基于深度學(xué)習(xí)的焊縫X射線圖像缺陷識(shí)別方法研究
發(fā)布時(shí)間:2023-05-20 12:40
在焊接生產(chǎn)過程中,受各種焊接參數(shù)及外部環(huán)境的影響,在焊縫中容易形成不同程度和數(shù)量的焊接缺陷,而基于人工X射線圖像缺陷檢測(cè)識(shí)別方法在效率和準(zhǔn)確率方面均有待提高。本文基于管材焊縫的X射線圖像,對(duì)焊縫缺陷的自動(dòng)檢測(cè)和識(shí)別方法進(jìn)行研究,旨在利用深度學(xué)習(xí)方法實(shí)現(xiàn)更優(yōu)識(shí)別指標(biāo)的焊縫缺陷識(shí)別,從而提高焊縫缺陷識(shí)別準(zhǔn)確率并使其更加高效、規(guī)范與智能化。在缺陷檢測(cè)過程中,針對(duì)管焊縫X射線圖像,對(duì)其使用中值濾波技術(shù)去除噪聲、使用圖像增強(qiáng)技術(shù)增加焊縫中不同區(qū)域的對(duì)比度以提高后續(xù)圖像處理中不同對(duì)比度對(duì)焊縫缺陷檢測(cè)的影響,利用最大類間方差法分割出焊縫區(qū)域,采用Sobel邊緣檢測(cè)技術(shù)對(duì)焊縫缺陷邊緣進(jìn)行檢測(cè)。針對(duì)對(duì)于缺陷特征工程中的圖像面積測(cè)算問題,采用鏈碼追蹤和像素統(tǒng)計(jì)方法有效的解決了圓形缺陷的面積測(cè)算,并利用十字坐標(biāo)定位方法對(duì)其進(jìn)行定位。對(duì)氣孔、裂紋、未融合、未焊透缺陷和無缺陷正常圖像進(jìn)行提取并進(jìn)行數(shù)據(jù)增強(qiáng)及尺寸歸一化操作,從而完成焊縫圖像的預(yù)處理以構(gòu)建樣本圖像數(shù)據(jù)集。在缺陷識(shí)別過程中,采用深度學(xué)習(xí)技術(shù)對(duì)焊縫圖像缺陷進(jìn)行識(shí)別。首先分析了常規(guī)卷積神經(jīng)網(wǎng)絡(luò)模型中存在的一些問題,并在模型中采用了改進(jìn)的激活函數(shù)及綜合考慮...
【文章頁(yè)數(shù)】:71 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題背景與意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文主要研究?jī)?nèi)容
1.4 擬采取的研究方法與技術(shù)路線
1.5 本文主要?jiǎng)?chuàng)新點(diǎn)
第2章 焊縫圖像處理與缺陷定位
2.1 焊縫圖像缺陷分類和分級(jí)
2.2 X射線圖像去噪與增強(qiáng)
2.2.1 圖像去噪
2.2.2 圖像增強(qiáng)
2.3 圖像分割與邊緣檢測(cè)
2.3.1 圖像分割
2.3.2 邊緣檢測(cè)
2.4 X射線焊縫圖像缺陷面積測(cè)算與定位
2.5 X射線焊縫圖像預(yù)處理
2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的焊縫缺陷識(shí)別方法
3.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
3.2 卷積神經(jīng)網(wǎng)絡(luò)
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)特性分析
3.3 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的焊縫X射線圖像識(shí)別方法
3.3.1 常規(guī)模型中存在的問題與改進(jìn)方法
3.3.2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
3.3.3 各模型的訓(xùn)練與對(duì)比分析
3.4 改進(jìn)模型測(cè)試分析
3.5 本章小結(jié)
第4章 遷移學(xué)習(xí)在焊縫缺陷識(shí)別中的應(yīng)用
4.1 遷移學(xué)習(xí)
4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)流程
4.3 域間異構(gòu)遷移學(xué)習(xí)
4.3.1 域間異構(gòu)遷移網(wǎng)絡(luò)模型
4.3.2 源域與目標(biāo)域數(shù)據(jù)集介紹
4.3.3 遷移學(xué)習(xí)訓(xùn)練算法及模型參數(shù)設(shè)置
4.4 實(shí)驗(yàn)結(jié)果及分析
4.5 本章小結(jié)
第5章 總結(jié)與展望
5.1 工作總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
本文編號(hào):3821132
【文章頁(yè)數(shù)】:71 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 課題背景與意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 本文主要研究?jī)?nèi)容
1.4 擬采取的研究方法與技術(shù)路線
1.5 本文主要?jiǎng)?chuàng)新點(diǎn)
第2章 焊縫圖像處理與缺陷定位
2.1 焊縫圖像缺陷分類和分級(jí)
2.2 X射線圖像去噪與增強(qiáng)
2.2.1 圖像去噪
2.2.2 圖像增強(qiáng)
2.3 圖像分割與邊緣檢測(cè)
2.3.1 圖像分割
2.3.2 邊緣檢測(cè)
2.4 X射線焊縫圖像缺陷面積測(cè)算與定位
2.5 X射線焊縫圖像預(yù)處理
2.6 本章小結(jié)
第3章 基于深度學(xué)習(xí)的焊縫缺陷識(shí)別方法
3.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
3.2 卷積神經(jīng)網(wǎng)絡(luò)
3.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)特性分析
3.3 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的焊縫X射線圖像識(shí)別方法
3.3.1 常規(guī)模型中存在的問題與改進(jìn)方法
3.3.2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建
3.3.3 各模型的訓(xùn)練與對(duì)比分析
3.4 改進(jìn)模型測(cè)試分析
3.5 本章小結(jié)
第4章 遷移學(xué)習(xí)在焊縫缺陷識(shí)別中的應(yīng)用
4.1 遷移學(xué)習(xí)
4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)流程
4.3 域間異構(gòu)遷移學(xué)習(xí)
4.3.1 域間異構(gòu)遷移網(wǎng)絡(luò)模型
4.3.2 源域與目標(biāo)域數(shù)據(jù)集介紹
4.3.3 遷移學(xué)習(xí)訓(xùn)練算法及模型參數(shù)設(shè)置
4.4 實(shí)驗(yàn)結(jié)果及分析
4.5 本章小結(jié)
第5章 總結(jié)與展望
5.1 工作總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
本文編號(hào):3821132
本文鏈接:http://sikaile.net/kejilunwen/jinshugongy/3821132.html
最近更新
教材專著