基于多特征权重向量空间模型的航空复合材料缺陷检测技术研究

发布时间：2017-09-26 16:17

  本文关键词：基于多特征权重向量空间模型的航空复合材料缺陷检测技术研究

  更多相关文章： 双向扩散 量子叠加态 FLICM 几何特征

【摘要】：航空复合材料结构部件因受复合材料、制造工艺和工作环境等因素的影响,会出现不同类型的缺陷,最终导致航空装备失效甚至酿成事故。为了能够及时选择有效的防治策略,延长航空装备的使用寿命、降低事故发生率,必须对航空复合材料构件采用先进的缺陷检测技术进行检测,识别出缺陷类别,进而保证航空构件的质量和安全。因此,近年来缺陷检测技术在航空机体、钢材、木材、纺织、路况等领域的应用越来越广泛。本文主要研究缺陷检测技术中的图像增强、边缘检测、缺陷分类等内容。图像增强方面,运用了偏微分方程中的双向扩散算法,进行降噪和锐化边缘的增强处理。边缘检测方面,采用融入边缘特征的量子叠加态模型检测边缘,确保边缘细节信息的完整性。缺陷分类方面,首先采用模糊聚类分割算法对不同缺陷进行分割,准确分割出缺陷目标,然后根据缺陷的组合几何特征和缺陷类型定义,对缺陷进行分类。本文的创新性点包括如下方面:(1)针对各向异性扩散模型中存在冲击项设置不合理,降噪增强时容易产生斑点、振铃效应等问题,提出基于融合局部边缘特征的双向扩散模型。该模型根据边缘特征选择扩散策略,克服以二阶过零点作为选择扩散策略的不足,实验结果表明该模型能够有效增强图像的对比度。(2)针对传统的边缘检测算法存在噪声敏感、边缘检测准确度低等缺点,提出基于融合边缘正则性的量子力学边缘检测模型。该模型根据边缘切向连续性、法向方向间断性和目标背景差异性构建三量子比特空间,实验结果表明该模型与传统的边缘检测算法相比,能够更加准确地检测出边缘。(3)针对传统的缺陷分类算法存在需要人工设置参数、抗噪能力差、分类正确率低等缺点,提出基于融合FLICM与几何特征的缺陷分类模型。该模型利用FLICM鲁棒性强、分割正确率高和几何特征意义明确且便于组合的优点,对缺陷进行分类,实验结果表明该模型对夹杂、气孔、裂纹等各种缺陷类型均能够达到正确的分类结果。
【关键词】：双向扩散 量子叠加态 FLICM 几何特征
【学位授予单位】：南昌航空大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V250.2
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-15
• 1.1 课题研究的背景和意义8-9
• 1.1.1 航空复合材料结构部件缺陷及其失效危害性8-9
• 1.1.2 本文的课题来源及其研究意义9
• 1.2 计算机视觉缺陷检测技术的发展及应用9-10
• 1.3 缺陷检测技术中图像处理技术的国内外研究现状10-13
• 1.3.1 偏微分扩散方程图像增强国内外研究现状10-11
• 1.3.2 量子力学图像处理国内外研究现状11-12
• 1.3.3 图像特征描述与分类国内外研究现状12-13
• 1.4 本文的论文安排13-15
• 第二章 基于偏微分扩散方程的图像增强算法15-28
• 2.1 热传导方程15-16
• 2.2 各向异性扩散模型16-21
• 2.2.1 PM扩散模型16-18
• 2.2.2 各向异性扩散冲击滤波器模型18-19
• 2.2.3 改进的ADSF滤波器模型19-21
• 2.3 基于融合边缘特征的双向扩散模型21-24
• 2.4 实验仿真结果与分析24-27
• 2.5 本章小结27-28
• 第三章 基于量子力学的边缘检测算法28-44
• 3.1 基于微分算子卷积的边缘检测算法28-31
• 3.2 量子力学基础31-34
• 3.2.1 量子力学的四个基本假设31-33
• 3.2.2 量子力学叠加态定理33
• 3.2.3 QSP(Quantum Signal Processing)框架33-34
• 3.3 基于融合边缘正则性的三量子比特态边缘检测算法34-40
• 3.3.1 PM扩散滤波预处理34-35
• 3.3.2 构建三量子比特态向量空间35-39
• 3.3.3 量子测量39
• 3.3.4 边缘连接39-40
• 3.4 实验结果与分析40-43
• 3.5 本章小结43-44
• 第四章 图像特征描述与分类44-61
• 4.1 FCM模糊聚类算法44-46
• 4.2 图像特征描述46-51
• 4.2.1 几何形状特征47
• 4.2.2 不变矩特征47-49
• 4.2.3 傅里叶变换特征49-51
• 4.3 基于融合FLICM与几何特征的缺陷分类算法51-60
• 4.3.1 FLICM算法51-55
• 4.3.2 缺陷类型定义55-57
• 4.3.3 缺陷提取与分类57-60
• 4.4 本章小结60-61
• 第五章 总结与展望61-63
• 5.1 总结61-62
• 5.2 展望62-63
• 参考文献63-66
• 致谢66

【相似文献】

中国期刊全文数据库 前10条

1 施成;邢宇翔;;用ROC和LROC方法观察三维CT成像识别缺陷的性能[J];中国医学影像技术;2012年02期

2 苟怡,吴荣珍,康戈文;对物体表面缺陷图像监测的技术研究[J];实用测试技术;2001年05期

3 高潮;李新科;郭永彩;何卫华;;桥梁拉索表面缺陷图像的预处理方法[J];中国科技论文在线;2011年04期

4 颜云辉;彭怡书;宋克臣;刘伟嵬;;基于阈值法的带钢表面缺陷图像脉冲噪声去除[J];东北大学学报(自然科学版);2010年05期

5 程万胜;赵杰;宋军;;表面检测中微小缺陷的识别[J];无损检测;2008年04期

6 陈东祥;刘磊;韩鸿志;;汽车车身涂膜缺陷的计算机视觉检测方法[J];天津大学学报;2009年12期

7 赵君爱;贾民平;;工件表面微小缺陷的检测与识别方法[J];东南大学学报(自然科学版);2014年04期

8 周新建;涂宏斌;胡国良;;一种用于轴承缺陷图像的改进FCM聚类检测算法[J];铸造技术;2006年12期

9 宋克臣;颜云辉;彭怡书;董德威;;引入局部信息的带钢缺陷图像凸优化活动轮廓分割模型[J];机械工程学报;2012年20期

10 刘金辉;刘颖;郗安民;;一种热轧中厚板表面缺陷图像的特征提取方法[J];机电产品开发与创新;2006年02期

中国重要会议论文全文数据库 前1条

1 赵宏宇;赵红颖;王楠;;缸孔表面缺陷图像的分段检测[A];中国图象图形科学技术新进展——第九届全国图象图形科技大会论文集[C];1998年

中国博士学位论文全文数据库 前3条

1 石端虎;复杂结构精密焊件中缺陷分割及空间定位的研究[D];哈尔滨工业大学;2007年

2 王阿川;基于变分PDE的单板缺陷图像检测及修补关键技术研究[D];东北林业大学;2011年

3 栗琳;基于视觉的高反射球面缺陷快速检测关键技术研究[D];天津大学;2013年

中国硕士学位论文全文数据库 前10条

1 冶平;半固态压叶轮的缺陷判断与图像识别[D];北京有色金属研究总院;2015年

2 黄德龙;疏松缺陷图像的自动生成算法研究[D];华南理工大学;2015年

3 肖兆骞;圆柱体构件超声检测缺陷类型识别及重构技术研究[D];中北大学;2016年

4 黄发亮;基于多特征权重向量空间模型的航空复合材料缺陷检测技术研究[D];南昌航空大学;2016年

5 李琛伟;基于解译过程的铸造缺陷骨架生成技术[D];华南理工大学;2016年

6 魏丽君;基于图像处理技术的玻璃缺陷图像预处理系统研究[D];郑州大学;2009年

7 李佩;缺陷图像测试技术及应用研究[D];广东工业大学;2012年

8 陈宇;一种新的光罩雾状缺陷的检测方法研究[D];电子科技大学;2014年

9 宋克臣;带钢表面缺陷图像中目标区域的分割研究[D];东北大学;2011年

10 林琳;基于光波反射率的石英管反光抑制及气泡缺陷图像面积测量研究[D];河北工业大学;2013年

，

本文编号：924509