阴极炭块内部缺陷的X射线自动检测与识别研究

论文摘要

随着工业技术的发展，炭素材料的地位将越来越重要。炭素材料的各生产和使用单位迫切需要一种行之有效的缺陷检测方法，来控制和改善产品质量。然而，炭素材料检测信号的信噪比一般都较低，因而很难有效地将其内部缺陷检测出来。因此，寻求有效的检测方法和手段势在必行。论文以阴极炭块这一典型的炭素制品为研究对象，对其内部缺陷的自动检测与识别的关键技术进行了深入系统的研究，设计开发了X射线自动检测系统。主要研究内容如下： 第一章对炭素制品内部缺陷无损检测的研究现状进行了综述，结合工程项目，提出了本文的研究内容，指出了缺陷自动检测所必须解决的关键问题。 第二章首先分析了炭素制品缺陷检测的各种方法，着重对超声波检测及X射线检测方法作出了全面的评述，并提出炭素制品内部缺陷不宜采用超声波脉冲回波法进行检测；超声波波速检测法适合于检测炭素制品的均质结构，一般能探测(反映)内部缺陷，但不能定量地评定结构缺陷；提出了X射线法适合定量评价炭素制品的内部缺陷，可获得较好识别效果，能够实现缺陷的定量评价；根据实验首次建立了炭素制品曝光量曲线，该曲线对于指导一定厚度炭素制品选择多大透照电压，从而获得较清晰的射线图像具有重要的现实意义。 第三章运用小波理论研究了紧支集双正交小波基的构造方法，成功地构造出适合阴极炭块X射线图像处理的双正交样条小波基。设计了目标边界提取算法，以排除图片的背景干扰。研究了基于小波变换的图像消噪及增强方法，成功地设计了直方图加子波的图像增强算法及在此基础上的基于同态滤波的图像不均度调整方法。提出了基于小波变换的边缘检测和阈值分割的缺陷检测算法，实现了阴极炭块内部缺陷的检测。 第四章在图像增强的基础上，研究了缺陷自动检测方法，提出了基于数学形态学的缺陷边缘提取以及数学形态学结合阈值法提取缺陷区域的两种缺陷检测方法，两法基本上排除了噪声的干扰影响，很好地从图像中提取和分割出所需的缺陷样本。 第五章分析了表征缺陷的特征量类型，成功地从得到的缺陷样本中提取了19个具有代表性的特征量。在此基础上，建立了特征组合分

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 问题的提出
• 1.2 无损检测的意义和方法
• 1.2.1 无损检测的内涵
• 1.2.2 无损检测的意义
• 1.2.3 无损检测方法
• 1.3 炭素材料无损检测的研究现状
• 1.4 论文的研究背景和意义
• 1.5 论文研究的内容
• 1.6 论文的创新与局限
• 第二章 炭素制品缺陷检测方法及成像技术探讨
• 2.1 引言
• 2.2 阴极炭块的缺陷类型及检测要求探讨
• 2.2.1 阴极炭块的缺陷类型
• 2.2.2 缺陷的检测要求
• 2.3 炭素制品内部缺陷检测方法的探讨
• 2.3.1 试块的制作
• 2.3.2 检测方法的探讨
• 2.4 炭素制品X射线成像技术研究
• 2.4.1 缺陷成像特征描述
• 2.4.2 X射线衰减规律
• 2.4.3 X射线检测原理
• 2.4.4 炭素制品曝光曲线的确定
• 2.5 本章小结
• 第三章 小波分析理论及其在X射线图像处理中的应用研究
• 3.1 引言
• 3.2 小波分析的理论研究
• 3.2.1 概述
• 3.2.2 图像的二维小波变换
• 3.2.3 紧支集双正交样条小波的构造
• 3.3 基于小波变换的缺陷检测算法流程
• 3.4 目标区域的分割
• 3.4.1 Canny算子检测
• 3.4.2 边界分割算法及分割结果
• 3.5 基于小波变换的图像增强技术
• 3.5.1 传统图像增强处理技术
• 3.5.2 基于小波变换的阈值化去噪方法
• 3.5.3 基于软阈值的小波图像增强
• 3.5.4 直方图加子波的图像增强
• 3.5.5 图像的不均度调整
• 3.6 基于小波变换的缺陷边缘提取
• 3.6.1 传统边缘检测算法存在的问题
• 3.6.2 基于小波变换的边缘检测原理
• 3.6.3 基于B样条小波的多尺度局部模极大值边缘检测
• 3.6.4 图像检测结果分析
• 3.6.5 小波边缘检测图的二值去噪处理
• 3.7 基于小波变换的缺陷区域提取
• 3.7.1 基于灰度的分割
• 3.7.2 基于小波变换的阈值法分割
• 3.8 本章小结
• 第四章 基于数学形态学的X射线图像缺陷检测方法研究
• 4.1 引言
• 4.2 数学形态学的理论研究
• 4.2.1 数学形态学的基本概念
• 4.2.2 数学形态学的基本运算
• 4.2.3 基于数学形态学的图像分割与边缘检测
• 4.2.4 噪声滤除
• 4.3 基于数学形态学的缺陷区域提取
• 4.3.1 最佳阈值的选取
• 4.3.2 可疑点的搜索及其区域的确定
• 4.3.3 图像的噪声去除
• 4.3.4 图像可疑点的合并
• 4.3.5 缺陷样本的输出
• 4.4 基于数学形态学的缺陷边缘提取
• 4.4.1 二值图像的缺陷边缘提取
• 4.4.2 边缘提取的噪声影响分析
• 4.5 本章小结
• 第五章 X射线图像的缺陷特征提取与选择
• 5.1 引言
• 5.2 缺陷原始特征量的提取
• 5.2.1 特征提取与选择的基本概念
• 5.2.2 原始特征量的提取
• 5.2.3 缺陷样本特征值的输出
• 5.3 基于遗传算法的特征优化选择
• 5.3.1 遗传算法的基本原理和方法
• 5.3.2 特征组合分类能力的数学模型
• 5.3.3 基于遗传算法的特征选择
• 5.3.4 仿真结果及分析
• 5.4 本章小结
• 第六章 基于神经网络的缺陷模式识别
• 6.1 引言
• 6.2 神经网络的选择与算法原理
• 6.2.1 神经网络选择
• 6.2.2 BP神经网络模型的算法
• 6.3 基于BP网络的分类器设计
• 6.3.1 BP网络模型的结构设计
• 6.3.2 BP网络的建立、学习和训练
• 6.3.3 BP网络分类器性能评估
• 6.4 缺陷的识别
• 6.4.1 学习样本和测试样本的获取
• 6.4.2 特征选择的结果
• 6.4.3 特征选择结果的归一化处理
• 6.4.4 分类器的测试结果
• 6.5 本章小结
• 第七章 X射线自动检测系统研制
• 7.1 引言
• 7.2 系统总体设计方案
• 7.3 系统软件开发
• 7.3.1 软件系统总体结构
• 7.3.2 系统的工作流程
• 7.4 系统功能与操作
• 7.5 本章小结
• 第八章 结论
• 参考文献
• 致谢
• 攻读博士学位期间发表的论文及研究成果
• 攻读博士学位期间从事的相关的科研工作