基于多传感融合的增材制造缺陷检测技术研究 (2).docxVIP

PAGE1 / NUMPAGES1 目 录 TOC \o 1-3 \h \z \u 摘 要 5 ABSTRACT 7 第一章 绪论 9 1.1缺陷检测技术现状 9 1.1.1传统技术检测方法 9 1.1.2机器视觉检测方法 10 1.2多传感器缺陷检测技术现状 11 1.2.1图像融合技术现状与分类 11 1.2.2图像融合在缺陷识别中的应用 12 1.3本论文的内容安排 14 1.4本论文的结构安排 15 第二章 多传感器融合监测系统设计 16 2.1增材制造缺陷分类 16 2.1.1气孔 16 2.1.2 孔隙 17 2.1.3 裂纹 17 2.2增材制造缺陷形貌分析 18 2.2.1气孔 18 2.2.2 孔隙 20 2.2.3 裂纹 21 2.3多通道图像检测系统结构设计与系统搭建 21 2.4本章小结 25 第三章 多传感器监测系统图像融合技术算法 26 3.1理论基础 26 3.1.1 NSCT变换 26 3.2基于NSCT的PCNN改进融合算法 27 3.2.1 PCNN模型在图像融合中的应用 27 3.2.2基于NSCT和PCNN的图像融合算法的实现 28 3.3模型训练与结果分析 28 3.3.1 PCNN模型参数设定 28 3.3.2 模型结果分析 29 3.4本章小结 31 第四章 基于改进YOLOv3的图像缺陷检测算法 32 4.1 YOLOv3算法原理 32 4.1.2 损失函数 33 4.2 YOLOv3加权K-means 聚类算法 34 4.3基于MobileNetv3的网络结构改进 35 4.3.1 使用MobileNetv3作为骨干网络 35 4.3.2 引用膨胀卷积 36 4.3.3 Inceptionv3 结构优化 37 4.4本章小结 38 第五章 基于多传感融合的增材制造缺陷检测实验 39 5.1图像数据集获取 39 5.1.1 图像预处理 42 5.1.2 实验数据预处理与结果分析 39 5.2先验框参数聚类分析 43 5.3模型调参与测试 45 5.4实验结果与分析 46 5.5本章小结 49 第六章 总结与展望 50 6.1本论文的主要内容 50 6.2本论文的主要创新点 51 6.3后续工作展望 51 参考文献 52 攻读硕士学位期间学术成果 60 致 谢 61  基于多传感融合的增材制造缺陷检测技术研究 摘 要 增材制造技术被认为是航空航天和国防工业中最有前途的制造技术之一。 但是已知增材制造组件具有各种内部缺陷，例如粉末结块，起球，孔隙率，内部裂纹和热/内应力，这些缺陷会严重影响最终零件的质量，机械性能和安全性。因此，高精度高适用性的缺陷检测方法对于减少增材制造缺陷，改善增材制造组件的表面质量和机械性能非常重要。 传统的金属增材制造缺陷检测方法存在检测效率低，准确性低的问题，而现有的机器学习检测算法适应性差，结构复杂。针对上述问题，本文通过分析增材制造缺陷形态特点,设计一套基于多传感器的增材制造缺陷检测系统丰富缺陷图像信息；通过一种基于红外和可见光融合的增材制造样品缺陷方法增强图像信息；同时采用一种基于YOLOv3的增材制造缺陷识别分类算法提高缺陷检测效率和速度。主要内容如下： 基于多传感器的增材制造缺陷检测系统。通过折叠光路大大减小了系统的体积，采用公共光学窗口的设计，将可见光图像和红外图像两个通道的成像精准配准融合，可以显著提升图像获取效率。能够保留高分辨、高丰富性的可见光信息，还可以充分提高监测的精度与可靠性。 基于红外和可见光融合的增材制造缺陷图像增强方法。利用平移不变性，多尺度多方向的NSCT变换分解融合后的源图像。在变换域中，根据低频图像和高频图像的不同特性，采用不同的PCNN融合规则来尽可能融合红外和可见图像的突出特征，突出边缘和清晰纹理。融合后的图像含有的光谱信息更加丰富，分辨频率也更高，因此可以识别效果更好。 基于YOLOv3的增材制造缺陷识别分类算法。首先借助k均值加权算法来对目标样本进行聚集归类，以提高先验帧与特征层之间的匹配度。通过使用轻量级的MobileNetv3替换原始YOLOv3算法中的Darknet-53，可以修改YOLOv3的网络结构。添加了卷积卷积和Inceptionv3以提高表面缺陷的检测能力。还开发了一种多传感器测量系统，以获取带有缺陷的增材制造表面数据，以进行实验验证。结果表明，YOLOv3-