摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-13页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 带钢表面缺陷检测技术发展现状 | 第10-12页 |
1.2.1 国外发展现状 | 第10-11页 |
1.2.2 国内发展现状 | 第11-12页 |
1.3 本文的研究内容 | 第12-13页 |
第2章 带钢表面缺陷图像的预处理 | 第13-23页 |
2.1 图像预处理 | 第13-18页 |
2.1.1 自适应中值滤波 | 第13-15页 |
2.1.2 同态滤波 | 第15-18页 |
2.2 缺陷图像分割 | 第18-20页 |
2.2.1 图像分割的基本概念 | 第18页 |
2.2.2 缺陷分割方法 | 第18-20页 |
2.3 仿真实验结果与分析 | 第20-22页 |
2.4 本章小结 | 第22-23页 |
第3章 带钢表面缺陷图像特征提取与选择 | 第23-41页 |
3.1 图像特征提取 | 第23-29页 |
3.1.1 纹理特征提取 | 第23-28页 |
3.1.2 形态特征提取 | 第28-29页 |
3.2 图像特征选择 | 第29-33页 |
3.2.1 特征选择 | 第30页 |
3.2.2 基于ReliefF与聚类算法的特征选择 | 第30-33页 |
3.3 仿真实验结果与分析 | 第33-40页 |
3.4 本章小结 | 第40-41页 |
第4章 基于改进支持向量机的缺陷模式识别 | 第41-55页 |
4.1 支持向量机基本原理 | 第41-48页 |
4.1.1 线性判别函数 | 第41-43页 |
4.1.2 最优分类面 | 第43-45页 |
4.1.3 广义最优分类面 | 第45-46页 |
4.1.4 支持向量机 | 第46-48页 |
4.2 设计改进的SVM-KNN分类器 | 第48-50页 |
4.2.1 k近邻法 | 第48-49页 |
4.2.2 改进的SVM-KNN原理 | 第49-50页 |
4.3 基于改进SVM-KNN的缺陷识别 | 第50-52页 |
4.3.1 支持向量机的分类算法 | 第50-51页 |
4.3.2 改进SVM-KNN的分类算法 | 第51-52页 |
4.4 仿真实验结果与分析 | 第52-53页 |
4.5 本章小结 | 第53-55页 |
结论 | 第55-57页 |
参考文献 | 第57-61页 |
攻读硕士学位期间所发表的论文 | 第61-63页 |
致谢 | 第63页 |