| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 1 绪论 | 第10-12页 |
| ·本课题国内外的研究现状 | 第10-11页 |
| ·本课题的研究意义 | 第11页 |
| ·本课题的研究内容 | 第11-12页 |
| 2 数字图像的实时采集 | 第12-34页 |
| ·引言 | 第12页 |
| ·硬件设计 | 第12-33页 |
| ·存储芯片的选取 | 第12-19页 |
| ·MCU 的选择 | 第19-26页 |
| ·数字图像芯片的选择 | 第26-31页 |
| ·硬件总体设计 | 第31-33页 |
| ·数字图像获取 | 第33-34页 |
| 3 数字图像处理 | 第34-52页 |
| ·图像处理概述 | 第34-36页 |
| ·数字图像处理的特点 | 第34页 |
| ·数字图像处理的目的 | 第34-35页 |
| ·数字图像处理内容 | 第35-36页 |
| ·数字图像处理在嵌入式单片机中的特点 | 第36页 |
| ·图像芯片OV9121 产生的数字图像特点 | 第36-39页 |
| ·在各种模式下图像芯片OV9121 产生的数字图像的格式 | 第36-39页 |
| ·OV9121 传感器输出数字图像特点 | 第39页 |
| ·在本系统中对图像进行的处理 | 第39-52页 |
| ·图像灰度处理 | 第39-42页 |
| ·对数字图像进行边缘检测 | 第42-48页 |
| ·轮廓跟踪与提取 | 第48-52页 |
| 4 嵌入式单片机中数字图像的模式识别 | 第52-76页 |
| ·模式识别概述 | 第52-53页 |
| ·定义 | 第52页 |
| ·模式识别系统 | 第52-53页 |
| ·图像识别的方法 | 第53页 |
| ·统计模式识别与机器学习方法 | 第53-64页 |
| ·统计模式识别 | 第53-55页 |
| ·机器学习概述 | 第55-56页 |
| ·机器学习系统的基本结构 | 第56-58页 |
| ·机器学习的主要策略 | 第58-64页 |
| ·嵌入式单片机中进行机器学习的特点 | 第64-65页 |
| ·存储空间问题 | 第64页 |
| ·速度问题 | 第64-65页 |
| ·机器学习的表示问题 | 第65页 |
| ·特征值的选取问题 | 第65页 |
| ·机器学习的方法问题 | 第65页 |
| ·嵌入式单片机中数字图像的机器学习 | 第65-76页 |
| ·数字图像的直方图 | 第66-73页 |
| ·数字图像的统计信息学习 | 第73页 |
| ·数字图像的位置信息学习 | 第73页 |
| ·不同灰度区域的统计信息和位置信息学习 | 第73页 |
| ·特征值的学习 | 第73-76页 |
| 5 工业在线数字图像检测系统设计与实现 | 第76-82页 |
| ·系统总体设计 | 第76-77页 |
| ·系统需求概述 | 第76页 |
| ·系统的总体结构 | 第76-77页 |
| ·系统测试软件总体设计 | 第77-79页 |
| ·系统测试软件的开发环境 | 第77页 |
| ·系统测试软件功能模块设计 | 第77-78页 |
| ·系统测试软件结构 | 第78-79页 |
| ·工业在线数字图像检测系统的数字图像处理过程 | 第79-80页 |
| ·工业在线数字图像检测系统机器学习过程 | 第80页 |
| ·工业在线数字图像检测系统模式识别过程 | 第80-81页 |
| ·工业在线数字图像检测系统对特殊工件检测的应对方法 | 第81-82页 |
| 6 试验数据分析与结论 | 第82-86页 |
| ·产品直方图统计结果 | 第82-83页 |
| ·机器学习的学习效果（即对合格产品的判别） | 第83-84页 |
| ·对实际产品的测试效果 | 第84页 |
| ·结论 | 第84-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-90页 |
| 附录A 作者在攻读硕士学位期间的其它工作 | 第90-92页 |
| 发表的论文 | 第90页 |
| 科研项目 | 第90页 |
| 个人获奖 | 第90-92页 |
| 附录B 原始图像数据 | 第92-95页 |