| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14-15页 |
| 1.2.3 机器视觉技术的发展与应用 | 第15-16页 |
| 1.3 本文的思路及主要研究内容 | 第16-19页 |
| 1.3.1 本课题的设计目标 | 第16页 |
| 1.3.2 本课题的研究思路 | 第16-17页 |
| 1.3.3 本课题研究的主要内容 | 第17-19页 |
| 第二章 汽车零件检测系统的设计与标定 | 第19-33页 |
| 2.1 零件视觉检测系统的原理与组成 | 第19-22页 |
| 2.1.1 视觉检测系统原理 | 第19页 |
| 2.1.2 视觉系统的硬件组成 | 第19-22页 |
| 2.1.3 视觉系统的软件组成 | 第22页 |
| 2.2 相机模型的建立及标定 | 第22-32页 |
| 2.2.1 成像系统中成像线性关系模型 | 第22-25页 |
| 2.2.2 成像中的非线性畸变 | 第25-27页 |
| 2.2.3 成像中的位置矫正 | 第27-29页 |
| 2.2.4 相机的标定 | 第29-31页 |
| 2.2.5 像素当量 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 零件图像基本特征的检测 | 第33-53页 |
| 3.1 本章研究目的 | 第33页 |
| 3.2 图像的预处理 | 第33-40页 |
| 3.2.1 图像锐化处理 | 第33-34页 |
| 3.2.2 图像噪声滤波算法研究 | 第34-36页 |
| 3.2.3 图像边缘检测算法研究 | 第36-40页 |
| 3.3 零件图像中圆与直线的识别 | 第40-49页 |
| 3.3.1 零件图像中圆的检测及结果优化 | 第40-47页 |
| 3.3.2 零件图像中直线的检测及结果优化 | 第47-49页 |
| 3.4 零件图像中腰槽部位的识别 | 第49-52页 |
| 3.4.1 模板匹配 | 第49-50页 |
| 3.4.2 平方差匹配法检测效果 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 零件图像特征提取与分类识别 | 第53-68页 |
| 4.1 零件图像的梯度直方图算法特征提取 | 第53-55页 |
| 4.1.1 方向梯度直方图算法 | 第53页 |
| 4.1.2 颜色空间归一化 | 第53-54页 |
| 4.1.3 梯度计算 | 第54-55页 |
| 4.2 改进的梯度直方图算法 | 第55-59页 |
| 4.2.1 二次线性插值的数据模型 | 第55-56页 |
| 4.2.2 基于二次线性插值的梯度直方图算法 | 第56-59页 |
| 4.3 神经网络算法的图像分类识别 | 第59-61页 |
| 4.3.1 概率神经网络模型 | 第59页 |
| 4.3.2 概率神经元网络的结构模型 | 第59-60页 |
| 4.3.3 概率神经网络学习算法 | 第60-61页 |
| 4.4 基于SVM算法的图像检测与识别 | 第61-64页 |
| 4.4.1 支持向量机的两种分类方式 | 第61-63页 |
| 4.4.2 基于SVM算法的图像检测与识别 | 第63-64页 |
| 4.5 基于手写数字的概率神经网络和SVM的分类 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 实验设计与分析 | 第68-79页 |
| 5.1 图像分类的实验设计 | 第68-78页 |
| 5.1.1 实验台硬件设备的选取 | 第68-72页 |
| 5.1.2 实验样本的获取 | 第72-73页 |
| 5.1.3 实验的总体流程 | 第73-74页 |
| 5.1.4 实验结果的比对 | 第74-78页 |
| 5.2 实验数据的分析 | 第78页 |
| 5.3 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 全文总结 | 第79-80页 |
| 6.2 后期展望 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 | 第84-85页 |
| 致谢 | 第85-86页 |