共查询到20条相似文献,搜索用时 31 毫秒
1.
为提高X射线图像缺陷自动识别的能力与图像分割的效果,提出了一种基于主成分分析法的X射线焊缝缺陷图像增强与分割算法。该算法首先通过计算图像的协方差矩阵特征值与其对应的特征向量,并根据特征向量分布,选择感兴趣区域即图像中的焊缝部分,从而减少图像处理的计算量;其次通过分析特征值累计百分比和试验结果,筛选出最佳的特征向量,对图像进行基于主成分的重构;最后采用Otsu阈值分割法,对重构后的图像进行分割。试验结果表明,该算法在对比度低、噪声严重的X射线缺陷图像分割中有很好的应用效果。 相似文献
2.
3.
漏磁(MFL)检测信号常被多种噪声源污染,极大地降低了漏磁信号中缺陷信号的可检测性。提出一种漏磁信号去噪新方法。该法首先利用自适应滤波方法去除漏磁信号中的无缝管道噪声(SPN),然后再利用小波系数去噪方法去除SPN自适应消除系统输出的漏磁信号中的噪声。实测的漏磁信号处理结果说明,该方法具有良好的去噪效果,可提高漏磁信号中缺陷信号的可检测性。 相似文献
4.
振动系统固有频率与振型的矩阵迭代程序 总被引:1,自引:0,他引:1
本文根据 D.J.HATTER 矩阵迭代法,应用 BASIC—Ⅱ算法语言及其矩阵语句,编制出求解方阵的主特征值和主特征向量的子程序、计算方阵全部特征值和特征向量的程序以及振动系统固有频率和振型的程序。本文的程序均在 WANG—2200 VP计算机调试通过。本文的程序可作为通用程序使用。 相似文献
5.
针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得到反映实际故障信息的信号,证实所提出方法的实用性和有效性。 相似文献
6.
《组合机床与自动化加工技术》2019,(9)
为提取滚动轴承故障诊断中的信号,给出一种分离故障信号的新方法。该方法先对原始信号进行自相关去噪,再对去噪信号进行经验模态分解(EMD),得到各个本征模态函数(IMF),计算各个本征模态与去噪信号的相关系数。选择相关系数绝对值较大的本征模态进行重构,再对其去噪。最后对IMF重构信号进行包络谱分析,可以清晰地看到故障特征频率。通过仿真分析和两种不同轴承试验结果表明,所提出的方法可以有效地抑制噪声,并能得到反映实际故障信息的信号。 相似文献
7.
8.
9.
针对利用抽油机悬点加速度信号计算位移精度较差的问题,提出自适应噪声的完备集合经验模态分解(CEEMDAN)自适应降噪和极点对称模态分解(ESMD)去趋势项相结合的求解方法。首先使用CEEMDAN分解加速度信号,然后根据模态分量自相关函数与原始信号自相关函数的相关系数,确定噪声分量和有效分量的分界点;进一步采用小波阈值法提取噪声分量中有用信号,并基于排列熵的性质自适应确定小波分解的层数;重构所有模态分量实现降噪;再对消噪的加速度信号进行积分变换得到位移,最后使用ESMD剔除趋势项。仿真分析和实测数据结果表明,该方法比现有方法精度更高、自适应性更好。 相似文献
10.
目的去除冷轧铝板表面缺陷图像中的噪声,并保持图像的清晰度以及图像的细节信息,避免冷轧铝板表面缺陷图像中的噪声引起错误的缺陷检测。方法首先,引入双边滤波方法,并联合概率分布函数以及最大似然函数求取图像的噪声方差,自适应地对双边滤波函数中灰度方差值进行调整,实现对冷轧铝板表面缺陷图像中噪声进行滤除。然后,为了对双边滤波去噪后遗留下的强噪声进行去除,利用像素点之间的差值,构造区域相似度模型,对双边滤波去噪后图像中的强噪声进行判定。最后,借助中值滤波方法在对强噪声进行滤除的同时,兼顾保持图像的清晰度,进而达到去除冷轧铝板表面缺陷图像中的噪声,并保持图像细节以及清晰度的目的。结果所设计方法在噪声强度分别为0.09、0.12以及0.15时,所得去噪图像的MSE值分别为15.3743、19.7713以及23.7613,所得去噪图像的PSNR值分别为38.4971、35.4792以及31.1768。结论所设计方法不仅能有效去除冷轧铝板表面缺陷图像中的噪声,而且还能较好地保持图像的清晰度以及边缘特征,使得去噪后图像具有较好的视觉效果。 相似文献
11.
稀疏分解算法在薄膜缺陷去噪中的应用 总被引:1,自引:1,他引:0
目的实现锂电池薄膜表面缺陷特征的有效提取。方法采用稀疏分解算法实现表面去噪,即通过选取合适的原子函数,在过完备字典中对含有点噪声、高斯噪声、椒盐噪声和加乘噪声背景下的缺陷图像进行稀疏分解迭代,通过观察法得到终止迭代值作为经验值,并将该经验值用于特定噪声背景下的稀疏分解终止迭代条件,得到去噪后的缺陷图像。最后将该方法与中值滤波技术进行比较。结果稀疏分解的去噪性能远优于中值滤波,对锂电池薄膜缺陷有很好的还原性。结论稀疏分解算法能够较好地去除锂电池薄膜图像中的噪声,从而识别出锂电池薄膜缺陷。 相似文献
12.
为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明:通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。 相似文献
13.
高斯噪声和泊松噪声是影响图像质量的主要噪声源,为了去除这些噪声,大量的图像去噪算法被提出,但这些算法往往局限于去除单一的高斯噪声或泊松噪声。由于字典原子能够自适应的表示图像的结构特征,结合高斯-泊松混合噪声的统计特性,提出一种基于字典学习和非局部结构聚类的高斯-泊松混合噪声去除方法,在稀疏表示的框架下学习字典并重构无噪图像。考虑到图像在非局部范围内存在自相似性,通过对非局部的相似结构进行聚类,将此自相似性作为去噪目标函数的正则项,以提高去噪性能。实验结果表明:提出的算法能够有效的去除图像中的高斯-泊松混合噪声。 相似文献
14.
目的 滤除发动机表面缺陷图像上的噪声,使发动机表面缺陷信息得以更好地呈现。方法 首先利用小波变换将发动机表面缺陷含噪图像进行系数分解,获取不同的小波系数;接着利用支持向量机对小波分解系数进行分类,以达到将噪声信号与非噪声信号进行分离的效果;最后利用插值运算对硬阀值函数进行优化,以克服函数不连续性引起的振铃效应等弊端,使得去噪后图像能够保持更多的细节信息。通过实验仿真将所提方法以及中值滤波、双边滤波方法的去噪效果进行对比。结果 所提方法去噪后图像与中值滤波以及双边滤波方法去噪后图像相比,具有更高的PSNR值以及SSIM值。测试图像噪声强度为25%时,所提方法去噪后图像的PSNR值以及SSIM值较中值滤波方法去噪分别提高了20.66%以及11.89%,较双边滤波方法去噪分别提高了10.30%以及5.48%。结论 所提方法比中值滤波、双边滤波方法具有更好的去噪效果,能够对发动机表面缺陷图像的噪声进行去除,并较好地保留图像的细节信息。 相似文献
15.
16.
目的 对带钢表面图像中的噪声进行有效滤除,以获取较清晰的带钢表面图像,为通过带钢表面图像检测带钢表面缺陷提供良好的源图.方法 利用非下采样Contourlet变换具有精细分解的特性,对获取到的带钢表面图像进行尺度分解,获取图像的高、低频系数.在最大后验概率框架的基础上,以噪声图像系数的方差为判断条件,构建了自适应去噪模型,对带钢图像进行前级去噪.为了进一步去除带钢表面图像中的噪声,利用非局部均值方法对前级去噪后的带钢表面图像进行处理,以达到对带钢表面图像中的噪声进行有效滤除.结果 仿真实验结果显示,与对照组方法相比,采用所设计方法去噪后的带钢表面图像不存在阶梯效应等不足,具有更高的峰值信噪比及结构相似度.结论 本文所提方法能有效去除带钢表面图像中夹杂的噪声,可获取较清晰的带钢表面图像. 相似文献
17.
目的对带钢表面图像中的噪声进行有效滤除,以获取较清晰的带钢表面图像,为通过带钢表面图像检测带钢表面缺陷提供良好的源图。方法利用非下采样Contourlet变换具有精细分解的特性,对获取到的带钢表面图像进行尺度分解,获取图像的高、低频系数。在最大后验概率框架的基础上,以噪声图像系数的方差为判断条件,构建了自适应去噪模型,对带钢图像进行前级去噪。为了进一步去除带钢表面图像中的噪声,利用非局部均值方法对前级去噪后的带钢表面图像进行处理,以达到对带钢表面图像中的噪声进行有效滤除。结果仿真实验结果显示,与对照组方法相比,采用所设计方法去噪后的带钢表面图像不存在阶梯效应等不足,具有更高的峰值信噪比及结构相似度。结论本文所提方法能有效去除带钢表面图像中夹杂的噪声,可获取较清晰的带钢表面图像。 相似文献
18.
大地电磁阻抗估计方法对比 总被引:1,自引:0,他引:1
比较了几种大地电磁阻抗估计方法的性能。为了给阻抗估计结果提供对照标准,首先介绍大地电磁模拟数据的生成方法,并从含噪数据中提取典型的噪声时间序列;然后介绍最小二乘估计、M回归估计、有界影响估计和重复中值估计这4种回归方法的基本原理,并用一组标准数据测试了它们的性能;最后采用4种估计方法处理不同程度加噪的模拟数据,与模拟结果进行比较。结果表明:重复中值估计的稳健性最优;当磁道存在噪声时,有界影响估计给出了明显优于M回归估计的结果,也能满足要求。因此,在实测数据处理中,推荐使用重复中值估计方法与有界影响估计方法。 相似文献