| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 传统的焊缝缺陷检测技术 | 第10-12页 |
| 1.2.2 基于机器视觉的焊缝缺陷检测技术 | 第12-14页 |
| 1.2.3 缺陷特征提取及检测 | 第14-15页 |
| 1.3 课题来源及主要研究内容 | 第15-16页 |
| 第二章 焊缝检测图像采集与预处理 | 第16-27页 |
| 2.1 焊缝表面图像采集 | 第16-17页 |
| 2.2 焊缝表面图像预处理 | 第17-24页 |
| 2.2.1 图像滤波 | 第18-20页 |
| 2.2.2 图像增强 | 第20-22页 |
| 2.2.3 图像分割 | 第22-24页 |
| 2.3 焊缝缺陷区域的提取 | 第24-26页 |
| 2.4 本章总结 | 第26-27页 |
| 第三章 焊缝缺陷图像的特征提取算法 | 第27-44页 |
| 3.1 常见的焊缝缺陷及特点 | 第27-28页 |
| 3.2 传统的特征提取算法 | 第28-29页 |
| 3.2.1 主成分分析算法 | 第28页 |
| 3.2.2 线性判别分析算法 | 第28-29页 |
| 3.2.3 局部二进制的统计直方图 | 第29页 |
| 3.3 相关主成分分析算法 | 第29-34页 |
| 3.3.1 二维主成分分析算法 | 第30-32页 |
| 3.3.2 直观协方差无关增量式主成分分析算法 | 第32-34页 |
| 3.4 基于泛化的增量式二维主成分分析的特征提取算法 | 第34-37页 |
| 3.5 实验结果与分析 | 第37-43页 |
| 3.5.1 焊缝数据库 | 第37-41页 |
| 3.5.2 ORL数据库 | 第41-43页 |
| 3.6 本章总结 | 第43-44页 |
| 第四章 焊缝缺陷图像的识别算法 | 第44-56页 |
| 4.1 基于K最近邻的缺陷识别算法 | 第44页 |
| 4.2 基于BP神经网络的缺陷识别算法 | 第44-49页 |
| 4.2.1 BP神经网络算法描述 | 第45-47页 |
| 4.2.2 输入层、输出层的设计 | 第47-48页 |
| 4.2.3 隐含层的设计 | 第48页 |
| 4.2.4 神经元传递函数 | 第48-49页 |
| 4.3 支持向量机 | 第49-52页 |
| 4.3.1 最优分类面 | 第49-51页 |
| 4.3.2 核函数的选取 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.4.1 焊缝数据库 | 第52-55页 |
| 4.4.2 ORL数据库 | 第55页 |
| 4.5 本章总结 | 第55-56页 |
| 第五章 焊缝缺陷图像的检测 | 第56-63页 |
| 5.1 在线焊缝缺陷检测 | 第56-57页 |
| 5.2 更新特征空间 | 第57-60页 |
| 5.3 实验结果与分析 | 第60-61页 |
| 5.3.1 重构误差分析与新类别 | 第60-61页 |
| 5.3.2 性能分析 | 第61页 |
| 5.4 本章总结 | 第61-63页 |
| 第六章 总结和展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 发表论文和科研情况说明 | 第70-71页 |
| 致谢 | 第71页 |