铁路扣件状态的识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 第2章 扣件图像的预处理 | 第14-28页 |
| 2.1 简述LabVIEW软件 | 第14-15页 |
| 2.2 数字图像处理 | 第15-24页 |
| 2.2.1 图像采集 | 第16页 |
| 2.2.2 图像增强 | 第16-18页 |
| 2.2.3 图像去噪 | 第18-21页 |
| 2.2.4 图像二值化 | 第21-24页 |
| 2.3 基于LabVIEW视觉模块的图像处理效果 | 第24-26页 |
| 2.3.1 图像灰度变换处理与灰度直方图 | 第24-25页 |
| 2.3.2 图像二值化 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 铁路扣件区域的定位 | 第28-44页 |
| 3.1 已有的扣件定位方法研究 | 第28-29页 |
| 3.2 扣件区域定位 | 第29-33页 |
| 3.3 扣件的精确定位 | 第33-41页 |
| 3.4 本章小结 | 第41-44页 |
| 第4章 扣件的识别 | 第44-60页 |
| 4.1 几种常用的扣件识别方法 | 第44-47页 |
| 4.1.1 基于BP神经网络 | 第44-45页 |
| 4.1.2 PCA主成分分析法 | 第45-46页 |
| 4.1.3 结构光法 | 第46页 |
| 4.1.4 轮廓检测法 | 第46-47页 |
| 4.2 本文采用的扣件识别方法 | 第47-52页 |
| 4.2.1 方向场算法的分类 | 第47-50页 |
| 4.2.2 一种改进的基于梯度的方向场算法 | 第50-52页 |
| 4.3 扣件模板匹配 | 第52-57页 |
| 4.4 本章小结 | 第57-60页 |
| 总结 | 第60-62页 |
| 本文总结 | 第60页 |
| 研究存在的问题与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第68页 |
