基于机器视觉的汽车门板焊点识别算法研究
摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-17页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 机器视觉发展现状 | 第11-15页 |
1.2.1 机器视觉在国外发展现状 | 第12页 |
1.2.2 机器视觉在国内发展现状 | 第12-14页 |
1.2.3 机器视觉在汽车行业应用现状 | 第14-15页 |
1.3 论文的主要工作及内容安排 | 第15-17页 |
第二章 机器视觉技术的相关理论 | 第17-24页 |
2.1 机器视觉概念 | 第17-18页 |
2.2 机器视觉的计算理论 | 第18-20页 |
2.2.1 计算视觉理论 | 第18-19页 |
2.2.2 基于知识的视觉理论 | 第19-20页 |
2.2.3 主动视觉理论 | 第20页 |
2.3 机器视觉系统构成 | 第20-23页 |
2.4 本章小结 | 第23-24页 |
第三章 焊点图像处理 | 第24-38页 |
3.1 焊点图像灰度化 | 第24-25页 |
3.2 焊点图像去噪 | 第25-27页 |
3.3 焊点图像锐化 | 第27-29页 |
3.4 焊点图像边缘提取 | 第29-33页 |
3.5 焊点位置提取 | 第33-37页 |
3.6 本章小结 | 第37-38页 |
第四章 焊点图像的特征提取 | 第38-48页 |
4.1 图像特征表达方式 | 第38-42页 |
4.1.1 颜色特征 | 第38-40页 |
4.1.2 形状特征 | 第40-41页 |
4.1.3 纹理特征 | 第41-42页 |
4.2 焊点纹理特征提取 | 第42-47页 |
4.2.1 基于LBP算子纹理特征 | 第42-44页 |
4.2.2 基于灰度共生矩阵纹理特征 | 第44-47页 |
4.3 本章小结 | 第47-48页 |
第五章 焊点智能识别 | 第48-69页 |
5.1 BP神经网络焊点识别分类器 | 第48-53页 |
5.1.1 BP神经网络 | 第48-50页 |
5.1.2 BP神经网络分类器设计步骤 | 第50-52页 |
5.1.3 BP神经网络分类器实验 | 第52-53页 |
5.2 SVM焊点识别分类器 | 第53-60页 |
5.2.1 线性SVM分类器 | 第54-56页 |
5.2.2 非线性SVM分类器 | 第56-57页 |
5.2.3 SVM学习过程 | 第57页 |
5.2.4 SVM参数优化 | 第57-58页 |
5.2.5 SVM分类器设计步骤 | 第58-59页 |
5.2.6 SVM分类器实验 | 第59-60页 |
5.3 GA-SVM焊点识别分类器 | 第60-67页 |
5.3.1 遗传算法 | 第61-63页 |
5.3.2 GA-SVM算法思路 | 第63-64页 |
5.3.3 GA-SVM分类器设计步骤 | 第64-66页 |
5.3.4 GA-SVM分类器实验 | 第66-67页 |
5.4 焊点识别结果 | 第67-68页 |
5.5 本章小结 | 第68-69页 |
总结与展望 | 第69-71页 |
总结 | 第69页 |
展望 | 第69-71页 |
参考文献 | 第71-76页 |
攻读硕士学位期间取得的研究成果 | 第76-77页 |
致谢 | 第77-78页 |
附件 | 第78页 |