一种X射线快速自动检测方法

    公开(公告)号:CN105279516B

    公开(公告)日:2019-10-08

    申请号:CN201510627890.3

    申请日:2015-09-28

    Applicant: 中北大学

    Abstract: 本发明提供了一种X射线快速自动检测方法:根据产品内部最小待检测目标确定的最大旋转采样步长在全周向方位下成像;提取每个周向方位下产品内部各个待识别子目标区域图像数据或变换特征并进行有效数据重排作为产品的检测识别特征,提取图像中具有代表性的不变子区域作为位置特征,建立产品在全周向方位下的检测识别特征标准样本库与位置特征标准样本库;识别过程中,根据位置特征找到被检测产品在检测识别特征标准样本库中的最优解进行快速准确识别,并根据产品型号自动在特定方位下成像复检。应用本发明所述方案,能够快速、准确、高效地实现对产品内部结构与装配质量的快速自动检测。

    一种基于NSST和CNN的数字图像降噪方法

    公开(公告)号:CN108564555A

    公开(公告)日:2018-09-21

    申请号:CN201810447228.3

    申请日:2018-05-11

    Applicant: 中北大学

    Abstract: 本发明涉及一种基于NSST和CNN的数字图像降噪方法,包括如下步骤:步骤1:网络训练;通过Ascombe变换将图像中近似服从泊松分布的噪声转换为近似服从标准高斯分布的噪声;通过NSST即通过非下采样剪切波变换,分别将噪声图像以及其对应的高质量图像分解为多级子带图像,将各级子带图像分别剪切为一定大小的图像块作为数据集;基于获得的数据集,进行卷积神经网络训练即进行CNN训练;步骤2:基于步骤1获得的网络模型,进行图像降噪。

    气缸套缺陷的X射线自动检测装置和方法

    公开(公告)号:CN105203570B

    公开(公告)日:2018-03-30

    申请号:CN201510627845.8

    申请日:2015-09-28

    Applicant: 中北大学

    Abstract: 本发明涉及X射线无损检测技术,特别涉及一种气缸套缺陷的X射线自动检测装置和方法。解决了目前气缸套等具有管状结构的零部件在进行射线检测时采集到的图像不能准确反映产品缺陷进而导致检测结果不准确的技术问题。本发明所采用的成像方法是利用线阵式探测器置于气缸套内部的单壁成像法,气缸套的图像数据均是气缸套单壁在射线源与探测器之间并贴近探测器成像面的单壁垂直成像,这种成像方法在本质上相当于将气缸套展开成矩形面板后由线阵探测器逐列扫描成像,克服了弧长引起的正弦效应。相比于双层壁成像,单壁成像法显著提高了图像的分辨率,在气缸套有外螺纹情况下有效避免了在双层壁成像中前后壁螺纹不规则交叉成像的干扰。

    一种智能控制太阳能系统

    公开(公告)号:CN105605809B

    公开(公告)日:2017-09-15

    申请号:CN201610047432.7

    申请日:2014-05-07

    Applicant: 中北大学

    CPC classification number: Y02B10/20 Y02B10/70 Y02E10/44

    Abstract: 本发明提供了一种智能控制的太阳能系统,可编程控制器与循环泵、热量表和调节阀进行数据连接,用于对太阳能智能控制供热系统进行自动控制;热量表将用户的热量使用的数据传递给可编程控制器,可编程控制器根据用户购买的热量与目前使用的热量进行对比,如果热量已经用完,可编程控制器控制调节阀进行完全关闭。本发明有效利用了太阳能,并实现太阳能集热的智能控制。

    一种X射线探测器的制作方法

    公开(公告)号:CN101916767A

    公开(公告)日:2010-12-15

    申请号:CN201010240542.8

    申请日:2010-07-27

    Applicant: 中北大学

    Abstract: 本发明提供了一种X射线探测器的制作方法,包括:腐蚀掉光锥大端面的一薄层光纤内芯玻璃材料,形成一致密浅层井坑群;在所述致密浅层井坑群内填充射线固态探测物质,形成晶体转换屏;在所述晶体转换屏表面填涂晶体转换屏前防护层;将光锥小端面与光电耦合器件(CCD)进行耦合。应用本发明所述方案,能够提高图像质量。

    一种基于NSST和CNN的数字图像降噪方法

    公开(公告)号:CN108564555B

    公开(公告)日:2021-09-21

    申请号:CN201810447228.3

    申请日:2018-05-11

    Applicant: 中北大学

    Abstract: 本发明涉及一种基于NSST和CNN的数字图像降噪方法,包括如下步骤:步骤1:网络训练;通过Ascombe变换将图像中近似服从泊松分布的噪声转换为近似服从标准高斯分布的噪声;通过NSST即通过非下采样剪切波变换,分别将噪声图像以及其对应的高质量图像分解为多级子带图像,将各级子带图像分别剪切为一定大小的图像块作为数据集;基于获得的数据集,进行卷积神经网络训练即进行CNN训练;步骤2:基于步骤1获得的网络模型,进行图像降噪。

Patent Agency Ranking