基于X射線實(shí)時(shí)成像系統(tǒng)圖像處理與缺陷識(shí)別的研究.pdf

1、在工業(yè)生產(chǎn)中，工業(yè)射線實(shí)時(shí)成像技術(shù)是射線無(wú)損檢測(cè)的新技術(shù)和發(fā)展方向。從目前無(wú)損檢測(cè)技術(shù)在生產(chǎn)中的應(yīng)用來(lái)看，射線檢測(cè)約占40％，可見(jiàn)射線檢測(cè)占有十分重要的地位。
　　 傳統(tǒng)的射線檢測(cè)是基于膠片成像的，但是膠片成像存在著很多缺點(diǎn)，如不能滿足實(shí)時(shí)成像、成本過(guò)高、圖像管理不便以及靠人工進(jìn)行評(píng)估等。針對(duì)這些問(wèn)題，本文設(shè)計(jì)了一個(gè)基于X射線實(shí)時(shí)成像的檢測(cè)與缺陷識(shí)別系統(tǒng)，對(duì)采集到的X射線圖片，進(jìn)行了圖像增強(qiáng)、圖像噪聲濾除等預(yù)處理，然后對(duì)圖像中的

2、缺陷進(jìn)行特征提取和利用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)缺陷類型進(jìn)行識(shí)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(duì)傳統(tǒng)的濾波不能解決高斯噪聲和脈沖噪聲同時(shí)存在的問(wèn)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(cè)圖像的噪聲類型，然后對(duì)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(jìn)行濾波。
　　 針對(duì)X射線圖片對(duì)比度低、邊緣模糊等特點(diǎn)，采用線性和

3、非線性灰度增強(qiáng)以及直方圖等增強(qiáng)方法，這些方法在一定程度上拉開(kāi)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(guò)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(jìn)了一種基于形態(tài)學(xué)梯度的X射線圖像邊緣檢測(cè)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(duì)圖像的全局和局部屬性選取閾值進(jìn)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(guò)對(duì)缺陷特點(diǎn)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(jì)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(duì)X射線圖片中缺陷進(jìn)行分類識(shí)別。在對(duì)系統(tǒng)架構(gòu)進(jìn)行了分析和設(shè)計(jì)后，利用Visual C++開(kāi)發(fā)了基于X射線的圖像處理軟件平臺(tái)。本文最后把設(shè)計(jì)的X射線實(shí)時(shí)成像檢測(cè)與缺陷識(shí)別系統(tǒng)應(yīng)用到太陽(yáng)能硅電池