| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 国外研究现状 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-19页 |
| 1.3 主要研究内容 | 第19页 |
| 1.4 论文结构及安排 | 第19-21页 |
| 第二章 焊缝缺陷检测与识别的相关技术 | 第21-37页 |
| 2.1 图像降噪与增强 | 第21-25页 |
| 2.1.1 图像降噪 | 第21-22页 |
| 2.1.2 图像增强 | 第22-25页 |
| 2.2 图像分割 | 第25-28页 |
| 2.2.1 基于Otsu的阈值分割法 | 第25-27页 |
| 2.2.2 分水岭算法 | 第27页 |
| 2.2.3 基于Canny边缘检测的分割法 | 第27-28页 |
| 2.2.4 基于kmeans聚类的分割法 | 第28页 |
| 2.3 机器学习算法 | 第28-32页 |
| 2.3.1 支持向量机 | 第28-30页 |
| 2.3.2 CART算法 | 第30-31页 |
| 2.3.3 GBDT算法 | 第31-32页 |
| 2.4 模型评估 | 第32-34页 |
| 2.5 交叉验证 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 图像降噪与增强 | 第37-45页 |
| 3.1 图像降噪 | 第37-38页 |
| 3.2 基于自适应灰度拉伸区间的图像增强算法 | 第38-43页 |
| 3.2.1 典型的图像增强算法分析 | 第38-39页 |
| 3.2.2 基于自适应灰度拉伸区间的图像增强算法 | 第39-41页 |
| 3.2.3 实验结果分析 | 第41-43页 |
| 3.3 本章小结 | 第43-45页 |
| 第四章 基于自适应阈值的焊缝提取算法 | 第45-59页 |
| 4.1 典型的图像分割算法分析 | 第45-49页 |
| 4.1.1 基于Otsu的阈值分割法 | 第45-47页 |
| 4.1.2 分水岭算法 | 第47页 |
| 4.1.3 基于Canny边缘检测的分割法 | 第47-49页 |
| 4.1.4 基于kmeans聚类的分割法 | 第49页 |
| 4.2 基于自适应阈值的焊缝提取算法 | 第49-53页 |
| 4.3 实验结果分析 | 第53-57页 |
| 4.3.1 本文的焊缝提取算法的运行过程及参数选择 | 第53-54页 |
| 4.3.2 与典型的图像分割算法对比 | 第54-56页 |
| 4.3.3 在整个数据集中的效果 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 焊缝缺陷检测与识别 | 第59-77页 |
| 5.1 基于灰度形态学的焊缝缺陷检测算法 | 第60-66页 |
| 5.1.1 典型的缺陷检测方法分析 | 第60-62页 |
| 5.1.2 基于灰度形态学的焊缝缺陷检测算法 | 第62-64页 |
| 5.1.3 实验结果分析 | 第64-66页 |
| 5.2 焊缝缺陷识别 | 第66-75页 |
| 5.2.1 焊缝缺陷种类 | 第66-68页 |
| 5.2.2 焊缝缺陷特征提取 | 第68-70页 |
| 5.2.3 特征数据预处理 | 第70-72页 |
| 5.2.4 实验结果分析 | 第72-75页 |
| 5.3 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 论文总结 | 第77页 |
| 6.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |