钢铁工业的发展与国民经济的发展息息相关,二者的关系是一荣俱荣,一损俱损,安全生产已经成为钢铁工业发展的重点,因此钢铁工件的质量好坏对整个钢铁工业的发展起着重大的作用,钢铁工件使用的安全性、可靠性和使用寿命受到整个领域的重视。所以钢铁工件在被使用之前如果能够确定是否有缺陷,对安全生产具有重大的意义。随着计算机的发展很多检测仪器已经被研制出来并投入市场,取得了一定的效果,然而,在电磁无损检测领域中仍然有一些钢铁材料的裂纹检测存在效率低、误检率高的问题,造成这些问题的原因很多,其主要原因就是算法不够理想和仪器处理器芯片处理性能不够,所以为了提高裂纹检测的精度和速度,可以从这两个方面入手对现有仪器进行升级或重新设计。本文利用SOM神经网络技术、电磁无损检测技术和FPGA技术,对现有WGF-Ⅲ型钢铁材质自动分选仪的裂纹检测算法进行改进,WGF-Ⅲ选用了Altera公司的Cyclone Ⅲ型FPGA,配合32位的高性能处理器Nios Ⅱ和先进的SOPC解决方案,WGF-Ⅲ当前采用的裂纹检测算法是BP神经网络算法,BP神经网络有收敛速度慢、容易陷入局部极小点等缺点,虽然当前算法取得了一定的效果,但仍有一定的误检率,所以本文采用改进的SOM神经网络算法代替,实现了更好的检测效果。初始幅值磁导率法是WGF-Ⅲ提取钢铁工件特征信号的主要手段,信号的处理过程分两步完成,首先将特征信号提取,然后对提取的信号做去噪处理,这样才能得到能够反应性能指标的有用信号。建立好SOM神经网络,利用样本(包括有裂纹的和无裂纹的工件)对网络进行训练,对于被测工件,提取其特征信号后输入到训练好的SOM神经网络中,它会根据判断规则自动得到正确的结果。通过测试验证,在WGF-Ⅲ中应用改进的SOM神经网络算法达到了非常好的检测效果,实现了对钢铁材质裂纹的准确识别,有较高的效率,较原来检测算法有很大的优势,在裂纹检测中具有较高的推广价值。