基于深度学习的焊缝X射线图像缺陷识别方法研究

发布时间：2023-05-20 12:40

　　在焊接生产过程中,受各种焊接参数及外部环境的影响,在焊缝中容易形成不同程度和数量的焊接缺陷,而基于人工X射线图像缺陷检测识别方法在效率和准确率方面均有待提高。本文基于管材焊缝的X射线图像,对焊缝缺陷的自动检测和识别方法进行研究,旨在利用深度学习方法实现更优识别指标的焊缝缺陷识别,从而提高焊缝缺陷识别准确率并使其更加高效、规范与智能化。在缺陷检测过程中,针对管焊缝X射线图像,对其使用中值滤波技术去除噪声、使用图像增强技术增加焊缝中不同区域的对比度以提高后续图像处理中不同对比度对焊缝缺陷检测的影响,利用最大类间方差法分割出焊缝区域,采用Sobel边缘检测技术对焊缝缺陷边缘进行检测。针对对于缺陷特征工程中的图像面积测算问题,采用链码追踪和像素统计方法有效的解决了圆形缺陷的面积测算,并利用十字坐标定位方法对其进行定位。对气孔、裂纹、未融合、未焊透缺陷和无缺陷正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建样本图像数据集。在缺陷识别过程中,采用深度学习技术对焊缝图像缺陷进行识别。首先分析了常规卷积神经网络模型中存在的一些问题,并在模型中采用了改进的激活函数及综合考虑...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景与意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 拟采取的研究方法与技术路线
    1.5 本文主要创新点
第2章 焊缝图像处理与缺陷定位
    2.1 焊缝图像缺陷分类和分级
    2.2 X射线图像去噪与增强
        2.2.1 图像去噪
        2.2.2 图像增强
    2.3 图像分割与边缘检测
        2.3.1 图像分割
        2.3.2 边缘检测
    2.4 X射线焊缝图像缺陷面积测算与定位
    2.5 X射线焊缝图像预处理
    2.6 本章小结
第3章 基于深度学习的焊缝缺陷识别方法
    3.1 卷积神经网络简介
    3.2 卷积神经网络
        3.2.1 卷积神经网络结构
        3.2.2 卷积神经网络特性分析
    3.3 基于改进卷积神经网络的焊缝X射线图像识别方法
        3.3.1 常规模型中存在的问题与改进方法
        3.3.2 改进卷积神经网络模型的构建
        3.3.3 各模型的训练与对比分析
    3.4 改进模型测试分析
    3.5 本章小结
第4章 迁移学习在焊缝缺陷识别中的应用
    4.1 迁移学习
    4.2 基于卷积神经网络的迁移学习流程
    4.3 域间异构迁移学习
        4.3.1 域间异构迁移网络模型
        4.3.2 源域与目标域数据集介绍
        4.3.3 迁移学习训练算法及模型参数设置
    4.4 实验结果及分析
    4.5 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
致谢
附录 A 攻读学位期间所发表的学术论文目录



本文编号：3821132