基于X射线的铸件缺陷检测的深度学习方法研究及实现

发布时间：2020-07-02 14:50

【摘要】：精密铸件在工业生产具有很高的使用率,其质量问题直接影响到工业设备的安全性能,存在缺陷的铸件甚至会产生灾难性后果,所以对于铸件质量检测是铸件生产过程中的重中之重。目前对于精密铸件的缺陷检测大部分仍然依赖于人工操作,识别率受到个人经验的影响,检测效率较低,而且长时间工作产生的视觉疲劳依然对检测结果具有较大的影响。近几年深度学习成为各界的研究热点,其中在图像的识别研究领域中,卷积神经网络表现最为突出。本文针对铸件厂的检测要求提出一种基于深度学习的铸件缺陷的智能检测方法,针对该方法主要做了以下几个方面的工作:(1)利用已有的X射线检测平台,采集含有缺陷的和正常的两类铸件图像作为分类目标。通过旋转、裁剪、增强对比度等一系列的操作,扩充两类样本的数量,建立铸件检测的样本数据库。(2)针对基于深度学习的铸件检测的方法,完成其软件环境的配置。在装有GPU的服务器上搭建caffe深度学习框架,并完成适用于铸件检测的卷积神经网络的搭建。(3)针对本文铸件的射线图像数据库,对卷积神经网络进行训练,并通过参数调整得到较好的实验结果。(4)针对工业应用中的时间成本问题,本文研究了卷积核的尺寸以及网络结构的复杂程度对于模型性能与时间成本的影响,提出caffenet的改进形式并进行实验,实验证明,改进的网络提高了识别准确率,减少了训练时间。(5)配置深度学习嵌入式开发板—Jetson TX1的深度学习的软件环境,将训练好模型移植到Jetson TX1中,并在Jetson TX1上进行测试实验,测试结果较为理想,验证开发板进行缺陷识别的可行性。对模型移植后的Jetson TX1开发板进行测试实验,对于铸件射线图像的识别的综合正确率为97%,其中对有缺陷的铸件识别正确率为100%,不存在漏检现象,对没有缺陷的铸件识别正确率为95.5%。
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TP183;TG245
【图文】：

线图,基本流程,X射线检测

后进行灰度变换的处理，并通过设置阈值来分割有可能出现缺陷的区域；最后将得缺陷区域作为训练样本，并根据所学习的特征设定各种缺陷识别准则，然后建数据库，将其输入到 ANFIS 进行训练学习。在国内，针对 X 射线检测的研究相对较晚，但通过国内学者对国外成果的进究，也使得中国的 X 射线检测技术有了质的飞跃，比如丹东市无损检测设备有限主研发的缺陷检测算法已经达到国际先进水平。林克正[19]等人提出了一种算法能何特征进行快速提取，该算法没有将待检图像进行二值化处理，而是对灰度图像进行直接提取。薛雪[20]等人通过区域生长的方法对焊缝的特征进行提取，这是一对图像中所有联通区域进行搜索并定位的算法，能够实现对缺陷的各个特征量进取。文献[21]先利用其提出的一种在度乘积算法基础上改进算法对射线图像进行然后通过深度学习对缺陷进行分类。该方法能够很好的实现焊缝缺陷的识别与分结合当前X射线检测技术的众多研究，可以大体概括出X射线检测的基本流程1.1所示。

射线,从物,铸件

第二章基于深度学习的铸件 X 射线自动检测系统第二章基于深度学习的铸件 X 射线检测系统学习的铸件 X 射线检测系统，主要包括两个部分，分别是 X 射线成像系统，以及能够实现缺陷自动识别的深度学习采集深度学习模型训练所需的铸件的样本图片。像系统测的基本原理有波粒二象性，其传播过程可以看作是一定能量和动量的光长的差异性，对于被检测的穿透性也存在差异，并由此分为于 0 .3nm的为硬 X 射线，所含能量低，穿透能力差，检测目大于 0 .3nm的为软 X 射线，射线所含能量较高，能够对金属属内部结构进行检测。X 射线穿透检测物后射线的运动情况

【参考文献】