基于机器视觉的彩钢板缺陷检测和智能分类研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10页 |
| 1.2 彩钢板表面缺陷检测的国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 课题研究的主要内容 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 彩钢板表面缺陷检测系统方案设计综述 | 第13-19页 |
| 2.1 彩钢板表面缺陷检测系统的总体结构 | 第13页 |
| 2.2 表面缺陷图像采集系统 | 第13-17页 |
| 2.2.1 照明光源和照明方式 | 第14-16页 |
| 2.2.2 成像CCD摄像机 | 第16-17页 |
| 2.3 表面缺陷图像检测系统 | 第17-18页 |
| 2.4 表面缺陷识别分类系统 | 第18页 |
| 2.5 本章小结 | 第18-19页 |
| 3 彩钢板表面缺陷图像处理算法研究 | 第19-48页 |
| 3.1 彩钢板表面缺陷形貌描述与分析 | 第19-23页 |
| 3.2 图像预处理 | 第23-30页 |
| 3.2.1 图像滤波去噪 | 第23-27页 |
| 3.2.2 图像增强(灰度拉伸) | 第27-30页 |
| 3.3 图像分割算法 | 第30-40页 |
| 3.3.1 阈值分割 | 第30-31页 |
| 3.3.2 边缘检测分割 | 第31-35页 |
| 3.3.3 分水岭分割 | 第35-40页 |
| 3.4 彩钢板表面几种典型缺陷的分割方法 | 第40-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 彩钢板表面缺陷特征选择和提取算法研究 | 第48-61页 |
| 4.1 特征选择和提取概念介绍 | 第48-49页 |
| 4.2 特征有效性的评判标准 | 第49页 |
| 4.3 彩钢板缺陷特征提取 | 第49-57页 |
| 4.3.1 几何特征 | 第50-51页 |
| 4.3.2 拓扑特征 | 第51-52页 |
| 4.3.3 灰度统计特征 | 第52-53页 |
| 4.3.4 形状特征 | 第53-55页 |
| 4.3.5 纹理特征 | 第55-57页 |
| 4.4 特征数据的标准化处理方法 | 第57-60页 |
| 4.5 本章小结 | 第60-61页 |
| 5 彩钢板表面缺陷识别分类算法研究 | 第61-70页 |
| 5.1 模式识别基本原理 | 第61-62页 |
| 5.1.1 模式和模式识别的概念 | 第61页 |
| 5.1.2 模式识别系统组成 | 第61-62页 |
| 5.2 基于神经网络的多层感知器模型 | 第62-64页 |
| 5.2.1 人工神经网络基本原理 | 第62-64页 |
| 5.2.2 误差反向传播算法(BP算法) | 第64页 |
| 5.3 BP神经网络分类器 | 第64-69页 |
| 5.3.1 MLP分类器结构设计 | 第64-65页 |
| 5.3.2 BP神经网络分类器的训练 | 第65-69页 |
| 5.4 分类器的测试实验结果及分析 | 第69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 总结 | 第70-71页 |
| 7 展望 | 第71-72页 |
| 8 参考文献 | 第72-77页 |
| 9 致谢 | 第77页 |
