基于X射線實時成像系統(tǒng)圖像處理與缺陷識別的研究.pdf

1、在工業(yè)生產(chǎn)中，工業(yè)射線實時成像技術(shù)是射線無損檢測的新技術(shù)和發(fā)展方向。從目前無損檢測技術(shù)在生產(chǎn)中的應(yīng)用來看，射線檢測約占40％，可見射線檢測占有十分重要的地位。
　　 傳統(tǒng)的射線檢測是基于膠片成像的，但是膠片成像存在著很多缺點，如不能滿足實時成像、成本過高、圖像管理不便以及靠人工進行評估等。針對這些問題，本文設(shè)計了一個基于X射線實時成像的檢測與缺陷識別系統(tǒng)，對采集到的X射線圖片，進行了圖像增強、圖像噪聲濾除等預(yù)處理，然后對圖像中的

2、缺陷進行特征提取和利用BP神經(jīng)網(wǎng)絡(luò)分類器對缺陷類型進行識別分類等研究工作。
　　 圖像的預(yù)處理是后續(xù)圖像處理的基礎(chǔ)，針對傳統(tǒng)的濾波不能解決高斯噪聲和脈沖噪聲同時存在的問題，本文提出了一種基于自適應(yīng)加權(quán)中值和高斯加權(quán)均值的自適應(yīng)混合濾波方法。該方法首先檢測圖像的噪聲類型，然后對受脈沖干擾和受高斯噪聲影響的圖像分別采用自適應(yīng)加權(quán)中值濾波和高斯加權(quán)均值濾波方法進行濾波。
　　 針對X射線圖片對比度低、邊緣模糊等特點，采用線性和

3、非線性灰度增強以及直方圖等增強方法，這些方法在一定程度上拉開了圖像的灰度分布，使圖像更加清晰明亮。
　　 在圖像特征提取過程中，邊緣提取是解決缺陷標(biāo)記的有效方法，本文分析了幾種經(jīng)典邊緣提取方法，以及改進了一種基于形態(tài)學(xué)梯度的X射線圖像邊緣檢測方法。為了得到更好的閾值分割效果，本文還采用一種基于模糊集合的多屬性閾值分割算法，針對圖像的全局和局部屬性選取閾值進行分割。這些方法應(yīng)用在X射線圖片特征提取中取得較好的效果。
　　

4、缺陷特征參數(shù)的選擇和提取是缺陷分類的前提，直接影響著分類結(jié)果，通過對缺陷特點的分析，本文選取了幾何特征，圖像不變矩和灰度特征這些能準(zhǔn)確反映缺陷本質(zhì)特征的特征參數(shù)，并給出了各自的計算方法。在缺陷分類的解決方案上，采用具有自組織、自適應(yīng)的BP神經(jīng)網(wǎng)絡(luò)算法對X射線圖片中缺陷進行分類識別。在對系統(tǒng)架構(gòu)進行了分析和設(shè)計后，利用Visual C++開發(fā)了基于X射線的圖像處理軟件平臺。本文最后把設(shè)計的X射線實時成像檢測與缺陷識別系統(tǒng)應(yīng)用到太陽能硅電池