基于图像识别的混凝土表观质量的评定方法初探
| 第1章 绪论 | 第1-13页 |
| ·混凝土外观质量评价的意义 | 第8-10页 |
| ·混凝土外观质量评价的现状 | 第10-11页 |
| ·本文研究的主要内容 | 第11-13页 |
| 第2章 混凝土外观质量 | 第13-29页 |
| ·混凝土质量缺陷种类 | 第13页 |
| ·混凝土的外表缺陷 | 第13-17页 |
| ·混凝土典型表观缺陷图片样本选择 | 第17-18页 |
| ·获取混凝土图像样本 | 第17页 |
| ·混凝土图像样本选择 | 第17-18页 |
| ·图像前处理 | 第18-29页 |
| ·数字图像 | 第20-24页 |
| ·数字图像处理及其相关领域 | 第24-26页 |
| ·图像平滑 | 第26-27页 |
| ·混凝土外表缺陷图像特征分析 | 第27-29页 |
| 第3章 混凝土表观图像特征提取 | 第29-43页 |
| ·特征提取的基本概念 | 第29-32页 |
| ·原始特征 | 第29页 |
| ·特征的提取 | 第29页 |
| ·特征的选择 | 第29-30页 |
| ·类别可分离性判据 | 第30-32页 |
| ·特征提取的几种常用方法 | 第32-40页 |
| ·主分量分析法(PCA) | 第32-34页 |
| ·Fisher线性判别分析(FLDA) | 第34-36页 |
| ·基于熵概念的特征提取方法 | 第36-37页 |
| ·基于神经网络的特征提取 | 第37-38页 |
| ·MATPCA | 第38-40页 |
| ·特征提取的实现 | 第40-43页 |
| ·实现环境MATLAB介绍 | 第40页 |
| ·实现过程 | 第40-43页 |
| 第4章 混凝土表观缺陷的识别 | 第43-53页 |
| ·人工神经网络简介 | 第43-44页 |
| ·人工神经网络的特点 | 第43-44页 |
| ·人工神经网络的模型 | 第44页 |
| ·反向传播(BP)网络 | 第44-47页 |
| ·BP网络的结构 | 第45-47页 |
| ·Bp网络的学习过程 | 第47页 |
| ·改进的BP反向传播算法 | 第47页 |
| ·基于BP神经网络的混凝土外表缺陷识别 | 第47-53页 |
| ·方案一 | 第47-50页 |
| ·方案二 | 第50-53页 |
| 第5章 混凝土外表缺陷程度评价 | 第53-67页 |
| ·图像分割 | 第53-62页 |
| ·2—mode法 | 第54页 |
| ·最小误差法 | 第54-55页 |
| ·矩量保持法 | 第55-56页 |
| ·模糊集法 | 第56-57页 |
| ·图像二值化 | 第57-62页 |
| ·参数提取及域值选取 | 第62-64页 |
| ·基于图像识别的混凝土表观质量评价系统构想 | 第64-67页 |
| ·表观质量评价系统的功能 | 第64-65页 |
| ·混凝土表观质量评价系统的总体方案 | 第65-67页 |
| 第6章 结论与展望 | 第67-69页 |
| ·本文所完成的主要工作 | 第67-68页 |
| ·有待进一步研究的问题 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 发表论文 | 第73-74页 |
| 附录一：RGB图像分析程序 | 第74-75页 |
| 附录二：灰度图像分析程序 | 第75-77页 |
| 附录三：二值图像分析程序 | 第77-88页 |
| 附录四：神经网络训练结果 | 第88-89页 |
