基于X射线安检图像的刀具识别系统设计
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-14页 |
| 1.1 课题研究的背景及意义 | 第11页 |
| 1.2 X射线检测应用研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要工作内容 | 第13-14页 |
| 第2章 X射线检测技术原理 | 第14-20页 |
| 2.1 X射线检测的基本原理 | 第14-18页 |
| 2.1.1 X射线检测的物理学特性 | 第14-15页 |
| 2.1.2 X射线安检设备物理组成 | 第15-17页 |
| 2.1.3 X射线双能检测概述 | 第17-18页 |
| 2.2 X射线成像原理 | 第18-19页 |
| 2.3 X射线安检图像识别方法 | 第19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于形态学的刀具特征提取 | 第20-33页 |
| 3.1 图像边缘检测 | 第20-29页 |
| 3.1.1 常见边缘检测方法 | 第20-24页 |
| 3.1.2 基于小波变换的边缘检测方法 | 第24-29页 |
| 3.2 数学形态学图像处理 | 第29-30页 |
| 3.3 刀具形态特征提取 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 刀具识别方法研究 | 第33-46页 |
| 4.1 图像识别概述 | 第33-35页 |
| 4.2 基于BP神经网络的刀具识别 | 第35-37页 |
| 4.2.1 BP神经网络概述 | 第35页 |
| 4.2.2 BP神经网络模型建立 | 第35-37页 |
| 4.3 基于LVQ神经网络的刀具识别 | 第37-40页 |
| 4.3.1 LVQ神经网络概述 | 第37-38页 |
| 4.3.2 LVQ神经网络模型建立 | 第38-40页 |
| 4.4 基于决策树分类器的刀具识别 | 第40-42页 |
| 4.4.1 决策树分类器概述 | 第40-41页 |
| 4.4.2 决策树分类器模型建立 | 第41-42页 |
| 4.5 基于随机森林分类器的刀具识别 | 第42-43页 |
| 4.5.1 随机森林概述 | 第42页 |
| 4.5.2 随机森林分类器模型建立 | 第42-43页 |
| 4.6 基于随机森林与决策树结合的刀具识别 | 第43-44页 |
| 4.6.1 随机森林与决策树结合方法概述 | 第43页 |
| 4.6.2 随机森林与决策树模型建立 | 第43-44页 |
| 4.7 刀具识别方法比较 | 第44-45页 |
| 4.8 本章小结 | 第45-46页 |
| 第5章 刀具识别系统实现 | 第46-68页 |
| 5.1 系统总体方案设计 | 第46-47页 |
| 5.2 探测装置的选择 | 第47-48页 |
| 5.3 数据采集传输系统 | 第48-62页 |
| 5.3.1 硬件系统设计及选型 | 第49-53页 |
| 5.3.2 软件系统实现 | 第53-59页 |
| 5.3.3 系统仿真与性能测试 | 第59-62页 |
| 5.4 刀具识别系统验证 | 第62-67页 |
| 5.4.1 上位机程序实现 | 第63-65页 |
| 5.4.2 系统验证结果展示 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录1 ARM端开发架构图 | 第74-76页 |
| 攻读硕士学位期间发表的论文 | 第76-78页 |
| 致谢 | 第78页 |
