鑄造技術(shù)因其低廉的成本、較短的生產(chǎn)周期和靈活的生產(chǎn)方式等優(yōu)點(diǎn)被廣泛應(yīng)用于工業(yè)生產(chǎn)中,同時(shí)也推動(dòng)了我國(guó)汽車市場(chǎng)的迅猛發(fā)展。為保障汽車質(zhì)量及其安全性,鑄造廠商不斷加強(qiáng)生產(chǎn)流程中對(duì)鑄件缺陷的檢測(cè)力度。工業(yè)上廣泛使用的X射線自動(dòng)缺陷檢測(cè)技術(shù),相比人工缺陷檢測(cè)具有較高的穩(wěn)定性和一致性。為了進(jìn)一步改善X射線檢測(cè)技術(shù),提高缺陷自動(dòng)識(shí)別算法的準(zhǔn)確度,需要采集大量X射線缺陷樣本進(jìn)行深入學(xué)習(xí)。面對(duì)鑄造產(chǎn)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(jià)值。本文針對(duì)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(gè)階段:前期準(zhǔn)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(nèi)容如下:1)根據(jù)鑄件中的疏松缺陷的形成過(guò)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(lái)生成具有一定隨機(jī)性的仿真疏松缺陷;為了提高運(yùn)算速度,又采用主成分分析方法對(duì)數(shù)據(jù)集進(jìn)行整合和壓縮。2)借助雙邊濾波器突出的去噪保邊特性,對(duì)... 

【文章來(lái)源】：華南理工大學(xué)廣東省211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

鑄件缺陷類型

但如若金屬液未能及時(shí)對(duì)收縮后產(chǎn)生的空缺進(jìn)行良好的填性小孔，即為疏松[11]。對(duì)于存在疏松缺陷的鑄件，其在承重能力、工性等各個(gè)方面都會(huì)受到較大的影響，考慮到工業(yè)產(chǎn)品的安全性，因理。缺陷的視覺特征分析對(duì)疏松缺陷的仿真，首先要對(duì)其特征進(jìn)行全方位的識(shí)別和提取。圖像征圖像所蘊(yùn)含語(yǔ)義的屬性數(shù)據(jù)，這些屬性數(shù)據(jù)代表圖像本身，并參與等計(jì)算過(guò)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(dú)立性好且數(shù)量少的圖像特征。為了便于對(duì)圖像特征進(jìn)行分析，常將的和領(lǐng)域相關(guān)的兩種，所謂通用的視覺特征多關(guān)注的是圖像之間的共度、形狀和紋理，而無(wú)關(guān)乎圖像中的內(nèi)容，對(duì)于領(lǐng)域相關(guān)的視覺特征恰更關(guān)注圖像的內(nèi)容及其相關(guān)應(yīng)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(jìn)行圖像特征描述，可以通過(guò)向量的維度來(lái)減少計(jì)算量，但因其檢索效率較低，所以常被用來(lái)過(guò)濾圖像以縮圍；顏色聚合向量（Color Coherence Vector）實(shí)則是由顏色直方圖演變而成的種方法相比，它的特點(diǎn)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(duì)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(gè)灰度等級(jí)，從 0 到 255，表征亮度由暗到明。用灰度直方圖來(lái)概括性地描述圖像中的灰度級(jí)內(nèi)容，在二維坐標(biāo)中，橫坐標(biāo)表的各個(gè)灰度級(jí)分布，范圍一般為[0,255]，縱坐標(biāo)則對(duì)應(yīng)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(lái)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(diǎn)連接成映出灰度的位置信息。

【參考文獻(xiàn)】：
期刊論文
[1]圖像紋理檢測(cè)與特征提取技術(shù)研究綜述[J]. 李秀怡.  中國(guó)管理信息化. 2017(23)
[2]機(jī)床工作臺(tái)鑄造過(guò)程溫度場(chǎng)模擬及缺陷預(yù)測(cè)[J]. 郭凱,何家寧,馬迪,應(yīng)武權(quán).  鑄造技術(shù). 2017(09)
[3]X射線檢測(cè)技術(shù)在復(fù)合材料檢測(cè)中的應(yīng)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(wú)損檢測(cè). 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(bào). 2015(10)
[5]面向低維點(diǎn)集配準(zhǔn)的高效最近鄰搜索法[J]. 祝繼華,尹俊,邗汶鋅,杜少毅.  模式識(shí)別與人工智能. 2014(12)
[6]空中模糊目標(biāo)圖像邊緣信息的融合與恢復(fù)方法[J]. 王水萍,鄒蕾.  科技通報(bào). 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(dǎo)刊. 2014(05)
[8]電磁層析無(wú)損檢測(cè)系統(tǒng)中碳纖維復(fù)合材料缺陷重建的仿真[J]. 許羽,劉澤,程軼平.  無(wú)損檢測(cè). 2011(06)
[9]基于形狀特征的圖像特征提取方法及其在醫(yī)學(xué)圖像分析中的應(yīng)用[J]. 史顏玲,王忠義.  許昌學(xué)院學(xué)報(bào). 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(yáng)兆煊,許國(guó)慶.  計(jì)算機(jī)工程與設(shè)計(jì). 2010(05)

博士論文
[1]圖像質(zhì)量評(píng)價(jià)若干問題研究[D]. 王同罕.東南大學(xué) 2016

碩士論文
[1]X射線的缺陷檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 李學(xué)永.華南理工大學(xué) 2016
[2]基于機(jī)器學(xué)習(xí)的圖像質(zhì)量評(píng)價(jià)研究[D]. 王嘯晨.天津大學(xué) 2016
[3]疏松缺陷圖像的自動(dòng)生成算法研究[D]. 黃德龍.華南理工大學(xué) 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(xué) 2016
[5]雙邊濾波去噪方法及其應(yīng)用研究[D]. 張海榮.合肥工業(yè)大學(xué) 2014
[6]主客觀相結(jié)合的遙感圖像質(zhì)量評(píng)價(jià)方法研究[D]. 李玲琳.南京理工大學(xué) 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(xué) 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(shí)現(xiàn)[D]. 劉黎寧.西北大學(xué) 2011



本文編號(hào)：3616378