基于圖像處理的機(jī)械材料缺陷檢測(cè)技術(shù)研究

張東嶺

摘要：針對(duì)傳統(tǒng)機(jī)械材料檢測(cè)數(shù)據(jù)冗雜，檢測(cè)耗時(shí)的問(wèn)題，結(jié)合機(jī)械材料的結(jié)構(gòu)特點(diǎn)，提出一種基于圖像的機(jī)械材料X射線檢測(cè)技術(shù)。對(duì)X射線檢測(cè)的基本原理進(jìn)行具體介紹，設(shè)計(jì)一個(gè)基于圖像的機(jī)械材料X射線檢測(cè)系統(tǒng);對(duì)采集的機(jī)械材料圖像進(jìn)行預(yù)處理和傾斜校正，并建立成像系統(tǒng)模型確定材料成像方位角;為驗(yàn)證提出方法的有效性，在Matlab2016b平臺(tái)下進(jìn)行仿真，選用5種機(jī)械材料進(jìn)行缺陷對(duì)比試驗(yàn)，結(jié)果表明：提出的方法可以精準(zhǔn)地檢測(cè)到機(jī)械材料的缺陷，檢測(cè)耗時(shí)較短，檢測(cè)效率有所提升，可應(yīng)用于機(jī)械材料的圖像檢測(cè)。

關(guān)鍵詞：機(jī)械材料;X射線檢測(cè);特征區(qū)域;方位角

中圖分類號(hào)：TP392

文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-5922（2022）06-0039-05

Research on defect detection technology of mechanicalmaterials based on image processing

ZHANG Dongling

（China Coal Technology & Engineering Group Tangshan Research Institute Co.， Ltd.，Tangshan 063300， Hebei China

）

Abstract：Aiming at the problem of jumbled data and time-consuming detection of traditional mechanical materials， combined with the structural characteristics of mechanical materials， an image-based X-ray testing technology for mechanical materials is proposed. This paper introduces the basic principle of X-ray detection， then designs an X-ray detection system， preprocessing and tilt correction of the collected mechanical material image， and establishes the imaging system model to determine the imaging azimuth. To justify the effectiveness of the proposed method， simulation is carried out on the platform of Matlab2016b， and 5 kinds of mechanical materials are selected for defect comparison test. The results show that the proposed method can accurately detect the defects of mechanical materials， the detection time is short， the detection efficiency is improved， and can be applied to the image detection of mechanical materials.

Key words：mechanical materials; X-ray detection; characteristic area; azimuth

我國(guó)現(xiàn)代化和生產(chǎn)力水平的不斷提高，各種機(jī)械材料的市場(chǎng)需求越來(lái)越大，機(jī)械材料缺陷檢測(cè)在機(jī)械工業(yè)生產(chǎn)線中的地位逐漸飆升。然而傳統(tǒng)缺陷檢測(cè)方法依舊為人工外部缺陷檢測(cè)，此方式的生產(chǎn)效率十分低下，工作強(qiáng)度大，檢測(cè)速度和準(zhǔn)確率得不到保證，不能滿足當(dāng)前工業(yè)市場(chǎng)中的高效的缺陷檢測(cè)需求。在機(jī)械材料內(nèi)部缺陷無(wú)損檢測(cè)的多種方法中，X射線檢測(cè)技術(shù)是使用最為廣泛的技術(shù)檢測(cè)方法之一，該技術(shù)在航空領(lǐng)域、工業(yè)領(lǐng)域、電力領(lǐng)域等的缺陷檢測(cè)均有應(yīng)用。隨著工業(yè)生產(chǎn)技術(shù)的迅速發(fā)展，對(duì)材料質(zhì)量的要求日益提高，特別是對(duì)大批量精密機(jī)電類材料行業(yè)提出了對(duì)材料的快速準(zhǔn)確的全檢需求，如何提高檢測(cè)效率，降低檢測(cè)成本，是當(dāng)前該行業(yè)領(lǐng)域亟待解決的問(wèn)題。有學(xué)者針對(duì)工業(yè)機(jī)械的裂紋，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂紋檢測(cè)方法，通過(guò)此方法提升了機(jī)械裂紋檢測(cè)的準(zhǔn)確率，降低了材料回收率[1];提出基于機(jī)器視覺的PCB板表面缺陷檢測(cè)方法，通過(guò)圖像采集、分割和預(yù)處理后對(duì)圖像特征進(jìn)行提取，進(jìn)一步提升零缺陷檢測(cè)的效率，減少了質(zhì)檢成本[2];提出了基于圖像識(shí)別的鋁合金機(jī)械鉸鏈裂紋檢測(cè)仿方法，通過(guò)仿真實(shí)驗(yàn)后發(fā)現(xiàn)，該方法可以快速準(zhǔn)確的檢測(cè)出鋁合金的缺陷，具備一定的有效性[3]。基于此，結(jié)合以上學(xué)者的研究，提出基于圖像的機(jī)械材料X射線檢測(cè)方法，此方法通過(guò)對(duì)機(jī)械材料內(nèi)部缺陷實(shí)現(xiàn)快速高效的檢測(cè)，進(jìn)一步節(jié)約人力成本，提高檢測(cè)效率，有效促進(jìn)機(jī)械行業(yè)的長(zhǎng)期發(fā)展。并為X射線快速自動(dòng)化檢測(cè)研究提供參考。

1X射線檢測(cè)系統(tǒng)

1.1X射線檢測(cè)原理

機(jī)械材料的內(nèi)部缺陷檢測(cè)可采用X射線得以實(shí)現(xiàn)。X射線屬于一種具有穿透力的電磁波，其穿透強(qiáng)度的增減與被檢測(cè)材料的密度和厚度有關(guān)，完成對(duì)機(jī)械材料在某一部位的成像即可獲得該部位材料內(nèi)部結(jié)構(gòu)信息[4]。若X射線穿透的機(jī)械材料為厚度適中，那么得到的穿透強(qiáng)度變化可表示為：

I=I·e-^{Ju（x，y）di}（1）

若穿透材料密度適中時(shí)，式（1）可進(jìn)一步簡(jiǎn)化，得到：

I=Ie（2）

式中：I代表穿透射線的強(qiáng)度[5];I代表射線穿透強(qiáng)度和厚度;μ代表衰減系數(shù);ρ代表材料密度;d代表被檢測(cè)材料。

1.2X射線自動(dòng)檢測(cè)系統(tǒng)

X射線檢測(cè)系統(tǒng)，如圖1所示。X射線自動(dòng)檢測(cè)系統(tǒng)包括信息采集和圖像處理2個(gè)部分。由于X射線具有一定的輻射，會(huì)對(duì)人們的身體健康產(chǎn)生損害。因此，圖像信息采集模塊應(yīng)建立防護(hù)鉛室，將X射線檢測(cè)的儀器進(jìn)行屏蔽[6]。其中，防護(hù)鉛室包括X射線源、X射線成像器件和材料檢測(cè)工作臺(tái);控制室包括計(jì)算機(jī)控制系統(tǒng)，主要對(duì)圖像信息進(jìn)行傳輸處理和設(shè)備監(jiān)測(cè)等。

實(shí)際檢測(cè)時(shí)，將機(jī)械材料放置在檢測(cè)工作臺(tái)中，X射線對(duì)材料的某一部位進(jìn)行透射，穿透后的強(qiáng)度具有該材料內(nèi)部信息，通過(guò)成像器件轉(zhuǎn)換為可見光圖像[7];之后，再由圖像傳輸系統(tǒng)將采集信息輸出送計(jì)算機(jī)中。計(jì)算機(jī)對(duì)該信息進(jìn)行處理和檢測(cè)，最終輸出檢測(cè)結(jié)果，從而完成對(duì)機(jī)械材料的內(nèi)部缺陷檢測(cè)。

1.3檢測(cè)系統(tǒng)總體流程

檢測(cè)系統(tǒng)對(duì)機(jī)械材料進(jìn)行檢測(cè)的總體流程如圖2所示，主要分為離線學(xué)習(xí)和在線檢測(cè)2個(gè)方面。

（1）離線學(xué)習(xí)檢測(cè)流程：對(duì)現(xiàn)有的樣本圖像進(jìn)行預(yù)處理，之后進(jìn)行特征提取并進(jìn)行特征建庫(kù)[8];同時(shí)，提取機(jī)械材料的待檢測(cè)子目標(biāo)區(qū)域圖像數(shù)據(jù)特征，并將其作為樣本材料特征向量，從而構(gòu)建樣本檢測(cè)識(shí)別特征庫(kù)。最后對(duì)兩者特征相似度進(jìn)行計(jì)算，取得檢測(cè)結(jié)果;

（2）在線檢測(cè)時(shí)，任意選擇等待檢測(cè)的圖像，對(duì)其進(jìn)行圖像預(yù)處理后，提取被檢材料的位置特征向量后并將其作為最優(yōu)解確定材料成像方位，然后對(duì)被檢機(jī)械材料圖像采取同樣的方式進(jìn)行特征提取并取得特征向量[9]。最后，將待檢測(cè)圖像和標(biāo)準(zhǔn)特征向量的相似度進(jìn)行計(jì)算，若檢測(cè)結(jié)果均大于合格標(biāo)準(zhǔn)，則表示該機(jī)械材料合格;若存在一處檢測(cè)結(jié)果低于該標(biāo)準(zhǔn)，則表明該材料不合格，最終輸出檢測(cè)判別結(jié)果[10]。

2圖像預(yù)處理和傾斜校正

2.1圖像預(yù)處理

在工業(yè)機(jī)械材料的圖像檢測(cè)過(guò)程中，材料內(nèi)部和外部均可能有各種規(guī)律紋路特征，但在進(jìn)行檢測(cè)時(shí)會(huì)出現(xiàn)遮蓋情況，從而造成最終檢測(cè)結(jié)果不佳。因此，為保證機(jī)械材料檢測(cè)的準(zhǔn)確率，本研究首先對(duì)機(jī)械材料圖像進(jìn)行預(yù)處理，具體方法為圖像降噪、圖像增強(qiáng)和二值化處理。

2.2圖像傾斜校正

在進(jìn)行機(jī)械材料圖像檢測(cè)時(shí)，由于系統(tǒng)安裝誤差和操作時(shí)的磨損等原因，可能使檢測(cè)機(jī)械材料存在傾斜的現(xiàn)象，這種現(xiàn)象將導(dǎo)致提取特征向量發(fā)生錯(cuò)誤，從而影響后續(xù)標(biāo)準(zhǔn)樣本和待檢測(cè)樣本的相似度發(fā)生變化，最終造成評(píng)判檢測(cè)結(jié)果不準(zhǔn)確，且存在較大誤差。因此，在缺陷檢測(cè)前，需對(duì)檢測(cè)圖像進(jìn)行傾斜測(cè)量及校正。根據(jù)傾斜校正原理，本研究針對(duì)機(jī)械材料的結(jié)構(gòu)特點(diǎn)，提出成像傾斜檢測(cè)模型，具體如圖3所示。X射線檢測(cè)系統(tǒng)為單一射線源對(duì)機(jī)械材料成像的單目成像檢測(cè)。因此，以單目成像系統(tǒng)為研究對(duì)象，按照小孔成像模型，在無(wú)畸變失真的情況下完成對(duì)傾斜材料成像模型的測(cè)量分析[11]。該模型可以完成對(duì)機(jī)械材料水平和垂直傾斜角的測(cè)量。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)環(huán)境

根據(jù)機(jī)械材料的內(nèi)部結(jié)構(gòu)，采用圖像特征提取的方式對(duì)機(jī)械材料進(jìn)行快速自動(dòng)檢測(cè)。確定機(jī)械材料各成像方位下的待檢區(qū)域，由此完成對(duì)材料缺陷的檢測(cè)。

為取得更好的實(shí)驗(yàn)效果，實(shí)驗(yàn)環(huán)境選擇為處理器Intel（R） Core（TM） 3.30 GHz，內(nèi)存4.00 GB，操作系統(tǒng)為Windows10，仿真平臺(tái)為Matlab2016b，圖像大小為（768×288）像素[12]。

3.2最優(yōu)匹配區(qū)域

3.2.1目標(biāo)區(qū)域特征及缺陷

實(shí)驗(yàn)選擇的機(jī)械材料內(nèi)部存在5個(gè)待檢目標(biāo)，具體如圖4（a）～圖4（e）所示;常見6種缺陷如圖4（f）～圖4（k）所示。通過(guò)檢測(cè)系統(tǒng)對(duì)內(nèi)部零件進(jìn)行檢測(cè)，判別其是否合格。同時(shí)，由于選擇的機(jī)械材料具有多個(gè)待檢測(cè)識(shí)別區(qū)域，每個(gè)材料的位置、尺寸、輪廓、灰度等特征均不同，材料結(jié)構(gòu)復(fù)雜[13]。因此，將對(duì)各材料的最優(yōu)檢測(cè)區(qū)間進(jìn)行確立，從而更好地進(jìn)行缺陷檢測(cè)。

3.2.2最優(yōu)檢測(cè)區(qū)間

采用基于X射線機(jī)械材料檢測(cè)方法，材料檢測(cè)時(shí)由于其位置不同會(huì)產(chǎn)生遮蓋現(xiàn)象，導(dǎo)致材料內(nèi)部構(gòu)件無(wú)法準(zhǔn)確檢測(cè)或完全無(wú)法檢測(cè)。因此，對(duì)待檢區(qū)域結(jié)構(gòu)進(jìn)行調(diào)整及成像分析，確立更為清晰、準(zhǔn)確檢測(cè)缺陷的角度作為最優(yōu)檢測(cè)區(qū)間，實(shí)現(xiàn)對(duì)同一角度下不同子目標(biāo)區(qū)域的選擇和特征提取[14]。根據(jù)上述5個(gè)待檢材料的缺陷特征，得到的最優(yōu)檢測(cè)區(qū)間如表1所示。

由表1可知，5種缺陷檢測(cè)時(shí)最優(yōu)檢測(cè)區(qū)域均不同，鋼球和彈簧的最優(yōu)檢測(cè)區(qū)間均為任意方位，相似度分別為0.9和0.8;空腔、鋼柱和螺釘存在多個(gè)最優(yōu)檢測(cè)方位，相似度分別為0.9、0.75和0.75。通過(guò)具體方位可以實(shí)現(xiàn)各個(gè)材料的缺陷檢測(cè)，且檢測(cè)速度明顯提升。

由表2可知，對(duì)周向檢測(cè)各成像角度下子目標(biāo)進(jìn)行選取，得到各子目標(biāo)區(qū)域機(jī)械材料合格閾值設(shè)定，具體如表3所示。

由表3可知，5種缺陷的合格閾值和最優(yōu)檢測(cè)區(qū)間的相似度一致[15]。若材料的2次檢測(cè)閾值均高于合格閾值，則表明該材料合格;若檢測(cè)閾值位于合格閾值和缺陷閾值之間，則需要從其他方位進(jìn)行檢測(cè)判定;若檢測(cè)閾值低于缺陷閾值，則表明該檢測(cè)材料存在缺陷。

3.3材料檢測(cè)

為驗(yàn)證本研究提出的機(jī)械材料檢測(cè)方法的檢測(cè)效果，本研究將表3作為判斷檢測(cè)機(jī)械材料為合格或缺陷的檢測(cè)標(biāo)準(zhǔn)，[JP3]并根據(jù)檢測(cè)結(jié)果，得到機(jī)械材料缺陷的具體方位。材料編號(hào)及缺陷類型如表4所示。

由表4可知，樣本缺陷進(jìn)行初始方位角檢測(cè)和2次檢測(cè)方位角檢測(cè)后，得到材料1的檢測(cè)結(jié)果如表5所示。

由表5可知，空腔的檢測(cè)相似度為1，大于其合格閾值0.9，說(shuō)明該材料合格;彈簧的檢測(cè)相似度為0.890 9，比其標(biāo)準(zhǔn)合格閾值0.80高出了0.090 9;鋼柱和螺釘?shù)臋z測(cè)相似度均為0.952 4，均高于其合格閾值0.75，說(shuō)明該材料檢測(cè)合格;鋼球的檢測(cè)相似度為0.76，低于其缺陷閾值0.85，由此說(shuō)明鋼球區(qū)域存在缺陷。

通過(guò)對(duì)機(jī)械材料樣本2進(jìn)行初始方位角檢測(cè)和2次檢測(cè)方位角檢測(cè)，得到機(jī)械材料2的檢測(cè)結(jié)果，具體如表6所示。

由表6可知，空腔、彈簧、鋼柱和螺釘區(qū)域的檢測(cè)相似度均高于其對(duì)應(yīng)的合格閾值，說(shuō)明該區(qū)域檢測(cè)不存在缺陷。而鋼球區(qū)域的檢測(cè)相似度為0.813 3，低于其合格閾值0.9和缺陷閾值0.85，說(shuō)明材料2鋼球區(qū)域存在缺陷。

通過(guò)對(duì)機(jī)械材料樣本3進(jìn)行初始方位角檢測(cè)和二次檢測(cè)方位角檢測(cè)后，得到機(jī)械材料3的檢測(cè)結(jié)果，具體如表7所示。

由表7可知，空腔區(qū)域的檢測(cè)相似度為0.800 0，低于其合格閾值;彈簧區(qū)域的檢測(cè)相似度為0.527 3，低于缺陷閾值，說(shuō)明該材料彈簧區(qū)域存在缺陷;鋼柱、鋼球和螺釘?shù)臋z測(cè)相似度分別為0.809 5、0.973 3和0.952 4，均高于其對(duì)應(yīng)的合格閾值，說(shuō)明這3個(gè)區(qū)域檢測(cè)合格。

對(duì)材料4進(jìn)行兩次不同方位檢測(cè)后，得到的檢測(cè)結(jié)果如表8所示

由表8可知，機(jī)械材料4的空腔、螺釘和鋼柱的檢測(cè)相似度分別為0.600 0、0.476 2和0.428 6，均低于其設(shè)定的缺陷閾值，說(shuō)明這3個(gè)區(qū)域均存在缺陷。而彈簧區(qū)域的檢測(cè)相似度為0.727 3，位于合格閾值和缺陷閾值之間，需進(jìn)行二次檢測(cè);二次檢測(cè)后得到彈簧區(qū)域的相似度為0.901 5，達(dá)到其合格閾值標(biāo)準(zhǔn)，說(shuō)明該區(qū)域檢測(cè)合格;鋼球區(qū)域的檢測(cè)相似度為1，說(shuō)明該材料鋼球區(qū)域合格。由此可知，機(jī)械材料4在空腔、螺釘和鋼柱3個(gè)區(qū)域存在缺陷。

對(duì)機(jī)械材料5進(jìn)行各個(gè)區(qū)域檢測(cè)后的檢測(cè)結(jié)果，具體如表9所示。

由表9可知，該材料在空腔、彈簧、鋼柱和鋼球區(qū)域的檢測(cè)相似度分別為0.933 3、0.927 3、0.952 4和1.000 0，均高于其設(shè)置的合格閾值標(biāo)準(zhǔn)，說(shuō)明該材料這4個(gè)區(qū)域檢測(cè)合格。而螺釘區(qū)域的檢測(cè)相似度為0.428 6，明顯低于其缺陷設(shè)定閾值，說(shuō)明機(jī)械材料5在螺釘區(qū)域存在缺陷。

通過(guò)對(duì)5個(gè)機(jī)械材料進(jìn)行檢測(cè)后，直觀地看出本研究提出的檢測(cè)方法的優(yōu)越性，將對(duì)5個(gè)監(jiān)測(cè)材料的檢測(cè)時(shí)長(zhǎng)進(jìn)行統(tǒng)計(jì)分析，得到的統(tǒng)計(jì)結(jié)果如表10所示。

由表10可知，材料1～材料5的檢測(cè)損耗時(shí)間，材料3的檢測(cè)時(shí)間高于0.050，材料1、2、4和5的檢測(cè)時(shí)間分別為0.048 7、0.045 1、0.044 2、0.046 1，平均耗時(shí)0.047 7，檢測(cè)時(shí)長(zhǎng)均低于0.050，說(shuō)明本研究提出方法的檢測(cè)時(shí)間較短，檢測(cè)效率較高，實(shí)現(xiàn)了機(jī)械材料缺陷檢測(cè)的實(shí)時(shí)性和有效性。

4結(jié)語(yǔ)

綜上所述，設(shè)計(jì)的基于圖像的機(jī)械材料X射線缺陷檢測(cè)方法可以實(shí)現(xiàn)對(duì)機(jī)械材料內(nèi)部缺陷檢測(cè)。通過(guò)對(duì)5個(gè)內(nèi)部存在不同缺陷的機(jī)械材料進(jìn)行實(shí)驗(yàn)后發(fā)現(xiàn)，提出的檢測(cè)方法檢測(cè)準(zhǔn)確率較高，檢測(cè)消耗時(shí)間較少，能夠判別出機(jī)械材料存在缺陷的具體位置，具有一定的實(shí)時(shí)性和有效性。然而，由于經(jīng)驗(yàn)和實(shí)驗(yàn)條件不足，研究還需進(jìn)一步改進(jìn)和完善;目前對(duì)少部分機(jī)械材料進(jìn)行了實(shí)驗(yàn)，在其他材料方面也可進(jìn)一步進(jìn)行檢測(cè)識(shí)別研究，從而增加更多的可能性。同時(shí)，在對(duì)體積小，精密度高的機(jī)械材料不能做到精確地檢測(cè)識(shí)別。因此，未來(lái)將重點(diǎn)從這方面進(jìn)行改進(jìn)和完善，進(jìn)一步提升小體積機(jī)械材料的檢測(cè)精度，減少檢測(cè)誤差。

【參考文獻(xiàn)】

[1]冉蓉，徐興華，邱少華，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂紋檢測(cè)方法綜述[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（9）：23-35.

[2]董靜毅，呂文濤，包曉敏，等.基于機(jī)器視覺的PCB板表面缺陷檢測(cè)方法研究進(jìn)展[J].浙江理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，45（3）：379-389.

[3]李先沖.基于圖像識(shí)別的鋁合金機(jī)械鉸鏈裂紋檢測(cè)仿真[J].計(jì)算機(jī)仿真，2020，37（2）：481-485.

[4]李琛，駱漢賓，魏威，等.基于圖像的混凝土表面裂縫和孔洞檢測(cè)[J].土木工程與管理學(xué)報(bào)，2020，37（6）：118-123.

[5]張濤，劉玉婷，楊亞寧，等.基于機(jī)器視覺的表面缺陷檢測(cè)研究綜述[J].科學(xué)技術(shù)與工程，2020，20（35）：14 366-14 376.

[6]魏秀琨，所達(dá)，魏德華，等.機(jī)器視覺在軌道交通系統(tǒng)狀態(tài)檢測(cè)中的應(yīng)用綜述[J].控制與決策，2021，36（2）：257-282.

[7]陳晨，張煒.基于圖像處理技術(shù)的運(yùn)動(dòng)軌跡自動(dòng)檢測(cè)研究[J].現(xiàn)代電子技術(shù)，2021，44（5）：70-74.

[8]許靖添.基于圖像輪廓檢測(cè)的航天器目標(biāo)跟蹤控制系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制，2021，29（2）：67-70.

[9]胡廣華，王寧，何文亮，等.基于圖像修復(fù)的無(wú)監(jiān)督表面缺陷檢測(cè)方法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（7）：76-85.

[10]楊洋，韓躍平，白鴿，等.基于圖像數(shù)據(jù)重排的材料表面缺陷檢測(cè)算法研究[J].測(cè)試技術(shù)學(xué)報(bào)，2020，34（2）：147-151.

[11]朱文博，洪都.基于圖像處理的零件二維尺寸檢測(cè)方法[J].光學(xué)技術(shù)，2020，46（2）：184-191.

[12]周揚(yáng)眉，羅開禮，孫懷義，等.基于圖像處理技術(shù)的芯片表面缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].自動(dòng)化與儀器儀表，2021（1）：182-184.

[14]王瑞，姚愛琴，楊瑞，等.基于小波變換模極大的多尺度圖像邊緣檢測(cè)在煙霧圖像中的應(yīng)用[J].國(guó)外電子測(cè)量技術(shù)，2020，39（9）：63-67.

[15]李一能，曾慶化，張?jiān)聢A，等.基于BP神經(jīng)網(wǎng)絡(luò)的線Mura缺陷識(shí)別與定位研究[J].光電工程，2020，47（11）：63-70.