基于嵌入式GPU的数码印花缺陷检测算法研发
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 印花缺陷检测研究现状 | 第15-16页 |
| 1.2.2 GPU在缺陷检测领域的研究现状 | 第16-18页 |
| 1.3 本文的难点及研究内容 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 2 相关技术概述 | 第20-28页 |
| 2.1 图像特征介绍 | 第20-22页 |
| 2.1.1 纹理特征 | 第20-21页 |
| 2.1.2 形状特征 | 第21页 |
| 2.1.3 颜色特征 | 第21-22页 |
| 2.2 缺陷检测技术 | 第22-23页 |
| 2.2.1 基于统计的缺陷检测 | 第22页 |
| 2.2.2 基于频谱的缺陷检测 | 第22-23页 |
| 2.3 CUDA体系概述 | 第23-27页 |
| 2.3.1 GPU硬件架构 | 第23-24页 |
| 2.3.2 CUDA编程模型 | 第24-26页 |
| 2.3.3 CUDA内存模型 | 第26-27页 |
| 2.3.4 CUDA程序优化 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 数码印花缺陷检测算法研发 | 第28-60页 |
| 3.1 图像预处理 | 第29-37页 |
| 3.1.1 基于参考白的光线补偿算法 | 第29-31页 |
| 3.1.2 基于高斯滤波的图像去噪算法 | 第31-33页 |
| 3.1.3 基于YUV色彩空间的图像增强算法 | 第33-37页 |
| 3.2 基于统计投影和多尺度LBP的缺陷检测算法 | 第37-48页 |
| 3.2.1 算法思路及框架 | 第37-38页 |
| 3.2.2 多尺度LBP | 第38-44页 |
| 3.2.3 统计投影 | 第44-46页 |
| 3.2.4 缺陷判决过程 | 第46-47页 |
| 3.2.5 检测结果分析 | 第47-48页 |
| 3.3 基于GMM的缺陷检测算法 | 第48-59页 |
| 3.3.1 算法思路及框架 | 第48-49页 |
| 3.3.2 背景差分法 | 第49-51页 |
| 3.3.3 GMM原理分析 | 第51-54页 |
| 3.3.4 GMM算法检测流程 | 第54-57页 |
| 3.3.5 检测结果分析 | 第57-59页 |
| 3.4 本章小结 | 第59-60页 |
| 4 基于嵌入式GPU的图像算法并行优化 | 第60-76页 |
| 4.1 图像预处理的并行优化 | 第61-67页 |
| 4.1.1 光线补偿算法的并行优化 | 第61-63页 |
| 4.1.2 图像去噪的并行优化 | 第63-65页 |
| 4.1.3 图像增强的并行优化 | 第65-67页 |
| 4.2 LBP特征提取的并行优化 | 第67-69页 |
| 4.3 统计投影的并行优化 | 第69-71页 |
| 4.4 GMM的并行优化 | 第71-73页 |
| 4.5 形态学变换的并行优化 | 第73-75页 |
| 4.6 本章小结 | 第75-76页 |
| 5 系统测试与结果分析 | 第76-86页 |
| 5.1 系统组成 | 第76-78页 |
| 5.1.1 系统硬件组成 | 第76-77页 |
| 5.1.2 系统软件组成 | 第77-78页 |
| 5.2 测试环境 | 第78-81页 |
| 5.3 系统测试 | 第81-85页 |
| 5.3.1 系统需求 | 第81-82页 |
| 5.3.2 性能测试 | 第82-83页 |
| 5.3.3 功能测试 | 第83-85页 |
| 5.4 本章小结 | 第85-86页 |
| 6 总结与展望 | 第86-89页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-89页 |
| 参考文献 | 第89-95页 |
| 作者简历 | 第95页 |
