Automatic Detection of Casting Defects Based on Convolutiona

发布时间：2021-03-09 21:53

　　铸造产品被广泛运用于众多工业领域,使用率很高。铸件质量问题直接关系到整个设备的正常平稳运行和使用者的切身利益。若铸件质量出现问题,会带来无法估量的损失,甚至是灾难性后果。因此,要严格把控铸件产品的质量,保证百分百的合格率。由于铸造工艺过程很复杂,在生产过程中经常会发生各种不同的铸造缺陷,例如裂痕、表面夹砂、气孔等,因此铸造产品在出厂前必须严格检查质量以符合国家标准,在使用过程中也需要定期进行质量检查。在铸件质量检测领域,无损检测凭借其优越的检测性能被广泛应用。无损检测技术不损害和影响被检测对象性能,不伤害被检测对象内部组织的前提下,对工件的内部及表面的结构、性质及缺陷类型进行检测。X射线检测技术是最早发展且应用最为广泛的无损检测技术,通过X射线图像能够直观地从中检测出焊缝中潜在的夹杂、孔隙、裂纹、薄壁等缺陷,从而对铸件质量进行控制和管理。本文关注的重点是基于X射线的铸件无损检测,研究并实现了铸件缺陷的自动检测。由于缺陷判别的复杂多变以及应用条件的复杂性,在实际生产过程中找到一套通用的手段和方法进行自动判别缺陷是很困难的,并且长期以来铸件缺陷的判断依赖于人工操作,导致检测系统效率低、检测... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
Acknowledgements
abstract
1 Introduction
    1.1 Research background and purpose
    1.2 Research status of X-ray inspection
    1.3 Research Status of Deep Learning in Image Recognition Direction
    1.4 Main work of this thesis
    1.5 Chapter arrangement
2 Principles
    2.1 Research background and purpose
        2.1.1 The basic principle of X-ray inspection of castings
        2.1.2 X-ray digital imaging and image acquisition
        2.1.3 X-ray imaging system hardware components
    2.2 Convolutional neural network
        2.2.1 Overview of Convolutional Neural Networks
        2.2.2 Basic structural composition of convolutional neural networks
        2.2.3 Classical structure of convolutional neural networks
    2.3 Overall design of the research program
    2.4 Chapter summary
3 Implementation of Casting Defect Recognition System on TensorFlow
    3.1 Create a database
    3.2 System environment construction
        3.2.1 Native configuration
        3.2.2 TensorFlow Introduction
    3.3 Network training and analysis
        3.3.1 Training process
        3.3.2 Model evaluation
        3.3.3 Feature visualization
    3.4 Chapter summary
4 Network improvement and implementation based on real-time
    4.1 Model comparison experiment
    4.2 Change convolution kernel
    4.3 Reduce the number of network layers
    4.4 Chapter summary
5 Summary and outlook
    5.1 Summary
    5.2 Outlook
References
Appendix A 中文摘要


【参考文献】：
期刊论文
[1]基于卷积神经网络的焊接缺陷识别技术及应用[J]. 杨志超,周强,胡侃,赵云.  武汉理工大学学报(信息与管理工程版). 2019(01)
[2]基于纹理特征的焊缝图像缺陷识别方法[J]. 孙士保,尹立航,闫晓龙,贾博文,章冲.  计算机应用与软件. 2018(05)
[3]基于深度学习方法的复杂场景下车辆目标检测[J]. 宋焕生,张向清,郑宝峰,严腾.  计算机应用研究. 2018(04)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[5]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛.  模式识别与人工智能. 2014(06)
[6]X射线数字透射成像图像质量影响因素分析[J]. 张祥春,蔡良续,张鹭.  无损检测. 2011(09)
[7]基于X射线图像序列的焊缝缺陷自动检测方法[J]. 田原,都东,侯润石,高志凌,申立群.  清华大学学报(自然科学版). 2007(08)



本文编号：3073537