| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-20页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 木材缺陷检测技术及其应用 | 第12-13页 |
| 1.2.1 木材无损检测技术 | 第12-13页 |
| 1.2.2 木材无损检测技术的应用 | 第13页 |
| 1.3 机器视觉检测技术及其在木材缺陷检测中的应用 | 第13-17页 |
| 1.3.1 机器视觉检测技术 | 第14-15页 |
| 1.3.2 机器视觉技术在木材缺陷检测中的应用 | 第15-16页 |
| 1.3.3 机器视觉技术在木材纹理分类的应用 | 第16-17页 |
| 1.4 实木地板缺陷和纹理在线分选系统与待解决的问题 | 第17-18页 |
| 1.5 研究的主要内容 | 第18-20页 |
| 2 实木地板分等标准与分选系统构建 | 第20-30页 |
| 2.1 实木地板检验标准 | 第20-21页 |
| 2.2 实木地板分选系统的构建 | 第21-25页 |
| 2.2.1 图像采集部分 | 第23页 |
| 2.2.2 动力装置与执行机构部分 | 第23-24页 |
| 2.2.3 控制柜 | 第24-25页 |
| 2.3 实验样本 | 第25-29页 |
| 2.3.1 实木地板缺陷样本及特点 | 第25-28页 |
| 2.3.2 实木地板纹理样本及特点 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 实木地板表面缺陷图像分割算法研究 | 第30-48页 |
| 3.1 图像分割算法及其分类 | 第30-31页 |
| 3.2 超像素图像分割 | 第31-33页 |
| 3.3 MeanShift与超像素图像分割算法比较 | 第33-39页 |
| 3.3.1 MeanShift图像分割算法 | 第33-35页 |
| 3.3.2 SLIC超像素分割算法 | 第35-37页 |
| 3.3.3 HSLIC超像素分割算法 | 第37-39页 |
| 3.4 超像素合并 | 第39-47页 |
| 3.4.1 超像素合并的分类 | 第39-40页 |
| 3.4.2 自适应阈值的快速DBSCAN超像素合并 | 第40-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 基于随机森林算法的实木地板缺陷图像分类 | 第48-79页 |
| 4.1 随机森林算法 | 第48-54页 |
| 4.1.1 随机森林的理论概述 | 第48-50页 |
| 4.1.2 决策树 | 第50-52页 |
| 4.1.3 随机森林分类器构建过程 | 第52-54页 |
| 4.2 缺陷图像特征提取 | 第54-69页 |
| 4.2.1 图像特征的分类 | 第54-56页 |
| 4.2.2 缺陷颜色特征 | 第56-61页 |
| 4.2.3 缺陷形状特征 | 第61-65页 |
| 4.2.4 缺陷纹理特征 | 第65-69页 |
| 4.3 随机森林算法在缺陷分类中的应用 | 第69-78页 |
| 4.3.1 分类单特征 | 第70-71页 |
| 4.3.2 随机森林模型优化 | 第71-73页 |
| 4.3.3 改进的随机森林算法在缺陷分类中的应用 | 第73-78页 |
| 4.4 本章小结 | 第78-79页 |
| 5 基于大尺度纹理方向的实木地板纹理分类 | 第79-96页 |
| 5.1 实木地板纹理分析 | 第79-81页 |
| 5.1.1 纹理分析概述 | 第79-80页 |
| 5.1.2 实木地板纹理分析研究现状 | 第80-81页 |
| 5.2 实木地板纹理边缘提取 | 第81-87页 |
| 5.2.1 LBP及直方图 | 第81-85页 |
| 5.2.2 基于双重LBP的大尺度纹理边缘提取 | 第85-87页 |
| 5.3 纹理特征方向提取 | 第87-91页 |
| 5.3.1 HOG原理 | 第87-89页 |
| 5.3.2 基于HOG的纹理方向特征提取及分析 | 第89-91页 |
| 5.4 基于随机森林的纹理分类 | 第91-95页 |
| 5.4.1 实验数据分析 | 第91-94页 |
| 5.4.2 不均衡问题的解决 | 第94-95页 |
| 5.5 本章小结 | 第95-96页 |
| 结论 | 第96-98页 |
| 参考文献 | 第98-106页 |
| 攻读学位期间发表的学术论文 | 第106-107页 |
| 致谢 | 第107-108页 |
