带钢表面缺陷检测算法的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-21页 |
| ·区域提取方法 | 第11-13页 |
| ·特征提取方法 | 第13页 |
| ·模式识别方法 | 第13-18页 |
| ·传统模式识别方法 | 第14-15页 |
| ·传统模式识别方法存在的问题 | 第15-16页 |
| ·统计学习理论和支持向量机 | 第16-18页 |
| ·课题背景及研究的目的和意义 | 第18-20页 |
| ·国内外研究现状 | 第18-19页 |
| ·研究目的和意义 | 第19-20页 |
| ·本课题主要研究内容 | 第20-21页 |
| 第2章 图像增强及目标区域提取算法 | 第21-33页 |
| ·图像增强处理 | 第21-26页 |
| ·常见噪声模型 | 第21-22页 |
| ·空域滤波方法 | 第22-24页 |
| ·光照不均匀校正算法 | 第24-26页 |
| ·图像目标区域提取 | 第26-32页 |
| ·基于最小误判概率准则的阈值选择算法 | 第27-28页 |
| ·基于最大类间类内距离比准则的阈值选择算法 | 第28-31页 |
| ·最大类间类内距离比准则阈值选择算法的改进 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 目标区域特征提取与选择算法 | 第33-48页 |
| ·特征提取与选择基本准则 | 第33-34页 |
| ·类可分离性准则 | 第33-34页 |
| ·仿射不变性准则 | 第34页 |
| ·基于不变矩的目标区域特征提取 | 第34-42页 |
| ·不变矩的平移和尺度不变性 | 第34-36页 |
| ·不变矩的旋转不变性 | 第36-38页 |
| ·22 维不变矩特征向量的提出 | 第38-39页 |
| ·不变矩仿射不变性实验 | 第39-42页 |
| ·不变矩用于带钢表面缺陷检测可行性分析 | 第42页 |
| ·基于主成分分析法的特征向量空间降维处理 | 第42-47页 |
| ·主成分分析法的特性分析 | 第42-45页 |
| ·基于主成分分析的空间降维方法 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第4章 基于一类支持向量机的分类器设计 | 第48-63页 |
| ·一类支持向量机分类 | 第48-52页 |
| ·一类支持向量机分类的原理 | 第48-51页 |
| ·一类支持向量机分类的优越性 | 第51-52页 |
| ·一类支持向量机分类器设计中的若干关键问题 | 第52-59页 |
| ·核函数对分类器性能的影响 | 第52-54页 |
| ·核函数参数和惩罚系数对分类器性能的影响 | 第54-58页 |
| ·一类支持向量机分类器的设计方法 | 第58-59页 |
| ·一类支持向量机与BP 神经网络性能比较实验 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 带钢表面缺陷检测算法实验研究 | 第63-78页 |
| ·常见缺陷的特点及产生原因 | 第63页 |
| ·带钢表面缺陷检测算法结构设计 | 第63-66页 |
| ·带钢表面缺陷检测算法实验 | 第66-72页 |
| ·带钢表面缺陷的预处理 | 第66-69页 |
| ·带钢表面缺陷的特征提取与选择 | 第69页 |
| ·带钢表面缺陷的分类决策 | 第69-71页 |
| ·实验结果分析 | 第71-72页 |
| ·与其他带钢表面缺陷检测算法的对比实验 | 第72-77页 |
| ·基于纹理特征和BP 神经网络的传统检测算法 | 第72-74页 |
| ·基于纹理特征和一类支持向量机的检测算法 | 第74-75页 |
| ·基于不变矩特征和BP 神经网络的检测算法 | 第75-76页 |
| ·实验结果分析 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间发表的学术论文 | 第84-86页 |
| 致谢 | 第86页 |
