论文摘要
在工业生产中,工业射线实时成像技术是射线无损检测的新技术和发展方向。从目前无损检测技术在生产中的应用来看,射线检测约占40%,可见射线检测占有十分重要的地位。传统的射线检测是基于胶片成像的,但是胶片成像存在着很多缺点,如不能满足实时成像、成本过高、图像管理不便以及靠人工进行评估等。针对这些问题,本文设计了一个基于X射线实时成像的检测与缺陷识别系统,对采集到的X射线图片,进行了图像增强、图像噪声滤除等预处理,然后对图像中的缺陷进行特征提取和利用BP神经网络分类器对缺陷类型进行识别分类等研究工作。图像的预处理是后续图像处理的基础,针对传统的滤波不能解决高斯噪声和脉冲噪声同时存在的问题,本文提出了一种基于自适应加权中值和高斯加权均值的自适应混合滤波方法。该方法首先检测图像的噪声类型,然后对受脉冲干扰和受高斯噪声影响的图像分别采用自适应加权中值滤波和高斯加权均值滤波方法进行滤波。针对X射线图片对比度低、边缘模糊等特点,采用线性和非线性灰度增强以及直方图等增强方法,这些方法在一定程度上拉开了图像的灰度分布,使图像更加清晰明亮。在图像特征提取过程中,边缘提取是解决缺陷标记的有效方法,本文分析了几种经典边缘提取方法,以及改进了一种基于形态学梯度的X射线图像边缘检测方法。为了得到更好的阈值分割效果,本文还采用一种基于模糊集合的多属性阈值分割算法,针对图像的全局和局部属性选取阈值进行分割。这些方法应用在X射线图片特征提取中取得较好的效果。缺陷特征参数的选择和提取是缺陷分类的前提,直接影响着分类结果,通过对缺陷特点的分析,本文选取了几何特征,图像不变矩和灰度特征这些能准确反映缺陷本质特征的特征参数,并给出了各自的计算方法。在缺陷分类的解决方案上,采用具有自组织、自适应的BP神经网络算法对X射线图片中缺陷进行分类识别。在对系统架构进行了分析和设计后,利用Visual C++开发了基于X射线的图像处理软件平台。本文最后把设计的X射线实时成像检测与缺陷识别系统应用到太阳能硅电池板缺陷检测与识别中,获得了比较理想的效果。
论文目录
摘要ABSTRACT第一章 绪论1.1 引言1.2 X射线实时成像系统概述1.3 X射线实时成像系统的现状和发展趋势1.3.1 X射线图像增强器实时成像系统1.3.2 线阵式数字成像系统1.3.3 面板式射线数字成像系统1.3.4 高能X射线数字成像技术1.4 X射线实时成像系统的应用1.5 课题的提出1.6 论文的主要工作第二章 X射线实时成像系统设计2.1 概述2.2 X射线实时成像系统工作原理2.3 实时系统介绍2.4 X射线实时成像系统结构设计2.5 X射线实时成像系统主要器件的介绍2.5.1 X射线发生器2.5.2 X射线接收转换装置2.5.3 CCD摄像头2.5.4 图像采集方式2.6 本章小结第三章 射线图像预处理算法3.1 数字图像处理基础3.1.1 图像数字化3.1.2 数字图像处理3.2 图像噪声滤除3.2.1 线性滤波消除噪声3.2.2 非线性滤波消除噪声3.2.3 自适应混合滤波3.3 图像增强3.3.1 频率域图像增强3.3.2 空间域图像增强3.3.3 伪彩色增强3.4 本章小结第四章 射线图象特征提取算法4.1 特征的提取4.1.1 特征提取和特征选择基本概念4.1.2 常用的图像特征4.2 图像的边界分割技术4.2.1 经典的边缘分割算法4.2.2 改进的形态学边缘检测算法4.3 图像的区域分割技术4.3.1 阈值分割4.3.2 模糊阈值多属性分割方法4.4 太阳能电池缺陷特征量的提取4.5 本章小结第五章 神经网络缺陷识别5.1 BP神经网络的算法5.1.1 BP神经网络结构及算法5.1.2 BP算法的不足与改进设计5.2 基于BP神经网络太阳能硅晶片缺陷类型分类器的设计5.2.1 输入节点的确定5.2.2 输出节点的确定5.2.3 隐含层数及隐含层神经元个数的确定5.2.4 初始权值的设计5.3 太阳能硅晶片电池板缺陷识别5.3.1 学习样本与测试样本的获取5.3.2 特征量的归一化处理5.3.3 分类器的测试结果与分析5.4 本章小结第六章 软件系统的设计与实现6.1 Visual C++集成开发环境介绍6.2 系统的设计与实现6.2.1 系统总体设定模块的设计与实现6.2.2 图像手动处理模块的设计与实现6.2.3 图像采集模块的设计与实现6.2.4 图像自动处理模块的设计与实现6.2.5 图像管理模块的设计与实现6.3 软件外围环境6.4 本章小结第七章 总结与展望7.1 工作总结7.2 研究展望参考文献致谢攻读硕士期间发表的论文
相关论文文献
标签：射线实时成像系统论文; 自适应混合滤波论文; 特征提取论文; 缺陷识别论文;
