| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| §1-1 刀具状态监测技术的研究背景 | 第8页 |
| §1-2 刀具状态监测技术的概况 | 第8-11页 |
| 1-2-1 刀具状态监测技术的发展历程 | 第8-9页 |
| 1-2-2 刀具状态监测技术的现状及方法 | 第9-10页 |
| 1-2-3 刀具状态监测的系统架构 | 第10-11页 |
| 1-2-4 刀具状态监测的构成 | 第11页 |
| §1-3 基于计算机视觉的刀具状态监测 | 第11-13页 |
| 1-3-1 基于计算机视觉的刀具状态监测的特点 | 第11页 |
| 1-3-2 基于计算机视觉的刀具状态监测的发展现状 | 第11-12页 |
| 1-3-3 基于计算机视觉的刀具状态监测的基本类型 | 第12-13页 |
| §1-4 本文的主要研究内容. | 第13-14页 |
| 第二章 工件表面图像的纹理信息研究 | 第14-23页 |
| §2-1 纹理学原理与纹理特征 | 第14-15页 |
| §2-2 纹理分析的基本方法. | 第15-18页 |
| §2-3 工件表面纹理分析技术的应用 | 第18-21页 |
| 2-3-1 工件表面纹理图像包含的信息 | 第18-19页 |
| 2-3-2 影响工件表面纹理的因素 | 第19页 |
| 2-3-3 刀具磨损的一般机理 | 第19-21页 |
| 2-3-4 刀具磨、破损形成车削工件表面纹理形态的过程 | 第21页 |
| §2-4 本章小结 | 第21-23页 |
| 第三章 数据挖掘技术在工件表面纹理图像处理中的应用 | 第23-40页 |
| §3-1 数据挖掘技术的基本概况 | 第23-25页 |
| 3-1-1 数据挖掘 | 第23页 |
| 3-1-2 非结构性数据挖掘 | 第23-24页 |
| 3-1-3 图像数据挖掘 | 第24-25页 |
| §3-2 图像挖掘技术 | 第25-28页 |
| 3-2-1 目标识别 | 第25页 |
| 3-2-2 图像检索 | 第25-26页 |
| 3-2-3 图像索引 | 第26页 |
| 3-2-4 图像分类和图像聚类 | 第26-27页 |
| 3-2-5 关联规则挖掘 | 第27页 |
| 3-2-6 神经网络 | 第27-28页 |
| §3-3 工件表面纹理图像的数据挖掘 | 第28-39页 |
| 3-3-1 切削加工工件表面纹理图像的预处理 | 第28页 |
| 3-3-2 切削加工工件表面纹理图像特征数据挖掘 | 第28-29页 |
| 3-3-3 切削加工工件表面纹理图像特征数据提取方法介绍 | 第29-39页 |
| §3-4 本章小结 | 第39-40页 |
| 第四章 刀具切削状态识别方法的研究 | 第40-54页 |
| §4-1 刀具状态特征的选择与评判 | 第40-41页 |
| 4-1-1 刀具切削状态特征的选择 | 第40页 |
| 4-1-2 刀具切削状态特征的评判指标 | 第40-41页 |
| §4-2 基于模糊判决的刀具状态识别 | 第41-44页 |
| 4-2-1 刀具状态模糊判决准则的确定 | 第41-43页 |
| 4-2-2 用模糊判决方法实现刀具切削状态的识别 | 第43-44页 |
| §4-3 基于神经网络方法实现刀具切削状态的识别 | 第44-49页 |
| 4-3-1 神经网络及其BP 算法 | 第44-47页 |
| 4-3-2 基于神经网络的刀具切削状态识别 | 第47-49页 |
| §4-4 基于分类器融合的刀具状态识别 | 第49-53页 |
| 4-4-1 分类器融合方法的原理 | 第49-52页 |
| 4-4-2 基于分类器融合的刀具状态识别 | 第52-53页 |
| §4-5 本章小结 | 第53-54页 |
| 第五章 刀具状态在线监控系统软件开发 | 第54-73页 |
| §5-1 数据来源 | 第54-55页 |
| §5-2 实验数据分析 | 第55-70页 |
| 5-2-1 基于像素空间投影统计法的实验数据分析 | 第55-58页 |
| 5-2-2 基于灰度共生矩阵法的实验数据分析 | 第58-62页 |
| 5-2-3 基于连通区域标记法的实验数据分析 | 第62-65页 |
| 5-2-4 基于马尔可夫随机场模型的实验数据分析 | 第65-70页 |
| §5-3 系统开发 | 第70-72页 |
| §5-4 本章小结 | 第72-73页 |
| 第六章 结论与展望 | 第73-75页 |
| §6-1 全文总结 | 第73页 |
| §6-2 发展与展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78页 |
