基于机器视觉的电铲斗齿脱落检测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-13页 |
| 1.1.1 矿用挖掘机概述 | 第10-11页 |
| 1.1.2 研究背景及意义 | 第11-13页 |
| 1.2 斗齿脱落检测的研究现状 | 第13-14页 |
| 1.3 机器视觉与目标检测 | 第14-18页 |
| 1.3.1 机器视觉概述及其应用 | 第14-17页 |
| 1.3.2 目标检测技术研究现状 | 第17-18页 |
| 1.4 本文的主要研究内容 | 第18-19页 |
| 2 检测系统方案设计 | 第19-31页 |
| 2.1 典型机器视觉检测系统的组成 | 第19-25页 |
| 2.1.1 工业相机 | 第19-21页 |
| 2.1.2 光学镜头 | 第21-22页 |
| 2.1.3 照明光源 | 第22-24页 |
| 2.1.4 图像处理系统和其他部件 | 第24-25页 |
| 2.2 红外视觉系统 | 第25-28页 |
| 2.2.1 红外成像原理 | 第25-26页 |
| 2.2.2 红外镜头 | 第26-27页 |
| 2.2.3 红外探测器 | 第27-28页 |
| 2.3 斗齿脱落检测实验系统 | 第28-30页 |
| 2.3.1 光学设备 | 第28-29页 |
| 2.3.2 安装位置及数据采集 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于支持向量机的斗齿目标检测 | 第31-47页 |
| 3.1 斗齿目标检测流程 | 第31-32页 |
| 3.2 HOG特征提取 | 第32-37页 |
| 3.2.1 图像预处理 | 第33页 |
| 3.2.2 梯度的计算 | 第33-34页 |
| 3.2.3 梯度方向统计直方图 | 第34-37页 |
| 3.3 支持向量机 | 第37-46页 |
| 3.3.1 统计学习理论 | 第37-40页 |
| 3.3.2 SVM理论 | 第40-44页 |
| 3.3.3 核函数 | 第44-45页 |
| 3.3.4 模型选择 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 形状特征约束与斗齿脱落检测 | 第47-57页 |
| 4.1 形状特征约束 | 第47-54页 |
| 4.1.1 形状上下文概述 | 第47-49页 |
| 4.1.2 形状上下文特征提取 | 第49-52页 |
| 4.1.3 形状相似性计算 | 第52-54页 |
| 4.2 斗齿脱落检测 | 第54-56页 |
| 4.2.1 相机与铲斗的相对运动关系 | 第54-56页 |
| 4.2.2 斗齿脱落判断 | 第56页 |
| 4.3 本章小结 | 第56-57页 |
| 5 检测算法的实现与实验验证 | 第57-66页 |
| 5.1 实验环境 | 第57页 |
| 5.2 测试数据 | 第57-59页 |
| 5.3 算法的实现与验证 | 第59-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
