基于机器视觉的玻璃缺陷分类识别的研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究意义 | 第16页 |
| 1.3 国内外研究现状 | 第16-19页 |
| 1.3.1 玻璃缺陷检测技术的发展和国内外现状 | 第16-18页 |
| 1.3.2 模式识别方法的发展 | 第18-19页 |
| 1.4 本论文的研究内容及章节安排 | 第19-21页 |
| 第二章 玻璃缺陷简介 | 第21-26页 |
| 2.1 玻璃生产工艺 | 第21-22页 |
| 2.2 玻璃缺陷分类 | 第22-25页 |
| 2.3 玻璃缺陷样本 | 第25-26页 |
| 第三章 玻璃缺陷的特征提取 | 第26-44页 |
| 3.1 特征分析方法 | 第26-28页 |
| 3.1.1 统计学方法 | 第26-27页 |
| 3.1.2 模型方法 | 第27页 |
| 3.1.3 数学变换方法 | 第27-28页 |
| 3.2 灰度共生矩阵 | 第28-32页 |
| 3.3 实验设计与分析 | 第32-39页 |
| 3.3.1 生成步长对特征参数的影响 | 第32-35页 |
| 3.3.2 生成方向对特征参数的影响 | 第35-38页 |
| 3.3.3 利用灰度共生矩阵提取特征 | 第38-39页 |
| 3.4 矩描述 | 第39-44页 |
| 3.4.1 中心矩 | 第40-41页 |
| 3.4.2 矩方法实验 | 第41-44页 |
| 第四章 玻璃缺陷的识别方法 | 第44-55页 |
| 4.1 神经网络 | 第44-48页 |
| 4.2 深度网络 | 第48-49页 |
| 4.3 基于卷积神经网络的实验 | 第49-55页 |
| 4.3.1 实验设计 | 第49-50页 |
| 4.3.2 实验分析 | 第50-55页 |
| 第五章 基于卷积神经网络的改进方法 | 第55-61页 |
| 5.1 灰度共生矩阵参数处理 | 第55-57页 |
| 5.2 实验设计 | 第57-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 论文总结 | 第61页 |
| 6.2 课题展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-67页 |
