论文部分内容阅读
断口是试样或零件在试验或使用过程中断裂后所形成的相互匹配的表面。由于断口在材料领域研究的重要性，衍生了一门新的学科“断口学”。在工程机构和机械设备中，长期服役在交变应力下的构件很容易出现疲劳断裂现象，造成严重的经济损失，因此对疲劳断裂的研究得到了人们的高度重视。随着计算机技术的发展，应用数字图像处理技术和模式识别技术对断口进行分析已成为断口研究领域的前沿课题。疲劳条带是疲劳断口典型的微观特征，其分割是对金属断口图像进行定量分析以反推疲劳寿命和疲劳应力的重要环节。由于断裂过程中的复杂性使得实际断口常表现为多样性的混合形态，且不同区域的疲劳条带周期差别很大，使得疲劳条带纹理区域和纹理边缘的准确定位成为分割的一大难点。图像的纹理分析是基于纹理特征的。常用的纹理分析方法有统计法、结构法(多用于规则人工纹理)、模型法和信号处理方法。传统单一纹理特征提取方法对这类复杂的自然纹理分割准确性低，空间域的灰度共生矩阵(Gray Level Co-occurrence Matrix, GLCM)法以及信号领域的小波变换法作为经典的纹理分析方法，被广泛应用于各种纹理分析中。通过分析断口的自然纹理特性，本文结合GLCM和小波包变换(wavelet packettransform, WPT)，采用多特征对断口图像的疲劳条带进行准确分割，从而发挥了时域和频域两类特征的双重优势，构成了本文的一个创新点。本文研究的主要内容如下：（1）首先对本课题的研究背景以及纹理分析方法做了较详细的介绍，为后续章节的展开建立了理论铺垫。（2）用GLCM对金属疲劳断口图像提取14维纹理特征，进行了相关性分析后压缩为4维特征空间，并用模糊C均值(Fuzzy c-means, FCM)算法进行分割，最后对结果进行了分析。（3）在对金属断口图像纹理特性分析的基础上，通过大量实验，用小波包变换(Wavelet Packet Transform, WPT)法选择了适合表达疲劳断口图像纹理特征的频带，并提取特征用FCM算法进行分割，最后对实验结果进行了分析和讨论。（4）实验表明以上两种单一特征方法在条带分割方面都存在一定的局限性，存在欠分割的情况，在分析了金属疲劳断口的纹理特性后，提出了基于多特征的金属疲劳断口条带分割方法，结合先验知识分析实验结果，表明了本文方法在精度方面得到了提高。总之，为了得到描述断口图像更加完善的纹理特征集，本文提出了基于多特征的金属疲劳断口条带分割方法，实现了对疲劳条带区更加全面的定位，实验结果表明：本文的多特征方法对疲劳条带自动分割精度方面优于传统单一特征方法。