您好,欢迎访X-ray智能检测设备供应商、芯片检测设备、半导体检测设备厂
免费咨询热线
400-880-1456随着智能计算技术的发展,智能图像增强也已成为一种有效的图像增强方法。这种方法通过模拟人类的视觉特征,将智能计算的理论方法引入图像增强处理。
在焊接缺陷的自动检测中,图像分割的目的是分割焊接区域和焊接缺陷区域,从而提取后续缺陷图像区域的特征。常用的分割方法有阈值分割法、边缘检测法、区域提取法等。
在阈值分割方法中,确定最优分割阈值是实现合理有效图像分割的关键。常用的图像边缘检测算子有Roberts,SobelPrewittKrischCanny和高斯拉普拉斯算子等。Robel算子对低噪声图像的反应最好,但在计算方向差时,不仅对边缘信息敏感,而且对图像噪声敏感。SobelPrewittKrisch和Robert与算子相比,对于灰度梯度和噪声较多的图像处理效果相对较好,但仍存在方向性强、易受噪声干扰、双边等问题。
在经典的边缘检测算子中,Canny该算子具有较好的边缘检测能力,适用于检测灰度变化较弱的边缘,但计算量明显增加。区域提取还包括区域增长和区域聚合。在自动检测焊接缺陷X射线时,综合采用了上述方法。
模式识别是一种机器系统,它自动处理某些信息,以完成分类和识别的任务,而不是人类。在焊接缺陷的自动检测中,模式识别技术用于实现焊接缺陷的识别和分类。在焊接缺陷的自动检测中,主要有四种识别方法:统计模式识别、结构模式识别、模糊模式识别和人工神经网络模式识别。
在缺陷的自动检测中,模式识别方法的研究具有重要意义。对于常见的11种焊接缺陷分类器,提出了两种算法,一种是焊接缺陷图像的特征提取算法;另一种是根据国际标准制定焊接缺陷标准;最后,实现焊接缺陷的识别。然而,这种算法只能检测到普通的缺陷。利用算法的模糊神经网络对焊接缺陷进行识别和分类,识别效果较好,但需要设置一些参考图像样本,以更好地识别焊接缺陷。通过选择适当的特征,利用模糊神经网络进行识别和分析,可以有效识别焊接缺陷,效果优于传统的分类识别方法。通过改进噪声过滤和灰度平衡算法,可以减少计算缺陷特征参数的误差,提高BP神经网络输入数据的准确性提高了焊接缺陷的识别率。
想了解更多日联科技X-ray检测装备信息可以拨打全国服务热线:400-880-1456 或访问日联科技官网:http://www.jianceshebei.cn
Copyright © 2018-2020 无锡日联科技股份有限公司 版权所有 探伤设备-x-ray检测设备-焊接虚焊检测设备 苏ICP备16059107号-9 XML地图 网站制作优化