基于BP和RBF神经网络的木材缺陷检测研究

摘要	第1-5页
Abstract	第5-14页
1 绪论	第14-25页
·研究的目的和意义	第14-15页
·木材无损检测技术的研究现状	第15-19页
·神经网络的发展及研究现状	第19-20页
·MATLAB神经网络工具箱的基本特征	第20-23页
·本文的主要研究内容	第23-25页
2 木材缺陷检测与成像系统	第25-33页
·木材X射线图像成像规律研究	第25-27页
·木材X射线图像成像基本理论	第25页
·木材X射线图像成像规律	第25-27页
·木材X射线无损检测方法	第27-30页
·木材无损检测系统硬件设计	第30-31页
·木材缺陷图像的采集和冻结	第31-32页
·本章小结	第32-33页
3 木材缺陷图像预处理与图像分割	第33-58页
·数字图像	第33-36页
·图像的数字化	第33-35页
·数字图像的表示方法	第35-36页
·数字图像的基本文件格式	第36页
·数字图像处理	第36-38页
·数字图像处理方法	第36-37页
·数字图像处理的主要内容	第37-38页
·木材缺陷图像增强	第38-44页
·木材缺陷图像的灰度变换增强	第39-41页
·木材缺陷图像的线性平滑滤波	第41-43页
·木材缺陷图像的中值滤波	第43-44页
·木材缺陷图像分割	第44-56页
·木材缺陷图像的边缘检测算子	第45-46页
·基于边缘检测算子的木材缺陷图像检测	第46-50页
·木材缺陷图像的二值化	第50-53页
·木材缺陷二值图像的缺陷区域填充	第53-54页
·木材缺陷二值图像的缺陷边缘提取	第54-55页
·木材缺陷图像的缺陷区域分割	第55-56页
·本章小结	第56-58页
4 木材缺陷图像的特征提取	第58-68页
·木材缺陷类型	第58-59页
·木材缺陷特征的选取	第59页
·木材缺陷位置和尺寸的确定	第59-60页
·基于木材缺陷位置和尺寸的木材缺陷特征提取	第60-61页
·木材缺陷形状特征提取	第60-61页
·木材缺陷灰度特征提取	第61页
·基于Hu不变矩的木材缺陷特征提取	第61-67页
·图像的不变矩	第62-63页
·矩的物理意义	第63-64页
·矩的变换	第64-66页
·Hu不变矩	第66-67页
·本章小结	第67-68页
5 BP和RBF神经网络在木材缺陷识别中的应用	第68-100页
·人工神经元模型	第68-72页
·神经元建模	第68-69页
·神经元的数学模型	第69-70页
·神经元的激励函数	第70-72页
·人工神经网络模型	第72-74页
·前馈型网络	第72-73页
·反馈型网络	第73-74页
·人工神经网络学习过程	第74-76页
·神经网络学习方式	第74-75页
·神经网络学习规则	第75-76页
·基于BP神经网络的木材缺陷识别	第76-90页
·BP神经网络结构	第77页
·BP神经网络训练算法	第77-80页
·改进的BP算法	第80-83页
·BP神经网络设计	第83-89页
·BP神经网络的训练和仿真	第89-90页
·基于RBF神经网络的木材缺陷识别	第90-95页
·RBF神经网络结构	第91-92页
·改进的RBF神经网络的学习方法	第92-93页
·RBF神经网络设计	第93页
·RBF神经网络训练和仿真	第93-95页
·基于BP-RBF混合神经网络的木材缺陷识别	第95-98页
·BP-RBF混合神经网络设计	第95-96页
·BP-RBF混合神经网络的训练和仿真	第96-98页
·本章小结	第98-100页
结论	第100-102页
参考文献	第102-110页
攻读学位期间发表的学术论文	第110-111页
致谢	第111-112页