| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 机器视觉发展现状 | 第13页 |
| 1.2.2 缺陷检测系统发展现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 本文的章节安排 | 第14-16页 |
| 2 辊筒表面缺陷检测系统设计 | 第16-25页 |
| 2.1 缺陷检测系统实现方案 | 第16-18页 |
| 2.1.1 印刷辊筒表面常见缺陷 | 第16-17页 |
| 2.1.2 系统总体设计 | 第17-18页 |
| 2.2 硬件系统设计及选型 | 第18-23页 |
| 2.2.1 光源 | 第18-20页 |
| 2.2.2 相机 | 第20-21页 |
| 2.2.3 镜头 | 第21-22页 |
| 2.2.4 图像采集卡 | 第22-23页 |
| 2.3 软件设计流程 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 辊筒表面缺陷图像预处理算法 | 第25-35页 |
| 3.1 光照不均匀图像灰度纠正 | 第25-29页 |
| 3.1.1 匀光处理 | 第26-27页 |
| 3.1.2 直方图均衡化 | 第27-29页 |
| 3.2 图像去噪 | 第29-32页 |
| 3.2.1 中值滤波 | 第29-30页 |
| 3.2.2 双边滤波 | 第30页 |
| 3.2.3 高斯滤波 | 第30-31页 |
| 3.2.4 实验对比分析 | 第31-32页 |
| 3.3 图像分割 | 第32-34页 |
| 3.3.1 迭代阈值分割 | 第32-33页 |
| 3.3.2 最小均方误差阈值分割 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 辊筒表面缺陷检测算法 | 第35-43页 |
| 4.1 常用缺陷检测方法 | 第35-36页 |
| 4.1.1 基于图像差分的缺陷检测 | 第35页 |
| 4.1.2 基于模板匹配的缺陷检测 | 第35-36页 |
| 4.2 基于自适应Canny算子的印刷辊筒缺陷检测 | 第36-40页 |
| 4.2.1 基于OTSU的灰度阈值提取 | 第37-38页 |
| 4.2.2 形态学操作 | 第38-39页 |
| 4.2.3 八邻域边界跟踪算法 | 第39-40页 |
| 4.3 实验与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 基于卷积神经网络的缺陷分类技术 | 第43-57页 |
| 5.1 卷积神经网络基本结构 | 第43-47页 |
| 5.1.1 卷积层 | 第43-44页 |
| 5.1.2 池化层 | 第44-45页 |
| 5.1.3 激活层 | 第45-47页 |
| 5.1.4 损失函数 | 第47页 |
| 5.2 卷积神经网络基本结构 | 第47-49页 |
| 5.2.1 前向传播 | 第47-48页 |
| 5.2.2 反向传播 | 第48-49页 |
| 5.3 基于CNN的缺陷分类算法设计 | 第49-56页 |
| 5.3.1 LeNet-5网络结构模型 | 第49页 |
| 5.3.2 网络优化方法 | 第49-53页 |
| 5.3.3 数据集选取 | 第53页 |
| 5.3.4 实验与分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者攻读学位期间取得的研究成果 | 第61页 |