鑄造技術因其低廉的成本、較短的生產周期和靈活的生產方式等優(yōu)點被廣泛應用于工業(yè)生產中,同時也推動了我國汽車市場的迅猛發(fā)展。為保障汽車質量及其安全性,鑄造廠商不斷加強生產流程中對鑄件缺陷的檢測力度。工業(yè)上廣泛使用的X射線自動缺陷檢測技術,相比人工缺陷檢測具有較高的穩(wěn)定性和一致性。為了進一步改善X射線檢測技術,提高缺陷自動識別算法的準確度,需要采集大量X射線缺陷樣本進行深入學習。面對鑄造產品中次品率低、樣本難以大量收集等問題,本文提出了一種基于紋理合成的疏松缺陷圖像生成方法,不但獲得了較好的仿真效果,還為其他類型缺陷的仿真算法研究提供了借鑒價值。本文針對疏松缺陷在視覺上呈現(xiàn)的非均勻紋理特性,提出了一種以K維（k-dimensional,KD）樹搜索算法為核心的疏松缺陷圖像生成算法。該算法主要分為三個階段:前期準備階段,待合成區(qū)搜索匹配階段,和仿真圖樣生成階段。具體內容如下:1)根據鑄件中的疏松缺陷的形成過程以及視覺特征,提出了采用KD樹搜索匹配圖像塊的方法來生成具有一定隨機性的仿真疏松缺陷;為了提高運算速度,又采用主成分分析方法對數(shù)據集進行整合和壓縮。2)借助雙邊濾波器突出的去噪保邊特性,對... 

【文章來源】：華南理工大學廣東省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

鑄件缺陷類型

但如若金屬液未能及時對收縮后產生的空缺進行良好的填性小孔，即為疏松[11]。對于存在疏松缺陷的鑄件，其在承重能力、工性等各個方面都會受到較大的影響，考慮到工業(yè)產品的安全性，因理。缺陷的視覺特征分析對疏松缺陷的仿真，首先要對其特征進行全方位的識別和提取。圖像征圖像所蘊含語義的屬性數(shù)據，這些屬性數(shù)據代表圖像本身，并參與等計算過程。但由于圖像的原始特征較多，需要從中挑選出一些可區(qū)獨立性好且數(shù)量少的圖像特征。為了便于對圖像特征進行分析，常將的和領域相關的兩種，所謂通用的視覺特征多關注的是圖像之間的共度、形狀和紋理，而無關乎圖像中的內容，對于領域相關的視覺特征恰更關注圖像的內容及其相關應用，比如指紋特征。

圖像；顏色矩，利用分布于低階矩中的顏色信息進行圖像特征描述，可以通過向量的維度來減少計算量，但因其檢索效率較低，所以常被用來過濾圖像以縮圍；顏色聚合向量（Color Coherence Vector）實則是由顏色直方圖演變而成的種方法相比，它的特點便是能夠顯示圖像的色彩空間分布，因此也具有更好的。研究的對象均為 X 射線圖像，即灰度圖像，與只有黑白兩色的二值圖像不像的在黑白兩色之間還有 256 個灰度等級，從 0 到 255，表征亮度由暗到明。用灰度直方圖來概括性地描述圖像中的灰度級內容，在二維坐標中，橫坐標表的各個灰度級分布，范圍一般為[0,255]，縱坐標則對應該灰度值的像素在圖像次數(shù)或者概率，整體反映了圖像中不同灰度的分布情況。除此之外，等高線圖來表征灰度圖像的灰度空間分布特性，即把擁有同一灰度值的像素點連接成映出灰度的位置信息。

【參考文獻】：
期刊論文
[1]圖像紋理檢測與特征提取技術研究綜述[J]. 李秀怡.  中國管理信息化. 2017(23)
[2]機床工作臺鑄造過程溫度場模擬及缺陷預測[J]. 郭凱,何家寧,馬迪,應武權.  鑄造技術. 2017(09)
[3]X射線檢測技術在復合材料檢測中的應用與發(fā)展[J]. 董方旭,王從科,凡麗梅,趙付寶,李金鹿,張霞,鄭素萍.  無損檢測. 2016(02)
[4]基于向量量化譜分解的圖像邊緣融合算法[J]. 熊朝松.  科技通報. 2015(10)
[5]面向低維點集配準的高效最近鄰搜索法[J]. 祝繼華,尹俊,邗汶鋅,杜少毅.  模式識別與人工智能. 2014(12)
[6]空中模糊目標圖像邊緣信息的融合與恢復方法[J]. 王水萍,鄒蕾.  科技通報. 2014(06)
[7]基于粒子群優(yōu)化的圖像邊緣融合算法[J]. 李小娟,席曉燕,臧義華,梁佳.  軟件導刊. 2014(05)
[8]電磁層析無損檢測系統(tǒng)中碳纖維復合材料缺陷重建的仿真[J]. 許羽,劉澤,程軼平.  無損檢測. 2011(06)
[9]基于形狀特征的圖像特征提取方法及其在醫(yī)學圖像分析中的應用[J]. 史顏玲,王忠義.  許昌學院學報. 2011(02)
[10]基于定性視覺特征的裂紋缺陷的仿真[J]. 詹銀燕,黃茜,歐陽兆煊,許國慶.  計算機工程與設計. 2010(05)

博士論文
[1]圖像質量評價若干問題研究[D]. 王同罕.東南大學 2016

碩士論文
[1]X射線的缺陷檢測系統(tǒng)設計與實現(xiàn)[D]. 李學永.華南理工大學 2016
[2]基于機器學習的圖像質量評價研究[D]. 王嘯晨.天津大學 2016
[3]疏松缺陷圖像的自動生成算法研究[D]. 黃德龍.華南理工大學 2015
[4]縮孔缺陷圖像的生成算法研究[D]. 梁兆敏.華南理工大學 2016
[5]雙邊濾波去噪方法及其應用研究[D]. 張海榮.合肥工業(yè)大學 2014
[6]主客觀相結合的遙感圖像質量評價方法研究[D]. 李玲琳.南京理工大學 2013
[7]基于分層模板的鑄造枝狀縮松仿真[D]. 馬明輝.華南理工大學 2012
[8]利用小波的綜合紋理和形狀特征圖像檢索及系統(tǒng)實現(xiàn)[D]. 劉黎寧.西北大學 2011



本文編號：3616378