基于机器视觉的电池尾端缺陷检测算法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状与趋势 | 第12-15页 |
| 1.2.1 机器视觉检测现状与趋势 | 第12-13页 |
| 1.2.2 数字图像处理算法现状与趋势 | 第13-15页 |
| 1.3 论文研究内容与特色 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 本文特色 | 第15-16页 |
| 1.4 论文结构安排 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 缺陷检测算法框架与图像特性分析 | 第17-31页 |
| 2.1 检测算法框架 | 第17-18页 |
| 2.2 缺陷种类分析 | 第18页 |
| 2.3 影响缺陷成像的外部因素 | 第18-20页 |
| 2.3.1 光源 | 第18-20页 |
| 2.3.2 电池的运动 | 第20页 |
| 2.3.3 图像采集系统 | 第20页 |
| 2.4 缺陷检测数学建模 | 第20-26页 |
| 2.4.1 光源成像模型 | 第21-24页 |
| 2.4.2 划痕缺陷建模 | 第24-26页 |
| 2.5 缺陷图像噪声分析 | 第26-30页 |
| 2.5.1 背景噪声分析 | 第26-27页 |
| 2.5.2 缺陷噪声分析 | 第27-30页 |
| 2.5.3 对比分析 | 第30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 电池图像预处理方法 | 第31-42页 |
| 3.1 预处理概述 | 第31页 |
| 3.2 图像去噪 | 第31-35页 |
| 3.2.1 图像去噪评价方法 | 第31-32页 |
| 3.2.2 空域滤波 | 第32-33页 |
| 3.2.3 频率滤波 | 第33页 |
| 3.2.4 实验与结果 | 第33-35页 |
| 3.3 图像增强 | 第35-38页 |
| 3.3.1 直方图均衡化 | 第35-36页 |
| 3.3.2 CLAHE算法 | 第36页 |
| 3.3.3 小波增强 | 第36-37页 |
| 3.3.4 实验与结果 | 第37-38页 |
| 3.4 图像二值化 | 第38-40页 |
| 3.4.1 双峰法 | 第38-39页 |
| 3.4.2 大津法(OTSU) | 第39页 |
| 3.4.3 实验与结果 | 第39-40页 |
| 3.5 数学形态学处理 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 电池图像定位和校正方法 | 第42-60页 |
| 4.1 电池图像目标检测与分割 | 第42-46页 |
| 4.1.1 概论 | 第42-43页 |
| 4.1.2 电池目标分割算法 | 第43-45页 |
| 4.1.3 实验与结果 | 第45-46页 |
| 4.2 电池尾端倾斜角度计算 | 第46-55页 |
| 4.2.1 算法设计 | 第46-52页 |
| 4.2.2 倾斜角度的改进算法 | 第52-55页 |
| 4.3 目标图像旋转与校正 | 第55-57页 |
| 4.4 图像相似系数研究 | 第57-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 缺陷特征提取与识别方法 | 第60-68页 |
| 5.1 概述 | 第60页 |
| 5.2 缺陷特征分析 | 第60-61页 |
| 5.3 缺陷特征提取 | 第61-63页 |
| 5.3.1 缺陷区域标记 | 第61-62页 |
| 5.3.2 缺陷区域轮廓跟踪 | 第62-63页 |
| 5.4 识别方法研究 | 第63-64页 |
| 5.5 缺陷识别分类器的设计 | 第64-66页 |
| 5.6 实验与分析 | 第66-67页 |
| 5.7 本章小结 | 第67-68页 |
| 第六章 系统测试 | 第68-73页 |
| 6.1 系统实验环境 | 第68-69页 |
| 6.2 算法效果测试 | 第69-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 工作总结 | 第73-74页 |
| 7.2 问题与展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 硕士期间取得的研究成果 | 第80页 |
