光学仪器
光學儀器
광학의기
OPTICAL INSTRUMENTS
2015年
1期
57-64
,共8页
焊接缺陷%轮廓提取%非下采样Shearlet%改进的CV模型%脉冲耦合神经网络
銲接缺陷%輪廓提取%非下採樣Shearlet%改進的CV模型%脈遲耦閤神經網絡
한접결함%륜곽제취%비하채양Shearlet%개진적CV모형%맥충우합신경망락
welding defect%contour extraction%non-subsampled Shearlet%improved CV model%pulse coupled neural network
为了精确地提取焊接缺陷,进一步提高缺陷检测的准确性,提出了一种基于改进Chan-Vese (CV)模型和脉冲耦合神经网络(pulse coupled neural network,PCNN)的非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)域焊接缺陷提取方法.首先,对焊接缺陷图像进行NSST分解,对得到的低频分量采用PCNN提取出缺陷的主要区域;然后,利用背景抑制后的低频分量和高频分量构造出高频特征图像,并对其进行粗分割,再利用改进的CV模型寻找最优轮廓,提取出缺陷精细轮廓;最后,融合缺陷的主要区域和精细轮廓信息得到最终的结果.实验结果表明,与其他缺陷提取法相比,所用方法提取的缺陷结构更为完整,缺陷轮廓更为精细.
為瞭精確地提取銲接缺陷,進一步提高缺陷檢測的準確性,提齣瞭一種基于改進Chan-Vese (CV)模型和脈遲耦閤神經網絡(pulse coupled neural network,PCNN)的非下採樣Shearlet變換(non-subsampled Shearlet transform,NSST)域銲接缺陷提取方法.首先,對銲接缺陷圖像進行NSST分解,對得到的低頻分量採用PCNN提取齣缺陷的主要區域;然後,利用揹景抑製後的低頻分量和高頻分量構造齣高頻特徵圖像,併對其進行粗分割,再利用改進的CV模型尋找最優輪廓,提取齣缺陷精細輪廓;最後,融閤缺陷的主要區域和精細輪廓信息得到最終的結果.實驗結果錶明,與其他缺陷提取法相比,所用方法提取的缺陷結構更為完整,缺陷輪廓更為精細.
위료정학지제취한접결함,진일보제고결함검측적준학성,제출료일충기우개진Chan-Vese (CV)모형화맥충우합신경망락(pulse coupled neural network,PCNN)적비하채양Shearlet변환(non-subsampled Shearlet transform,NSST)역한접결함제취방법.수선,대한접결함도상진행NSST분해,대득도적저빈분량채용PCNN제취출결함적주요구역;연후,이용배경억제후적저빈분량화고빈분량구조출고빈특정도상,병대기진행조분할,재이용개진적CV모형심조최우륜곽,제취출결함정세륜곽;최후,융합결함적주요구역화정세륜곽신식득도최종적결과.실험결과표명,여기타결함제취법상비,소용방법제취적결함결구경위완정,결함륜곽경위정세.
