تفسیر خودکار تصاویر رادیوگرافی جوش سبب افزایش دقت تفسیر و کاهش هزینه ها می شود. یک نوع عیب ممکن است با اشکال مختلفی ظاهر شود، بنابراین ضروری است ویژگیهایی از هر نوع عیب استخراج شود که کمترین وابستگی را به تفاوت های جزیی اشکال آن داشته و نیز متمایز کننده خوبی با سایر انواع عیوب باشد. در این مقاله 9 ویژگی برای طبقه بندی 6 نوع عیب جوش بکار رفته است یک سیستم ga-fuzzy ارائه شده است که با استفاده از 5 ویژگی از این 9 ویژگی، طبقه بندی را انجام داده است. سپس شبکه عصبی به عنوان یک سیستم استاندارد برای مقایسه بکار رفته است مانند تمام مقالات منتشر شده در این زمینه، الگوریتم BP برای اموزش شبکه عصبی به کار رفته است به منظور آزمون آماری، هر سیستم 40 بار با توزیع های متفاوت داده ها آموزش دیده و با توزیع دیگری تست شد. نهایتا در مقایسه اماری نتایج دو سیستم، نشان داده شده است که سیستم GA- FUZZY با میانگین خطای 91% درصد بهتر از شبکه عصبی با میانگین خطای 6/1 درصد عمل کرده است. در این مقاله با توجه به در دسترس نبودن تصاویر واقعی از ویژگی های شبیه سازی شده استفاده شده است.

کلمات کلیدی