由于油气长输管道用的埋弧焊焊缝内部所存在缺陷直接影响到管道的强度和使用寿命,严重时造成重大生产事故,因此检测焊缝缺陷是保证管道安全运行的重要技术手段。近年来基于X射线的焊缝图像检测成为研究热点,随着机器视觉和人工智能技术的飞速发展,使得计算机自动识别焊缝缺陷有了长足的进步。BP神经网络具有很强的适应性与鲁棒性,在控制应用中更是体现出其无需数学建模只需在线或离线学习训练的优点,能够对焊缝缺陷进行方便快速的识别,因此本文采用BP(Back Propagation)神经网络算法对焊缝缺陷进行建模及识别算法的研究。本文将埋弧焊管的焊缝X射线检测图像作为研究对象,针对可能存在于焊缝区域的裂纹、气孔及缺陷噪声,进行图像预处理、特征描述、分类识别等处理步骤,从而完成X射线焊缝检测图像中缺陷的识别。首先对检测图像进行滤噪、图像增强、大津(Ostu)分割方法及Sobel边缘检测等处理步骤,得到检测图像中焊缝的边界,随后运用Hough变换直线提取的方法获得焊缝边界直线的相关信息。在图像增强处理部分提出一种基于Hopfield神经网络的焊缝图像增强方法,通过构造能量函数将图像增强问题转换为一个优化问题,避免了灰度值归一化过程的同时使增强处理过程不受图像尺寸的限制。接着使用灰度密度聚类的方法分割焊缝区域中的缺陷区域及噪声区域,通过缺陷形状特征的计算得到描述其特征的6种参数,从而建立相应的特征向量,完成焊缝缺陷的特征提取。最后将所得特征向量作为BP神经网络系统输入,对裂纹、气孔及缺陷噪声的分析识别进行研究。通过仿真实验,本文对BP神经网络结构中隐含层及输出层取不同激活函数时的训练效果进行了对比,实验仿真结果表明BP神经网络算法下识别的准确率可达92.457%,能够实现快速准确的焊缝缺陷及噪声的识别。