| 目录 | 第1-7页 |
| Contents | 第7-10页 |
| 摘要 | 第10-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第12-21页 |
| ·研究背景及意义 | 第12页 |
| ·机器视觉检测玻璃瓶质量的国内外现状 | 第12-16页 |
| ·国外现状 | 第12-14页 |
| ·国内现状 | 第14-16页 |
| ·存在的问题 | 第16-17页 |
| ·本文研究内容 | 第17-18页 |
| ·玻璃瓶罐检测机的分类 | 第17页 |
| ·瓶检系统的设计 | 第17-18页 |
| ·图像预处理和分割 | 第18页 |
| ·图像特征提取和基于机器学习的缺陷分类 | 第18页 |
| ·本文中的玻璃瓶缺陷种类说明 | 第18-20页 |
| ·本论文图像处理算法的实验条件 | 第20页 |
| ·小结 | 第20-21页 |
| 第二章 检测系统设计 | 第21-25页 |
| ·检测系统的硬件设计 | 第21-23页 |
| ·硬件系统的构成 | 第21-22页 |
| ·硬件系统的设计 | 第22-23页 |
| ·检测系统的软件设计 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 图像预处理和分割 | 第25-48页 |
| ·基于积分图的快速空域滤波 | 第25-36页 |
| ·积分图 | 第26页 |
| ·基于积分图的快速均值滤波 | 第26-30页 |
| ·基于积分图的快速高斯滤波 | 第30-35页 |
| ·基于积分图的任意滤波 | 第35-36页 |
| ·图像配准 | 第36-42页 |
| ·基于灰度信息的图像配准 | 第37页 |
| ·基于几何特征的图像配准 | 第37-38页 |
| ·针对玻璃瓶图像的配准方法 | 第38-42页 |
| ·图像分割 | 第42-47页 |
| ·阈值法 | 第42-44页 |
| ·区域生长 | 第44-45页 |
| ·边缘检测 | 第45页 |
| ·过滤掉特定方向纹理的二值化方法 | 第45-47页 |
| ·小结 | 第47-48页 |
| 第四章 特征提取和基于机器学习的缺陷分类 | 第48-67页 |
| ·玻璃瓶图像的特征提取 | 第48-51页 |
| ·灰度特征 | 第48-49页 |
| ·几何特征 | 第49-51页 |
| ·用于缺陷分类的输入特征向量 | 第51页 |
| ·机器学习 | 第51页 |
| ·贝叶斯分类方法的玻璃瓶质量检测 | 第51-55页 |
| ·构建贝叶斯分类器 | 第52-53页 |
| ·实验结果 | 第53-55页 |
| ·人工神经网络 | 第55-62页 |
| ·神经元 | 第55-57页 |
| ·梯度下降(gradient descent)法 | 第57-58页 |
| ·反向传播(BP,back propogation)算法 | 第58-59页 |
| ·使用神经网络进行缺陷分类实验 | 第59-62页 |
| ·支持向量机 | 第62-66页 |
| ·最大间隔平面 | 第62-63页 |
| ·核函数(Kernel) | 第63-64页 |
| ·构建多类的SVM分类器 | 第64-65页 |
| ·实验结果 | 第65-66页 |
| ·小结 | 第66-67页 |
| 第五章 总结 | 第67-69页 |
| ·全文总结 | 第67页 |
| ·创新点 | 第67页 |
| ·后续研究 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间主要工作 | 第74-75页 |
| 致谢 | 第75-76页 |
| 学位论文评阅及答辩情况表 | 第76页 |