焊缝表面缺陷是影响焊件质量的重要因素,对焊缝表面进行缺陷检测对于提高焊缝质量具有非常重要的意义。焊缝缺陷识别率的高低直接关系到焊件质量的等级及施工建设的安全性问题。传统的X射线焊缝质量检测主要依靠人工,受其专业素质和评判经验的影响,有检测效率低、操作过程复杂、评定结果不客观等缺点。本文以大庆油田石油储罐为研究对象,基于改进的量子衍生神经网络模型设计缺陷识别的解决方案,有效的降低了人工评定的误差,从而实现焊缝识别的标准化、智能化。主要的研究内容包含以下几个方面:第一,基于量子计算和神经网络融合的基本思想,根据单比特量子旋转门和多比特量子受控Hadamard门的模型和运算关系,构造了量子衍生神经元模型,导出了其输入输出运算关系。第二,研究了影响焊缝缺陷类型的特征量,通过挑选缺陷的有效特征参数,并以量子态形式描述特征参数,可将实值向量描述的样本信息转换为量子态形式化描述,最终作为量子神经网络模型的输入。第三,设计了量子衍生神经网络的拓扑结构,从量子计算基本原理入手导出了学习算法。针对焊缝缺陷识别的实际问题,研究了基于量子衍生神经网络的解决方案。以影响焊缝缺陷类型的特征参数作为输入,以典型焊缝缺陷作为输出,运用高效的量子计算机制捕捉焊缝的缺陷类型与各种影响因素之间高度复杂的非线性映射关系,并依此实现对焊缝缺陷类型的识别。第四,在理论研究成果的基础上,设计并实现了焊缝缺陷识别系统。系统应用实际的情况表明,本文研究的基于量子神经网络的焊缝缺陷识别方法易于操作、执行效率较快,取得了比较理想的识别效果。通过实验表明,本文提出的模型及算法对于焊缝缺陷类型的识别较有帮助,其识别准确率能达到57%左右。