Opisana technika umożliwiła klasyfikację wad w bardzo wysoką dokładnością dla rzeczywistych danych pochodzących ze zdjęć rentgenowskich połączeń spawalniczych. 

The use of rough sets theory in process of detection and classification of welding imperfections 

abstract

Processing of large amount of information deriving from radiographic images and automatically detecting of welding joints imperfections with high accuracy is possible by applying solutions based on rough sets theory and usage of this theory on computer systems that are capable to make fast calculations on huge number of information. The theory posses solid and confirmed mathematical foundation that allows applying it for calculation of attribute importance that have huge significance for identification of weld imperfections, whereas final extracting rules creates knowledge base that gives possibility for computer aided pointing specific class of weld imperfection. Technique that is descried in the paper was capable of classification of weld defects with very high accuracy for real data originating from radiographic images of weld joints. 



Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
L. Misztal, “Wykorzystanie technik bazujących na teorii zbiorów przybliżonych w procesie detekcji i klasyfikacji niezgodności spawalniczych”, Weld. Tech. Rev., vol. 85, no. 12, Dec. 2013.
Section
Original Articles

References

Inuiguchi M., Generalizations of Rough Sets and Rule Extraction, Springer, 2005.

Bazan J., Synak P., Wrobleski J., Rough Set Algorithms in Classification Problem, Springer, 2000.

Pawlak Z., Rough Sets Theoretical Aspects of Reasoning about Data, Kluwer Academic Publishers, 1991.

Olson D., Delen D., Advanced Data Mining Techniques, Springer, 2008.

Duntsch I., Gediga G., Rough set data analysis, Methodos Publisher, 2000.

Pawlak Z.: Some issues on rough sets, Springer Science, 2005

S. Bandyopadhyay, U.Maulik, L.B.Holder, D.J.Cook Advanced Methods for Knowledge Discovery from Complex Data, Springer, 2005.

Han J., Kamber M.: Data mining concepts and techniques, Morgan Kaufman, 2006.

Michie D., Spiegelhalter D.J., Taylor C.C.: Machine Learning, neural and Statistical Classification, Ellis Horwood, new York, 1994.