摘要 | 第5-7页 |
abstract | 第7-8页 |
第一章 绪论 | 第11-28页 |
1.1 涡流检测技术的研究背景与意义 | 第11-15页 |
1.1.1 新型金属材料的重要作用 | 第11-13页 |
1.1.2 新型金属材料缺陷检测与测量的重要意义 | 第13-15页 |
1.2 涡流磁光成像检测技术的研究现状及难点 | 第15-25页 |
1.2.1 涡流无损检测技术在新型金属材料检测中的研究现状 | 第15-22页 |
1.2.2 涡流磁光成像检测技术研究难点分析 | 第22-25页 |
1.3 本文研究内容和章节安排 | 第25-28页 |
第二章 涡流磁光成像检测技术激励理论研究与分析 | 第28-43页 |
2.1 引言 | 第28页 |
2.2 涡流磁光成像无损检测技术激励源的重要性 | 第28-30页 |
2.3 涡流磁光成像激励源机理分析 | 第30-36页 |
2.3.1 涡流磁光成像激励源检测基本原理 | 第30-33页 |
2.3.2 涡流磁光成像激励源检测技术的信号特点 | 第33-34页 |
2.3.3 不同缺陷对涡流激励信号的影响 | 第34-36页 |
2.4 涡流磁光成像激励检测技术仿真研究 | 第36-38页 |
2.4.1 基于有限元仿真平台的模型研究 | 第36-37页 |
2.4.2 基于仿真结论的涡流激励检测技术 | 第37-38页 |
2.5 涡流磁光成像激励平台设计 | 第38-41页 |
2.6 本章小节 | 第41-43页 |
第三章 涡流磁光成像激励源信号量化检测技术研究与实现 | 第43-77页 |
3.1 引言 | 第43页 |
3.2 不同材料对涡流检测技术的需求与研究难点分析 | 第43-47页 |
3.2.1 非磁性材料对涡流检测技术的需求分析 | 第43-45页 |
3.2.2 铁磁性材料对涡流检测技术的需求分析 | 第45-46页 |
3.2.3 脉冲涡流检测技术的难点分析 | 第46-47页 |
3.3 基于材料电磁特性的涡流激励技术研究与应用 | 第47-57页 |
3.3.1 材料电磁参数与几何参数分离的数学模型研究与分析 | 第47-53页 |
3.3.2 基于参数分离模型的涡流激励检测技术的应用 | 第53-57页 |
3.4 基于趋肤深度量化的涡流激励技术研究与应用 | 第57-61页 |
3.4.1 涡流趋肤深度量化的数学模型研究与分析 | 第57-59页 |
3.4.2 基于涡流量化模型的涡流激励检测技术的应用 | 第59-61页 |
3.5 基于数据驱动的涡流激励源信号特性研究与应用 | 第61-75页 |
3.5.1 涡流激励检测信号的特性研究与分析 | 第61-63页 |
3.5.2 基于激励检测信号的概率分布特性的应用 | 第63-75页 |
3.6 本章小节 | 第75-77页 |
第四章 基于磁光成像的涡流可视化检测技术 | 第77-90页 |
4.1 引言 | 第77页 |
4.2 磁光成像技术基本原理与应用 | 第77-84页 |
4.2.1 磁光成像检测技术原理与方法 | 第77-79页 |
4.2.2 磁光检测图像的特性分析 | 第79-81页 |
4.2.3 磁光图像缺陷检测技术方法 | 第81-84页 |
4.3 涡流磁光成像检测系统平台 | 第84-89页 |
4.3.1 涡流磁光成像系统结构 | 第84-85页 |
4.3.2 涡流磁光成像电磁激励系统 | 第85-88页 |
4.3.3 涡流磁光检测成像系统 | 第88-89页 |
4.4 本章小节 | 第89-90页 |
第五章 磁光图像缺陷识别技术与算法 | 第90-132页 |
5.1 引言 | 第90页 |
5.2 基于磁光成像特性的缺陷识别技术与算法 | 第90-107页 |
5.2.1 基于连通性原理的缺陷识别技术与算法 | 第90-99页 |
5.2.2 自适应磁光图像阈值搜索算法与缺陷检测技术 | 第99-107页 |
5.3 基于磁光图像特性的缺陷识别技术与算法 | 第107-130页 |
5.3.1 改进的人工神经网络自动图像分割算法与缺陷检测方法 | 第107-115页 |
5.3.2 基于PCNN的图像分割算法与缺陷检测方法 | 第115-122页 |
5.3.3 基于图像切片的PCA融合图像分割算法与缺陷检测方法 | 第122-130页 |
5.4 本章小节 | 第130-132页 |
第六章 结论与展望 | 第132-138页 |
6.1 结论 | 第132-133页 |
6.2 展望 | 第133-138页 |
致谢 | 第138-140页 |
参考文献 | 第140-150页 |
攻读博士学位期间取得的成果 | 第150-151页 |