基于图像处理的连铸方坯低倍缺陷裂纹和缩孔的识别与评级
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 连铸坯内部缺陷识别和评级研究现状 | 第11-14页 |
| 1.3 图像处理技术在缺陷检测中的应用现状 | 第14-16页 |
| 1.4 课题主要研究内容 | 第16-19页 |
| 第2章 低倍缺陷图像的特征分析及预处理 | 第19-31页 |
| 2.1 连铸坯低倍缺陷的特征分析 | 第19-21页 |
| 2.1.1 连铸坯低倍缺陷的成因分析 | 第19-20页 |
| 2.1.2 铸坯低倍试样的特征分析 | 第20-21页 |
| 2.2 铸坯低倍试样图像的特征分析 | 第21-23页 |
| 2.3 确定有效区域 | 第23页 |
| 2.4 灰度图像的噪声分析和滤除 | 第23-29页 |
| 2.4.1 灰度图像的噪声种类分析 | 第23-25页 |
| 2.4.2 常见滤波的原理及处理效果 | 第25-27页 |
| 2.4.3 加权自适应中值滤波的原理及处理效果 | 第27-29页 |
| 2.5 小结 | 第29-31页 |
| 第3章 铸坯低倍缺陷缩孔的识别与评级 | 第31-51页 |
| 3.1 缩孔国家标准的分析及划分 | 第31-33页 |
| 3.1.1 缩孔国家标准的分析 | 第31-32页 |
| 3.1.2 缩孔评级标准的划分 | 第32-33页 |
| 3.2 缩孔样张的分类 | 第33-34页 |
| 3.3 疑似缩孔区域的分割 | 第34-40页 |
| 3.3.1 确定缩孔处理区域 | 第34-35页 |
| 3.3.2 基于灰度平均值的阈值分割及效果对比 | 第35-39页 |
| 3.3.3 边缘提取的原理及效果对比 | 第39-40页 |
| 3.4 缩孔特征参数的选择和提取 | 第40-44页 |
| 3.4.1 缩孔特征参数的种类和选择 | 第41-44页 |
| 3.4.2 缩孔特征参数的提取 | 第44页 |
| 3.5 基于神经网络分类器的缩孔识别 | 第44-50页 |
| 3.5.1 神经网络识别的基本原理 | 第45-48页 |
| 3.5.2 缩孔识别与结果分析 | 第48-50页 |
| 3.6 小结 | 第50-51页 |
| 第4章 铸坯低倍缺陷裂纹的识别与评级 | 第51-69页 |
| 4.1 裂纹国家标准的分析及划分 | 第51-55页 |
| 4.1.1 裂纹国家标准的分析 | 第51-53页 |
| 4.1.2 裂纹的评级标准的划分 | 第53-55页 |
| 4.2 疑似裂纹区域的分割与定位 | 第55-62页 |
| 4.2.1 裂纹试样图像的分析 | 第55-56页 |
| 4.2.2 基于灰度众数的自适应阈值分割 | 第56-58页 |
| 4.2.3 干扰区域的去除 | 第58-59页 |
| 4.2.4 基于凸包连接的聚类分析 | 第59-62页 |
| 4.3 基于神经网络分类器的裂纹识别 | 第62-66页 |
| 4.3.1 裂纹特征参数的选择与提取 | 第62-64页 |
| 4.3.2 人工神经网络的识别及结果分析 | 第64-66页 |
| 4.4 边部裂纹的识别 | 第66-67页 |
| 4.5 小结 | 第67-69页 |
| 第5章 低倍缺陷自动评级的软件设计 | 第69-77页 |
| 5.1 系统的整体设计 | 第69-71页 |
| 5.1.1 系统的整体功能设计 | 第69-70页 |
| 5.1.2 裂纹和缩孔的检测流程设计 | 第70-71页 |
| 5.2 软件系统功能模块设计 | 第71-76页 |
| 5.2.1 采集试样图像处理模块 | 第72-73页 |
| 5.2.2 国家标准模块 | 第73-74页 |
| 5.2.3 数据管理模块 | 第74-75页 |
| 5.2.4 设置模块 | 第75-76页 |
| 5.3 缺陷识别结果及原因分析 | 第76页 |
| 5.4 小结 | 第76-77页 |
| 第6章 结论与展望 | 第77-79页 |
| 6.1 结论 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83页 |
