| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-13页 |
| ·课题研究的背景及意义 | 第8-9页 |
| ·国内外研究现状及分析 | 第9-10页 |
| ·相关研究工作 | 第10-11页 |
| ·本文的主要工作 | 第11页 |
| ·本文结构安排 | 第11-13页 |
| 第2章 带钢表面缺陷检测识别系统及特征提取 | 第13-21页 |
| ·机器视觉系统 | 第13页 |
| ·带钢表面缺陷检测识别系统模型 | 第13-15页 |
| ·带钢表面缺陷图像特征提取 | 第15-20页 |
| ·几何特征 | 第16页 |
| ·形状特征 | 第16-19页 |
| ·灰度特征 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第3章 带钢表面缺陷识别模型 | 第21-35页 |
| ·人工神经网络 | 第21-26页 |
| ·BP 神经网络简介 | 第21-24页 |
| ·设计 BP 神经网络时应考虑的问题 | 第24-25页 |
| ·用BP 神经网络识别带钢表面缺陷的主要步骤 | 第25-26页 |
| ·支持向量机 | 第26-34页 |
| ·统计学习理论简介 | 第26-27页 |
| ·SVM 分类原理 | 第27-31页 |
| ·SVM 核函数 | 第31页 |
| ·SVM 多分类方法 | 第31-33页 |
| ·用SVM 识别带钢表面缺陷的主要步骤 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 实验结果与分析 | 第35-45页 |
| ·目标图像的二值化 | 第35-37页 |
| ·特征提取及归一化 | 第37-38页 |
| ·分类模型训练与预测 | 第38-44页 |
| ·BP 神经网络训练与预测结果 | 第39-41页 |
| ·SVM 训练与预测结果 | 第41-44页 |
| ·两种分类模型比较 | 第44页 |
| ·本章小结 | 第44-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 附录 A 攻读学位期间发表的论文 | 第51-52页 |
| 附录 B 实验中主要用到的OPENCV 函数及方法 | 第52-53页 |
| 附录 C 部分缺陷图像的特征向量 | 第53页 |