| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 缺陷检测的国内外研究现状 | 第10-11页 |
| 1.2.2 缺陷识别的国内外研究现状 | 第11-13页 |
| 1.3 本文工作创新点与内容安排 | 第13-15页 |
| 2 管材焊缝X射线图像的预处理 | 第15-26页 |
| 2.1 焊接缺陷的X射线影像特征分析 | 第15-17页 |
| 2.2 X射线图像的去噪 | 第17-20页 |
| 2.2.1 图像噪声分析 | 第17页 |
| 2.2.2 图像去噪方法 | 第17-20页 |
| 2.3 X射线图像的增强 | 第20-21页 |
| 2.4 焊缝区域的提取 | 第21-25页 |
| 2.4.1 最大类间方差法分割 | 第21-23页 |
| 2.4.2 Prewitt边缘检测 | 第23-24页 |
| 2.4.3 Hough变换直线提取 | 第24-25页 |
| 2.4.4 咬边缺陷探讨 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 管材焊缝缺陷检测 | 第26-33页 |
| 3.1 焊缝区域内缺陷与噪声的分割 | 第26-30页 |
| 3.1.1 Ostu 分割 | 第26页 |
| 3.1.2 OPTICS聚类分割 | 第26-30页 |
| 3.2 缺陷与噪声图像的提取 | 第30-31页 |
| 3.3 缺陷图像的预处理 | 第31-32页 |
| 3.3.1 缺陷图像的样本增强 | 第31页 |
| 3.3.2 缺陷图像的尺寸归一化 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于人工特征提取与机器学习的管材缺陷识别方法 | 第33-51页 |
| 4.1 特征参数的建立 | 第33-36页 |
| 4.1.1 灰度特征的计算 | 第33-34页 |
| 4.1.2 纹理特征的计算 | 第34-35页 |
| 4.1.3 形状特征的计算 | 第35-36页 |
| 4.2 特征参数的预处理 | 第36-38页 |
| 4.2.1 特征参数归一化 | 第36页 |
| 4.2.2 主成份分析 | 第36-38页 |
| 4.3 基于支持向量机的管材缺陷识别方法 | 第38-41页 |
| 4.3.1 经典支持向量机和最小二乘支持向量机原理 | 第38-39页 |
| 4.3.2 基于最小二乘支持向量机的管材缺陷识别 | 第39-41页 |
| 4.4 基于BP神经网络的管材缺陷识别方法 | 第41-50页 |
| 4.4.1 神经网络的原理和结构 | 第41-43页 |
| 4.4.2 BP神经网络的模型结构 | 第43-45页 |
| 4.4.3 BP神经网络的学习算法 | 第45-46页 |
| 4.4.4 遗传算法原理 | 第46-47页 |
| 4.4.5 基于GA-BP的管材缺陷识别 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于深度学习的管材缺陷识别方法 | 第51-63页 |
| 5.1 基于深度卷积神经网络的管材缺陷识别方法 | 第51-60页 |
| 5.1.1 卷积神经网络简介 | 第51-52页 |
| 5.1.2 卷积神经网络的结构与算法 | 第52-54页 |
| 5.1.3 卷积神经网络的设计和训练 | 第54-58页 |
| 5.1.4 卷积神经网络的测试 | 第58页 |
| 5.1.5 卷积神经网络缺陷识别的性能分析 | 第58-60页 |
| 5.2 管材缺陷识别的实际应用实验 | 第60-62页 |
| 5.2.1 试验方案设计 | 第60-61页 |
| 5.2.2 实验结果分析 | 第61-62页 |
| 5.3 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 研究展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士期间发表的论文与获奖 | 第73页 |