基于BP神经网络的玻璃缺陷识别技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-15页 |
| ·课题背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·玻璃缺陷检测技术的国内外研究现状 | 第10-11页 |
| ·模式识别技术的国内外研究现状 | 第11-14页 |
| ·课题研究内容以及论文安排 | 第14-15页 |
| 第二章 玻璃缺陷图像的预处理 | 第15-28页 |
| ·玻璃缺陷图像噪声分析 | 第15-17页 |
| ·摄像机产生的噪声 | 第15-17页 |
| ·图像信号数字化产生的像素抖动 | 第17页 |
| ·玻璃缺陷图像滤波算法 | 第17-21页 |
| ·缺陷图像的分割 | 第21-27页 |
| ·基于边缘检测的缺陷分割 | 第22-25页 |
| ·基于区域生长的缺陷分割 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 玻璃缺陷图像特征提取 | 第28-51页 |
| ·缺陷特征选取的原则 | 第28页 |
| ·基于Hu 不变矩特征的提取 | 第28-37页 |
| ·Hu 不变矩概述 | 第28-32页 |
| ·Hu 不变矩特性 | 第32-34页 |
| ·基于Hu 不变矩的特征提取实验及结果 | 第34-37页 |
| ·基于二维Gabor 小波变换的特征提取 | 第37-46页 |
| ·Gabor 变换概述 | 第37-39页 |
| ·二维Gabor 滤波器 | 第39-40页 |
| ·二维Gabor 滤波器参数的选择 | 第40-44页 |
| ·基于二维Gabor 的特征提取实验及结果 | 第44-46页 |
| ·基于主成分分析法的缺陷特征降维 | 第46-50页 |
| ·主成分分析(PCA)的原理 | 第46-47页 |
| ·主成分的计算方法 | 第47-49页 |
| ·主成分降维实验及结果 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于 BP 神经网络的玻璃缺陷分类识别 | 第51-66页 |
| ·BP 神经网络原理 | 第51-58页 |
| ·BP 神经网络概述及拓扑结构 | 第51-53页 |
| ·BP 神经网络学习规则 | 第53-54页 |
| ·BP 神经网络存在的缺点 | 第54-55页 |
| ·BP 神经网络的一些改进算法 | 第55-58页 |
| ·BP 神经网络的选择与设计 | 第58-61页 |
| ·网络层数 | 第58-59页 |
| ·网络连接初始权值 | 第59页 |
| ·期望误差 | 第59页 |
| ·输入、输出层神经元个数 | 第59-60页 |
| ·学习速率 | 第60页 |
| ·隐含层神经元个数 | 第60-61页 |
| ·玻璃缺陷类型识别及结果分析 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间发表的学术论文 | 第72-73页 |
| 致谢 | 第73页 |
