發(fā)布時(shí)間：2018-06-01 19:45

  本文選題：注意機(jī)制 + 射線圖像��； 參考：《重慶理工大學(xué)》2017年碩士論文

【摘要】：目前,X射線數(shù)字圖像的計(jì)算機(jī)自動(dòng)識(shí)別是射線檢測(cè)領(lǐng)域的研究熱點(diǎn)。從工件的X射線檢測(cè)圖像自動(dòng)提取出其缺陷信息,傳統(tǒng)圖像識(shí)別方法均以孤立圖像為研究對(duì)象進(jìn)行靜態(tài)圖像處理和分析,自動(dòng)獲取被測(cè)試件的缺陷,這樣導(dǎo)致了可靠性以及實(shí)時(shí)性不高等現(xiàn)實(shí)問題。機(jī)器視覺是人工智能領(lǐng)域一個(gè)十分活躍的分支,人眼視覺在面對(duì)復(fù)雜的環(huán)境時(shí)可以快速地將本人的注意力聚集在一些顯著性高的的目標(biāo)上,而后對(duì)這些目標(biāo)進(jìn)行優(yōu)先處理。本文將人眼視覺選擇注意機(jī)制引入到X射線圖像目標(biāo)檢測(cè)中,提出一種動(dòng)態(tài)的基于人眼視覺機(jī)制的X射線數(shù)字圖像自動(dòng)識(shí)別新方法。該方法在圖像的運(yùn)動(dòng)序列中對(duì)缺陷進(jìn)行實(shí)時(shí)提取和動(dòng)態(tài)跟蹤,利用人眼視覺注意機(jī)制模型等圖像處理方法在每幅圖像中分離出潛在缺陷,保證提取出全部真缺陷而不必考慮偽缺陷的數(shù)量,并將此方法應(yīng)用于工業(yè)檢測(cè)機(jī)器人在線檢測(cè)過程中,有很大的現(xiàn)實(shí)意義。本文主要分為缺陷識(shí)別與提取、缺陷匹配與定位、系統(tǒng)整體設(shè)計(jì)三個(gè)部分:(1)通過模擬視覺注意機(jī)制,以區(qū)域或者行(列)分割為手段,提出了基于視覺注意機(jī)制且利用中心-周邊算子的鑄件射線圖像缺陷檢測(cè)模型以及其實(shí)現(xiàn)方法,避免了傳統(tǒng)Itti方法存在的問題,減少了無關(guān)區(qū)域?qū)�核心區(qū)域的干擾以及數(shù)據(jù)處理量,達(dá)到順利選擇出射線圖像中應(yīng)該被關(guān)注的重點(diǎn)區(qū)域的目的,為后續(xù)缺陷提取打下基礎(chǔ)。(2)分析總結(jié)了Harris角點(diǎn)提取和SIFT特征點(diǎn)提取的原理及一般流程,之后通過介紹RANSAC方法的原理及優(yōu)點(diǎn),優(yōu)化了匹配過程中偽缺陷的問題,進(jìn)一步保證了缺陷匹配的準(zhǔn)確性。在此基礎(chǔ)上,提出了基于Harris-SIFT的缺陷匹配方法。通過將(1)中選擇的區(qū)域以及(2)中匹配成功的缺陷綜合對(duì)比后,得到鑄件中缺陷的真實(shí)位置,而后利用平移視差法定位鑄件缺陷在空間中的具體坐標(biāo)。(3)提出了基于支持向量機(jī)的鑄件缺陷分類方法,構(gòu)建了分類的神經(jīng)網(wǎng)絡(luò),計(jì)算了其中的關(guān)鍵參數(shù)。(4)針對(duì)工業(yè)應(yīng)用情況,初步設(shè)計(jì)了一套檢測(cè)系統(tǒng),包括系統(tǒng)整體的流程設(shè)計(jì)、機(jī)器人設(shè)計(jì)、相關(guān)軟件的設(shè)計(jì)等。
[Abstract]:At present, the computer automatic recognition of X-ray digital image is a hot spot in the field of ray detection. The defect information is extracted automatically from the X-ray image of the workpiece. The traditional image recognition method takes the isolated image as the research object for static image processing and analysis, and automatically acquires the defect of the tested piece. This led to reliability and low real-time problems. Machine vision is a very active branch of artificial intelligence field. Human vision can quickly focus on some highly significant targets in the face of complex environment and then give priority to these goals. In this paper, the human visual selective attention mechanism is introduced into the object detection of X-ray images, and a new dynamic method for automatic recognition of X-ray digital images based on the human visual mechanism is proposed. In this method, the defects are extracted and tracked dynamically in the moving sequence of the image, and the potential defects are separated from each image by using the human visual attention mechanism model and other image processing methods. It is of great practical significance to extract all true defects without considering the number of pseudo-defects and to apply this method to the on-line detection of industrial detection robots. This paper is mainly divided into three parts: defect identification and extraction, defect matching and positioning, and the overall design of the system. The defect detection model of casting ray image based on visual attention mechanism and center-peripheral operator is proposed and its implementation method is proposed to avoid the problems of traditional Itti method. It reduces the interference of irrelevant region to the core area and the amount of data processing, and achieves the purpose of selecting the key area in the radiographic image that should be paid attention to. In this paper, the principle and general flow of Harris corner extraction and SIFT feature point extraction are summarized. Then, by introducing the principle and advantages of RANSAC method, the problem of false defect in matching process is optimized. The accuracy of defect matching is further ensured. On this basis, a defect matching method based on Harris-SIFT is proposed. The true position of the defects in the casting is obtained by synthesizing the selected areas in the casting and the matching defects in the two parts. Then using the translation parallax method to locate the specific coordinates of casting defects in space, a new method of casting defect classification based on support vector machine (SVM) is proposed, and the neural network of classification is constructed, and the key parameters. A testing system is designed, including the whole system flow design, robot design, software design and so on.
【學(xué)位授予單位】：重慶理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP242

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李崇飛;曲智國;盧凱;高穎慧;;基于側(cè)抑制頻譜調(diào)諧的顯著性檢測(cè)方法[J];計(jì)算機(jī)科學(xué);2011年12期

2 丁正虎;余映;王斌;張立明;;選擇性視覺注意機(jī)制下的多光譜圖像艦船檢測(cè)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年03期

3 熊志明;方康玲;馮知凡;蘇志祁;張尉;;基于圖像處理技術(shù)的鑄坯表面缺陷自動(dòng)檢測(cè)系統(tǒng)的研究[J];機(jī)械與電子;2010年12期

4 姜萬錄;吳勝強(qiáng);;基于SVM和證據(jù)理論的多數(shù)據(jù)融合故障診斷方法[J];儀器儀表學(xué)報(bào);2010年08期

5 石春琴;張麗艷;韋虎;;隨機(jī)紋理圖像的特征匹配魯棒算法[J];南京航空航天大學(xué)學(xué)報(bào);2010年04期

6 劉毅;;基于一致性隨機(jī)采樣的圖像特征匹配魯棒確認(rèn)[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年03期

7 吳曉鵬;林介邦;唐輝;鐘園園;羅祥英;;基于機(jī)器視覺的鑄坯表面缺陷檢測(cè)系統(tǒng)的研制[J];武鋼技術(shù);2010年01期

8 王彥;傅衛(wèi)平;朱虹;楊瑋;;一種基于SIFT特征匹配的工件識(shí)別方法[J];西安理工大學(xué)學(xué)報(bào);2009年02期

9 朱美華;;改善數(shù)字圖像質(zhì)量的濾波方法研究[J];常州工學(xué)院學(xué)報(bào);2006年06期

10 李強(qiáng);張鈸;;一種基于圖像灰度的快速匹配算法[J];軟件學(xué)報(bào);2006年02期

相關(guān)博士學(xué)位論文 前7條

1 李凡;復(fù)雜背景抑制及弱小目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2010年

2 王慧;空間和目標(biāo)注意協(xié)同工作的視覺注意計(jì)算機(jī)模型研究[D];吉林大學(xué);2010年

3 田明輝;視覺注意機(jī)制建模及其應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2010年

4 陳嘉威;視覺注意計(jì)算模型的研究及其應(yīng)用[D];廈門大學(xué);2009年

5 邵靜;協(xié)同視覺選擇注意計(jì)算模型研究[D];合肥工業(yè)大學(xué);2008年

6 田媚;模擬自頂向下視覺注意機(jī)制的感知模型研究[D];北京交通大學(xué);2007年

7 張鵬;圖像信息處理中的選擇性注意機(jī)制研究[D];國防科學(xué)技術(shù)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 王龍;基于視覺注意機(jī)制與支持向量機(jī)自動(dòng)圖像標(biāo)注[D];大連理工大學(xué);2013年

2 陳文雍;一種基于特征融合的視覺注意計(jì)算模型[D];南京大學(xué);2013年

3 葉剛;基于視覺注意的立體視頻感興趣區(qū)域提取[D];浙江大學(xué);2013年

4 鞠偉;基于SIFT特征的圖像相似性檢索技術(shù)研究[D];蘇州大學(xué);2012年

5 李潔;一種多核徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的廣西降水預(yù)報(bào)集成模型[D];華東師范大學(xué);2012年

6 何琦;視覺選擇性注意模型的研究[D];電子科技大學(xué);2012年

7 李福;基于生物視覺注意機(jī)制的視頻圖像中感興趣目標(biāo)提取方法研究[D];中國石油大學(xué);2011年

8 涂小坡;圖像顯著性算法和評(píng)價(jià)研究[D];南京航空航天大學(xué);2011年

9 趙大恒;紅外圖像目標(biāo)特征提取與分類算法研究[D];西安電子科技大學(xué);2010年

10 謝春蘭;視覺注意模型及其在目標(biāo)檢測(cè)中的應(yīng)用研究[D];重慶大學(xué);2009年

，

本文編號(hào)：1965405