隨著城市化建設(shè)速度的加快,城市地面上的土地資源較為緊張�；诖酥醒牒透鞯卣几叨戎匾曇惑w化地下管道走廊建設(shè)。然而隨著時間的推移,各地的地下管道會出現(xiàn)各種各樣的表面缺陷,管道表面缺陷會破壞管道的基本功能從而給國家和個人帶來巨大的經(jīng)濟損失,因此對這些缺陷的檢測是極為有必要的。本課題的具體研究內(nèi)容如下:1.設(shè)計和完成了基于樹莓派的智能小車,該小車能完成在管道內(nèi)智能駕駛和拍照的作業(yè),同時為實現(xiàn)人機交互,編寫了上位機界面能通過上位機來遠程遙控小車進行作業(yè)。2.由于管道表面缺陷圖像訓(xùn)練集數(shù)據(jù)較少的原因,采用了 GAN和DCGAN網(wǎng)絡(luò)生成少量新的管道表面缺陷圖像來拓寬訓(xùn)練數(shù)據(jù)集,通過實驗對比采用了中值濾波消除圖像噪音。3.在對第一類管道（檢測精度要求高）表面缺陷檢測中改進了 fast-rcnn算法,通過對底層網(wǎng)絡(luò)的選取對比,選用了改進后的Googlenet網(wǎng)絡(luò)作為該算法的底層網(wǎng)絡(luò),為了增強對細小缺陷的檢測精度用ROIAglin代替ROIPooling,最后在實驗對比中對算法中的超參數(shù)進行了調(diào)整,提高了缺陷檢測的識別率。4.在對第二類管道（檢測精度要求低）表面缺陷檢測中為了加快檢測速度采用了改進后的... 

【文章來源】：華東理工大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１超聲波檢測原理圖??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??

??探頭價格相對比較低廉；同時超聲波檢測并不會破壞管道原有結(jié)構(gòu)與特征，屬于無損檢??測。但是超聲波檢測的缺點也是顯而易見的，超聲波檢測可靠性低，聲波容易被外界干??擾，此外超聲波檢測時無法對管道內(nèi)表面的缺陷進行可視化操作從而無法直觀地顯示缺??陷。當(dāng)管道內(nèi)表面缺陷種類比較多或者缺陷比較小時，判斷較為困難。常常需要經(jīng)驗豐??富的檢測員才能依據(jù)超聲波檢測來判斷缺陷的種類與類型［１４］。??脈沖??一??ｐ?１??１??＇￣￣?■?Ｘ??‘ｒ?Ｉ，：．．??圖１．１超聲波檢測原理圖??Ｆｉｇｌ．ｌ?Ｕｌｔｒａｓｏｎｉｃ?ｔｅｓｔｉｎｇ?ｓｃｈｅｍａｔｉｃ??渦流檢測法的基本理論是電磁感應(yīng)原理［１５］，通過測量被檢測的金屬物體表面的渦流??變化從而發(fā)現(xiàn)被檢測金屬物體表面缺陷。渦流檢測法的原理圖如圖１．２所示，當(dāng)帶有交??變電流的Ｌ１線圈靠近導(dǎo)體Ｌ２時，導(dǎo)體Ｌ２由于受到Ｌ１上交變電流生成的交變磁場的影??響會產(chǎn)生感應(yīng)電流即渦流，生成的渦流又會產(chǎn)生新的交變磁場從而影響Ｌ１上的電流，??通過對Ｌ１上的電壓和阻抗的測量可以得到Ｌ２的狀態(tài)。渦流檢測法與其他四種檢測的方??法相比有以下的優(yōu)點：操作方便，無污染性，具有非接觸性等優(yōu)點。但是渦流檢測法的??缺點也很明顯，即只能用于金屬管道表面的檢測，無法檢測非金屬管道。另外渦流檢測??法的可視化程度低。??渦流檢測法根據(jù)不同形狀的探測線圈可以分為三類，第一類為穿過式（用于線性金??屬材料的檢測），第二類為探頭式（常用來檢測金屬物體的表面），最后一類為插入式（用??于金屬管里面的檢測）［１６］。??ｕ?ｌ２??Ｐ?ｓ?▼??圖１．２渦流檢測法??Ｆｉｇｌ．２

圖１．３磁漏檢測法??Ｆｉｇｌ．３?Ｍａｇｎｅｔｉｃ?ｌｅａｋａｇｅ?ｄｅｔｅｃｔｉｏｎ?ｍｅｔｈｏｄ??

【參考文獻】：
期刊論文
[1]基于改進循環(huán)生成式對抗網(wǎng)絡(luò)的圖像風(fēng)格遷移[J]. 張驚雷,厚雅偉.  電子與信息學(xué)報. 2020(05)
[2]基于GaN HEMT的X波段連續(xù)波內(nèi)匹配功率管設(shè)計[J]. 馬躍,王建朋.  微波學(xué)報. 2020(03)
[3]注意力機制和Faster RCNN相結(jié)合的絕緣子識別[J]. 趙文清,程幸福,趙振兵,翟永杰.  智能系統(tǒng)學(xué)報. 2020(01)
[4]噪聲穩(wěn)健性的卡方生成對抗網(wǎng)絡(luò)[J]. 李洪均,李超波,張士兵.  通信學(xué)報. 2020(03)
[5]基于Faster-RCNN的站臺端部人員入侵檢測研究[J]. 楊棟,黃文政,張秋亮,李依諾,張亞偉.  鐵路計算機應(yīng)用. 2020(02)
[6]基于Faster RCNN變電設(shè)備紅外圖像缺陷識別方法[J]. 李文璞,謝可,廖逍,李小寧,王皓.  南方電網(wǎng)技術(shù). 2019(12)
[7]基于改進Faster RCNN的安全帽檢測及身份識別[J]. 吳冬梅,王慧,李佳.  信息技術(shù)與信息化. 2020(01)
[8]基于DCGAN數(shù)據(jù)增強的水產(chǎn)動物分類方法[J]. 王德興,秦恩倩,袁紅春.  漁業(yè)現(xiàn)代化. 2019(06)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的木材表面缺陷檢測系統(tǒng)設(shè)計[J]. 項宇杰,陳月芬,盧衛(wèi)國,潘佳浩.  系統(tǒng)仿真技術(shù). 2019(04)
[10]基于DCGAN的風(fēng)速場景建模方法優(yōu)越性研究[J]. 陳曉榕,江岳文.  電器與能效管理技術(shù). 2019(21)

博士論文
[1]可視化渦流檢測中的數(shù)據(jù)處理方法研究[D]. 朱佩佩.電子科技大學(xué) 2019
[2]基于電磁聲表面波的厚壁管道表面裂紋定量檢測方法研究[D]. 鄧鵬.北京工業(yè)大學(xué) 2018
[3]手機玻璃屏表面缺陷機器視覺檢測與分類方法研究[D]. 簡川霞.廣東工業(yè)大學(xué) 2017
[4]基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測研究[D]. 牟洪波.東北林業(yè)大學(xué) 2010
[5]管道漏磁內(nèi)檢測關(guān)鍵技術(shù)問題研究[D]. 劉剛.沈陽工業(yè)大學(xué) 2010

碩士論文
[1]基于激光超聲的管道裂紋定量表征及三維成像方法研究[D]. 張海超.北京石油化工學(xué)院 2019
[2]基于機器視覺的管道內(nèi)表面缺陷檢測方法研究[D]. 李康.內(nèi)蒙古科技大學(xué) 2019
[3]基于全卷積網(wǎng)絡(luò)的手機液晶面板缺陷檢測算法研究[D]. 劉恒.重慶郵電大學(xué) 2019
[4]基于深度學(xué)習(xí)與機器視覺融合的夾片缺陷檢測系統(tǒng)研究[D]. 唐滔.桂林電子科技大學(xué) 2019
[5]帶包覆層地面鋼質(zhì)管道損傷諧振磁場檢測技術(shù)研究[D]. 黨偉.北京工業(yè)大學(xué) 2019
[6]基于Haar-like特征快速提取的管道表面破損視頻檢測研究與實現(xiàn)[D]. 費云鵬.重慶郵電大學(xué) 2019
[7]基于深度學(xué)習(xí)的手機玻璃缺陷分類檢測[D]. 魯越.鄭州大學(xué) 2019
[8]利用超聲漏蘭姆波進行篩管后成像及管道缺陷檢測的數(shù)值研究[D]. 宮心月.吉林大學(xué) 2019
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的壓縮機缺陷檢測方法的研究[D]. 樊旭然.廣州大學(xué) 2019
[10]金屬管道腐蝕缺陷微波無損檢測與成像識別方法研究[D]. 王聰.電子科技大學(xué) 2019



本文編號：3503029