| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题来源 | 第8页 |
| 1.2 研究背景及意义 | 第8-10页 |
| 1.3 国内外研究现状及发展 | 第10-11页 |
| 1.4 本文主要内容及结构 | 第11-12页 |
| 2 制衣裁片定位分割算法 | 第12-24页 |
| 2.1 基于Halcon的标定方法 | 第12-15页 |
| 2.1.1 标定的硬件设备 | 第12-13页 |
| 2.1.2 标定流程 | 第13-14页 |
| 2.1.3 标定结果 | 第14-15页 |
| 2.2 裁片的分割方法 | 第15-20页 |
| 2.2.1 阈值图像分割 | 第15-16页 |
| 2.2.2 Kmeans图像分割法 | 第16-17页 |
| 2.2.3 分水岭算法 | 第17-18页 |
| 2.2.4 改进的区域生长法分割图像 | 第18-20页 |
| 2.3 分割相关的方法 | 第20-23页 |
| 2.3.1 形态学闭运算分割 | 第20-22页 |
| 2.3.2 孔洞填充算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于图像匹配的制衣裁片对横条方法 | 第24-32页 |
| 3.1 裁片前后幅匹配过程 | 第26-28页 |
| 3.1.1 裁片纹理最小周期单元检测 | 第26-28页 |
| 3.1.2 匹配方法 | 第28页 |
| 3.2 裁片模板创建及实验结果 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 基于卷积神经网络的裁片缺陷检测 | 第32-42页 |
| 4.1 卷积神经网络基本思想 | 第32-34页 |
| 4.1.1 局部连接与权值共享 | 第32页 |
| 4.1.2 降采样操作(池化) | 第32-33页 |
| 4.1.3 激活函数 | 第33-34页 |
| 4.2 Lenet-5 的结构 | 第34-38页 |
| 4.3 R-CNN的结构 | 第38页 |
| 4.4 卷积神经网络裁片缺陷检测实验 | 第38-41页 |
| 4.4.1 Lenet-5 结构检测裁片缺陷实验 | 第38-40页 |
| 4.4.2 R-CNN结构检测裁片缺陷实验 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 实验软件开发 | 第42-46页 |
| 5.1 开发环境介绍 | 第42-43页 |
| 5.1.1 软件开发环境Visual Studio 2015 | 第42页 |
| 5.1.2 图像处理算法库Halcon简介 | 第42页 |
| 5.1.3 仿真环境Matlab | 第42-43页 |
| 5.2 Halcon混合C | 第43页 |
| 5.3 系统运行结果 | 第43-44页 |
| 5.4 本章总结 | 第44-46页 |
| 6 总结和展望 | 第46-48页 |
| 6.1 全文总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 作者攻读学位期间发表学术论文清单 | 第52-54页 |
| 致谢 | 第54页 |