Hasil Pencarian  ::  Simpan CSV :: Kembali

"Telah dikembangkan sistem otomasi pengenalan cacat pada pengelasan metal berbasis ciri tektur sehagai pengekslraksi ciri dan jaringan neural buatan sebagai pengklasifikasinya. Sebuah lilin sinar-X hasil proses radiografi dua buah metal yang disambung dengan teknik pcngelasan menjadi input sistem otomatisasi ini. Film Sinar-X didigitalisasi terlcbih dahulu kemudian diproses dengan menggunakan komputer agar didapalkan informasi jenis cacat dalam pengelasan. Fkslraksi ciri teklur I larralick munjadi basis pengolahan citra film sinar-X agar dapal dikelahui karakter yang dimiliki oleh citra radiograli. Jaringan Neural Buatan Back Propagation digunakan sehagai sistem pengklasifikasi jenis cacat. Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 82.87 % untuk perbandingan data pelalthan dan data pengujian I : 1.

---

An automation system for welding defect recognition in metal weld has been developed. The recognition method base on texture feature as feature extraction and neural network as classifier. The input of automatic systems is an X-ray film developed from radiographic technique. The films were digitalised before processing the defect information using computer. Tor extracting the feature of"X-ray films image was used Harralick texture. Rack Propagation Neural Network is used to classify the output welding defect automatic systems. The best resull is about 82.87% using training testing paradigm 1:1."

"Telab dikembangkan Sistem Pengenalan Cacat pada Pengelasan Melat dengan menggunakan analisis multi resolusi sebagai ekstraksi ciri dan jaringan neural buatan sebagai pengklasiflkasinya. Input citra merupakan film Sinar-X dari teknik radiografi beberapa pengelasan metal yang telah didigitalisasi. Ekstraksi ciri menggunakan wavelet dan 14 ciri Harralick untuk mengenali pola tektur dalam citra. Sedangkan jaringan neural buatan yang digunakan adalah Back Propagation dan Probabilistic Neural Network. Pengklasifikasi pengenalan cacat akan dikelompokan menjadi 8 kelas berdasarkan jenis cacat yaitu : kelas 1 (normal), kelas 2 (distributed porosity), kelas 3 (incomplete penetration), kelas 4 (burn through), kelas 5 (cluster porosity), kelas 6 (excessive cap), kelas 7 (excessive penetration) dan kelas 8 (incomplete fussion). Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 83% untuk perbandingan data pelatihan dan data pengujian 1; 1."