現(xiàn)代社會(huì)的發(fā)展對(duì)金屬材料的需求與日俱增,同時(shí)在質(zhì)量方面提出了更高的要求,由此金屬材料的性能檢測就顯得尤為重要。金屬材料的晶粒度級(jí)別作為金屬材料性能的一個(gè)重要指標(biāo)得到了廣泛研究,傳統(tǒng)方法是將制備好的試樣置于高倍金相顯微鏡下進(jìn)行人工觀測和分析,效率低且受主觀人為因素的影響大。在此背景下,本文基于集成學(xué)習(xí)框架,從圖像分類角度出發(fā),實(shí)現(xiàn)對(duì)金相組織晶粒度的自動(dòng)評(píng)級(jí),從而提高檢測效率和精度。主要研究內(nèi)容和取得的成果如下:(1)以20CrMnTi、CF鋼、55#鋼三種金屬材料為樣本,完成了金相圖像數(shù)據(jù)庫的構(gòu)建,同時(shí)對(duì)金相圖像進(jìn)行預(yù)處理。經(jīng)過圖像篩選、人工標(biāo)注、統(tǒng)一命名、設(shè)置標(biāo)簽等步驟,建立了9個(gè)級(jí)別的金相圖像數(shù)據(jù)庫。針對(duì)每幅圖像,基于MSE、PSNR、和SSIM三個(gè)評(píng)價(jià)指標(biāo),對(duì)灰度轉(zhuǎn)換、濾波、銳化等預(yù)處理算法進(jìn)行了分析和研究,發(fā)現(xiàn)高斯低通濾波和理想濾波銳化這兩種預(yù)處理算法在金相圖像分析上更具優(yōu)勢,能較好的消除噪聲、銳化晶粒邊緣,為后續(xù)的特征提取打下堅(jiān)實(shí)的基礎(chǔ)。(2)針對(duì)傳統(tǒng)金相圖像特征提取單一、適用面窄等問題,基于集成學(xué)習(xí)框架,建立了金相圖像紋理結(jié)構(gòu)的多特征集,并研究了四種特征選擇方法對(duì)降低多特征維...

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 金相圖像評(píng)級(jí)分類的國內(nèi)外研究現(xiàn)狀
    1.3 需要解決的問題
    1.4 研究內(nèi)容與章節(jié)安排
第二章 金相圖像數(shù)據(jù)庫的構(gòu)建及預(yù)處理算法研究
    2.1 引言
    2.2 金相圖像數(shù)據(jù)庫的構(gòu)建
        2.2.1 金相圖像采集
        2.2.2 建立數(shù)據(jù)庫
    2.3 金相圖像的灰度轉(zhuǎn)換
    2.4 金相圖像的濾波處理
        2.4.1 空間域?yàn)V波處理
        2.4.2 頻域?yàn)V波處理
    2.5 金相圖像的銳化處理
        2.5.1 拉普拉斯銳化
        2.5.2 高通濾波銳化
    2.6 本章小結(jié)
第三章 金相圖像紋理特征提取與特征集構(gòu)建
    3.1 引言
    3.2 紋理特征提取
        3.2.1 盒分形維數(shù)
        3.2.2 C-LBPH特征提取
        3.2.3 灰度共生矩陣特征提取
        3.2.4 基于PCA降維的SIFT特征提取
        3.2.5 特征集構(gòu)建
    3.3 特征選擇
        3.3.1 特征選擇算法
        3.3.2 特征選擇分析
    3.4 算法整體框架
    3.5 本章小結(jié)
第四章 基于同質(zhì)與異質(zhì)的金相圖像集成分類算法
    4.1 引言
    4.2 特征維數(shù)固定的異質(zhì)分類器集成
        4.2.1 分類策略
        4.2.2 實(shí)驗(yàn)結(jié)果與分析
    4.3 特征維數(shù)可變的同質(zhì)分類器集成
        4.3.1 分類策略
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 分類圖像錯(cuò)誤分析
    4.5 本章小結(jié)
第五章 基于卷積神經(jīng)網(wǎng)絡(luò)的多層級(jí)集成學(xué)習(xí)金相自動(dòng)評(píng)級(jí)算法研究
    5.1 引言
    5.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        5.2.1 卷積層
        5.2.2 激活層
        5.2.3 池化層
        5.2.4 全連接層
    5.3 遷移學(xué)習(xí)
    5.4 數(shù)據(jù)增強(qiáng)
    5.5 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及參數(shù)訓(xùn)練
        5.5.1 模型結(jié)構(gòu)
        5.5.2 基于遷移學(xué)習(xí)的參數(shù)訓(xùn)練
        5.5.3 構(gòu)建隨機(jī)森林分類器
    5.6 實(shí)驗(yàn)與分析
        5.6.1 評(píng)價(jià)標(biāo)準(zhǔn)
        5.6.2 不同特征之間的分類對(duì)比
        5.6.3 是否使用遷移學(xué)習(xí)對(duì)分類的影響
        5.6.4 訓(xùn)練樣本對(duì)模型的影響
    5.7 本章小結(jié)
第六章 金相評(píng)級(jí)實(shí)驗(yàn)對(duì)比
    6.1 引言
    6.2 金相圖像的制備
    6.3 評(píng)級(jí)實(shí)驗(yàn)流程
    6.4 實(shí)驗(yàn)結(jié)果與分析
    6.5 本章小結(jié)
第七章 結(jié)論與展望
    7.1 論文總結(jié)
    7.2 論文展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的科研情況



本文編號(hào)：3771441