| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 目录 | 第11-14页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 课题研究背景和研究意义 | 第14-15页 |
| 1.2 带钢表面常见缺陷形态及成因 | 第15-17页 |
| 1.3 带钢表面缺陷检测技术的国内外研究现状 | 第17-21页 |
| 1.4 基于机器视觉的带钢表面缺陷检测系统相关技术研究 | 第21-27页 |
| 1.4.1 检测方法的研究 | 第21-24页 |
| 1.4.2 图像处理技术 | 第24-25页 |
| 1.4.3 图像识别技术 | 第25-27页 |
| 1.5 存在的问题分析及本文的主要研究内容 | 第27-30页 |
| 第二章 光源对带钢缺陷视觉检测系统的影响 | 第30-48页 |
| 2.1 机器视觉检测硬件系统设计 | 第30-38页 |
| 2.1.1 光源的种类及选择 | 第30-32页 |
| 2.1.2 传感器的种类及选择 | 第32-34页 |
| 2.1.3 带钢表面缺陷视觉检测系统光源配置模型 | 第34-36页 |
| 2.1.4 照明系统设计 | 第36-38页 |
| 2.2 光源对带钢表面缺陷检测的影响 | 第38-41页 |
| 2.3 光源方向性特征在缺陷分割与分类中的应用 | 第41-44页 |
| 2.4 实验结果及分析 | 第44-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第三章 人类视觉特性的基本理论及注意机制 | 第48-60页 |
| 3.1 计算机视觉基础 | 第48页 |
| 3.2 人类视觉系统 | 第48-54页 |
| 3.2.1 人类视觉系统的生理结构 | 第48-51页 |
| 3.2.2 信息处理的主要特点 | 第51-52页 |
| 3.2.3 视觉认识过程 | 第52-54页 |
| 3.3 视觉注意机制 | 第54-58页 |
| 3.3.1 视觉注意机制原理 | 第54-55页 |
| 3.3.2 视觉注意机制在带钢表面缺陷检测系统中的应用 | 第55-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第四章 引入人类视觉注意机制的带钢表面缺陷检测及边缘提取 | 第60-88页 |
| 4.1 基于机器视觉的带钢表面缺陷检测系统结构概述 | 第60-61页 |
| 4.2 目前带钢表面缺陷检测方法存在的问题 | 第61-62页 |
| 4.3 引入视觉注意机制的带钢表面缺陷检测方法 | 第62-69页 |
| 4.3.1 建立人类视觉检测的计算模型 | 第63-67页 |
| 4.3.2 确定缺陷区域 | 第67-69页 |
| 4.4 基于序列滤波器的带钢表面缺陷边缘提取 | 第69-78页 |
| 4.4.1 背景介绍 | 第69-70页 |
| 4.4.2 中值滤波 | 第70-71页 |
| 4.4.3 序列滤波器算法 | 第71-74页 |
| 4.4.4 图像的光照归一化 | 第74-75页 |
| 4.4.5 边缘检测及形态学后处理 | 第75-78页 |
| 4.5 实验结果及分析 | 第78-86页 |
| 4.5.1 实验一：缺陷检测实验 | 第78-81页 |
| 4.5.2 实验二：图像噪声滤除实验 | 第81-83页 |
| 4.5.3 实验三：光照归一化结果 | 第83-85页 |
| 4.5.4 实验四：缺陷边缘检测结果 | 第85-86页 |
| 4.6 本章小结 | 第86-88页 |
| 第五章 基于视觉特征提取的缺陷分类 | 第88-106页 |
| 5.1 特征的提取 | 第88-93页 |
| 5.1.1 灰度共生矩阵(GLCM) | 第89-92页 |
| 5.1.2 Gabor filter特征提取 | 第92页 |
| 5.1.3 GLCM与Gabor filter相融合的多特征提取方法 | 第92-93页 |
| 5.2 特征降维 | 第93-95页 |
| 5.3 基于Adaboost的缺陷分类方法 | 第95-97页 |
| 5.4 实验结果与分析 | 第97-105页 |
| 5.4.1 组合特征降维实验结果与分析 | 第97-104页 |
| 5.4.2 多分类器识别方法实验结果与分析 | 第104-105页 |
| 5.5 本章小结 | 第105-106页 |
| 第六章 结论 | 第106-108页 |
| 参考文献 | 第108-120页 |
| 致谢 | 第120-122页 |
| 攻读博士学位期间发表论文情况 | 第122-124页 |
| 个人简介 | 第124页 |
