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)生產中，工業(yè)射線實時成像技術是射線無損檢測的新技術和發(fā)展方向。從目前無損檢測技術在生產中的應用來看，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、圖像噪聲濾除等預處理，然后對圖像中的

2、缺陷進行特征提取和利用BP神經網絡分類器對缺陷類型進行識別分類等研究工作。
　　 圖像的預處理是后續(xù)圖像處理的基礎，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加權中值和高斯加權均值的自適應混合濾波方法。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加權中值濾波和高斯加權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記的有效方法，本文分析了幾種經典邊緣提取方法，以及改進了一種基于形態(tài)學梯度的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確反映缺陷本質特征的特征參數(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、自適應的BP神經網絡算法對X射線圖片中缺陷進行分類識別。在對系統(tǒng)架構進行了分析和設計后，利用Visual C++開發(fā)了基于X射線的圖像處理軟件平臺。本文最后把設計的X射線實時成像檢測與缺陷識別系統(tǒng)應用到太陽能硅電池