基于AI的X射线焊缝图像缺陷检测系统研究

发布时间：2021-04-29 04:54

　　近年来,人工智能技术飞速发展推动了各行各业的智能化进程。特别是在无损检测领域,计算机自动识别技术以其高效化、标准化和智能化的优势已经逐渐取代了传统人工评片的检测方式。对于基于X射线焊缝图像的缺陷检测来说,传统人工评片的方法效率低下,缺陷检测标准不一,易受工作人员主观影响。因此为了提高检测的准确率和工作效率,研究基于图像处理技术和计算机视觉的缺陷自动检测技术具有重要意义和应用价值。本文以螺旋埋弧焊和环焊缝的X射线焊缝图像为研究对象,对焊缝缺陷检测与识别算法进行研究,主要包括:焊缝图像预处理、焊缝缺陷分割和缺陷识别3个方面,并且根据实际需要设计开发了一套X射线焊缝缺陷检测系统。具体内容概括如下:（1）在图像预处理过程,针对X射线图像中噪声多、对比度低、图像质量差等问题,通过分析图像中的噪声模型和缺陷特征,采用均值滤波方法滤除噪声,使用sin函数增强算法提高焊缝和背景区域的对比度;（2）在图像分割过程,采用大津法结合Sobel算子边缘检测和Hough变换的分割方法,实现ROI区域的准确提取。分割SDR时,引入了灰度密度的概念,提高了聚类分割缺陷时的准确率,取得了较好的分割效果;（3）在缺陷识... 

【文章来源】：西安石油大学陕西省

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于图像处理的缺陷识别
        1.2.2 基于深度学习的缺陷识别
    1.3 主要研究内容
    1.4 本文结构安排
    1.5 本章小结
第二章 X射线焊缝图像分析
    2.1 X射线检测原理
    2.2 常见焊缝缺陷的分类和分级
        2.2.1 焊缝缺陷的分类
        2.2.2 焊缝缺陷的分级
    2.3 焊缝图像采集
    2.4 X射线焊缝图像分析
        2.4.1 缺陷特征分析
        2.4.2 图像噪声分析
    2.5 本章小结
第三章 X射线焊缝图像处理
    3.1 图像滤波
    3.2 sin函数增强
    3.3 ROI区域分割
        3.3.1 大津法分割
        3.3.2 边缘检测
        3.3.3 Hough变换边缘提取
    3.4 疑似缺陷区域提取
    3.5 本章小结
第四章 基于卷积神经网络的缺陷识别算法
    4.1 卷积神经网络原理
    4.2 卷积神经网络模型构建
        4.2.1 卷积神经网络模板选择
        4.2.2 卷积神经网络结构设计
        4.2.3 卷积神经网络算法选择
    4.3 卷积神经网络模型训练与预测
        4.3.1 卷积神经网络的训练
        4.3.2 卷积神经网络的测试
    4.4 基于卷积神经网络的缺陷识别结果
    4.5 本章小结
第五章 X射线焊缝缺陷检测系统实现
    5.1 系统需求分析
    5.2 系统总体设计
        5.2.1 系统架构设计
        5.2.2 功能模块设计
    5.3 服务器侧实现
    5.4 移动客户端实现
    5.5 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献
攻读硕士学位期间参加科研情况及获得的学术成果



本文编号：3166879