Das zuverlässige Auffinden von Rißindikationen in Schweißnähten ist eine der wichtigsten Aufgaben in der ZfP. Da das Problem der Rißauffindung sehr komplex ist, die verwendeten Verfahren hierbei an ihre physikalischen Grenzen stoßen und deshalb der menschliche Faktor nach wie vor einen großen Einfluß auf die Nahtbewertung hat, sind die gegenwärtigen Fehlerdetektionsraten stark variierend und verbesserungsbedürftig. Beispielsweise konnte die zuverlässige Unterscheidung zwischen vergleichsweise harmlosen Wurzelkerben und echten Rißanzeigen bislang nicht zufriedenstellend gelöst werden. Zur Neutralisation des menschlichen Faktors in der Nahtauswertung, der z. B. in Form von Ermüdungserscheinungen auftritt, erscheint deshalb ein automatisiertes Auswerteverfahren zur Unterstützung des Prüfers sinnvoll. Das hier angewendete Verfahren besteht aus einer Kombination von digitaler Bildverarbeitung mit neuronalen Netzen.

Nach der Digitalisierung einer Schweißnahtradiographie wird das Bild in quadratische Teilbilder aufgeteilt. Innerhalb der einzelnen Teilbilder werden mit Hilfe des morphologischen Kantenoperators und des 'Derivative of Gaussian'-Operators Merkmale bestimmt, die die Beschreibung des Bildinhaltes eines Teilbildes ermöglichen. Dieser Merkmalssatz wird erweitert, indem charakteristische Merkmale nach einer FFT-Hochpaßfilterung hinzugefügt werden. Abschließend werden Merkmale ermittelt, die aus einer Waveletanalyse der Teilbilder resultieren. Die errechneten Merkmale für ein Teilbild werden in einem Merkmalsvektor zusammengefaßt.

Diese ermittelten Vektoren werden in drei Klassen unterteilt. Neben einer Rißklasse und einer Wurzelkerbenklasse, beinhaltet die dritte Klasse indikationslose Nahtbereiche. Mit Hilfe wahrer Daten, die aus der zerstörenden Prüfung gewonnen wurden, wird ein neuronales Netz darauf trainiert, die verschiedenen Klassen zu unterscheiden. Es zeigt sich, daß ein neuronales Netz eine korrekte Klassifikation aller drei Klassen von über 90% ermöglicht.

Mit Hilfe der Resultate aus der Klassifikation mit neuronalen Netzen erfolgt die Markierung der Fehler in den digitalisierten Schweißnahtradiographien. Dies eröffnet die Möglichkeit, die Leistung der neuronalen Netze mit den Resultaten der personenbezogenen visuellen Auswertung zu vergleichen. Dazu wurden die Schweißnahtradiographien je einmal von verschiedenen Prüfern und einmal von einem neuronalen Netz ausgewertet. Verwendung fanden ein austenitischer und ein ferritischer Datensatz bestehend aus 40 bzw. 99 Einzelfilmen. Die Beurteilung der Leistung der Prüfer bzw. des automatisierten Verfahrens erfolgt mit Hilfe der Receiver Operating Characteristic (ROC). Hier zeigt sich, daß das hier vorgestellte, neue Verfahren in der Lage ist, die visuelle Prüfung zu unterstützen bzw. die Auffindung von Rißindikationen zu verbessern. Ebenfalls möglich ist eine Reduktion der Fehlalarm-Rate.