项目名称: 基于稀疏表征的航空发动机铸件射线DR超分辨率重建算法研究

项目编号: No.61261031

项目类型: 地区科学基金项目

立项/批准年度: 2013

项目学科: 无线电电子学、电信技术

项目作者: 邬冠华

作者单位: 南昌航空大学

项目金额: 38万元

中文摘要: 本项目在分析研究航空铸件DR检测图像退化原因的基础上,针对铸件图像细节对比度低,成像单元尺寸较大,造成裂纹类缺陷漏检的难题,采用基于多尺度字典的稀疏表示的方法,利用图像稀疏性的先验知识,使用已有的训练样本结合一定的构造算法分别构造出低分辨率图像和高分辨率图像样本的完备字典,利用稀疏表述算法求解待恢复图像在低分辨率图像字典上的稀疏表示系数,然后利用该稀疏表示系数结合高分辨率图像字典得到恢复后的高分辨率图像,达到有效检测裂纹类缺陷的目标。项目解决射线DR在铸件检测应用中存在的缺陷显示低分辨率和漏检的关键基础问题,瞄准航空铸件DR检测的需求,满足国家绿色制造技术的需要,应用对象明确,科学研究结果可以拓展应用到其他计算机成像的无损检测方法。

中文关键词: 射线DR;图像处理;图像稀疏算法;点扩散函数;图像恢复

英文摘要: The direct radiography(DR) image of aero engine casting with lower contrast in details and the units of image sensor maybe larger than defects were resulted in the defects such as cracks testing difficultly. The algorithm of super-resolution by spare represention will be studed in this item can be used to overcome the troubles in engine casting testing by DR. The algorithm based on the mode of image degradation caused by the scatter and other factors and a priori knowledge of image sparseness property which gained from image muti-scale spare represention dictionary.This dictionary will be maded by some image algorithm from the training samples with higher and lower resolution .The spare coefficients of higher and lower resolution image gained from spare represention algorithm. The spare coefficients combined with higher resolution image dictionary will be used to reconstruct super-resolution image,it can be achieve the high resolution image from low high resolution image, to attain super-resolution DR image which can be efficiently solved the trouble of cracks testing goal. This item will be overcome the difficulty of lower resolution in DR industrialization application.The study will be used to aero engine casting DR inspection and other non-destructive testing with computer image.

英文关键词: Direct Radiography;Image Processing;Image Sparse Algorithm;Point Spread Function;Image Restoration

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
21+阅读 · 2021年8月23日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
69+阅读 · 2021年3月23日
专知会员服务
52+阅读 · 2021年3月22日
专知会员服务
33+阅读 · 2021年2月7日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
表面缺陷检测数据集汇总及其相关项目推荐
极市平台
31+阅读 · 2020年6月20日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
深度学习图像超分辨率最新综述:从模型到应用
炼数成金订阅号
65+阅读 · 2019年2月20日
【质量检测】机器视觉表面缺陷检测综述
产业智能官
30+阅读 · 2018年9月24日
目标跟踪算法分类
大数据技术
13+阅读 · 2018年9月17日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
一文概览基于深度学习的超分辨率重建架构
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
16+阅读 · 2021年1月27日
Arxiv
27+阅读 · 2020年12月24日
Arxiv
17+阅读 · 2020年11月15日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
21+阅读 · 2021年8月23日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
44+阅读 · 2021年4月15日
专知会员服务
69+阅读 · 2021年3月23日
专知会员服务
52+阅读 · 2021年3月22日
专知会员服务
33+阅读 · 2021年2月7日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
光学遥感图像目标检测算法综述
专知
8+阅读 · 2021年3月23日
表面缺陷检测数据集汇总及其相关项目推荐
极市平台
31+阅读 · 2020年6月20日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
深度学习图像超分辨率最新综述:从模型到应用
炼数成金订阅号
65+阅读 · 2019年2月20日
【质量检测】机器视觉表面缺陷检测综述
产业智能官
30+阅读 · 2018年9月24日
目标跟踪算法分类
大数据技术
13+阅读 · 2018年9月17日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
一文概览基于深度学习的超分辨率重建架构
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员