带钢表面缺陷的视觉识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状及分析 | 第9-10页 |
| 1.2.1 传统检测技术 | 第9-10页 |
| 1.2.2 视觉检测技术 | 第10页 |
| 1.3 视觉识别方法面临的主要问题 | 第10-11页 |
| 1.4 本文主要研究内容 | 第11-14页 |
| 第二章 检测方法总体设计 | 第14-21页 |
| 2.1 缺陷识别性能指标 | 第14页 |
| 2.2 检测方法总体方案设计 | 第14-15页 |
| 2.3 图像采集模块设计 | 第15-17页 |
| 2.4 图像软件结构设计 | 第17-19页 |
| 2.4.1 软件部分总体设计 | 第17页 |
| 2.4.2 软件界面设计 | 第17-19页 |
| 2.5 小结 | 第19-21页 |
| 第三章 带钢表面缺陷图像预处理技术研究 | 第21-33页 |
| 3.1 图像滤波算法研究 | 第21-25页 |
| 3.1.1 自适应中值滤波 | 第21-22页 |
| 3.1.2 高帽滤波方法 | 第22-23页 |
| 3.1.3 同态滤波方法 | 第23-25页 |
| 3.2 图像增强算法研究 | 第25-27页 |
| 3.2.1 对比度受限直方图均衡化 | 第25-26页 |
| 3.2.2 多尺度Retinex增强 | 第26-27页 |
| 3.3 仿真试验结果与分析 | 第27-31页 |
| 3.3.1 图像滤波的实验分析 | 第27-31页 |
| 3.3.2 图像增强的实验分析 | 第31页 |
| 3.4 本章小结 | 第31-33页 |
| 第四章 带钢表面缺陷特征表征与识别方法研究 | 第33-51页 |
| 4.1 图像特征提取 | 第33-39页 |
| 4.1.1 直方图统计特征 | 第35-36页 |
| 4.1.2 灰度共生矩阵 | 第36-37页 |
| 4.1.3 灰度差分统计 | 第37页 |
| 4.1.4 Tamura纹理特征 | 第37-39页 |
| 4.2 特征选择算法研究 | 第39-42页 |
| 4.2.1 主成分分析 | 第39-40页 |
| 4.2.2 ReliefF算法 | 第40-41页 |
| 4.2.3 自编码器 | 第41-42页 |
| 4.3 识别模型构建方法研究 | 第42-48页 |
| 4.3.1 基于BP神经网络的分类器设计 | 第42-44页 |
| 4.3.2 基于SVM的分类器设计 | 第44-45页 |
| 4.3.3 基于ELM的分类器设计 | 第45-47页 |
| 4.3.4 基于SSAE的分类器设计 | 第47-48页 |
| 4.4 本章小结 | 第48-51页 |
| 第五章 带钢表面缺陷视觉识别结果与分析 | 第51-66页 |
| 5.1 实验数据描述 | 第51页 |
| 5.2 特征表征结果分析 | 第51-54页 |
| 5.3 缺陷分类实验和分析 | 第54-63页 |
| 5.3.1 BP神经网络分类实验 | 第54-56页 |
| 5.3.2 支持向量机分类结果 | 第56-58页 |
| 5.3.3 极限学习机分类结果 | 第58-60页 |
| 5.3.4 堆栈稀疏自编码器分类结果 | 第60-63页 |
| 5.4 实验结果对比分析 | 第63-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间所发表的论文及其它成果 | 第73-75页 |
| 附录 | 第75-87页 |
