基于机器视觉的三维锡膏检测关键技术及应用研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 锡膏检测的背景及研究意义 | 第9-10页 |
| 1.2 锡膏检测技术的发展及研究现状 | 第10-15页 |
| 1.2.1 基于激光三角的三维锡膏检测技术 | 第11-13页 |
| 1.2.2 基于相位光栅轮廓术的三维锡膏检测技术 | 第13-15页 |
| 1.3 本文拟解决的问题与技术路线 | 第15-18页 |
| 1.4 本文研究内容及结构 | 第18-21页 |
| 2 自动化检测系统平台搭建 | 第21-33页 |
| 2.1 三维锡膏检测系统概述 | 第21页 |
| 2.2 照明系统 | 第21-22页 |
| 2.3 图像获取系统 | 第22-26页 |
| 2.3.1 灰度非均匀性校正 | 第23-25页 |
| 2.3.2 白平衡 | 第25-26页 |
| 2.3.3 相机视场 | 第26页 |
| 2.4 传输平台搭建 | 第26-31页 |
| 2.4.1 系统原理及组成框架 | 第26-27页 |
| 2.4.2 平台硬件搭建 | 第27-28页 |
| 2.4.3 软件系统的开发 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 3 锡膏图像信息获取 | 第33-57页 |
| 3.1 二维锡膏图像的信息获取 | 第33-43页 |
| 3.1.1 彩色空间模型 | 第33-34页 |
| 3.1.2 全局和局部阈值分割 | 第34-37页 |
| 3.1.3 最大熵图像分割 | 第37-40页 |
| 3.1.4 区域分割 | 第40-42页 |
| 3.1.5 灰度及区域特征 | 第42-43页 |
| 3.2 基于机器学习的锡膏检测 | 第43-52页 |
| 3.2.1 K均值聚类锡膏分割算法 | 第44-45页 |
| 3.2.2 高斯混合模型 | 第45-46页 |
| 3.2.3 SVM分类器 | 第46-50页 |
| 3.2.4 朴素贝叶斯分类器 | 第50-52页 |
| 3.3 三维信息获取 | 第52-55页 |
| 3.3.1 双目的定标和校正 | 第52-54页 |
| 3.3.2 锡膏三维重建即效果显示 | 第54-55页 |
| 3.4 本章小结 | 第55-57页 |
| 4 锡膏检测系统分析 | 第57-67页 |
| 4.1 测量系统误差 | 第57-58页 |
| 4.2 精确度分析报告 | 第58-65页 |
| 4.2.1 高度测量的变异分析 | 第58-61页 |
| 4.2.2 面积测量变异分析 | 第61-63页 |
| 4.2.3 体积变异分析 | 第63-65页 |
| 4.3 准确度分析报告 | 第65-66页 |
| 4.3.1 线性和偏移 | 第65页 |
| 4.3.2 稳定性 | 第65-66页 |
| 4.4 本章小结 | 第66-67页 |
| 5 总结及展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75-77页 |
