Mask R-CNN对工业CT图像缺陷的检测和分割
发布时间：2021-04-11 12:42
由于大量的工件存在着缺陷且绝大多数以工业CT（Computed Tomography）图像的形式呈列,因此,工业CT图像缺陷的检测（识别与定位）及分割是一个重要的研究课题。目前,利用DL（Deep Learning,深度学习）模型实现工件缺陷的检测与分割,已成为了主流。然而,现有的方法存在如下两个问题:（1）检测和分割被视为两个独立的任务,需要利用不同的算法完成;（2）对于边缘模糊、尺寸较小或灰度变化狭窄的缺陷,检测和分割精度低。针对以上问题,本文对Mask R-CNN（Mask Region with Convolutional Neural Networks）进行了研究和改进,并探究了其在工业CT图像缺陷（裂纹、气泡及夹渣）检测与分割中的应用。该网络在目标检测模型的基础上,利用目标分割网络引入了一个分割分支,通过共享卷积特征将目标检测与目标分割视作一个整体,相互结合、相辅相成。研究的主要内容如下:（1）缺陷图片提取。为了便于后续处理,首先对待处理图像执行同态滤波和拉普拉斯算子操作,以达到增强图像的目的。由于深度学习分类模型CNN（Convolutional Neural Netwo...
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
工业CT系统示意图
MaskR-CNN对工业CT图像缺陷的检测和分割-8-态滤波的传递函数，1FFT表示反傅里叶变换，exp表示取指数，l(x,y)是输出图像。2.1.2拉普拉斯锐化图像模糊的本质原因在于受积分或者平均运算的影响，所以可通过逆运算（如，微分算子）操作实现清晰化。拉普拉斯算子为微分算子，通过把原图像与拉普拉斯图像叠加，来保持锐化结果，从而增强图像的边缘轮廓[50]。2.1.3图像预处理后的结果本文预处理的过程有两步：(1)对工业CT图像进行同态滤波处理；(2)对步骤(1)得到的图像执行拉普拉斯锐化操作。图像预处理前、后的结果分别见图2.2和图2.3。(a)裂纹(b)气泡(c)夹渣图2.2原图像(a)裂纹(b)气泡(c)夹渣图2.3预处理后图像2.2图像分类技术图像分类就是基于特征信息把图像划分到预先定义的类中。根据特征获取方式的不同，可将图像分类技术分为传统的方法和深度学习的方法。
MaskR-CNN对工业CT图像缺陷的检测和分割-8-态滤波的传递函数，1FFT表示反傅里叶变换，exp表示取指数，l(x,y)是输出图像。2.1.2拉普拉斯锐化图像模糊的本质原因在于受积分或者平均运算的影响，所以可通过逆运算（如，微分算子）操作实现清晰化。拉普拉斯算子为微分算子，通过把原图像与拉普拉斯图像叠加，来保持锐化结果，从而增强图像的边缘轮廓[50]。2.1.3图像预处理后的结果本文预处理的过程有两步：(1)对工业CT图像进行同态滤波处理；(2)对步骤(1)得到的图像执行拉普拉斯锐化操作。图像预处理前、后的结果分别见图2.2和图2.3。(a)裂纹(b)气泡(c)夹渣图2.2原图像(a)裂纹(b)气泡(c)夹渣图2.3预处理后图像2.2图像分类技术图像分类就是基于特征信息把图像划分到预先定义的类中。根据特征获取方式的不同，可将图像分类技术分为传统的方法和深度学习的方法。
【参考文献】：
期刊论文
[1]基于Faster R-CNN的零件表面缺陷检测算法[J]. 黄凤荣,李杨,郭兰申,钱法,朱雨晨. 计算机辅助设计与图形学学报. 2020(06)
[2]基于改进遗传模糊聚类和水平集的图像分割算法[J]. 韩哲,李灯熬,赵菊敏,柴晶. 计算机工程与设计. 2019(05)
[3]Faster R-CNN定位后的工业CT图像缺陷分割算法研究[J]. 吴晓元,常海涛,苟军年. 电子技术应用. 2019(01)
[4]Faster R-CNN在工业CT图像缺陷检测中的应用[J]. 常海涛,苟军年,李晓梅. 中国图象图形学报. 2018(07)
[5]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[6]基于CNN的工件缺陷检测方法研究[J]. 乔丽,赵尔敦,刘俊杰,程彬. 计算机科学. 2017(S2)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[9]基于工业CT图像的空心涡轮叶片壁厚测量法[J]. 王倩妮,苏宇航,郭广平. 无损检测. 2015(06)
[10]工业CT技术在航空发动机单晶叶片壁厚测量中的应用[J]. 张祥春,张鹭,王俊涛. 无损检测. 2015(02)
博士论文
[1]工业CT三维图像重建与分割算法研究[D]. 邹永宁.重庆大学 2014
硕士论文
[1]基于深度学习的工业缺陷检测方法研究[D]. 韩慧.重庆邮电大学 2019
[2]基于Faster R-CNN的工业CT图像缺陷检测研究[D]. 常海涛.兰州交通大学 2018
[3]基于工业CT图像的工件缺陷智能检测技术研究[D]. 时佳悦.兰州交通大学 2017
[4]基于同态滤波的图像增强算法研究[D]. 程新.西安邮电大学 2016
[5]基于工业CT图像的缺陷定位和三维分割技术研究[D]. 陈培兴.中北大学 2016
[6]基于CNN的工件缺陷检测方法研究及系统设计[D]. 乔丽.华中师范大学 2016
[7]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[8]深度学习及其在工件缺陷自动检测中的应用研究[D]. 颜伟鑫.华南理工大学 2016
[9]工业CT图像高精度尺寸测量方法研究[D]. 王慧倩.重庆大学 2011
本文编号：3131276
【文章来源】：兰州交通大学甘肃省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
工业CT系统示意图
MaskR-CNN对工业CT图像缺陷的检测和分割-8-态滤波的传递函数，1FFT表示反傅里叶变换，exp表示取指数，l(x,y)是输出图像。2.1.2拉普拉斯锐化图像模糊的本质原因在于受积分或者平均运算的影响，所以可通过逆运算（如，微分算子）操作实现清晰化。拉普拉斯算子为微分算子，通过把原图像与拉普拉斯图像叠加，来保持锐化结果，从而增强图像的边缘轮廓[50]。2.1.3图像预处理后的结果本文预处理的过程有两步：(1)对工业CT图像进行同态滤波处理；(2)对步骤(1)得到的图像执行拉普拉斯锐化操作。图像预处理前、后的结果分别见图2.2和图2.3。(a)裂纹(b)气泡(c)夹渣图2.2原图像(a)裂纹(b)气泡(c)夹渣图2.3预处理后图像2.2图像分类技术图像分类就是基于特征信息把图像划分到预先定义的类中。根据特征获取方式的不同，可将图像分类技术分为传统的方法和深度学习的方法。
MaskR-CNN对工业CT图像缺陷的检测和分割-8-态滤波的传递函数，1FFT表示反傅里叶变换，exp表示取指数，l(x,y)是输出图像。2.1.2拉普拉斯锐化图像模糊的本质原因在于受积分或者平均运算的影响，所以可通过逆运算（如，微分算子）操作实现清晰化。拉普拉斯算子为微分算子，通过把原图像与拉普拉斯图像叠加，来保持锐化结果，从而增强图像的边缘轮廓[50]。2.1.3图像预处理后的结果本文预处理的过程有两步：(1)对工业CT图像进行同态滤波处理；(2)对步骤(1)得到的图像执行拉普拉斯锐化操作。图像预处理前、后的结果分别见图2.2和图2.3。(a)裂纹(b)气泡(c)夹渣图2.2原图像(a)裂纹(b)气泡(c)夹渣图2.3预处理后图像2.2图像分类技术图像分类就是基于特征信息把图像划分到预先定义的类中。根据特征获取方式的不同，可将图像分类技术分为传统的方法和深度学习的方法。
【参考文献】：
期刊论文
[1]基于Faster R-CNN的零件表面缺陷检测算法[J]. 黄凤荣,李杨,郭兰申,钱法,朱雨晨. 计算机辅助设计与图形学学报. 2020(06)
[2]基于改进遗传模糊聚类和水平集的图像分割算法[J]. 韩哲,李灯熬,赵菊敏,柴晶. 计算机工程与设计. 2019(05)
[3]Faster R-CNN定位后的工业CT图像缺陷分割算法研究[J]. 吴晓元,常海涛,苟军年. 电子技术应用. 2019(01)
[4]Faster R-CNN在工业CT图像缺陷检测中的应用[J]. 常海涛,苟军年,李晓梅. 中国图象图形学报. 2018(07)
[5]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[6]基于CNN的工件缺陷检测方法研究[J]. 乔丽,赵尔敦,刘俊杰,程彬. 计算机科学. 2017(S2)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[8]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[9]基于工业CT图像的空心涡轮叶片壁厚测量法[J]. 王倩妮,苏宇航,郭广平. 无损检测. 2015(06)
[10]工业CT技术在航空发动机单晶叶片壁厚测量中的应用[J]. 张祥春,张鹭,王俊涛. 无损检测. 2015(02)
博士论文
[1]工业CT三维图像重建与分割算法研究[D]. 邹永宁.重庆大学 2014
硕士论文
[1]基于深度学习的工业缺陷检测方法研究[D]. 韩慧.重庆邮电大学 2019
[2]基于Faster R-CNN的工业CT图像缺陷检测研究[D]. 常海涛.兰州交通大学 2018
[3]基于工业CT图像的工件缺陷智能检测技术研究[D]. 时佳悦.兰州交通大学 2017
[4]基于同态滤波的图像增强算法研究[D]. 程新.西安邮电大学 2016
[5]基于工业CT图像的缺陷定位和三维分割技术研究[D]. 陈培兴.中北大学 2016
[6]基于CNN的工件缺陷检测方法研究及系统设计[D]. 乔丽.华中师范大学 2016
[7]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[8]深度学习及其在工件缺陷自动检测中的应用研究[D]. 颜伟鑫.华南理工大学 2016
[9]工业CT图像高精度尺寸测量方法研究[D]. 王慧倩.重庆大学 2011
本文编号：3131276
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3131276.html
