【摘要】：精密鑄件在工業(yè)生產具有很高的使用率,其質量問題直接影響到工業(yè)設備的安全性能,存在缺陷的鑄件甚至會產生災難性后果,所以對于鑄件質量檢測是鑄件生產過程中的重中之重。目前對于精密鑄件的缺陷檢測大部分仍然依賴于人工操作,識別率受到個人經驗的影響,檢測效率較低,而且長時間工作產生的視覺疲勞依然對檢測結果具有較大的影響。近幾年深度學習成為各界的研究熱點,其中在圖像的識別研究領域中,卷積神經網絡表現最為突出。本文針對鑄件廠的檢測要求提出一種基于深度學習的鑄件缺陷的智能檢測方法,針對該方法主要做了以下幾個方面的工作:(1)利用已有的X射線檢測平臺,采集含有缺陷的和正常的兩類鑄件圖像作為分類目標。通過旋轉、裁剪、增強對比度等一系列的操作,擴充兩類樣本的數量,建立鑄件檢測的樣本數據庫。(2)針對基于深度學習的鑄件檢測的方法,完成其軟件環(huán)境的配置。在裝有GPU的服務器上搭建caffe深度學習框架,并完成適用于鑄件檢測的卷積神經網絡的搭建。(3)針對本文鑄件的射線圖像數據庫,對卷積神經網絡進行訓練,并通過參數調整得到較好的實驗結果。(4)針對工業(yè)應用中的時間成本問題,本文研究了卷積核的尺寸以及網絡結構的復雜程度對于模型性能與時間成本的影響,提出caffenet的改進形式并進行實驗,實驗證明,改進的網絡提高了識別準確率,減少了訓練時間。(5)配置深度學習嵌入式開發(fā)板—Jetson TX1的深度學習的軟件環(huán)境,將訓練好模型移植到Jetson TX1中,并在Jetson TX1上進行測試實驗,測試結果較為理想,驗證開發(fā)板進行缺陷識別的可行性。對模型移植后的Jetson TX1開發(fā)板進行測試實驗,對于鑄件射線圖像的識別的綜合正確率為97%,其中對有缺陷的鑄件識別正確率為100%,不存在漏檢現象,對沒有缺陷的鑄件識別正確率為95.5%。
【學位授予單位】：太原科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;TP183;TG245
【圖文】：

后進行灰度變換的處理，并通過設置閾值來分割有可能出現缺陷的區(qū)域；最后將得缺陷區(qū)域作為訓練樣本，并根據所學習的特征設定各種缺陷識別準則，然后建數據庫，將其輸入到 ANFIS 進行訓練學習。在國內，針對 X 射線檢測的研究相對較晚，但通過國內學者對國外成果的進究，也使得中國的 X 射線檢測技術有了質的飛躍，比如丹東市無損檢測設備有限主研發(fā)的缺陷檢測算法已經達到國際先進水平。林克正[19]等人提出了一種算法能何特征進行快速提取，該算法沒有將待檢圖像進行二值化處理，而是對灰度圖像進行直接提取。薛雪[20]等人通過區(qū)域生長的方法對焊縫的特征進行提取，這是一對圖像中所有聯通區(qū)域進行搜索并定位的算法，能夠實現對缺陷的各個特征量進取。文獻[21]先利用其提出的一種在度乘積算法基礎上改進算法對射線圖像進行然后通過深度學習對缺陷進行分類。該方法能夠很好的實現焊縫缺陷的識別與分結合當前X射線檢測技術的眾多研究，可以大體概括出X射線檢測的基本流程1.1所示。

第二章 基于深度學習的鑄件 X 射線自動檢測系統第二章 基于深度學習的鑄件 X 射線檢測系統學習的鑄件 X 射線檢測系統，主要包括兩個部分，分別是 X 射線成像系統，以及能夠實現缺陷自動識別的深度學習采集深度學習模型訓練所需的鑄件的樣本圖片。像系統測的基本原理有波粒二象性，其傳播過程可以看作是一定能量和動量的光長的差異性，對于被檢測的穿透性也存在差異，并由此分為于 0 .3nm的為硬 X 射線，所含能量低，穿透能力差，檢測目大于 0 .3nm的為軟 X 射線，射線所含能量較高，能夠對金屬屬內部結構進行檢測。X 射線穿透檢測物后射線的運動情況

【參考文獻】

相關期刊論文 前7條

1 樊雅琴;王炳皓;王偉;唐燁偉;;深度學習國內研究綜述[J];中國遠程教育;2015年06期

2 余永維;殷國富;殷鷹;杜柳青;;基于深度學習網絡的射線圖像缺陷識別方法[J];儀器儀表學報;2014年09期

3 王憲保;李潔;姚明海;何文秀;錢l勌

本文編號：2738327