基于机器视觉的铁路货车滚动轴承表面缺陷检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 前言 | 第8页 |
| 1.2 相关研究 | 第8-11页 |
| 1.2.1 国内外研究历程 | 第8-10页 |
| 1.2.2 常用的滚动轴承诊断方法 | 第10-11页 |
| 1.3 研究的主要内容 | 第11-12页 |
| 2 铁路货车滚动轴承缺陷类型及识别 | 第12-15页 |
| 2.1 铁路货车滚动轴承表面的缺陷种类 | 第12-14页 |
| 2.2 图像处理与识别过程 | 第14页 |
| 2.3 识别过程中的难点 | 第14-15页 |
| 3 缺陷图像去噪 | 第15-31页 |
| 3.1 数字图像及其表示方法 | 第15-16页 |
| 3.2 图像对比度的增强 | 第16-19页 |
| 3.2.1 图像灰度变换 | 第16-18页 |
| 3.2.2 直方图变换 | 第18-19页 |
| 3.3 缺陷图像的滤波方法 | 第19-23页 |
| 3.3.1 空域缺陷图像的滤波 | 第19-20页 |
| 3.3.2 频域缺陷图像滤波 | 第20-23页 |
| 3.4 小波变换去噪 | 第23-30页 |
| 3.4.1 二维小波变换 | 第25-26页 |
| 3.4.2 小波阈值去噪 | 第26-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 缺陷图像分割 | 第31-42页 |
| 4.1 图像分割的阈值选取 | 第31页 |
| 4.2 迭代法图像分割 | 第31-33页 |
| 4.3 Otsu方法图像分割 | 第33-35页 |
| 4.4 可变阈值的图像分割 | 第35-42页 |
| 5 目标缺陷的边缘检测 | 第42-53页 |
| 5.1 边缘检测算法 | 第42-49页 |
| 5.1.1 常见边缘检测算法 | 第43-45页 |
| 5.1.2 SUSAN边缘检测算法 | 第45-49页 |
| 5.2 利用小波变换进行边缘检测 | 第49-53页 |
| 6 目标缺陷识别 | 第53-65页 |
| 6.1 模式识别概述 | 第53页 |
| 6.2 模式识别的方法 | 第53-58页 |
| 6.3 利用BP网络对缺陷进行分类 | 第58-65页 |
| 6.3.1 缺陷特征的提取以及参数的计算 | 第58-59页 |
| 6.3.2 缺陷分类值的计算 | 第59-61页 |
| 6.3.3 缺陷分类值对BP神经网络训练 | 第61-62页 |
| 6.3.4 运行结果及分析 | 第62-65页 |
| 结论 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
