鑄造產(chǎn)品被廣泛運(yùn)用于眾多工業(yè)領(lǐng)域,使用率很高。鑄件質(zhì)量問題直接關(guān)系到整個設(shè)備的正常平穩(wěn)運(yùn)行和使用者的切身利益。若鑄件質(zhì)量出現(xiàn)問題,會帶來無法估量的損失,甚至是災(zāi)難性后果。因此,要嚴(yán)格把控鑄件產(chǎn)品的質(zhì)量,保證百分百的合格率。由于鑄造工藝過程很復(fù)雜,在生產(chǎn)過程中經(jīng)常會發(fā)生各種不同的鑄造缺陷,例如裂痕、表面夾砂、氣孔等,因此鑄造產(chǎn)品在出廠前必須嚴(yán)格檢查質(zhì)量以符合國家標(biāo)準(zhǔn),在使用過程中也需要定期進(jìn)行質(zhì)量檢查。在鑄件質(zhì)量檢測領(lǐng)域,無損檢測憑借其優(yōu)越的檢測性能被廣泛應(yīng)用。無損檢測技術(shù)不損害和影響被檢測對象性能,不傷害被檢測對象內(nèi)部組織的前提下,對工件的內(nèi)部及表面的結(jié)構(gòu)、性質(zhì)及缺陷類型進(jìn)行檢測。X射線檢測技術(shù)是最早發(fā)展且應(yīng)用最為廣泛的無損檢測技術(shù),通過X射線圖像能夠直觀地從中檢測出焊縫中潛在的夾雜、孔隙、裂紋、薄壁等缺陷,從而對鑄件質(zhì)量進(jìn)行控制和管理。本文關(guān)注的重點(diǎn)是基于X射線的鑄件無損檢測,研究并實(shí)現(xiàn)了鑄件缺陷的自動檢測。由于缺陷判別的復(fù)雜多變以及應(yīng)用條件的復(fù)雜性,在實(shí)際生產(chǎn)過程中找到一套通用的手段和方法進(jìn)行自動判別缺陷是很困難的,并且長期以來鑄件缺陷的判斷依賴于人工操作,導(dǎo)致檢測系統(tǒng)效率低、檢測... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
Acknowledgements
abstract
1 Introduction
    1.1 Research background and purpose
    1.2 Research status of X-ray inspection
    1.3 Research Status of Deep Learning in Image Recognition Direction
    1.4 Main work of this thesis
    1.5 Chapter arrangement
2 Principles
    2.1 Research background and purpose
        2.1.1 The basic principle of X-ray inspection of castings
        2.1.2 X-ray digital imaging and image acquisition
        2.1.3 X-ray imaging system hardware components
    2.2 Convolutional neural network
        2.2.1 Overview of Convolutional Neural Networks
        2.2.2 Basic structural composition of convolutional neural networks
        2.2.3 Classical structure of convolutional neural networks
    2.3 Overall design of the research program
    2.4 Chapter summary
3 Implementation of Casting Defect Recognition System on TensorFlow
    3.1 Create a database
    3.2 System environment construction
        3.2.1 Native configuration
        3.2.2 TensorFlow Introduction
    3.3 Network training and analysis
        3.3.1 Training process
        3.3.2 Model evaluation
        3.3.3 Feature visualization
    3.4 Chapter summary
4 Network improvement and implementation based on real-time
    4.1 Model comparison experiment
    4.2 Change convolution kernel
    4.3 Reduce the number of network layers
    4.4 Chapter summary
5 Summary and outlook
    5.1 Summary
    5.2 Outlook
References
Appendix A 中文摘要


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的焊接缺陷識別技術(shù)及應(yīng)用[J]. 楊志超,周強(qiáng),胡侃,趙云.  武漢理工大學(xué)學(xué)報(信息與管理工程版). 2019(01)
[2]基于紋理特征的焊縫圖像缺陷識別方法[J]. 孫士保,尹立航,閆曉龍,賈博文,章沖.  計算機(jī)應(yīng)用與軟件. 2018(05)
[3]基于深度學(xué)習(xí)方法的復(fù)雜場景下車輛目標(biāo)檢測[J]. 宋煥生,張向清,鄭寶峰,嚴(yán)騰.  計算機(jī)應(yīng)用研究. 2018(04)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)
[5]基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測方法[J]. 王憲保,李潔,姚明海,何文秀,錢沄濤.  模式識別與人工智能. 2014(06)
[6]X射線數(shù)字透射成像圖像質(zhì)量影響因素分析[J]. 張祥春,蔡良續(xù),張鷺.  無損檢測. 2011(09)
[7]基于X射線圖像序列的焊縫缺陷自動檢測方法[J]. 田原,都東,侯潤石,高志凌,申立群.  清華大學(xué)學(xué)報(自然科學(xué)版). 2007(08)



本文編號：3073537