管线是最重要的油气运输载体,是现行五大运输工具之一。由于在役管线分布广泛且工作环境复杂,管线母材自身的质量缺陷、敷设焊接过程中存在的焊接缺陷以及管线在服役过程中内在介质腐蚀及外力作用产生的故障缺陷都可能导致事故发生,故对于在役管线故障缺陷的检测有着重要意义。本文以在役管线母材及焊缝处故障缺陷的X射线底片数字化图像为研究对象,针对其含有大量噪声、对比度不高、边缘模糊等的数字化X射线底片图像缺点,首先运用自适应中值滤波对图像进行降噪处理,后利用直方图处理方法提高图像对比度,改善图像视觉质量。接着文章理论分析了多种图像边缘检测方法的原理,并在对比实验的基础上提出采用一种基于形态学梯度的X射线数字图像边缘检测方法对本文处理的对象进行边缘检测,经对比实验证明其能够取得最佳的边缘检测效果。本文在阅读大量文献以及在相关探伤专家的指导下归纳总结出在役管线母材及焊缝故障缺陷的类型及成因,将母材部位故障缺陷分为裂纹、类圆孔、长条孔、不规则腐蚀等4大类,将焊缝部位故障缺陷分为未熔合、气孔、未焊透、裂纹、夹渣等5大类,并且提出以故障缺陷的长宽比、圆形度、填充度、对称度、尖部尖锐度、缺陷与背景灰度比以及缺陷重心相对焊缝中心位置等7个特征参数作为分类识别不同缺陷的依据,其中前5种特征参数作为对于母材类故障缺陷的识别标示,而全部7种作为对于焊缝类故障缺陷的识别标示,并给出各特征参数的定义及其计算方法。课题针对关于故障缺陷分类识别的实现提出运用改进的BP神经网络对获已得特征参数的故障缺陷进行分类识别。其中,网络的隐节点数目、动量系数、误差水平及步长等网络参数采用实验的方式获得最佳值。本文采用Visual C++进行系统功能实现编程,采用SQL Server2005进行数据库的建立。系统及数据库的建立极大的方便了对于在役管线X射线底片图像中故障缺陷的复查及对于故障缺陷特征参数的数据管理,并且为以后通过对数据库中在役管线故障缺陷特征参数的统计对其故障缺陷特点及发生频率的研究做好准备。