论文部分内容阅读
当前,板材已成为机械制造、航空航天、造船、汽车和化工等领域的主要原料之一,然而,在板材的生产、加工和使用过程中易产生各类不同程度的缺陷。孔洞缺陷作为一种典型的缺陷,易造成横截面应力分布不均,致使应力集中,导致板材的耐腐蚀性、耐磨性和疲劳强度等性能劣化。因此,有必要对板材零件的孔洞缺陷进行无损检测及评估。研究基于红外热波检测技术,提出了一种时序特征的红外热波检测方法,并结合主成分分析(PCA,principal component analysis)和概率神经网络(PNN,probabilistic neuralnetwork),以像素点为单位,实现了板材孔洞缺陷的识别与面积定量评估。针对常见材料和典型缺陷,以铝板为研究对象,设计制备了四类不同类型孔洞缺陷,对试件进行红外热波检测,通过获取的时序红外热图对表面不同类型孔洞缺陷进行分析,并且,在孔洞缺陷识别方面进行了探索,实现了缺陷类型的识别。研究首先采用红外热像仪拍摄铝板在降温过程中的时序红外热图;然后对获取的时序红外热图进行处理和分析,以时序灰度值作为正常区和孔洞缺陷区的初始特征,利用主成分分析方法(PCA, principalcomponent analysis)对初始特征进行降维,提取正常区和孔洞缺陷区的特征向量;最后,以像素点为单位,基于概率神经网络进行识别并进一步实现面积定量评估。同时,采用了SVM(support vector machine)与PNN进行对比分析与研究。研究结果表明,采用PNN对测试样本正常区和四类孔洞缺陷区的识别正确率分别为99.6%,97.3%,95.3%、93.5%和72.7%。采用SVM的识别正确率分别为99.9%、97.3%、89.1%、74.2和68.2%。研究结果验证了以时序灰度值为初始特征,以像素点为单位,结合主成分分析和概率神经网络进行孔洞缺陷的效果,研究可为提高板材表面缺陷的检测与识别提供理论指导和有益的借鉴。