基于 Mask R CNN 的铸件X射线DR图像缺陷检测研究* .txt

摘要：针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题，提出了一种基于Mask R CNN的铸件X射线DR图像缺陷检测算法。首先对原始图像进行预处理，采用引导滤波进行图像平滑，平滑图像与原图像进行差分得到差分图像，将差分图像与平滑图像相加运算使图像增强，再利用Labelme进行图像标注，形成训练数据集。送入Mask R CNN深度学习网络，通过特征提取网络生成建议区域，分类、回归网络生成边界框和掩码，经多次参数调节后得到训练网络模型，最后测试数据集。实验数据结果表明，气泡1～5级的检测率分别为：667%，714%，774%，889%，875%；疏松1～5级检测率为：625%，722%，771%，833%，811%。检测结果证明应用Mask R CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类，为工业铸件缺陷检测提供了应用深度学习方法的解决方案。 .txt     

基于改进 SIFCM 和区域生长的三维 CT 图像缺陷体积测量

针对工件三维CT图像中孔洞和空腔缺陷体积测量问题,本文提出了一种基于改进型空间直觉模糊C均值聚类(NL-SIFCM)和三维区域生长的内部缺陷体积自动测量算法。首先对采集得到三维CT图像进行预处理;随后使用NL-SIFCM在三维CT图像上分割得到二值化缺陷图像组,同时针对三维CT图像切片间具有空间相似性改进得到快速算法;最后对二值化图像组进行三维区域生长得到缺陷体素数和空间结构,并将缺陷空间结构显示于三维可视化软件中辅助检测人员分析缺陷。实验结果表明,对用于模拟缺陷的标准球体积测量值相对误差在1.0%以内,具有较高测量精度;并通过实际工件检测验证了该算法适用性可有效满足CT检测需求。