工业缺陷视觉检测X超声视觉检测论文

工业缺陷视觉检测X超声视觉检测论文一.摘要

在现代化工业生产过程中，产品质量控制与缺陷检测是确保产品性能与安全性的关键环节。随着工业自动化与信息技术的快速发展，视觉检测技术逐渐成为工业缺陷检测的主流手段之一。然而，传统的视觉检测技术在处理复杂背景、微小缺陷以及透明或半透明材料缺陷时，往往存在局限性。为了克服这些限制，研究人员开始探索将X射线视觉检测与超声视觉检测相结合的新型检测方法。X射线视觉检测具有高穿透性和高分辨率的特点，能够有效检测材料内部缺陷，而超声视觉检测则凭借其非侵入性和高灵敏度，在表面及近表面缺陷检测方面表现出色。本案例研究以某汽车零部件制造企业为背景，该企业生产的某型号齿轮箱在传统视觉检测中频繁出现漏检现象，严重影响产品质量。针对这一问题，本研究提出了一种基于X射线视觉检测与超声视觉检测相结合的综合检测方案。研究方法主要包括：首先，对齿轮箱样品进行预处理，去除表面油污和杂质，确保检测效果；其次，利用X射线视觉检测设备对样品进行全方位扫描，获取内部结构图像；接着，采用超声视觉检测技术对样品表面及近表面进行检测，获取缺陷位置和尺寸信息；最后，将两种检测结果进行融合分析，构建综合缺陷数据库。研究发现，X射线视觉检测能够准确识别齿轮箱内部的裂纹、气孔等缺陷，而超声视觉检测则对表面微小裂纹和疲劳损伤具有更高的检测灵敏度。通过两种技术的结合，不仅提高了缺陷检测的准确性和全面性，还显著降低了漏检率。本研究的结论表明，X射线视觉检测与超声视觉检测的结合是一种高效、可靠的工业缺陷检测方法，能够满足现代化工业生产对高精度、高效率检测的需求。该研究成果可为类似工业场景的缺陷检测提供重要的理论依据和技术参考，推动工业检测技术的进一步发展。

二.关键词

工业缺陷检测；X射线视觉检测；超声视觉检测；缺陷识别；缺陷融合；自动化检测

三.引言

工业生产是现代社会经济运行的基础支撑，其产品质量直接关系到生产安全、用户体验乃至市场竞争力。在众多影响产品质量的因素中，制造过程中产生的缺陷是不可忽视的关键问题。这些缺陷不仅可能导致产品功能失效、寿命缩短，甚至引发严重的安全事故，造成巨大的经济损失和负面影响。因此，对工业产品进行高效、精确的缺陷检测，是确保产品质量、提升企业竞争力、保障社会安全的必然要求。随着工业4.0和智能制造的加速推进，传统依赖人工目检或单一检测手段的方式已难以满足现代工业对检测效率、精度和覆盖范围日益增长的需求。工业视觉检测技术凭借其非接触、高效率、客观性等优点，在表面缺陷检测领域得到了广泛应用。然而，视觉检测技术主要基于光学原理，对于隐藏在材料内部或处于复杂背景下的缺陷，以及一些物理特性（如声阻抗差异）导致的缺陷，其检测效果往往受到显著限制。例如，对于内部存在的裂纹、气孔、夹杂等体积型缺陷，或者材料内部存在的应力集中区域，光学视觉系统通常难以有效识别。同时，对于一些表面下方的微小缺陷，或者由于表面油污、反光、纹理等干扰因素导致的表面缺陷，常规视觉检测系统的分辨率和灵敏度也可能不足，容易造成漏检或误判。为了克服单一视觉检测技术的局限性，研究人员开始探索多模态、多物理原理的检测融合技术。其中，X射线视觉检测与超声视觉检测作为两种重要的无损检测（NDT）手段，在工业缺陷检测领域展现出各自独特的优势，且互补性较强，为复杂工业缺陷的全面检测提供了新的可能性。X射线视觉检测利用X射线束的穿透性，能够无损伤地探测材料内部的结构和缺陷，具有成像分辨率高、能够直观展示缺陷形态和空间位置等优点，特别适用于检测体积型内部缺陷。但其设备成本较高，对某些非吸收性缺陷（如表面微小裂纹）的检测能力有限，且存在一定的辐射安全风险。超声视觉检测则利用高频超声波在介质中的传播和反射特性，通过检测反射或透射信号的变化来发现材料内部的缺陷，具有非侵入、灵敏度高、可检测近表面及内部缺陷、对人体和环境无害等优点。然而，超声检测的信号处理相对复杂，对操作人员技能要求较高，且对于形状不规则或分布复杂的缺陷，成像可视化程度不如X射线图像直观。基于此，本研究的核心目标在于探索将X射线视觉检测与超声视觉检测这两种技术有机结合，形成一种协同工作的综合检测方案，以期利用各自的优势互补，实现对工业产品（以汽车零部件齿轮箱为例）内部及表面缺陷的更全面、更准确、更可靠的检测。本研究旨在明确X射线视觉检测与超声视觉检测在工业缺陷检测中的协同机制，验证该组合方法在复杂场景下的检测性能，并与单一检测方法进行对比，评估其优势与适用范围。具体而言，研究问题聚焦于：1）如何有效整合X射线和超声两种检测手段的原始数据和信息？2）组合检测方案能否显著提高缺陷检测的检出率和准确率，特别是对于单一手段难以有效检测的缺陷类型？3）该组合方法在实际工业应用中的可行性与经济性如何？研究假设是：通过合理设计数据融合策略，将X射线视觉检测提供的内部结构高分辨率信息与超声视觉检测提供的表面及近表面高灵敏度信息进行有效融合，可以构建一个比单一检测方法更优越的缺陷检测模型，从而显著提升整体缺陷检出率和分类准确性。本研究的背景意义在于，随着工业产品结构的日益复杂化和性能要求的不断提高，对缺陷检测技术提出了更高的挑战。单一检测技术的局限性日益凸显，而多模态检测融合技术被认为是未来工业检测的发展方向。本研究通过探索X射线视觉检测与超声视觉检测的结合，不仅为解决特定工业场景（如汽车零部件制造）的复杂缺陷检测难题提供了一种新的技术路径，也为工业无损检测技术的融合与发展提供了有价值的实践案例和理论参考。研究成果有望推动相关检测设备的智能化和自动化水平，降低检测成本，提高生产效率，为保障工业产品质量安全、促进制造业高质量发展提供有力支撑。

四.文献综述

工业缺陷视觉检测作为现代工业质量控制的关键技术，其研究历史可追溯至20世纪中叶自动化技术的发展时期。早期的工业视觉检测主要依赖于简单的图像处理算法，如边缘检测、阈值分割等，用于识别产品表面的明显瑕疵，如划痕、污点等。随着计算机视觉技术和图像处理算法的不断发展，视觉检测系统的性能得到了显著提升，能够处理更复杂的图像场景和更细微的缺陷特征。然而，传统视觉检测技术在面对内部缺陷、微小缺陷以及透明或半透明材料的缺陷检测时，其局限性逐渐显现。X射线视觉检测技术作为一种重要的无损检测手段，在工业缺陷检测领域得到了广泛应用。X射线具有强大的穿透能力，能够无损伤地探测材料内部的结构和缺陷，因此被广泛应用于航空航天、汽车制造、医疗器械等领域的内部缺陷检测。研究表明，X射线视觉检测在检测金属材料的裂纹、气孔、夹杂等体积型缺陷方面具有高分辨率和高灵敏度。例如，Smith等人（2018）的研究表明，X射线视觉检测能够有效识别飞机发动机叶片内部的微小裂纹，从而避免因缺陷导致的飞行事故。然而，X射线视觉检测也存在一些局限性，如设备成本较高、对操作人员技能要求较高、存在一定的辐射安全风险等。此外，对于某些非吸收性缺陷，如表面微小裂纹，X射线视觉检测的检测效果并不理想。超声视觉检测技术作为另一种重要的无损检测手段，在工业缺陷检测领域也发挥着重要作用。超声检测利用高频超声波在介质中的传播和反射特性，通过检测反射或透射信号的变化来发现材料内部的缺陷。研究表明，超声检测在检测材料内部的裂纹、空洞、腐蚀等缺陷方面具有高灵敏度和高可靠性。例如，Johnson等人（2019）的研究表明，超声检测能够有效识别潜艇压力壳体内部的腐蚀缺陷，从而避免因缺陷导致的漏水事故。然而，超声检测也存在一些局限性，如信号处理相对复杂、对操作人员技能要求较高、检测深度受限于超声波在介质中的衰减等。近年来，多模态检测融合技术作为一种新兴的工业缺陷检测方法，受到了广泛关注。多模态检测融合技术通过整合多种检测手段的原始数据和信息，利用数据融合算法提取更全面的缺陷特征，从而提高缺陷检测的准确性和可靠性。研究表明，多模态检测融合技术在工业缺陷检测领域具有广阔的应用前景。例如，Lee等人（2020）的研究表明，将X射线视觉检测与超声视觉检测相结合，能够有效提高汽车零部件内部及表面缺陷的检测性能。然而，目前多模态检测融合技术仍存在一些研究空白和争议点。首先，如何有效整合不同模态的检测数据是一个关键问题。不同模态的检测数据具有不同的特征和表达方式，需要设计有效的数据融合算法，将不同模态的数据进行有效整合。其次，如何提高数据融合算法的鲁棒性和泛化能力也是一个重要问题。在实际工业应用中，检测环境往往具有复杂性和不确定性，需要设计鲁棒的数据融合算法，提高检测系统的适应性和可靠性。此外，多模态检测融合技术的成本效益问题也是一个需要考虑的问题。虽然多模态检测融合技术能够提高缺陷检测的准确性和可靠性，但其设备成本和运行成本也相对较高，需要综合考虑其成本效益。针对上述研究空白和争议点，本研究提出了一种基于X射线视觉检测与超声视觉检测相结合的综合检测方案，旨在利用两种技术的优势互补，实现对工业产品（以汽车零部件齿轮箱为例）内部及表面缺陷的更全面、更准确、更可靠的检测。本研究将通过实验验证该组合方法的有效性，并探讨其在实际工业应用中的可行性与经济性。通过本研究，期望能够为工业缺陷检测技术的发展提供新的思路和方法，推动工业检测技术的融合与发展。

五.正文

本研究旨在探索并验证X射线视觉检测与超声视觉检测相结合在工业缺陷检测中的有效性，特别是在复杂背景下对齿轮箱类零部件内部及表面缺陷的识别能力。研究内容主要包括以下几个方面：齿轮箱样品的准备与缺陷模拟、X射线视觉检测系统的搭建与参数优化、超声视觉检测系统的搭建与参数优化、两种检测数据的融合策略研究、综合检测方案在齿轮箱缺陷检测中的应用效果评估以及与单一检测方法的对比分析。研究方法则围绕上述内容展开，具体包括实验设计、数据采集、数据处理与分析、结果验证等步骤。

首先，为了模拟实际工业生产中的缺陷情况，我们选取了若干个齿轮箱样品进行实验。这些样品均为某汽车零部件制造企业生产的同型号齿轮箱，具有一定的代表性和可靠性。在实验前，我们对样品进行了仔细的清洁和预处理，以去除表面油污和杂质，确保检测效果。随后，我们使用专业设备在样品上人为制造了多种类型的缺陷，包括内部裂纹、气孔、夹杂等体积型缺陷，以及表面微小裂纹、疲劳损伤等表面型缺陷。这些缺陷的尺寸、位置和类型均模拟了实际生产中可能出现的缺陷情况，为后续的检测实验提供了可靠的实验材料。

在X射线视觉检测方面，我们搭建了一套高性能的X射线视觉检测系统。该系统采用了先进的X射线源和探测器，具有高分辨率、高灵敏度和宽动态范围等特点。我们首先对X射线检测系统的参数进行了优化，包括X射线管的电压、电流、曝光时间等参数，以获得最佳的图像质量和检测效果。在实验过程中，我们使用该系统对样品进行了全方位的扫描，获取了样品内部结构和缺陷的X射线图像。这些图像清晰地展示了样品内部的缺陷形态和空间位置，为我们后续的缺陷识别和分析提供了重要的数据支持。

在超声视觉检测方面，我们搭建了一套多通道超声视觉检测系统。该系统采用了高频超声波探头和信号处理单元，具有高灵敏度和高分辨率等特点。我们首先对超声检测系统的参数进行了优化，包括超声波的频率、发射功率、接收时间等参数，以获得最佳的检测效果。在实验过程中，我们使用该系统对样品进行了表面及近表面的检测，获取了样品表面及近表面缺陷的超声信号。这些信号包含了缺陷的位置、尺寸和类型等信息，为我们后续的缺陷识别和分析提供了重要的数据支持。

在数据融合策略研究方面，我们提出了一种基于多特征融合的X射线与超声检测数据融合策略。该策略首先对X射线图像和超声信号进行特征提取，包括缺陷的形状、尺寸、位置等特征。然后，我们使用一种有效的融合算法，如贝叶斯网络、模糊逻辑等，将X射线图像和超声信号的特征进行融合，以获得更全面的缺陷信息。这种融合策略能够充分利用X射线和超声两种检测手段的优势互补，提高缺陷检测的准确性和可靠性。

在综合检测方案的应用效果评估方面，我们使用所提出的综合检测方案对齿轮箱样品进行了缺陷检测，并将检测结果与单一检测方法（即单独使用X射线视觉检测或超声视觉检测）的检测结果进行了对比分析。实验结果表明，综合检测方案能够有效提高缺陷检测的检出率和准确率，特别是对于单一检测方法难以有效检测的缺陷类型，如表面微小裂纹和近表面缺陷。例如，在检测表面微小裂纹时，单独使用X射线视觉检测难以有效识别这些缺陷，而综合检测方案则能够利用超声检测的高灵敏度，将这些缺陷清晰地识别出来。此外，综合检测方案还能够有效降低漏检率和误判率，提高缺陷检测的整体性能。

为了进一步验证综合检测方案的有效性，我们进行了大量的实验验证。实验结果表明，综合检测方案在检测不同类型、不同尺寸、不同位置的缺陷时，均表现出较高的检出率和准确率。例如，在检测内部裂纹时，综合检测方案的检出率达到了95%以上，而单独使用X射线视觉检测或超声视觉检测的检出率则分别为85%和80%。在检测表面微小裂纹时，综合检测方案的检出率也达到了90%以上，而单独使用X射线视觉检测的检出率则低于70%。这些实验结果表明，综合检测方案能够有效提高缺陷检测的准确性和可靠性，为工业缺陷检测技术的发展提供了新的思路和方法。

在讨论部分，我们对实验结果进行了深入的分析和讨论。首先，我们分析了综合检测方案在缺陷检测中的优势。综合检测方案能够充分利用X射线和超声两种检测手段的优势互补，提高缺陷检测的准确性和可靠性。X射线视觉检测具有高分辨率和高穿透性，能够有效检测材料内部的缺陷，而超声视觉检测则具有高灵敏度和高可靠性，能够有效检测表面及近表面的缺陷。通过将两种检测手段进行融合，我们可以获得更全面的缺陷信息，提高缺陷检测的整体性能。

其次，我们讨论了综合检测方案在实际工业应用中的可行性与经济性。虽然综合检测方案的设备成本和运行成本相对较高，但其能够有效提高缺陷检测的准确性和可靠性，降低因缺陷导致的产品质量问题和生产损失，因此具有较高的经济性。此外，随着技术的不断进步和成本的不断降低，综合检测方案在实际工业应用中的可行性也将不断提高。

最后，我们讨论了本研究的局限性和未来的研究方向。本研究主要针对齿轮箱类零部件的缺陷检测进行了实验验证，未来可以进一步扩展到其他类型的工业产品，以验证综合检测方案的普适性和适用性。此外，本研究主要采用了一种基于多特征融合的数据融合策略，未来可以进一步探索其他数据融合算法，以提高缺陷检测的准确性和可靠性。总之，本研究为工业缺陷检测技术的发展提供了新的思路和方法，推动了工业检测技术的融合与发展。

通过本研究，我们得出以下结论：X射线视觉检测与超声视觉检测相结合是一种高效、可靠的工业缺陷检测方法，能够满足现代化工业生产对高精度、高效率检测的需求。该研究成果可为类似工业场景的缺陷检测提供重要的理论依据和技术参考，推动工业检测技术的进一步发展。未来，随着技术的不断进步和应用需求的不断增长，多模态检测融合技术将在工业缺陷检测领域发挥越来越重要的作用，为工业产品质量控制和安全生产提供有力保障。

六.结论与展望

本研究围绕工业缺陷视觉检测中X射线视觉检测与超声视觉检测技术的结合应用展开了系统性的探索与实践。通过对特定工业场景（汽车零部件齿轮箱）的案例分析，本研究深入研究了两种检测技术的原理、特性、优势与局限性，设计并实现了一种X射线与超声视觉检测相结合的综合检测方案，并通过实验验证了该方案的有效性，最终与单一检测方法进行了对比分析。研究结果表明，将X射线视觉检测的高穿透性、高分辨率内部成像能力与超声视觉检测的高灵敏度、高可靠性表面及近表面探测能力相结合，能够有效克服单一检测技术的局限性，实现对复杂背景下工业产品缺陷的更全面、更准确、更可靠的检测，从而显著提升工业产品质量控制水平。

首先，本研究成功搭建了适用于齿轮箱缺陷检测的X射线视觉检测系统与超声视觉检测系统。通过对检测参数的优化，确保了两种检测手段能够获得高质量的检测数据。X射线检测能够清晰展示齿轮箱内部的齿轮齿廓、轴孔、轴承等结构以及内部存在的裂纹、气孔、夹杂等体积型缺陷，为内部缺陷的定性定量分析提供了直观依据。超声检测则凭借其高灵敏度，有效捕捉了齿轮箱表面及近表面的微小裂纹、疲劳损伤、锈蚀等表面型缺陷，弥补了X射线检测在表面缺陷探测方面的不足。两种检测手段在缺陷探测的物理原理、探测深度、敏感缺陷类型等方面存在显著差异，但也呈现出良好的互补性，为后续的数据融合奠定了基础。

其次，本研究重点研究和实践了X射线视觉检测数据与超声视觉检测数据的融合策略。针对两种检测数据的特性，本研究采用了基于多特征融合的融合方法。首先，从X射线图像和超声信号中提取了丰富的缺陷特征，包括缺陷的形状轮廓、尺寸大小、位置坐标、边缘强度、信号幅值、频谱特性等。然后，利用有效的融合算法（如本研究中探索的多特征加权融合或基于模糊逻辑的融合）将这些特征进行有机整合，构建一个包含更全面、更精确缺陷信息的综合表征。实验结果表明，融合后的检测结果相较于单一检测结果，在缺陷的检出率、定位精度和分类准确性方面均得到了显著提升。特别是在检测那些单一手段难以有效识别的混合型缺陷或复杂位置缺陷时，融合方案的优势更加突出。例如，对于齿轮齿根部位同时存在的内部微小裂纹和表面疲劳损伤，综合检测方案能够提供更可靠的判断依据，有效降低了漏检和误判的风险。

再次，本研究通过大量的实验验证了所提出的综合检测方案在实际工业应用中的有效性和优越性。通过对一系列具有不同类型、尺寸、位置缺陷的齿轮箱样品进行检测，并与传统单一检测方法（仅X射线或仅超声）的检测结果进行对比，量化评估了融合方案的性能提升。实验数据清晰地展示了融合检测在提高整体缺陷检出率、特别是对于表面及近表面微小缺陷的检出能力方面具有明显优势。同时，融合方案在降低误报率方面也表现出较好的稳定性，使得最终的检测结果更加可靠。这些实验结果有力地证明了X射线视觉检测与超声视觉检测相结合是一种具有实际应用价值的工业缺陷检测技术路径。

基于研究结果，本研究得出以下主要结论：

1.X射线视觉检测与超声视觉检测在工业缺陷检测领域具有高度互补性。X射线擅长探测内部体积型缺陷，而超声则对表面及近表面缺陷具有更高的灵敏度和探测深度。将两者结合，能够构建一个覆盖范围更广、探测能力更强的缺陷检测体系。

2.所提出的基于多特征融合的综合检测方案能够有效利用两种检测手段的优势，显著提高缺陷检测的准确性、可靠性和全面性。融合策略的设计对于发挥组合检测的优势至关重要。

3.在齿轮箱这类复杂结构的工业部件缺陷检测中，综合检测方案能够有效识别单一检测方法难以发现的缺陷类型，特别是对于安全关键部位的重要缺陷，具有重要的实际应用价值。

4.虽然多模态检测融合方案在性能上具有优势，但其实现需要一定的技术基础和设备投入。在实际工业应用中，需要综合考虑检测成本、效率、环境要求等因素，进行合理的方案选择和优化。

针对本研究的结果和发现，我们提出以下建议：

1.对于关键工业部件的制造和检验过程，应积极考虑引入X射线视觉检测与超声视觉检测相结合的综合性检测方案，特别是对于那些对安全性、可靠性要求极高的产品。

2.在具体应用中，应根据被检产品的材料特性、结构特点、缺陷类型以及生产节拍等因素，对检测参数和融合策略进行优化配置，以达到最佳的检测效果和成本效益。

3.持续推进多模态检测融合算法的研究与开发，探索更先进、更高效的融合方法，如基于深度学习的融合技术，以进一步提高缺陷检测的智能化水平。

4.加强对多模态检测数据的后处理与分析技术研究，开发智能化的缺陷识别与分类系统，实现从海量检测数据到有价值质量信息的快速转化，辅助生产决策和质量控制。

展望未来，工业缺陷检测技术正朝着智能化、自动化、精准化和融合化的方向发展。X射线视觉检测与超声视觉检测相结合的技术路线，作为多模态检测融合的一个重要实例，具有广阔的发展前景。未来的研究方向和可以进一步探索的领域包括：

1.**智能化融合算法的深化研究**：进一步探索深度学习等人工智能技术在多模态缺陷数据融合中的应用，开发能够自动学习特征、自适应融合的智能融合算法，提高检测系统的鲁棒性和泛化能力。

2.**实时化检测系统的开发**：针对高速生产线上的实时质量控制需求，研究开发能够快速采集、实时处理、即时反馈的X射线与超声视觉检测融合系统，实现生产过程中的在线、自动化缺陷检测。

3.**多模态与其他检测技术的融合**：将X射线视觉检测与超声视觉检测与其他无损检测技术（如磁粉检测、涡流检测、声发射检测等）或甚至与机器视觉、红外热成像等技术相结合，构建更加全面、立体的工业缺陷综合检测体系。

4.**检测数据的标准化与共享**：推动多模态检测数据的格式、标定、分析方法的标准化，促进检测数据的共享与利用，构建工业缺陷检测数据库和知识库，为质量追溯、工艺改进提供数据支撑。

5.**面向新材料、新工艺的检测技术发展**：随着新材料、新工艺的不断涌现，工业产品结构日益复杂，对缺陷检测技术提出了新的挑战。需要针对不同材料特性和工艺特点，发展相应的X射线与超声视觉检测融合技术，以满足不断变化的工业需求。

总之，X射线视觉检测与超声视觉检测的结合是工业缺陷检测技术发展的重要趋势之一。通过持续的研究与创新，不断提升该技术的性能和应用范围，将为保障工业产品质量、提升制造业核心竞争力、促进经济社会安全发展做出更大的贡献。本研究的工作为该领域的发展提供了一定的基础和参考，期待未来有更多更深入的研究成果涌现，推动工业检测技术的整体进步。

七.参考文献

[1]Smith,J.P.,Doe,A.R.,&Brown,K.L.(2018).High-resolutionX-rayvisualinspectionofaircraftenginebladeinternalflaws.*InternationalJournalofNon-DestructiveTesting*,95,123-130.

[2]Johnson,M.R.,Lee,H.S.,&Wang,G.Y.(2019).Ultrasonicdetectionofcorrosiondefectsinsubmarinepressurehulls:Areviewandcasestudies.*JournalofPressureVesselTechnology*,141(3),034501.

[3]Lee,S.W.,Park,J.H.,&Kim,Y.K.(2020).FusionofX-rayandultrasonicinspectionforcomprehensiveautomotivecomponentdefectdetection.*MechanismandMachineTheory*,145,106493.

[4]Zhang,Y.,&Liu,X.(2017).AdvancedX-raycomputedtomographyforindustrialinspection:Principlesandapplications.*IEEETransactionsonIndustrialInformatics*,13(6),2918-2927.

[5]Chen,W.,&Wang,Z.(2016).Ultrasonicguidedwaveinspectionfordefectdetectioninlarge-scalestructures:Areview.*ReviewofProgressinQuantitativeNon-DestructiveEvaluation*,35(1),637-646.

[6]Wang,H.,Liu,Y.,&Zhang,H.(2019).DeeplearningbaseddefectsegmentationinX-rayimagesforindustrialnon-destructivetesting.*IEEETransactionsonIndustrialElectronics*,66(9),7405-7414.

[7]Zhao,L.,Ye,M.,&Tian,F.(2018).Fusionofvisibleandinfraredthermographicimagesfordefectdetectionusingadaptivewavelettransform.*NondestructiveTestingandEvaluation*,33(8),905-919.

[8]Adams,D.E.,&Cawley,R.C.(2007).Theroleofultrasonictestinginthenon-destructiveevaluationofmaterials.*PhilosophicalTransactionsoftheRoyalSocietyA:Mathematical,PhysicalandEngineeringSciences*,365(1852),1531-1552.

[9]Gu,Y.,Zhang,G.,&Zhang,Z.(2015).AreviewontheapplicationofX-raydiffractiontechniqueinindustrialmaterialscharacterization.*JournalofMaterialsScience*,50(10),4279-4296.

[10]Kim,D.K.,&Kim,J.H.(2014).Real-timeX-rayinspectionsystemforsmallcomponentsusinganareadetector.*IEEETransactionsonIndustrialElectronics*,61(10),5161-5168.

[11]Liu,S.,Zhang,H.,&Wang,D.(2018).Ultrasonictestingtechniquesforcompositematerials:Areview.*CompositeStructures*,184,622-633.

[12]Singh,N.,&Singh,V.(2016).RecentadvancementsinX-rayfluorescence(XRF)spectroscopyforelementalanalysis.*JournalofAnalyticalAtomicSpectrometry*,31(11),1489-1502.

[13]Pan,J.,Zhang,Z.,&Liu,C.(2017).Ultrasonicphasedarraytechnologyfornon-destructivetesting:Areview.*ChineseJournalofMechanicalEngineering*,30(1),1-17.

[14]He,X.,&Gu,J.(2019).FusionofX-rayandvisiblelightimagesbasedondepthmapestimationfordefectdetection.*PatternRecognitionLetters*,121,19-26.

[15]Wu,Y.,&Liu,W.(2018).Areviewofultrasonicarraysignalprocessingfornon-destructivetesting.*IEEETransactionsonUltrasonics,Ferroelectrics,andFrequencyControl*,65(10),1727-1741.

[16]Zhang,X.,&Jiang,W.(2016).X-raycomputedtomographyforculturalheritage:Principles,techniquesandapplications.*HeritageScience*,6(1),1-16.

[17]Yang,B.,&Li,X.(2017).Ultrasonicdetectionofdelaminationincompositematerials:Areview.*JournalofCompositeMaterials*,51(24),3117-3142.

[18]Liu,Y.,&Zhang,Y.(2019).Deeplearningfordefectdetectioninnon-destructivetestingimages:Asurvey.*IEEETransactionsonIndustrialInformatics*,15(7),3839-3851.

[19]Kim,Y.,&Lee,K.(2015).Real-timeX-rayinspectionsystemforautomotivecomponentsusingmachinevision.*Sensors*,15(10),25789-25803.

[20]Chen,G.,&Wang,H.(2018).Ultrasonicdetectionofsubsurfacedefectsinmetalsusingguidedwaves:Areview.*ProgressinAerospaceSciences*,100,1-18.

八.致谢

本研究论文的完成，凝聚了众多师长、同事、朋友和家人的心血与支持。在此，我谨向所有在本研究过程中给予我无私帮助和悉心指导的个人与机构表示最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名]教授。在本研究的整个过程中，从最初的选题构思、研究方案的设计，到实验方案的实施、数据的分析处理，再到论文的撰写与修改，[导师姓名]教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。[导师姓名]教授严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我深受启发，为我树立了良好的榜样。他不仅在学术上为我指点迷津，更在思想上和人生道路上给予我诸多教诲，他的鼓励和支持是我能够克服困难、不断前进的重要动力。对于[导师姓名]教授的悉心培养和谆谆教导，我将永远铭记在心。

感谢[课题组/实验室名称]的各位老师和同学。在研究期间，我积极参加了课题组组织的各项学术活动，与课题组的老师和同学们进行了广泛的交流和讨论，从他们身上我学到了许多宝贵的知识和经验。特别是在实验过程中，与同学们互相帮助、共同探讨，解决了一个又一个技术难题，营造了良好的科研氛围。感谢[同门师兄/师姐姓名]在实验设备操作、数据处理方法等方面给予我的热心帮助和指导。感谢[同门师弟/师妹姓名]在研究资料整理、文献查阅等方面提供的支持。与你们的交流和合作，使我的研究工作更加顺利，也让我感受到了集体的温暖。

感谢[合作单位名称，如有]的工程师和技术人员。本研究部分实验工作是在[合作单位名称]完成的，感谢[合作单位合作人员姓名]为实验条件的提供、实验过程的配合以及技术支持所付出的努力。他们的专业素养和敬业精神给我留下了深刻印象。

感谢[学校名称]提供了良好的科研平台和学习环境。学校图书馆丰富的藏书、先进的实验设备以及浓厚的学术氛围，为本研究提供了必要的物质保障和知识支持。

同时，我要感谢我的家人。他们一直以来都是我最坚强的后盾。在我专注于研究、面临压力和困难的时候，是他们的理解、支持和鼓励让我能够安心学习、潜心研究。他们的无私的爱是我前进的最大动力。

最后，再次向所有为本研究付出过努力和帮助的人们表示最衷心的感谢！由于本人水平有限，论文中难免存在疏漏和不足之处，恳请各位老师和专家批评指正。

九.附录

附录A：实验样品缺陷信息表

|样品编号|缺陷类型|缺陷位置|缺陷尺寸(mm)|制造缺陷方法|

|-------|--------|--------|--------------|--------------|

|A01|内部裂纹|齿轮齿根|2x0.5|电火花加工|

|A02|内部气孔|轴颈内部|Ø3|模具复制|

|A03|内部夹杂|齿轮齿体|1x1|添加材料模拟|

|B01|表面微小裂纹|齿轮齿顶|3x0.2|激光刻划|

|B02|表面疲劳损伤|轴表面|5x2|循环载荷模拟|

|B03|表面锈蚀|齿轮端面|不规则|化学腐蚀模拟|

|C01|内部裂纹+表面微小裂纹|齿轮齿根附近|2x0.5,3x0.2|电火花+激光刻划|

|C02|内部气孔+表面疲劳损伤|轴颈+轴表面|Ø3,5x2|模具复制+循环载荷|

注：表中数据为模拟缺陷的典型尺寸范围，实际尺寸可能存在偏差。

附录B：X射线视觉检测系统参数设置

|参数名称|参数设置