基于机器视觉的木材缺陷无损检测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 缺陷分割的研究现状 | 第10页 |
| 1.3.2 缺陷识别的研究现状 | 第10-11页 |
| 1.3.3 缺陷定位的研究现状 | 第11-12页 |
| 1.4 本文的研究内容 | 第12-14页 |
| 2 试验平台设计 | 第14-20页 |
| 2.1 研究平台硬件 | 第14-17页 |
| 2.1.1 光源 | 第14-15页 |
| 2.1.2 成像系统 | 第15-17页 |
| 2.2 研究软件 | 第17页 |
| 2.3 素材获取的途径及素材统计 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 木材缺陷图像分割 | 第20-38页 |
| 3.1 常见的木材缺陷 | 第20-23页 |
| 3.1.1 木材的天然缺陷 | 第20-22页 |
| 3.1.2 木材的生物为害缺陷 | 第22-23页 |
| 3.1.3 木材的干燥缺陷 | 第23页 |
| 3.2 木材缺陷的语义表述 | 第23-24页 |
| 3.3 颜色空间 | 第24页 |
| 3.4 基于RGB空间的图像分割方法 | 第24-29页 |
| 3.4.1 图像分割的流程 | 第24-25页 |
| 3.4.2 RGB图像预处理 | 第25-26页 |
| 3.4.3 缺陷分割的RGB基色计算 | 第26-29页 |
| 3.5 图像分割试验与数据分析 | 第29-32页 |
| 3.5.1 试验原理与过程 | 第29-31页 |
| 3.5.2 数学形态学在本文中的应用 | 第31-32页 |
| 3.5.3 RGB算法研究结果 | 第32页 |
| 3.6 试验结果与分析 | 第32-36页 |
| 3.7 本章小结 | 第36-38页 |
| 4 木材缺陷种类识别 | 第38-56页 |
| 4.1 木材缺陷的特征提取 | 第38-45页 |
| 4.1.1 图像特征 | 第38页 |
| 4.1.2 提取原则 | 第38-39页 |
| 4.1.3 木材缺陷图像特征识别类型的选取 | 第39页 |
| 4.1.4 本文提取的特征向量 | 第39-45页 |
| 4.2 缺陷识别 | 第45-51页 |
| 4.2.1 图像识别与分类的常用方法比较 | 第46页 |
| 4.2.2 BP神经网络的原理 | 第46-47页 |
| 4.2.3 CNN原理 | 第47-51页 |
| 4.3 缺陷识别试验结果与分析 | 第51-54页 |
| 4.3.1 CNN算法识别结果 | 第51-52页 |
| 4.3.2 BP算法识别结果 | 第52-54页 |
| 4.3.3 BP网络与CNN对比 | 第54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 木材缺陷定位与测量 | 第56-67页 |
| 5.1 相机的标定与图像校正 | 第56-63页 |
| 5.1.1 摄像机的参考坐标系 | 第56-57页 |
| 5.1.2 线性模型 | 第57-58页 |
| 5.1.3 非线性模型 | 第58-60页 |
| 5.1.4 摄像机内参数标定试验 | 第60页 |
| 5.1.5 摄像机标定流程 | 第60-63页 |
| 5.1.6 标定结果与误差分析 | 第63页 |
| 5.2 定位与测量的方法 | 第63-64页 |
| 5.2.1 本文定位的流程 | 第63-64页 |
| 5.2.2 本文的缺陷图像重心定位 | 第64页 |
| 5.3 定位与测量的试验 | 第64-66页 |
| 5.3.1 试验方法 | 第64-65页 |
| 5.3.2 试验结果与分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 本文小结 | 第67页 |
| 6.2 不足与展望 | 第67-69页 |
| 6.2.1 不足 | 第67-68页 |
| 6.2.2 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75页 |
