| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-39页 |
| ·研究背景、目的和意义 | 第13-16页 |
| ·研究背景 | 第13-15页 |
| ·研究目的和意义 | 第15-16页 |
| ·AOI 系统介绍 | 第16-27页 |
| ·AOI 系统的结构 | 第16-23页 |
| ·焊点图像模型建立方法 | 第23-27页 |
| ·对焊点检测算法的总结与拓展 | 第27-37页 |
| ·特征分析算法 | 第27-29页 |
| ·图像对比算法 | 第29-32页 |
| ·基于神经网络的算法 | 第32-34页 |
| ·本文提出的基于特征统计分析的算法 | 第34-37页 |
| ·本文的研究内容与结构 | 第37-39页 |
| 第二章 焊点特征的提取 | 第39-60页 |
| ·引言 | 第39页 |
| ·AOI 中常用的特征 | 第39-41页 |
| ·加权的双向二维线性判别特征 | 第41-46页 |
| ·双向二维线性判别特征 | 第41-43页 |
| ·加权的双向二维线性判别特征 | 第43-46页 |
| ·考虑定位误差的特征统计方法 | 第46-53页 |
| ·定位误差对检测结果的影响 | 第47-48页 |
| ·误定位的学习 | 第48-53页 |
| ·特征提取算法测试 | 第53-59页 |
| ·双向二维线性判别特征分类能力实验 | 第53-56页 |
| ·定位误差鲁棒性的实验 | 第56-59页 |
| ·本章小结 | 第59-60页 |
| 第三章 焊点特征的自动选择 | 第60-77页 |
| ·引言 | 第60页 |
| ·特征选择算法 | 第60-63页 |
| ·特征选择概述 | 第60-61页 |
| ·现有的特征选择方法 | 第61-63页 |
| ·基于改进的ADABOOST 的特征选择 | 第63-71页 |
| ·传统的AdaBoost 算法及其在特征选择中的应用 | 第63-64页 |
| ·双阀值的弱分类器 | 第64-66页 |
| ·弱分类器的独立性分析 | 第66-68页 |
| ·基于Boundary-SMOTE 的样本过抽样算法 | 第68-70页 |
| ·基于改进的AdaBoost 的特征选择 | 第70-71页 |
| ·特征选择算法测试 | 第71-75页 |
| ·实验样本 | 第71-72页 |
| ·特征选择算法测试 | 第72-75页 |
| ·检测性能实验 | 第75页 |
| ·本章小结 | 第75-77页 |
| 第四章 焊点缺陷诊断策略优化 | 第77-89页 |
| ·引言 | 第77页 |
| ·二次分类法 | 第77-79页 |
| ·焊点的初检 | 第78页 |
| ·焊点的精检 | 第78-79页 |
| ·决策树在焊点缺陷诊断中的应用 | 第79-87页 |
| ·决策树方法简介 | 第79-82页 |
| ·基于CART 的焊点缺陷决策树的建立 | 第82-87页 |
| ·本章小结 | 第87-89页 |
| 第五章 基于增量聚类的焊点智能检测 | 第89-102页 |
| ·引言 | 第89页 |
| ·系统框架 | 第89-90页 |
| ·基于聚类的初始分类器 | 第90-95页 |
| ·颜色特征的提取 | 第90-91页 |
| ·特征分析 | 第91-92页 |
| ·基于马氏距离的焊点分类器 | 第92-93页 |
| ·消除类重叠的方法 | 第93-95页 |
| ·焊点的增量聚类 | 第95-98页 |
| ·增量聚类方法 | 第95-97页 |
| ·代表样本的选择 | 第97-98页 |
| ·增量聚类算法测试 | 第98-101页 |
| ·初始分类器测试 | 第98-100页 |
| ·增量聚类实验 | 第100-101页 |
| ·本章小结 | 第101-102页 |
| 第六章 实验研究 | 第102-109页 |
| ·引言 | 第102页 |
| ·实验平台简介 | 第102-103页 |
| ·特征统计算法对比实验 | 第103-104页 |
| ·二次分类法实验 | 第104-106页 |
| ·基于增量聚类的焊点检测算法实验 | 第106-107页 |
| ·本章小结 | 第107-109页 |
| 结论 | 第109-112页 |
| 1 主要工作和结论 | 第109-110页 |
| 2 创新点 | 第110页 |
| 3 工作展望 | 第110-112页 |
| 参考文献 | 第112-124页 |
| 攻读博士学位期间取得的研究成果 | 第124-126页 |
| 致谢 | 第126-127页 |
| 附表 | 第127页 |