基于机器视觉的管道内表面缺陷检测技术
发布时间：2021-11-18 14:00
随着城市化建设速度的加快,城市地面上的土地资源较为紧张。基于此中央和各地政府都高度重视一体化地下管道走廊建设。然而随着时间的推移,各地的地下管道会出现各种各样的表面缺陷,管道表面缺陷会破坏管道的基本功能从而给国家和个人带来巨大的经济损失,因此对这些缺陷的检测是极为有必要的。本课题的具体研究内容如下:1.设计和完成了基于树莓派的智能小车,该小车能完成在管道内智能驾驶和拍照的作业,同时为实现人机交互,编写了上位机界面能通过上位机来远程遥控小车进行作业。2.由于管道表面缺陷图像训练集数据较少的原因,采用了 GAN和DCGAN网络生成少量新的管道表面缺陷图像来拓宽训练数据集,通过实验对比采用了中值滤波消除图像噪音。3.在对第一类管道（检测精度要求高）表面缺陷检测中改进了 fast-rcnn算法,通过对底层网络的选取对比,选用了改进后的Googlenet网络作为该算法的底层网络,为了增强对细小缺陷的检测精度用ROIAglin代替ROIPooling,最后在实验对比中对算法中的超参数进行了调整,提高了缺陷检测的识别率。4.在对第二类管道（检测精度要求低）表面缺陷检测中为了加快检测速度采用了改进后的...
【文章来源】：华东理工大学上海市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．１超声波检测原理图??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??
??探头价格相对比较低廉；同时超声波检测并不会破坏管道原有结构与特征，属于无损检??测。但是超声波检测的缺点也是显而易见的，超声波检测可靠性低，声波容易被外界干??扰，此外超声波检测时无法对管道内表面的缺陷进行可视化操作从而无法直观地显示缺??陷。当管道内表面缺陷种类比较多或者缺陷比较小时，判断较为困难。常常需要经验丰??富的检测员才能依据超声波检测来判断缺陷的种类与类型［１４］。??脉沖??一??ｐ?１??１??＇￣￣?■?Ｘ??‘ｒ?Ｉ，：．．??图１．１超声波检测原理图??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??涡流检测法的基本理论是电磁感应原理［１５］，通过测量被检测的金属物体表面的涡流??变化从而发现被检测金属物体表面缺陷。涡流检测法的原理图如图１．２所示，当带有交??变电流的Ｌ１线圈靠近导体Ｌ２时，导体Ｌ２由于受到Ｌ１上交变电流生成的交变磁场的影??响会产生感应电流即涡流，生成的涡流又会产生新的交变磁场从而影响Ｌ１上的电流，??通过对Ｌ１上的电压和阻抗的测量可以得到Ｌ２的状态。涡流检测法与其他四种检测的方??法相比有以下的优点：操作方便，无污染性，具有非接触性等优点。但是涡流检测法的??缺点也很明显，即只能用于金属管道表面的检测，无法检测非金属管道。另外涡流检测??法的可视化程度低。??涡流检测法根据不同形状的探测线圈可以分为三类，第一类为穿过式（用于线性金??属材料的检测），第二类为探头式（常用来检测金属物体的表面），最后一类为插入式（用??于金属管里面的检测）［１６］。??ｕ?ｌ２??Ｐ?ｓ?▼??图１．２涡流检测法??Ｆｉｇｌ．２
图１．３磁漏检测法??Ｆｉｇｌ．３?Ｍａｇｎｅｔｉｃ?ｌｅａｋａｇｅ?ｄｅｔｅｃｔｉｏｎ?ｍｅｔｈｏｄ??
【参考文献】：
期刊论文
[1]基于改进循环生成式对抗网络的图像风格迁移[J]. 张惊雷,厚雅伟. 电子与信息学报. 2020(05)
[2]基于GaN HEMT的X波段连续波内匹配功率管设计[J]. 马跃,王建朋. 微波学报. 2020(03)
[3]注意力机制和Faster RCNN相结合的绝缘子识别[J]. 赵文清,程幸福,赵振兵,翟永杰. 智能系统学报. 2020(01)
[4]噪声稳健性的卡方生成对抗网络[J]. 李洪均,李超波,张士兵. 通信学报. 2020(03)
[5]基于Faster-RCNN的站台端部人员入侵检测研究[J]. 杨栋,黄文政,张秋亮,李依诺,张亚伟. 铁路计算机应用. 2020(02)
[6]基于Faster RCNN变电设备红外图像缺陷识别方法[J]. 李文璞,谢可,廖逍,李小宁,王皓. 南方电网技术. 2019(12)
[7]基于改进Faster RCNN的安全帽检测及身份识别[J]. 吴冬梅,王慧,李佳. 信息技术与信息化. 2020(01)
[8]基于DCGAN数据增强的水产动物分类方法[J]. 王德兴,秦恩倩,袁红春. 渔业现代化. 2019(06)
[9]基于深度卷积神经网络的木材表面缺陷检测系统设计[J]. 项宇杰,陈月芬,卢卫国,潘佳浩. 系统仿真技术. 2019(04)
[10]基于DCGAN的风速场景建模方法优越性研究[J]. 陈晓榕,江岳文. 电器与能效管理技术. 2019(21)
博士论文
[1]可视化涡流检测中的数据处理方法研究[D]. 朱佩佩.电子科技大学 2019
[2]基于电磁声表面波的厚壁管道表面裂纹定量检测方法研究[D]. 邓鹏.北京工业大学 2018
[3]手机玻璃屏表面缺陷机器视觉检测与分类方法研究[D]. 简川霞.广东工业大学 2017
[4]基于BP和RBF神经网络的木材缺陷检测研究[D]. 牟洪波.东北林业大学 2010
[5]管道漏磁内检测关键技术问题研究[D]. 刘刚.沈阳工业大学 2010
硕士论文
[1]基于激光超声的管道裂纹定量表征及三维成像方法研究[D]. 张海超.北京石油化工学院 2019
[2]基于机器视觉的管道内表面缺陷检测方法研究[D]. 李康.内蒙古科技大学 2019
[3]基于全卷积网络的手机液晶面板缺陷检测算法研究[D]. 刘恒.重庆邮电大学 2019
[4]基于深度学习与机器视觉融合的夹片缺陷检测系统研究[D]. 唐滔.桂林电子科技大学 2019
[5]带包覆层地面钢质管道损伤谐振磁场检测技术研究[D]. 党伟.北京工业大学 2019
[6]基于Haar-like特征快速提取的管道表面破损视频检测研究与实现[D]. 费云鹏.重庆邮电大学 2019
[7]基于深度学习的手机玻璃缺陷分类检测[D]. 鲁越.郑州大学 2019
[8]利用超声漏兰姆波进行筛管后成像及管道缺陷检测的数值研究[D]. 宫心月.吉林大学 2019
[9]基于卷积神经网络的压缩机缺陷检测方法的研究[D]. 樊旭然.广州大学 2019
[10]金属管道腐蚀缺陷微波无损检测与成像识别方法研究[D]. 王聪.电子科技大学 2019
本文编号：3503029
【文章来源】：华东理工大学上海市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图１．１超声波检测原理图??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??
??探头价格相对比较低廉；同时超声波检测并不会破坏管道原有结构与特征，属于无损检??测。但是超声波检测的缺点也是显而易见的，超声波检测可靠性低，声波容易被外界干??扰，此外超声波检测时无法对管道内表面的缺陷进行可视化操作从而无法直观地显示缺??陷。当管道内表面缺陷种类比较多或者缺陷比较小时，判断较为困难。常常需要经验丰??富的检测员才能依据超声波检测来判断缺陷的种类与类型［１４］。??脉沖??一??ｐ?１??１??＇￣￣?■?Ｘ??‘ｒ?Ｉ，：．．??图１．１超声波检测原理图??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??涡流检测法的基本理论是电磁感应原理［１５］，通过测量被检测的金属物体表面的涡流??变化从而发现被检测金属物体表面缺陷。涡流检测法的原理图如图１．２所示，当带有交??变电流的Ｌ１线圈靠近导体Ｌ２时，导体Ｌ２由于受到Ｌ１上交变电流生成的交变磁场的影??响会产生感应电流即涡流，生成的涡流又会产生新的交变磁场从而影响Ｌ１上的电流，??通过对Ｌ１上的电压和阻抗的测量可以得到Ｌ２的状态。涡流检测法与其他四种检测的方??法相比有以下的优点：操作方便，无污染性，具有非接触性等优点。但是涡流检测法的??缺点也很明显，即只能用于金属管道表面的检测，无法检测非金属管道。另外涡流检测??法的可视化程度低。??涡流检测法根据不同形状的探测线圈可以分为三类，第一类为穿过式（用于线性金??属材料的检测），第二类为探头式（常用来检测金属物体的表面），最后一类为插入式（用??于金属管里面的检测）［１６］。??ｕ?ｌ２??Ｐ?ｓ?▼??图１．２涡流检测法??Ｆｉｇｌ．２
图１．３磁漏检测法??Ｆｉｇｌ．３?Ｍａｇｎｅｔｉｃ?ｌｅａｋａｇｅ?ｄｅｔｅｃｔｉｏｎ?ｍｅｔｈｏｄ??
【参考文献】：
期刊论文
[1]基于改进循环生成式对抗网络的图像风格迁移[J]. 张惊雷,厚雅伟. 电子与信息学报. 2020(05)
[2]基于GaN HEMT的X波段连续波内匹配功率管设计[J]. 马跃,王建朋. 微波学报. 2020(03)
[3]注意力机制和Faster RCNN相结合的绝缘子识别[J]. 赵文清,程幸福,赵振兵,翟永杰. 智能系统学报. 2020(01)
[4]噪声稳健性的卡方生成对抗网络[J]. 李洪均,李超波,张士兵. 通信学报. 2020(03)
[5]基于Faster-RCNN的站台端部人员入侵检测研究[J]. 杨栋,黄文政,张秋亮,李依诺,张亚伟. 铁路计算机应用. 2020(02)
[6]基于Faster RCNN变电设备红外图像缺陷识别方法[J]. 李文璞,谢可,廖逍,李小宁,王皓. 南方电网技术. 2019(12)
[7]基于改进Faster RCNN的安全帽检测及身份识别[J]. 吴冬梅,王慧,李佳. 信息技术与信息化. 2020(01)
[8]基于DCGAN数据增强的水产动物分类方法[J]. 王德兴,秦恩倩,袁红春. 渔业现代化. 2019(06)
[9]基于深度卷积神经网络的木材表面缺陷检测系统设计[J]. 项宇杰,陈月芬,卢卫国,潘佳浩. 系统仿真技术. 2019(04)
[10]基于DCGAN的风速场景建模方法优越性研究[J]. 陈晓榕,江岳文. 电器与能效管理技术. 2019(21)
博士论文
[1]可视化涡流检测中的数据处理方法研究[D]. 朱佩佩.电子科技大学 2019
[2]基于电磁声表面波的厚壁管道表面裂纹定量检测方法研究[D]. 邓鹏.北京工业大学 2018
[3]手机玻璃屏表面缺陷机器视觉检测与分类方法研究[D]. 简川霞.广东工业大学 2017
[4]基于BP和RBF神经网络的木材缺陷检测研究[D]. 牟洪波.东北林业大学 2010
[5]管道漏磁内检测关键技术问题研究[D]. 刘刚.沈阳工业大学 2010
硕士论文
[1]基于激光超声的管道裂纹定量表征及三维成像方法研究[D]. 张海超.北京石油化工学院 2019
[2]基于机器视觉的管道内表面缺陷检测方法研究[D]. 李康.内蒙古科技大学 2019
[3]基于全卷积网络的手机液晶面板缺陷检测算法研究[D]. 刘恒.重庆邮电大学 2019
[4]基于深度学习与机器视觉融合的夹片缺陷检测系统研究[D]. 唐滔.桂林电子科技大学 2019
[5]带包覆层地面钢质管道损伤谐振磁场检测技术研究[D]. 党伟.北京工业大学 2019
[6]基于Haar-like特征快速提取的管道表面破损视频检测研究与实现[D]. 费云鹏.重庆邮电大学 2019
[7]基于深度学习的手机玻璃缺陷分类检测[D]. 鲁越.郑州大学 2019
[8]利用超声漏兰姆波进行筛管后成像及管道缺陷检测的数值研究[D]. 宫心月.吉林大学 2019
[9]基于卷积神经网络的压缩机缺陷检测方法的研究[D]. 樊旭然.广州大学 2019
[10]金属管道腐蚀缺陷微波无损检测与成像识别方法研究[D]. 王聪.电子科技大学 2019
本文编号：3503029
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3503029.html
