基于图像处理的冷轧薄板板形识别
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-22页 |
| ·冷轧薄板的生产工艺及技术经济指标 | 第10-15页 |
| ·板形的基本概念 | 第10-11页 |
| ·带钢的板形分类 | 第11-12页 |
| ·板形的表示方法 | 第12-14页 |
| ·板形的测量方法 | 第14-15页 |
| ·数字图像处理技术及其应用 | 第15-16页 |
| ·冷轧薄板板形识别技术的国内外研究及发展 | 第16-19页 |
| ·本课题的研究背景及在生产过程中的意义 | 第19-20页 |
| ·本文的主要研究内容及论文结构 | 第20-22页 |
| 2 板形图像的数据采集及板形成像系统 | 第22-32页 |
| ·板形检测原理 | 第22-25页 |
| ·板形识别系统的基本要求 | 第22-24页 |
| ·板形识别系统的基本参数 | 第24-25页 |
| ·板形识别图像采集与处理系统设计 | 第25-30页 |
| ·系统硬件组成及说明 | 第25-30页 |
| ·系统软件设计说明 | 第30页 |
| ·本章小结 | 第30-32页 |
| 3 板形图像预处理 | 第32-54页 |
| ·直方图变换 | 第32-48页 |
| ·引言 | 第32-33页 |
| ·直方图与概率密度函数 | 第33页 |
| ·直方图变换的基本规则和步骤 | 第33-35页 |
| ·直方图均衡化 | 第35-45页 |
| ·直方图规定化 | 第45-48页 |
| ·板形图像噪声及平滑 | 第48-53页 |
| ·图像的噪声 | 第48-49页 |
| ·板形缺陷图像平滑 | 第49-53页 |
| ·三种图像平滑方法实验及其分析 | 第53页 |
| ·本章小结 | 第53-54页 |
| 4 图像分割 | 第54-72页 |
| ·引言 | 第54页 |
| ·图像分割与图像二值化 | 第54-63页 |
| ·基于类均值的图像二值化 | 第55-61页 |
| ·直方图均衡化与图像二值化 | 第61-63页 |
| ·板形缺陷图像边缘检测 | 第63-71页 |
| ·边缘检测的基本概念 | 第63-64页 |
| ·一阶边缘检测算子 | 第64-66页 |
| ·二阶边缘检测算子 | 第66-69页 |
| ·Canny 边缘检测算子 | 第69-70页 |
| ·板形识别系统中图像边缘检测算法比较 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 5 基于形态学的图像处理 | 第72-82页 |
| ·引言 | 第72页 |
| ·集合论的基本概念 | 第72-73页 |
| ·二值形态学 | 第73-77页 |
| ·二值形态学的基本操作 | 第73-76页 |
| ·基于二值形态学的图像消噪算法 | 第76-77页 |
| ·灰度形态学 | 第77-81页 |
| ·灰度形态学的基本操作 | 第78-79页 |
| ·基于灰度形态学的图像增强算法 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 6 板形识别系统图像处理算法分析与研究 | 第82-96页 |
| ·基于神经网络的板形识别算法 | 第82-88页 |
| ·BP 神经网络 | 第82-83页 |
| ·BP 神经网络模型的特点 | 第83页 |
| ·BP 神经网络的结构设计 | 第83-84页 |
| ·BP 神经网络分类器的训练结果 | 第84-85页 |
| ·基于神经网络的板形识别算法实践 | 第85-88页 |
| ·基于高帽变换的板形识别算法 | 第88-90页 |
| ·基于对比思想的板形识别算法 | 第90-92页 |
| ·冷轧薄板板形识别系统应用 | 第92-94页 |
| ·本章小结 | 第94-96页 |
| 7 结论与展望 | 第96-100页 |
| ·结论 | 第96-97页 |
| ·展望 | 第97-100页 |
| 致谢 | 第100-102页 |
| 参考文献 | 第102-110页 |
| 附录 | 第110页 |
| A 作者在攻读博士学位期间发表的论文目录 | 第110页 |
| B 作者在攻读博士学位期间参加的科研项目 | 第110页 |
