<mark id="njrbb"><cite id="njrbb"></cite></mark>

    <b id="njrbb"></b>

      <font id="njrbb"></font>

        <b id="njrbb"><del id="njrbb"><sub id="njrbb"></sub></del></b>

            <track id="njrbb"></track>

            x射線探傷機絕緣硅脂

            恒隆科技今天告訴你X射線實時成像設備與計算機深度學習

            發布日期:2021-02-25 作者: 點擊:

            X射線實時成像設備與計算機深度學習

             

            X射線實時成像設備無損檢測在孔隙率和裂紋檢測方面有無可比擬的優勢。由于工業生產條件的制約,工件缺陷難以避免。通常工件內部主要存在夾渣、氣孔和裂紋等缺陷。這些缺陷在服役過程中不斷演化,對工件的性能造成影響,Z終使工件失效,縮短了工件的使用壽命,進而威脅機器的使用安全。通過工業CT無損檢測技術,對工件內缺陷的形狀、面積、位置了解的越清楚,對工件的可靠性評估就會越準確。


            目前的X射線實時成像設備軟件缺陷檢測算法一般分為兩個步驟:1)缺陷區域分割,將所有潛在的缺陷區域從CT圖像中分割出來,并選取邊界閉合的區域作為缺陷候選區域;2)候選區域判別,對分割出的候選區域依據形狀特征、灰度特征以及不變矩特征進行甄別。而候選區域判別這一部分,需要人參與設計缺陷的一些主要特征,這就存在一個問題:基于手工設計的特征對于缺陷多樣化的變化沒有很好的魯棒性,只適用于特定的缺陷檢測,很難適應缺陷面積大小不一、形狀種類多樣化、背景區域復雜的圖像的自動識別與定位。2006年Hinton等人第1次提出了深度學習的概念,開啟了深度學習在學術界和工業界研究的新起點。深度學習相比于傳統手工提取特征的方法,不僅可以自動學習到目標的特征,而且適合數據集的處理,還能進行端到端(end2end)的學習。深度學習的優勢在于其能夠學習到多層的非線性關系,這是其他淺層學習算法所不能做到的。2012年,Hinton和他的團隊在ImageNet評測問題中采用深度學習算法將原來的圖像識別錯誤率降低了9%。


            由于X射線實時成像設備系統的成像原理,重建獲得的工業CT圖像含有一定的噪聲,對于夾渣和氣泡這樣的小目標缺陷,在某些區域目標和背景的灰度差異很小,這種情況下人眼也比較困難發現并識別目標,從而影響GT包圍盒的標記,進一步影響模型的訓練,所以有必要做預處理來增強這些較小目標和背景的灰度差異。通過深度學習和在檢測之前對訓練集做預處理增強目標和背景的差異,Z終獲得工業CT圖像缺陷檢測模型。利用深度卷積網絡自動提取特征,有效避免了傳統方法依賴手工設計缺陷特征的問題,從而更好地檢測到氣泡和夾渣這類面積較小的目標,降低了模型對這類缺陷的誤檢和漏檢率。此類方法可以得到較優的檢測結果,并且速度快,從檢測過程上較傳統方法在自動化程度上有了大幅的提升,具有較強的魯棒特性,是一種有效可行的方法。


            總之,一個好的X射線實時成像設備檢測效果需要三方面的共同努力,第一:性能良好的工業CT設備,第二,經驗豐富的檢測工程師,第三,擁有強悍算法的計算軟件。而泰琛測試一直在向這方面努力,我們引入德國全系列Yxlon設備,我們擁有多名5年以上工業CT檢測的工程師,同時,我們和德國相關工業CT軟件廠商深度交流合作,參與項目測試調研,不斷提高系統算法和軟件計算能力,總之,泰琛測試一直在整合各種資源,不遺余力地提高工業CT檢測的技術水平,并愿意以此為核心能力為中國工業CT領域貢獻更多的力量。

            1606456724321287.jpg

            本文網址:http://www.bustychennaiescort.com/news/763.html

            關鍵詞:X射線實時成像設備,無損檢測,工業CT

            Z近瀏覽:

            在線客服
            分享 一鍵分享
            歡迎給我們留言
            請在此輸入留言內容,我們會盡快與您聯系。
            姓名
            聯系人
            電話
            座機/手機號碼
            郵箱
            郵箱
            地址
            地址
            亚洲精品无码久久