基于机器视觉的带钢表面缺陷检测系统研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 带钢表面缺陷检测的研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文的工作 | 第14-16页 |
| 第2章 带钢表面缺陷检测系统装置 | 第16-23页 |
| 2.1 检测原理和系统装置 | 第16-19页 |
| 2.1.1 检测原理 | 第16页 |
| 2.1.2 系统结构装置 | 第16-18页 |
| 2.1.3 软件系统流程图 | 第18-19页 |
| 2.2 缺陷的类型、特征及其成因 | 第19-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 缺陷图像预处理技术研究 | 第23-35页 |
| 3.1 图像滤波 | 第23-28页 |
| 3.1.1 均值滤波 | 第23-24页 |
| 3.1.2 中值滤波 | 第24-25页 |
| 3.1.3 高斯滤波 | 第25-28页 |
| 3.2 目标检测 | 第28-29页 |
| 3.2.1 差影检测法 | 第28页 |
| 3.2.2 局部二进制模式检测法 | 第28-29页 |
| 3.3 缺陷分割 | 第29-34页 |
| 3.3.1 传统的分割算法 | 第30-31页 |
| 3.3.2 模糊C-均值聚类分割算法 | 第31-32页 |
| 3.3.3 水平集分割算法 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 缺陷图像的特征提取 | 第35-46页 |
| 4.1 特征提取的意义及其评价标准 | 第35-36页 |
| 4.1.1 特征提取的意义 | 第35页 |
| 4.1.2 特征提取的评价标准 | 第35-36页 |
| 4.2 缺陷图像的特征提取 | 第36-45页 |
| 4.2.1 灰度特征 | 第36-38页 |
| 4.2.2 形状特征 | 第38-40页 |
| 4.2.3 纹理特征 | 第40-44页 |
| 4.2.4 投影特征 | 第44-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第5章 缺陷特征优化及识别 | 第46-67页 |
| 5.1 缺陷特征优化 | 第46-52页 |
| 5.1.1 主成分分析算法 | 第46-50页 |
| 5.1.2 线性判别分析算法 | 第50-52页 |
| 5.2 分类器的选择和设计 | 第52-58页 |
| 5.2.1 最小距离分类器 | 第52页 |
| 5.2.2 最近邻分类器 | 第52-53页 |
| 5.2.3 K-近邻分类器 | 第53页 |
| 5.2.4 SVM 分类器 | 第53-56页 |
| 5.2.5 实验结果及分析 | 第56-58页 |
| 5.3 归一化处理和PCA 相结合的特征优化 | 第58-62页 |
| 5.3.1 数据归一化的意义及方法 | 第58-59页 |
| 5.3.2 本文归一化算法 | 第59页 |
| 5.3.3 归一化+PCA 特征优化算法 | 第59-60页 |
| 5.3.4 实验结果及分析 | 第60-62页 |
| 5.4 分段PCA 融合算法 | 第62-66页 |
| 5.4.1 算法步骤 | 第63-64页 |
| 5.4.2 实验结果及分析 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文的主要工作 | 第67-68页 |
| 6.2 进一步的研究工作 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士学位期间取得的科研成果 | 第74页 |
