本文關(guān)鍵詞： 缺陷檢測(cè) 雙向擴(kuò)散 模糊聚類算法 二叉樹分類器　出處：《南昌航空大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：航空構(gòu)件缺陷檢測(cè)的主要目的是保證航空構(gòu)件產(chǎn)品的質(zhì)量與性能,避免因構(gòu)件出現(xiàn)缺陷最終導(dǎo)致航空設(shè)備失效,出現(xiàn)安全事故。近年來,利用數(shù)字圖像處理對(duì)各類缺陷進(jìn)行自動(dòng)檢測(cè)的研究已經(jīng)受到各國(guó)學(xué)者的重視。但是,由于缺陷圖像邊緣模糊、對(duì)比度較低等因素造成缺陷漏檢、誤判的現(xiàn)象,降低了缺陷的檢測(cè)效率。因此,本文主要研究缺陷檢測(cè)技術(shù)中的圖像增強(qiáng)、圖像分割與缺陷提取、缺陷特征描述與分類識(shí)別等內(nèi)容。主要工作如下:(1)針對(duì)各向異性擴(kuò)散模型對(duì)圖像去噪增強(qiáng)時(shí)易出現(xiàn)邊緣模糊、振鈴效應(yīng)等問題,提出了一種新的基于局部邊緣特征的自適應(yīng)雙向擴(kuò)散模型。該模型在四方向的梯度和拉普拉斯算子的基礎(chǔ)上,首先對(duì)圖像邊緣的結(jié)構(gòu)特征進(jìn)行深入研究,以此區(qū)分出圖像的平坦區(qū)域與邊緣區(qū)域,然后針對(duì)各個(gè)區(qū)域的特征選擇不同的擴(kuò)散策略,使得該模型既能濾除噪聲又能銳化圖像的邊緣細(xì)節(jié)。實(shí)驗(yàn)結(jié)果表明,與PM、CBDF和ABDF三種擴(kuò)散模型相比,該模型能夠有效地提升圖像的對(duì)比度,增強(qiáng)缺陷的邊緣細(xì)節(jié)。(2)由于傳統(tǒng)模糊C均值聚類算法的模糊隸屬度矩陣結(jié)構(gòu)單一,且忽略了相鄰像素的相關(guān)性,使得圖像的分割結(jié)果不理想。雖然隨后改進(jìn)的各種聚類算法改善了分割效果,但運(yùn)行效率偏低。因此,本文提出了一種基于分層的直覺模糊C均值聚類算法。首先,利用圖像的隱含信息引入分層技術(shù)將圖像劃分為多個(gè)不同區(qū)域,計(jì)算其相應(yīng)的聚類中心;然后,利用圖像鄰域像素之間的關(guān)聯(lián)性,構(gòu)造融合像素相關(guān)性和直覺模糊隸屬度矩陣的目標(biāo)函數(shù),求解直覺模糊隸屬度矩陣;最后,修正圖像分層,直到符合聚類要求。實(shí)驗(yàn)結(jié)果表明,與FCM算法、FCMS算法和FLICM算法相比,本文算法不僅能夠得到更好的圖像分割效果,而且也較大地提升了圖像分割效率。(3)針對(duì)航空構(gòu)件常見缺陷的結(jié)構(gòu)特征與分布情況,選取能夠準(zhǔn)確識(shí)別航空構(gòu)件缺陷的特征參數(shù),并采用二叉樹分類器對(duì)缺陷進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文的二叉樹分類器能夠基本識(shí)別航空構(gòu)件的各類缺陷。
[Abstract]:The main purpose of aeronautical component defect detection is to ensure the quality and performance of aeronautical component products, to avoid the failure of aviation equipment and the occurrence of safety accidents due to component defects. The research on automatic detection of various kinds of defects by digital image processing has been paid more attention by scholars all over the world. However, due to the blur of the edge of the defect image and the low contrast, the defects are missed and misjudged. Therefore, this paper mainly studies image enhancement, image segmentation and defect extraction in defect detection technology. The main work is as follows: 1) aiming at the problems of edge blur and ring effect in anisotropic diffusion model for image denoising enhancement. A new adaptive bidirectional diffusion model based on local edge features is proposed. Based on the gradient of four directions and Laplace operator, the structural features of image edges are studied in depth. In this way, the flat region and the edge region of the image are distinguished, and then different diffusion strategies are selected according to the characteristics of each region, so that the model can not only filter the noise but also sharpen the edge details of the image. The experimental results show that the proposed model can not only filter the noise but also sharpen the edge details. Compared with the three diffusion models of PMDF-CBDFs and ABDF, this model can effectively improve the contrast of images. Because the traditional fuzzy C-means clustering algorithm has a single fuzzy membership matrix structure and neglects the correlation of adjacent pixels. The result of image segmentation is not ideal. Although the improved clustering algorithm improves the segmentation effect, the running efficiency is on the low side. In this paper, an intuitionistic fuzzy C-means clustering algorithm based on stratification is proposed. Firstly, the image is divided into several different regions by using the implicit information of the image, and the corresponding clustering centers are calculated. Then, the objective function of fusion pixel correlation and intuitionistic fuzzy membership matrix is constructed by using the correlation between adjacent pixels of image, and the intuitionistic fuzzy membership matrix is solved. The experimental results show that compared with FCM algorithm and FLICM algorithm, this algorithm can not only get better image segmentation effect. It also improves the efficiency of image segmentation greatly.) aiming at the structural features and distribution of common defects of aviation components, the feature parameters which can accurately identify the defects of aviation components are selected. The experimental results show that the binomial tree classifier can recognize the defects of aeronautical components.
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：V267;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂鯉志;強(qiáng)彥;;基于Laplacian金字塔和小波變換的醫(yī)學(xué)CT圖像增強(qiáng)算法[J];計(jì)算機(jī)科學(xué);2016年11期

2 王仲;鄭昒浩;付魯華;茍建松;;光照不均勻圖像的閾值分割[J];計(jì)算機(jī)應(yīng)用研究;2015年11期

3 華浩然;熊娟;袁麗華;;基于紅外熱成像技術(shù)的膠接薄板內(nèi)部缺陷檢測(cè)[J];南昌航空大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

4 周東國(guó);高潮;郭永彩;;一種參數(shù)自適應(yīng)的簡(jiǎn)化PCNN圖像分割方法[J];自動(dòng)化學(xué)報(bào);2014年06期

5 夏清;陳亞凱;張振鑫;杜翔宇;王海娟;許立江;;基于Laplace算子和灰色理論的熱紅外影像邊緣檢測(cè)[J];紅外技術(shù);2014年05期

6 許宏科;秦嚴(yán)嚴(yán);陳會(huì)茹;;一種基于改進(jìn)Canny的邊緣檢測(cè)算法[J];紅外技術(shù);2014年03期

7 陳愷;陳芳;戴敏;張志勝;史金飛;;基于螢火蟲算法的二維熵多閾值快速圖像分割[J];光學(xué)精密工程;2014年02期

8 仲崇峰;劉智;楊陽(yáng);劉丹;;改進(jìn)的基于鄰域隸屬度約束的FCM圖像分割算法[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2013年06期

9 吳彰良;孫長(zhǎng)庫(kù);劉潔;;基于圖像處理的油封缺陷自動(dòng)檢測(cè)與分類識(shí)別方法[J];儀器儀表學(xué)報(bào);2013年05期

10 龔昌來;羅聰;楊冬濤;黃杰賢;;基于正弦灰度變換的紅外圖像增強(qiáng)算法[J];激光與紅外;2013年02期

相關(guān)博士學(xué)位論文 前5條

1 明俊峰;羽毛片缺陷檢測(cè)若干關(guān)鍵技術(shù)的研究[D];廣東工業(yè)大學(xué);2014年

2 陳躍;帶鋼表面缺陷圖像檢測(cè)理論及識(shí)別算法研究[D];中國(guó)礦業(yè)大學(xué);2014年

3 王義文;鋼球表面缺陷檢測(cè)關(guān)鍵技術(shù)研究及樣機(jī)研制[D];哈爾濱理工大學(xué);2010年

4 周德強(qiáng);航空鋁合金缺陷及應(yīng)力脈沖渦流無損檢測(cè)研究[D];南京航空航天大學(xué);2010年

5 江健;航空構(gòu)件一體化超聲成像檢測(cè)的若干關(guān)鍵技術(shù)研究[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 聶慶文;基于偏微分方程的圖像增強(qiáng)[D];昆明理工大學(xué);2016年

2 黃發(fā)亮;基于多特征權(quán)重向量空間模型的航空復(fù)合材料缺陷檢測(cè)技術(shù)研究[D];南昌航空大學(xué);2016年

3 秦峰;航空渦輪葉片缺陷的掃查式渦流檢測(cè)技術(shù)研究[D];北京理工大學(xué);2016年

4 遲強(qiáng);基于高光譜圖像技術(shù)對(duì)牛肉品質(zhì)無損檢測(cè)的研究[D];東北農(nóng)業(yè)大學(xué);2015年

5 胡環(huán)星;基于機(jī)器視覺的磁瓦表面缺陷檢測(cè)技術(shù)研究[D];南昌大學(xué);2015年

6 張明星;X射線鋼管焊縫缺陷的圖像處理與識(shí)別技術(shù)研究[D];電子科技大學(xué);2015年

7 范成龍;基于決策樹的高光譜遙感圖像分類算法研究[D];燕山大學(xué);2014年

8 呂飛飛;航空滾動(dòng)軸承典型缺陷特征分析方法研究[D];河南科技大學(xué);2014年

9 葉志龍;基于圖像處理的焊接缺陷自動(dòng)檢測(cè)方法研究[D];南京航空航天大學(xué);2013年

10 鄭蔚濤;基于Contourlet變換的PCNN圖像增強(qiáng)[D];電子科技大學(xué);2013年

，

本文編號(hào)：1483886