工件内部缺陷的存在危害工件的可靠性和机器的使用安全,工业CT技术可以实现在不损坏工件结构的条件下准确、有效地检测和识别工件内部缺陷,方便人们在工件投入使用前对工件的可靠性作出精确的评估。近几年,工业CT技术的迅猛发展,工业CT系统的性能也得到了不断的提升,工业CT技术涉及到的领域越来越广泛,通过工业CT实现工件内部缺陷的自动检测和识别是现在研究的热点和方向。本文结合图像预处理,图像分割,特征提取和分类识别等领域的新进展,研究了基于工业CT图像的工件缺陷智能检测技术研究。主要研究工作如下:(1)本文分析了工业CT切片图像中噪声的来源与性质,针对工业CT切片图像对比度很低的特点,提出了自适应中值滤波和自适应加权均值滤波相结合的方法,对图像中存在的不同噪声分别采用不同的去噪算法,在保证图像细节信息的前提下,有效地去除图像中的噪声,而且有较好的滤波效果。(2)针对工业CT切片图像对比度低、灰度范围狭窄、灰度变化不明显以及缺陷边缘较模糊等特点,提出了基于灰度变化率的低对比度图像缺陷分割算法,用图像的扫描窗口的平均灰度值与窗口中心点灰度值得到灰度变化率、灰度变化差值以及灰度方差来反映存在边界的可能性,算法可有效提高缺陷分割精度和准确度。(3)特征提取时一个良好的特征应具备可区分性、可靠性、独立性和数量少的特点,根据工件内部气孔、裂缝和夹渣缺陷的特征差异,选择提取缺陷的形状特征和灰度特征,利用Hu不变矩的方法并抽象后提取具有平移、缩放和旋转不变性的10个特征。对上述三种缺陷一共提取14个特征值作为分类识别的输入量。(4)工业CT切片图像的缺陷智能识别技术中,首先构建径向基函数神经网络,用萤火虫群优化算法优化神经网络的权值和阈值,用已知样本训练优化后的RBF神经网络,完成RBF神经网络对工件内部缺陷的智能分类识别,缺陷的识别准确率较高。