基于圖像處理的焊接缺陷自動(dòng)檢測(cè)方法研究.pdf

1、焊接缺陷檢測(cè)是保證焊接產(chǎn)品質(zhì)量的重要手段,傳統(tǒng)的缺陷檢測(cè)方法主要依靠人工對(duì)焊接X(jué)射線圖像進(jìn)行評(píng)判,效率低、誤檢率高。近年來(lái),利用圖像處理技術(shù)進(jìn)行焊接缺陷自動(dòng)檢測(cè)已受到各國(guó)研究者的重視。本文在前人研究成果的基礎(chǔ)上,研究了焊接缺陷檢測(cè)涉及的焊接缺陷圖像去噪、圖像增強(qiáng)、圖像分割、特征提取及分類方法,主要工作如下:
　　首先,提出了一種基于小波-Contourlet變換和各向異性擴(kuò)散的焊接缺陷圖像噪聲抑制方法。利用小波-Contourle

2、t變換對(duì)焊接缺陷圖像進(jìn)行分解;對(duì)得到的低頻和高頻分量分別進(jìn)行改進(jìn)的TV和Catte_PM/核各向異性擴(kuò)散處理,最后,利用小波-Contourlet逆變換進(jìn)行重構(gòu),得到噪聲抑制后的圖像。結(jié)果表明,與CTND、WSTV和CPMTV三種噪聲抑制方法相比,該方法的噪聲抑制能力更強(qiáng),且更為完整地保留了焊接缺陷圖像的細(xì)節(jié)邊緣信息。
　　然后,研究了一種基于非下采樣Shearlet變換和非線性增益函數(shù)的焊接缺陷圖像增強(qiáng)方法。首先,利用非下采樣

3、Shearlet變換將焊接缺陷圖像分解成一個(gè)低頻子帶和若干高頻子帶;然后利用基于非線性增益函數(shù)和圖像分割方法調(diào)整低頻子帶系數(shù),依據(jù)高頻子帶系數(shù)分布自適應(yīng)地調(diào)整閾值和增強(qiáng)函數(shù),并對(duì)高頻子帶進(jìn)行增強(qiáng)處理;最后,對(duì)增強(qiáng)后的高低頻子帶系數(shù)進(jìn)行非下采樣Shearlet逆變換,實(shí)現(xiàn)焊接缺陷圖像的增強(qiáng)。實(shí)驗(yàn)結(jié)果表明,與Contourlet域增強(qiáng)方法、NSCT域增強(qiáng)方法相比,該方法能夠有效地提升圖像的對(duì)比度,缺陷的邊緣細(xì)節(jié)更為清晰。
　　隨后,討

4、論了一種基于指數(shù)交叉熵和改進(jìn)的PCNN焊接缺陷圖像分割方法。該方法根據(jù)圖像灰度信息改進(jìn)了PCNN中的連接權(quán)矩陣和動(dòng)態(tài)閾值函數(shù),并通過(guò)改進(jìn)的PCNN對(duì)焊接缺陷圖像進(jìn)行分割;利用分割前后圖像間的指數(shù)交叉熵確定最佳迭代次數(shù)。實(shí)驗(yàn)結(jié)果表明,本文方法的焊接缺陷分割結(jié)果優(yōu)于TECE方法和PCNN方法。
　　接著,實(shí)現(xiàn)了一種基于改進(jìn)CV模型和PCNN的NSST域焊接缺陷提取方法。首先對(duì)焊接缺陷圖像進(jìn)行NSST分解,對(duì)得到的低頻分量采用PCNN提

5、取出缺陷的主要區(qū)域;然后,利用背景抑制后的低頻分量和高頻分量構(gòu)造出高頻特征圖像,并對(duì)其進(jìn)行粗分割,利用改進(jìn)的 CV模型尋找最優(yōu)輪廓,提取出缺陷的精細(xì)輪廓;最后,融合缺陷的主要區(qū)域和精細(xì)輪廓信息得到最終的結(jié)果。實(shí)驗(yàn)結(jié)果表明,與STCE方法、PCNN方法及NSCT結(jié)合PCNN方法相比,本方法提取的缺陷結(jié)構(gòu)更為完整,缺陷輪廓更為精細(xì)。
　　最后,提出了一種基于Contourlet變換和混沌粒子群優(yōu)化KPCA的焊接缺陷圖像特征提取方法。首