| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 论文研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 论文研究内容和结构安排 | 第15-17页 |
| 第2章 铁轨表面缺陷的机器视觉检测系统设计 | 第17-28页 |
| 2.1 机器视觉检测系统设计思路 | 第17页 |
| 2.2 铁轨表面缺陷的类型和形成机理 | 第17-20页 |
| 2.3 机器视觉检测系统功能和性能分析 | 第20页 |
| 2.3.1 机器视觉检测系统的功能分析 | 第20页 |
| 2.3.2 机器视觉检测系统的性能指标 | 第20页 |
| 2.4 检测系统总体方案设计 | 第20-25页 |
| 2.4.1 通用机器视觉系统方案 | 第20-21页 |
| 2.4.2 铁轨表面缺陷的机器视觉检测系统结构设计方案 | 第21-24页 |
| 2.4.3 本系统总运行流程 | 第24-25页 |
| 2.5 铁轨表面缺陷的机器视觉检测仿真平台设计 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第3章 铁轨表面缺陷的视觉检测系统成像方法研究 | 第28-43页 |
| 3.1 机器视觉检测对象分析 | 第28页 |
| 3.2 机器视觉检测系统的光源照明方案 | 第28-30页 |
| 3.2.1 光源的分类及特性 | 第28-29页 |
| 3.2.2 本系统照明方案的设计 | 第29-30页 |
| 3.3 工业相机的选型及参数设置 | 第30-35页 |
| 3.3.1 相机的视场 | 第30-32页 |
| 3.3.2 相机的传输方式 | 第32-33页 |
| 3.3.3 相机工作方式 | 第33页 |
| 3.3.4 相机的选取 | 第33-35页 |
| 3.4 光学镜头的选型 | 第35-40页 |
| 3.5 本系统光学成像方案设计 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 铁轨表面缺陷检测算法研究 | 第43-73页 |
| 4.1 数字图像处理技术概述 | 第43-44页 |
| 4.2 表面缺陷视觉检测流程 | 第44-45页 |
| 4.3 铁轨图像预处理 | 第45-52页 |
| 4.3.1 图像去噪 | 第45-50页 |
| 4.3.2 铁轨表面区域提取 | 第50-52页 |
| 4.4 缺陷快速检测 | 第52-62页 |
| 4.4.1 基于灰度补偿的检测 | 第53-58页 |
| 4.4.2 基于顶帽操作的检测 | 第58-61页 |
| 4.4.3 组合检测结果 | 第61-62页 |
| 4.4.4 异常区域检测 | 第62页 |
| 4.5 缺陷精确定位 | 第62-69页 |
| 4.5.1 粘合区域 | 第63-64页 |
| 4.5.2 填充孔洞 | 第64-66页 |
| 4.5.3 选择主要缺陷 | 第66-67页 |
| 4.5.4 提取目标缺陷 | 第67-69页 |
| 4.6 实际缺陷图像处理结果 | 第69-72页 |
| 4.7 本章小结 | 第72-73页 |
| 第5章 铁轨表面缺陷图像分类方法研究 | 第73-89页 |
| 5.1 模式识别概述 | 第73页 |
| 5.2 缺陷特征提取 | 第73-80页 |
| 5.2.1 缺陷特征描述 | 第74-78页 |
| 5.2.2 缺陷特征提取与选择 | 第78-80页 |
| 5.3 基于模式识别的缺陷分类方法 | 第80-88页 |
| 5.3.1 BP神经网络的实现 | 第80-86页 |
| 5.3.2 应用BP神经网络识别铁轨表面缺陷 | 第86-88页 |
| 5.4 本章小结 | 第88-89页 |
| 结论 | 第89-92页 |
| 参考文献 | 第92-96页 |
| 致谢 | 第96-97页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第97-98页 |
| 附录B 攻读学位期间参与的主要科研项目和成果 | 第98页 |