由于大量的工件存在著缺陷且絕大多數(shù)以工業(yè)CT（Computed Tomography）圖像的形式呈列,因此,工業(yè)CT圖像缺陷的檢測（識別與定位）及分割是一個重要的研究課題。目前,利用DL（Deep Learning,深度學(xué)習(xí)）模型實現(xiàn)工件缺陷的檢測與分割,已成為了主流。然而,現(xiàn)有的方法存在如下兩個問題:（1）檢測和分割被視為兩個獨立的任務(wù),需要利用不同的算法完成;（2）對于邊緣模糊、尺寸較小或灰度變化狹窄的缺陷,檢測和分割精度低。針對以上問題,本文對Mask R-CNN（Mask Region with Convolutional Neural Networks）進行了研究和改進,并探究了其在工業(yè)CT圖像缺陷（裂紋、氣泡及夾渣）檢測與分割中的應(yīng)用。該網(wǎng)絡(luò)在目標檢測模型的基礎(chǔ)上,利用目標分割網(wǎng)絡(luò)引入了一個分割分支,通過共享卷積特征將目標檢測與目標分割視作一個整體,相互結(jié)合、相輔相成。研究的主要內(nèi)容如下:（1）缺陷圖片提取。為了便于后續(xù)處理,首先對待處理圖像執(zhí)行同態(tài)濾波和拉普拉斯算子操作,以達到增強圖像的目的。由于深度學(xué)習(xí)分類模型CNN（Convolutional Neural Netwo... 

【文章來源】：蘭州交通大學(xué)甘肅省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

工業(yè)CT系統(tǒng)示意圖

MaskR-CNN對工業(yè)CT圖像缺陷的檢測和分割-8-態(tài)濾波的傳遞函數(shù)，1FFT表示反傅里葉變換，exp表示取指數(shù)，l(x,y)是輸出圖像。2.1.2拉普拉斯銳化圖像模糊的本質(zhì)原因在于受積分或者平均運算的影響，所以可通過逆運算（如，微分算子）操作實現(xiàn)清晰化。拉普拉斯算子為微分算子，通過把原圖像與拉普拉斯圖像疊加，來保持銳化結(jié)果，從而增強圖像的邊緣輪廓[50]。2.1.3圖像預(yù)處理后的結(jié)果本文預(yù)處理的過程有兩步：(1)對工業(yè)CT圖像進行同態(tài)濾波處理；(2)對步驟(1)得到的圖像執(zhí)行拉普拉斯銳化操作。圖像預(yù)處理前、后的結(jié)果分別見圖2.2和圖2.3。(a)裂紋(b)氣泡(c)夾渣圖2.2原圖像(a)裂紋(b)氣泡(c)夾渣圖2.3預(yù)處理后圖像2.2圖像分類技術(shù)圖像分類就是基于特征信息把圖像劃分到預(yù)先定義的類中。根據(jù)特征獲取方式的不同，可將圖像分類技術(shù)分為傳統(tǒng)的方法和深度學(xué)習(xí)的方法。

MaskR-CNN對工業(yè)CT圖像缺陷的檢測和分割-8-態(tài)濾波的傳遞函數(shù)，1FFT表示反傅里葉變換，exp表示取指數(shù)，l(x,y)是輸出圖像。2.1.2拉普拉斯銳化圖像模糊的本質(zhì)原因在于受積分或者平均運算的影響，所以可通過逆運算（如，微分算子）操作實現(xiàn)清晰化。拉普拉斯算子為微分算子，通過把原圖像與拉普拉斯圖像疊加，來保持銳化結(jié)果，從而增強圖像的邊緣輪廓[50]。2.1.3圖像預(yù)處理后的結(jié)果本文預(yù)處理的過程有兩步：(1)對工業(yè)CT圖像進行同態(tài)濾波處理；(2)對步驟(1)得到的圖像執(zhí)行拉普拉斯銳化操作。圖像預(yù)處理前、后的結(jié)果分別見圖2.2和圖2.3。(a)裂紋(b)氣泡(c)夾渣圖2.2原圖像(a)裂紋(b)氣泡(c)夾渣圖2.3預(yù)處理后圖像2.2圖像分類技術(shù)圖像分類就是基于特征信息把圖像劃分到預(yù)先定義的類中。根據(jù)特征獲取方式的不同，可將圖像分類技術(shù)分為傳統(tǒng)的方法和深度學(xué)習(xí)的方法。

【參考文獻】：
期刊論文
[1]基于Faster R-CNN的零件表面缺陷檢測算法[J]. 黃鳳榮,李楊,郭蘭申,錢法,朱雨晨.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2020(06)
[2]基于改進遺傳模糊聚類和水平集的圖像分割算法[J]. 韓哲,李燈熬,趙菊敏,柴晶.  計算機工程與設(shè)計. 2019(05)
[3]Faster R-CNN定位后的工業(yè)CT圖像缺陷分割算法研究[J]. 吳曉元,常海濤,茍軍年.  電子技術(shù)應(yīng)用. 2019(01)
[4]Faster R-CNN在工業(yè)CT圖像缺陷檢測中的應(yīng)用[J]. 常海濤,茍軍年,李曉梅.  中國圖象圖形學(xué)報. 2018(07)
[5]機器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學(xué)報. 2017(12)
[6]基于CNN的工件缺陷檢測方法研究[J]. 喬麗,趙爾敦,劉俊杰,程彬.  計算機科學(xué). 2017(S2)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[8]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計算機應(yīng)用研究. 2017(07)
[9]基于工業(yè)CT圖像的空心渦輪葉片壁厚測量法[J]. 王倩妮,蘇宇航,郭廣平.  無損檢測. 2015(06)
[10]工業(yè)CT技術(shù)在航空發(fā)動機單晶葉片壁厚測量中的應(yīng)用[J]. 張祥春,張鷺,王俊濤.  無損檢測. 2015(02)

博士論文
[1]工業(yè)CT三維圖像重建與分割算法研究[D]. 鄒永寧.重慶大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的工業(yè)缺陷檢測方法研究[D]. 韓慧.重慶郵電大學(xué) 2019
[2]基于Faster R-CNN的工業(yè)CT圖像缺陷檢測研究[D]. 常海濤.蘭州交通大學(xué) 2018
[3]基于工業(yè)CT圖像的工件缺陷智能檢測技術(shù)研究[D]. 時佳悅.蘭州交通大學(xué) 2017
[4]基于同態(tài)濾波的圖像增強算法研究[D]. 程新.西安郵電大學(xué) 2016
[5]基于工業(yè)CT圖像的缺陷定位和三維分割技術(shù)研究[D]. 陳培興.中北大學(xué) 2016
[6]基于CNN的工件缺陷檢測方法研究及系統(tǒng)設(shè)計[D]. 喬麗.華中師范大學(xué) 2016
[7]基于深度學(xué)習(xí)的目標檢測與分割算法研究[D]. 王若辰.北京工業(yè)大學(xué) 2016
[8]深度學(xué)習(xí)及其在工件缺陷自動檢測中的應(yīng)用研究[D]. 顏偉鑫.華南理工大學(xué) 2016
[9]工業(yè)CT圖像高精度尺寸測量方法研究[D]. 王慧倩.重慶大學(xué) 2011



本文編號：3131276